Araştırma Makalesi
BibTex RIS Kaynak Göster

Ormanların Çap Dağılımlarının Modellenmesinde Derin Öğrenme Algoritmalarının Kullanımı: Trabzon ve Giresun Ormanları Doğu Ladini-Sarıçam Karışık Meşcereleri Örneği

Yıl 2018, Cilt: 4 Sayı: 2, 122 - 132, 31.12.2018

Öz

Bu çalışmada, Derin Öğrenme Algoritmaları ile
meşcerelerin çap dağılımlarını modellemek amacıyla, Trabzon ve Giresun Orman
Bölge Müdürlükleri sınırları içerisinde yer alan eşityaşlı Doğu Ladini-Sarıçam
karışık meşcerlerinden (LCs veya CsL) Ercanlı (2010) tarafından alınan 161 adet
örnek alanlardan elde edilen veriler kullanılmıştır. Meşcerelerin çap
dağılımlarının %25,  %50 ve %95’lik
yüzdelik değerlerine göre parametreleri hesaplanan 3 parametreli Weibull
olasılık yoğunluk fonksiyonuna ilişkin Hata kareler Toplamı (HKT) değeri;
6126730, Hataların Ortalama Kare Kökü (HKOK) değeri; 67.5172, R2düz.
değeri;0.6121, AIC değeri; 11351.16 ve SBC değeri ise;
11366.77 olarak hesaplanmıştır. Derin öğrenme algoritmasının eğitim süreci,
örnek alanların belirli çap basamağına karşılık gelen hektardaki ağaç sayısı
çıktı değişkeni; örnek alanın toplam hektardaki ağaç sayısı, ilgili çap
basamağının orta değeri ve dağılımın %25, 
%50 ve %95’lik yüzdelik değerleri girdi değişkeni esas alınarak,
“nfolds=5” alt seçeneği ile “k sayısı kadar çapraz doğrulama” yöntemi esas
alınarak uygulanmıştır. Bu eğitim süreci, R yazılımının H20 paketi
kullanılarak gerçekleştirilmiş, algoritma yapısının oluşturulmasında, nöron
sayısı; 100 ve transfer fonksiyonu olarak da; “Rectifier” fonksiyonu seçilmiştir. Derin öğrenmede, ağın başarısını
etkileyen katman sayısının belirlenmesinde, derin öğrenme algoritmalarına
ilişkin 8 farklı katman (3, 4, 5, 6, 7, 8, 9, 10 katman seçenekleri) seçeneği,
çeşitli başarı ölçüt değerlerine göre karşılaştırılmıştır. Yapılan bu
karşılaştırmada, HKT değeri; 1286083, HKOK değeri; 30.9570, R2düz.
değeri;0.9184, AIC değeri; 9252.41 ve SBC değeri ise; 9278.44
olarak elde edilen 5 katmanlı derin öğrenme algoritması, çap dağılımını
modellemede en başarılı olarak belirlenmiştir. 3 parametreli Weibull olasılık
yoğunluk fonksiyonuna göre derin öğrenme ile HKT değerinde; % 79.01 azalış, HKOK
değerinde % 54.15 azalış, R2düz. değerinde % 30.63 artış, AIC
değerinde % 18.49 azalış ve SBC değerinde % 18.37 azalış elde edilmiştir. 

Kaynakça

  • Andrasev, S., Bobinac, M., Orlovic, S. 2009. Diameter structure models of Black Poplar selected clones in the section Aigeiros (Duby) obtained by the Weibull distribution. Sumarski List 133: 589-603Atıcı, E. 1998. Değişikyaşlı Doğu Kayını (Fagus orientalis Lipsly.) Ormanlarında Artım ve Büyüme, Doktora Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.Bailey, R. L., Dell, T. R. 1973. Quantifying Diameter Distributions with The Weibull Function, Forest Science, 19, 97–104.Bailey, R. L., Burgan, T. M., Jokela, E. J. 1989. Fertilized mid-rotation aged slash pine plantations—Stand structure and yield prediction models. South. J. Appl. For. 13, 76-80.Baldwin, V. C., Feduccia, D. P. 1987. Loblolly pine growth and yield prediction for managed West Gulf plantations. USDA For. Serv. Res. Pap. SO 236, 27 p.Bolat F. 2015. Bursa-Kestel Orman İşletme Şefliği içerisindeki meşcereler için çap dağılım modellerinin geliştirilmesi. Yüksek Lisans Tezi, Çankırı Karatekin Üniveristesi Fen Bilimleri Enstitüsü, 77 s.Bolat, F. 2015. Predictions For Oriental Beech Tree Heights Based on Artificial Neural Network in Kestel Forests, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Turkey.Bolat, İ., Ercanlı, İ. 2015. Using Artificial Neural Network in Describing Diameter Distribution in an Even-Aged Forest, International Forestry Symposium, 7-10 December 2016, Kastamonu-TurkeyBurkhart, H. 1995. Modeling Forest Growth, Encyclopedia of Environmental Biology, 2, 535-543.Čavlović, J., Božić, M., Boncina, A. 2006. Stand Structure of An Uneven-Aged Fir–Beech Forest with An Irregular Diameter Structure: Modeling The Development of The Belevine Forest, Croatia, European Journal of Forest Research, 125, 4, 325-333. Cao, Q. V. 2004. Predicting Parameters of A Weibull Function for Modelling Diameter Distribution, Forest Science, 50, 682 – 685.Carranza-Rojas, J., Goeau, H., Bonnet, P., Mata-Montero, E., Joly, A. 2017. Going deeper in the automated identification of Herbarium specimens. BMC Evol. Biol. http://dx. doi.org/10.1186/s12862-017-1014-z.Carus, S. 1996. Aynı Yaşlı Doğu Kayını (Fagus orientalis Lipsly.) Meşcerelerinde Çap Dağılımın Bonitet ve Yaşa Göre Değişimi, İstanbul Orman Fakültesi Dergisi, 46, 171-181.Carus, S., Çatal, Y. 2008. Kızılçam (Pinus Brutia Ten.) Meşcerelerinde 7-Ağaç Örnek Nokta Yöntemiyle Meşcere Ağaç Sayısının Çap Basamaklarına Dağılımının Belirlenmesi, Süleyman Demirel Üniversitesi, Orman Fakültesi Dergisi, 2, 158-169. Clutter, J. L., Bennett, F. A. 1965. Diameter Distributions in Old-Field Slash Pine Plantation, Georgia Forest Research Council, Report No.13.Clutter, J. L., Harms, W. R., Brister, G. H., Rhenney, J. W. 1984. Stand structure and yields of site-prepared loblolly pine plantations in the lower coastal plain of the Carolinas, Georgia, and North Florida. USDA For. Serv. Gen. Tech. Rep. SE-27, 173 p.Doğdaş, İ. 2014. Burdur-Ağlasun yöresi kızılçam (Pinus brutia Ten.) ormanlarında meşcere ağaç sayısı, hacim ve hacim artımının çap basamaklarına dağılımının modellenmesi. Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü 98s, Isparta.Diamantopoulou, M. J., Özçelik, R. 2012. Evaluation of different modeling approaches for total tree-height estimation in Mediterranean Region of Turkey, Forest Systems, 21, 3, 383-397. Diamantopoulou, M. J., Özçelik, R., Crecente-Campo, F., Eler, Ü. 2015. Estimation of Weibull function parameters for modelling tree diameter distribution using least squares and artificial neural networks methods, Biosystem enginering, 133, 33-45. Ercanlı, İ. 2010. Trabzon ve Giresun orman bölge müdürlükleri sınırları içerisinde yer alan Doğu Ladini (Picea orientalis (l.) Link)-Sarıçam (Pinus sylvestris l.) Karışık meşcerelerine ilişkin büyüme modelleri, Doktora Tezi, K.T.Ü., Fen Bilimleri Enstitüsü, Trabzon.Ercanlı İ., Bolat F., Kahriman A. 2013. Comparing parameter recovery methods for diameter distribution models of Oriental spruce (Picea orientalis (L.) Link.) and Scotch pine (Pinus sylvestris L.) mixed stands located Trabzon and Giresun Forest Regional Directorate. International Caucasian Forestry Symposium (24-26 October), 119-126, Artvin, Turkey.Ercanlı, İ., Kahriman, A., Bolat, F. 2015. Applications of Artificial Neural Network For Predicting The Relationships Between Height And Age For Oriental Beech, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Turkey.Ercanlı, İ., Günlü, A., Şenyurt, M., Bolat, F., Kahriman, A. 2016. Artificial neural network for predicting stand carbon stock from remote sensing data for even-aged scots pine (pinus sylvestris l.) Stands in the taşköprü-çiftlik forests. 1st International Symposium of Forest Ercanlı, İ., Kahriman, A., Yavuz, H. 2016. Predicting Oriental Spruce and Scots Pine Tree Diameter Increments Based on Artificial Neural Network Located in Mixed Oriental Spruce-Scots Pine Stands at Trabzon and Giresun Forest District, International Forestry Symposium, 7-10 December 2016, Kastamonu-TurkeyErcanlı, İ., Bolat. 2017. Diameter distribution Modeling based on Artificial Neural Networks for Kunduz Forests, International Symposium on New Horizons in Forestry-ISFOR 2017, Isparta University, Faculty of Forestry, 18-20 October, Isparta, Turkey. Ercanlı, İ., Günlü, A., Şenyurt, M., Keleş, S. 2018. Artificial neural network models predicting the leaf area index: a case study in pure even-aged Crimean pine forests from Turkey, Forest Ecosystems, 5-29. Engineering and Technologies (FETEC 2016), Bursa Technical University, Faculty of Forestry, 2-4 June 2016, Bursa-TURKEY. Feduccia, D. P., Dell, T. R., Mann, W. F., Polmer, B. H. 1979. Yields of unthinned loblolly pine plantations on cutover sites in the West Gulf region. USDA For. Serv. Res. Pap. So-148, 88 p.Gadow, K. V., Hui, G.Y. 1999. Modelling Forest Development, Kluwer Academic Publishers, Dordrect, 213 p.Garcia, O. 2001. Growth and Yield in British Columbia Background and Discussion, University of Northern British Columbia General Technical Report, 88 p.Günlü, A., Ercanlı, İ. 2017. Evaluating some artificial neural networks and multiple linear regression model for predicting carbon of pure oriental beech stand in Göldağ forests, International Symposium on New Horizons in Forestry-ISFOR 2017, Isparta University, Faculty of Forestry, 18-20 October, Isparta, Turkey.Güneş, S. 2015. sparta yöresi kızılçam meşcerelerinde çap dağılımının örnek nokta ağaç sayısına göre modellenmesi, Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, 85 s. Gorgoso-Varela, J. J., Alvarez-Gonzalez, J. G., Rojo, A., Grandas-Arias, J. A. 2007. Modelling diameter distributions of Betula alba L. stands in northwest Spain with the two-parameter Weibull function. Invest. Agrar. Sist. Recur. For. 16: 113-123.Hafley, W. L., Schreuder, H. T. 1977. Statistical distributions for fitting diameter and height data in even-aged stands. Canadian Journal Forest Research, 7, 481–487.H2O.ai Team., 2018. H2O documentation, URL http://docs.h2o.aiJiang, L. C., Brooks, J. R. 2009. Predicting diameter distributions for young longleaf pine plantations in Southwest Georgia. South. J. Appl. For. 33: 25-28.Kahriman, A., Yavuz, H. 2011. Sarıçam (Pinus sylvestris L.)-Doğu Kayını (Fagus orientalis Lipsky) Karışık Meşcerelerinde Çap Dağılımlarının Olasılık Yoğunluk Fonksiyonları ile Belirlenmesi, Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 12, 2, 109-125. Knoebel, B. R., Burkhart H. E., Beck, D. E., 1986. A Growth and Yield Model for Thinned Stands of Yellow-Poplar, Forest Science Monograph, 27, 39 p.Knowe, S. A. 1992. Basal Area and Diameter Distribution Models for loblolly Pine Plantations with Hardwood Competition in The Piedmont And Upper Coastal Plain. South. J. Appl. For., 16, 93–98.Knowe, S. A., Ahrens, G. A., DeBell, D. S. 1997. Comparison of diameter-distribution prediction, stand-table -projection and individual-tree growth modeling approaches for young red alder plantations. Forest Ecology and Management, 96, 207-216.Karakaş R. 2013. Önsen doğal Fıstıkçamı (Pinus pinea L.) meşcerelerinde çap dağılımlarının modellenmesi. Yüksek Lisans Tezi, Kahramanmaraş Sütcü İmam Fen Bilimleri Enstitüsü, 67s. LeCun, Y., Bengio, Y., Hinton, G. 2015. Deep learning. Nature 521, 436–444. http://dx. doi.org/10.1038/nature14539.Liu, C., Zhang, S. Y., Lei, Y., Newton, P. F., Zhang, L., 2004. Evaluation of Three Methods for Predicting Diameter Distributions of Black Spruce (Picea Mariana ) Plantations in Central Canada, Canadian Journal of Forest Research, 34 , 2424 – 2432.Lohrey, R. E., Bailey, R. L. 1977. Yield tables and stand structure for unthinned long leaf pine plantations in Louisiana and Texas. USDA For. Ser. Res. Pap. SO-133. 55 p.Maltamo, M., 1997. Comparing basal area diameter distributions estimated by tree species and for the entire growing stock in a mixed stand. Silva Fennica, 31, 1, 53-65.Maltamo, M., Puumalainen, J., Paivinen, R. 1995. Comparison of Beta and Weibull Functions for Modeling Basal Area Diameter Distributions in Stands of Pinus Sylvestris and Picea Abies, Scandinavian Journal of Forest Research, 10, 184-295.Matney, T. G., Sullivan, A. D. 1982. Compatible Stand and Stock Tables for Thinned and Unthinned Loblolly Pine Stands, Forest Science, 28, 161–171.Nord-Larsen, T., Cao, Q. V. 2006. A Diameter Distribution Model for Even-Aged Beech in Denmark, Forest Ecology and Management, 231, 218–225.Özçelik, R., Diamantopoulou, M.J., Wiant, H. R., Brooks, J. R. 2008. Comparative study of standard and modern methods for estimating tree bole volume of three species in Turkey, Forest Products Journal, 58, 6, 73-81.Özçelik, R., Diamantopoulou, M. J., Crecente-Campo, F., Eler, U. 2013. Estimating Crimean juniper tree height using nonlinear regression and artificial neural network models, Forest Ecology and Management 306, 52-60.Özcelik, R., Diamantopoulou, M. J., Brooks, J. R. 2014. The use of tree crown variables in over-bark diameter and volume prediction models. iForest-Journal of Biogeosciences and Forestry, 7:132-139.Packard, K. C., 2000. Modeling Tree Diameter Distributions for Mixed-Species ConiferForests in The Northeast United States, Master Thesis, State University of New York, New York, USA., 129 p.Palahi, M., Pukkala, T., Trasobares, A. 2006. Calibrating Predicted Tree Diameter Distributions in Catalonia (Spain), Silva Fennica, 40, 3, 487–500.Palahi, M., Pukkala, T., Trasobares, A. 2007. Modelling The Diameter Distribution of Pinus Sylvesris, Pinus Nigra and Pinus Halepensis Forest Stands in Catalonia Using The Truncated Weibull Function, Forestry, 79, 5, 553-562.Podlaski R. 2006. Suitability of The Selected Statistical Distributions for Fitting Diameter Data in Distinguished Development Stages and Phases of Near-Natural Mixed Forests in The Świętokrzyski National Park (Poland), Forest Ecololgy and Management, 236, 393–402Poudel, K. P. 2011. Evaluatıon of methods to predıct weıbull parameters for characterızıng diameter dıstrıbutıons, MSc. Graduate Faculty of the Louisiana State University and Agricultural and Mechanical College, 60 p. Poudel, K. P., Cao, Q. V. 2013. Evaluatıon of methods to predıct weıbull parameters for characterızıng dıameter dıstrıbutıons, Forest Science, 59, 2, 243-252.Pukkala, T., Saramaki, J., Mubita, O., 1990. Management Planning System For Tree Plantations; A Case Study for Pinus Kesiya in Zambia, Silva Fennica, 24, 171–180.Rennolls, K., Geary, D. N., Rollinson, T. J. D. 1985. Characterizing Diameter Distributions By The Use of The Weibull Distribution, Forestry, 58, 58–66.Saraçoğlu, Ö. 1988. Karadeniz Yöresi Göknar Meşçerelerinde Artım ve Büyüme, O. G. M. Yayınları, No: 25, 312. Saramäki J. 1992. A growth and yield prediction model of Pinus kesiya (Royle ex Gordon) in Zambia, Acta Forestalia Fenica 230, 68 p.Smalley, G. W., Bailey, R. L. 1974. Yield Tables and Stand Structure for Shortleaf Pine Plantations in The Tennessee, Alabama and Georgia Highlands. USDA Forest Service Research Paper, 97 p.SPSS Institute Inc. 2005. SPSS Base 12.0 User’s Guide, 688 p.Sönmez, T., Günlü, A., Karahalil, U., Ercanlı, İ., Şahin, A. 2010. Saf Doğu Ladini Meşcerelerinde Çap Dağılımının Modellenmesi, "III. Ulusal Karadeniz Ormancılık Kongresi Bildiriler Kitabı. 20-22 Mayıs 2010, Artvin", Cilt: I, 388-398Şenyurt, M., İlker, E., Yavuz, H., Kahriman, A. 2015. Predicting Stand Yield Parameters Based On Artificial Neural Network for Oriental Beech In Kestel Forests, Bursa, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Turkey.van Lear A., Akça A. 2007. Forest mensuration: in Managing Forest Ecosystems, Dordrecht, The Netherlands: Springer. 383 p.Yavuz, H. 1992. Değişik Yaşlı Meşcerelerde Büyümenin Merkov Zincirleri Yöntemi ile Analiz Edilmesi, Doktora Tezi, K.T.Ü Fen Bilimleri Enstitüsü, Trabzon, 230 s.Yavuz, H., Gül, A. U., Mısır, N., Özçelik, R., Sakıcı, O. E. 2002. Meşcerelerde Çap Dağılımlarının Düzenlenmesi ve Bu Dağılımlara İlişkin Parametreler ile Çeşitli Meşcere Öğeleri Arasındaki İlişkilerin Belirlenmesi, Orman Amenajmanında Kavramsal Açılımlar ve Yeni Hedefler Sempozyumu, 18-19 Nisan İstanbulZhang, L., Liu, C. 2006. Fitting Irregular Diameter Distributions of Forest Stands By Weibull, Modified Weibull and Mixture Weibull Models, Journal Forest Research, 11, 369–372.
Yıl 2018, Cilt: 4 Sayı: 2, 122 - 132, 31.12.2018

Öz

Kaynakça

  • Andrasev, S., Bobinac, M., Orlovic, S. 2009. Diameter structure models of Black Poplar selected clones in the section Aigeiros (Duby) obtained by the Weibull distribution. Sumarski List 133: 589-603Atıcı, E. 1998. Değişikyaşlı Doğu Kayını (Fagus orientalis Lipsly.) Ormanlarında Artım ve Büyüme, Doktora Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.Bailey, R. L., Dell, T. R. 1973. Quantifying Diameter Distributions with The Weibull Function, Forest Science, 19, 97–104.Bailey, R. L., Burgan, T. M., Jokela, E. J. 1989. Fertilized mid-rotation aged slash pine plantations—Stand structure and yield prediction models. South. J. Appl. For. 13, 76-80.Baldwin, V. C., Feduccia, D. P. 1987. Loblolly pine growth and yield prediction for managed West Gulf plantations. USDA For. Serv. Res. Pap. SO 236, 27 p.Bolat F. 2015. Bursa-Kestel Orman İşletme Şefliği içerisindeki meşcereler için çap dağılım modellerinin geliştirilmesi. Yüksek Lisans Tezi, Çankırı Karatekin Üniveristesi Fen Bilimleri Enstitüsü, 77 s.Bolat, F. 2015. Predictions For Oriental Beech Tree Heights Based on Artificial Neural Network in Kestel Forests, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Turkey.Bolat, İ., Ercanlı, İ. 2015. Using Artificial Neural Network in Describing Diameter Distribution in an Even-Aged Forest, International Forestry Symposium, 7-10 December 2016, Kastamonu-TurkeyBurkhart, H. 1995. Modeling Forest Growth, Encyclopedia of Environmental Biology, 2, 535-543.Čavlović, J., Božić, M., Boncina, A. 2006. Stand Structure of An Uneven-Aged Fir–Beech Forest with An Irregular Diameter Structure: Modeling The Development of The Belevine Forest, Croatia, European Journal of Forest Research, 125, 4, 325-333. Cao, Q. V. 2004. Predicting Parameters of A Weibull Function for Modelling Diameter Distribution, Forest Science, 50, 682 – 685.Carranza-Rojas, J., Goeau, H., Bonnet, P., Mata-Montero, E., Joly, A. 2017. Going deeper in the automated identification of Herbarium specimens. BMC Evol. Biol. http://dx. doi.org/10.1186/s12862-017-1014-z.Carus, S. 1996. Aynı Yaşlı Doğu Kayını (Fagus orientalis Lipsly.) Meşcerelerinde Çap Dağılımın Bonitet ve Yaşa Göre Değişimi, İstanbul Orman Fakültesi Dergisi, 46, 171-181.Carus, S., Çatal, Y. 2008. Kızılçam (Pinus Brutia Ten.) Meşcerelerinde 7-Ağaç Örnek Nokta Yöntemiyle Meşcere Ağaç Sayısının Çap Basamaklarına Dağılımının Belirlenmesi, Süleyman Demirel Üniversitesi, Orman Fakültesi Dergisi, 2, 158-169. Clutter, J. L., Bennett, F. A. 1965. Diameter Distributions in Old-Field Slash Pine Plantation, Georgia Forest Research Council, Report No.13.Clutter, J. L., Harms, W. R., Brister, G. H., Rhenney, J. W. 1984. Stand structure and yields of site-prepared loblolly pine plantations in the lower coastal plain of the Carolinas, Georgia, and North Florida. USDA For. Serv. Gen. Tech. Rep. SE-27, 173 p.Doğdaş, İ. 2014. Burdur-Ağlasun yöresi kızılçam (Pinus brutia Ten.) ormanlarında meşcere ağaç sayısı, hacim ve hacim artımının çap basamaklarına dağılımının modellenmesi. Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü 98s, Isparta.Diamantopoulou, M. J., Özçelik, R. 2012. Evaluation of different modeling approaches for total tree-height estimation in Mediterranean Region of Turkey, Forest Systems, 21, 3, 383-397. Diamantopoulou, M. J., Özçelik, R., Crecente-Campo, F., Eler, Ü. 2015. Estimation of Weibull function parameters for modelling tree diameter distribution using least squares and artificial neural networks methods, Biosystem enginering, 133, 33-45. Ercanlı, İ. 2010. Trabzon ve Giresun orman bölge müdürlükleri sınırları içerisinde yer alan Doğu Ladini (Picea orientalis (l.) Link)-Sarıçam (Pinus sylvestris l.) Karışık meşcerelerine ilişkin büyüme modelleri, Doktora Tezi, K.T.Ü., Fen Bilimleri Enstitüsü, Trabzon.Ercanlı İ., Bolat F., Kahriman A. 2013. Comparing parameter recovery methods for diameter distribution models of Oriental spruce (Picea orientalis (L.) Link.) and Scotch pine (Pinus sylvestris L.) mixed stands located Trabzon and Giresun Forest Regional Directorate. International Caucasian Forestry Symposium (24-26 October), 119-126, Artvin, Turkey.Ercanlı, İ., Kahriman, A., Bolat, F. 2015. Applications of Artificial Neural Network For Predicting The Relationships Between Height And Age For Oriental Beech, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Turkey.Ercanlı, İ., Günlü, A., Şenyurt, M., Bolat, F., Kahriman, A. 2016. Artificial neural network for predicting stand carbon stock from remote sensing data for even-aged scots pine (pinus sylvestris l.) Stands in the taşköprü-çiftlik forests. 1st International Symposium of Forest Ercanlı, İ., Kahriman, A., Yavuz, H. 2016. Predicting Oriental Spruce and Scots Pine Tree Diameter Increments Based on Artificial Neural Network Located in Mixed Oriental Spruce-Scots Pine Stands at Trabzon and Giresun Forest District, International Forestry Symposium, 7-10 December 2016, Kastamonu-TurkeyErcanlı, İ., Bolat. 2017. Diameter distribution Modeling based on Artificial Neural Networks for Kunduz Forests, International Symposium on New Horizons in Forestry-ISFOR 2017, Isparta University, Faculty of Forestry, 18-20 October, Isparta, Turkey. Ercanlı, İ., Günlü, A., Şenyurt, M., Keleş, S. 2018. Artificial neural network models predicting the leaf area index: a case study in pure even-aged Crimean pine forests from Turkey, Forest Ecosystems, 5-29. Engineering and Technologies (FETEC 2016), Bursa Technical University, Faculty of Forestry, 2-4 June 2016, Bursa-TURKEY. Feduccia, D. P., Dell, T. R., Mann, W. F., Polmer, B. H. 1979. Yields of unthinned loblolly pine plantations on cutover sites in the West Gulf region. USDA For. Serv. Res. Pap. So-148, 88 p.Gadow, K. V., Hui, G.Y. 1999. Modelling Forest Development, Kluwer Academic Publishers, Dordrect, 213 p.Garcia, O. 2001. Growth and Yield in British Columbia Background and Discussion, University of Northern British Columbia General Technical Report, 88 p.Günlü, A., Ercanlı, İ. 2017. Evaluating some artificial neural networks and multiple linear regression model for predicting carbon of pure oriental beech stand in Göldağ forests, International Symposium on New Horizons in Forestry-ISFOR 2017, Isparta University, Faculty of Forestry, 18-20 October, Isparta, Turkey.Güneş, S. 2015. sparta yöresi kızılçam meşcerelerinde çap dağılımının örnek nokta ağaç sayısına göre modellenmesi, Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, 85 s. Gorgoso-Varela, J. J., Alvarez-Gonzalez, J. G., Rojo, A., Grandas-Arias, J. A. 2007. Modelling diameter distributions of Betula alba L. stands in northwest Spain with the two-parameter Weibull function. Invest. Agrar. Sist. Recur. For. 16: 113-123.Hafley, W. L., Schreuder, H. T. 1977. Statistical distributions for fitting diameter and height data in even-aged stands. Canadian Journal Forest Research, 7, 481–487.H2O.ai Team., 2018. H2O documentation, URL http://docs.h2o.aiJiang, L. C., Brooks, J. R. 2009. Predicting diameter distributions for young longleaf pine plantations in Southwest Georgia. South. J. Appl. For. 33: 25-28.Kahriman, A., Yavuz, H. 2011. Sarıçam (Pinus sylvestris L.)-Doğu Kayını (Fagus orientalis Lipsky) Karışık Meşcerelerinde Çap Dağılımlarının Olasılık Yoğunluk Fonksiyonları ile Belirlenmesi, Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 12, 2, 109-125. Knoebel, B. R., Burkhart H. E., Beck, D. E., 1986. A Growth and Yield Model for Thinned Stands of Yellow-Poplar, Forest Science Monograph, 27, 39 p.Knowe, S. A. 1992. Basal Area and Diameter Distribution Models for loblolly Pine Plantations with Hardwood Competition in The Piedmont And Upper Coastal Plain. South. J. Appl. For., 16, 93–98.Knowe, S. A., Ahrens, G. A., DeBell, D. S. 1997. Comparison of diameter-distribution prediction, stand-table -projection and individual-tree growth modeling approaches for young red alder plantations. Forest Ecology and Management, 96, 207-216.Karakaş R. 2013. Önsen doğal Fıstıkçamı (Pinus pinea L.) meşcerelerinde çap dağılımlarının modellenmesi. Yüksek Lisans Tezi, Kahramanmaraş Sütcü İmam Fen Bilimleri Enstitüsü, 67s. LeCun, Y., Bengio, Y., Hinton, G. 2015. Deep learning. Nature 521, 436–444. http://dx. doi.org/10.1038/nature14539.Liu, C., Zhang, S. Y., Lei, Y., Newton, P. F., Zhang, L., 2004. Evaluation of Three Methods for Predicting Diameter Distributions of Black Spruce (Picea Mariana ) Plantations in Central Canada, Canadian Journal of Forest Research, 34 , 2424 – 2432.Lohrey, R. E., Bailey, R. L. 1977. Yield tables and stand structure for unthinned long leaf pine plantations in Louisiana and Texas. USDA For. Ser. Res. Pap. SO-133. 55 p.Maltamo, M., 1997. Comparing basal area diameter distributions estimated by tree species and for the entire growing stock in a mixed stand. Silva Fennica, 31, 1, 53-65.Maltamo, M., Puumalainen, J., Paivinen, R. 1995. Comparison of Beta and Weibull Functions for Modeling Basal Area Diameter Distributions in Stands of Pinus Sylvestris and Picea Abies, Scandinavian Journal of Forest Research, 10, 184-295.Matney, T. G., Sullivan, A. D. 1982. Compatible Stand and Stock Tables for Thinned and Unthinned Loblolly Pine Stands, Forest Science, 28, 161–171.Nord-Larsen, T., Cao, Q. V. 2006. A Diameter Distribution Model for Even-Aged Beech in Denmark, Forest Ecology and Management, 231, 218–225.Özçelik, R., Diamantopoulou, M.J., Wiant, H. R., Brooks, J. R. 2008. Comparative study of standard and modern methods for estimating tree bole volume of three species in Turkey, Forest Products Journal, 58, 6, 73-81.Özçelik, R., Diamantopoulou, M. J., Crecente-Campo, F., Eler, U. 2013. Estimating Crimean juniper tree height using nonlinear regression and artificial neural network models, Forest Ecology and Management 306, 52-60.Özcelik, R., Diamantopoulou, M. J., Brooks, J. R. 2014. The use of tree crown variables in over-bark diameter and volume prediction models. iForest-Journal of Biogeosciences and Forestry, 7:132-139.Packard, K. C., 2000. Modeling Tree Diameter Distributions for Mixed-Species ConiferForests in The Northeast United States, Master Thesis, State University of New York, New York, USA., 129 p.Palahi, M., Pukkala, T., Trasobares, A. 2006. Calibrating Predicted Tree Diameter Distributions in Catalonia (Spain), Silva Fennica, 40, 3, 487–500.Palahi, M., Pukkala, T., Trasobares, A. 2007. Modelling The Diameter Distribution of Pinus Sylvesris, Pinus Nigra and Pinus Halepensis Forest Stands in Catalonia Using The Truncated Weibull Function, Forestry, 79, 5, 553-562.Podlaski R. 2006. Suitability of The Selected Statistical Distributions for Fitting Diameter Data in Distinguished Development Stages and Phases of Near-Natural Mixed Forests in The Świętokrzyski National Park (Poland), Forest Ecololgy and Management, 236, 393–402Poudel, K. P. 2011. Evaluatıon of methods to predıct weıbull parameters for characterızıng diameter dıstrıbutıons, MSc. Graduate Faculty of the Louisiana State University and Agricultural and Mechanical College, 60 p. Poudel, K. P., Cao, Q. V. 2013. Evaluatıon of methods to predıct weıbull parameters for characterızıng dıameter dıstrıbutıons, Forest Science, 59, 2, 243-252.Pukkala, T., Saramaki, J., Mubita, O., 1990. Management Planning System For Tree Plantations; A Case Study for Pinus Kesiya in Zambia, Silva Fennica, 24, 171–180.Rennolls, K., Geary, D. N., Rollinson, T. J. D. 1985. Characterizing Diameter Distributions By The Use of The Weibull Distribution, Forestry, 58, 58–66.Saraçoğlu, Ö. 1988. Karadeniz Yöresi Göknar Meşçerelerinde Artım ve Büyüme, O. G. M. Yayınları, No: 25, 312. Saramäki J. 1992. A growth and yield prediction model of Pinus kesiya (Royle ex Gordon) in Zambia, Acta Forestalia Fenica 230, 68 p.Smalley, G. W., Bailey, R. L. 1974. Yield Tables and Stand Structure for Shortleaf Pine Plantations in The Tennessee, Alabama and Georgia Highlands. USDA Forest Service Research Paper, 97 p.SPSS Institute Inc. 2005. SPSS Base 12.0 User’s Guide, 688 p.Sönmez, T., Günlü, A., Karahalil, U., Ercanlı, İ., Şahin, A. 2010. Saf Doğu Ladini Meşcerelerinde Çap Dağılımının Modellenmesi, "III. Ulusal Karadeniz Ormancılık Kongresi Bildiriler Kitabı. 20-22 Mayıs 2010, Artvin", Cilt: I, 388-398Şenyurt, M., İlker, E., Yavuz, H., Kahriman, A. 2015. Predicting Stand Yield Parameters Based On Artificial Neural Network for Oriental Beech In Kestel Forests, Bursa, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Turkey.van Lear A., Akça A. 2007. Forest mensuration: in Managing Forest Ecosystems, Dordrecht, The Netherlands: Springer. 383 p.Yavuz, H. 1992. Değişik Yaşlı Meşcerelerde Büyümenin Merkov Zincirleri Yöntemi ile Analiz Edilmesi, Doktora Tezi, K.T.Ü Fen Bilimleri Enstitüsü, Trabzon, 230 s.Yavuz, H., Gül, A. U., Mısır, N., Özçelik, R., Sakıcı, O. E. 2002. Meşcerelerde Çap Dağılımlarının Düzenlenmesi ve Bu Dağılımlara İlişkin Parametreler ile Çeşitli Meşcere Öğeleri Arasındaki İlişkilerin Belirlenmesi, Orman Amenajmanında Kavramsal Açılımlar ve Yeni Hedefler Sempozyumu, 18-19 Nisan İstanbulZhang, L., Liu, C. 2006. Fitting Irregular Diameter Distributions of Forest Stands By Weibull, Modified Weibull and Mixture Weibull Models, Journal Forest Research, 11, 369–372.
Toplam 1 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Makaleler
Yazarlar

İlker Ercanlı 0000-0003-4250-7371

Ferhat Bolat Bu kişi benim 0000-0003-4250-7371

Hakkı Yavuz

Yayımlanma Tarihi 31 Aralık 2018
Gönderilme Tarihi 13 Kasım 2018
Yayımlandığı Sayı Yıl 2018 Cilt: 4 Sayı: 2

Kaynak Göster

APA Ercanlı, İ., Bolat, F., & Yavuz, H. (2018). Ormanların Çap Dağılımlarının Modellenmesinde Derin Öğrenme Algoritmalarının Kullanımı: Trabzon ve Giresun Ormanları Doğu Ladini-Sarıçam Karışık Meşcereleri Örneği. Anadolu Orman Araştırmaları Dergisi, 4(2), 122-132.
AMA Ercanlı İ, Bolat F, Yavuz H. Ormanların Çap Dağılımlarının Modellenmesinde Derin Öğrenme Algoritmalarının Kullanımı: Trabzon ve Giresun Ormanları Doğu Ladini-Sarıçam Karışık Meşcereleri Örneği. AOAD. Aralık 2018;4(2):122-132.
Chicago Ercanlı, İlker, Ferhat Bolat, ve Hakkı Yavuz. “Ormanların Çap Dağılımlarının Modellenmesinde Derin Öğrenme Algoritmalarının Kullanımı: Trabzon Ve Giresun Ormanları Doğu Ladini-Sarıçam Karışık Meşcereleri Örneği”. Anadolu Orman Araştırmaları Dergisi 4, sy. 2 (Aralık 2018): 122-32.
EndNote Ercanlı İ, Bolat F, Yavuz H (01 Aralık 2018) Ormanların Çap Dağılımlarının Modellenmesinde Derin Öğrenme Algoritmalarının Kullanımı: Trabzon ve Giresun Ormanları Doğu Ladini-Sarıçam Karışık Meşcereleri Örneği. Anadolu Orman Araştırmaları Dergisi 4 2 122–132.
IEEE İ. Ercanlı, F. Bolat, ve H. Yavuz, “Ormanların Çap Dağılımlarının Modellenmesinde Derin Öğrenme Algoritmalarının Kullanımı: Trabzon ve Giresun Ormanları Doğu Ladini-Sarıçam Karışık Meşcereleri Örneği”, AOAD, c. 4, sy. 2, ss. 122–132, 2018.
ISNAD Ercanlı, İlker vd. “Ormanların Çap Dağılımlarının Modellenmesinde Derin Öğrenme Algoritmalarının Kullanımı: Trabzon Ve Giresun Ormanları Doğu Ladini-Sarıçam Karışık Meşcereleri Örneği”. Anadolu Orman Araştırmaları Dergisi 4/2 (Aralık 2018), 122-132.
JAMA Ercanlı İ, Bolat F, Yavuz H. Ormanların Çap Dağılımlarının Modellenmesinde Derin Öğrenme Algoritmalarının Kullanımı: Trabzon ve Giresun Ormanları Doğu Ladini-Sarıçam Karışık Meşcereleri Örneği. AOAD. 2018;4:122–132.
MLA Ercanlı, İlker vd. “Ormanların Çap Dağılımlarının Modellenmesinde Derin Öğrenme Algoritmalarının Kullanımı: Trabzon Ve Giresun Ormanları Doğu Ladini-Sarıçam Karışık Meşcereleri Örneği”. Anadolu Orman Araştırmaları Dergisi, c. 4, sy. 2, 2018, ss. 122-3.
Vancouver Ercanlı İ, Bolat F, Yavuz H. Ormanların Çap Dağılımlarının Modellenmesinde Derin Öğrenme Algoritmalarının Kullanımı: Trabzon ve Giresun Ormanları Doğu Ladini-Sarıçam Karışık Meşcereleri Örneği. AOAD. 2018;4(2):122-3.