Çap dağılımlarının derin öğrenme algoritmaları ile modellenmesi: Ilgın (Konya) yöresi Anadolu Karaçamı meşcereleri örneği

Bu çalışmada, Ilgın Orman İşletme Müdürlüğü sınırları içerisinde yayılış gösteren Anadolu Karaçamı meşcerelerinin çap dağılımlarının bir yapay zeka tekniği olan Derin Öğrenme Algoritmaları ile modellenmesi amaçlanmıştır. Konya Bölge Müdürlüğü, Ilgın Orman İşletme Müdürlüğü sınırları içerisinde yer alan Ilgın, Akşehir ve Aşağıçiğil Orman İşletme Şefliklerinde yayılış gösteren saf Anadolu Karaçamı meşcerelerden alınmış 408 adet örnek alan verisi kullanılarak, 3 Parametreli Weibull ve 4 parametreli Johnson SB olasılık yoğunluk fonksiyonlarının parametreleri, maksimum olabilirlik yöntemi, çap dağılımlarının çeşitli yüzdelik ve moment değerleri ile bu moment ve yüzdelikleri birlikte içeren hibrid yöntemleri esas alan eşitliklere dayanan yöntemler ile hesaplanmıştır. Derin Öğrenme Algoritması (DÖA) olarak hiperbolik tanjant sigmoid tipinde aktivasyon tipi ve 100 adet nöron sayısı sabit tutulup; 3, 5, 7 ve 10 gizli katman seçenekleri olmak üzere 4 farklı gizli (ara) katman sayısı seçeneği ile birlikte aşırı uyum soruna bir çözüm olarak değerlendirilebilen 3 farklı hiper-parametre (öğrenme oranı, moment oranı ve erken durdurma) çeşidi değerlerinin özelleştirilmesini içerecek şekilde DÖA modellerinin eğitimleri gerçekleştirilmiştir. DÖA modellerinin çap dağılımlarında kullanımı değerlendirildiğinde; en başarılı olarak belirlenen %31 ve %63'lik yüzdelik değerleri ile parametreleri hesaplanan 3 parametreleri Weibull olasılık yoğunluk fonksiyonunun OMH değeri, 41.701 adet/ha; HKOK değeri, 57.486 adet/ha; HKOK% değeri, % 55.481; R2 değeri, 0.701; AIC değeri; 9590 ve BIC değeri; 11226 olarak elde edilmişken; en başarılı olarak belirlenen 7 ara katmana sahip 0.001 değeri ile Moment oranı (Moment rate) hiper-parametre özelleştirmesini içeren DÖA modelinin HKOK değerinin, 49.193 adet/ha; HKOK% değerinin, % 47.628; R2, 0,784; AI değerinin; 1905 ve BIC değerinin; 2239 olarak elde edildiği görülmektedir. Bu bakımdan, çap dağılımlarını modellemesinde Derin Öğrenme Algoritmalarının olasılık yoğunluk fonksiyonlarına göre daha başarılı sonuçlar verdiği değerlendirilebilir.