Россия
Цель работы – исследовать возможность применения искусственных нейронных сетей для моделирования таксационных показателей древостоев сосны и лиственницы, которые способны объединить в единое целое опытные исследования и обеспечивающие достаточно высокую точность моделирования и обладающие надежной прогностической способностью. Недостатком известных информационно-моделирующих систем роста и динамики продуктивности лесов РФ является то, что в их основе лежат регрессионные модели, обладающие недостаточной точностью и прогностической способностью. Для нейросетевой обработки использовали опубликованные в открытой печати данные по таксационным характеристикам сосновых и лиственничных древостоев. Нейросетевое моделирование реализовали посредством открытой программной библиотеки TensorFlow на языке Python, версии 3.11.7.
таксационные характеристики, древостои сосновые и лиственничные, искусственные нейронные сети
1. Арапов Д.В., Курицын В.А., Скоробогатов С.А. Автоматизированная мобильная система принятия решений для использования в специальной медицине // Моделирование систем и процессов. 2024. Т.17. № 3. С. 7-16.
2. Богачев А.В. Лесотаксационные исследования. М.: ВНИИЛМ, 2007. 344 с.
3. Грачев А.В. Применение нейросетевых технологий для прогнозирования состояния работы объектов предприятий АПК // Техника и технология пищевых производств. 2023. Т.53. №4. С. 816-823.
4. Дубенок Н.Н., Лебедев А.В., Кузьмичев В.В. Динамическая модель изреживания культур сосны // Известия Санкт-Петербургской лесотехнической академии. 2022. Вып. 239. С. 6–21.
5. Дубенок Н.Н., Кузьмичев В.В., Лебедев А.В. Нелинейная модель смешанных эффектов зависимости высоты от диаметра деревьев в древостоях лиственницы // Труды Санкт-Петербургского научно-исследовательского института лесного хозяйства. 2021. № 4. С. 42-56.
6. Дубенок Н. Н., Лебедев А.В., Кузьмичев В.В. Оценка статистических моделей распределения деревьев по диаметру в культурах сосны // Лесохозяйственная информация. 2022. № 1. С. 50-61
7. Киреева К.А., Коробова Л.А., Арапов Д.В. Разработка искусственной нейронной сети для классификации ЭКГ // Моделирование систем и процессов. 2023. Т.16. №3. С. 42 – 54.
8. Лебедев А.В., Кузьмичев В.В. Таксационные показатели сосновых древостоев по данным долговременных наблюдений // Сибирский лесной журнал. 2023. № 2. С. 3–16.
9. Мельник П.Г., Воронин Ф.Н., Мерзленко М.Д. Лесокультурно-лесоводственное значение параметров размещения ели при посадке в национальном парке «Лосиный остров» // Вестник Алтайского государственного аграрного университета. 2014. №1. С. 52–58.
10. Мерзленко М.Д. Обоснование теории волнообразного роста хвойных лесных культур // Лесной вестник. 2021. Т. 25, №2. С. 3–9.
11. Соколов, А.И., Харитонов В.А., Пеккоев А.Н., Кривенко Т.И. Сохранность и рост культур сосны, созданных посадочным материалом с закрытой корневой системой в условиях Карелии // Известия вузов. Лесной журнал. 2015. №6. С. 46–56.
12. Швиденко А.З., Щепащенко Д.Г., Нильссон С, Булуй Ю.И. Таблицы и модели хода роста и продуктивности насаждений основных лесообразующих пород Северной Евразии: нормативные справочные материалы: 2-е изд. перераб. и дополн. М.: Рослесхоз. 2008. 886 с.
13. Швиденко А.З., Щепащенко Д.Г., Нильссон С, Булуй Ю.И. Система моделей роста и динамики продуктивности лесов России (таблицы и модели биопродуктивности) // Лесное хозяйство. 2004. № 2. С. 40–44.
14. Швиденко А.З., Щепащенко Д.Г., Нильссон С, Булуй Ю.И. Система моделей роста и динамики продуктивности лесов России (таблицы хода роста) // Лесное хозяйство. 2003. № 6. С. 34–38.
15. Шутов И.В., Иванов А.М., Антонов О.И., Власов Р.В., Сергиенко В.Г., Беленец Ю.Е., Смирнов Е.Г., Выродова С.А., Степаненко С.М. Рост сосны в рядовых культурах при заданных вариантах густоты и разных ширине междурядий и шаге посадки // Труды Санкт-Петербургского НИИ лесного хозяйства. 2014. № 1. С. 19–29.
16. Arapov D.V., Kuritsyn V.A., Petrov S.M., Podgornova N.M. Simulation of the rate of dissolution of sucrose crystals. Journal of Food Engineering. 2022. 318: 110887. – URL: https://doi.org/10.1016/j.jfoodeng.2021.110887.
17. Elfwing S., Uchibe E., Doya K. Sigmoid-weighted linear units for neural network function approximation in reinforcement learning. Neural Networks. 2018. – URL: https://doi.org/10.1016/j.neunet.2017.12.012
18. Hinton G.E., Srivastava N., Krizhevsky A., Sutskever I., Salakhutdinov R.R. Improving neural networks by preventing co-adaptation of feature detectors. arXiv:1207.0580v1[cs.NE] 3 Jul 2012. – URL: https://doi.org/10.48550/arXiv.1207.0580.
19. Kuritsyn V.A., Arapov D.V., Goril'chenko R.L. Optimization of circulation water cooling process in forced-draft towers. Chemistry and Technology of Fuels and Oils, 2012, vol. 48, no. 2, pp. 97–108. – URL: https://doi.org/10.1007/s10553-012-0344-1.
