پديد آورندگان :
قلاوند، الهه دانشگاه ايلام - دانشكده كشاورزي - گروه جنگل داري، ايلام، ايران , كرمشاهي، عبدالعلي دانشگاه ايلام - دانشكده كشاورزي - گروه علوم جنگل، ايلام، ايران , حيدري، مهدي دانشگاه ايلام - دانشكده كشاورزي - گروه علوم جنگل، ايلام، ايران , كرمي، اميد دانشگاه ايلام - دانشكده كشاورزي - گروه علوم جنگل، ايلام، ايران
كليدواژه :
ايلام , توپوگرافي ثانويه , تجديد حيات , تجزيه حساسيت , شبكه عصبي پرسپترون چند لايه
چكيده فارسي :
مقدمه و هدف: امروزه استفاده از روش هاي مدل‌سازي به منظور پيش بيني و مدل‌سازي زادآوري براي گونه هاي مختلف در طرح هاي حفاظتي و مديريتي جنگل در حال افزايش است. با مدل‌سازي زادآوري جنگل مي‌توان به يك پيش‌آگهي از وضعيت و تراكم جنگل در آينده رسيد و براساس آن سناريوهاي مختلف مديريتي را اتخاذ نمود.
مواد و روش‌ها: در اين مطالعه با استفاده از شبكه عصبي مصنوعي (ANN) و خصوصيات توپوگرافي اوليه، توپوگرافي ثانويه، خصوصيات فيزيكي خاك، خصوصيات شيميايي خاك و مشخصات ساختاري جنگل به عنوان متغيرهاي مستقل به برآورد ميزان زادآوري گونه بلوط در بخشي از جنگل‌هاي بلوط منطقه حفاظت شده مانشت و قلارنگ در استان ايلام پرداخته شد. براي اين منظور توابع و مدل‌هاي مختلف در قالب شبكه عصبي مصنوعي مورد ارزيابي قرار گرفتند. پس از نمونه‌برداري 70 درصد از نمونه‌هاي آماربرداري شده از زادآوري بلوط به عنوان نمونه آموزشي براي اجراي مدل شبكه عصب مصنوعي استفاده شد و براي ارزيابي نتايج مدل از 30 درصد مابقي داده‌ها استفاده شد. در نهايت به آناليز حساسيت مدل زادآوري بلوط پرداخته شد.
يافته‌ها: نتايج نشان داد كه شبكه عصبي مصنوعي با اشتباه معيار خطاي برابر با 0/99 توانسته است به برآورد زادآوري بلوط در منطقه مورد مطالعه بپردازد. نتايج تجزيه حساسيت مدل نشان داد كه كمترين ميزان اشتباه معيار خطا مربوط به مدلي با وجود تمام متغيرهاي ورودي است كه نشان‌دهنده تأثير مثبت تمامي پارامترهاي ورودي به مدل است. به طوري كه با حذف هر يك از متغيرهاي ورودي صحت مدل در پيش‌بيني ميزان زادآوري كاهش پيدا مي‌كند. با اين وجود متغيرهاي ساختاري جنگل و مشخصات شيميايي خاك به ترتيب مهم‌ترين عوامل مؤثر بر زادآوري بلوط در منطقه مورد مطالعه هستند. كمترين تأثيرگذاري بر روي زادآوري بلوط در مدل تهيه شده متغيرهاي توپوگرافي ثانويه است كه با اينكه نقش مثبتي در مدل پيش‌بيني تعداد زادآوري بلوط داشته‌اند اما با اين حال تأثير اين متغيرها نسبت به ساير متغيرها كمتر بوده است. نتايج نشان داد حدود 21 درصد از سطح منطقه مورد مطالعه داراي زادآوري كمتر از 100 زادآوري در هكتار است. همچنين بيش از 12 درصد از سطح منطقه مورد مطالعه داراي تعداد زادآوري‌هاي بيش از 1200 زادآوري در هكتار است.
نتيجه‌گيري: در مجموع استفاده همزمان از كليه خصوصيات توپوگرافي اوليه و ثانويه، خاك و مشخصات ساختاري جنگل باعث افزايش دقت مدل‌سازي زادآوري جنگل‌هاي بلوط زاگرس خواهد شد از طرف ديگر، شبكه عصبي مصنوعي به علت انعطاف‌پذير بودن امكان انتخاب نوع پارامترهاي ورودي را نسبت به شرايط منطقه و اطلاعات در دسترس فراهم مي‌كند و سبب افزايش دقت مدل‌سازي مي‌شود.
چكيده لاتين :
Introduction and objective: Today, the use of modeling methods to predict and modeling of regeneration for different species in forest conservation and management plans is increasing. It is possible to predict the condition and density of forests in the future by forest regeneration modeling and based on that, adopted different management scenarios.
Materials and methods: With regard to importance of the subject, in this study the regeneration rate of oak species in a part of oak forests of Manesht and Qalarang protected area-Illam province was estimated using artificial neural network (ANN) and environmental variables such as primary topographic properties, secondary topography, soil physical properties, soil chemical properties and forest structural characteristics as independent variables. For this purpose, various functions and models were evaluated. After sampling, 70% of the, oak regeneration samples was used as training samples to implement the ANN model and the remaining 30% of the data was used to evaluate the model results. Finally, the sensitivity of the oak regeneration model was analyzed.
Results: The results showed that the artificial neural network with error standard error equal to 0.99 was able to estimate the oak regeneration in the study area. The results of sensitivity analysis showed that the highest R2 is related to the model with all input variables, which indicates the positive effect of all input parameters to the model, so that by removing each of the input variables, the accuracy of the model in predicting oak regeneration decreases. However, the results also showed that forest structural and soil chemical characteristics are the most important factors affecting oak regeneration in the study area. The least effect on oak regeneration in the prepared model are secondary topographic variables, which although had a positive role in predicting the regeneration. However, the effect of these variables was less than other variables. The results showed that about 21% of the study area has less than 100 regenerations per hectare. Also, more than 12% of the study area has more than 1200 regenerations per hectare.
Conclusion: In general, the simultaneous use of all primary and secondary topographic features, soil and forest structural characteristics increase the accuracy of regeneration modeling of Zagros oak forests. On the other hand, ANN due to its flexibility, allows the selection of the various variables according to the study area conditions and the available information, as a result, it increases the accuracy of modeling.
