كارايي روش رگرسيون كريجينگ در تهيۀ نقشۀ توان توليد رويشگاه راش در جنگل پژوهشي دانشگاه تربيت مدرس

Investigation on the potential of regression kriging for mapping oriental beech forest site productivity in research forest of Tarbiat Modares University

تهيۀ نقشۀ توان توليد جنگل كه توانايي رويشگاه را در ايفاي نقش‌هايي همانند توليد چوب و ترسيب كربن نشان مي‌دهد، امري اجتناب‌ناپذير در مديريت و بهره‌برداري پايدار اكوسيستم جنگلي است. وسعت فراوان جنگل‌هاي شمال كشور و كوهستاني بودن آنها، سبب شده است كه يافتن روش مناسب براي تهيۀ نقشۀ ويژگي‌هاي كمّي جنگل ضروري باشد. از طرفي اهميت تجاري و زيست‌محيطي جنگل‌هاي خزري و به‌خصوص گونۀ راش كه از اقتصادي‌ترين و فراوان‌ترين گونه‌هاي پهن‌برگ در اين جنگل‌هاست، سبب مي‌شود كه همواره تهيۀ اطلاعات كمي و كيفي دقيق از آنها و بررسي تغييرات مربوط به آنها ضروري باشد. تحقيق حاضر در زمينۀ ارزيابي كارايي روش رگرسيون‌كريجينگ در تهيۀ نقشۀ توان توليد رويشگاه راش در جنگل آميخته و ناهمسال راش دانشگاه تربيت مدرس انجام گرفت. به‌منظور جمع‌آوري اطلاعات لازم، 123 قطعه نمونۀ دايره‌اي به مساحت 1000 متر مربع در توده‌هايي كه گونۀ راش وضعيت چيره يا چيره‌نما داشت، به روش آماربرداري منظم تصادفي در شبكه‌اي به ابعاد 100 × 100 متر پياده شد. پس از محاسبۀ شاخص توان توليد رويشگاه راش در محل هر يك از قطعات نمونه و استخراج متغيرهاي اوليه و ثانويه، كارايي دو رويكرد مدلسازي رگرسيون خطي چندگانه و جنگل تصادفي به‌عنوان مدل‌هاي مبنا در روش رگرسيون كريجينگ در تهيۀ نقشۀ توان توليد رويشگاه راش ارزيابي شد. نتايج اعتبارسنجي متقابل با توجه به مقدار ميانگين خطاي نسبي و مقدار مجذور ميانگين مربعات خطاي نسبي نشان داد كه الگوريتم جنگل تصادفي عملكرد بسيار بهتري از روش رگرسيون‌كريجينگ با مدل مبناي رگرسيون خطي و روش كريجينگ داشت، به‌طوري كه مجذور ميانگين مربعات خطا را در حدود 70 درصد كاهش داد. از اين‌رو روش رگرسيون‌كريجينگ با مدل مبناي جنگل تصادفي توانست با دقت بيشتري نقشۀ توان توليد رويشگاه راش را تهيه كند.

Forest resources mapping is a prerequisite for sustainable forest management. Site productivity is a key indicator of forest ecosystem services like wood production, carbon sequestration, etc. Due to the extent of Hyrcanian forests and mountainous areas in these forests that are sometimes difficult to access, it seems necessary to find suitable methods for mapping the quantitative parameters in these forests. In this study, site form index which is the most reliable criterion for evaluating site productivity of mixed and uneven stands was used. This study aims at mapping beech forest site productivity by using regression kriging in research forest of Tarbiat Modares University. For this purpose, 123 0.1 ha circular sample plots were laid out in beech dominated stands. The height and diameter of beech trees with DBH ≥ 7.5 cm within each plot was recorded. Some primary and secondary variables were also extracted from DEM in sample plots to be used in regression kriging. We investigated the differences between two predictive approaches: random forests and linear regression as the base model for regression kriging technique. Results of 10-fold cross-validation demonstrate that by using criteria such as mean error, mean absolute error, root mean square error, relative mean error, relative root mean square error, the random forests algorithm outperforms the linear regression and kriging techniques, with average decreases of ca. 70% in Root Mean Squared Error (RMSE). Hence, the regression kriging technique with random forest as the base model is recommended in order to better understand the more complex environment-beech forest site productivity relationships.