دوره 10، شماره 19 - ( بهار و تابستان 1401 )                   جلد 10 شماره 19 صفحات 98-88 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Rezaei Sangdehi S M, Fallah A, Oladi J, Latifi H. The Modeling of Some Quantitative Characteristics Forest Using Topographic Features Stands (Case Study: District-3 of Sangdeh Forests). ifej 2022; 10 (19) :88-98
URL: http://ifej.sanru.ac.ir/article-1-361-fa.html
رضایی سنگدهی سیدمهدی، فلاح اصغر، اولادی جعفر، لطیفی هومن. مدل سازی برخی مشخصه های کمی جنگل با استفاده از خصوصیات توپوگرافی (مطالعه موردی: سری سه جنگل سنگده). بوم شناسی جنگل های ایران (علمی- پژوهشی) 1401; 10 (19) :98-88

URL: http://ifej.sanru.ac.ir/article-1-361-fa.html


دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری
چکیده:   (923 مشاهده)
مقدمه و هدف: برای برنامه ­ریزی اصولی و صحیح در بخش جنگل، تهیه نقشه ­های کمی و کیفی از ملزومات مدیریتی بوده و برای رسیدن به توسعه پایدار اجتناب ناپذیر است. به­ همین منظور، جدیدترین اطلاعات از مشخصاتی که در تصمیم­ گیری­ های مربوط به استفاده و حفاظت بهینه از جنگل دارای اهمیت هستند، مورد نیاز است. هدف از این مطالعه، مدل­سازی و تهیه نقشه مکانی برخی مشخصه­ های کمی جنگل با استفاده از خصوصیات توپوگرافی در جنگل­ های سری سه سنگده است.
مواد و روش­ ها: با استفاده از 150 قطعه نمونه 10 آری، مشخصه­ های تعداد، رویه زمینی و حجم در هکتار محاسبه شد. خصوصیات اولیه توپوگرافی شامل ارتفاع از سطح دریا، شیب، جهت شیب، انحنای پروفیلی، انحنای مسطح و انحنای مماسی و خصوصیات ثانویه توپوگرافی شامل رطوبت و تابش خورشیدی از مدل رقومی ارتفاعی با قدرت تفکیک­ پذیری ده متر استخراج شد. سپس روابط بین مشخصه­ های کمی جنگل و خصوصیات توپوگرافی با استفاده از روش ­های ناپارامتری جنگل تصادفی، ماشین بردار پشتیبان و هم­چنین با روش پارامتری رگرسیون خطی چندگانه مورد تجزیه و تحلیل و مدل­سازی قرار گرفت. ارزیابی مدل­ ها با استفاده از 30 درصد قطعات نمونه انجام شد.
یافته­ ها: مقادیر درصد اریبی و ریشه میانگین مربعات خطا برای انتخاب مدل مناسب محاسبه و نتایج نشان داد که روش ماشین­ بردار پشتیبان برای برآورد هر سه مشخصه اندازه ­گیری شده دارای بهترین نتایج بوده است. در برآورد تعداد در هکتار، تابع چند جمله ­ای درجه سه با مقادیر میانگین مربعات خطا و میزان اریبی به ترتیب 9/59=%RMSE و 1/62-=%Bias، رویه ­زمینی با تابع پایه شعاعی (RBF) و مقادیر 30/53=%RMSE و 1/32-=%Bias و حجم در هکتار نیز با تابع چند جمله ­ای درجه سه و مقادیر 37/62=%RMSE و 0/51-=%Bias به ­عنوان مناسب­ترین مدل انتخاب شدند. هم­چنین نتایج نشان داد که متغیرهای توپوگرافی جهت، ارتفاع، تابش خورشیدی و انحنای مماسی بیشترین تأثیر را در فرآیند مدل­سازی داشتند.
نتیجه ­گیری: مدل انتخاب شده در این پژوهش هر چند که توانست تا حدی اطلاعات ضروری جهت مدیریت جنگل­ها را فراهم کند، اما به ­تنهایی نمی ­تواند کلیه دلایل مؤثر بر مشخصه­ ها را تبیین نماید، لذا شایسته است از ترکیب عوامل دیگری مانند شرایط اقلیمی، عرض جغرافیایی، خاک­شناسی، تکنیک ­های سنجش از دور که سهم  عمده­ ای در توضیح و تفسیر آن دارند، دقت پیش­ بینی را بهبود بخشید.
 
متن کامل [PDF 1265 kb]   (169 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1398/10/22 | پذیرش: 1398/12/19 | انتشار: 1401/3/23

فهرست منابع
1. Adams, H.R., H.R. Barnard and A.K. Loomis. 2014. Topography alters tree growth-climate relationships in a semi-arid forested catchment. Ecosphere, 5(11): 1-16. [DOI:10.1890/ES14-00296.1]
2. Aertsen, W., V. Kint, K. Von Wilpert, D. Zirlewagen, B. Muys and J. Van Orshoven. 2012. Comparison of location-based, attribute-based and hybrid regionalization techniques for mapping forest site productivity. Forestry, 85(4): 539-550. [DOI:10.1093/forestry/cps050]
3. Alavi, S.J., Gh. Zahedi Amiri, M.R. Marvi Mohajer and Z. Noori. 2007. Spatial distribution of Ulmus glabra Huds. Tree species related to physiographic factors in Kheyroodkenar educational forest. Journal of Environmental Studies, 33(43): 93-100 (In Persian).
4. Balazy, R., M. Ciesielski, M. Zasada, T. Zawiła-Niedzwiecki and P. Waraksa. 2019. Forest dieback processes in the Central European Mountains in the context of terrain topography and selected stand attributes. Forest Ecology Management, 436: 106-119. [DOI:10.1016/j.foreco.2018.12.052]
5. Balazy, R., A. Kaminska, M. Ciesielska, J. Socha and M. Pierzchalski. 2019. Modeling the Effect of Environmental and Topographic Variables Affecting the Height Increment of Norway spruce stands in Mountainous Conditions with the Use of LiDAR Data. Remote Sensing, 11(20): 2407-2422. [DOI:10.3390/rs11202407]
6. Bayat, M., S.K. Hamidi and M.H. Sadeghzadeh. 2018. Investigation some of the Biotic and Abiotic Variables Effective on the Diameter Increment of the Beech Trees at Fixed Sample Plots Level by Growth Models. Ecology of Iranian Forest, 7(13): 91-99 (In Persian). [DOI:10.29252/ifej.7.13.91]
7. Canton, Y., G.D. Barrio, A.S. Benet and R. Lazaro. 2004. Topographic controls on the spatial distribution of ground cover in the Tabernas badlands of SE Spain. Catena, 55: 341-365. [DOI:10.1016/S0341-8162(03)00108-5]
8. Claessens, L., P.H. Verburg, J.M. Schoorl and A. Veldkamp. 2006. Contribution of topographically based landslide hazard modeling to the analysis of the spatial distribution and ecology of kauri (Agathis australis). Landscape Ecology, 21: 63-76. [DOI:10.1007/s10980-005-5769-z]
9. Comita, L.S., R. Condit and S.P. Hubbell. 2007. Developmental changes in habitat associations of tropical trees. Journal of Ecology, 95: 482-492. [DOI:10.1111/j.1365-2745.2007.01229.x]
10. Ebrahimi, M. 2004. Reviewing and Evaluation of Implementation of Sangdeh Forest Management Plan. M.A. Thesis, Faculty of Natural Resources, University of Sari, Mazandaran, 76 pp (In Persian).
11. Ercanoglu, M. and C. Gokceoglu. 2002. Assessment of landslide susceptibility for a landslide-prone area (North of Yenice, NW Turkey) by fuzzy approach. Environment Geology, 41: 720-730. [DOI:10.1007/s00254-001-0454-2]
12. Florinsky, I.V. 2005. Artificial Lineaments in Digital Terrain Modeling: Can Operators of Topographic Variables Cause Them? Mathematical Geology, 37(4): 357-372. [DOI:10.1007/s11004-005-5953-3]
13. Forests Range and Watershed Management Organization of Iran. 2010. Forest Management Plan of district-3 of Sangdeh (Talar Sarband). Farim Wood Company, 321 pp (In Persian).
14. Ghahrody Talli, M. 2004. Geographic Information Systems in 3D space. Jahad Daneshgahi Tarbyat Moalem publisher, one edition, 266 pp (In Persian).
15. Ghanbari, F. Sh. Shataee, A.A. Dehghani and Sh. Ayoubi. 2009. Tree Density Estimation of Forests by Terrain Analysis and Artificial Neural Network. Journal of Wood and Forest Science and Technology, 16(4): 25-42 (In Persian).
16. Ghanbari, F. Sh. Shataee, H. Habashi and Sh. Ayoubi. 2013. Possibility Investigation on Spatial Estimation of Density and Mean Diameter of Forest Trees Using Terrain Analysis (Case Study: Dr. Bahramnia Forestry Plan, District I, Gorgan, Iran). Journal of Wood and Forest Science and Technology, 19(4): 41-58 (In Persian).
17. He, S., P. Pan, L. Dai, H. Wang and J. Liu. 2012. Application of kernel-based Fisher discriminant analysis to map landslide susceptibility in the Qinggan River delta. Three Gorges, China, Geomorphology, 171(172): 30-41. [DOI:10.1016/j.geomorph.2012.04.024]
18. Hengl, T., S. Gruber and D.P. Shrestha. 2003. Digital terrain analysis in ILWIS. International Institute for Geo-Information Science and Earth Observation Enschede, Netherlands, 62 pp.
19. Hoersch, B., G. Braun and U. Schemit. 2002. Relation between landform and vegetation in alpine region of Wallis, S witzerland: A multi scale remote sensing and GIS approach. Computers, Enviroment and Urban Systems, 26: 113-139. [DOI:10.1016/S0198-9715(01)00039-4]
20. Hoersch, B. 2003. Modeling the spatial distribution of mountain and sub alpine forests in the central Alps using digital elevation models. Ecological Modeling, 168: 267-282. [DOI:10.1016/S0304-3800(03)00141-8]
21. Hoseini, A. 2016. Effects of altitude on tree species diversity in Hyanan oak forests of Ilam province. Journal of Natural Ecossystem of Iran, 7(1): 1-8 (In Persian).
22. Janet, L. and J.O. Gregory. 2002. Predictive mapping of forest composition and structure with direct gradient analysis and nearest neighbor imputation in costal Oregon, U.S.A. Journal of Forest Research, 32: 725-741. [DOI:10.1139/x02-011]
23. Johnson, D.D. and R.F. Miller. 2006. Structure and development of expanding Western Juniper woodlands as influenced by tow topographic variables. Forest Ecology and Management, 229: 7-15. [DOI:10.1016/j.foreco.2006.03.008]
24. Kint, V., M. Van Meirvene, L. Nachtergale, G. Gendens and N. Lust. 2003. Spatial methods for quantifying forest stand structures development. A comparison between nearest neighbor indices and variogram analysis. Forest Science, 49: 36-49.
25. Kreft, H., J.H. Sommer and W. Barthlott. 2006. The significance of geographic range size for spatial diversity patterns in Neotropical palms. Ecography, 29(1): 21-30. [DOI:10.1111/j.2005.0906-7590.04203.x]
26. Maghsoudlou Nezhad, M., Sh. Shataee, H. Habashi and M. Babanezhad. 2012. Spatial and statistical analysis of quantitative characteristics of Juniperus stands in Chahar-bagh of Gorgan regarding to topographic and soil features. Iranian Journal of Forest, 5(2): 195-206.
27. Mannan, A., F. Zhongke, T. Ullah Khan, S. Saeed, M. Amir, M. Asif Khan and M. Tariq Badshah. 2018. Variation in tree biomass and carbon stocks with respect to altitudinal gradient in the Himalayan forests of Northern Pakistan. Journal of Pure and Applied Agriculture, 4(1): 18-26.
28. Maren, I.E., S. Karki, C. Prajapati, R.K. Yadav and B.B. Shrestha. 2015. Facing north or south: Does slope aspect impact forest stand characteristics and soil properties in a semiarid trans-Himalayan valley? Journal of Arid Environments, 121: 112-123. [DOI:10.1016/j.jaridenv.2015.06.004]
29. Marvi Mohajer, M.R. 2013. Silvicture, Tehran University Press, 387 pp (In Persian).
30. Mitsuda, Y., S. Ito and S. Sakamoto. 2007. Predicting the site index of Sugi plantations from GIS- derived environmental factors in Miyazaki Prefecture. Journal of Forest Research, 12: 177-186. [DOI:10.1007/s10310-007-0004-1]
31. Miyamoto, A., R. Terazono, M. Sano and A. Shimizu. 2018. Prediction of the Site Index for a Subtropical Broad-Leaved Forest on Okinawa Island using Topographic Factor. Open Journal of Forestry, 8: 267-282. [DOI:10.4236/ojf.2018.83018]
32. Moghimian, N. and Y. Kooch. 2013. The effect some of physiographic factors and soil physico-chemical features of hornbeam forest ecosystem on earthworms biomass. Journal of Wood and Forest Science and Technology, 20(2): 1-21 (In Persian).
33. Mohamadi, J. 2006. Pedometery (Spatial Information Systems). Pelk Publisher, One edition, 637 pp.
34. Namiranian, M. 2007. Measurement of tree and forest biometry, Tehran University Press, Tehran, 620 pp (In Persian).
35. Nanang, D.M. 1998. Suitability of the Normal, Lognormal and Weibull distributions for fitting diameter distributions of Neem plantations in northern Ghana. Forest Ecology and Management, 103(1):1-7. [DOI:10.1016/S0378-1127(97)00155-2]
36. Noorian N., Sh. Shataee and J. Mohammadi. 2019. Evaluation of RapidEye satellite data for estimation some quantitative structure variables in the Caspian forests of Gorgan region. RS & GIS for Natural Resources, 9(4): 1-16.
37. Salinas-Melgoza, M., M. Skutsch and J.C. Lovett. 2018. Predicting aboveground forest biomass with topographic variables in human-impacted tropical dry forest landscapes. Ecosphere, 9(1): e02063. 10.1002/ecs2.2063. [DOI:10.1002/ecs2.2063]
38. Santos, B.A., D.C.A. Barbosa and M. Tabarelli. 2007. Directional change in plant assemblage along an altitudinal gradient in northeast Brazil. Brazilian Journal of Biology, 67: 777-779. [DOI:10.1590/S1519-69842007000400028]
39. Shataee, Sh. and S. Ayobi. 2007. Spatial prediction of some biological forest variables by terrain analysis-the Kheiroud kenar forest, North of Iran, ISPRS-iv Conference, Agra, India, 12 pp.
40. Shataee, S. 2011. Non-parametric forest attributes estimation using Lidar and TM data. In: 32nd Asian Conference on Remote vegetation. Remote Sensing of Environment, 8(2): 127-150.
41. Tomppo, E.O., C. Gagliano, F. De Natale, M. Katila and R.E. McRoberts. 2009. Predicting categorical forest variables using an improved k-Nearest Neighbour estimator and Landsat imagery. Remote Sensing of Environment, 113(3): 500-517. [DOI:10.1016/j.rse.2008.05.021]
42. Trong, H.N., T.P. Gia and M. Kappas. 2019. Evaluating the Influence of Topography on Species Diversity, Distribution and Composition of Forests in Central Vietnam. Indian Journal of Science and Technology, 12(19): 1-13. [DOI:10.17485/ijst/2019/v12i19/142622]
43. Oh, H.J. and B. Pradhan. 2011. Application of a neuro-fuzzy model to landslide susceptibility mapping for shallow landslides in a tropical hilly area. Computers and Geosciences, 37(9): 1264-1276. [DOI:10.1016/j.cageo.2010.10.012]
44. Wilson, J.P. 2018. Environmental applications of digital terrain modeling. Wiley-Blackwell, one edition, 359 pp. [DOI:10.1002/9781118938188]
45. Wilson, J.P. and J.C. Gallant. 2000. Terrain Analysis: Principles and Applications. Wiley, One edition, 479 pp.
46. Yesilnacar, E.K. 2005. The application of computational intelligence to landslide susceptibility mapping in Turkey, PhD Thesis. Department of Geomatics the University of Melbourne, 423 pp.
47. Zobeiri, M. 2007. Forest Biometry. Tehran University Press, 411 pp (In Persian).

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به بوم‏شناسی جنگل‏های ایران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2023 CC BY-NC 4.0 | Ecology of Iranian Forest

Designed & Developed by : Yektaweb