Ecology of Iranian Forests

fa مدل‎سازی پراکنش مکانی بنه (Pistacia atlantica) به‎ کمک شبکه عصبی مصنوعی در پارک ملی خجیر Spatial Distribution Modeling of Pistacia atlantica using Artificial Neural Network in Khohir National Park اکولوژی جنگل اکولوژی جنگل پژوهشي Research <div style="text-align: justify;">مقدمه و هدف: بررسی حضور گونه ها در رویشگاههای جنگلی به&lrm;منظور مکان یابی و شناسایی مناطق دارای توانایی کاشت و احیاء موفق گونه&lrm;ها و ارتباط حضور گونه&lrm;ها با عوامل محیطی بسیار حائز اهمیت است. در این پژوهش، پیش&lrm;بینی احتمال حضور و عدم&lrm;حضور گونه جنگلی بنه در ارتباط با متغیرهای محیطی (داده&lrm;های توپوگرافی و خاکشناسی) در بخشی از پارک ملی خجیر استان تهران به مساحت 120 هکتار مورد بررسی و مدل&lrm;سازی با استفاده از شبکه عصبی مصنوعی و زمین&lrm;آمار قرار گرفت. مواد و روش‌ها: نقشه&lrm;های شیب، جهت و ارتفاع با استفاده از نقشه مدل رقومی ارتفاع (DEM) منطقه تهیه گردید، نمونه&lrm;برداری از درختان بنه در سطح موردمطالعه و در قالب نمونه&lrm;برداری منظم- تصادفی براساس شبکه&lrm;ای به ابعاد 100*150 متر با 61 قطعه نمونه 12 آری انجام شد. نمونه&lrm;برداری از خاک در 17 قطعه نمونه با توجه به تنوع شرایط خاکی با برداشت مختصات مکانی قطعات نمونه انجام شد و متغیرهای وزن مخصوص ظاهری، وزن مخصوص حقیقی، پتاسیم قابل جذب، درصد ازت، فسفر قابل جذب، درصد کربن آلی، هدایت الکتریکی، اسیدیته، درصد اشباع خاک، درصد آهک خاک، درصد شن، درصد سیلت و درصد رس در آزمایشگاه مورد اندازه&lrm;گیری قرار گرفتند. نقشه عوامل محیطی متغیرهای خاک به&lrm;کمک زمین&lrm;آمار و با استفاده از نرم&lrm;افزار GS+ تهیه شد. سپس مدل شبکه عصبی مصنوعی پرسپترون چند لایه بین ویژگی های محیطی به&lrm;عنوان ورودی های مدل و حضور و عدم حضور بنه به&lrm;عنوان خروجی مدل با استفاده از نرم&lrm;افزار SPSS Modeler طراحی و اعتبارسنجی شد. در نهایت براساس نتایج مدل و نقشه رقومی عوامل محیطی با استفاده از نرم&lrm;افزار ArcGIS نقشه پیش&lrm;بینی احتمال حضور و عدم&lrm;حضور بنه تهیه گردید. یافته‌ها: نتایج به&lrm;دست آمده از مدل شبکه عصبی تدوین شده نشان از صحت زیاد شبکه عصبی مصنوعی (91 درصد) در پیش&lrm;بینی احتمال حضور و عدم حضور بنه داشت و حاکی از ارتباط حضور بنه با متغیرهای هدایت الکتریکی، وزن مخصوص ظاهری، جهت جغرافیایی، میزان درصد ازت و ارتفاع از سطح دریا با ضریب اهمیت به&lrm;ترتیب برابر با 0/43، 0/21، 0/17، 0/15 و 0/50 می باشد. همچنین، تطابق نقشه پیش&lrm;بینی با نقشه واقعیت زمینی با ضریب کاپا 0/651 در حد خوب ارزیابی گردید. نتیجه&lrm;گیری: نتایج نشان داد که با دقت قابل&lrm;قبولی امکان استفاده از ترکیب داده&lrm;های توپوگرافی و خاکی برای برآورد مشخصه حضور گونه بنه در جنگل&lrm;های مورد تحقیق وجود دارد که می توان از نقشه های آن در شناسایی مناطق مستعد احیای رویشگاه این گونه استفاده کرد.</div> <div style="text-align: justify;"> <div style="text-indent: -0.5pt;">Extended Abstract </div> <div>Background: Investigating the presence of species in forest habitats is crucial for identifying areas suitable for planting and successfully restoring species, as well as understanding the relationship between species presence and environmental factors. This research focuses on predicting the probability of the presence and absence of the Pistacia atlantica forest species in relation to environmental variables, specifically topography and soil science data. The study was conducted in a section of Khojir National Park in Tehran province, covering an area of 120 hectares. Modeling was performed using artificial neural networks and geostatistics to achieve reliable predictions. Methods: o prepare the necessary maps, slope, aspect, and altitude data were derived from the Digital Elevation Model (DEM) of the study area. Tree sampling in the region was conducted using a regular-random sampling method based on a grid of 100 x 150 meters, resulting in 61 sampling points. Soil sampling was carried out in 17 sample plots, taking into account the diversity of soil conditions by recording the spatial coordinates of each plot. A variety of soil variables were measured in the laboratory, including apparent specific gravity, true specific gravity, absorbable potassium, nitrogen percentage, absorbable phosphorus, organic carbon percentage, electrical conductivity, acidity, soil saturation percentage, lime percentage, and the percentages of sand, silt, and clay. The environmental factors related to soil variables were mapped using geostatistics and GS+ software. Subsequently, a multi-layer perceptron artificial neural network model was designed and validated, correlating the environmental features as model inputs with the presence and absence of Pistacia atlantica as the model output. This validation was conducted using SPSS Modeler software. Finally, based on the model results and the digital map of environmental factors, a prediction map indicating the probability of the presence and absence of Pistacia atlantica was generated using ArcGIS software. Results: The results of the study revealed that the artificial neural network demonstrated high accuracy, achieving a prediction accuracy of 91% for the presence and absence of Pistacia atlantica. The analysis indicated significant relationships between the presence of Pistacia atlantica and several environmental variables, including electrical conductivity, apparent specific gravity, geographical direction, nitrogen percentage, and altitude. The importance coefficients for these variables were determined to be 0.43, 0.21, 0.17, 0.15, and 0.05, respectively. Furthermore, the agreement between the prediction map and the ground reality map was assessed as good, with a Kappa coefficient of 0.651, indicating a reliable model performance. Conclusion: In conclusion, the results of this study demonstrate that it is possible to utilize a combination of topographic and soil data to accurately estimate the characteristics influencing the presence of Pistacia atlantica in the researched forests. The generated maps can serve as valuable tools for identifying areas that are conducive to the restoration of this species' habitat. This approach not only enhances our understanding of species distribution in relation to environmental factors but also provides practical applications for conservation efforts aimed at restoring and managing forest ecosystems. By integrating advanced modeling techniques with ecological data, we can better inform strategies for biodiversity conservation and habitat restoration in forested areas.</div> </div> احتمال حضور و عدم حضور, پرسپترون چندلایه, خصوصیات خاک و توپوگرافی Multilayer perceptron, Presence and absence, Soil properties and Topographic features 62 72 http://ifej.sanru.ac.ir/browse.php?a_code=A-10-770-1&slc_lang=fa&sid=1 Shahab Bakhtiari شهاب بختیاری sh.bakhtiari@frw.ir 10031947532846009731 10031947532846009731 Yes Guilan University, Rasht, Iran دانشگاه گیلان، رشت، ایران Tymour Rostani Shahraji تیمور رستمی شاهراجی tsharaji@gmail.com 10031947532846009732 10031947532846009732 No Guilan University, Rasht, Iran دانشگاه گیلان، رشت، ایران Reza Akhavan رضا اخوان akhavan_reza@yahoo.com 10031947532846009733 10031947532846009733 No Research Institute of Forest and Rangelands, Agricultural Research Education and Extension Organization (AREEO), Tehran, Iran موسسه تحقیقات جنگل‎ها و مراتع، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران Reza Ebrahimi Atani رضا ابراهیمی آتانی reza.ebrahimi.atani@gmail.com 10031947532846009734 10031947532846009734 No Guilan University, Rasht, Iran دانشگاه گیلان، رشت، ایران