دوره 9، شماره 18 - ( پاییز و زمستان 1400 )
جلد 9 شماره 18 صفحات 106-94 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghalavand E, Karamshahi A, Heydari M, Karami O. (2021). Modeling of Iranian oak Regeneration in Zagros Forests using Artificial Neural Network Algorithm. Ecol Iran For. 9(18), 94-106. doi:10.52547/ifej.9.18.94
URL: http://ifej.sanru.ac.ir/article-1-409-fa.html
URL: http://ifej.sanru.ac.ir/article-1-409-fa.html
قلاوند الهه، کرمشاهی عبدالعلی، حیدری مهدی، کرمی امید. مدل‌سازی زادآوری گونه بلوط ایرانی در جنگل‌های زاگرس با استفاده از الگوریتم شبکه عصبی مصنوعی بوم شناسی جنگل های ایران (علمی- پژوهشی) 1400; 9 (18) :106-94 10.52547/ifej.9.18.94
گروه جنگل داری، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران
چکیده: (2967 مشاهده)
مقدمه و هدف: امروزه استفاده از روش های مدل‌سازی به منظور پیش بینی و مدل‌سازی زادآوری برای گونه های مختلف در طرح های حفاظتی و مدیریتی جنگل در حال افزایش است. با مدل‌سازی زادآوری جنگل می‌توان به یک پیش‌آگهی از وضعیت و تراکم جنگل در آینده رسید و براساس آن سناریوهای مختلف مدیریتی را اتخاذ نمود.
مواد و روش‌ها: در این مطالعه با استفاده از شبکه عصبی مصنوعی (ANN) و خصوصیات توپوگرافی اولیه، توپوگرافی ثانویه، خصوصیات فیزیکی خاک، خصوصیات شیمیایی خاک و مشخصات ساختاری جنگل به عنوان متغیرهای مستقل به برآورد میزان زادآوری گونه بلوط در بخشی از جنگل‌های بلوط منطقه حفاظت شده مانشت و قلارنگ در استان ایلام پرداخته شد. برای این منظور توابع و مدل‌های مختلف در قالب شبکه عصبی مصنوعی مورد ارزیابی قرار گرفتند. پس از نمونه‌برداری 70 درصد از نمونه‌های آماربرداری شده از زادآوری بلوط به عنوان نمونه آموزشی برای اجرای مدل شبکه عصب مصنوعی استفاده شد و برای ارزیابی نتایج مدل از 30 درصد مابقی داده‌ها استفاده شد. در نهایت به آنالیز حساسیت مدل زادآوری بلوط پرداخته شد.
یافته‌ها: نتایج نشان داد که شبکه عصبی مصنوعی با اشتباه معیار خطای برابر با 0/99 توانسته است به برآورد زادآوری بلوط در منطقه مورد مطالعه بپردازد. نتایج تجزیه حساسیت مدل نشان داد که کمترین میزان اشتباه معیار خطا مربوط به مدلی با وجود تمام متغیرهای ورودی است که نشان‌دهنده تأثیر مثبت تمامی پارامترهای ورودی به مدل است. به طوری که با حذف هر یک از متغیرهای ورودی صحت مدل در پیش‌بینی میزان زادآوری کاهش پیدا می‌کند. با این وجود متغیرهای ساختاری جنگل و مشخصات شیمیایی خاک به ترتیب مهم‌ترین عوامل مؤثر بر زادآوری بلوط در منطقه مورد مطالعه هستند. کمترین تأثیرگذاری بر روی زادآوری بلوط در مدل تهیه شده متغیرهای توپوگرافی ثانویه است که با اینکه نقش مثبتی در مدل پیش‌بینی تعداد زادآوری بلوط داشته‌اند اما با این حال تأثیر این متغیرها نسبت به سایر متغیرها کمتر بوده است. نتایج نشان داد حدود 21 درصد از سطح منطقه مورد مطالعه دارای زادآوری کمتر از 100 زادآوری در هکتار است. همچنین بیش از 12 درصد از سطح منطقه مورد مطالعه دارای تعداد زادآوری‌های بیش از 1200 زادآوری در هکتار است.
نتیجه‌گیری: در مجموع استفاده همزمان از کلیه خصوصیات توپوگرافی اولیه و ثانویه، خاک و مشخصات ساختاری جنگل باعث افزایش دقت مدل‌سازی زادآوری جنگل‌های بلوط زاگرس خواهد شد از طرف دیگر، شبکه عصبی مصنوعی به علت انعطاف‌پذیر بودن امکان انتخاب نوع پارامترهای ورودی را نسبت به شرایط منطقه و اطلاعات در دسترس فراهم می‌کند و سبب افزایش دقت مدل‌سازی می‌شود.
مواد و روش‌ها: در این مطالعه با استفاده از شبکه عصبی مصنوعی (ANN) و خصوصیات توپوگرافی اولیه، توپوگرافی ثانویه، خصوصیات فیزیکی خاک، خصوصیات شیمیایی خاک و مشخصات ساختاری جنگل به عنوان متغیرهای مستقل به برآورد میزان زادآوری گونه بلوط در بخشی از جنگل‌های بلوط منطقه حفاظت شده مانشت و قلارنگ در استان ایلام پرداخته شد. برای این منظور توابع و مدل‌های مختلف در قالب شبکه عصبی مصنوعی مورد ارزیابی قرار گرفتند. پس از نمونه‌برداری 70 درصد از نمونه‌های آماربرداری شده از زادآوری بلوط به عنوان نمونه آموزشی برای اجرای مدل شبکه عصب مصنوعی استفاده شد و برای ارزیابی نتایج مدل از 30 درصد مابقی داده‌ها استفاده شد. در نهایت به آنالیز حساسیت مدل زادآوری بلوط پرداخته شد.
یافته‌ها: نتایج نشان داد که شبکه عصبی مصنوعی با اشتباه معیار خطای برابر با 0/99 توانسته است به برآورد زادآوری بلوط در منطقه مورد مطالعه بپردازد. نتایج تجزیه حساسیت مدل نشان داد که کمترین میزان اشتباه معیار خطا مربوط به مدلی با وجود تمام متغیرهای ورودی است که نشان‌دهنده تأثیر مثبت تمامی پارامترهای ورودی به مدل است. به طوری که با حذف هر یک از متغیرهای ورودی صحت مدل در پیش‌بینی میزان زادآوری کاهش پیدا می‌کند. با این وجود متغیرهای ساختاری جنگل و مشخصات شیمیایی خاک به ترتیب مهم‌ترین عوامل مؤثر بر زادآوری بلوط در منطقه مورد مطالعه هستند. کمترین تأثیرگذاری بر روی زادآوری بلوط در مدل تهیه شده متغیرهای توپوگرافی ثانویه است که با اینکه نقش مثبتی در مدل پیش‌بینی تعداد زادآوری بلوط داشته‌اند اما با این حال تأثیر این متغیرها نسبت به سایر متغیرها کمتر بوده است. نتایج نشان داد حدود 21 درصد از سطح منطقه مورد مطالعه دارای زادآوری کمتر از 100 زادآوری در هکتار است. همچنین بیش از 12 درصد از سطح منطقه مورد مطالعه دارای تعداد زادآوری‌های بیش از 1200 زادآوری در هکتار است.
نتیجه‌گیری: در مجموع استفاده همزمان از کلیه خصوصیات توپوگرافی اولیه و ثانویه، خاک و مشخصات ساختاری جنگل باعث افزایش دقت مدل‌سازی زادآوری جنگل‌های بلوط زاگرس خواهد شد از طرف دیگر، شبکه عصبی مصنوعی به علت انعطاف‌پذیر بودن امکان انتخاب نوع پارامترهای ورودی را نسبت به شرایط منطقه و اطلاعات در دسترس فراهم می‌کند و سبب افزایش دقت مدل‌سازی می‌شود.
فهرست منابع
1. Alijanpour, A., Banj Shafiei, A. and Eshaghi Rad J. 2010. Investigation of natural regeneration characteristics in west oak forests within different levels of site factors (case study: Piranshahr region), Iranian Journal of Forest 2(3): 208-219. (In Persian)
2. Ascione, F., Bianco, N., De Stasio, C., Mauro, G.M. and Vanoli, G.P. 2017. Artificial neural networks to predict energy performance and retrofit scenarios for any member of a building category: a novel approach. Energy 118: 999-1017. [DOI:10.1016/j.energy.2016.10.126]
3. Ashraf, M.I., Meng, F., Bourque, C.P.A. and MacLean, D.A. 2015. Novel modelling approach for predicting forest growth and yield under climate change. PLoS One 10 (7). [DOI:10.1371/journal.pone.0132066]
4. Benediktsson, J.A., Swain, P.H. and Erosy, O.K. 1990. Neural network approaches versus statistical methods in classification of multisource remote Sensing data. IEEE Transaction on Geosciences and Remote Sensing 28: 540- 551. [DOI:10.1109/TGRS.1990.572944]
5. Civco, D.L. and Wanug, Y. 1994. Classification of multispectral, multitemporal, multisource spatial data using artificial neural networks. ASPRS/ACSM.
6. da Rocha, S.J.S.S., Torres, C.M.M.E., Jacovine, L.A.G., Leite, H.G., Gelcer, E.M., Neves, K.M. and Zanuncio, J.C. 2018. Artificial neural networks: Modeling tree survival and mortality in the Atlantic Forest biome in Brazil. Science of the total environment 645: 655-661. [DOI:10.1016/j.scitotenv.2018.07.123]
7. Diamantopoulou, M.J., Özçelik, R., Crecente-Campo, F. and Eler, Ü. 2015. Estimation of Weibull function parameters for modelling tree diameter distribution using least squares and artificial neural networks methods. Biosyst. Eng. 133: 33-45. [DOI:10.1016/j.biosystemseng.2015.02.013]
8. Dobrowski, S.Z., Greenberg, J.A., Ramirez, C.M., and Ustin, S.L. 2006. Improving image derived vegetation maps with regression based distribution modeling. Ecological Modelling 192:126-142. [DOI:10.1016/j.ecolmodel.2005.09.006]
9. Ferguson, D.E. 1996. Modeling natural regeneration establishment in the northern Rocky Mountains of the USA. In: Conference on modelling regeneration success and early growth of forest stands, 30-40.
10. Foody, G.M. and Cutler, M.E.J. 2006. Mapping the species richness and composition of tropical forests from remotely sensed data with neural networks. Selected Papers from the Third Conference of the International Society for Ecological Informatics (ISEI) 195. Ecol Model: 37-42. [DOI:10.1016/j.ecolmodel.2005.11.007]
11. Fortin, M. and DeBlois, J. 2007. Modeling tree recruitment with zeroinfated models: the example of hardwood stands in Southern Quebec, Canada. For Sci. 53(4): 529-539.
12. Gill, N.S., Sangermano, F., Buma, B. and Kulakowski, D. 2017. Populus tremuloides seedling establishment: An underexplored vector for forest type conversion after multiple disturbances. Forest Ecology and Management 404: 156-164. [DOI:10.1016/j.foreco.2017.08.008]
13. Hallikainen, V., Hyppönen, M., Hyvönen, J. and Niemelä, J. 2007. Establishment and height development of harvested and naturally regenerated Scots pine near the timberline in North-East Finnish Lapland. Silva Fenn. doi:10.14214/sf.308 [DOI:10.14214/sf.308]
14. Hamann, A. and Wang, T. 2006. Potential effects of climate change on ecosystem and tree species distribution in British Columbia. Ecology 87: 2773-2786. [DOI:10.1890/0012-9658(2006)87[2773:PEOCCO]2.0.CO;2]
15. Haykin, S. 1998. Neural Networks: A Comprehensive Foundation, 2nd Edn. Prentice Hall, Upper Saddle River, NJ, USA.
16. Heydari, M., Mirzaei, J., Omidipoor, R., Naderi, M. and Abdi, T. 2017. Effect of heterogeneity of field on natural regeneration of Brant's oak (Quercus brantii Lindl.) using diversity and composition indices of plant species. Iranian journal of forest and poplar research 25(2): 220-231. (In Persian)
17. Hirose, Y., Yamashita, K. and Hijiya, S. 1991. Back-propagation algorithm which varies the number of hidden units. Neural Netw. 4: 61-66. [DOI:10.1016/0893-6080(91)90032-Z]
18. Hong, H., Tsangaratos, P., Ilia, I., Liu, J., Zhu, A.X. and Xu, C. 2018. Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Science of the Total Environment 630: 1044-1056. [DOI:10.1016/j.scitotenv.2018.02.278]
19. Hyppönen, M., Alenius, V. and Valkonen, S. 2005. Models for the establishment and height development of naturally regenerated Pinus sylvestris in Finnish Lapland. Scand J For Res 20(4): 347-357. [DOI:10.1080/02827580510036391]
20. Ibrahem, A., Koubaily, E. and Thabeet, A. 2020. Modeling the natural regeneration of Cedrus libani A. Richard in Slenfeh, Syria, using binary logistic regression. Modeling Earth Systems and Environment6 (3): 1-15. [DOI:10.1007/s40808-020-00939-y]
21. Ingram, J.C., Dawson, T.P. and Whittaker, R.J. 2005. Mapping tropical forest structure in southeastern Madagascar using remote sensing and artificial neural networks. Remote Sens. Environ. 94 (4): 491-507. [DOI:10.1016/j.rse.2004.12.001]
22. Ismail, R., Mutanga, O. and Kumar, L. 2010. Modeling the potential distribution of pine forests susceptible to sirex noctilio infestations in Mpumalanga, South Africa. Transactions in GIS 14: 709-726. [DOI:10.1111/j.1467-9671.2010.01229.x]
23. Jaafari, A., Gholami, D.M. and Zenner, E.K. 2017. A Bayesian modeling of wildfire probability in the Zagros Mountains, Iran. Ecol Informat. 39: 32-44. [DOI:10.1016/j.ecoinf.2017.03.003]
24. Jafari Afrapoly, M., Sefidi, K., Varamesh, S. and Waez-Mousavi, S.M. 2019. Structural Characteristic of English Yew (Taxus baccata L.) Stands in the Afratakhteh Forests Reserveeserve. Iranian journal of forest ecology 7 (13) :11-19. (In Persian) [DOI:10.29252/ifej.7.13.11]
25. Karami, O., Fallah, A., Shataei, S.H., and Latifi, H. 2018. Assessment of geostatistical and interpolation methods for mapping forest dieback intensity in Zagros forests. Caspian Journal of Environmental Sciences 16(1): 71-84.
26. Klopcic, M. and Boncina, A. 2012. Recruitment of tree species in mixed selection and irregular shelterwood forest stands. Ann For Sci 69(8): 915-925. [DOI:10.1007/s13595-012-0224-1]
27. Kolo, H., Ankerst, D. and Knoke, T. 2017. Predicting natural forest regeneration: a statistical model based on inventory data. European Journal of Forest Research 136 (5-6): 923-938. [DOI:10.1007/s10342-017-1080-1]
28. Kolstrom, T. 1993. Modelling the development of an uneven-aged stand of Picea abies. Scand J For Res, 8: 373-383. [DOI:10.1080/02827589309382784]
29. Larsen, D.R., Metzger, M.A. and Johnson, P.S. 1997. Oak regeneration and overstory density in the Missouri Ozarks. Can J For Res 27(6): 869-875. [DOI:10.1139/x97-010]
30. Lucas-Borja, M.E., Candel-Pérez, D., Morote, F.G.A., Onkelinx, T., Tíscar, P.A. and Balandier, P. 2016. Pinus nigra Arn ssp salzmannii seedling recruitment is afected by stand basal area, shrub cover and climate interactions. Ann For Sci 73(3): 649-656. [DOI:10.1007/s13595-016-0550-9]
31. Lynch, T.B., Nkouka, J., Huebschmann, M.M. and Guldin, J.M. 2003. Maximum likelihood estimation for predicting the probability of obtaining variable shortleaf pine regeneration densities. For Sci 49(4): 577-584.
32. Marvi Mohajer, M.R. 2005. Silviculture. Tehran University Press, 387 pp. (In Persian)
33. Mirzaei, J., Akbari Nia, M., Hosseini, S.M., Tabari KuchakSarai, M. and Jallali, S.G.M. 2007. Comparison of natural regenerative density of wood species in relation to physiographic and soil factors in Zagros forests (Case Study: a Protected Area in the North of Ilam). Journal of Research and Construction in Natural Resources 77: 16-23. (In Persian)
34. Moore, I.D., Gessler, P., Nielsen, G. and Peterson, G. 1993. Soil attribute prediction using terrain analysis. Soil Sci. Soc. Am. J. 57: 443- 452. [DOI:10.2136/sssaj1993.03615995005700020026x]
35. Nandy, S., Singh, R., Grosh, S., Watham, T., Kushwaha, S.P.S., Kumar, A.S. and Dadhwal, V.K. 2017. Neural network-based modelling for forest biomass assessment. Carbon Manage. 8 (4): 305-317. [DOI:10.1080/17583004.2017.1357402]
36. Nimvari, J., Zobeiri, M., Sobhani, H. and Pourshafi Zanganeh, H. 2003. Comparison of random systematic with circular sample plots and linear method in terms of accuracy and cost in western oak forests, Iran, Journal of Natural Resources 56 (4): 383-396. (In Persian)
37. Olsen, S.R. and Sommers, L.E. 1990. Phosphorous. In: Page A.L., Method of soil Analysis. Part 2. 2ndAgronMonoger, ASA, Madison, WI. 403- 431.
38. Pommerening, A. 2006. Evaluating structural indices by reversing forest structural analysis. Forest Ecology and Management 224(3): 266-277. [DOI:10.1016/j.foreco.2005.12.039]
39. Pourhashemi, M., Mohajer. M.R., Zobeiri, M., Amiri, GZ., and Panah, P. 2004. Identification of forest vegetation units in support of government management objectives in Zagros forests, Iran. Scandinavian Journal of Forest Research 19: 72-77. [DOI:10.1080/14004080410034083]
40. Pretzsch, H. 2014. Canopy space flling and tree crown morphology in mixed-species stands compared with monocultures. For Ecol Manag 327: 251-264. [DOI:10.1016/j.foreco.2014.04.027]
41. Reis, L.P., Souza, A.L., dos Reis, P.C.M., Mazzei, L., Soares, C.P.B., Torres, C.M.M.E., Silva, L.F., Ruschel, A.R., Rêgo, L.J.S. and Leite, H.G. 2018. Estimation of mortality and survival of individual trees after harvesting wood using artificial neural networks in the amazon rain forest. Ecol. Eng. 112:140-147. [DOI:10.1016/j.ecoleng.2017.12.014]
42. Richit, L.A., Bonatto, C., Carlotto, T., da Silva, R.V., and Grzybowski, J. M.V. 2017. Modelling forest regeneration for performance-oriented riparian buffer strips. Ecological Engineering 106: 308-322. [DOI:10.1016/j.ecoleng.2017.05.044]
43. Rittenhouse, J. 2020. Sustaining mixed-oak forests: A multifaceted approach to modeling advance oak regeneration and recruitment in young forests. A Thesis in Forest Resources, Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Science, 62 pp.
44. Safari, M., Sefidi, K., Alijanpour, A. and Elahian, M. 2018. Study of natural regeneration in Quercus macranthera stands in different physiographic conditions in Arasbaran forests. Iranian journal of forest ecology 6 (12) :1-8. (In Persian) [DOI:10.29252/ifej.6.12.1]
45. Salehi, A., Wilhelmsson, E. and Soderberg, U. 2008. Landcover changes in a forested watershed, Southern Zagros, Iran. Land Degradation and Development 19: 542-553. [DOI:10.1002/ldr.860]
46. Santi, E., Paloscia, S., Pettinato, S., Fontanelli, G., Mura, M., Zolli, C., Maselli, F., Chiesi, M., Bottai, L. and Chirici, G. 2017. The potential of multifrequency SAR images for estimating forest biomass in Mediterranean areas. Remote Sens. Environ. 200: 63-73. [DOI:10.1016/j.rse.2017.07.038]
47. Satir, O., Berberoglu, S. and Donmez, C. 2015. Mapping regional forest fire probability using artificial neural networkmodel in aMediterranean forest ecosystem. Geomatics, Natural Hazards and Risk, 1-14. [DOI:10.1080/19475705.2015.1084541]
48. Schweiger, J. and Sterba, H. 1997. A model describing natural regeneration recruitment of Norway spruce (Picea abies (L.) Karst.) in Austria. For Ecol Manag 97(2):107-118. [DOI:10.1016/S0378-1127(97)00092-3]
49. Shokri, R., Basiri, R. and Talashi, H. 2017. The effect of fire on the structure and regeneration of oak trees in Lorestan province (Case study: Tang Qaleh region-Kouhdasht). Iranian Journal of Forest Research and Development 3 (2): 163-174. (In Persian)
50. Tien Bui, D., Bui, Q.T., Nguyen, Q.P., Pradhand, B., Nampak, H. and Trong Trinh, P. 2017. A hybrid artificial intelligence approach using GIS-based neural-fuzzy inference system and particle swarm optimization for forest fire susceptibility modeling at a tropical area. Agric. For. Meteorol. 233: 32-44. [DOI:10.1016/j.agrformet.2016.11.002]
51. Vahedi, A.A. 2016. Artificial neural network application in comparison with modeling allometric equations for predicting above-ground biomass in the Hyrcanian mixedbeech forests of Iran. Biomass Bioenergy 88:66-76. [DOI:10.1016/j.biombioe.2016.03.020]
52. Vieira, G.C., Mendonça, A.R., Silva, G.F., Zanetti, S.S., Silva, M.M. and Santos, A.R. 2018. Prognoses of diameter and height of trees of eucalyptus using artificial intelligence. Sci. Total Environ. 619-620:1473-1481. [DOI:10.1016/j.scitotenv.2017.11.138]
53. Walkley, A. and Black I.A. 1934. An examination of the degtjareff method for determining soil organic matter and a proposed modification of the chromic acid titration method. Soil Sci. 34: 29-38. [DOI:10.1097/00010694-193401000-00003]
54. Westerman, R.E.L. 1990. Soil testing and plant analysis. Soil Science Society of America, Mandison Wisconzin, USA. [DOI:10.2136/sssabookser3.3ed]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
