دوره 11، شماره 22 - ( پاییز و زمستان 1402 )
جلد 11 شماره 22 صفحات 66-57 |
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:
Bakhtiari S, Rostani Shahraji T, Akhavan R, Ebrahimi Atani R. (2023). Spatial Distribution Modeling of Pistacia atlantica using Artificial Neural Network in Khohir National Park. Ecol Iran For. 11(22), 57-66. doi:10.61186/ifej.11.22.57
URL: http://ifej.sanru.ac.ir/article-1-515-fa.html
URL: http://ifej.sanru.ac.ir/article-1-515-fa.html
بختیاری شهاب، رستمی شاهراجی تیمور، اخوان رضا، ابراهیمی آتانی رضا. مدلسازی پراکنش مکانی بنه (Pistacia atlantica) به کمک شبکه عصبی مصنوعی در پارک ملی خجیر بوم شناسی جنگل های ایران (علمی- پژوهشی) 1402; 11 (22) :66-57 10.61186/ifej.11.22.57
دانشگاه گیلان
چکیده: (915 مشاهده)
مقدمه و هدف: بررسی حضور گونه ها در رویشگاههای جنگلی بهمنظور مکان یابی و شناسایی مناطق دارای توانایی کاشت و احیاء موفق گونهها و ارتباط حضور گونهها با عوامل محیطی بسیار حائز اهمیت است. در این پژوهش، پیشبینی احتمال حضور و عدمحضور گونه جنگلی بنه در ارتباط با متغیرهای محیطی (دادههای توپوگرافی و خاکشناسی) در بخشی از پارک ملی خجیر استان تهران به مساحت 120 هکتار مورد بررسی و مدلسازی با استفاده از شبکه عصبی مصنوعی و زمینآمار قرار گرفت.
مواد و روش‌ها: نقشههای شیب، جهت و ارتفاع با استفاده از نقشه مدل رقومی ارتفاع (DEM) منطقه تهیه گردید، نمونهبرداری از درختان بنه در سطح موردمطالعه و در قالب نمونهبرداری منظم- تصادفی براساس شبکهای به ابعاد 100*150 متر با 61 قطعه نمونه 12 آری انجام شد. نمونهبرداری 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 اندازهگیری قرار گرفتند. نقشه عوامل محیطی متغیرهای خاک بهکمک زمینآمار و با استفاده از نرمافزار GS+ تهیه شد. سپس مدل شبکه عصبی مصنوعی پرسپترون چند لایه بین ویژگی های محیطی بهعنوان ورودی های مدل و حضور و عدم حضور بنه بهعنوان خروجی مدل با استفاده از نرمافزار SPSS Modeler طراحی و اعتبارسنجی شد. در نهایت براساس نتایج مدل و نقشه رقومی عوامل محیطی با استفاده از نرمافزار ArcGIS نقشه پیشبینی احتمال حضور و عدمحضور بنه تهیه گردید.
یافته‌ها: نتایج بهدست آمده از مدل شبکه عصبی تدوین شده نشان از صحت زیاد شبکه عصبی مصنوعی (91 درصد) در پیشبینی 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 بهترتیب برابر با 0/43، 0/21، 0/17، 0/15 و 0/50 می باشد. همچنین، تطابق نقشه پیشبینی با نقشه واقعیت زمینی با ضریب کاپا 0/651 در حد خوب ارزیابی گردید.
نتیجهگیری: نتایج نشان داد که با دقت قابلقبولی امکان استفاده از ترکیب دادههای توپوگرافی و خاکی برای برآورد مشخصه حضور گونه بنه در جنگلهای مورد تحقیق وجود دارد که می توان از نقشه های آن در شناسایی مناطق مستعد احیای رویشگاه این گونه استفاده کرد.
مواد و روش‌ها: نقشههای شیب، جهت و ارتفاع با استفاده از نقشه مدل رقومی ارتفاع (DEM) منطقه تهیه گردید، نمونهبرداری از درختان بنه در سطح موردمطالعه و در قالب نمونهبرداری منظم- تصادفی براساس شبکهای به ابعاد 100*150 متر با 61 قطعه نمونه 12 آری انجام شد. نمونهبرداری 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 اندازهگیری قرار گرفتند. نقشه عوامل محیطی متغیرهای خاک بهکمک زمینآمار و با استفاده از نرمافزار GS+ تهیه شد. سپس مدل شبکه عصبی مصنوعی پرسپترون چند لایه بین ویژگی های محیطی بهعنوان ورودی های مدل و حضور و عدم حضور بنه بهعنوان خروجی مدل با استفاده از نرمافزار SPSS Modeler طراحی و اعتبارسنجی شد. در نهایت براساس نتایج مدل و نقشه رقومی عوامل محیطی با استفاده از نرمافزار ArcGIS نقشه پیشبینی احتمال حضور و عدمحضور بنه تهیه گردید.
یافته‌ها: نتایج بهدست آمده از مدل شبکه عصبی تدوین شده نشان از صحت زیاد شبکه عصبی مصنوعی (91 درصد) در پیشبینی 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 بهترتیب برابر با 0/43، 0/21، 0/17، 0/15 و 0/50 می باشد. همچنین، تطابق نقشه پیشبینی با نقشه واقعیت زمینی با ضریب کاپا 0/651 در حد خوب ارزیابی گردید.
نتیجهگیری: نتایج نشان داد که با دقت قابلقبولی امکان استفاده از ترکیب دادههای توپوگرافی و خاکی برای برآورد مشخصه حضور گونه بنه در جنگلهای مورد تحقیق وجود دارد که می توان از نقشه های آن در شناسایی مناطق مستعد احیای رویشگاه این گونه استفاده کرد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
اکولوژی جنگل
دریافت: 1402/4/15 | پذیرش: 1402/5/22 | انتشار: 1402/11/14
دریافت: 1402/4/15 | پذیرش: 1402/5/22 | انتشار: 1402/11/14
فهرست منابع
1. Abbasi, M., Zare Chahouki, M. A. (2014). Modeling of potential habitat for Stipa barbata And Agropyron intermedium species using artificial neural network model in rangeland of Central Taleghan. Journal of Renewable Natural Resources Research, 5(2), 45-56.
2. Abdi Ghazi Jahani, A. A., J.; Sheykhzade, J.; Nourmand moayed, F. (2018). Investigating the ecological factors influencing the adaptation of pistil (Pistacia atlantica) in Arsbaran forests The first national conference on protection and protection of Arsbaran forests, Tabriz, IRAN.
3. Arta, F. (2000). Investigating the environmental values of pistacia atlantica species in Khajir National Park in order to provide management guidelines Azad University of Science and Research].
4. Azizi Kalesar, M., Moameri, M., Ghorbani, A., Khalasi Ahvazi, L., Fathi, M., & Samadi, S. (2021). Habitat assessment for Vaccinium arctostaphylos L. by logistic regression method in the rangelands of Namin-Ardabil [Research]. Journal of Rangeland, 15(3), 522-533. [DOI:20-1001]
5. Bagheri, H., Ghorbani, A., Zare Chahouki, M. A., Jafari, A. A., & Sefidi, K. (2019). Modelling spatial distribution of Limonium iranicum and Aeluropus littoralis species by logistic regression method: a case study of Meighan playa rangelands [Research]. Journal of Rangeland, 13(4), 560-570. [DOI:20-1001]
6. Bagheri, J., Salehi, A., & Taheri Abkenar, K. (2014). Factors affecting the establishment of reproduction and quantitative and qualitative characteristics of Pistacia atlantica trunk species in different physiographic conditions. Iranian Forest Ecology Journal, 2(3), 1-12.
7. Bedia, J., Busqué, J., & Gutiérrez, J. (2011). Predicting plant species distribution across an alpine rangeland in northern Spain. A comparison of probabilistic methods. Applied Vegetation Science, 14(3), 415-432.
/j.1654-109X.2011.01128.x [DOI:10.1111]
8. Cutler, D., Richard Edwards, J., Thomas, C., Beard Karen, H., Cutler Adele, H., Kyle, T., Gibson Jacob, L., & Joshua, J. (2007). Random forests for classification in ecology. Ecology, 88(11), 2783-2792.
/07-0539.1 [DOI:10.1890]
9. Dayhoff, J. E. (1990). Neural network architectures: an introduction. Van Nostrand Reinhold Co. [DOI:10.1007]
10. Franklin, J. (1995). Predictive vegetation mapping: geographic modelling of biospatial patterns in relation to environmental gradients. Progress in physical geography, 19(4), 474-499.
/030913339501900403 [DOI:10.1177]
11. Haji Lee Doji, I. (2015). Ecology and physiology of Pistacia atlantica. (the first national perennial of aromatic and spicy medicinal plants.)
12. Heydari, M. (2016). Autecology and phenology of Pistacia atlantica in relation to edaphic and physiographic factors in Kabirkoh forests of Darreh Shahr county, Ilam province. Journal of Plant Research (Iranian Journal of Biology), 29(1), 80-95. [DOI:20.1001]
13. Hosseini, S. Z., Kappas, M., Chahouki, M. Z., Gerold, G., Erasmi, S., & Emam, A. R. (2013). Modelling potential habitats for Artemisia sieberi and Artemisia aucheri in Poshtkouh area, central Iran using the maximum entropy model and geostatistics. Ecological Informatics, 18, 61-68.
/j.ecoinf.2013.05.002 [DOI:10.1016]
14. Jahani, A., & Fazel, A. M. (2016). Aesthetic quality modeling of landscape in urban green space using artificial neural network. Journal of Natural Environment, 69(4), 951-963.
15. Javadi, S. A., Khan Armoui, A. r., & Jafari, M. (2015). Investigating the relationship between vegetation factors and soil properties. Iranian Journal of Natural Resources, 69, 353-366.
16. Liu, C., Berry, P. M., Dawson, T. P., & Pearson, R. G. (2005). Selecting thresholds of occurrence in the prediction of species distributions. Ecography, 28(3), 385-393.
/j.0906-7590.2005.03957.x [DOI:10.1111]
17. Mahmoudabadi, A., & Seyedhosseini, S. M. (2012). Time-risk tradeoff of hazmat routing problem in emergency situation. Proceedings of the 2012 International Conference on Industrial Engineering and Operations Management, Istanbul, Turkey,
18. Melesse, A. M., & Hanley, R. S. (2005). Artificial neural network application for multi-ecosystem carbon flux simulation. Ecological Modelling, 189(3-4), 305-314.
/j.ecolmodel.2005.03.014 [DOI:10.1016]
19. Menhaj, M. b. (2000). Computational Intelligence Basics of Neural Networks. 1. (Amirkabir University of Technology Publishing Center)
20. Moisen, G. G., & Frescino, T. S. (2002). Comparing five modelling techniques for predicting forest characteristics. Ecological Modelling, 157(2-3), 209-225.
/S0304-3800(02)00197-7 [DOI:10.1016]
21. piccinini, C. (2011). Assessing the impact of climate change on plant distributions using Artifical Neural Networks [Applied GIS, Kingston university London].
22. Piri Sahragard, H. (2022). An estimation of spatial distribution domain of plant species using artificial neural networks in west rangelands of Taftan. Desert Ecosystem Engineering, 5(12), 23-36.
23. piri Sahragard, H., & Zare Chahouki, M. A. (2015). An evaluation of predictive habitat models performance of plant species in Hoze soltan rangelands of Qom province. Ecological Modelling, 309, 64-71.
/j.ecolmodel.2015.04.005 [DOI:10.1016]
24. Piri Sahragard, H., Zare Chahouki, M. A., & Azarnivand, H. (2013). Modeling the habitat distribution of plant species in pastures west of Hoz Sultan in Qom province using logistic regression method. Pasture Journal, 1, 94-113.
25. Piri Sahragard, H. z. c., M.A.; Ebrahimi, M. (2016). Predictive Spatial Distribution Maps of Plant Species Habitats in the Khalejestan Rangelands of Qom province. Watershed Management Research, 28(4), 29-39. [DOI:10.22092]
26. Sadat Mousavi, H.S., Jahani, A., Danekar A., Etemad V., Sahragard F.A., (20203). Enviromental factor effects on vegetation coverage using Neural Network Modeling in central Alborz protected area. Journal of natural environment, 76(2), 185-201. 10.22059/jne.2023.353731.2514
27. Vahidinia, K., Gholinejad, B., & Karami, P. (2016). Check environmental factors affecting the distribution pattern of dominant species rangeland types (case study: rangeland ariz.), 40-47.
28. Zobeiry, M. (1994). Forest Inventory (Vol. 1). Tehran University Publications.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
