بهار و تابستان
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
1- دانشگاه گیلان
2- دانشگاه تربیت مدرس
2- دانشگاه تربیت مدرس
چکیده: (151 مشاهده)
مقدمه و هدف: جنگلهای زاگرس نقش حیاتی در تعدیل آبوهوا، حفظ تنوع زیستی و ذخیره کربن ایفا میکنند. شاخص سطح برگ به عنوان یکی از کلیدیترین شاخصهای بومشناختی، توان تولیدی اکوسیستمهای جنگلی را بازتاب میدهد و در مدلسازی فرآیندهای فتوسنتز، چرخه کربن و تبخیر و تعرق کاربرد دارد. با توجه به چالشهای اندازهگیری مستقیم شاخص سطح برگ، استفاده از روشهای غیرمخرب و مبتنی بر یادگیری ماشین برای برآورد این شاخص ضروری است. هدف این مطالعه، مدلسازی شاخص سطح برگ بر اساس ویژگیهای ساختاری درختان (مانند قطر برابر سینه، ارتفاع و درصد تاجپوشش) با استفاده از الگوریتمهای یادگیری ماشین در جنگلهای زاگرس شمالی (منطقه مریوان، استان کردستان) بود. این پژوهش به دنبال ارائه راهکاری دقیق و کمهزینه برای پایش تغییرات اکوسیستمی و مدیریت پایدار جنگلها است.
مواد و روشها: این مطالعه در جنگلهای زاگرس شمالی (شهرستان مریوان) با آبوهوای سرد و نیمهمرطوب انجام شد. دادههای میدانی از 80 قطعه نمونه مربعی (20×20 متر) به روش منظم-تصادفی جمعآوری گردید. در هر قطعه، مشخصههای ساختاری شامل قطر برابر سینه، ارتفاع درختان، درصد تاجپوشش و شاخص سطح برگ با استفاده از تکنیک عکسبرداری نیمکروی و نرمافزار Gap Light Analyzer (GLA) اندازهگیری شد. برای برآورد زیستتوده روی زمین از مدل رگرسیونی توانی با متغیر مستقل قطر برابر سینه استفاده شد. چهار الگوریتم یادگیری ماشین شامل جنگل تصادفی، نزدیکترین همسایه، ماشین بردار پشتیبان و رگرسیون فرآیند گاوسی برای مدلسازی شاخص سطح برگ مورد مقایسه قرار گرفتند. دادهها به دو بخش آموزشی (70%) و اعتبارسنجی (30%) تقسیم شدند و عملکرد مدلها با معیارهای ضریب تعیین، جذر میانگین مربعات خطا، جذر میانگین مربعات خطای نسبی و میانگین قدرمطلق خطا ارزیابی گردید.
یافتهها: مقادیر شاخص سطح برگ در منطقه مورد مطالعه بین 0.151 تا 4.623 متغیر بود که نشاندهنده تنوع بالای تراکم پوشش گیاهی است. همبستگی شاخص سطح برگ با درصد تاجپوشش بسیار قوی (r = 0.92) و با قطر برابر سینه و ارتفاع درختان بهترتیب 0.70 و 0.78 بود. زیستتوده روی زمین نیز همبستگی متوسطی (r = 0.64) با شاخص سطح برگ نشان داد. در میان الگوریتمهای یادگیری ماشین، جنگل تصادفی با بالاترین دقت در دادههای آموزشی و R² = 0.90 در اعتبارسنجی بهعنوان بهترین مدل شناسایی شد. الگوریتمهای رگرسیون فرآیند گاوسی و نزدیکترین همسایه با R² = 0.91 و ماشین بردار پشتیبان با R² = 0.88 در رتبههای بعدی قرار گرفتند. ماتریس همبستگی تأثیر قوی ویژگیهای ساختاری بر شاخص سطح برگ را تأیید کرد، در حالی که شاخص تنوع گونهای شانون-وینر ارتباط ضعیفی با سایر متغیرها داشت.
نتیجهگیری: این مطالعه نشان داد که الگوریتم جنگل تصادفی با توجه به توانایی در مدلسازی روابط غیرخطی و پیچیده، ابزاری کارآمد برای برآورد غیرمستقیم شاخص سطح برگ در جنگلهای زاگرس است. همبستگی قوی شاخص سطح برگ با تاجپوشش و ویژگیهای ساختاری درختان، امکان استفاده از این متغیرها را بهعنوان نمایندههای فیزیکی تراکم برگها فراهم میکند. یافتههای این پژوهش میتواند به عنوان پایهای علمی برای برنامهریزی مدیریت پایدار جنگلهای زاگرس، پایش تغییرات اقلیمی و ارزیابی تنشهای محیطی مورد استفاده قرار گیرد. پیشنهاد میشود در مطالعات آینده از ترکیب دادههای سنجش از دور و یادگیری عمیق برای بهبود دقت مدلها استفاده شود. این پژوهش گامی مؤثر در جهت حفظ اکوسیستمهای ارزشمند زاگرس و تصمیمگیریهای مبتنی بر شواهد است.
مواد و روشها: این مطالعه در جنگلهای زاگرس شمالی (شهرستان مریوان) با آبوهوای سرد و نیمهمرطوب انجام شد. دادههای میدانی از 80 قطعه نمونه مربعی (20×20 متر) به روش منظم-تصادفی جمعآوری گردید. در هر قطعه، مشخصههای ساختاری شامل قطر برابر سینه، ارتفاع درختان، درصد تاجپوشش و شاخص سطح برگ با استفاده از تکنیک عکسبرداری نیمکروی و نرمافزار Gap Light Analyzer (GLA) اندازهگیری شد. برای برآورد زیستتوده روی زمین از مدل رگرسیونی توانی با متغیر مستقل قطر برابر سینه استفاده شد. چهار الگوریتم یادگیری ماشین شامل جنگل تصادفی، نزدیکترین همسایه، ماشین بردار پشتیبان و رگرسیون فرآیند گاوسی برای مدلسازی شاخص سطح برگ مورد مقایسه قرار گرفتند. دادهها به دو بخش آموزشی (70%) و اعتبارسنجی (30%) تقسیم شدند و عملکرد مدلها با معیارهای ضریب تعیین، جذر میانگین مربعات خطا، جذر میانگین مربعات خطای نسبی و میانگین قدرمطلق خطا ارزیابی گردید.
یافتهها: مقادیر شاخص سطح برگ در منطقه مورد مطالعه بین 0.151 تا 4.623 متغیر بود که نشاندهنده تنوع بالای تراکم پوشش گیاهی است. همبستگی شاخص سطح برگ با درصد تاجپوشش بسیار قوی (r = 0.92) و با قطر برابر سینه و ارتفاع درختان بهترتیب 0.70 و 0.78 بود. زیستتوده روی زمین نیز همبستگی متوسطی (r = 0.64) با شاخص سطح برگ نشان داد. در میان الگوریتمهای یادگیری ماشین، جنگل تصادفی با بالاترین دقت در دادههای آموزشی و R² = 0.90 در اعتبارسنجی بهعنوان بهترین مدل شناسایی شد. الگوریتمهای رگرسیون فرآیند گاوسی و نزدیکترین همسایه با R² = 0.91 و ماشین بردار پشتیبان با R² = 0.88 در رتبههای بعدی قرار گرفتند. ماتریس همبستگی تأثیر قوی ویژگیهای ساختاری بر شاخص سطح برگ را تأیید کرد، در حالی که شاخص تنوع گونهای شانون-وینر ارتباط ضعیفی با سایر متغیرها داشت.
نتیجهگیری: این مطالعه نشان داد که الگوریتم جنگل تصادفی با توجه به توانایی در مدلسازی روابط غیرخطی و پیچیده، ابزاری کارآمد برای برآورد غیرمستقیم شاخص سطح برگ در جنگلهای زاگرس است. همبستگی قوی شاخص سطح برگ با تاجپوشش و ویژگیهای ساختاری درختان، امکان استفاده از این متغیرها را بهعنوان نمایندههای فیزیکی تراکم برگها فراهم میکند. یافتههای این پژوهش میتواند به عنوان پایهای علمی برای برنامهریزی مدیریت پایدار جنگلهای زاگرس، پایش تغییرات اقلیمی و ارزیابی تنشهای محیطی مورد استفاده قرار گیرد. پیشنهاد میشود در مطالعات آینده از ترکیب دادههای سنجش از دور و یادگیری عمیق برای بهبود دقت مدلها استفاده شود. این پژوهش گامی مؤثر در جهت حفظ اکوسیستمهای ارزشمند زاگرس و تصمیمگیریهای مبتنی بر شواهد است.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
