بهار و تابستان
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
1- دانشکده منابع طبیعی، دانشگاه گیلان، رشت، ایران
2- دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران
2- دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران
چکیده: (729 مشاهده)
چکیده مبسوط
مقدمه و هدف: جنگلهای زاگرس نقش حیاتی در تعدیل آبوهوا، حفظ تنوعزیستی و ذخیره کربن ایفا میکنند. در این میان، جنگلهای زاگرس با سطح حدود پنج میلیون هکتار بهعنوان یکی از ارزشمندترین اکوسیستمهای جنگلی ایران، سهم بسزایی در کاهش پیامدهای گرمایش جهانی و حفاظت خاک دارند. شاخص سطح برگ بهعنوان 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. شاخص سطح برگ بهعنوان 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 مبتنیبر یادگیری ماشین برای برآورد این شاخص ضروری است. هدف این مطالعه، مدلسازی شاخص سطح برگ براساس 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 بهدنبال 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 گردیدند. در هر قطعه، مشخصههای ساختاری شامل قطر برابر سینه، ارتفاع درختان، درصد تاجپوشش و شاخص سطح برگ با استفاده از تکنیک عکسبرداری نیمکروی و نرمافزارGap Light Analyzer (GLA) اندازهگیری شدند. در هر قطعه نمونه، پنج میکروپلات یک مترمربعی ایجاد شد آماربرداری پوشش علفی در فصل رویش، زمانی که اکثر گونههای گیاهی به رشد کامل رسیدند، انجام گرفت. در هر میکروپلات، گونههای علفی شناسایی و درصد پوشش آنها بهصورت چشمی با استفاده از معیار وان درمارل برآورد شد. برای برآورد زی توده روی زمین از مدل رگرسیونی چند جملهای با متغیر مستقل قطر برابر سینه استفاده شد. در این پژوهش، بهمنظور انتخاب مناسبترین الگوریتم برای بررسی ارتباط بین شاخص سطح برگ و متغیرهای مرتبط با توده جنگلی، چهار الگوریتم یادگیری ماشینی، شامل الگوریتم جنگل تصادفی (RF)، نزدیکترین همسایه (KNN)، ماشینبردار پشتیبان (SVM) و رگرسیون فرایند گاوسی (GPR) مورد مقایسه قرار گرفتند. در مدل RF، ۵۰۰ درخت برای پارامتر تعداد درختان (ntree) و برای مشخصه تعداد ویژگی انتخاب شده برای هر درخت (mtry) تعداد دو ویژگی در نظر گرفته شدند. مدل KNN با تعداد هفت همسایه و وزندهی نمونهها از طریق تابع هسته گاوسی پیادهسازی شد و فاصله بین نمونهها با معیار فاصله اقلیدسی محاسبه گردید. مدل SVM با استفاده از تابع پایه شعاعی اجرا شد و پارامترهای بهینهشده آن شامل gamma=0.01،epsilon= 0.1 و ضریب هزینه C=1 تعیین شدند. همچنین، مدل GPR با بهکارگیری تابع هسته گاوسی توسعه یافت. تمام مدلها بهترتیب با استفاده از بستههای randomForest، kknn، e1071 و kernlab در زبان برنامهنویسی Rپیادهسازی شدند. دادهها به دو بخش آموزشی (70 درصد) و اعتبارسنجی (30 درصد) 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 بودند که نشاندهنده تنوع بالای تراکم پوشش گیاهی است. همچنین، تحلیل اهمیت متغیرها نشان داد که تاجپوشش با بیشترین سهم (۳۵ درصد) و شاخص تنوع شانون با کمترین تأثیر (کمتر از ۵ درصد) در پیشبینی شاخص سطح برگ نقش داشتند. همبستگی شاخص سطح برگ با درصد تاجپوشش بسیار قوی (r = 0.92) و با قطر برابر سینه و ارتفاع درختان 0/70 بود. زی توده روی زمین نیز همبستگی متوسطی (r = 0.64) را با شاخص سطح برگ نشان داد. در میان الگوریتمهای یادگیری ماشین، جنگل تصادفی با بالاترین دقت در دادههای آموزشی و
R² = 0.96 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 حالیکه شاخص تنوع گونهای شانون-وینر ارتباط ضعیفی با سایر متغیرها داشت.
نتیجهگیری: این مطالعه نشان می دهد 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. از منظر مدیریت منابع طبیعی و حفاظت جنگلهای زاگرس، این پژوهش اهمیت بالایی دارد. مدل سازی دقیق شاخص سطح برگ و شناخت ارتباط آن با ویژگیهای ساختاری میتواند به پایش تغییرات اکوسیستمهای جنگلی، ارزیابی اثرات تغییرات اقلیمی و طراحی برنامههای مدیریت پایدار کمک کند. همچنین، این شاخص میتواند بهعنوان یک نماگر حساس در شناسایی تنشهای محیطی و آسیبهای ناشی از عوامل زیستی مورد استفاده قرار گیرد. یافتههای این پژوهش میتوانند بهعنوان پایهای علمی برای برنامهریزی مدیریت پایدار جنگلهای زاگرس، پایش تغییرات اقلیمی و ارزیابی تنشهای محیطی مورد استفاده قرار گیرند. 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 مبتنیبر شواهد است.
مقدمه و هدف: جنگلهای زاگرس نقش حیاتی در تعدیل آبوهوا، حفظ تنوعزیستی و ذخیره کربن ایفا میکنند. در این میان، جنگلهای زاگرس با سطح حدود پنج میلیون هکتار بهعنوان یکی از ارزشمندترین اکوسیستمهای جنگلی ایران، سهم بسزایی در کاهش پیامدهای گرمایش جهانی و حفاظت خاک دارند. شاخص سطح برگ بهعنوان 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. شاخص سطح برگ بهعنوان 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 مبتنیبر یادگیری ماشین برای برآورد این شاخص ضروری است. هدف این مطالعه، مدلسازی شاخص سطح برگ براساس 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 بهدنبال 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 گردیدند. در هر قطعه، مشخصههای ساختاری شامل قطر برابر سینه، ارتفاع درختان، درصد تاجپوشش و شاخص سطح برگ با استفاده از تکنیک عکسبرداری نیمکروی و نرمافزارGap Light Analyzer (GLA) اندازهگیری شدند. در هر قطعه نمونه، پنج میکروپلات یک مترمربعی ایجاد شد آماربرداری پوشش علفی در فصل رویش، زمانی که اکثر گونههای گیاهی به رشد کامل رسیدند، انجام گرفت. در هر میکروپلات، گونههای علفی شناسایی و درصد پوشش آنها بهصورت چشمی با استفاده از معیار وان درمارل برآورد شد. برای برآورد زی توده روی زمین از مدل رگرسیونی چند جملهای با متغیر مستقل قطر برابر سینه استفاده شد. در این پژوهش، بهمنظور انتخاب مناسبترین الگوریتم برای بررسی ارتباط بین شاخص سطح برگ و متغیرهای مرتبط با توده جنگلی، چهار الگوریتم یادگیری ماشینی، شامل الگوریتم جنگل تصادفی (RF)، نزدیکترین همسایه (KNN)، ماشینبردار پشتیبان (SVM) و رگرسیون فرایند گاوسی (GPR) مورد مقایسه قرار گرفتند. در مدل RF، ۵۰۰ درخت برای پارامتر تعداد درختان (ntree) و برای مشخصه تعداد ویژگی انتخاب شده برای هر درخت (mtry) تعداد دو ویژگی در نظر گرفته شدند. مدل KNN با تعداد هفت همسایه و وزندهی نمونهها از طریق تابع هسته گاوسی پیادهسازی شد و فاصله بین نمونهها با معیار فاصله اقلیدسی محاسبه گردید. مدل SVM با استفاده از تابع پایه شعاعی اجرا شد و پارامترهای بهینهشده آن شامل gamma=0.01،epsilon= 0.1 و ضریب هزینه C=1 تعیین شدند. همچنین، مدل GPR با بهکارگیری تابع هسته گاوسی توسعه یافت. تمام مدلها بهترتیب با استفاده از بستههای randomForest، kknn، e1071 و kernlab در زبان برنامهنویسی Rپیادهسازی شدند. دادهها به دو بخش آموزشی (70 درصد) و اعتبارسنجی (30 درصد) 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 بودند که نشاندهنده تنوع بالای تراکم پوشش گیاهی است. همچنین، تحلیل اهمیت متغیرها نشان داد که تاجپوشش با بیشترین سهم (۳۵ درصد) و شاخص تنوع شانون با کمترین تأثیر (کمتر از ۵ درصد) در پیشبینی شاخص سطح برگ نقش داشتند. همبستگی شاخص سطح برگ با درصد تاجپوشش بسیار قوی (r = 0.92) و با قطر برابر سینه و ارتفاع درختان 0/70 بود. زی توده روی زمین نیز همبستگی متوسطی (r = 0.64) را با شاخص سطح برگ نشان داد. در میان الگوریتمهای یادگیری ماشین، جنگل تصادفی با بالاترین دقت در دادههای آموزشی و
R² = 0.96 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 حالیکه شاخص تنوع گونهای شانون-وینر ارتباط ضعیفی با سایر متغیرها داشت.
نتیجهگیری: این مطالعه نشان می دهد 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. از منظر مدیریت منابع طبیعی و حفاظت جنگلهای زاگرس، این پژوهش اهمیت بالایی دارد. مدل سازی دقیق شاخص سطح برگ و شناخت ارتباط آن با ویژگیهای ساختاری میتواند به پایش تغییرات اکوسیستمهای جنگلی، ارزیابی اثرات تغییرات اقلیمی و طراحی برنامههای مدیریت پایدار کمک کند. همچنین، این شاخص میتواند بهعنوان یک نماگر حساس در شناسایی تنشهای محیطی و آسیبهای ناشی از عوامل زیستی مورد استفاده قرار گیرد. یافتههای این پژوهش میتوانند بهعنوان پایهای علمی برای برنامهریزی مدیریت پایدار جنگلهای زاگرس، پایش تغییرات اقلیمی و ارزیابی تنشهای محیطی مورد استفاده قرار گیرند. 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 مبتنیبر شواهد است.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |