TY - JOUR T1 - Modeling of Iranian oak Regeneration in Zagros Forests using Artificial Neural Network Algorithm TT - مدل‌سازی زادآوری گونه بلوط ایرانی در جنگل‌های زاگرس با استفاده از الگوریتم شبکه عصبی مصنوعی JF - ifej JO - ifej VL - 9 IS - 18 UR - http://ifej.sanru.ac.ir/article-1-409-fa.html Y1 - 2021 SP - 94 EP - 106 KW - Ilam KW - Multilayer perceptron neural network KW - Regeneration KW - Secondary topography KW - Sensitivity analysis N2 - 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. M3 10.52547/ifej.9.18.94 ER -