Ecology of Iranian Forests

fa مدل ‎سازی شاخص سطح برگ بر اساس مشخصه‌های ساختاری و الگوریتم‎ های یادگیری ماشین در جنگل‎ های زاگرس شمالی، مطالعه موردی: مریوان، کردستان Modeling the Leaf Area Index Based on Structural Characteristics and Machine Learning Algorithms in Northern Zagros Forests: A Case Study of Marivan, Kurdistan تخصصي Special تخصصی <div style="text-align: justify;">چکیده مبسوط مقدمه و هدف: جنگل‌های زاگرس نقش حیاتی در تعدیل آب‌وهوا، حفظ تنوع&lrm;زیستی 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 به‌&lrm;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. شاخص سطح برگ به‌&lrm;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&lrm;بر 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 به‌&lrm;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&lrm; روش منظم&lrm; 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 آن&lrm;ها به‌صورت چشمی با استفاده از معیار وان درمارل برآورد شد. برای برآورد زی توده روی زمین از مدل رگرسیونی چند جمله&lrm;ای با متغیر مستقل قطر برابر سینه استفاده شد. در این پژوهش، به&lrm;منظور انتخاب مناسب‌ترین الگوریتم برای بررسی ارتباط بین شاخص سطح برگ و متغیرهای مرتبط با توده &lrm;جنگلی، چهار الگوریتم یادگیری ماشینی، شامل الگوریتم جنگل تصادفی (RF)، نزدیک&lrm;ترین همسایه (KNN)، ماشین&lrm;بردار 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 نزدیک&lrm;ترین 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&lrm;که شاخص تنوع گونه‌ای شانون-وینر ارتباط ضعیفی با سایر متغیرها داشت. نتیجه‌گیری: این مطالعه نشان می &lrm;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&lrm; 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 به&lrm;عنوان 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 مبتنی&lrm;بر شواهد است.  </div> <div style="text-align: justify;">Extended Abstract Background: The Zagros forests play a vital role in climate regulation, biodiversity conservation, and carbon sequestration. The Zagros forests, covering approximately five million hectares, as one of the most valuable forest ecosystems in Iran, play an important role in mitigating the impacts of global warming and in soil conservation. The Leaf Area Index (LAI), as one of the most crucial ecological indicators, reflects the productive capacity of forest ecosystems and is essential for modeling photosynthesis, carbon cycle, and evapotranspiration processes. Leaf Area Index (LAI), as one of the most critical ecological indicators, reflects the productive capacity of forest ecosystems, and is applied in modeling the processes of photosynthesis, carbon cycling, and evapotranspiration. Given the challenges of direct LAI measurement, employing non-destructive machine learning-based methods for LAI estimation becomes imperative. This study aimed to model LAI based on tree structural characteristics (including diameter at breast height [DBH], tree height, and canopy cover percentage) using machine learning algorithms in the northern Zagros forests (the Marivan region, Kurdistan Province). The research seeks to provide an accurate and cost-effective solution for monitoring ecosystem changes and sustainable forest management. Methods: The study was conducted in the northern Zagros forests (Marivan County) characterized by cold and semi-humid climate. Field data were collected from 80 systematically randomized square plots (20×20 m). In each plot, structural characteristics, including DBH, tree height, canopy cover percentage, and LAI, were measured using hemispherical photography and Gap Light Analyzer (GLA) software. In each sample plot, five microplots (1 m²) were established. The herbaceous cover survey was conducted during the growing season, when most plant species had reached full growth. In each microplot, herbaceous species were identified, and their percentage cover was visually estimated using the Van Der Marel criterion. Aboveground biomass (AGB) was estimated using a polynomial regression model with DBH as the independent variable. In this study, four machine learning algorithms namely Random Forest (RF), K-Nearest Neighbors (KNN), Support Vector Machine (SVM), and Gaussian Process Regression (GPR) were compared to select the most appropriate algorithm for investigating the relationship between Leaf Area Index (LAI) and forest stand-related variables. In the RF model, 500 trees were considered for the number of trees parameter (ntree), and two features were selected for the number of features considered at each split (mtry). The KNN model was implemented with seven neighbors and sample weighting using a Gaussian kernel function, and the distance between samples was calculated using the Euclidean distance metric. The SVM model was implemented using a radial basis function, with its optimized parameters set to gamma=0.01, epsilon=0.1, and cost coefficient C=1. Furthermore, the GPR model was developed using a Gaussian kernel function. All models were implemented in the R programming language using the random Forest, kknn, e1071, and kernlab packages, respectively. The dataset was divided into training (70%) and validation (30%) subsets, with model performance evaluated using the coefficient of determination (R²), root mean square error (RMSE), relative RMSE (rRMSE), and mean absolute error (MAE). Results: LAI values in the study area ranged from 0.151 to 4.623, indicating high vegetation density variability. LAI showed a very strong correlation with canopy cover percentage (r = 0.92), and moderate correlations with DBH (r = 0.70) and tree height (r = 0.78). Aboveground biomass demonstrated moderate correlation with LAI (r = 0.64). Among the machine learning algorithms, RF achieved the highest accuracy (R² = 0.96 in training, R² = 0.90 in validation) and was identified as the optimal model. GPR and KNN algorithms performed similarly (R² = 0.91), followed by SVM (R² = 0.88). The correlation matrix confirmed the strong influence of structural characteristics on LAI, while the Shannon-Wiener diversity index showed weak correlation with the other variables. Conclusion: This study demonstrates that the RF algorithm, with its capability to model complex nonlinear relationships, serves as an effective tool for indirect LAI estimation in Zagros forests. The strong correlation between LAI and both canopy cover and structural tree characteristics enables the use of these variables as physical proxies for leaf density. From the perspective of natural resource management and conservation of the Zagros forests, this research is of great importance. Accurate modeling of the Leaf Area Index and understanding its relationship with structural characteristics can contribute to monitoring changes in forest ecosystems, assessing the impacts of climate change, and designing sustainable management programs. Furthermore, this index can serve as a sensitive indicator for identifying environmental stresses and damages caused by biotic agents. The findings provide a scientific basis for the sustainable management planning of Zagros forests, climate change monitoring, and environmental stress assessment. Future studies should consider integrating remote sensing data with deep learning approaches to enhance model accuracy. This research represents a significant step toward conserving the valuable Zagros ecosystems and promoting evidence-based decision-making.  </div> پایش جنگل, جنگل تصادفی, زیتوده روی زمین, عکاسی نیم‎کروی Aboveground Biomass, Forest monitoring, Hemispherical Photography, Random Forest 16 28 http://ifej.sanru.ac.ir/browse.php?a_code=A-10-339-1&slc_lang=fa&sid=1 Saywan NikKhah سیوان نیکخواه seywan.nikkhah@gmail.com 100319475328460010839 100319475328460010839 No Faculty of Natural Resources, University of Guilan, Rasht, Iran دانشکده منابع طبیعی، دانشگاه گیلان، رشت، ایران Hassan Pourbabaei حسن پوربابایی hpourbabaei@guilan.ac.ir 100319475328460010840 100319475328460010840 Yes Faculty of Natural Resources, University of Guilan, Rasht, Iran دانشکده منابع طبیعی، دانشگاه گیلان، رشت، ایران Seyed Mohsen Hosseini سیدمحسن حسینی hosseini@modares.ac.ir 100319475328460010841 100319475328460010841 No Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران