Ecology of Iranian Forests

fa مدل‌سازی شاخص سطح برگ براساس مشخصه‌های ساختاری و الگوریتم‌های یادگیری ماشین در جنگلهای زاگرس شمالی، مطالعه موردی: مریوان، کردستان Modeling 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;">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.  </div> <div style="text-align: justify;">Introduction and Objectives: The Zagros forests play a vital role in climate regulation, biodiversity conservation, and carbon sequestration. 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. 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 (Marivan region, Kurdistan Province). The research seeks to provide an accurate and cost-effective solution for monitoring ecosystem changes and sustainable forest management. Materials and 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. Aboveground biomass (AGB) was estimated using a power regression model with DBH as the independent variable. Four machine learning algorithms—Random Forest (RF), K-Nearest Neighbors (KNN), Support Vector Machine (SVM), and Gaussian Process Regression (GPR)—were compared for LAI modeling. The dataset was divided into training (70%) and validation (30%) subsets, with model performance evaluated using determination coefficient (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 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, Random Forest 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 Shannon-Wiener diversity index showed weak correlation with other variables. Conclusion: This study demonstrated that the Random Forest 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. The findings provide a scientific basis for 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> جنگل تصادفی, زیتوده روی زمین, پایش جنگل, عکاسی نیم کروی. Random Forest, Aboveground Biomass, forest monitoring, Hemispherical Photography. 0 0 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 100319475328460010685 100319475328460010685 No guilan university دانشگاه گیلان hassan pourbabaei حسن پوربابایی hpourbabaei@guilan.ac.ir 100319475328460010686 100319475328460010686 Yes guilan university دانشگاه گیلان seyed mohsen hosseini سیدمحسن حسینی hosseini@modares.ac.ir 100319475328460010687 100319475328460010687 No tarbiat modares university دانشگاه تربیت مدرس