پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,764 |
| تعداد مشاهده مقاله | 115,162,931 |
| تعداد دریافت فایل اصل مقاله | 89,918,070 |
تحلیل میزان اثرگذاری عوامل زیست محیطی بر رویش قطری راش (Fagus orientalis lipsky) با استفاده از شبکه‌های عصبی مصنوعی در جنگلهای استان مازندران | ||
| نشریه محیط زیست طبیعی | ||
| مقاله 5، دوره 70، شماره 4، دی 1396، صفحه 783-797 اصل مقاله (1012.81 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jne.2017.240584.1424 | ||
| نویسندگان | ||
| محمود بیات* 1؛ فاطمه گرزین2؛ مجید حسنی3 | ||
| 1استادیار پژوهشی، مؤسسة تحقیقات جنگلها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| 2دانش آموختة کارشناسی ارشد، گروه جنگلداری، دانشکدة منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 3کارشناس ارشد، مؤسسة تحقیقات جنگلها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| چکیده | ||
| رویش قطری و حجمی تودههای جنگلی اساس تعیین میزان برش سالانه در برنامهریزی و مدیریت بهرهبرداری چوب از جنگل بوده و تعیین آن و عوامل مؤثر بر روی آن یکی از مهمترین چالشها در جنگل است. در این پژوهش با استفاده از تکنیک شبکۀ عصبی مصنوعی، تأثیر متغیرهای محیطزیستی بر رویش قطری راش در قطعات نمونۀ ثابت در جنگلهای شمال ایران، برای یک دورۀ نه ساله (1391-1382)، مدلسازی و تخمین زده شد. با استفاده از یک شبکۀ آماربرداری 150×200 تعداد 258 قطعه نمونۀ دائم 10 آری دایره شکل و در مجموع 1895 نمونه برداشت شد. میانگین متغیرهای رویش قطری، سطح مقطع توده، مجموع سطح مقطع بزرگتر از درخت هدف و تعداد در هکتار در داخل قطعۀ نمونه اندازهگیری شد که به ترتیب برابر 9/30، 8/36، 4/29 و 421 به دست آمد. متغیرهای محیطی از قبیل مقدار انرژی تابشی نور خورشید در فصل رویش، شاخص رطوبت توپوگرافی، ارتفاع بالای نزدیکترین نقطۀ زهکشی شده، سرعت باد و متغیرهای زیستی مثل متوسط قطر برابر سینه و سطح مقطع برابر سینه به عنوان متغیرهای ورودی بوده و رویش قطری به عنوان متغیر خروجی شبکۀ عصبی استفاده شد. شبکۀ پرسپترون چند لایه با الگوریتم پسانتشار خطا به همراه توابع سیگموییدی مورد استفاده قرار گرفت. با توجه به نتایج به ترتیب، شاخص تغییرات قطر برابر سینه (32 درصد)، ترکیب عوامل توپوگرافی و شاخص رطوبت خاک (5/19 درصد) و سطح مقطع برابر سینه (9/16 درصد) تغییرات رویش قطری راش را در سطح قطعۀ نمونه تعریف میکنند. باد و انرژی تابشی خورشید در فصل رویش نیز مجموعاً 20 درصد تغییرات رویش قطری راش در سطح قطعات نمونه را تعریف میکنند. شبکۀ عصبی، دقت لازم را برای مدلسازی رویش قطری با استفاده از عوامل زیست محیطی مؤثر بر آن ارائه داد. همچنین درصد اثرگذاری عوامل محیطی و زیستی حدوداً یکسان بود که میتوان نتیجه گرفت عوامل زیستی و محیطی به صورت تقریباً مساوی رویش قطری راش را کنترل میکنند. | ||
| کلیدواژه‌ها | ||
| پرسپترون چندلایه؛ رویش جنگل؛ قطعه نمونۀ ثابت؛ متغیرهای زیست‌محیطی؛ مدیریت منابع طبیعی | ||
| عنوان مقاله [English] | ||
| Analyzing the effect of abiotic and biotic factors on diameter increment of Fagus orientalisl ipsky by artificial neural network in the forests of Mazandaran province | ||
| نویسندگان [English] | ||
| Mahmoud Bayat1؛ fatemeh gorzin2؛ majid hasani3 | ||
| 2M.Sc. Graduate, Dept. of Forestry and Forest Economics, Faculty of Natural Resources, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran. | ||
| 3M.Sc. Graduate, Research Institute of Forests and Rangelands, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran. | ||
| چکیده [English] | ||
| The diameter and volume growth of forest stands are the basis for determining the annual rate or cut in the planning and management of wood utilization so, forest increment and factors affecting it are one of the most important challenges in the forest. In this study, the impact of biotic and abiotic factors on diameter increment of oriental beech (Fagus orientalis lipsky) in fixed plot-level over a period of 9 years (2003-2012) was modeled by artificial neural network techniques in north forest of Iran. 258 permanent samples were taken by a 150 × 200 inventory grid. Mean of variables such as diameter increment, basal area of stand, basal area of larger trees and number of tree per hectare were measured inside each sample segment which are equal to respectively: 30.9, 36.8, 29.4 and 421. Abiotic factors such as growing-season-cumulated potential solar radiation, seasonal air temperature, topographic wetness index and wind velocity and biotic factors such as diameter at breast height, basal area of larger trees were used as input variables and diameter increment of beech as output variable were used. Multi layer Perceptron network with back propagation algorithm and sigmoid functions were used. The results showed that the changes index of diameter at breast height (32%), Wind and solar energy in the growing season (a total of 20%) the combination of topography and soil wetness index (19.5%) and basal area (16.9 %) explain diameter increment changes in sample plot level. Also, neural networks provided acceptable accuracy for diameter increment modeling using the biotic and abiotic variable affecting on it. Also, the percentage of biotic and abiotic factors was approximately the same, which it can be concluded biotic and abiotic factors control increment of beech the same. | ||
| کلیدواژه‌ها [English] | ||
| "Abiotic and biotic variables", "Artificial intelligence", "Fixed sample plot", "Forest increment", "Natural resources management" | ||
| مراجع | ||
|
Bang, C., Sabo, J.L., Faeth, S.H., 2010. Reduced wind speed improves plant growth in a desert city. PLoS One 5, 1-8. Bassow, S.L., Bazzaz, F.A., 1998. How environmental conditions affect canopy leaf-level photosynthesis in four deciduous tree species. Ecology 79, 2660-2675. Bayat, M., Pukkala, T., Namiranian, M., Zobeiri, M., 2013. Productivity and optimal management of the uneven-aged hardwood forests of Hyrcania. European journal of Forest Research 132, 851-864. Bayat, M., Namiranian, M., Omid, M., Rashidi, A., Babayi, S., 2016. Applicability of artificial neural network for estimating the forest growing stock. Iranian Journal of Forest and Poplar Research 24, 214-226 (In Persian). Blackard, J.A., Dean, D.J., 1999. Comparative accuracies of artificial neural networks and discriminate analysis in predicting forest cover types from cartographic variables. Computers and Electronics in Agriculture 24, 231-251. Bourque, Ch., Bayat, M., 2015. Landscape Variation in Tree Species Richness in Northern Iran Forests. PLOS ONE 10, 1-17. Bourque, CP-A., Matin, M.A., 2012. Seasonal snow cover in the Qilian Mountains of Northwest China: Its dependence on oasis seasonal evolution and lowland production of water vapor. Hydrology 455, 141-151. Campbell, G.S., Norman, J.M., 1998. An introduction to environmental biophysics. Springer Verlag, New York, 306 pp. Coulson, R.N., Folse, J.L., Loh, D.K., 1987. Artificial intelligence and natural resource management. Science 237, 262-267. Detto, M., Muller-Landau, H.C., Mascaro, J., Asner, G.P., 2013. Hydrological networks and associated topographic variation as templates for the spatial organization of tropical forest vegetation. PLoS ONE 8, 1-13. Diamantopoulou, M.J., 2005. Artificial neural networks as an alternative tool in pine bark volume estimation. Computers and Electronics in Agriculture 48, 235-244. Diamantopoulou, M.J., Ozcelik, R., Crecente-Campo, F., Eler, U., 2015. Estimation of Weibull function parameters for modelling tree diameter distribution using least squares and artificial neural networks methods. Biosystems Engineering 133, 33-45. Factuly of forestry., 1998. Forestry plan of Gorazbon in Educational and Research Forest of Kheyroud. 460p (In Persian). Fan, C., Tan, L., Zhang, P., Liang, J., Zhang, C., Wang, J., Zhao, X., Gadow, k., 2017. Determinants of mortality in a mixed broad-leaved Korean pine forest in northeastern China. European Journal Forest Research 136.457-469. Ghanbari, F., Shataee, Sh., Dehghani, A.A., Ayoubi, Sh., 2009. Tree density estimation of forests by terrain analysis and artificial neural network. Journal of Wood and Forest Science and Technology 16, 25-42 (In Persian). Gimblett, R.H., Ball, G.L., 1995. Neural network architectures for monitoring and simulating changes in forest resources management. AI Applications 9, 103-123. Gorzin, F., Namiranian, M., Omid, M., Bayat, M., 2017. Prediction commercial volume and cordwood volume of broadleaves by using Artificial Neural Networks (Case Study: kheyroud Forest Iranian Journal of Forest and Poplar Research 25, 517-527 (In Persian). Hasenauer, H., Merkl, D., Weingartner, M., 2001. Estimating tree mortality of Norway spruce stands with neural networks. Advances in Environmental Research 5, 405-414. Jensen, J.R., Qiu, F., Ji, M., 1999. Predictive modelling of coniferous forest age using statistical and artificial neural network approaches applied to remote sensor data. International Journal of Remote Sensing 20, 2805-2822. Marvi-Mohajer, M., 2013. Silviculture. University of Tehran press, 388p (In Persian). Murphy, P.N.C., Ogilvie, J., Meng, F-R., White, B., Bhatti, J.S., 2011. Modelling and mapping topographic variations in forest soils at high resolution. Ecological Modelling 222, 2314-2332. Pequeno Reis, L., Lopes de Souza, A., Mazzei. L., Carolline Marques dos Reis, P., Garcia Leite, H., Pedro Boechat Soares, C., 2016. Prognosis on the diameter of individual trees on the eastern region of the amazon using artificial neural networks. Forest Ecology and Management 382,161–167. Pausas, J.G., Austin, M.P., 2001. Patterns of plant species richness in relation to different environments: an appraisa. Vegetation Science 12, 153-166. Rahimifar, A., Sheykh, V., Bahremand, A., 2011. Introduction and Preparation of Topographic Wetness Index map. Fifth National Conference on Watershed and Water Resources Management of the country, Kerman, Iran Irrigation and Water Engineering. 12p (In Persian). Samarasinghe, S., 2006. Neural networks for applied sciences and engineering. Auerbach Publications, USA, 570 p. Schietti, J., Emilio, T., Rennó, C.D., Drucker, D.P., Costa, F.R.C., 2014. Vertical distance from drainage drives floristic composition changes in an Amazonian rainforest. Plant Ecology and Diversity 7, 241-253. Soltani, S., Sardari, S., Sheykhpour, M. and Mousavi, S., 2010. Understanding the Principles and Applications of Artificial Neural Networks. Scientific and Cultural Organization of Nas, Tehran, 216p (In Persian). Sprugel, D.G., Bormann, F.H., 1982. Natural disturbance and the steady state in high-altitude balsam fir forests, Science 211, 390-393. Tabari, M., Fayaz, P., Espahbodi, K., Staelens, J., Nachtergale, L., 2005. Response of oriental beech (Fagus orientalis Lipsky) seedlings to canopy gap size. Forestry, 78, 443-450. Tabari, M., Espahbodi, K., Poormadjidian, M.R., 2007. Composition and structure of a Fagus orientalis-dominated forest managed with shelterwood aim: a case study in the Caspian forests, northern Iran. Caspian Journal of Environmental Sciences 5, 35-40. Zhang, X., Duan, A., Dong, L., Cao, Q.V., Zhang, J., 2014. The application of Bayesian model averaging in compatibility of stand basal area for even-aged plantations in southern China. Forest Science 60, 645e651. | ||
|
آمار تعداد مشاهده مقاله: 431 تعداد دریافت فایل اصل مقاله: 323 |
||