مقایسه مدل‌های جنگل تصادفی، ماشین بردار تصمیم‌گیری و رگرسیون خطی چند‌متغیره در ارزیابی تنوع زیستی جنگل‌های هیرکانی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 بخش تحقیقات جنگل، مؤسسه تحقیقات جنگلها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

2 گروه محیط زیست، دانشکده منابع طبیعی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

3 گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه کشاورزی و منابع طبیعی ساری

چکیده

تنوع زیستی از ویژگی‌های ساختاری مهم در اکوسیستم‌های جنگلی پویا و پیچیده است. یکی از چالش برانگیزترین و مهمترین موضوعات در ارزیابی ساختار اکوسیستم جنگل، درک رابطه بین تنوع زیستی و عوامل محیطی است. جنگل های هیرکانی دارای تنوع زیستی قابل توجهی در سطح جهانی بوده و از ویژگی‌های خاص و منحصر به فرد برخوردار هستند که باعث تاکید و حساسیت بر حافظت از تنوع زیستی در این جنگلها شده است. هدف از این مطالعه بررسی تأثیر عوامل زنده و غیر زنده بر تنوع و غنای گونه‌ای درختی در جنگل‌های هیرکانی از غرب استان گیلان تا شرق استان گلستان می‌باشد. برای این منظور و جهت رسیدن به این هدف با استفاده از 655 قطعه نمونه ثابت (1/0 هکتاری) تنوع درختان را در سه استان شمالی کشور از شرق تا غرب دریای خزر مورد تجزیه و تحلیل قرار گرفت. ترکیبی از روشهای ناپارامتریک شامل، جنگل تصادفی (RF) و ماشین بردار تصمیم گیری (SVM) و مدلهای رگرسیون خطی برای مدل سازی و بررسی رابطه بین تنوع درخت و عوامل زنده و غیر زنده مورد استفاده قرار گرفت. متغیرهای زنده و غیر زنده به ترتیب شامل تعداد درختان در هکتار، قطر برابر سینه، سطح مقطع برابر سینه قطورترین درختان (BAL) ، شیب، جهت و ارتفاع از سطح دریا بود. آماره‌های ارزیابی شامل ضریب تعیین، خطایRMSE نشان داد مدل جنگل تصادفی در بین مدلهای ارایه شده، بهترین مدل برای تعیین رابطه تنوع زیستی و عوامل محیطی بود و از دقت مناسبی برای تعیین تغییرات تنوع زیستی در سطح جنگلهای شمال کشور برخوردار است.

کلیدواژه‌ها

مراجع

  1. Abedi, T., Hoseini, S.A., & Naghdi, R. (2020). Study of relationship between soil mechanical characteristic and landslide in forest road route (Case Study: Chafroud Watershed Guilan Prov.). Journal of Watershed Management, 1, 17-29 (In Persian).
  2. 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(5-6), 851–864.
  3. Bayat, M., Noi, P.T., Zare, R., & Bui, D.T. (2019). A semi-empirical approach based on genetic programming for the study of biophysical controls on diameter-growth of Fagus orientalis in northern Iran. Remote Sensing, 11(14), 1-19.
  4. Bayat, M., Bettinger, P., Heidari, S., Henareh Khalyani, A., Jourgholami, M., & Hamidi, S.K. (2020). Estimation of tree heights in an uneven-aged, mixed forest in northern Iran using artificial intelligence and empirical models. Forests, 11(3), 1-18.
  5. Bayat, M., Bettinger, P., Heidari, S., Hassani,M, 2021a, Ten-year estimation of Fagus orientalis Lipsky increment in natural forests: A Comparison of artificial neural networks model, multiple linear regression and actual increment. 2021 Forestry: An International Journal of Forest Research 94(4), pp. 598-609
  6. Bayat, M., Burkhart, H., Namiranian, M., Hamidi, S.K., Heidari, S. and Hassani, M., 2021b. Assessing Biotic and Abiotic Effects on Biodiversity Index Using Machine Learning. Forests 2021, 12, 461.
  7. Bourque, C.P.A., & Bayat, M. (2015). Landscape variation in tree species richness in northern Iran forests. PLoS ONE, 10(4), 1-17.
  8. Bourque, C.P.A., Bayat, M., & Zhang, C. (2019). An assessment of height–diameter growth variation in an unmanaged Fagus orientalis‑dominated forest. European Journal of Forest Research, 138(4), 607–621.
  9. Burkhart, H.E., & Tomé, M. (2012). Modeling forest trees and stands. Springer Science & Business Media, 9, 1-18.
  10. Chen, J., Yang, H., Man, R., Wang, W., Sharma, M., Peng, C., Parton, J., Zhu, H. & Deng, Z., (2020). Using machine learning to synthesize spatiotemporal data for modelling DBH-height and DBH-height-age relationships in boreal forests. Forest Ecology and Management, 466, 1-15.
  11. Chu C., Lutz J.A., Král K., Vrška T., Yin X., Myers J.A., et al.. (2019). Direct and indirect effects ofclimate on richness drive the latitudinal diversity gradient in forest trees.Ecology Letter, 22 (2), 245 - 255.
  12. Cui, W., & Zheng, X.-X. (2016). Spatial heterogeneity in tree diversity and forest structure of evergreen broadleaf forests in southern China along an altitudinal gradient. Forests, 7, 216.
  13. Eshaghi, M., & Shataee joybari, S. (2016). Preparation map of Forest Fire Risk Using SVM, RF & MLP Algorithms (Case Study: Golestan National Park, Northeastern Iran), Journal of Wood and Forest Science and Technology, 23(4), 1333-154. )In Persian).
  14. Jafarian, Z., & Kargar, M. (2017). Comparison of Random Forest (RF) and Boosting Regression Tree (BRT) For Prediction of Dominant Plant Species Presence in Polour Rangelands, Mazandaran Province. J. Appl. Ecol, 6 (1), 41-55 (In Persin).
  15. Júnior, I.D.S.T., Torres, C.M.M.E., Leite, H.G., de Castro, N.L.M., Soares, C.P.B., Castro, R.V.O. & Farias, A.A. (2020). Machine learning: Modeling increment in diameter of individual trees on Atlantic forest fragments. Ecological Indicators, 117, 25-35
  16. Hamidi, S.K., de Luis, M., Bourque, C.PA. Bayat, M et al. Projected biodiversity in the Hyrcanian Mountain Forest of Iran: an investigation based on two climate scenarios. Biodivers Conserv (2022). https://doi.org/10.1007/s10531-022-02470-
  17. Kebede, M., Yirdaw, E., Luukkanen, O., & Lemenih, M. (2013). Plant community analysis and effect of environmental factors on the diversity of woody species in the moist Afromontane forest of Wondo Genet, South Central Ethiopia. Biodiversity.Res Conser, 29,
  18. Lee Sunmin Kim, J. C., Jung, H. S., Lee, M. J., & Lee, S. (2017). Spatial prediction of flood susceptibility using random-forest and boosted-tree models in Seoul metropolitan city, Korea. Geomat. Nat. Risk, 8, 1185–1203.
  19. Liu, Z., Peng, C., Work, T., Candau, J.N., DesRochers, A., & Kneeshaw, D. (2018). Application of machine-learning methods in forest ecology: recent progress and future challenges. Environmental Reviews, 26(4), 339-350.
  20. Monarrez-Gonzalez, J.C., Gonzalez-Elizondo, M.S., Marquez-Linares, M.A., Gutierrez-Yurrita, P.J. & Perez-Verdin, G., (2020). Effect of forest management on tree diversity in temperate ecosystem forests in northern Mexico. Plos one, 15(5), 38-50.
  21. Mountrakis, G., Im, J., & Ogole, C. (2011), Support Vector Machines in Remote Sensing:   A Review, ISPRS. Journal of Photogrammetry and   Remote Sensing, 66, 247-259.
  22. Oyebade, B.A., Eguakun, F.S., & Duru, B.N. (2020). Tree basal area models and density for selected plantation species in swamp forest zone of Rivers State, Nigeria. World News of Natural Sciences, 30(3), 281-296.
  23. Roslin T., Hardwick B., Novotny V., Petry W.K., Andrew N.R., et al.. (2017). Higher predation risk for insect prey at low latitudes and elevations. Science, 356(6339), 742 -744.
  24. Sharma, M., & Parton, J. (2007). Height–diameter equations for boreal tree species in Ontario using a mixed-effects modeling approach. Forest Ecology and Management,249(3),187-198.
  25. Shen, W., Wang, J., Ali, A. & Li, M. (2020). Machine learning and geostatistical approaches for estimating aboveground biomass in Chinese subtropical forests.
  26. Šímová, I., Storch, D., Keil, P., Boyle, B., Phillips, O.L., & Enquist, B.J. (2011). Global species–energy 652 relationship in forest plots: role of abundance, temperature and species climatic 653 tolerances. Ecol. Biogeogr, 20, 842–856.
  27. Tiwari, O.P., Sharma, C.M., & Rana, Y.S. (2020). Influence of elevation and slope-aspect on diversity, regeneration and structure of some moist temperate forests of Garhwal Himalaya. Tropical Ecology, 61(2).278-289.
  28. Vafaei, S., Soosani, J., Adeli, K., Fadaei, H., Naghavi, H., Pham, T., & Bui, D. (2018). Improving Accuracy Estimation of Forest Aboveground Biomass Based on Incorporation of ALOS-2 PALSAR-2 and Sentinel-2A Imagery and Machine Learning: A Case Study of the Hyrcanian Forest Area (Iran). Remote Sens, 10 (172), 1-21.
  29. Westreich, D., Lessler, J., Funk, M.J. (2010). Propensity score estimation: neural networks, support vector machines, decision trees (CART), and meta-classifiers as alternatives to logistic regression. Clin. Epidemiol, 63, 826–833. https://doi.org/10.1016/j jclinepi.2009.11.020.
  30. Woldu, G., Solomon, N., Hishe, H., Gebrewahid, H., Gebremedhin, M.A., & Birhane, E. (2020). Topographic variables to determine the diversity of woody species in the exclosure of Northern Ethiopia. Heliyon, 6 (1), p.e03121.
  31. Wood, S. (2008). Fast stable direct fitting and smoothness selection for generalized additive models. Journal of Royal Statistical Society,https://doi.org/10.1111/j.1467-9868.2007.00646.x
  32. Yadegarnejad, S.A., Sagheb-Talebi, Kh., Heidari, H., Moayeri, M.H., & Mortazavi. S.M. (2017). Evaluation of application of the 15d method in Loveh Forest, Golestan Province. Iranian Journal of Forest and Poplar Research, 25 (1): 160-171 (In Persian).
  33. Yao, L., Ding, Y., Xu, H., Deng, F., Yao, L., Ai, X., & Zang, R. (2020). Patterns of diversity change for forest vegetation across different climatic regions-A compound habitat gradient analysis approach. Global Ecology and Conservation, p.e01106.
  34. Zarandian, A., Baral, H., Yavari, A.R., Jafari, H.R., Stork, N.E., Ling, M.A., & Amirnejad, H. (2016). Anthropogenic decline of ecosystem services threatens the integrity of the unique Hyrcanian (Caspian) forests in Northern Iran. Forests, 7 (3), p.51.
  35. Zhang J., Li M., & Nie E. (2014). Pattern of functional diversity along an altitudinal gradient in the Baihua Mountain Reserve of Beijing, China. Brazilian Journal of Botany, 1, 37-45.
محیط شناسی
دوره 48، شماره 4
بهمن 1401
صفحه 513-530

فایل ها

هم رسانی

ارجاع به این مقاله

آمار