بررسی شایستگی مدل رگرسیون حداقل مربعات در مدلسازی ارتفاع گونۀ راش نسبت به متغیرهای محیطی در جنگل آموزشی و پژوهشی دانشگاه تربیت مدرس

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه تربیت مدرس

2 گروه جنگلداری، دانشکده منابع طبیعی دانشگاه تربیت مدرس

3 گروه تحلیل سیستم های محیطی و بیومتری، دانشگاه فرایبورگ، آلمان

چکیده

در پژوهش حاضر، به‌منظور مدلسازی ارتفاع گونۀ راش به‌عنوان یک مؤلفۀ مهم توان تولید رویشگاه نسبت به متغیرهای محیطی در جنگل آموزشی و پژوهشی دانشگاه تربیت مدرس از مدل رگرسیون حداقل مربعات استفاده شد. به این منظور به‌روش منظم – تصادفی 123 قطعة نمونه دایره‌ای 1/0 هکتاری در منطقه مستقر گردید و در هر یک از قطعات نمونه، ارتفاع کل و قطر برابرسینه تمام درختان راش با قطر بیشتر از 5/7 سانتی‌‌متر اندازه‌گیری شد. در مرکز قطعات نمونه، از عمق 0تا10 سانتی‌متر نمونه‌های خاک برداشته شده و مجموعه‌ای از خصوصیات فیزیکی و شیمیایی خاک در محل استقرار قطعات نمونه اندازه‌گیری شد. همچنین ارتفاع از سطح دریا، درصد شیب و آزیموت قطعات نمونه نیز ثبت شد. نتایج پژوهش حاضر نشان داد هرچند مدل رگرسیون خطی برحسب ضریب تبیین، کارایی به نسبت خوبی در مدلسازی ارتفاع گونۀ راش دارد، به‌کارگیری شاخص موران I نشان می‌دهد که مسئلۀ خودهمبستگی مکانی در مدل رگرسیون وجود دارد. به‌کارگیری مدل‌های خودرگرسیونی با وقفۀ مکانی و خطای مکانی به‌عنوان رویکردهای جایگزین برای حذف پدیدۀ خودهمبستگی نشان داد که این مدل‌ها ازنظر معیارهای ضریب تبیین، معیار اطلاعاتی آکائیک و لگاریتم درست‌نمایی کارایی بهتری نسبت به مدل رگرسیون خطی دارند. مقایسة دو مدل خودرگرسیونی توأمان با وقفۀ مکانی و خطای مکانی با استفاده از آماره‌های فوق نیز نشان می‌دهد که مدل خود رگرسیونی با خطای مکانی بهتر از مدل با وقفه مکانی است. پژوهش حاضر بر اهمیت بررسی و کنترل خودهمبستگی مکانی در مطالعات بوم‌شناسی جنگل تأکید می‌ورزد و دستورالعملی را برای مدلسازی عملکرد گونۀ راش نسبت به متغیرهای محیطی فراهم می‌کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Investigation on the adequacy of ordinary least square regression in modeling the oriental beech tree height in relation to environmental predictors in experimental and educational forest of Tarbiat Modares University

نویسنده [English]

  • Carsten Dormann 3
چکیده [English]

In the current research, the performance of ordinary least square regression model was studied for the task of predicting a key forest structural parameter – tree height – across a study area in Tarbiat Modares University forest research station using a series of edaphic and topographic variables. For this purpose, 123 0.1 ha circular sample plots were established and total height and diameter of Fagus orientalis Lipsky trees with DBH ≥ 7.5 cm within each plot was recorded along with elevation, azimuth and slope of the ground. Also, at the center and four geographical aspects of sample plot, soil samples from first layer (0-10 cm) were taken and mixed for analyzing several soil variables. The results showed the OLS model performed moderately well based on R-squared, but exhibited clear signs of spatial autocorrelation (Moran’s I =0.168). Adding spatial weighted matrix in spatial simultaneous autoregressive models resulted in removing autocorrelation and statistically significant improvement in model fit. Comparison of spatial lag and error SAR models using AIC, log-likelihood and R squared indicated that error SAR model performs better than lag SAR model. These analyses underscore the importance of controlling for spatial autocorrelation in forest ecology studies and furnish guidelines for future modeling of species performance in relation to environmental predictors.

کلیدواژه‌ها [English]

  • Moran’s I statistic
  • Neighborhoods’ structure
  • Spatial error model
  • Spatial lag model
  • Spatial Autocorrelation