کارایی روش رگرسیون‌کریجینگ در تهیۀ نقشۀ توان تولید رویشگاه راش در جنگل پژوهشی دانشگاه تربیت مدرس

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد جنگلداری، دانشکدۀ منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور

2 استادیار گروه جنگلداری، دانشکدۀ منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور

3 استاد گروه جنگلداری، دانشکدۀ منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور

چکیده

تهیۀ نقشۀ توان تولید جنگل که توانایی رویشگاه را در ایفای نقش‌هایی همانند تولید چوب و ترسیب کربن نشان می‌دهد، امری اجتناب‌ناپذیر در مدیریت و بهره‌برداری پایدار اکوسیستم جنگلی است. وسعت فراوان جنگل‌های شمال کشور و کوهستانی بودن آنها، سبب شده است که یافتن روش مناسب برای تهیۀ نقشۀ ویژگی‌های کمّی جنگل ضروری باشد. از طرفی اهمیت تجاری و زیست‌محیطی جنگل‌های خزری و به‌خصوص گونۀ راش که از اقتصادی‌ترین و فراوان‌ترین گونه‌های پهن‌برگ در این جنگل‌هاست، سبب می‌شود که همواره تهیۀ اطلاعات کمی و کیفی دقیق از آنها و بررسی تغییرات مربوط بهآنها ضروری باشد. تحقیق حاضر در زمینۀ ارزیابی کارایی روش رگرسیون‌کریجینگ در تهیۀ نقشۀ توان تولید رویشگاه راش در جنگل آمیخته و ناهمسال راش دانشگاه تربیت مدرس انجام گرفت. به‌منظور جمع‌آوری اطلاعات لازم، 12۳ قطعه نمونۀ دایره‌ای به مساحت 1000 متر مربع در توده‌هایی که گونۀ راش وضعیت چیره یا چیره‌نما داشت، به روش آماربرداری منظم تصادفی در شبکه‌ای به ابعاد 100 × 100 متر پیاده شد. پس از محاسبۀ شاخص توان تولید رویشگاه راش در محل هر یک از قطعات نمونه و استخراج متغیرهای اولیه و ثانویه، کارایی دو رویکرد مدلسازی رگرسیون خطی چندگانه و جنگل تصادفی به‌عنوان مدل‌های مبنا در روش رگرسیون کریجینگ در تهیۀ نقشۀ توان تولید رویشگاه راش ارزیابی شد. نتایج اعتبارسنجی متقابل با توجه بهمقدار میانگین خطای نسبی و مقدار مجذور میانگین مربعات خطای نسبی نشان داد که الگوریتم جنگل تصادفی عملکرد بسیار بهتری از روش رگرسیون‌کریجینگ با مدل مبنای رگرسیون خطی و روش کریجینگ داشت، به‌طوری که مجذور میانگین مربعات خطا را در حدود 70 درصد کاهش داد. از این‌رو روش رگرسیون‌کریجینگ با مدل مبنای جنگل تصادفی توانست با دقت بیشتری نقشۀ توان تولید رویشگاه راش را تهیه کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Investigation on the potential of regression kriging for mapping oriental beech forest site productivity in research forest of Tarbiat Modares University

نویسندگان [English]

  • Zahra Ahadi 1
  • S.J. Alavi 2
  • Seyed Mohsen Hosseini 3
1 M.Sc. Student, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, I. R. Iran
2 Assistant Prof., Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, I. R. Iran
3 Professor, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, I. R. Iran
چکیده [English]

Forest resources mapping is a prerequisite for sustainable forest management. Site productivity is a key indicator of forest ecosystem services like wood production, carbon sequestration, etc. Due to the extent of Hyrcanian forests and mountainous areas in these forests that are sometimes difficult to access, it seems necessary to find suitable methods for mapping the quantitative parameters in these forests. In this study, site form index which is the most reliable criterion for evaluating site productivity of mixed and uneven stands was used. This study aims at mapping beech forest site productivity by using regression kriging in research forest of Tarbiat Modares University. For this purpose, 123 0.1 ha circular sample plots were laid out in beech dominated stands. The height and diameter of beech trees with DBH ≥ 7.5 cm within each plot was recorded. Some primary and secondary variables were also extracted from DEM in sample plots to be used in regression kriging. We investigated the differences between two predictive approaches: random forests and linear regression as the base model for regression kriging technique. Results of 10-fold cross-validation demonstrate that by using criteria such as mean error, mean absolute error, root mean square error, relative mean error, relative root mean square error, the random forests algorithm outperforms the linear regression and kriging techniques, with average decreases of ca. 70% in Root Mean Squared Error (RMSE). Hence, the regression kriging technique with random forest as the base model is recommended in order to better understand the more complex environment-beech forest site productivity relationships.

کلیدواژه‌ها [English]

  • Geostatistics
  • Interpolation
  • Kriging
  • Machine Learning
  • Random forest
  • Regression