تهیه نقشه پراکنش شدت خشکیدگی جنگل‌های بلوط زاگرس با استفاده ازآمار مکانی و شبکه عصبی مصنوعی

اولین و اساسی‌ترین امر در مبارزه با خشکیدگی جنگل، اطلاع از چگونگی پراکنش مکانی و شدت خشکیدگی در جنگل است. با توجه به اهمیت موضوع در این مطالعه کارایی دو روش آمار مکانی و شبکه عصبی مصنوعی در تهیه نقشه شدت خشکیدگی جنگل در بخشی از جنگل‌های شهرستان ایلام مورد مطالعه قرار گرفت. برای نمونه‌برداری از روش تصادفی سیستماتیک استفاده شد. به این صورت که پس از پیاده کردن شبکه آماربرداری با ابعاد 200 × 250 متر و تعیین مرکز پلات‌ها با استفاده از gps، در 100 قطعه نمونه مستطیلی شکل به مساحت 1200 متر‌مربعی درصد خشکیدگی درختان اندازه‌گیری و ثبت شد. همچنین یک نمونه ترکیبی خاک از مرکز و چهار گوشه هر قطعه نمونه برداشت و پس از انتقال به آزمایشگاه خصوصیات فیزیکی و شیمیایی آن اندازه‌گیری شد. پس از بررسی نرمال بودن داده‌ها، نقشه خشکیدگی با استفاده از روش‌های مختلف زمین‌آمار و شبکه عصبی مصنوعی تهیه شد. نتایج نشان داد که بهترین روش برای تهیه نقشه شدت خشکیدگی جنگل، شبکه عصبی پرسپترون چند لایه (mlp) با صحت 85 درصدی است. همچنین نتایج نشان داد که خشکیدگی بلوط دارای همبستگی مثبت با شیب منطقه و وزن مخصوص ظاهری خاک و همبستگی منفی با رطوبت و ماده آلی خاک است.

Mapping Dieback Intensity Distribution in Zagros Oak Forests Using Geo-statistics and Artificial Neural Network

The first and most important issue in forest drought management is knowledge of the location and severity of forest decline. In this regard, we used geostatistics and artificial neural network methods to map the dieback intensity of oak forests in the Ilam province, Iran. We used a systematic random sampling with a 250 × 200 m grid to establish 100 plots, each covering 1200 m2. The percentage of the declined trees in each plot was measured and recorded. Also, a composite soil sample was extracted from the center and the four corners of each plot in order to determine their physical and chemical properties. After examining the normality of the data, the dieback intensity map was made using interpolation methods and the artificial neural network. The results showed that the best method for dieback intensity estimation was the artificial neural network with an accuracy of 85 %, by using the multilayer perceptron algorithm. Oak decline was found to be mainly related to the slope, soil moisture, soil organic content and soil bulk density.