مدل‌سازی زادآوری گونه بلوط ایرانی در جنگل‌های زاگرس با استفاده از الگوریتم شبکه عصبی مصنوعی

مقدمه و هدف: امروزه استفاده از روش های مدل‌سازی به منظور پیش بینی و مدل‌سازی زادآوری برای گونه های مختلف در طرح های حفاظتی و مدیریتی جنگل در حال افزایش است. با مدل‌سازی زادآوری جنگل می‌توان به یک پیش‌آگهی از وضعیت و تراکم جنگل در آینده رسید و براساس آن سناریوهای مختلف مدیریتی را اتخاذ نمود. مواد و روش‌ها: در این مطالعه با استفاده از شبکه عصبی مصنوعی (ann) و خصوصیات توپوگرافی اولیه، توپوگرافی ثانویه، خصوصیات فیزیکی خاک، خصوصیات شیمیایی خاک و مشخصات ساختاری جنگل به عنوان متغیرهای مستقل به برآورد میزان زادآوری گونه بلوط در بخشی از جنگل‌های بلوط منطقه حفاظت شده مانشت و قلارنگ در استان ایلام پرداخته شد. برای این منظور توابع و مدل‌های مختلف در قالب شبکه عصبی مصنوعی مورد ارزیابی قرار گرفتند. پس از نمونه‌برداری 70 درصد از نمونه‌های آماربرداری شده از زادآوری بلوط به عنوان نمونه آموزشی برای اجرای مدل شبکه عصب مصنوعی استفاده شد و برای ارزیابی نتایج مدل از 30 درصد مابقی داده‌ها استفاده شد. در نهایت به آنالیز حساسیت مدل زادآوری بلوط پرداخته شد.یافته‌ها: نتایج نشان داد که شبکه عصبی مصنوعی با اشتباه معیار خطای برابر با 0/99 توانسته است به برآورد زادآوری بلوط در منطقه مورد مطالعه بپردازد. نتایج تجزیه حساسیت مدل نشان داد که کمترین میزان اشتباه معیار خطا مربوط به مدلی با وجود تمام متغیرهای ورودی است که نشان‌دهنده تاثیر مثبت تمامی پارامترهای ورودی به مدل است. به طوری که با حذف هر یک از متغیرهای ورودی صحت مدل در پیش‌بینی میزان زادآوری کاهش پیدا می‌کند. با این وجود متغیرهای ساختاری جنگل و مشخصات شیمیایی خاک به ترتیب مهم‌ترین عوامل موثر بر زادآوری بلوط در منطقه مورد مطالعه هستند. کمترین تاثیرگذاری بر روی زادآوری بلوط در مدل تهیه شده متغیرهای توپوگرافی ثانویه است که با اینکه نقش مثبتی در مدل پیش‌بینی تعداد زادآوری بلوط داشته‌اند اما با این حال تاثیر این متغیرها نسبت به سایر متغیرها کمتر بوده است. نتایج نشان داد حدود 21 درصد از سطح منطقه مورد مطالعه دارای زادآوری کمتر از 100 زادآوری در هکتار است. همچنین بیش از 12 درصد از سطح منطقه مورد مطالعه دارای تعداد زادآوری‌های بیش از 1200 زادآوری در هکتار است.نتیجه‌گیری: در مجموع استفاده همزمان از کلیه خصوصیات توپوگرافی اولیه و ثانویه، خاک و مشخصات ساختاری جنگل باعث افزایش دقت مدل‌سازی زادآوری جنگل‌های بلوط زاگرس خواهد شد از طرف دیگر، شبکه عصبی مصنوعی به علت انعطاف‌پذیر بودن امکان انتخاب نوع پارامترهای ورودی را نسبت به شرایط منطقه و اطلاعات در دسترس فراهم می‌کند و سبب افزایش دقت مدل‌سازی می‌شود.

Modeling of Iranian oak Regeneration in Zagros Forests using Artificial Neural Network Algorithm

Introduction and objective: Today, the use of modeling methods to predict and modeling of regeneration for different species in forest conservation and management plans is increasing. It is possible to predict the condition and density of forests in the future by forest regeneration modeling and based on that, adopted different management scenarios.Materials and methods: With regard to importance of the subject, in this study the regeneration rate of oak species in a part of oak forests of Manesht and Qalarang protected areaIllam province was estimated using artificial neural network (ANN) and environmental variables such as primary topographic properties, secondary topography, soil physical properties, soil chemical properties and forest structural characteristics as independent variables. For this purpose, various functions and models were evaluated. After sampling, 70% of the, oak regeneration samples was used as training samples to implement the ANN model and the remaining 30% of the data was used to evaluate the model results. Finally, the sensitivity of the oak regeneration model was analyzed.Results: The results showed that the artificial neural network with error standard error equal to 0.99 was able to estimate the oak regeneration in the study area. The results of sensitivity analysis showed that the highest R2 is related to the model with all input variables, which indicates the positive effect of all input parameters to the model, so that by removing each of the input variables, the accuracy of the model in predicting oak regeneration decreases. However, the results also showed that forest structural and soil chemical characteristics are the most important factors affecting oak regeneration in the study area. The least effect on oak regeneration in the prepared model are secondary topographic variables, which although had a positive role in predicting the regeneration. However, the effect of these variables was less than other variables. The results showed that about 21% of the study area has less than 100 regenerations per hectare. Also, more than 12% of the study area has more than 1200 regenerations per hectare.Conclusion: In general, the simultaneous use of all primary and secondary topographic features, soil and forest structural characteristics increase the accuracy of regeneration modeling of Zagros oak forests. On the other hand, ANN due to its flexibility, allows the selection of the various variables according to the study area conditions and the available information, as a result, it increases the accuracy of modeling.