پیش‌بینی خصوصیات محیطی رویشگاه با استفاده از ترکیب پوشش گیاهی

در این پژوهش، کارایی دو روش نزدیک‌ترین همسایه (knn) و میانگین‌ وزنی (wa) در برآورد غیرمستقیم خصوصیات محیطی جوامع گیاهی ارزیابی شد. برای این منظور از اطلاعات ترکیب پوشش گیاهی تعداد 324 قطعه‌نمونه 400 متر مربعی مربوط به پایگاه اطلاعاتی سرخدار در جنگل‌های هیرکانی استفاده شد. سپس با استفاده از دو روش knn و wa و بهره‌گیری از دو سری از اطلاعات ترکیب پوشش گیاهی (حضور غیاب و درصد تاج‌پوشش) و مقادیر اولیه داده‌های محیطی، اقدام به برآورد غیرمستقیم متغیرهای محیطی (ارتفاع از سطح دریا، شیب و جهت دامنه، درصد کربن آلی، درصد ازت، درجه واکنش و بافت خاک) در هر قطعه‌نمونه شد. ارزیابی صحتسنجی مدل‌ها با استفاده از تحلیل رگرسیون و مقدار عددی ضریب تبیین انجام شد. نتایج برآورد خصوصیات محیطی در رویشگاه‌های مورد بررسی نشان داد استفاده از روش knn با استفاده از داده‌های درصد تاج‌پوشش گونه‌ها به‌دلیل بهره‌مندی از بالاترین مقدار ضریب تبیین نسبت به سه حالت دیگر در اولویت است. برآورد نقطه‌ای متغیرها با استفاده از دو رویکرد متفاوت درون‌یابی (knn) و برون‌یابی (wa) به‌عنوان عامل اصلی اختلاف این دو روش ارزیابی شد. عملکرد مناسب‌تر روش knn در برآورد نقطه‌ای خصوصیات محیطی نسبت به روش wa به‌دلیل استفاده از اطلاعات محیطی قطعات‌نمونه‌ با بالاترین درجه مشابهت ترکیب گونه‌ای نسبت به نقطه مزبور است. در حالی‌که نتایج روش wa متاثر از دامنه تغییرات متغیرهای محیطی در سطح کل رویشگاه قرار دارد که این مسئله، افزایش میزان خطا در برآورد غیرمستقیم داده‌های محیطی را منجر می‌شود.

Predicting environmental variables using vegetation composition

In this study, the efficiency of the two nearest neighbor (KNN) and weighted average (WA) methods was evaluated for indirect estimation of environmental variables in plant communities. For this purpose, vegetation composition data of 324 relevés with an area 400 m2 of the Hyrcanian yew forests database were used. Then, environmental variables in each relevés were indirectly estimated by using KNN and WA methods based on two kind of vegetation data (incidence based and abundance based of floristic data) as well as the initial values of that environmental variables.Validation of the models were evaluated using determinant coefficient of linear regression analysis, which done based on the initial values and followed by estimated one of each environmental variables as the predictor and response variables. Results showed that using KNN method based on abundance data due to having the highest determination coefficient value has the priority in comparison to another three algorithms. The main reason of the differences between KNN and WA was influenced by different approaches of interpolation (KNN) and extrapolation (WA) in the process of environmental variables point estimation. The better performance of the KNN compared with WA in the point estimating of environmental variables is due to using the environmental data of the only adjacent plot data with the most similarly floristically features to each points in the KNN, while the results of the WA are globally affected by the range of each environmental variables at the whole of the dataset.