دوره 4، شماره 2 - ( 6-1404 )
سال 4 شماره 2 صفحات 50-66 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mahdavi A, Ramezani S, Naji H. (2025). Modeling the Relationship Between Climatic Fluctuations and Diameter Growth of Pistacia atlantica in Zagros Forests Using Neural Network. jfer. 4(2), : 5
URL: http://yujs.yu.ac.ir/jzfr/article-1-145-fa.html
URL: http://yujs.yu.ac.ir/jzfr/article-1-145-fa.html
مهدوی علی، رمضانی ساحل، ناجی حمیدرضا.(1404). مدلسازی رابطه بین نوسانات اقلیمی و رویش قطری Pistacia atlantica در جنگلهای زاگرس با استفاده از شبکه عصبی مجله تحقیقات اکوسیستمهای جنگلی 4 (2) :50-66
دانشگاه ایلام ، a.mahdavi@ilam.ac.ir
چکیده: (18 مشاهده)
چکیده مبسوط
سابقه و اهداف: تغییراقلیم که از طریق نوسانات متغیرهای کلیدی مانند دما و بارش تظاهر مییابد، تهدیدی جدی برای اکوسیستمهای جنگلی، بهویژه در مناطق نیمهخشکای مانند زاگرس محسوب میشود. گونه بنه (Pistacia atlantica) از گونههای بومی باارزش این جنگلهاست که رشد آن به شدت به دسترسی آب حساس است. کمّیسازی تأثیر متغیرهای اقلیمی بر رشد شعایی این گونه، برای مدیریت تطبیقی جنگل ضروری است. اگرچه از روشهای آماری سنتی استفاده شده است، اما مدلهای هوش مصنوعی پیشرفتهای مانند شبکه عصبی ساختار گروهی داده (GMDH)، به دلیل قابلیت بالاتر در مدلسازی روابط پیچیده و غیرخطی، مزیت ویژهای دارند. اهداف اصلی این پژوهش عبارت بودند از: ۱) ارزیابی اثر متغیرهای اقلیمی (بارش، دما، رطوبت نسبی) بر رشد قطری بنه، ۲) تعیین مهمترین عوامل اقلیمی تأثیرگذار، و ۳) ارزیابی دقت مدل شبکه عصبی GMDH در پیشبینی رشد بر اساس دادههای اقلیمی.
مواد و روشها: این مطالعه در سه رویشگاه بنه (درهشهر، آبدانان و ماژین) در استان ایلام انجام شد. در مجموع ۱۸ دیسک درختی (از هر منطقه ۶ دیسک، در دو طبقه قطری کمتر و بیشتر از ۳۰ سانتیمتر) از درختانی با شرایط توپوگرافی مشابه برداشت شد. پس از آمادهسازی و صیقلدادن سطوح، تصاویر با وضوح بالا تهیه و پهنای دوایر سالیانه با استفاده از نرمافزار Motic image با دقت اندازهگیری شد. جرم حجمی چوب نیز برای هر نمونه تعیین گردید. دادههای اقلیمی (بارش سالانه، دمای میانگین، حداقل و حداکثر، رطوبت نسبی) مربوط به ۱۵ سال گذشته از نزدیکترین ایستگاههای هواشناسی اخذ شد. در ابتدا، رابطه بین شاخصهای پهنای دوایر و متغیرهای اقلیمی با استفاده از ضریب همبستگی پیرسون در نرمافزار SPSS تحلیل شد. سپس، مدل شبکه عصبی GMDH در محیط MATLAB نسخه ۲۰۱۴ برای پیشبینی رشد شعایی بر پایه دادههای اقلیمی پیادهسازی گردید. دادهها بهصورت تصادفی به مجموعههای آموزش (۷۰٪)، اعتبارسنجی (۱۵٪) و آزمون (۱۵٪) تقسیم شدند. عملکرد مدل با شاخصهای آماری ریشه میانگین مربعات خطا (RMSE)، میانگین مربعات خطا (MSE) و ضریب همبستگی (R) ارزیابی شد.
یافتهها: تحلیل آماری همبستگی مثبت و معناداری را بین پهنای دوایر سالیانه با هر دو متغیر بارش سالانه (r = 0.188, p=0.002) و رطوبت نسبی (r = 0.173, p=0.004) نشان داد. در مقابل، همبستگی منفی و معناداری با دمای میانگین سالانه ( r = -0.185, p=0.002) و دمای حداکثر سالانه ( r = -0.152, p=0.013) مشاهده شد. با دمای حداقل سالانه همبستگی معناداری یافت نشد. مدل شبکه عصبی GMDH دقت بالایی در پیشبینی رشد شعایی از متغیرهای اقلیمی نشان داد، بهطوریکه معیارهای عملکرد آن روی کل مجموعه داده به شرح زیر بود: RMSE = 3.86, MSE = 14.88, و R = 0.90. پیشبینیهای مدل بهخوبی با روندهای رشد مشاهدهشده مطابقت داشت که مؤید کارایی آن است.
نتیجهگیری: رشد شعایی بنه در جنگلهای نیمهخشک زاگرس بهطور معناداری تحت تأثیر نوسانات اقلیمی قرار دارد. افزایش بارش و رطوبت نسبی رشد را بهطور مثبت افزایش میدهد، در حالی که افزایش دما، بهویژه دمای حداکثر، اثر بازدارنده دارد که به احتمال قوی ناشی از افزایش تبخیر و تعرق و ایجاد تنش آبی است. کاربرد موفق مدل شبکه عصبی GMDH با دقت پیشبینی بالا (R = 0.90 ) آن را به عنوان ابزاری قدرتمند و قابل اعتماد برای مدلسازی روابط اقلیم-رشد در اکوسیستمهای جنگلی پیچیده تثبیت میکند. این یافتهها بینشهای مهمی برای تدوین راهبردهای حفاظتی و مدیریتی تطبیقی با اقلیم فراهم میآورد تا تابآوری تودههای بنه در برابر نوسانات اقلیمی آینده افزایش یابد.
یافتهها: تحلیل آماری همبستگی مثبت و معناداری را بین پهنای دوایر سالیانه با هر دو متغیر بارش سالانه (r = 0.188, p=0.002) و رطوبت نسبی (r = 0.173, p=0.004) نشان داد. در مقابل، همبستگی منفی و معناداری با دمای میانگین سالانه ( r = -0.185, p=0.002) و دمای حداکثر سالانه ( r = -0.152, p=0.013) مشاهده شد. با دمای حداقل سالانه همبستگی معناداری یافت نشد. مدل شبکه عصبی GMDH دقت بالایی در پیشبینی رشد شعایی از متغیرهای اقلیمی نشان داد، بهطوریکه معیارهای عملکرد آن روی کل مجموعه داده به شرح زیر بود: RMSE = 3.86, MSE = 14.88, و R = 0.90. پیشبینیهای مدل بهخوبی با روندهای رشد مشاهدهشده مطابقت داشت که مؤید کارایی آن است.
نتیجهگیری: رشد شعایی بنه در جنگلهای نیمهخشک زاگرس بهطور معناداری تحت تأثیر نوسانات اقلیمی قرار دارد. افزایش بارش و رطوبت نسبی رشد را بهطور مثبت افزایش میدهد، در حالی که افزایش دما، بهویژه دمای حداکثر، اثر بازدارنده دارد که به احتمال قوی ناشی از افزایش تبخیر و تعرق و ایجاد تنش آبی است. کاربرد موفق مدل شبکه عصبی GMDH با دقت پیشبینی بالا (R = 0.90 ) آن را به عنوان ابزاری قدرتمند و قابل اعتماد برای مدلسازی روابط اقلیم-رشد در اکوسیستمهای جنگلی پیچیده تثبیت میکند. این یافتهها بینشهای مهمی برای تدوین راهبردهای حفاظتی و مدیریتی تطبیقی با اقلیم فراهم میآورد تا تابآوری تودههای بنه در برابر نوسانات اقلیمی آینده افزایش یابد.
شمارهی مقاله: 5
واژههای کلیدی: تغییراقلیم، دندروکرونولوژی، بنه (Pistacia atlantica)، دوایر رویشی، شبکه عصبی GMDH، جنگلهای زاگرس.
فهرست منابع
1. Alipoorfard, M., Pourtahmasi, K., Raeini Sarjaz, M. & Nadi, M. 2023. Reconstruction of Jan-Mar mean temperature using tree ring widths of Juniper trees in the east of Lorestan province [In Persian]. Iranian Journal of Forest, 15(1): 53-67.
2. Allen, C.D., Macalady, A.K., Chenchouni, H., Bachelet, D., McDowell, N., Vennetier, M., Kitzberger, T., Rigling, A., Breshears, D.D., Hogg, E.H., Gonzalez, P., Fensham, R., Zhang, Z., Castro, J., Demidova, N., Lim, J.H., Allard, G., Running, S.W., Semerci, A. & Cobb, N. 2010. A global overview of drought and heat-induced forest mortality reveals emerging climate change risks. Forest Ecology and Management, 259: 660-684. [DOI:10.1016/j.foreco.2009.09.001]
3. Arsalani, M., Grießinger, J. & Bräuning, A. 2022. Tree ring based seasonal temperature reconstructions and ecological implications of recent warming on oak forest health in the Zagros Mountains, Iran. International Journal of Biometeorology, 66: 2553-2565. [DOI:10.1007/s00484-022-02380-5]
4. Banj Shafiei, A., Eshaghi Rad, J., Alijanpour, A. & Pato, M. 2011. The effect of the Oak bud tortricide (Tortrix viridana) on the width of the annual growth rings of oak (Quercus libani Oliv.) in the forests of Piranshahr and Sardasht [In Persian]. Journal of Plant Protection, 25(2): 178-185.
5. Bonan, G.B. 2008. Forests and climate change: forcings, feedbacks, and the climate benefits of forests. Science, 320: 1444-1449. [DOI:10.1126/science.1155121]
6. Cherubini, P., Gartner, B.L., Tognetti, R., Bräker, O.U., Schoch, W. & Innes, J.L. 2003. Identification, measurement and interpretation of tree rings in woody species from Mediterranean climates. Biological Reviews, 78(1): 119-148. [DOI:10.1017/S1464793102006000]
7. Das, A.J. & Stephenson, N.L. 2015. Improving estimates of tree mortality probability using potential growth rate. Canadian Journal of Forest Research, 45(8): 920-928. [DOI:10.1139/cjfr-2014-0368]
8. Flower, A. & Smith, D.J. 2011. A dendroclimatic reconstruction of June-July mean temperature in the northern Canadian Rocky Mountains. Dendrochronologia, 29(2): 55-63. [DOI:10.1016/j.dendro.2010.08.001]
9. Fritts, H.C. 1976. Tree rings and Climate. Academic Press, London. 567 p.
10. Ghodskhah Daryaei, M., Ahooghalandari, N. & Torkaman, J. 2021. Investigation the effect of climatic factors of temperature and precipitation on growth patterns of the cypress (Cupressus sempervirens Var. Horizontalis (Mill.) Gord) trees in Noshahr and Rudbar habitats [In Persian]. Journal of Plant Research, 34(3): 669-681.
11. Habibi Bibalani, Gh., Bazhrang, Z., Pour-Rabi, S., Joodi, L. & Shibaei, N. 2008. Study for some climatic characters on annual ring growth for Melia azedarach at Ramsar [In Persian]. *Proceedings of the First International Conference on Climate Change and Chronology Tree, Surrey, UK, 25-26 May 2008*: 45-52.
12. Hamidi, S.K., Fallah, A., Bayat, M. & de Luis, M. 2021. The effects of climate variables (temperature and precipitation) on growth characteristics of trees (case study: Farim forest) [In Persian]. Journal of Forest Research and Development, 6(4): 593-607.
13. Itter, M.S., Finley, A.O., D'Amato, A.W., Foster, J.R. & Bradford, J.B. 2016. Variable Effects of Climate on Forest Growth in Relation to Ecosystem State. Ecological Applications, 27(4): 1082-1095. [DOI:10.1002/eap.1518]
14. Lebourgeois, F. 2004. Climatic signals in earlywood, latewood and total ring width of Corsican pine from western France. Annals of Forest Science, 61(2): 155-164. [DOI:10.1051/forest:2000166]
15. Maaten, E.V.D. 2012. Climate sensitivity of radial growth in European beech (Fagus sylvatica L.) at different aspects in southwestern Germany. Trees, 26(3): 777-788. [DOI:10.1007/s00468-011-0645-8]
16. Maxwell, A.E., Warner, T.A. & Fang, F. 2018. Implementation of machine learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9): 2784-2817. [DOI:10.1080/01431161.2018.1433343]
17. Mirzaeizadeh, V., Mahdavi, A., Naji, H. & Ahmadi, H. 2023. Modeling the Distribution of Species Pistacia atlantica in Ilam Province using MaxEnt Methods [In Persian]. Ecology of Iranian Forests, 10(20): 129-139. [DOI:10.52547/ifej.10.20.129]
18. Mozaffarian, V. 2008. Flora of Ilam [In Persian]. Farhang-e- Maaser Press. 700p.
19. Naghipour Borj, A.A., Heidarian Aghajani, M. & Sangoni, H. 2019. Predicting the impact of climate change on the distribution of Pistacia atlantica in the Central Zagros [In Persian]. Journal of Plant Ecosystem Conservation, 6(3): 197-214.
20. Najafi Harsini, F., Pourtahmasbi, K. & Karimi, A.N. 2012. Dendrochronological Investigation of Radial Growth of Quercus infectoria in Kermanshah Oak Forests [In Persian]. Journal of Forest and Wood Products (JFWP), Iranian Journal of Natural Resources, 65(1): 119-129.
21. Nasseri Karimvand, S., Poursartip, L., Moradi, M. & Sosani, J. 2016. Dynamic Effects of climate variables (temperature and precipitation) on the annual diameter growth of Iranian oak (Quercus brantii Lindl) [In Persian]. Forest Research and Development, 2(1): 63-71.
22. Poursartip, L. 2012. Comparison of anatomical characteristics and chronology Avery trees (Quercus macranthera) and Oak (Quercus castanifolia) (Case study: North Caspian forests) [In Persian]. PhD Thesis, Faculty of Natural Resources, University of Tehran, Karaj, Iran. 80 p.
23. Pourtahmasbi, K., Parsapajouh, D., Marvi Mohajer, M. & Ali-Ahmed-Korouri, S. 2008. Evaluation of Juniper trees (Juniperus polycarpos C. Koch) radial growth in three sites of Iran by using dendrochronology [In Persian]. Journal of Forest and Poplar Research, 16(2): 327-342.
24. Qin, Y., Wu, B., Lei, X. & Feng, L. 2023. Prediction of tree crown width in natural mixed forests using deep learning algorithm. Forest Ecosystems, 10: 100109. [DOI:10.1016/j.fecs.2023.100109]
25. Radmehr, A., Sosani, J., Balapour, Sh., Hosseini Ghale Bahmani, S.M. & Sepahvand, A. 2014. Effects of climate variables (temperature and precipitation) on the width of Rings-growth in Persian coppice oak in the central Zagros (Case study: Khoramabad) [In Persian]. Journal of Wood & Forest Science and Technology, 22(1): 93-110.
26. Ray, D. 2008. Impacts of climate change on forestry in Scotland - a synopsis of spatial modelling research. Forestry Commission Research Note 101, Forestry Commission Scotland, Edinburgh.
27. Salehnia, N. & Ahn, J. 2022. Modelling and reconstructing tree ring growth index with climate variables through artificial intelligence and statistical methods. Ecological Indicators, 134: 108496. [DOI:10.1016/j.ecolind.2021.108496]
28. Savva, Y., Schweingruber, F.H., Vaganov, E.A. & Milyutin, L.I. 2003. Influence of climate change on tree-ring characteristics of Scots pine provenances in Southern Siberia (forest-Steppe). IAWA Journal, 24(4): 371-383. [DOI:10.1163/22941932-90000342]
29. Sheng, D., Yamanaka, N., Yamamoto, F., Otsuki, K., Wang, S. & Hou, Q. 2007. The effect of Quercus liaotungensis forest trees on soil properties in the Loess Plateau, China. Dendrochronologia, 25(1): 29-36. [DOI:10.1016/j.dendro.2007.01.002]
30. Stanoosh, K., Bhattacharyya, A. & Chaudhary, V. 2009. Climatic influence on radial growth of Pinus wallichiana in Ziro Valley, Northeast Himalaya. Current Science, 96(5): 697-702.
31. Thomas, C.D., Cameron, A., Green, R.E., Bakkenes, M., Beaumont, L.J., Collingham, Y.C., Erasmus, B.F.N., de Squeira, M.F., Grainiger, A., Hannah, L., Hughes, L., Huntley, B., van Jaarsveld, A.S., Midgley, G.F., Miles, L., Ortega-Huerta, M.A., Peterson, A.T., Phillips, O.L. & Williams, S.E. 2004. Extinction risk from climate change. Nature, 427: 145-148. [DOI:10.1038/nature02121]
32. Trigo, R.M., García-Herrera, R., Díaz, J., Trigo, I.F. & Valente, M.A. 2005. How exceptional was the early August 2003 heatwave in France? Geophysical Research Letters, 32(10): L10701. [DOI:10.1029/2005GL022410]
33. Van der Werf, G.W., Sass-Klaassen, U.G.W. & Mohren, G.M.J. 2007. The impact of the 2003 summer drought on the intra-annual growth pattern of beech (Fagus sylvatica L.) and oak (Quercus robur L.) on a dry site in the Netherlands. Dendrochronologia, 25: 103-112. [DOI:10.1016/j.dendro.2007.03.004]
34. Zahedipour, H., Fatahi, M., Mirdavoudi Akhavan, H.R. & Azdoo, Z. 2004. Investigation, the distribution, ecology and phenology of wild pistachio in the Markazi province (case study: Koh-e-Nazarkardeh, Saveh city) [In Persian]. Research and Construction (Pajohesh and Sazandegi), 17(3): 97-103.
35. Zhang, Q., Hebda, R., Zhang, Q.J. & Alfaro, R.I. 2000. Modeling tree-ring growth responses to climatic variables using artificial neural networks. Forest Science, 46(2): 229-239. [DOI:10.1093/forestscience/46.2.229]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
