Journal of Forest Ecosystems Research

fa مدل‌سازی رابطه بین نوسانات اقلیمی و رویش قطری Pistacia atlantica در جنگل‌های زاگرس با استفاده از شبکه عصبی Modeling the Relationship Between Climatic Fluctuations and Diameter Growth of Pistacia atlantica in Zagros Forests Using Neural Network تخصصي Special پژوهشي Research <div style="text-align: justify;">چکیده مبسوط</div> <div style="text-align: justify;">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.</div> <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Extended Abstract</div> <div style="text-align: justify;">Background and Objectives: Climate change, manifested through fluctuations in key variables such as temperature and precipitation, poses a significant threat to forest ecosystems, particularly in semi-arid regions like the Zagros. Pistacia atlantica (Wild Pistachio) is a valuable native species in these forests, whose growth is highly sensitive to water availability. Quantifying the impact of climatic variables on its radial growth is essential for adaptive forest management. While traditional statistical methods have been used, advanced artificial intelligence models like the Group Method of Data Handling (GMDH) neural network offer superior capabilities for modeling complex, non-linear relationships. The main objectives of this study were to: 1) evaluate the effect of climatic variables (precipitation, temperature, relative humidity) on the diameter growth of P. atlantica, 2) determine the most influential climatic factors, and 3) assess the accuracy of the GMDH neural network model in predicting growth based on climate data.</div> <div style="text-align: justify;">Materials and Methods: The study was conducted in three habitats of P. atlantica (Darreh Shahr, Abdanan, and Majin) in Ilam province, Iran. A total of 18 tree discs (6 from each site, divided into two diameter classes: <30 cm and >30 cm) were collected from trees with similar topographic conditions. After surface preparation and polishing, high-resolution images were taken, and annual ring widths were precisely measured using Motic image software. Wood density was also determined for each sample. Climatic data (annual precipitation, average, minimum, and maximum temperature, relative humidity) for the past 15 years were obtained from the nearest meteorological stations. The relationship between ring width indices and climatic variables was first analyzed using Pearson correlation in SPSS software. Subsequently, the GMDH neural network model was implemented in MATLAB (R2014a) to predict radial growth based on climatic inputs. The data were randomly divided into training (70%), validation (15%), and test (15%) sets. Model performance was evaluated using statistical indices: Root Mean Square Error (RMSE), Mean Square Error (MSE), and Correlation Coefficient (R). Results: Statistical analysis revealed a significant positive correlation between annual ring width and both annual precipitation (r = 0.188, p=0.002) and relative humidity (r = 0.173, p=0.004). In contrast, a significant negative correlation was found with average annual temperature (r = -0.185, p=0.002) and maximum annual temperature (r = -0.152, p=0.013). No significant correlation was observed with minimum annual temperature. The GMDH neural network model demonstrated high accuracy in predicting radial growth from climatic variables, with performance metrics on the total dataset as follows: RMSE = 3.86, MSE = 14.88, and R = 0.90. The model's predictions closely matched the observed growth trends, confirming its effectiveness. Conclusion: The radial growth of Pistacia atlantica in the semi-arid Zagros forests is significantly influenced by climatic fluctuations. Increased precipitation and relative humidity positively enhance growth, while rising temperatures, particularly maximum temperatures, have a suppressive effect, likely due to increased evapotranspiration and water stress. The successful application of the GMDH neural network model, with its high predictive accuracy (R=0.90), establishes it as a powerful and reliable tool for modeling climate-growth relationships in complex forest ecosystems. These findings provide critical insights for developing climate-adaptive conservation and management strategies to enhance the resilience of P. atlantica stands against future climate variability.</div> تغییراقلیم, دندروکرونولوژی, بنه (Pistacia atlantica), دوایر رویشی, شبکه عصبی GMDH, جنگل‌های زاگرس. Climate Change, Dendrochronology, Pistacia atlantica, Growth Rings, GMDH Neural Network, Zagros Forests. 66 50 http://yujs.yu.ac.ir/jzfr/browse.php?a_code=A-10-57-6&slc_lang=fa&sid=1 Ali Mahdavi علی مهدوی a.mahdavi@ilam.ac.ir 10031947532846001671 10031947532846001671 Yes Ilam University دانشگاه ایلام Sahel Ramezani ساحل رمضانی sahel2015ramezani@gmail.com 10031947532846001672 10031947532846001672 No Ilam University دانشگاه ایلام Hamidreza Naji حمیدرضا ناجی h.naji@ilam.ac.ir 10031947532846001673 10031947532846001673 No Ilam University دانشگاه ایلام