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.
