بررسي شايستگي مدل رگرسيون حداقل مربعات در مدلسازي ارتفاع گونۀ راش نسبت به متغيرهاي محيطي در جنگل آموزشي و پژوهشي دانشگاه تربيت مدرس

Investigation on the adequacy of ordinary least square regression in modeling the oriental beech tree height in relation to environmental predictors in experimental and educational forest of Tarbiat Modares University

در پژوهش حاضر، به‌منظور مدلسازي ارتفاع گونۀ راش به‌عنوان يك مؤلفۀ مهم توان توليد رويشگاه نسبت به متغيرهاي محيطي در جنگل آموزشي و پژوهشي دانشگاه تربيت مدرس از مدل رگرسيون حداقل مربعات استفاده شد. به اين منظور به‌روش منظم – تصادفي 123 قطعة نمونه دايره‌اي 1/0 هكتاري در منطقه مستقر گرديد و در هر يك از قطعات نمونه، ارتفاع كل و قطر برابرسينه تمام درختان راش با قطر بيشتر از 5/7 سانتي‌‌متر اندازه‌گيري شد. در مركز قطعات نمونه، از عمق 0تا10 سانتي‌متر نمونه‌هاي خاك برداشته شده و مجموعه‌اي از خصوصيات فيزيكي و شيميايي خاك در محل استقرار قطعات نمونه اندازه‌گيري شد. همچنين ارتفاع از سطح دريا، درصد شيب و آزيموت قطعات نمونه نيز ثبت شد. نتايج پژوهش حاضر نشان داد هرچند مدل رگرسيون خطي برحسب ضريب تبيين، كارايي به نسبت خوبي در مدلسازي ارتفاع گونۀ راش دارد، به‌كارگيري شاخص موران I نشان مي‌دهد كه مسئلۀ خودهمبستگي مكاني در مدل رگرسيون وجود دارد. به‌كارگيري مدل‌هاي خودرگرسيوني با وقفۀ مكاني و خطاي مكاني به‌عنوان رويكردهاي جايگزين براي حذف پديدۀ خودهمبستگي نشان داد كه اين مدل‌ها ازنظر معيارهاي ضريب تبيين، معيار اطلاعاتي آكائيك و لگاريتم درست‌نمايي كارايي بهتري نسبت به مدل رگرسيون خطي دارند. مقايسة دو مدل خودرگرسيوني توأمان با وقفۀ مكاني و خطاي مكاني با استفاده از آماره‌هاي فوق نيز نشان مي‌دهد كه مدل خود رگرسيوني با خطاي مكاني بهتر از مدل با وقفه مكاني است. پژوهش حاضر بر اهميت بررسي و كنترل خودهمبستگي مكاني در مطالعات بوم‌شناسي جنگل تأكيد مي‌ورزد و دستورالعملي را براي مدلسازي عملكرد گونۀ راش نسبت به متغيرهاي محيطي فراهم مي‌كند.

In the current research, the performance of ordinary least square regression model was studied for the task of predicting a key forest structural parameter – tree height – across a study area in Tarbiat Modares University forest research station using a series of edaphic and topographic variables. For this purpose, 123 0.1 ha circular sample plots were established and total height and diameter of Fagus orientalis Lipsky trees with DBH ≥ 7.5 cm within each plot was recorded along with elevation, azimuth and slope of the ground. Also, at the center and four geographical aspects of sample plot, soil samples from first layer (0-10 cm) were taken and mixed for analyzing several soil variables. The results showed the OLS model performed moderately well based on R-squared, but exhibited clear signs of spatial autocorrelation (Moran’s I =0.168). Adding spatial weighted matrix in spatial simultaneous autoregressive models resulted in removing autocorrelation and statistically significant improvement in model fit. Comparison of spatial lag and error SAR models using AIC, log-likelihood and R squared indicated that error SAR model performs better than lag SAR model. These analyses underscore the importance of controlling for spatial autocorrelation in forest ecology studies and furnish guidelines for future modeling of species performance in relation to environmental predictors.