تهيه نقشه پراكنش شدت خشكيدگي جنگل‌هاي بلوط زاگرس با استفاده از آمار مكاني و شبكه عصبي مصنوعي

Mapping Dieback Intensity Distribution in Zagros Oak Forests Using Geo-statistics and Artificial Neural Network

اولين و اساسي‌ترين امر در مبارزه با خشكيدگي جنگل، اطلاع از چگونگي پراكنش مكاني و شدت خشكيدگي در جنگل است. با توجه به اهميت موضوع در اين مطالعه كارايي دو روش آمار مكاني و شبكه عصبي مصنوعي در تهيه نقشه شدت خشكيدگي جنگل در بخشي از جنگل‌هاي شهرستان ايلام مورد مطالعه قرار گرفت. براي نمونه‌برداري از روش تصادفي سيستماتيك استفاده شد. به اين صورت كه پس از پياده كردن شبكه آماربرداري با ابعاد 200 × 250 متر و تعيين مركز پلات‌ها با استفاده از GPS، در 100 قطعه نمونه مستطيلي شكل به مساحت 1200 متر‌مربعي درصد خشكيدگي درختان اندازه‌گيري و ثبت شد. همچنين يك نمونه تركيبي خاك از مركز و چهار گوشه هر قطعه نمونه برداشت و پس از انتقال به آزمايشگاه خصوصيات فيزيكي و شيميايي آن اندازه‌گيري شد. پس از بررسي نرمال بودن داده‌ها، نقشه خشكيدگي با استفاده از روش‌هاي مختلف زمين‌آمار و شبكه عصبي مصنوعي تهيه شد. نتايج نشان داد كه بهترين روش براي تهيه نقشه شدت خشكيدگي جنگل، شبكه عصبي پرسپترون چند لايه (MLP) با صحت 85 درصدي است. همچنين نتايج نشان داد كه خشكيدگي بلوط داراي همبستگي مثبت با شيب منطقه و وزن مخصوص ظاهري خاك و همبستگي منفي با رطوبت و ماده آلي خاك است.

The first and most important issue in forest drought management is knowledge of the location and severity of forest decline. In this regard, we used geostatistics and artificial neural network methods to map the dieback intensity of oak forests in the Ilam province, Iran. We used a systematic random sampling with a 250 × 200 m grid to establish 100 plots, each covering 1200 m2. The percentage of the declined trees in each plot was measured and recorded. Also, a composite soil sample was extracted from the center and the four corners of each plot in order to determine their physical and chemical properties. After examining the normality of the data, the dieback intensity map was made using interpolation methods and the artificial neural network. The results showed that the best method for dieback intensity estimation was the artificial neural network with an accuracy of 85 %, by using the multilayer perceptron algorithm. Oak decline was found to be mainly related to the slope, soil moisture, soil organic content and soil bulk density.