پديد آورندگان :
نافيان، مژده دانشگاه شهركرد - دانشكده منابع طبيعي و علوم زمين , بهمني، محسن دانشگاه شهركرد - دانشكده منابع طبيعي و علوم زمين - گروه علوم جنگل , قهساره اردستاني، الهام دانشگاه شهركرد - دانشكده منابع طبيعي و علوم زمين - گروه مرتع و آبخيرداري , سلطاني، علي دانشگاه شهركرد - دانشكده منابع طبيعي و علوم زمين - گروه علوم جنگل
كليدواژه :
تجزيه و تحليل مؤلفه اصلي , خيابان عباس آباد , شبكه عصبي پرسپترون چند لايه , معيار تشخيصي خطرآفريني درختان
چكيده فارسي :
سابقه و هدف: درختان خياباني با وجود تمام سودمندي‌هايي كه مي‌توانند داشته باشد هر گونه عيب و نقص به دليل فرتوتي درخت، كاهش مقاومت درخت به خاطر صنعتي بودن، پرجمعيت بودن و آلودگي آب و هواي شهرهاي بزرگ و همچنين خشكسالي‌هاي مكرر ممكن است به بروز خطرهاي مالي و جاني منجر شود. بنابراين ضرورت بررسي و شناسايي درختان خطر آفرين فضاي سبز شهرهاي بزرگ را افزايش داده است. براي اين منظور ارزيابي مقدار خطرآفريني درختان چنار (Plantanus orientalis L) فضاي سبز خيابان عباس آباد شهر اصفهان و مدل پيش‌بيني خطر سقوط اين درختان با استفاده از شبكه عصبي در سال 1397 پرداخته شد.
مواد و روش‌ها: در پژوهش حاضر شدت خطرآفريني درختان چنار در خيابان عباس آباد شهر اصفهان با روش آماربرداري صددرصد با استفاده از متغيرهاي كمي و معيارهاي تشخيص خطرآفريني (كيفي يا عيوب) مورد مطالعه قرار گرفت. پس از تعيين سهم معيارهاي خطرآفرين و درجه اهميت آن‌ها در 711 اصله درخت چنار، آناليز تجزيه واريانس يك طرفه بين تعداد درختان در معيارهاي مختلف خطرآفريني صورت گرفت. در مرحله بعد، درختان از نظر معيارهاي خطرآفريني وزن‌دهي شدند. سپس بر مبناي اعداد حاصل از وزن‌دهي بر اساس طبقه‌بندي تجربي به 5 طبقه‌ي خطرآفرين تقسيم شدند. همچنين به منظور پردازش داده‌هاي متغيرهاي كمي، معيارهاي تشخيص خطرآفريني (كيفي يا عيوب) و پارامترهاي وزن‌دهي و طبقه‌هاي شدت خطرآفريني از تجزيه و تحليل مولفه‌هاي اصلي و شبكه پرسپترون چند لايه‌ي شبكه عصبي استفاده شد.
يافته‌ها: با توجه به نتايج معيار تشخيص خطرآفريني درختان چنار، متغيرهاي وضعيت و ضعف ساختاري يا ضعف فيزيكي يا انحراف از راستاي قائم (61%)، مشكلات ريشه (59%) و زخم روي تنه و ريشه (55%) بيشترين سهم را دربر مي‌گيرند. همچنين نتايج حاصل از آزمون تجزيه واريانس يك طرفه معيارهاي تشخيصي خطرآفريني درختان چنار نشان داد كه تعداد درختان بين 4 طبقه فاقد خطر يا سالم، خطر كم، خطر متوسط و خطر زياد در سطح خطاي يك درصد داراي اختلاف معني‌دار هستند. نتايج مقايسه ميانگين آزمون دانكن نشان داد كه طبقه خطر متوسط با طبقات خطر كم و خطر زياد فاقد اختلاف معني‌دار هستند و ساير طبقات با يكديگر داراي اختلاف معني‌دار هستند. نتايج حاصل از آناليز مولفه اصلي نشان دهنده اين است كه محور اول و دوم 41/40 درصد از تغييرات كل را در برمي‌گيرند. پارامترهاي وزن‌دهي با زخم روي تنه و ريشه، تماس با خطوط و مشكلات ريشه نسبت به ساير متغيرهاي كمي و كيفي همبستگي بالا و مثبت را نشان دادند. به طور كلي دو متغير مشكلات ريشه و زخم روي تنه و ريشه از مهمترين متغيرهاي موثر در تعيين شدت خطرآفريني درختان چنار در منطقه مورد مطالعه در دو روش معيارهاي تشخيصي خطرآفريني و تجزيه و تحليل مولفه اصلي هستند. دقت و برازندگي شبكه عصبي با توجه به ضرايب تبيين بالاي داده‌هاي آموزشي، اعتبارسنجي، ارزيابي و در نهايت تمامي داده‌هاي شبكه عصبي (0/927، 0/930، 0/930 و 0/927) و حداقل ميانگين مربعات خطا (داده‌هاي آموزشي=0/186، ارزيابي=0/196 و اعتبارسنجي=0/169) در پيش‌بيني طبقات شدت خطرآفريني درختان چنار خيابان عباس آباد از سطح بسيار مطلوبي برخوردار است و همچنين منطبق بودن خروجي شبكه عصبي و داده‌هاي واقعي برهم دال بر كيفيت مناسب شبكه است.
نتيجه‌گيري: مشكلات ريشه و زخم بيشترين سهم را در خطر آفريني درختان چنار دارند و براساس طبقه‌بندي درختان در حال حاضر، در طبقه‌هاي خطر بسيار كم و كم قرار داشته ولي در آينده قابليت تبديل شدن به درختان خطرناك را دارند. بنابراين در مجموع اقدامات پيشگيرانه و اصلاحي براي درختان با خطر كم و متوسط پيشنهاد مي‌شود. با توجه به كارايي مطلوب شبكه عصبي در طبقه‌بندي شدت ريسك درختان چنار خطرآفرين در فضاي سبز شهري به عنوان يك مدل پيش‌بيني در ارزيابي احتمال سقوط درختان چنار معرفي نمود.
چكيده لاتين :
Background and Objectives: Street trees in urban green space, despite all the benefits, any
defect due to old tree age, loss of tree resistance because of the industrialization, population
density and pollution of the big cities, as well as repeated droughts, can lead to the risk of
personal injury or damage to property. Therefore, the importance of exploring and identifying
hazardous trees has increased the in the large cities. For this propose, the estimation of the risk
possibility of plane trees (Plantanus orientalis L.) in the green space of Abbas-Abad in Isfahan
and their fall risk model prediction was done using Artificial Neural Network.
Materials and Methods: Isfahan was studied, using data coming from a full survey method and
using quantitative tree body proportions and few risk factors (qualitative or imperfect
properties). Following coining the share of each of the hazard criteria and their ratio importance
indices One-way ONOVA test compared of the number of trees in different risk levels. Then,
all the trees scored via the biased levels of their risk levels. Accordingly, based on the weighted
scores, they were divided into five hazardous categories according. To develop an
understanding of the quantitative variables, risk factors, the weight parameters and hazard
classes, we carried out a principal component analysis (PCA) and a multi-layer perceptron
(MLP) network procedure.
Results: The results from the proportion of each hazard index reviled the importance of the
importance of the structural tree weakness (61%), root problems (59%) and trunk and root
wounds (55%). Also, results of One-way ANOVA test, showed the risk levels of the planted
trees can be significantly classified into four classes of: with no risk or healthy, low, moderate
and high risk classes, at one percent error level. The results of Duncan's mean test showed that
the number of trees in no risk and low risk classes were significantly higher than the other
classes at one percent error level. The results from the PCA indicated that the first and second
components explained 41.40 percent of the total variation. The risk and weighting parameters of
the wound on the trunk and root, contact power lines, root problems were highly and positively
correlated. In general, the two variables of the root problems trunk as well as root wounding
were among the most important variables in term of risk assessment of the plane trees. The high
coefficient of determination values of training, validation, verification and finally all neural
network data (0.927, 0.930, 0.930 and 0.927) and the least mean square error values (training
data = 0.186, verification 0.196 and validation = 0.169) indicated, the accuracy desirability of
the artificial neural network in the prediction of the risk classes of street side trees.
Conclusion: Root and wound problems have the greatest portion in the risk of Platanus
orientalis L. and, based on the classification of trees, are currently in low and very low risk, but
they are capable of becoming dangerous trees in the future. In general preventive and corrective
measures are proposed for low and intermediate risk trees. Regarding the optimal performance
of the Neural Network for the classification of the hazardous P. orientalis trees in the urban
green space, it is introduced as a prediction model in evaluating the probability of fallen trees.
