بررسي كاربرد روش نمونه‌برداري k-nn در جنگلهاي زاگرس (مطالعه موردي: جنگل كارزان ايلام)

براي تداوم نقش به‌سزاي جنگلهاي زاگرس در حفاظت آب، خاك و حيات ‌وحش بايد راهكارهاي مناسب براي ارزيابي شرايط موجود و برنامه‌ريزي اين جنگلها ارايه نمود. اين مطالعه در مناطق جنگلي اطراف شهرستان ايلام (منطقه كارزان) در يك محدوده جنگلي با منشا دانه و شاخه‌زاد به مساحت 86 هكتار اجرا شد. ابتدا در منطقه مورد پ‍ژوهش آماربرداري صددرصد انجام شد. سپس مختصات جغرافيايي (طول و عرض) هر درخت روي زمين و مشخصه‌هاي كمي درخت (قطر تاج و قطر برابرسينه درختان دانه زاد) مورد اندازه‌گيري قرار گرفت. در محيط GIS و با نرم‌افزار Arcview قطعات نمونه هشت سلولي (هشت زير قطعه نمونه) در رايانه براي شبكه‌هاي آماربرداري 100×100، 100×200 و200×200 متر شبيه‌سازي و محاسبات آماري انجام شد. ميانگين تعداد درخت در هكتار و متوسط مساحت تاج درختان در هكتار سه شبكه فوق با مقدار واقعي آن (آماربرداري صددرصد) با استفاده از آزمون t و در سطح 5 درصد مورد مقايسه قرار گرفت. نتايج نشان داد در سطح 5 درصد اختلاف معني‌داري بين ميانگين شاخصهاي مورد بررسي سه شبكه آماربرداري و ميانگين واقعي وجود ندارد.

For maintaining of Zagros forests role in wild life, water and soil conservation, the suitable solutions and methods for assessing the existing conditions and planning for management of this forests should be given. This study was carried out in forest regions around Ilam city (Karzan region) in a forest area of 86 ha with coppice and seed origin. At first, a 100 percent forest inventory was implemented. The coordinates of each tree on the ground was recorded and their quantitative attributes (crown diameter, DBH of seed origin trees) were measured. Using Arcview software in GIS environment the eight cells sample plots for different inventory networks namely 100 m×100 m, 100 m×200 m and 200 m×200 m were simulated and statistical analysis were done. The mean value of trees density per hectare for all three networks were calculated and compared with their real data (100 percent inventory) by t-test (?=0.05). Results showed that there is no significant difference between mean values in three inventory networks and the real mean value.