بررسي فاكتورهاي موثر رويشگاهي بر فراواني قارچ هاي ماكروسكوپي چوب زي و تحليل حساسيت با استفاده از شبكه عصبي مصنوعي (مطالعه موردي: جنگل خيرود نوشهر)

Investigation of affective habitat factors affecting on abundance of wood macrofungi and sensitivity analysis using the artificial neural network (case study: Kheyrud forest, Noshahr)

يكي از مزاياي شبكه عصبي مصنوعي قابليت كاربرد آن در مديريت و برنامه ريزي اكوسيستم هاي طبيعي است. با توجه به اينكه جنگل هاي شمال ايران داراي تنوع رويشگاهي بالايي هستند و براي مديريت آنها نياز به شناخت اكوسيستم اين جنگل ها داريم، بررسي اين موضوع كه استفاده از شبكه عصبي مصنوعي تا چه حدي در كلاسه بندي حضور و فراواني قارچ هاي ماكروسكوپي جنگل ها موثر است، از اهميت خاصي برخوردار است. بنابراين براي كسب اطلاعات در اين زمينه، جنگل آموزشي و پژوهشي خيرود در نوشهر انتخاب شد و بعد از انجام جنگل‌گردشي هاي مقدماتي و انتخاب قطعه‌هاي مورد نظر نمونه برداري، در فصول تابستان و پاييز طي چندين برداشت در قطعه‌هاي 110، 207 و 311 به‌ترتيب در بخش هاي پاتم، نم خانه و گرازبن اين جنگل، آماربرداري صددرصد از كليه درختان بلندمازو و ممرز قارچ زده انجام گرديد. درمجموع، از اين سه قطعه ،231 نمونه قارچ ماكروسكوپي از روي درختان بلندمازو و ممرز جمع آوري گرديد كه 112 نمونه آنها مربوط به قارچ هاي چوب زي بودند. نتايج اين تحقيق نشان داد كه شبكه عصبي مصنوعي طراحي شده، قابليت خوبي در كلاسه بندي فراواني قارچ هاي ماكروسكوپي درختان مورد مطالعه دارد. شبكه با دو لايه پنهان و 11 نرون در هر لايه با توجه به بيشترين مقدار ضريب تعيين، بهترين عملكرد بهينه سازي توپولوژي را نشان مي دهد. تعداد ورودي ها برابر با 112 نمونه با 11 متغير و تعداد خروجي ها شامل چهار طبقه يا كلاس فراواني قارچ است. نتايج مربوط به آناليز حساسيت مولفه هاي بكار برده شده به منظور مدل سازي در پيش‌بيني هريك از كلاسه هاي قارچ با استفاده از شبكه عصبي مصنوعي نيز نشان داد كه درجه پوسيدگي خشكه دار، سلامت درخت، وضعيت درخت و ريزاقليمي توده به‌ترتيب بيشترين تاثير را در حضور و فراواني قارچ هاي ماكروسكوپي از خود نشان مي دهند.

One advantage of artificial neural networks is application in the management and planning of natural ecosystems. Considering the high biological diversity of northern forests of Iran, it is necessary to know forests ecosystems. Thus, using artificial neural networks is important for modeling and forecasting of presence and abundance of wood macrofungi in forests. Fungi samples were collected in summer and fall seasons on oak and hornbeam trees from compartments 110, 207 and 311 in educational and research forest of the University of Tehran. Totally 231 samples of macrofungi were collected that 112 samples of them belong to wood decay fungi. Results showed that the designed artificial neural network, has suitable potential for modeling of abundance of wood fungi. Network with two hidden layers and 11 neurons in each layer with the highest coefficient of determination, show the best performance of topology optimization. The number of inputs and outputs equal to 112 samples with 11 variables including density class 4 or class of fungi. Sensitivity analysis showed the decay stage of tree, tree health status and its condition and stand microclimate have the most effect on presence and abundance of wood macrofungi.