مقايسه روش رگرسيون لجستيك با تحليل تابع تشخيص در شناسايي عوامل موثر در پراكنش تيپ وي‌‌ول خالص در جنگل‌هاي آرمرده بانه

Comparison of Logistic Regression and Discriminate Analysis in Recognition of the Factors Affecting on the Distribution of Quercus Libanii of Armardeh Forests at Baneh, Kurdistan Province

پراكنش گیاهان تحت تأثیر دامنه مشخصی از عوامل اكولوژیكی رویشگاه از قبیل ارتفاع از سطح دریا، شیب، جهت دامنه و یا تركیبی از چند متغیر یاد شده است. این تحقیق به منظور تعیین مهمترین عوامل توپوگرافی موثر در پراكنش تیپ وی‌ول خالص در جنگل‌های حوزه آرمرده بانه با مساحت حدود 17000 هكتار انجام شد. در این راستا دقت دو مدل روش رگرسیون لجستیك و تحلیل تابع تشخیص مورد بررسی قرار گرفت. بدین منظور دو شبكه نمونه‌برداری تصادفی با تعداد مساوی یكی برای مناطق حضور تیپ وی‌ول خالص و دیگری برای مناطق عدم حضورتیپ وی‌ول خالص تهیه شد. در محل هر یك از نمونه‌ها، عوامل توپوگرافی از نقشه‌ها استخراج شدند. دو طبقه حضور و عدم حضور به‌عنوان متغیر وابسته و عوامل توپوگرافی شامل ارتفاع از سطح دریا، جهت شیب، شیب و فاصله از آبراهه به‌عنوان متغیرهای مستقل وارد تحلیل شدند. نتایج نشان داد كه سطح زیر منحنی راك در روش رگرسیون لجستیك با مقدار 746/0 بیشتر از روش تحلیل تابع تشخیص با مقدار 502/0 می‌باشد. علاوه بر این صحت كلی طبقه‌بندی روش رگرسیون لجستیك بالاتر از روش تحلیل تابع تشخیص بود. نتایج این تحقیق می‌تواند برای اهداف مدیریتی در توسعه و احیاء اكوسیستم‌های جنگلی كاربرد داشته باشد.

The study site, Armardeh forest, is located in Baneh, Kurdistan Province. The study area covers approximately 17000 ha. In this study, logistic regression and discriminant analysis methods were used and their performances were compared. Two random sampling grids were overlaid on the presence and absence area of Quercus libani type as dependent variables. Physiographic factors including slope, aspect, elevation and distance from drains were extracted for each sampling site and considered as independent variables. The results showed that the area under the ROC curve (0.746) for logistic regression method is higher than the discriminant analysis with 0.502. Furthermore, the overall accuracy of the classification of the logistic regression was higher than discriminate analysis. The results of this study can be used in management and restoration of these forests.