بررسي و پيش‌بيني زوال درختان بلوط با استفاده از مدل رگرسيون لجستيك (مطالعه موردي: جنگل‌هاي بيوره ملكشاهي- ايلام)

Assessment and prediction of oak trees decline using logistic regression model (Case study: Bivareh forest, Malekshahi-Ilam)

    تنش‌های ناشی از خشكسالی‌های اخیر و نفوذ ریزگردها سبب ضعف فیزیولوژیك درختان بلوط شده است به‎طوری‎كه حملات حشرات و عوامل بیماری‌زا منجر به خشكیدگی درختان بلوط در جنگل‌های زاگرس شده است. برای ارزیابی تأثیر عوامل فیزیوگرافی شكل زمین، تراكم پوشش جنگلی و خاك منطقه بر میزان و پراكنش خشكیدگی درختان بلوط در جنگل‌های بیوره شهرستان ملكشاهی در استان ایلام از مدل رگرسیون لجستیك استفاده شد. بدین‎منظور در قطعه‌ نمونه‌ای به مساحت 540 هكتار با استفاده از سیستم موقعیت‌یاب جهانی اقدام به برداشت موقعیت درختان خشكیده شد. سپس با استفاده از این نقاط و مدل رقومی ارتفاع منطقه مورد مطالعه نقشه‌های درختان خشكیده بلوط، ارتفاع از سطح دریا، جهت شیب و درصد شیب، تراكم پوشش جنگلی و خاك منطقه تهیه شد. برای درك ارتباط هر یك از عوامل با خشكیدگی درختان بلوط از مدل رگرسیون لجستیك استفاده شد، به‌طوری‌ كه نقشه‌های عوامل ذكر شده به‎عنوان متغیر مستقل و نقشه موقعیت درختان خشكیده بلوط به‌ عنوان متغیر وابسته وارد مدل رگرسیونی شدند. نتایج حاصل از مدل نشان داد كه با افزایش ارتفاع از سطح دریا و در جهت‌های جنوبی و غربی و افزایش تراكم پوشش جنگلی و در مناطق با عمق كم خاك و افزایش درصد شیب منطقه میزان و پراكنش درختان خشكیده بلوط افزایش می‌یابد. در نهایت بر اساس تأثیر هر یك از متغیرهای مستقل و نقشه كنونی موقعیت درختان خشكیده، نقشه احتمال خشكیدگی درختان بلوط در آینده تهیه شد.

    Stresses caused by recent droughts and fine dust lead to physiological weakness of oak trees as the insect outbreaks and pathogens lead to oak tree decline in the Zagros forests. To evaluate the effect of physiographic factors (terrain relief), forest cover density and soil on the amount and distribution of dead standing oak trees, a logistic regression model was used. An area of 540 ha of oak forests in the Bivareh region from Malekshahi country in Ilam province was selected. Global positioning system was used for recording all dead standing oak trees. Then, using the recorded points of dead standing trees and digital elevation model, different required maps of the study area like distribution map of dead standing oak trees, elevation classes map, aspect and slope percentage maps, forest density map and soil map were developed. In order to understand the relationship of each factor with dead standing oak trees a logistic regression model was used, with the maps of aforementioned factors as independent variables and the map of location of dead standing oak trees as the dependent variable. The results showed that with increasing altitude in the western and southern aspects, increasing forest cover density and in areas with shallow soils and steep terrain the amount and distribution of dead standing oak trees were increased. Finally, based on the current position map of dead standing oak trees, the effects of independent variable probability maps of dead standing oak trees for the future was produced.