ارائه مدل عددی برای برآورد وزن تنه درخت صنوبر (Popolus Deltoids)، بر پایه¬ی رگرسیون خطی چند متغیره
سینا پوررجبعلی 1 , وحید همتی 2 , علیرضا اسلامی 3 , سیدآرمین هاشمی 4 , سید یوسف ترابیان 5
1 - دانشجوی دکترای جنگلداری، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران
2 - استادیار گروه جنگلداری، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.
3 - دانشیار گروه باغبانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
4 - دانشیار ، گروه جنگلداری ، واحد لاهیجان ، دانشگاه آزاد اسلامی ، لاهیجان ، ایران
5 - استادیار گروه جنگلداری، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران
الکلمات المفتاحية: تخمین وزن تنه درخت, درخت صنوبر, رگرسیون خطی چندمتغیره, مدل¬سازی عددی.,
ملخص المقالة :
اندازه‌گیری وزن چوب درختان همواره پس از قطع درختان میسر بوده و با سختی‌ها و مشکلات زیادی همراه می¬باشد. تحقیق جاری با هدف ارائه مدلی عددی جهت تخمین وزن تنه درخت پیش از قطع طراحی گردیده¬است. در این راستا 400 اصله درخت در مناطق جنگل¬کاری شده غرب استان گیلان مورد بررسی قرار گرفت. پیش از قطع آنها، 11 متغیرِ از هر درخت اندازه¬گیری شد که به¬عنوان متغیر مستقل یا ورودی در مدل¬سازی در نظر گرفته شدند. پس از قطع درختان، وزن تنه درختان با اندازه گیری مستقیم از طریق ترازو بدست آمد. آزمون همبستگی پیرسون نشان داد که متغیرهای قطر برابر سینه، قطر در ارتفاع 3 متر، قطر در ارتفاع 4 متر، قطر یقه و ارتفاع تنه موثرترین متغیرها برروی وزن تنه درختان می¬باشند. سپس بر اساس این 5 متغیر، ترکیب¬های ورودی به مدل چیده شدند و مدل رگرسیون خطی چندمتغیره مورد آزمایش و ارزیابی قرار گرفت. نتایج نشان داد که مدل ارائه شده قادر است تنها با در دست داشتن دو متغیرِ قطر برابر سینه و ارتفاع تنه، وزن تنه درختان را با 98/65 = RMSE کیلوگرم و 919/0 =R2 تخمین بزند. با توجه به معیارهای NS و همچنین NRMSE که به¬ترتیب برابر با 909/0 و 080/0 گزارش شدند، کیفیت برآوردهای این مدل بسیار عالی ارزیابی می¬گردد. این دستاورد می¬تواند برای مدیران، برنامه ریزان و بهره وران صنعت چوب این امکان را فراهم سازد که پیش از قطع درختان با خطایی قابل قبول، وزن تنه هر درخت را برآورد نمایند.
Aghelpour, P. and Varshavian, V. (2020) Evaluation of stochastic and artificial intelligence models in modeling and predicting of river daily flow time series. Stochastic Environmental Research and Risk Assessment, 34(1): 33-50.
Bayat, M. (2017) Predicting and assessing the tree species survival and determining physiographic factors affecting on it in Mazandaran province Forests using artificial neural networks. Journal of Natural Environment, 70(4): 771-782.
Bayati, H. and Najafi, A. (2011) Application of artificial intelligence in trees stem volume estimation, Journal of Renewable Natural Resources Research, 2(4): 52-59.
Bayati, H. and Najafi, A. (2013) Performance comparison artificial neural networks with regression analysis in tree’s trunk volume estimation. Forest and Wood Products, 66(2): 177-191.
Cleugh, H.A.‚ 2004 Effects of Windbreak on Air Flow, Micro Climate & Crop Yield. USA: Springer Link, Inc.
Ghanbari, F., Shataee, Sh., Dehghani, A.A. and Ayoubi, Sh. (2009) Tree density estimation of forests by terrain analysis and artificial neural network. Journal of Wood & Forest Science and Technology, 16(4): 25-42.
Gorzin, F., Namiranian, M., Omid, M. and Bayat, M. (2017) Prediction commercial and cordwood volume of broadleaves using Artificial Neural Networks, Case study: Gorazbon distric of Kheyrood forest, Nowshahr. Iranian Journal of Forest and Poplar Research, 25(3): 517-527.
Guillemette, T. and DesRochers, A. (2008) Early growth and nutrition of hybrid poplars fertilized at planting in the boreal forest of western Quebec. Forest Ecology and Management, 255(7): 2981-2989.
Guo, X.Y. and Zhang, X.S. (2010) Performance of 14 hybrid poplar clones grown in Beijing, China. Biomass and Bioenergy, 34(6): 906-911.
Lefroy, E. (1991) Trees and shrubs as sources of fodder in Western Australia, The role of trees in sustainable agriculture conference, Albury NSW, September, pp. 19-32.
Mosaffaei, Z. and Jahani, A. (2021) Modeling of ash (Fraxinus excelsior) bark thickness in urban forests using artificial neural network (ANN) and regression models. Modeling Earth Systems and Environment, 7(3): 1443-1452.
Nelson, N.D., Meilan, R., Berguson, W.E., McMahon, B.G., Cai, M. and Buchman, D. (2019) Growth performance of hybrid poplar clones on two agricultural sites with and without early irrigation and fertilization. Silvae Genetica, 68(1): 58-66.
Ober, Pieter Bastiaan (2013) Introduction to linear regression analysis.
Peyrov, S., Najafi, A. and Alavi, S.J. (2014) Prediction of forest roadway using artificial neural network and multiple linear regressions. Forest Sustainable Development, 1(3): 285-296.
Szekai, Z., Fengjue, L., Daoqun, Z., Qingxiao, L., Xinsheng, M. and Zhenlei, Z. (1998) Utilization of poplar leaf as fodder. Agroforestry system in China.
Taylor, K.E. (2001) Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research: Atmospheres, 106(D7): 7183-7192.
Welham, C., Van Rees, K., Seely, B. and Kimmins, H. (2007) Projected long-term productivity in Saskatchewan hybrid poplar plantations: Weed competition and fertilizer effects. Canadian Journal of Forest Research, 37(2): 356-370.
Woodruff, N. P., & Zingg, A. W. (1952). Wind-tunnel studies of fundamental problems related to windbreaks (Vol. 112). US Department of Agriculture, Soil Conservation Service.
