تهیۀ نقشۀ توان تولید رویشگاه راش شرقی با استفاده از دو روش کریجینگ و معکوس فاصلۀ وزنی (پژوهش موردی: جنگل پژوهشی دانشگاه تربیت مدرس)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد گروه جنگلداری، دانشکدة منابع طبیعی و علوم دریایی نور، دانشگاه تربیت مدرس

2 استادیار دانشگاه تربیت مدرس

3 استاد گروه جنگلداری، دانشکدة منابع طبیعی و علوم دریایی نور، دانشگاه تربیت مدرس

چکیده

تهیۀ نقشۀ متغیرهای کمّی جنگل، امری اجتناب‌ناپذیر در مدیریت و بهره‌برداری پایدار اکوسیستم جنگلی است. نقشۀ توان تولید جنگل، پتانسیل رویشگاه را در زمینۀ مواردی همانند تولید چوب، ترسیب کربن و غیره نشان می‌دهد و به‌طور معمول معرف شاخص توان تولید یک گونة خاص است. با توجه به گستردگی سطح جنگل‌های شمال کشور و کوهستانی بودن عرصه‌ها، امکان صرف زمان و هزینة زیاد و آماربرداری صددرصد برای تهیۀ نقشه‌های دقیق وجود ندارد. ازاین‌رو یافتن روش مناسب برای تهیۀ نقشۀ ویژگی‌های کمّی جنگل‌ها ضروری است. تحقیق حاضر در زمینۀ تهیۀ نقشۀ توان تولید رویشگاه راش با استفاده از دو روش کریجینــگ معمولی و معکوس فاصلة وزنی در جنگل دانشگاه تربیت مدرس انجام گرفته است. به‌منظور جمع‌آوری اطلاعات لازم، از 123 قطعه نمونۀ دایره‌ای با مساحت 1000 متر مربع در توده‌هایی که در آنها گونۀ راش غالب بود استفاده شد. نتایج بررسی حاضر نشان می‌دهد با توجه به معیارهای میانگین خطا (036/0-=OK، 192/0-=IDW)، میانگین قدرمطلق خطا (598/1=OK، 749/1=IDW)، مجذور میانگین مربعات خطا (053/2=OK، 223/2=IDW) و معیارهای نسبی میانگین خطا (104/0=OK، 553/0=IDW) و مجذور میانگین مربعات خطا (906/5=OK، 393/6=IDW)، روش کریجینگ عملکرد بهتری دارد. نتایج پژوهش حاضر نشان می‌دهد که روش زمین‌آماری کریجینگ قادر به تبیین تغییرهای مکانی توان تولید در منطقۀ تحقیق است و می‌تواند نقشۀ پهنه‌بندی آن را با صحت مناسب تولید کند.

کلیدواژه‌ها


عنوان مقاله [English]

Beech forest site productivity mapping using ordinary kriging and IDW (Case study: research forest of Tarbiat Modares University)

نویسندگان [English]

  • Zahra Ahadi 1
  • Jalil Alavi 2
  • Mohsen Hoseini 3
چکیده [English]

Estimation and mapping of forest resources is a prerequisite for sustainable forest management. Site productivity is a key indicator of forest ecosystem services like wood production, carbon sequestration, etc. It allows foresters to forecast growth and production and hence select the most suitable tree species for a site. Due to the extent of Hyrcanian forests and mountainous areas in these forests that are sometimes difficult to access, it seems necessary to find suitable methods for mapping the quantitative parameters in these forests. In this study, site form index which is the most reliable criterion for evaluating the site productivity of mixed and uneven stands was used. This study aims at mapping beech forest site productivity by using ordinary kriging and inverse distance weighted in research forest of Tarbiat Modares University. For this purpose, 123 0.1 ha circular sample plots were laid out in beech dominated stands. The height and diameter of beechtrees with DBH ≥ 7.5 cm within each plot was recorded. The cross validation results showed that by using criteria such as mean error (OK=-0.036, IDW=-0.192), mean absolute error (OK=1.598, IDW=1.749), root mean square error (OK=2.053, IDW=2.223), relative mean error (OK=0.104, IDW=0.553) and relative root mean square error (OK=5.906, IDW=6.393), Kriging had significant advantage over IDW method and showed high estimation accuracy. Therefore, the methods can be applied to similar uneven-aged beech stands in the north of Iran.

کلیدواژه‌ها [English]

  • Beech
  • IDW
  • interpolation
  • Kriging
  • Site Productivity
[1]. Akhavan, R., and Kleinn, C. (2009). On the potential of kriging for estimation and mapping of forest plantation stock (Case study: Beneshki plantation). Iranian Journal of Forest and Poplar Research, 17(2): 303-318.

[2]. Aertsen, W., Kint, V., Von Wilpert, K., Zirlewagen, D., Muys, B., and Van Orshoven, J. (2012). Comparison of location-based, attribute-based and hybrid regionalization techniques for mapping forest site productivity. Forestry, 85(4): 539-550.

[3]. Mandallaz, D. (2000). Estimation of the spatial covariance in universal kriging: application to forest inventory. Environmental and Ecological Statistics, 7(3): 263-284.

[4]. Lewis, S. )2005(. Mapping Forest Parameters Using Geostatistics and Remote Sensing Data. Department of Geography, University College London. 392pp.

[5]. Freeman, E.A., and Moisen, G.G. (2007). Evaluating kriging as a tool to improve moderate resolution maps of forest biomass. Environmental Monitoring and Assessment, 128(1-3): 395-410.

[6]. Flores, G., Moreno, G., Rincón, R., and González-Cabán, A. (2008). Reconstruction of forest areas using geostatistics as an aid in the evaluation of burned areas. General Technical Report-Pacific Southwest Research Station, USDA Forest Service, (PSW-GTR-208): 291-302.

[7]. Meng, Q., Cieszewski, C., and Madden, M. (2009). Large area forest inventory using Landsat ETM+: a geostatistical approach. ISPRS Journal of Photogrammetry and Remote Sensing, 64(1): 27-36.

[8]. Akhavan, R., and Kia-Daliri, H. (2010). Spatial variability and estimation of tree attributes in a plantation forest in the Caspian region of Iran using geostatistical analysis. Caspian Journal of Environmental Sciences, 8(2): 163-172.

[9]. Fakhire, A., and Najafi Zilaie, M. (2014). Comparison of Different Kriging Methods to Estimate the Tree Density. A Case Study: West of Karkheh in Southwest of Iran. ProEnvironment, 20(7): 204-212.

[10]. Akhavan, R., Karami Khorramabadi, M., and Soosani, J. (2012). Application of Kriging and IDW methods in mapping of crown cover and density of coppice oak forests (case study: Kakareza region, Khorramabad). Iranian Journal of Forest, 3(4): 305-316.

[11]. Akhavan, R., Kia-Daliri, H., Etemad, V., Hassani, M., and Mirakhorlou, Kh. (2014). Geostatistically estimation and mapping of forest stock in a natural unmanaged forest in the Caspian region of Iran (Case study: Keyroud forest, Nowshahr). Iranian Journal of Forest and Poplar Research, 22(2): 188-203.

[12]. Ahmadi, K., Alavi, S.J., and Tabari Kouchaksaraei, M. (2015). Evaluation of oriental beech (Fagus orientalis L.) site productivity using generalized additive model (Case study: Tarbiat Modares University Forest Research Station). Iranian Journal of Forest, 7(1): 17-32.

[13]. Pinheiro, J., Bates, D., DebRoy, S., and Sarkar, D. (2015). nlme: Linear and Nonlinear Mixed Effects Models. R package version 3.1-120, URL: http://CRAN.R-project.org/package=nlme.

[14]. R Core Team (2014).R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, URL http://www.R-project.org/.

[15]. Pebesma, E., Cornford, D., Dubois, G., Heuvelink, G.B.M., Hristopoulos, D., Pilz, J., Stoehlker, U., Morin, G., and Skoien, J.O. (2011). INTAMAP: the design and implementation of an interoperable automated interpolation web service. Computers & Geosciences, 37(3): 343-352.

[16]. Bivand, R.S., Pebesma, E.J., and Gómez-Rubio, V. (2013). Applied spatial data analysis with R, Springer, New York.