مدل سازی مشخصات سرپای درخت برای برآورد حجم و زی توده گونه کیکم Acer monspessulanum L. Subsp. cinerascens (Boiss.) با استفاده از رگرسیون چند متغیره
Publish place: Ecology of Iranian Forests، Vol: 3، Issue: 6
Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 876
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IFEJ-3-6_002
تاریخ نمایه سازی: 15 مهر 1400
Abstract:
پیشبینی حجم و زیتوده درختان چند شاخه بر اساس مشخصات سرپا اهمیت زیادی در جنگلداری دارد. در این تحقیق ۲۰ درخت کیکم در جنگل باغ شادی یزد به صورت تصادفی در چهار ترانسکت انتخاب و پس از اندازهگیری نماینده قطر یقه، ارتفاع، تعداد ساقه، قطر و مساحت تاج، قطع انجام شد. تنه و سرشاخهها تفکیک و توزین شده و دیسکهایی از قسمت های مختلف تنه درختان گرفته و به آزمایشگاه منتقل شد. وزن خشک و حجم نمونهها محاسبه و بر اساس نسبت وزن خشک به وزن تر و نیز وزن مخصوص نمونهها، وزن خشک (زیتوده بالای زمین) و حجم کل درختان قطع شده محاسبه گردید. جهت مدل سازی روابط مشخصات سرپا با حجم و زیتوده، از رگرسیون خطی چندمتغیره و تخمین منحنی استفاده شد. نتایج نشان داد که رابطه قوی و معنیداری بین حجم و زیتوده درختان کیکم با ارتفاع و نماینده قطر یقه وجود دارد. مدلهای دومتغیره مبتنی بر این دو صفت برای پیشبینی وزن تر و خشک شاخهها یا درواقع تاج درخت (۸۵/۰=۲R)، وزن تر و خشک کل درخت (۸۶/۰=۲R) و حجم کل درخت (۸۷/۰=۲R) معنیدار و معتبر بودند. قدرت پیشبینی مدل های درجه دو مبتنی بر ارتفاع تا ۱۰ درصد نسبت به مدلهای خطی افزایش داشت. افزایش ضریب تعیین در مدلهای دومتغیره نسبت به تک متغیره برای ارتفاع کل و نماینده قطر یقه ازنظر آماری معنیدار بوده و ضرایب بین ۶ تا ۴۴ درصد افزایش داشت. همچنین میزان خطا بین ۱۵ تا ۴۱ درصد کاهش نشان داد. درمجموع باید گفت دو متغیر ارتفاع کل و نماینده قطر یقه میتوانند نزدیک به ۹۰ درصد زیتوده و حجم درختان چند شاخه کیکم را با دقت بالا پیشبینی کنند.
Keywords:
Above-ground Biomass , Allometry , Multiple Regression , Standing Volume , Yazd , آلومتری , حجم سرپا , رگرسیون چندمتغیره , زی توده بالای زمین , یزد
Authors
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :