| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,846 |
| تعداد مقالات | 32,300 |
| تعداد مشاهده مقاله | 41,387,182 |
| تعداد دریافت فایل اصل مقاله | 18,562,196 |
مقایسه روش‌های نمونه‌برداری k-NN در برآورد تراکم درختان بنه (Pistacia atlantica Desf.) با الگوی مکانی کپه ای در یک توده تنک زاگرس(Pistacia atlantica Desf.) | ||
| تحقیقات جنگل و صنوبر ایران | ||
| مقاله 6، دوره 23، شماره 4، دی 1394، صفحه 626-636 اصل مقاله (450.54 K) | ||
| نوع مقاله: علمی- پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijfpr.2015.106584 | ||
| نویسندگان | ||
| معصومه موصلو1؛ سیدیوسف عرفانی فرد* 2 | ||
| 1دانشجوی کارشناسی ارشد، دانشکده کشاورزی، دانشگاه شیراز | ||
| 2استادیار، دانشکده کشاورزی، دانشگاه شیراز | ||
| چکیده | ||
| تراکم (تعداد درختان در واحد سطح) یکی از مشخصه‌های ساختاری مهم در توده‌های جنگلی است که در درک پویایی جنگل مناسب است. روش kامین نزدیکترین همسایه (k-NN) یک روش فاصله‌ای است که به‌طور متداول در آماربرداری جنگل برای برآورد مشخصه‌های کمی به‌کار میرود. در این مطالعه روش k-NN با پنج راهکار نزدیکترین فرد (NI)، نزدیکترین همسایه (NN)، جفت‌های تصادفی (RP)، چارک نقطه مرکز (PCQ) و همسایه چارکی (QN) برای برآورد تراکم درختان بنه (Pistacia atlantica Desf.) در جنگل‌های زاگرس استفاده شد. یک توده با مساحت 45 هکتار در رویشگاه تحقیقاتی بنه انتخاب شد و به‌منظور تعیین تراکم واقعی، آماربرداری صددرصد شد. توزیع مکانی درختان بنه، کپه‌ای (0/79=R و 12/38-=z) و تراکم آنها 19/44 درخت در هکتار بود. سپس روش k-NN با راهکارهای مختلف و k برابر دو تا 10 در 46 نقطه نمونه‌برداری در یک شبکه 100 × 100 متری مورد استفاده قرار گرفت. نتایج نشان داد که به‌جز راهکار PCQ، روش k-NN با سایر راهکارها مقدار تراکم را به‌طور معنی‌داری (در سطح اطمینان 95 درصد) درست برآورد کرد. تعداد k و راهکار انتخاب آن بر صحت و دقت نتایج روشk-NN تأثیر گذاشت، به‌نحوی‌که 4=k در NI، 7=k در NN و 2=k در RP و QN تراکم درختان بنه را با کمترین خطا (RMSE و اریبی) برآورد کردند. به‌طور کلی نتایج نشان داد که روش k-NN بهینه با k و راهکار مناسب توانسته تراکم درختان بنه با توزیع مکانی کپه‌ای را در یک توده تنک در جنگل‌های زاگرس برآورد کند. | ||
| کلیدواژه‌ها | ||
| بنه؛ تراکم؛ زاگرس؛ خطا؛ k-NN | ||
| عنوان مقاله [English] | ||
| Comparing different k-NN sampling methods for density estimation of wild pistachio (Pistaciaatlantica Desf.) with clustered spatial pattern in a Zagros open stand | ||
| نویسندگان [English] | ||
| Masoume Moselou1؛ Seyyed Yousef Erfanifard2 | ||
| 1M.Sc. Student, College of Agriculture, Shiraz University | ||
| 2Assistant Prof., College of Agriculture, Shiraz University | ||
| چکیده [English] | ||
| Density (i.e. number of trees per unit area) is one of the important structural attributes of forest stands which is appropriate to understand forest dynamics. The k-Nearest Neighbour (k-NN) method is a distance sampling method which is commonly used to estimate quantitative attributes in forest inventories. In this study, the k-NN method with five strategies of Nearest Individual (NI), Nearest Neighbour (NN), Random Pairs (RP), Point-Centered Quarter (PCQ), and Quartered Neighbour (QN) was used to estimate the density of wild pistachio (Pistacia atlantica Desf.) in Zagros woodlands. A natural stand of 45 ha was selected in Bane Research Site, and was fully callipered to derive the true density. The spatial distribution of trees was clustered (R=0.79 and z = -12.38) with a true density of 19.44 trees per ha. While applying the k-NN method, different strategies as well as k ranging between 2 and 10 were tested across 46 sample points in a 100 × 100 m2 sampling grid. The results showed that all strategies except PCQ significantly estimated the density at α=0.05. Furthermore, the number of k and the strategy of k-tree selection affected the accuracy and precision of k-NN results, since NI in k=4, NN in k=7, RP and QN in k=2 estimated the density with the least error (RMSE and Bias). In conclusion, the optimum k-NN method with appropriate k and strategy could estimate the density of wild pistachio trees with clustered spatial distribution in an open stand in Zagros woodlands. | ||
| کلیدواژه‌ها [English] | ||
| wild pistachio, Density, Zagros, error, k-NN | ||
| مراجع | ||
|
- Askari, Y., Zobeiri, M. and Sohrabi, H., 2013. Comparison of five distance sampling methods for estimating quantitative characteristics of Zagros forests. Iranian Journal of Forest and Poplar Research, 21(2): 316-328 (In Persian). - Baffetta, F., Corona, P. and Fattorini, L., 2011. Design-based diagnostics for k-NN estimators of forest resources. Canadian Journal of Forest Resources, 41: 59-72. - Bonham, C.D., 2013. Measurements for terrestrial vegetation. Wiley-Blackwell Publishers, West Sussex, 246p. - Bryant, D.M., Ducey, M.J., Innes, J.C., Lee, T.D., Eckert, R.T. and Zarin, D.J., 2004. Forest community analysis and the point-centered quarter method. Plant Ecology, 175: 193-203. - Chirici, G., Winter, S. and McRoberts, R.E., 2011. National Forest Inventories: Contributions to Forest Biodiversity Assessments. Springer, New York, 226p. - Diggle, P.J., 2003. Statistical analysis of spatial point patterns. Arnold Publishers, New York, 159p. - Engeman, R.M., Sugihara, R.T., Pank, L.F. and Dusenberry, W.E., 1994. A comparison of plotless density estimators using Monte Carlo simulation. Ecology, 75(6): 1769-1779. - Erfanifard, Y. and Mahdian, F., 2012. Comparative investigation on the methods of true spatial pattern analysis of trees in forests, Case study: Wild pistachio research forests, Fars province, Iran. Iranian Journal of Forest and Poplar Research, 20(1): 62-73 (In Persian). - Fehrmann, L. and Kleinn, C., 2005. A k-Nearest Neighbour approach for estimating of single-tree biomass. Proceedings of the 7th FIA Symposium, USA, 3-6 Oct. 2005: 251-259. - Guebas, F.D. and Koedam, N., 2006. Empirical estimate of the reliability of the use of the Point-Centered Quarter Method (PCQM): Solutions to ambiguous field situations and description of the PCQM+ protocol. Forest Ecology and Management, 228: 1-18. - Hanberry, B.B., Yang, J., Kabrick, J.M. and He, H.S., 2012. Adjusting forest density estimates for surveyor bias in historical tree surveys. American Midland Naturalist, 167: 285-306. - Hijbeek, R., Koedam, N., Khan, M.N.I., Kairo, J.G., Schoukens, J. and Guebas, F.D., 2013. An evaluation of plotless sampling using vegetation simulations and field data from mangrove forest. PLoS ONE, 8(6): 1-10. - Hill, D., Fasham, M., Tucker, G., Shewry, M. and Shaw, P., 2005. Handbook of Biodiversity Methods. Cambridge University Press, Cambridge, 573p. - Jahan, A., Akhavan, R. and Erfanifard, Y., 2010. Application of k-NN (9-tree) sampling method in central Zagros forests (Case study: Servak forest, Yasouj). The 1st Symposium on Threats and Destroying Factors of Biodiversity in Central Zagros. Iran, 16-17 Feb. 2010: 231-233 (In Persian). - Jazirehi, M.H. and Ebrahimi Rostaghi, M., 2003. Silviculture in Zagros. University of Tehran Press, Tehran, 560p (In Persian). - Kangas, A. and Maltamo, M., 2006. Forest Inventory: Methodology and Applications. Springer, 365p. - Karamshahi, A., Zobeiri, M., Namiranian, M. and Feghhi, J., 2012. Investigation on application of k-NN (k-Nearest Neighbor) sampling method in Zagros forests (Case study: Karzan forest, Ilam). Iranian Journal of Forest and Poplar Research, 19(4): 453-46 (In Persian). - Kleinn, C. and Vilcko, F. 2005. On estimation in k-tree sampling. Proceedings of the 7th FIA Symposium. USA, 3-6 Oct. 2005: 203-208. - Kleinn, C. and Vilcko, F., 2006. A new empirical approach for estimation in k-tree sampling. Forest Ecology and Management, 237: 522-533. - Kung, Y.H., Lin, P.S. and Kao, C.H. 2012. An optimal k-nearest neighbor for density estimation. Statistics and Probability Letters, 82: 1786-1791. - Leavitt, S.D. and Clair, L.L., 2011. Estimating Xanthoparmelia (Parmeliaceae) population density in subalpine communities in southern Utah, U.S.A. using two distance methods, with implications for assessing community composition. Bryologist, 114(3): 625-636. - Magnussen, S., 2012. A new composite k-tree estimator of stem density. European Journal of Forest Research, 131: 1513-1527. - Magnussen, S., Fehrman, L. and Platt, W.J., 2012a. An adaptive composite density estimator for k-tree sampling. European Journal of Forest Research, 131: 307-320. - Magnussen, S., McRoberts, R.E. and Tomppo, E.O., 2012b. A resampling variance estimator for the k nearest neighbours technique. Canadian Journal of Forest Research, 40: 648-658. - McRoberts, R.E., 2012. Estimating forest attribute parameters for small areas using nearest neighbors techniques. Forest Ecology and Management, 272: 3-12. - Owji, M.G. and Hamzepour, M., 2012. Vegetation profile of wild pistachio experimental forest. Published by Research Institute of Forests and Rangelands, Tehran, 240p (In Persian). - Temesgen, H., Barrett, T.M. and Latta, G., 2008. Estimating cavity tree abundance using Nearest Neighbor imputation methods for western Oregon and Washington forests. Silva Fennica, 42(3): 337-354. - Pourreza, M., Shaw, J.D. and Zangeneh, H., 2008. Sustainability of wild pistachio (Pistacia atlantica Desf.) in Zagros forests, Iran. Forest Ecology and Management, 255: 3667-3671. - Seo, H.S., Phua, M.H., Ong, R., Choi, B. and Lee, J.S., 2014. Determining aboveground biomass of a forest reserve in Malaysian Borneo using k-Nearest Neighbour method. Journal of Tropical Forest Science, 26(1): 58-68. - Zhu, X. and Zhang, J., 2009. Quartered neighbor method: a new distance method for density estimation. Frontiers of Biology in China, 4(4): 574-578. | ||
|
آمار تعداد مشاهده مقاله: 1,023 تعداد دریافت فایل اصل مقاله: 564 |
||