Preparation of volume table of industrial species of beech based on data obtained from 3P sampling method
Subject Areas : natural resorcesDonya Rahmani Hesar 1 , Manochehr Namiranian 2 , Javad Azadeh 3
1 - M.Sc. of Forestry, Faculty of Natural Resources, University of Tehran, Karaj, Iran. *(Corresponding Author)
2 - Professor, Department of Forestry and Forest economics, Faculty of Natural Resources, University of Tehran, Karaj, Iran.
3 - - M.Sc. of Forestry, Faculty of Natural Resources, University of Tehran, Karaj, Iran.
Keywords: Volume estimation, volume description, equation, linear regression. ,
Abstract :
Background and Objective: Determining and estimating the volume of trees in the forest is one of the important issues in forest management. One way to reduce the cost and increase the speed of data collection is to use volume tables to estimate the volume inventory of a forest. In this research, the preparation of volume tariffs and their accuracy were investigated.
Material and Methodology: For this purpose, 899 data obtained from 3P sampling and beech re-sizing in Kheyrud forest of Nowshahr were used to prepare the tariff. R software was used for statistical analysis. Using one variable linear regression, the best relationship for determining the volume based on diameter equal to the chest was fitted. To select the best regression relationship, statistical criteria of data distribution charts, box charts, residual charts, analysis of variance were used and to validate models VIF, AIC, and BIC criteria were used. The selected regression relation was used to prepare the tariff.
Findings: The resulting volume tables were obtained in the same range from the data used to obtain the regression relation. Then the prepared tables and the available tables were compared by paired t-test. According to the results of the statistical test, at the 95% level, there is no significant difference between the measured volume and the corresponding predicted volume.
Discussion and Conclusion: According to the results of this study, 3P sampling method is recommended for re-volume of beech trees due to cost reduction, time acceleration and appropriate accuracy compared to the traditional 100% method.
1. Azaryan, M., Marvie Mohadjer, M. R., Etemaad, V., Shirvany, A., & Sadeghi, S. M. M. (2015). Morphological characteristics of old trees in Hyrcanian forest (Case study: Pattom and Namkhaneh districts, Kheyrud). Forest and Wood Products, 68(1), 47-59.
2. Adekunle, V. A. J., Nair, K. N., Srivastava, A. K., & Singh, N. K. (2013). Models and form factors for stand volume estimation in natural forest ecosystems: a case study of Katarniaghat Wildlife Sanctuary (KGWS), Bahraich District, India. Journal of Forestry Research, 24(2): 217-226.
3. Altriell, D., Branthomme, A., & Tavani, R. (2010). Assessing growing stock and stock changes through multi-purpose national forest monitoring and assessment. FAO Forest Resources Assessment Program Working Paper, Rome. Available at: www.fao.org.
4. Brown, T. C., & Brack, C. (1996). 3P Centroid Volume Sampling. http:/Sres_associated.an. edu.au/mensuration/BrackandWood1998/3pcent. htm.
5. Bukhari, M. A. (1981). 3 P-sampling and its potential for forest inventory in Pakistan. A substantial essay submitted to the Australian National University for partial fulfilment of the requirement for the degree of Master of Science in forest management. Department of Forestry.
6. Lee, K. H., & Goulding, C. J. (2002). Practicality of 3P sampling with accurate dendrometry for the pre-harvest inventory of plantations. New Zealand Journal of Forestry Science, 32(2), 279-296.
7. Johnson, F. A., Dahms, W. G., Hightree, P. E. (1967). A field test of 3P cruising. Journal of Forestry, 65, 722-726.
8. Deusen, P. C. (1987). 3-p sampling and design versus moled-based estimates. Canadian Journal of Forest Research, 17, 115-117.
9. Stamatellos, G. S. (1995). Comparison of point and point-3P sampling for forest volume estimation with cost analysis. Forest Ecology and Management, 74(1-3), 75-79.
10. West, P. W., (2011). Potential for wider application of 3P sampling in forest inventory. Canadian Journal of Forest Research, 41(7), 1500-1508.
11. Wood, G. B., & Wiant J. H. V. (1992). Comparison of point-3P and modified point-list sampling for inventory of mature native hardwood forest in southeastern New South Wales. Canadian Journal of Forest Research, 22(5), 725-728.
12. Seppälä, R., (1971). Variable probabilities in sample tree selection.
13. Wiant, J. H. V., Wood, G. B., & Gregoire, T. G., (1992). Practical guide for estimating the volume of a standing sample tree using either importance or centroid sampling. Forest Ecology and Management, 49(3-4), 333-339.
14. Gall, J., & Bella, I. E. (1995). Error assessment for a provincial timber inventory. The Forestry Chronicle, 71(5), 627-632.
15. Yolme, Gh., Moayyeri, M.H., Kian, S., Mohammadi, J., & Pormalekshah, A.A.M.A., (2015). Evaluation of renewal volume methods of 3P and one hundred percent for hornbeam species (Case study: District one of Shast-kolate Forestry Plan). Journal of Wood & Forest Science and Technology, 22(2), 171-187.
16. Mansour Samaei, R., Khalili, Z., & Resaneh, Y., (2019). Evaluation of 3P and 100% renewal volume methods (Case study: Parchiva forestry plan). Iranian Journal of Forest and Poplar Research, 26(4): 520-529.
17. Abbasi, H., Fallah, A., Poormajidian, M.R., Hojjati, M., & Rad Karimi, M., 2016. A comparison of volume renewal by 3P and traditional methods (Case study: forest management plan of Sardabrood). Iranian Journal of Forest and Poplar Research, 23(4): 671-679.
18. West, P.W., (2011). Potential for wider application of 3P sampling in forest inventory. Canadian Journal of Forest Research, 41(7): 1500-1508
19. Namiranian, M., (2010). Measurement of Tree and Forest Biometry. University of Tehran Press, 574 p. (In Persian)
20. Yang, T. R., Kershaw Jr, J. A., Weiskittel, A. R., Lam, T. Y., & McGarrigle, E. (2019). Influence of sample selection method and estimation technique on sample size requirements for wall-to-wall estimation of volume using airborne LiDAR. Forestry: An International Journal of Forest Research, 92(3), 311-323.
بهرهگيري از روش نمونهبرداري 3P براي تهيه جدول حجم گونه صنعتي راش
چکيده
زمينه و هدف: تعيين و تخمين حجم درختان در جنگل از جمله موارد مهمي است كه در مديريت جنگل مطرح ميباشد. يكي از راهكارها براي كاهش هزينه و افزايش سرعت جمعآوري دادهها، بهرهگيري از جداول حجم در برآورد موجودي حجمي يک جنگل ميباشد. در اين پژوهش تهيه تاريف حجم با بهرهگيري از روش نمونهبرداري 3P و مقايسه آن با تاريف مورد استفاده در جنگل، مورد بررسي قرار گرفت.
روش بررسي: براي اين منظور از 899 داده حاصل از نمونهبرداري 3P و تجديد حجم درخت راش در جنگل خيرود نوشهر براي تهيه تاريف مورد استفاده قرار گرفتند. بهمنظور انجام آناليزهاي آماري از نرمافزار R استفاده شد. با بهرهگيري از رگرسيون خطي تکمتغيره، بهترين رابطه براي تعيين حجم بر اساس قطر برابرسينه، برازش داده شد. براي انتخاب رابطه رگرسيوني منتخب از معيارهاي آماري نمودارهاي پراكنش دادهها، نمودارهاي جعبهاي، نمودارهاي باقيماندهها، آزمون تجزيه واريانس و براي اعتبارسنجي از معيارهاي VIF، AIC و BIC استفاده شد. از رابطه رگرسيوني منتخب جهت تهيه تاريف استفاده شد.
يافتهها: جداول حجم حاصله، در همان دامنه از دادههايي که جهت بهدست آوردن رابطه رگرسيوني استفاده شدند، بهدست آمدند. سپس جداول تهيه شده و جداولي که موجود بودند توسط آزمون تي-جفتي مقايسه شدند. طبق نتايج آزمون آماري، در سطح 95 درصد اختلاف معنيداري بين حجم اندازهگيريشده و حجم پيشبينيشده متناظر آن، وجود ندارد.
بحث و نتيجهگيري: با توجه به نتايج اين تحقيق، روش نمونهگيري 3P به خاطر کاهش هزينه، تسريع زمان و دقت مناسب نسبت به روش صددرصد سنتي، براي تجديدحجم درختان راش خيرود پيشنهاد ميگردد.
واژههاي کليدي: برآورد حجم، تاريف حجم، رابطه، رگرسيون خطي.
Preparation of volume table of industrial species of beech based on data obtained from 3P sampling method
Abstract
Background and Objective: Determining and estimating the volume of trees in the forest is one of the important issues in forest management. One way to reduce the cost and increase the speed of data collection is to use volume tables to estimate the volume inventory of a forest. In this research, the preparation of volume tariffs and their accuracy were investigated.
Method: For this purpose, 899 data obtained from 3P sampling and beech re-sizing in Kheyrud forest of Nowshahr were used to prepare the tariff. R software was used for statistical analysis. Using one variable linear regression, the best relationship for determining the volume based on diameter equal to the chest was fitted. To select the best regression relationship, statistical criteria of data distribution charts, box charts, residual charts, analysis of variance were used and to validate models VIF, AIC, and BIC criteria were used. The selected regression relation was used to prepare the tariff.
Findings: The resulting volume tables were obtained in the same range from the data used to obtain the regression relation. Then the prepared tables and the available tables were compared by paired t-test. According to the results of the statistical test, at the 95% level, there is no significant difference between the measured volume and the corresponding predicted volume.
Discussion and Conclusion: According to the results of this study, 3P sampling method is recommended for re-volume of beech trees due to cost reduction, time acceleration and appropriate accuracy compared to the traditional 100% method.
Key words: Volume estimation, volume description, equation, linear regression.
مقدمه
جنگلهاي هيرکاني (خزري) از گذشته تاکنون يکي از عمدهترين منابع توليدکننده چوب در کشور هستند. اين جنگلها بهلحاظ قدمت طولاني، تنوع زيستي زياد فون و فلور، وجود درختان کهنسال و گونههاي بومي بسيار حائز اهميت ميباشند (1). تا قبل از اجراي طرح تنفس جنگلهاي هيرکاني، اين جنگلها به دليل توليد چوب صنعتي، منبع اصلي تامين سلولز در کشور بودند و در اين اکوسيستم، برآورد حجم درختان و حجم جنگل براي برنامهريزان و مديريت پايدار منابع جنگلي بسيار ضروري است (2). حجم درختان، پايه و اساس مديريت واحد جنگلها است و آگاهي از حجم تودههاي جنگلي و نسبت رويش براي مديران در سطح منطقهاي و ملي بسيار حياتي است (2، 3). از كاربردهاي برآورد حجم ميتوان در مطالعات مربوط به ذخيره كربن، حفاظت تنوع گونهاي، چرخه آب، حاصلخيزي خاك، روند بهبود يا تخريب رويشگاه، امكان برداشت، مقدار رويش و خريد و فروش چوب اشاره کرد (3).
در طرحهاي جنگلداري، مهمترين مشخصه درخت که در برنامهريزي و مديريت جنگل استفاده ميشود، حجم درخت است. براي محاسبه ارزش ريالي بهره مالکانه طرحهاي جنگلداري، دانستن حجم تنههاي صنعتي به مترمکعب و حجم هيزم به استر هر پروانه قطع نياز است. بهدليل اينکه قسمتهاي مختلف تنه با توجه به قطر و کيفيت آن از ارزش اقتصادي و تجاري يکساني برخوردار نيستند، مطابق تبصره 10 ماده 15 قانون حفاظت و بهرهبرداري از جنگل، درختان نشانهگذاري شده پس از قطع، توسط کارشناسان و ناظران طرحهاي جنگلداري تجديد حجم شده و حجم تنههاي صنعتي بهتفکيک گونه و حجم کل هيزم هر پروانه قطع، اندازهگيري ميشوند. تاکنون براي تخمين حجم روشهاي متعددي بهکار گرفته شده که به دو روش کلي فرمولهاي حجميابي و بهرهگيري از جداول حجم دستهبندي مي شوند. در سال 1379 خورشيدي، سازمان جنگلها، مراتع و آبخيزداري کشور پس از بررسيهاي همه جانبه به منظور کوتاه کردن زمان تجديد حجم و سرعت بخشيدن عمليات بهرهبرداري و با حفظ منافع دولت، دقت و سلامت کار، روش 3P را جايگزين روش آماربرداري صد درصد نمود. تا پيش از اجراي طرح تنفس جنگلهاي هيرکاني، روش 3P در بخشهايي از جنگلهاي هيرکاني که تعداد درختان نشانهگذاري شده در آن بيش از450 اصله درخت در هر پروانه قطع بود، اجرا ميشد. نمونهبرداري به روش 3p، يک روش آماربرداري است که در سال 1965 ميلادي در آمريکا پيشنهاد گرديد. روش 3P عبارت است از نمونهبرداري درختان بااحتمال انتخاب آنها به نسبت يا متناسب با مقدار پيشبيني شده مشخصه مورد آماربرداري. بکارگيري اين روش، در ابتدا براي فروش درختان نشانهگذاري و بهمنظور برآورد دقيق چوب سرپا بوده است، در اين روش پس از نشانهگذاري و برآورد حجم درختان سرپا که ميتوان از جدول حجم محلي نيز کمک گرفت، تعدادي از درختان را انتخاب کرده و حجم آنها به دقت اندازهگيري و از نسبت حجم دقيق به حجم برآورد شده يا از رابطه بين حجم برآورد شده و حجم دقيق درختان انتخاب شده، حجم ساير درختان دقيق تر برآورد ميگردد. در اين روش انتخاب درختان به نسبت اهميت آنها ميباشد. يعني درختاني که قطر برابر سينه يا حجم آنها بيشتر برآورد شده باشد، يا براساس جدول حجم، داراي حجم بيشتر ميباشند، شانس انتخاب شدن زيادتري را خواهند داشت. انتخاب درختان به روش 3P به اين صورت انجام ميگيرد مشخصه اندازهگيري شده هر درخت (مثلاً حجم، قطر برابر سينه و ارتفاع) با اعداد جدولي که براي هر آماربرداري و براساس ارقام يا اندازههاي مختلف آن توده جنگلي تهيه شده است، مقايسه ميشود و اگر اندازه مشخصه برآورد شده مساوي يا بيشتر از مقدار عددي جدول باشد، آن درخت انتخاب و اندازهگيري ميشود. ولي اگر اندازه مشخصه مورد نظر کوچکتر از عدد جدول باشد، آن درخت براي اندازهگيري انتخاب نميشود.
تاکنون پژوهشهايي مختلقي به بررسي و تاييد کارآيي روش 3P در برآورد حجم پرداخته است. براي نمونه، براون و براک (4)، در تحقيق خود روش 3P را روشي مناسب اعلام کردند که با اندازهگيري يک يا دو پارامتر دقيق ميتوان حجم درختزارها صنوبر را برآورد کرد. همچنين براي مناطقي که جدول حجم يا دستورالعمل مشخصي در اختيار نباشد، اين روش مناسب است. بوخاري (5) با اطمينان اعلام كرد كه نمونهبرداري 3P ميتواند يك روش كارآمد و مناسب در جنگلهاي پاكستان باشد و بهعنوان يك روش بهتنهايي و نيز بهعنوان يك روش مناسب جهت بهبود كارايي و افزايش دقت ساير روشهاي آماربرداري مورد استفاده قرار گيرد. لي و گلدينگ (6) نمونهبرداري 3P را از نظر كارايي و هزينه جهت حجميابي درختان در قطعههاي نمونه، نسبت به روش نمونهبرداري نقطهاي در توده جنگلكاري كاج زرد در نيوزلند مورد ارزيابي قرار دادند. نتايج آنها نشان دادند كه روش 3P از نظر هزينه در تودههاي جنگلي با مساحت تا پنج هكتار، يك روش مناسب و كارآمد است. جانسون و همكاران (7) براي تخمين حجم چوب سرپا توده كاج زرد در آمريکا و همچنين برآورد ارزش فروش محصولات، از روش نمونهبرداري 3P استفاده كردند. نتايج آنها نشان داد كه خطاي نمونهبرداري 3P براي هر دو مورد برآورد حجم چوب و ارزش آن در حد قابل قبول است. بنابراين هدف از اين پژوهش، تهيه تاريف حجم و تعيين دقت آنها براي برآورد حجم درختان راش در جنگلهاي خيرود بود.
روش بررسي
- منطقه مورد مطالعه
براي تهيه جداول حجم از دادههاي مربوط به جنگل خيرود نوشهر استفاده شد. جنگل خيرود در حوزه 45 جنگلهاي شمال قرار دارد که واقع در هفت کيلومتري شرق نوشهر در حوزه اداره كل منابع طبيعي اين شهر است. اين منطقه در عرض جغرافيايي بين 36 درجه و 27 دقيقه شمالي تا 36 درجه و 40 دقيقه و در طول جغرافيايي بين 51 درجه و 32 دقيقه تا 51 درجه و 43 دقيقه قرار دارد. مساحت کل جنگل خيرود حدود 8000 هکتار است.
- روش تحقيق
براي به دست آوردن جدول حجم درختان جنگل خيرود از دادههاي مربوط به تجديدحجم به روشهاي 3P و صد درصد استفاده شد. در جمعآوري دادههاي ميداني پارامتر قطر برابرسينه اندازهگيري و در آناليز اين دادهها براي استفاده در معادلات رگرسيوني، ترکيب d (قطر برابر سينه درخت) و d2 (قطر برابر سينه درخت به توان دو) لحاظ شد. همچنين اندازهگيريهاي ميداني اين دادهها شامل قطر برابر سينه (سانتيمتر) و اطلاعات حاصل از تجديدحجم درختاني كه قطر برابر سينه آنها قبل از قطع، اندازهگيري شده (مترمكعب)، بود. دليل استفاده از رگرسيون خطي در تحقيق پيش رو، خطيشوندگي روابط رگرسيوني دخيل در محاسبات است. بهمنظور آمادهسازي دادهها از نرمافزار Microsoft Excel2013 و براي تحليل اين دادهها از نرمافزار R (نسخه 1/3) و از برنامهنويسي جهت انجام انواع رگرسيون خطي در راستاي به دست آوردن رابطه بين قطر و حجم در دادههاي جنگل خيرود استفاده شد. پس از بدست آوردن انواع روابط رگرسيون، با توجه به آمارههاي مختلف، بهترين مدل انتخاب و با كمك نرمافزار R خروجي برنامه بهعنوان جدول حجم در قالب فايل Excel ايجاد شد. پكيجهاي مورد نياز جهت توابع رگرسيوني و اعتبارسنجي كه در محيط نرمافزار R بايد نصب و اجرا شدند، از اين قرار هستند: MASS- DAAG.
يافتهها
در شکل 1-الف، مشاهده ميشود كه رابطه بين قطر و حجم دادههاي جمعآوري شده از نوع نمايي است و در شکل 1-ب شاهد هستيم كه با اعمال log بر دادهها و رسم نمودار مربوطه، دادهها به حالت خطي نزديك شدهاند.
نمودار1- نمودار پراكنش قطر در برابر حجم -راش خيرود |
Figure 1- Relationship between diameter (d) and volume (v) of collected beech data
جدول 1، نتيجه اجراي رابطه رگرسيوني است. روابط رگرسيوني مختلف با حضور d در برابر حجم، d2 در برابر حجم، و نيز d و d2 در برابر حجم، به دست آمدند كه صرفاً مدل منتخب و دلايل انتخاب آن در ادامه آورده شد. در جدول يك، مقدار عرض از مبدا 018/8- و مقدار ضريب قطر با تاثير عمل عکس لگاريتم 282/2 به دست آمده است. به طور كلي مقدار خطاي استاندارد ميانگين هرچه كمتر باشد، مناسبتر است چون نشان ميدهد كه ميانگين نمونه از ميانگين جمعيت تا چه حدي دور يا نزديك است. اين مقدار براي عرض از مبدا 11/0 و براي آماره قطر 02/0 است (جدول 1). در ستون آخر جدول، حضور عرض از مبدا و قطر با سه ستاره، نشاندهنده تاثير قوي اين دو در برآورد حجم است (در جداول رگرسيوني هرجا مقدار p-valueكمتر از 05/0 باشد، متغير مورد نظر در برازش مدل مناسب در سطح 95 درصد موثر است). خطاي استاندارد باقيماندهها در اين رابطه 69/35 درصد ميباشد كه نسبت به ساير روابط تفاوت چنداني نداشت. درجه آزادي 893 است. مقدار ضريب تعيين 882/0 و مقدار ضريب تعيين تعديل شده 2/88 درصد ميباشد .
جدول 1- رابطه رگرسيوني راش
Table 1. Beech regression relationship
ضرايب | مقدار برآورد شده | خطاي استاندارد | مقدار احتمال | Pr(>|t|) |
(عرض از مبدا) | 018/8- | 118/0 | 85/67 | <2e-16 *** |
قطر | 282/2 | 028/0 | 76/81 | <2e-16 *** |
علايم معنيداري: سه ستاره (99 هزارم معنيدار)، دوستاره: (99 درصد معنيدار)
خطاي استاندارد باقي مانده ها: 357/0 (با درجه آزادي: 893)
ضريب تعيين تعديل شده: 2/88 درصد – ضريب تعيين : 882/0
نمودارهاي جعبهاي سادهترين راه جهت تشخيص ميانه و چاركهاي بالا و پايين و دادههاي پرت هستند. به طور كلي هرچه تعداد مقادير پرت در دادههاي ورودي كمتر باشد و دادههاي يكدستتر داشته باشيم، معادله رگرسيوني كه به دست خواهد آمد، داراي دقت بيشتري خواهد بود (چون دادههاي يك دست تر منجر به برازش بهترين معادله خواهند شد). پس از بررسي نمودارهاي جعبهاي دادههاي پرت و ناهمگوني دادههاي ورودي مشخص ميشود كه بايد دليل حضور مقادير پرت در دادههاي ورودي مشخص شود، اگر دادههاي پرت به دليل خطاي وارد كردن اعداد و يا خطاي محاسباتي يا خطاي آماربرداري باشند، بايد حذف شوند، در صورتيكه تعداد دادههاي پرت فراوان باشند، بايد آماربرداري مجدد صورت بگيرد. اگر حضور دادههاي پرت در طبيعت عادي باشد، آنها را ميپذيريم و محاسبات با اعمال اين دادهها انجام ميدهيم. از نمودارهاي جعبهاي قطر اينگونه بر ميآيد كه پارامتر قطر، فقط يك داده پرت دارد (شکل 2) و ميانه در حدوداً 70 سانتيمتر و چارك پايين 50 و چارك بالا 100 سانتيمتر است. بازوهاي نمودار نشاندهنده دامنه دادههاي نرمال است كه از بازهي حدوداً 7 سانتيمتر تا 160 سانتيمتر ميباشند. در نمودارهاي جعبه اي حجم و باقيماندههاي استاندارد شده، دادههاي پرت وجود دارند (شکلهاي 3 و 4). پس از بررسي مجدد دادههاي خام حجم، مشخص شد كه اين دادههاي پرت موجود در قطر درختان راش، مربوط به درختان با قطر بالا است كه به دليل ديرزيستي و پوسيدگي از درون، صرفاً مقدار زيادي چوب هيزمي توليد كرده و يا پس از قطع به طور كلي حجم گردهبينه حاصل از اين درختان كم بوده است. به دليل اينكه اين مساله در حالت طبيعي در جنگل رخ ميدهد، اين دادهها حذف نشد (اگر داده پرتي غيرطبيعي تشخيص داده شود، به دليل نزديك كردن دادهها و نتايج آن به آنچه كه در طبيعت رخ ميدهد، بايد حذف شود).
شکل 2- نمودار جعبهاي قطر گونه راش. محور y نشاندهندهي قطر (سانتيمتر) است.
Figure 2- Box diagram of beech diameter. The y-axis represents the diameter (cm)
شکل 3- نمودار جعبهاي حجم گونه راش. محور y نشاندهندهي مقادير پيشبيني شده حجم (مترمكعب)بر اساس فرمول به دست آمده است.
Figure 3- Box diagram of beech volume. The y-axis represents the predicted values of volume (m3) based on the obtained formula.
شکل 4- نمودار جعبهاي باقيماندههاي استاندارشده گونه راش. محور y ، مربوط به تفاوت مقادير مشاهده شده حجم و مقادير پيشبيني شده حجم بر اساس فرمول است
Figure 4- Box diagram of standardized residues of beech species. The y-axis is related to the difference between the observed volume values and the predicted volume values based on the obtained formula.
رابطه بدست آمده براي درختان راش خيرود به اين شرح است: V = e (-8.018 +2.281d). در اين رابطه، V حجم (متر مکعب) و d قطر (سانتيمتر) است. در ادامه بررسيهاي بيشتر رابطه رگرسيوني به دست آمده، از معيارهاي AIC و BIC استفاده شد. هرچه مقدار اين معيارها در رابطهاي پايينتر باشند، آن رابطه مناسبتر است، زيرا نشان ميدهد استفاده از اين مدل تا چه اندازه منجر به از دست رفتن اطلاعات حاصل از دادههاي خام ميشود. معيار VIF يا عامل تورم واريانس، به همخطي عوامل دخيل در رگرسيون اشاره دارد. هرچه اين مقدار به يك نزديكتر باشد، هم خطي كمتر است (مقدار يك نشان دهنده عدم وجود همخطي است). و در تفاسير مختلف عدد 5 يا عدد 10 به بالا را نشاندهنده همخطي در حد غيرقابل قبول ميدانند (اين تفاسير بسته به تعداد متغيرهاي مستقل دخيل در رابطه متفاوت است). مقادير AIC (معيار آكاييك) و BIC (معيار شوارتز بيزين) و VIF (معيار همخطي) مربوط به رابطه رگرسيوني منتخب، در به ترتيب به اين شرح است: 49/699، 89/713 و 1. معيارهاي AIC و BIC بالا رفتهاند اما در مقايسه با ساير روابط رگرسيوني به دست آمده، تفاوت چنداني نداشتند (تفاوت در حدود 5± واحد). VIF نشاندهنده عدم وجود همخطي در اين رابطه است. شكل 5 مربوط به باقيماندههاي رابطه رگرسيوني است. بهطور كلي در مورد رگرسيون خطي اين قانون وجود دارد كه هرچه باقيماندهها نرمالتر باشند، برازش رابطه رگرسيوني مناسبتر است و دادهها از پراكندگي مناسبتري برخوردار هستند. براساس شکل 5 ميتوان گفت كه مدل بهطور كلي برازش خوبي را ارائه دادهاست اما وجود دادههاي پرت، منجر به افزايش فاصله كوك شده است. در بررسي دادههاي خام مشخص شد كه سه دادهاي كه بهعنوان داده پرت موجب افزايش فاصله كوك شدهاند مربوط به درختان با قطر برابر سينه و سن بالا بودهاند كه در اثر ديرزيستي كيفيت تنه پايين آمده و محصول اين درختان، صرفا چوب هيزمي بوده است. در شکل 5-الف مربوط به مقادير باقيماندهها، در برابر مقادير برازش شده است. باقيماندهها در نمودار حول صفر هستند كه بهترين حالت برازش يك رابطه را نشان ميدهند. سه داده پرت مشخص است. شکل 5-ب مربوط به مقادير باقيماندههاي استاندارد با اعمال راديكال در برابر مقادير برازش شده است. در اين نمودار مقادير باقيماندههاي استاندارد حول عدد يك و در بهترين حالت ممكن جهت برازش مدل رگرسيوني هستند. سه داده پرتي كه در شکل 5-الف مشخص بودند در اين قسمت هم مشخص شدهاند. در شکل 5-ج، باقيماندههاي استاندارد در برابر كميتهاي تئوريكال مشاهده ميشود كه تقريبا بر روي خطي صعودي در فواصل 2± هستند. اين نمودار نرمال بودن چاركها (Normal Q-Q) و سير كلي دادهها را نشان ميدهد. سه دادهاي كه در موارد قبل بعنوان داده پرت وجود داشتند، مجددا خودنمايي ميكنند. در شکل 5-د ، باقيماندههاي استاندارد در برابر Leverage بررسي شده است. Leverage معياري براي اندازهگيري تاثير مقادير متغير مستقل در برآورد متغير وابسته است. هرچه مقادير Leverage بالاتر باشد، تفاوت مقادير پيشبيني شده و مقادير متناظر آن (در متغير وابسته) كمتر است. آنچه كه با عنوان فاصلهي كوك مشخص ميشود نشاندهنده دادهي پرتي است كه بين مقادير پيشبيني شده و مقادير متناظر آن در طبيعت (منظور حجم درختان راش)، تفاوت زيادي دارد.
ج |
د |
ب |
الف |
شکل 5- نمودار مربوط به باقيماندههاي رابطه رگرسيوني گونه راش
Figure 5- Chart of residuals regression relationship of beech species
در اين مرحله با استفاده از رابطهي رگرسيوني منتخب، جدول حجم يك عامله درختان راش جنگل خيرود، با استفاده از نرمافزار R تهيه مي شود. دامنه قطري موجود در اين جدول، برابر با دامنه قطري دادههاي جمعآوري شده است.
جدول 3- جدول حجم تهيه شده براي گونه راش
Table 3. Volume table prepared for beech species
رديف | قطر (سانتيمتر) | تاريف خيرود (سيلو) | حجم (مترمكعب) | رديف | قطر (سانتيمتر) | تاريف خيرود (سيلو) | حجم (مترمكعب) |
1 | 10 | 08/0 | 159/0 | 17 | 90 | 59/10 | 716/10 |
2 | 15 | 20/0 | 306/0 | 18 | 95 | 94/11 | 047/12 |
3 | 20 | 38/0 | 510/0 | 19 | 100 | 38/13 | 465/13 |
4 | 25 | 62/0 | 772/0 | 20 | 105 | 90/14 | 973/14 |
5 | 30 | 93/0 | 098/1 | 21 | 110 | 52/16 | 571/16 |
6 | 35 | 30/1 | 489/1 | 22 | 115 | 23/18 | 261/18 |
7 | 40 | 75/1 | 948/1 | 23 | 120 | 04/20 | 043/20 |
8 | 45 | 28/2 | 478/2 | 24 | 125 | 93/21 | 920/21 |
9 | 50 | 88/2 | 079/3 | 25 | 130 | 92/23 | 891/23 |
10 | 55 | 56/3 | 756/3 | 26 | 135 | 01/26 | 958/25 |
11 | 60 | 32/4 | 508/4 | 27 | 140 | 19/28 | 122/28 |
12 | 65 | 15/5 | 339/5 | 28 | 145 | 47/30 | 383/30 |
13 | 70 | 07/6 | 249/6 | 29 | 150 | 84/32 | 743/32 |
14 | 75 | 07/7 | 240/7 | 30 | 155 | 32/35 | 203/35 |
15 | 80 | 16/8 | 314/8 | 31 | 160 | 89/37 | 764/35 |
16 | 85 | 33/9 | 472/9 | 32 | 165 | 56/40 | 425/40 |
براي اعتبارسنجي مدل رگرسيوني و تاريف حاصل از آن، از روش k-fold استفاده شد كه در اين روش تمامي دادهها جهت تشكيل معادلات رگرسيوني استفاده شد و در مرحله اعتبارسنجي، دادهها به تعداد k دسته بهطور تصادفي تقسيم شده و اعتبارسنجي براي هر تقسيمبندي بهطور جداگانه ارائه ميشود. در اين روش، هرچه خطوط برازش يافته براي هر fold به نيمساز ربع سوم نمودار منطبقتر باشد، نتايج مدل رگرسيوني، انطباق بيشتري با اعداد واقعي و در طبيعت دارند (شکل 6).
شکل 6- اعتبارسنجي مربوط بهجدول3 (جدول حجم گونه راش)
Figure 6- Validation for Table 3 (beech Species Volume Table)
همانطور كه از نتايج اعتبارسنجي مشاهده ميشود، مدل تهيه شده براي درختان راش توانايي پيشبيني حجم درختان را در حد مناسبي دارد و خطوط ترسيمي براي هر fold به نيمساز ربع سوم نمودار نزديك است. شايان ذكر است كه جهت اجراي اين نوع از اعتبارسنجي مي بايست دو نكته زير تعريف گردند:
s1 = log (v)
s2 = log (d)
براي بررسي اينکه آيا جداول حجم بهدست آمده (جدول 3) تفاوتي نسبت بهجداول حجم مورد استفاده در جنگل خيرود دارد يا خير، از آزمون تي-جفتي استفاده شد و تمامي ستونهاي ارتفاعي متناظر در هر دو جدول، مورد آزمون قرار گرفت. هدفي كه در اين تحقيق مد نظر قرار گرفت، در مرحله اول (بهعنوان هدف اصلي) تهيه جداول و منحنيهاي حجم است كه در فصل نتايج ارائه شدند. در راستاي اهداف تحقيق پيش رو، جداول حجم به دست آمده با جداول حجم مورد استفاده در جنگل آموزشي و پژوهشي خيرود مقايسه ميگردد. بهاين منظور از آزمون t-test جفتي جهت مقايسه جداول استفاده شد که حاکي از عدم معنيدار بودن اختلاف بين جداول حجم ايجاد شده و جدول حجم تاريف مورد استفاده در جنگل خيرود ديده نميشود.
بحث و نتيجهگيري
جدول 2- جدول حجم گونه توسکا |
با توجه به اينكه اطلاعات مربوط به تهيه جداول مورد استفاده در جنگل خيرود با استفاده از روش تجديد حجم صد در صد جمعآوري شده اند، كه زمان مصروفه جهت تجديد حجم در روش صد درصد بالاتر است و در طي انجام عمليات آماربرداري صد درصد خستگي و بي دقتي آماربرداران موجب بالاتر رفتن اشتباه ميشود؛ جمعآوري اطلاعات بهروش 3P از اين نظر كه زمان كمتر و هزينه كمتر و دقت بيشتري دارد از روش آماربرداري صد درصد مناسبتر است. در پايان پيشنهاد ميشود پژوهشهاي مشابه در ديگر نواحي جنگلي اکوسيستمهاي هيرکاني و همچنين در ديگر گونههاي جنگلي (مانند ممرز، بلندمازو و توسکا) براي بررسي دقت و صحت اين روش انجام بگيرد. همچنين، پيشنهاد ميشود كه در پژوهشهاي آينده، تحقيقاتي در مورد بررسي دقت جداول حجم مورد استفاده و جداول به روزتر، صورت بگيرد تا در صورت لزوم جداول بهروزتر و كاراتر جايگزين شوند و براساس سافتههاي روش 3P، اين جداول اصلاح شوند.
منابع
1. Azaryan, M., Marvie Mohadjer, M. R., Etemaad, V., Shirvany, A., & Sadeghi, S. M. M. (2015). Morphological characteristics of old trees in Hyrcanian forest (Case study: Pattom and Namkhaneh districts, Kheyrud). Forest and Wood Products, 68(1), 47-59.
2. Adekunle, V. A. J., Nair, K. N., Srivastava, A. K., & Singh, N. K. (2013). Models and form factors for stand volume estimation in natural forest ecosystems: a case study of Katarniaghat Wildlife Sanctuary (KGWS), Bahraich District, India. Journal of Forestry Research, 24(2): 217-226.
3. Altriell, D., Branthomme, A., & Tavani, R. (2010). Assessing growing stock and stock changes through multi-purpose national forest monitoring and assessment. FAO Forest Resources Assessment Program Working Paper, Rome. Available at: www.fao.org.
4. Brown, T. C., & Brack, C. (1996). 3P Centroid Volume Sampling. http:/Sres_associated.an. edu.au/mensuration/BrackandWood1998/3pcent. htm.
5. Bukhari, M. A. (1981). 3 P-sampling and its potential for forest inventory in Pakistan. A substantial essay submitted to the Australian National University for partial fulfilment of the requirement for the degree of Master of Science in forest management. Department of Forestry.
6. Lee, K. H., & Goulding, C. J. (2002). Practicality of 3P sampling with accurate dendrometry for the pre-harvest inventory of plantations. New Zealand Journal of Forestry Science, 32(2), 279-296.
7. Johnson, F. A., Dahms, W. G., Hightree, P. E. (1967). A field test of 3P cruising. Journal of Forestry, 65, 722-726.
8. Deusen, P. C. (1987). 3-p sampling and design versus moled-based estimates. Canadian Journal of Forest Research, 17, 115-117.
9. Stamatellos, G. S. (1995). Comparison of point and point-3P sampling for forest volume estimation with cost analysis. Forest Ecology and Management, 74(1-3), 75-79.
10. West, P. W., (2011). Potential for wider application of 3P sampling in forest inventory. Canadian Journal of Forest Research, 41(7), 1500-1508.
11. Wood, G. B., & Wiant J. H. V. (1992). Comparison of point-3P and modified point-list sampling for inventory of mature native hardwood forest in southeastern New South Wales. Canadian Journal of Forest Research, 22(5), 725-728.
12. Seppälä, R., (1971). Variable probabilities in sample tree selection.
13. Wiant, J. H. V., Wood, G. B., & Gregoire, T. G., (1992). Practical guide for estimating the volume of a standing sample tree using either importance or centroid sampling. Forest Ecology and Management, 49(3-4), 333-339.
14. Gall, J., & Bella, I. E. (1995). Error assessment for a provincial timber inventory. The Forestry Chronicle, 71(5), 627-632.
15. Yolme, Gh., Moayyeri, M.H., Kian, S., Mohammadi, J., & Pormalekshah, A.A.M.A., (2015). Evaluation of renewal volume methods of 3P and one hundred percent for hornbeam species (Case study: District one of Shast-kolate Forestry Plan). Journal of Wood & Forest Science and Technology, 22(2), 171-187.
16. Mansour Samaei, R., Khalili, Z., & Resaneh, Y., (2019). Evaluation of 3P and 100% renewal volume methods (Case study: Parchiva forestry plan). Iranian Journal of Forest and Poplar Research, 26(4): 520-529.
17. Abbasi, H., Fallah, A., Poormajidian, M.R., Hojjati, M., & Rad Karimi, M., 2016. A comparison of volume renewal by 3P and traditional methods (Case study: forest management plan of Sardabrood). Iranian Journal of Forest and Poplar Research, 23(4): 671-679.
18. West, P.W., (2011). Potential for wider application of 3P sampling in forest inventory. Canadian Journal of Forest Research, 41(7): 1500-1508
19. Namiranian, M., (2010). Measurement of Tree and Forest Biometry. University of Tehran Press, 574 p. (In Persian)
20. Yang, T. R., Kershaw Jr, J. A., Weiskittel, A. R., Lam, T. Y., & McGarrigle, E. (2019). Influence of sample selection method and estimation technique on sample size requirements for wall-to-wall estimation of volume using airborne LiDAR. Forestry: An International Journal of Forest Research, 92(3), 311-323.