غلبه گونهاي D (2 و 14).
نرمال بودن مشاهدات با اسـتفاده از آزمـون کولمـوگروف-اسمیرنوف و همگنی دادههـا بـا اسـتفاده از آزمـون لـون مـوردبررسی قرار گرفت. همبستگی بین ذخـا یر کـربن آلـی خـاك وشاخص هـاي تنـوع ز ی سـتی بـا اسـتفاده از ضـریب همبسـتگ ی پیرسون تعیین شد.
در پژوهش حاضر براي مدلسازي ذخایر وزنی کـربن آلـی خاك در جنگل مورد مطالعه از تحلیلهاي محاسباتی مبتنـی بـررگرسی ون بهروش تخمین منحنی و رگرسـ یون خطـ ی چندگانـهاستفاده شد. در روش رگرسیون تخمین منحنی برمبناي حـداقلمربعات کلیه مدلهاي پایه (مدل توانی، نمایی، گومپرتز، مرکـبو غیره) مورد آزمون قرار گرفتند. اساس بـرازش کل یـ ه مـدل هـابهصورت غیرخطی میباشد که الگوي برازش آنها بهصورت زیر میباشد (3).
[2] Yn  f(x , )n   Zn در این رابطه f: مدل رگرسیون و xn: بـرداري شـامل متغی رهـاي مستقل براي حالت n ام است. در تحلیـ ل رگرسـیون خطـی در واقع برآورد و استنباط نتایج پارامترهـاي   B ,1 2 ,…,nT را در الگوي زیر فراهم میکند (3).
Yn  Z1 1nxn (xn2 21x,…xn np…..)Zp npnx [3]

در این الگو، Zn: متغیر تصادفی و Yn: نشاندهنـده متغیـ ر پاسـخمدل در حالت n ام میباشد که البته از دو قسمت قطعی و خطـاتشکیل شده است که میزان خطاي آن نیز باید مدنظر قرار گرفته شود. براي تعیین اعتبار محاسباتی مدلهاي چند متغیره برمبنـاي تحلیل رگرسیون خطی چندگانه از آزمـون هـم خطـی چندگانـهبراي تعیین فاکتور تورم واریانس (10<VIF ) استفاده شـد (4). براي انتخاب بهترین مدل با بیشترین قطعیت و دقـت بـرآوردي براي تحلیل محاسباتی مذکور از مقـاد یر عـدد ي شـاخص هـایی مانند میانگین مربعات باقیماندهها (RMS)، اشتباه معیار تخمین (SEE)، ضریب تبیین تعدی ل یافته (2Adj.R) و ضریب اطلاعات آکاییک استفاده شد. با توجه به تعداد مشاهدات و حداقل تعداد پارامترهاي مدلهاي تحلیلی- محاسباتی براي محاسـبه ضـریب تبیین تعدی ل یافته و ضریب اطلاعات آکاییک (AIC) از روابـطزیر استفاده شد (18):
109880483512

Adj.R2  1 1(  R )2 n np11

147218465056

AIC  nln(

RSSn )2k 2k(n k k11) در رابطــه فــوق،P : تعــداد پارامترهــا ي مــدل، AIC: ضــریب اطلاعات آکاییک، n: تعداد مشـاهدات،RSS : مجمـوع مربعـاتباقیماندهها و k: تعداد پارامترهـاي مـدل محاسـباتی مـیباشـد (18). براي افزایش پارامترهاي محاسباتی و عوامل توصـ یفی در مدلهاي غیرخطی براي افزایش هـر چـه بیشـتر دقـت بـرآوردمقادیر وزنی ترسیب کربن آلی خاك، کلیه مدل هـاي غیرخطـی با تبدی ل لگاریتم طبیعی برمبناي تحلیل رگرسیون خطی چندگانه قابلیت محاسباتی دارند. ولی براي حـذف خطـاي سی سـتماتیک ناشی از بازتبدیل کلیه مدلهاي تبدیل شده لگاریتمی از فـاکتورتصحیح طبق رابطه زیر استفاده شد:
601218141614

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

SEE2 CF  Exp( 2 )  CF  a n  n [6]
123, , ,…,k  a 1

نتایج
انتـ یج آزمـون همبسـتگی پیرسـون نشـان داد کـه بـین کلیـه شاخصهاي تنوع زیستی پوشش درختی و کل مقـاد یر وزنـ ی کربن ترسیب شده تا عمق مورد مطالعه (50-0 سانتی متـري) ارتباط معنیداري وجود ندارد (جـدول 1). هـم چنـین نتـایج آزمون مذکور نشان داد که بین مقادیر مذکور و غناي پوشـشعلفی ن یـز همب سـتگی معنـیداري وجـود نـدارد (جـدول 1). مطابق جدول 1 همانطور که مشاهده میشود مقادیر ترسـیب کربن با شـاخص هـاي تنـوع شـانون وینـر، غلبـه گونـهاي و یکنواختی پای لو بهطور معنیدار همبسته است. البته بـ ین غلبـهگونهاي پوشش علفی و ذخایر کربن خاك همبستگی معکوس وجود دارد (جدول 1).
جدول 2 نتایج مدل سـازي ذخـایر وزنـ ی ترسـیب کـربنجنگـلاهـ ي آمیختـه راش مـورد مطالعـه را ابرمبنـ ي تحلیـل رگرسیون خطی چندگانه برحسب کلیـ ه شـاخص هـاي تنـوعزیستی همبسته نشان میدهـد. نتـایج حاصـل از مـدل سـازي براساس کلیه شاخصهاي اعتبارسنجی نشـان داد کـه در بـین کلیه مدلهاي چندگانـه، مـدل خطـی سـاده برحسـب عامـلحاصلضرب مربع شاخص شانون و ی کنـواختی داراي دقـتبرآورد بیشتر و برازش بهینه نسبت به کلیه مدلهاي چندگانـهمیباشد (جدول 2). همچنین نتایج نشـان داد کـه بـا توسـعهمدلسازي و افزایش تعداد پارامتر، دقت برآورد افـزا یش پ یـدا نکرده است (جدول 2). همانطور کـه در جـدول 2 مشـاهدهمیشود مدل 4 با بیشترین پـارامتر محاسـباتی برمبنـاي تـورمواریانس ( 13VIF) داراي اعتبار محاسباتی نیست.
نتایج حاصل از مدلسازي ترسیب کـربن خـاك براسـاس تحلیل رگرسی ون غیرخطی یا تخمـ ین منحنـ ی برحسـب یـک متغیر عامل نشان داد که در واقع مدل کرو (منحنـ ی S) شـاملغلبه گونهاي پوشش علفـ ی (مـدل 12) داراي حـداکثر دقـتبرآورد نسبت به سایر مدلهاي ارائه شده میباشد (جدول 3). در این میان مطابق جدول 3 مدلهاي توانی و نمایی بهترتیب شامل شاخص غلبه گونهاي و تنوع شانون داراي دقت برآورد قابــل ملاحظــهاي بودنــد (17/169- = SEE = 0/15 ،AIC، 27/0 = 2Adj.R) ولی نسبت به مدل S برحسب غلبه گونهاي پوشش علفی دقـت کمتـري داشـتند. مـدل هـاي ارائـه شـدهبرحسب شاخص ی کنـواختی نیـ ز داراي اعتبـار محاسـباتی و برازش برآوردي بودنـد ولـی چـون دقـت قابـل ملاحظـهاي
جدول 1. همبستگی بین شاخصهاي تنوع زیستی گیاهی و ذخایر وزنی کربن خاك (50-0 سانتیمتر)
J’ D R H’
0/17 ns 0/13 ns 0/06 ns 0/13 ns تنوع زیستی پوشش درختی – ذخایر کربن خاك
0/44 * -0/47 * 0/21 ns 0/52 ** تنوع زیستی پوشش علفی – ذخایر کربن خاك
H’: تنوع شانون- وینر، R: غناي گونهاي، D: غلبه گونهاي، ‘J: شاخص یکنواختی پایلو، ns: عدم معنیداري در سطح 05/0P < ، *: معنیداري در سطح 05/0P < ، ** معنیداري در سطح 01/0 P < میباشد.

جدول 2. نتایج مدل سازي برمبناي تحلیل رگرسیون خطی چندگانه برحسب شاخصهاي تنوع زیستی
AIC VIF SEE RMS RAdj
R b b b b مدلهاي رگرسیون کد
152/41 – 96/22 9258/9 0/241 0/272 – – 271/28 26/47 Y  b0  b (H )1 1
155/97 2/37 98/11 9627/36 0/211 0/276 – 130/57 232/94 -6/005 Y  b0  b (H )1  b (J )2  2
156/08 5/62 98/32 9668/17 0/207 0/273 – -106/86 238/26 111/81 Y  b0  b (H )1  b (D)2 3
159/97 12/74 100/3 10076/2 0/173 0/277 191/95 142/82 259/06 -135/34 Y b 0 b (H) b (D) b (J)1   2 3  4
151/74 – 94/93 9017/7 0/261 0/291 – – 68/34 337/15 Y  b0  b (H J )12  5
155/42 6/47 97/04 9417/77 0/227 0/292 – 105/91 76/43 290/53 Y  b0  b (H J )12   b (D)2 6
Y: ترسیب کربن برحسب تن در هکتار، R: ضریب تبیین، Adj.R : ضریب تبیین تعدیل یافته، RMS: میانگین مربعات باقیماندهها، SEE: اشتباه معیار تخمین، VIF: فاکتور تورم واریانس، AIC: ضریب اطلاعات آکاییک میباشد.

جدول 3. نتایج مدلسازي برمبناي تحلیل رگرسیون غیرخطی برحسب شاخصهاي تنوع زیستی
AIC SEE RMS RAdj 
R b
 b b b مدلهاي رگرسیون کد
158/29 97/06 9421/03 0/227 0/291 – 86/91 -177/08 571/34 Y  b0  b (H ) b (H )1  2 2  b (H )3 3 7
-169/17 0/156 0/024 0/264 0/295 – – 0/871 306/52 Y  b (H )0 b1 8
-168/15 0/158 0/025 0/256 0/287 – – -1/58 7/12 b
Y  Exp(b0  H1) 9
-169/17 0/155 0/024 0/272 0/301 – – 0/471 218/01 Y  b0Exp(b H )1  10
-169/17 0/155 0/024 0/272 0/302 – – -0/323 317/66 Y  b (D)0b1 11
-171/23 0/153 0/023 0/291 0/321 – – 0/071 5/91 b
Y  Exp(b0  D1) 12
-168/15 0/158 0/025 0/243 0/274 – – -1/31 704/28 Y  b0Exp(b D)1 13
Y: ترسیب کربن برحسب تن در هکتار، R: ضریب تبیین، Adj.R : ضریب تبیین تعدی ل یافته، RMS: میانگین مربعات باقیماندهها، SEE: اشتباه معیار تخمین، VIF: فاکتور تورم واریانس، AIC: ضریب اطلاعات آکاییک میباشد.
نداشتند از ارائه آنها صرفنظر شد.
کلیه مدلهاي غیرخطی بهینه با تبدیل لگاریتم طبیعـی چنـدمتغیره با تحلیل رگرسیون خطی چندگانه در جدول 4 نشان داده شدهاند. مقادیر عـددي شـاخصهـاي اعتبارسـنجی مربـوط بـهمدلهاي تبدیلی توابع غیرخطی برحسب شاخصهاي مختلـف
همبسته نشان دادنـد کـه بـا امکـان افـزایش تعـداد پارامترهـاي محاسباتی از طریـ ق تبـد یل لگـار یتم طبی عـی دقـت مـدل داراي تفاوت قابل ملاحظهاي نشده است (جدول 4). از اینـرو نسـبتبه توابع غیرخطی داراي اولویت محاسباتی نیستند.

بحث و نتیجهگیري
نتایج حاصل از تحقیق حاضر نشان داد که در واقع تغییرات کل ذخایر وزنی ترسیب کربن تا عمق مورد مطالعه در جنگل مـوردمطالعه مستقل از تغییرات تنوع زیستی پوشش درختی میباشـد.
در ایـن رابطـه فرجـی و همکـاران (11) نیـز در مطالعـهاي در جنگلهاي آمیخته راش نشان دادنـد کـه همبسـتگی بـین تنـوعزیستی پوشش درختی و مقـاد یر ترسـ یب کـربن ز يتـوده رو ي زمینی معنیداري نبود. با توجه به اینکه تغییرات مقادیر ترسـ یب کربن تحـت تـأثیر تغییـ رات زيتـوده گ یـاهی مـیتوانـد دارا ي تغییرات باررزي باشد (25 و 28)، از اینرو میتوان بهنوعی ایـ ن چنین استنباط کرد که قطعاً ارتباط معنیداري بین مقادیر ترسیب کربن خاك و تنوع زیستی پوشـش درختـی نمـیتوانـد وجـودداشته باشد. البته کربی و پتوین (27) نیز در مطالعـات خـود درجنگلهاي تروپیکال اذعان کردند که بین تغییرات تنوع زی سـتی پوشش درختی از جمله غنـا ي کلیـ ه پوشـش گ یـاهی و مقـاد یر وزنی ترسیب کربن در لایههاي مختلف ارتباط معنیداري وجود ندارد. در واقـع نتـایج مـذکور تقریبـاً منطبـق بـا نتـایج حاضـرمیباشـد. کربـی و پتـو ین (27) عـدم ارتبـاط معنـیداري بـین مقادیر ترسیب کربن و تغییرات تنوع زیستی پوشش درختـ ی را به تغییرپذیري زیـ اد الگوهـا ي مکـانی کـربن در جنگـل مـورد مطالعـه ارتبـاط دادنـد. البتـه مبتنـی بـر فرضـیه آشـیان مکمـل (Niche complementary) در مناطقی که داراي حـداکثر تنـوع
زیستی گیاهی بوده احتمال حضور گونههاي مختلف گ یـاهی یـ ا مقادیر تولیدي بالا و با ضری ب تأثیر زیاد بر میزان ترسیب کربن آلی اکوسیستم بیشتر است (27 و 32).
در پژوهش حاضر بین شاخص هـاي تنـوع ز ی سـتی پوشـش علفـی و مقـادیر ترسـیب کـربن همبسـتگی معنـیداري وجـود داشت. در واقع اسحاقیراد و همکاران (1) و جیکوت و کریزوا (20) عنوان کردند کـه وی ژگـی هـاي پوشـش علفـی از (جملـهتوزیع، تنـوع و نـوع گونـهاي) بیـ انگر خصوصـ یات فیزی کـی و شیمیایی خاك محسوب شده و در وا قع بهنوعی معرف تغییرات کلیه ویژگیهاي خاك (از جمله میزان ترسیب کربن) مـیباشـد.
جدول 4. نتایج مدل سازي برمبناي تحلیل رگرسیون تخمین منحنی مدلهاي غیرخطی تبدیلی برحسب شاخصهاي تنوع زیستی
AIC CF VIF SEE RMS RAdj  R b b b b توابع رگرسیون کد
-161/71 1/013 28/58 0/162 0/026 0/205 0/304 0/138 -0/07 0/594 5/81 lnY  b0  b ln(H )1  b ln(D)2
 b ln(J )3 14
-169/17 1/011 – 0/155 0/024 0/265 0/295 0/481 6/078 lnY  b0  b ln(H1J ) 15
-165/55 1/012 8/56 0/157 0/025 0/247 0/309 – 0/053 -0/413 6/22 lnY  b0  H1  bD2 b 16
-165/54 1/012 5/62 0/158 0/025 0/242 0/305 – -0/36 0/358 5/67 lnY  b0  b (H )1  b (D)2 17
Y: ترسیب کربن برحسب تن در هکتار، R: ضریب تبیین، Adj.R: ضریب تبیین تعدیل یافته، RMS: میانگین مربعات باقیمانـده هـا ، SEE: اشـتباهمعیار تخمین، VIF: فاکتور تورم واریانس، CF: فاکتور تصحیح، AIC: ضریب اطلاعات آکاییک میباشد.
در پژوهش حاضر همانطور که مشاهده شد بین مقادیر ترسیب کربن خاك در محدوده عمق مورد مطالعه و شاخصهاي تنـوع،یکنواختی و غلبه گونهاي ارتباط معنیداري وجود دارد. ولی بـاتوجه به نتایج آزمون همبستگی پیرسون، ارتباط بین مشـاهداتو شاخصهاي اندازهگیري شده بهصورت خطی نشان داده شده اس ت. ب ا توج ه ب ه رواب ط پیچی ده عوام ل اکول وژیکی در اکوسیستمهاي طبیعی، روابط خطی نمی تواند بهطور بارز ب یـانگر تغییرات واریانس بین مقادیر همبسته و عوامل توصـیفی باشـد. بههمین دلیل در پژوهش حاضـر عـلاوه بـر تحلیـ ل رگرسـیون خط ی س اده و م دله اي خط ی چندگان ه از روش تحلیل ی رگرسی ون بهروش تخمین منحنی در قالب مـدل هـاي غی رخطـی استفاده شد. پژوهشهاي زیادي براي پـیشبی نـی و مـدل سـازي خصوصیات فیزیکی– شیمیایی خـاك از جملـه مقـادیر ذخـا یر کربن آلی خاك صورت گرفته است. در این رابطـه سـرمدیان و همکـاران (8) و واحـدي و همکـاران (17) بـراي مـدلسـازي تغییرات ترسیب کربن آلـ ی خـاك برمبنـاي تحلیـ ل مـدل هـاي رگرسیون خطی چندگانه مدلهایی را براساس عوامل توصـ یفی فیزیکی و شیمایی خاك ارائه دادهاند. اگر چه دقت برآوردي در مطالعـه ایشـان زیـاد بـوده (89/0- 87/0 = 2R) ولـی ابرمبنـ ي انتخاب متغی رهـاي مسـتقل در مطالعـه ایشـان، مـیتـوان گفـتاندازهگیري متغیرهاي عامل براي برآورد مقـاد یر کـربن ترسـیب شده به لحاظ هزینه و زمان بهصرفه نیسـت و بیشـتر بـه لحـاظ اکولوژیکی قابلیـ ت تحلیـ ل و تفسـیر دارنـد. پیلـه ور شـهري و همکاران (6) و مقیمی و همکاران (15) در رابطه بـا پـیشبینـیمقادیر ترسیب کربن خاك بهترتیب با استفاده از آنالیز داده هـاي سطح زمین و عوامل فیز یـوگرافی بـهروش تحلی لـی رگرسـیون خطی چندگانـه مبنـاي اعتبـار مـدل را فقـط براسـاس ضـریب همبســتگی بــرازش عوامــل توصــ یفی و پاســخ ارائــه دادنــد (53/0 = R). در پژوهش حاضر نیز دقت برآورد ترسیب کـربن خاك برمبناي مقدار ضریب تبیین R بیشتر بوده است ولی نتایج اعتبارسنجی قطعیت محاسباتی مدلها نشـان داد کـه مـدل هـاي ارائه شده در صورت حضور عوامل توصیفی دیگر مطمئناً داراي دقت بیشتري خواهند بود. در حقیقت، نتایج تحقیق حاضر نشان داده است که تقریبـاً بـیش از 60 درصـد از تغییـ رات واریـ انس حاصل شده مربوط به تغییرات عواملی بوده است که در انتخاب مدل بهینه لحاظ نشده است. این امر نشان میدهد کـه اگـر چـهمدلهاي حاضر داراي دقت برآوردي قابـل ملاحظـه و قطعیـ ت محاسباتی هستند، ولی مقـادیر پاسـخ مـورد مطالعـه عـلاوه بـرشاخصهاي تنوع زیستی به عوامل دیگر محیطی و ادافیکی نیـ ز وابسته است. در اکثر مطالعات مدلسازي معمولاً براي افـزایش دقت برآورد خصوصیات خـاك از جملـه ترسـیب کـربن آلـی خاك، علاوه بر مدلهاي خطی چندگانه از سیسـتم هـاي هـوشمصنوعی و شبکه عصبی مصنوعی نیز استفاده شـد ( 7، 8، 15 و 33). شبکه عصبی مصنوعی معمولاً حداقل نظم بـ ین دادههـا رادرنظر گرفته و مجزا از نوع رابطه بین متغیرها، همبسـتگ ی بـین متغیرهاي عامـل و عـدم توزیـ ع تقـارن داده هـا، حـداکثر دقـتبرآوردي را ارائه مـ یدهـد ( 16). ولـ ی در ایـ ن پـژوهش بـراي افزایش دقت برآورد و قطعیت محاسباتی از مدلهاي غی رخطـی با توابع مختلف استفاده شـد و بـراي آزمـون افـزایش قطعیـ ت مدلهاي بهینه مذکور، تعداد پارامترها با روش تبدیل لگـار یتمی افزای ش یافتند. نتایج نشان داد که در مدلهاي غی رخطـی اشـتباهمعیار تخمین و میانگین مربعات باقیماندهها بـه حـداقل میـ زان رسید. از طرفی شاخص اطلاعات اکاییک نشان داد که مدلهاي غیرخطی تک متغیره و مـدل هـاي تبـدیلی لگـاریتمی بـا تعـدادپارامترهاي مختلـف داراي قطعیـ ت محاسـبات ی خی لـی بی شـتري نسبت به مدلهاي خطی چندگانه هسـتند. نتـایج نشـان داد کـهمدل کرو برحسب غلبه گونـهاي پوشـش علفـی داراي حـداکثردقت برآورد و حداقل خطاي تخمین میباشـد. در واقـع چـونبین غلبه گونهاي پوشش علفی و مقادیر ترسیب کربن آلی عمق مورد مطالعه خاك همبستگی منفی وجود دارد، از اینرو در قالب مدل کرو با توجـه بـه ارائـه عامـل توصـیفی مزبـور در مخـرجپارامتر محاسباتی، شاخص غلبه گونهاي در مدل غیرخطی کـروبهعنوان بهترین پیشگو براي برآورد ذخایر کربن آلی معرفی شد.
با توجه به اینکه اکثر پژوهشهاي صورت گرفتـه در قالـبعنوان پژوهش حاضر، از تکنیک شبکه عصبی مصنوعی بهعنوان مکمل براي تحلیل رگرسیون خطی ساده و چندگانـه بـهمنظـورافزایش دقت برآورد خصوصیات فیزیکی- شـیمیایی و ترسـ یب کربن آلی خاك استفاده شد، نتایج حاضر نشان داد که مدل هـاي غیرخطی در قالب تحلیلی رگرسـیون بـهروش تخمـین منحنـ ی میتواند نسبت به مدلهاي خطی چندگانه داراي دقت بیشـتر وقطعیت محاسباتی زیادتري باشد. اگر چه با توجه بـه مطالعـاتمذکور، سیستم هـاي هـوش مصـنوعی از جملـه شـبکه عصـبی مصنوعی داراي دقت بـرآورد بی شـتري نسـبت بـه تحل یـل هـاي رگرسیون خطی چندگانه میباشند (19) ولی بر خلاف مدلهاي

منابع مورد استفاده
محاسباتی ریاضی خروجیهاي بهینه شبکههاي عصبی در قالب جعبه سیاه ارائه میشود که دسترسـ ی بـه آن بـه صـورت جـامعسخت و استفاده کاربردي از آنها بعضا ناممکن است. بنـابرا ین، با ارائه مدلهاي بهینه غیرخطی در پژوهش حاضر با دقت قابـلملاحظه و قطعیت زیـ اد، بـه صـورت کـاربردي مـیتـوان دركدرستی در رابطه بـا اسـتفاده اجرایـی و تحلیـ ل اکولـوژ یکی در رابطه با پیشبینی و پایش ذخایر وزنی ترسیب کربن آلی خـاك در جنگل مورد مطالعه داشت.
اسحاقیراد، ج.، ق. زاهدي امیري، م. ر. مروي مهاجر و ا. متاجی. 1388. ارتباط بین پوششهاي رستنی با خصوصـیات فیزیکـی وشیمیایی خاك در جوامع راش (مطالعه موردي: جنگل آموزشی پژوهشی خیرود کنار نوشهر). تحقیقات جنگل و صـ نوبر ایـران 2:
.174-187
اسماعیلزاده، ا. و س. م. حسینی. 1386. رابطه بین گروههاي اکولوژیک گیاهی با شاخصهاي تنوع زیستی گیـاهی در ذخیـرهگـاهسرخدار افراتخته. محیط شناسی 43: 30-21.
بینام، 1387. طرح جنگلداري سري سه گلندرود (تجدید نظر دوم)، اداره کل منابع طبیعی و آبخیزداري استان مازندران- نوشهر.
بیهمتا، م. ر. و م. ع. زارع چاهوکی. 1390. اصول آمار در علوم منابع طبیعی. انتشارات دانشگاه تهران، 300 ص.
پوربابایی، ح. و د. خدایار. 1384. تنوع گونهاي گیاهان چوبی در جنگلهاي سري یک کلاردشت، مازندران. مجله زیست شناسـیایران 4: 322-307.
پیلهور شهري، ا.، ش. ایوبی، و ح. خادمی. 1389. مقایسه مدل شبکه عصبی مصنوعی و رگرسیون خطی چند متغیـره در پـیش بینـی کربن آلی خاك بهکمک دادههاي آنالیز سطح زمین (مطالعه موردي: منطقه ضرغام آباد سمیرم). نشریه آب و خاك 6: 1163-1151.
رضایی پژند، ح. و ا. بزرگنیا. 1381. تحلیل رگرسیون غیرخطی و کاربردهاي آن (ترجمه). انتشـارات دانشـگاه فردوسـی مشـهد،
387 ص.
سرمدیان، ف.، ر. تقیزاده مهرجردي، م. ح. عسگري، و ع. اکبرزاده. 1389. مقایسه روشهاي نروفازي، شبکه عصبی و رگرسـ یون چند متغیره در پیشبینی برخی خصوصیات خاك (مطالعه موردي: استان گلستان). مجله تحقیقات آب و خاك ایران 1: 220-211.
علیجانپور شلمانی، ع.، م. شعبانپور، ح. اسدي و ف. باقري. 1390. تخمین پایداري خاکدانه در خاكهاي جنگلی اسـتان گـیلان بهوسیله شبکه عصبی مصنوعی و توابع انتقالی رگرسیونی. نشریه دانش آب و خاك 3: 162-153.
غلامعلیزاده آهنگر، ا.، ف. سارانی، م. هاشمی و ا. شعبانی. 1393. مقایسه روشهاي رگرسیون خطی، زمینآماري و شبکه عصـب ی مصنوعی در مدلسازي کربن آلی در اراضی خشک دشت سیستان. نشریه آب و خاك 6: 1260-1250.
فرجی، ف.، ا. متاجی، س. بابایی کفاکی و ع. ا. واحدي. 1394. ارتباط بین تنوع گیاهی و تغییرات زيتوده هـوایی در جنگـل هـاي آمیخته راش شرقی (مطالعه موردي: حاجیکلا– تیرانکلی، ساري). مجله جنگل ایران 2: 165-151.
فهیم، ز.، م. ا. دلاور و ا. گلچین. 1391. تأثیر نوع پوشش جنگلی بر ذخیره کربن آلی و خصوصیات خـاك در جنگـل خیرودکنـار،
نوشهر. مجله علوم و فنون کشاورزي و منابع طبیعی 63: 149-137.
محمودي طالقانی، ع. ا.، ق، زاهدي امیري، ا. عادلی و خ. ثاقب طالبی. 1386. برآورد ترسیب کـربن خـاك در جنگـلهـاي تحـتمدیریت (مطالعه موردي: جنگل گلبند در شمال کشور). فصلنامه جنگل و صنوبر 3: 252-241.
مصداقی، م. 1384. بومشناسی گیاهی. انتشارات جهاد دانشگاهی مشهد، 187 ص.
مقیمی، س.، ي. پرویزي، م. ح. مهدیان و م. ح. مسیحآبادي. 1393. کاربرد مقایسهاي رگرسیون خطی چندگانه و شبکههاي عصبی مصنوعی براي شبیهسازي اثرات عوامل توپوگرافی بر تغیییرات کربن آلی خاك. نشریه مهندسی و مدیریت آبخیز 4: 322-312.
منهاج، م. 1381. مبانی شبکههاي عصبی (هوش محاسباتی). جلد اول. مرکز نشر دانشگاه صنعتی امیر کبیر، 715 ص.
واحدي، ع. ا.، ا. متاجی و س. م. حجتی. 1393. مدلسازي مخزن کربن آلی خاك در رابطه با ویژگیهاي فیزیکو- شیمیایی خـاكدر جنگل گلندرود در شمال ایران. مجله پژوهشهاي خاك 1: 62-53.
.81 Burnham, K. P. and D. R. Anderson. 2002. Model Selection and Multimodel Inference: A Practical Information Theoretic Approach, Second Edition, Springer-Verlag, New York, 488 p.
.91 Foody, G. M., D. S. Boyd and M. E. J. Cutler. 2003. Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions. Remote Sensing of Environment 85: 463-474.
.02 Gegout, J. and E. Krizova. 2003. Comparison of indicator values of forest understory plant species in Western Carpathians (Slovakia) and Vosges Mountains (France). Forest Ecology and Management 182: 1-11.
.12 Hollingsworth, T. N., E. A. G. Schuur, F. S. Schuur and M. D. Walker. 2008. Plant community composition as a predictor of regional soil carbon storage in Alaskan boreal black spruce ecosystems. Ecosystems 4: 629-642.
.22 Ingleby, H. R. and T. G. Crowe. 2001. Neural network models for predicting organic matter content in Saskatchewan soils. Canadian Biosystems Engineering 43:71-75.
.32 IPCC. 2007. Climate Change 2007. Mitigation of Climate Change. Working Group III Contribution to the Intergovernmental Panel on Climate Change Fourth Assessment Report. http://www.mnp.nl/ipcc/.
.42 IUFRO Research Group. 2004. Improvement and Silviculture of Beech. Proceedings from the 7th International Beech Symposium. Research Insitute of Forests and Rangelands, Iran, Tehran, p. 186.
.52 Jandl, R., M. Lindner, L. Vesterdal, B. Bauwens, R. Baritz, F. Hagedorn, D. W. Johnson, K. Minkkinen and K. A. Byrne. 2007. How strongly can forest management influence soil carbon sequestration? Geoderma 137: 253-268.
.62 Jimenez, J. J., R. Lal, H. A. Leblanc and R. O. Russo. 2007. Soil organic carbon pool under native tree plantations in the Caribbean lowlands of Costa Rica. Forest Ecology and Management 241: 134-144.
.72 Kirby, K. R. and C. Potvin. 2007. Variation in carbon storage among tree species: Implications for the management of a small- scale carbon sink project. Forest Ecology and Management 246: 208-221.
.82 Lal. R. 2005. Forest soils and carbon sequestration. Forest Ecology and Management 220: 242-258.
.92 Parr, J. F. and L. A. Sullivan. 2005. Soil carbon sequestration in phytoliths. Soil Biology and Biochemistry 37:117124.
.03 Peichl, M. and M. A. Arain. 2006. Above and belowground ecosystem biomass and carbon pools in an age-sequence of temperate pine plantation forests. Agricultural and Forest Meteorology 140: 51-63.
.13 Peltoniemi, M., E. Thürig, S. Ogle, T. Palosuo, M. Schrumpf, T. Wutzler, K. Butterbach-Bahl, O. Chertov, A. Komarov, A. Mikhailov, A. Gärdenäs, C. Perry, J. Liski, P. Smith and R. Mäkipää. 2007. Models in country scale carbon accounting of forest soils. Silva Fennica 41(3): 575-602.
.23 Tilman, D., P. B. Reich, J. Knops, D. Wedin, T. Mielke and C. Lehman. 2001. Diversity and productivity in the long-term grassland experiment. Science 294: 843-845.
.33 Toth, T., M. G. Schaap and Z. Molnar. 2008. Utilization of soil-plant interrelations through the use of multiple regression and artificial neural network in order to predict soil properties in hungrian solonetzic grasslands. Cereal Research Communications 36: 1447-1450.


دیدگاهتان را بنویسید