مدل سازی زوال درختان بلوط با استفاده از شبکه­ های عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

2 دانشجوی دکترای مهندسی سیستم اطلاعات مکانی (GIS)، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

10.22131/sepehr.2019.36612

چکیده

جنگل های زاگرس بیشترین تأثیر را در تأمین آب، حفظ خاک و تعدیل آب  و هوای کشور دارد. با این وجود بخش قابل توجهی از این جنگل ها دچار پدیده ی زوال درختان بلوط شده است. مشخص نبودن پارامترهای مؤثر در زوال و نحوه ی ارتباط پارامترها، از جمله عواملی هستند که باعث سخت تر شدن شناخت و مدل سازی این پدیده می شود. هدف این پژوهش تعیین پارامترهای تاثیرگذار برای مدل سازی زوال درختان بلوط و مدل سازی این پدیده با استفاده از شبکه های عصبی مصنوعی در استان لرستان است. در این پژوهش، پارامترهای دما، بارش، ارتفاع، شیب، جهت، نوع خاک و میزان ریزگردها به عنوان پارامترهای اولیه انتخاب شدند. همچنین از عملگرهای ضرب، لگاریتم، تبدیلات هذلولی و آنالیز مؤلفه های اصلی برای ترکیب پارامترها استفاده شد. به دلیل معلوم نبودن نحوه ی ارتباط و میزان اثر هر پارامتر، از شبکه های عصبی مصنوعی برای مدل سازی پدیده زوال استفاده شد. در مجموع 385 ترکیب مختلف از پارامترهای اولیه، با استفاده از عملگرهای فوق تولید و در سه معماری پیش خور با سه لایه پنهان، احتمالاتی و معماری ماشین بردار پشتیبان در شبکه های عصبی، (در مجموع تعداد 1155 شبکه ی عصبی) ارزیابی شد. نتایج ارزیابی نشان داد معماری احتمالاتی (87/0=R) با ورودی های ارتفاع، جهت، شیب، ریز گرد، نوع خاک و مؤلفه ی اصلی (بارش و دما) بهترین عملکرد را در مدل سازی زوال درختان بلوط دارد. با توجه به نتایج، استفاده از شبکه های عصبی مصنوعی احتمالاتی در شرایط عدم قطعیت و وجود دانش جزئی از پدیده، توصیه می شود. همچنین نتایج نشان دادند که استفاده از مؤلفه ی اصلی پارامترهای دما و بارش، استرس ناشی از خشکی را بهتر مدل می کند. استفاده از ترکیب بهینه ی پارامترها، در مدل احتمالاتی نسبت به ترکیب عادی، باعث افزایش 05/0 ضریب همبستگی شد.

کلیدواژه‌ها


عنوان مقاله [English]

Modeling oak decline using artificial neural networks

نویسندگان [English]

  • Ali Asghar Alesheikh 1
  • Saeed Mehri 2
1 Prof., Geomatics Engineering Faculty, K. N. Toosi University of Technology, Tehran, I.R. Iran.
2 Ph.D. student, Geographic Information System (GIS), Geomatics Engineering Faculty, K. N. Toosi University of Technology, Tehran, I.R. Iran.
چکیده [English]

Extended Abstract
Introduction
Oak is a common species in Iran and the most important one in Zagros forests. Zagros forests play a crucial and effective role in water supply, soil conservation and climate modification in Iran. Unfortunately, a significant part of those forests suffer from oak decline. Oak decline (or oak mortality) is a widespread phenomenon in oak forests around the world, which has gained the attention of many researchers in forestry over the past decade. In Iran, this phenomenon was first observed in Zagros forests in 2013. Factors affecting oak decline and their mutual interactions are not clearly identified, which makes understanding and modeling of these processes challenging. Only a few studies have been performed in relation to this phenomenon in Iran. Thus, we chose to determine the most effective parameters and find the best modeling method for oak decline in Iran and especially in Lorestan province.
Materials & Methods
In order to find effective environmental variables, related literature review was thoroughly investigated. Environmental parameters including temperature, precipitation, elevation, slope, direction, soil type, and amount of aerosols were selected as basic influencing parameters. All parameters were then interpolated to produce raster data with 30-meter cell resolution. To find the optimal combination of the parameters, four operators including multiplication, logarithm, hyperbolic transformations, and principal component analysis (PCA) were used. A total 385 different combinations of the influencing parameters were produced using the above mentioned operators. The relation and weight of each parameter are unknown, thus Artificial Neural Networks were used to model oak decline process. Three feed forward artificial neural network, including Back-propagation Neural Network (BP), Probabilistic neural network (PNN) and Support Vector Neural Network (SVNN) were selected as modeling methods. Then, 385 different combinations of the influencing parameters were used in the above mentioned models. To train and evaluate each neural network, a total number of 10000 samples were randomly selected from the study area. 70 percent of these random samples were used to train, 15 percent to evaluate and 15 percent to validate the models. Also, cross-validation method was used to avoid over fitting of neural networks. Finally, 1155 created NN models were compared using R parameter to find the best configuration for modeling oak decline and identifying the most influential environmental parameters in oak decline.
Results & Discussion
Evaluating 1155 different networks indicated that Probabilistic neural network (R=0.87) with 6 inputs, including 1) elevation, 2) slope, 3) direction, 4) aerosols, 5) soil type and 6) principal component of temperature and precipitation, performed better than SVNN and BP in modeling oak decline. Moreover, using different combinations of influencing factors improved the results and increased correlation coefficient (R) of optimal inputs by 0.05 as compared to initial inputs. Thus, it can be concluded that increased number of inputs does not necessarily guarantee a better performance. Furthermore, two principle parameters of temperature and perception have a more significant role in modelling drought stress as compared to other parameters.
Conclusion
Oak decline is a complicated phenomenon and different factors contribute to its occurrence. The present study investigates all environmental parameters affecting oak decline through a comprehensive literature review. Results indicate appropriate performance of probabilistic neural networks in modeling oak decline. Moreover, principal component analysis is considered to be a useful tool for modeling of drought stress in oak trees. Due to different accuracy and precision of these neural networks, it is necessary to evaluate different configurations. For further researches, it is suggested to use other parameters, such as distance from population centers, water table, age of oak trees, oak tree height and characteristics of other nearby trees.

کلیدواژه‌ها [English]

  • Artificial neural networks
  • oak decline
  • Principal Component Analysis
  • Support Vector Machine
  • Zagros forests
  1. احمدی، زاهدی امیری، مروی مهاجر؛ شهرام، قوام‌­الدین، محمدرضا، 1395، تهیه نقشه خشکیدگی بلوط ایرانی (Quercus brantii Lindl.) با استفاده از روش زمین‌آمار در دشت ‌برم استان فارس، فصلنامة علمی - پژوهشی تحقیقات جنگل و صنوبر ایران، تهران، 24(3)، 540-439.
  2. بیات، نمیرانیان، رشیدی، ‌بابایی؛ ‌محمود، امید، ‌منوچهر، سجاد، 1395،  کارایی روش شبکه عصبی مصنوعی در برآورد موجودی سرپای توده‌های جنگلی، فصلنامة علمی - پژوهشی تحقیقات جنگل و صنوبر ایران، تهران، 24(2)، 226-214.
  3. حسینی، احمد، 1390، بررسی میزان آلودگی درختان به سوسک‌های چوب‌خوار و ارتباط آن با شرایط رویشگاهی در جنگل‌های بلوط ایرانی (Quercus brantii) در استان ایلام، دو فصلنامه علمی-پژوهشی تحقیقات حمایت و حفاظت جنگل‌ها و مراتع ایران، تهران، 9 (1)، 66-53.
  4. حسینی، حسینی، رحمانی، آزادفر؛ ‌احمد، سید محسن،‌ داوود، 1392، مقایسه خصوصیات محیط‌های رقابتی توده‌های سالم بلوط ایرانی و توده‌های متأثر از زوال بلوط در استان ایلام، فصلنامة علمی - پژوهشی تحقیقات جنگل و صنوبر ایران، تهران، 21 (4)، 616-606.
  5. طالبی، ثاقب طالبی، جهانبازی گوجانی؛ محمود، خسرو، حسن، 1385، بررسی نیاز رویشگاهی و برخی خصوصیات کمی و کیفی بلوط ایرانی (Quercus brantii Lindl.) در جنگل‌های استان چهارمحال و بختیاری ، فصلنامة علمی - پژوهشی تحقیقات جنگل و صنوبر ایران، تهران، 14(1)، 79-67.
  6. عزیزی، میری، محمدی، پورهاشمی؛ قاسم، مرتضی، مهدی، 1394، واکاوی زوال جنگل‌های استان ایلام و ارتباط آن با تغییرات بارش، فصلنامة علمی - پژوهشی تحقیقات جنگل و صنوبر ایران، تهران، 23(3)، 515-502.
  7. عطارد، صادقی، طاهری سرتشنیزی، ساروئی، عباسیان، مسیح‌­پور، کردستمی، دریکوندی؛ پدرام، سید محمد معین، فریدون، سعید، پریسا، مهرنوش، فرشته، آرش، 1394، دو فصلنامه علمی-پژوهشی تحقیقات حمایت و حفاظت جنگل‌ها و مراتع ایران، تهران، 13(2)، 112-97.
  8. کرمی، کاوسی، بابانژاد؛ جلیل، محمدرضا، منوچهر، 1396، بررسی امکان تهیه نقشه شدت خشکیدگی جنگل‌های بلوط زاگرس با استفاده از داده‌­های ماهواره‌­ای Worldview-2 (مطالعه موردی: جنگل‌­های شهرستان ایلام)، دو فصلنامه علمی-پژوهشی تحقیقات حمایت و حفاظت جنگل‌ها و مراتع ایران، تهران، 13(1)، 45-34.
  9. مهدوی، میرزا‌یی‌­زاده، نیک­‌نژاد، کرمی؛ علی، وحید، مریم، امید، 1394، بررسی و پیش‌بینی زوال درختان بلوط با استفاده از مدل رگرسیون لجستیک (مطالعه موردی: جنگل‌های بیوره ملکشاهی- ایلام)، دو فصلنامه علمی-پژوهشی تحقیقات حمایت و حفاظت جنگل‌ها و مراتع ایران، تهران، 13(1)، 33-20.
  10. مهدی­‌فر،‌ ثاقب­‌طالبی؛ داریوش، خسرو، 1385،‌ مشخصات کمی و کیفی و خصوصیات رویشگاهی دارمازو (.Quercus infectoria Oliv) در منطقه شینه استان لرستان، ، فصلنامة علمی - پژوهشی تحقیقات جنگل و صنوبر ایران، تهران، 14(3)، 206-193.
  11. میرابوالفتاحی، منصوره، 1392، شیوع بیماری زغالی درختان بلوط و آزاد در جنگل‌های زاگرس و البرز، بیماری­های گیاهی، 49(2)، 263-257.

12. Ahmadi, R., H. Kiadaliri, A. Mataji and S. Kafaki., 2014. Oak forest decline zonation using AHP model and GIS technique in Zagros Forests of Ilam Province. Journal of Biodiversity and Environmental Sciences (JBES), 4(3): 141-150.

13. Cilimkovic, M., 2015. Neural networks and back propagation algorithm. Institute of Technology Blanchardstown, Blanchardstown Road North Dublin, 15.

14. Corcobado, T., E. Cubera, E. Juárez, G. Moreno and A. Solla., 2014. Drought events determine performance of Quercus ilex seedlings and increase their susceptibility to Phytophthora cinnamomi. Agricultural and Forest Meteorology, 192: 1-8.

15. Costa, A., H. Pereira and M. Madeira., 2010. Analysis of spatial patterns of oak decline in cork oak woodlands in Mediterranean conditions. Annals of Forest Science, 67(2): 204.

16. Ferreira, F., T. Oszako and C. Delatour., 2000. The cork oak condition in Portugal, Recent advances on oak health in Europe, Selected papers from a conference held in Warsaw, Poland, 1999, Instytut Badawczy Leśnictwa (Forest Research Institute), 22-24.

17. Godinho, S., N. Guiomar, R. Machado, P. Santos, P. Sá-Sousa, J. P. Fernandes, N. Neves and T. Pinto-Correia., 2016. Assessment of environment, land management, and spatial variables on recent changes in montado land cover in southern Portugal. Agroforestry Systems, 90(1): 177-192.

18. Jönsson, U., 2004. Phytophthora species and oak decline – can a weak competitor cause significant root damage in a nonsterilized acidic forest soil?. New Phytologist, 162(1): 211-222.

19. Kabrick, J. M., D. C. Dey, R. G. Jensen and M. Wallendorf., 2008. The role of environmental factors in oak decline and mortality in the Ozark Highlands. Forest Ecology and Management, 255(5–6): 1409-1417.

20. Köhl, M. and G. Gertner., 1997. Geostatistics in evaluating forest damage surveys: considerations on methods for describing spatial distributions. Forest Ecology and Management, 95(2): 131-140.

21. Lek, S., M. Delacoste, P. Baran, I. Dimopoulos, J. Lauga and S. Aulagnier., 1996. Application of neural networks to modelling nonlinear relationships in ecology. Ecological Modelling, 90(1): 39-52.

22. Martín García, J., A. Solla, T. Corcobado, E. Siasou and S. Woodward., 2015. Influence of temperature on germination of Quercus ilex in Phytophthora cinnamomi, P. gonapodyides, P. quercina and P. psychrophila infested soils. Forest Pathology, 45(3): 215-223.

23. Parzen, E., 1962. On estimation of a probability density function and mode. The annals of mathematical statistics, 33(3): 1065-1076.

24. Radi, A. and S. K. Hindawi, 2013. Applying Artificial Neural Network Hadron-Hadron Collisions at LHC. INTECH Open Access Publisher, Croatia, 256p.

25. Rojas, R., 2013. Neural networks: a systematic introduction, Springer-Verlag, New York, 476p.

26. Rosa, J. L. G., 2013. Biologically Plausible Artificial Neural Network, 25-52. (In): Suzuki, K., (Ed). Artificial Neural Networks - Architectures and Applications. InTech, China, p256.

27. Sammut C, Webb GI,. 2016. Encyclopedia of Machine Learning and Data Mining. Springer, US, 1335p.

28. Specht, D. F., 1990. Probabilistic neural networks. Neural networks, 3(1): 109-118.

29. Sun, X.-y., F.-n. Kang, M.-m. Wang, J.-p. Bian, J.-l. Cheng and D. H. Zou., 2016. Improved probabilistic neural network PNN and its application to defect recognition in rock bolts. International Journal of Machine Learning and Cybernetics, 7(5): 909-919.

30. Tran, D., A. Ng, B. Perera, S. Burn and P. Davis., 2006. Application of probabilistic neural networks in modelling structural deterioration of stormwater pipes. Urban Water Journal, 3(3): 175-184.

31. Taghimollaei, Y., Karamshahi, A., (2017).  Sudden Oak Death in Iran forests, International Journal of Forest, Soil and Erosion (IJFSE), 7(1): 6-10.