کلمات کلیدی:

درون یابی; متغیرهای اجتماعی و اقتصادی؛ جنگل زدایی؛ پارتیشن سلسله مراتبی

چکیده

این مطالعه متغیرهای اجتماعی-اقتصادی سطح محلی را با سه روش مختلف مقایسه می کند: 1) چند ضلعی های تیسن، 2) وزن دهی معکوس فاصله، و 3) مناطق تأثیر بر اساس هزینه فاصله. هدف اصلی تعیین تکنیک درونیابی قادر به تولید کارآمدترین متغیر برای توضیح توزیع جنگل زدایی از طریق دو رویکرد آماری بود: مدل های خطی تعمیم یافته و تقسیم سلسله مراتبی. این مطالعه در دو منطقه از غرب مکزیک انجام شد: حوزه آبخیز رودخانه کویوکیلا، و ذخیره‌گاه زیست کره سیرا د منانتلان (SMBR). برای SMBR مشخص شد که چند ضلعی های تیسن و مناطق تحت نفوذ تکنیک هایی هستند که متغیرها را با بیشترین قدرت توضیحی برای فرآیند جنگل زدایی درون یابی می کنند، در کویوکیلا وزن دهی معکوس فاصله بود.

1. مقدمه

تغییرات کاربری/پوشش زمین (LULCC) به یک سوال اصلی تبدیل شده است که در سال های اخیر باید به آن پرداخته شود. ویتوسک [ 1 ] و آگاروال و همکاران. [ 2 ] بیان می کند که سطح فعلی LULCC – همراه با افزایش سطوح دی اکسید کربن اتمسفر و تغییرات در چرخه جهانی نیتروژن – مشهودترین و محسوس ترین تغییرات جهانی را تشکیل می دهد. جنگل زدایی به عنوان یکی از مهمترین عناصر LULCC شناخته می شود. بر اساس ارزیابی های اخیر، هر سال، به طور متوسط، حدود 630000 هکتار از جنگل های معتدل و گرمسیری پاکسازی می شود، که در 20 سال گذشته در مکزیک 50 درصد از پوشش اولیه را جمع آوری می کند [ 3 ]. ارزیابی منابع جنگل جهانی [ 4] در مکان چهارم فرآیند جنگل زدایی در مکزیک با از دست دادن سالانه 395000 هکتار در سال از سال 2000 تا 2005 قرار گرفته است. با این حال، در رابطه با دومی، تعیین اینکه کدامیک تأثیر بیشتری بر فرآیندهای تغییر دارند، ساده نیست. برخی از مطالعات جنبه های جمعیتی را به عنوان یک علت مهم در نظر می گیرند [ 5 ]، با این حال همچنین نشان داده شده است که رشد جمعیت عامل اصلی جنگل زدایی نیست [6،7]. این بیشتر فرآیندی است که به ترکیب پیچیده ای از عوامل اجتماعی-اقتصادی و بیوفیزیکی مربوط به تعامل بین انسان و محیط بستگی دارد [ 8 ]]. در عمل، گنجاندن داده‌های اجتماعی-اقتصادی در مطالعات جنگل‌زدایی شامل استفاده از پایگاه‌های داده‌ای است که از طریق بررسی‌ها ایجاد می‌شود، که داده‌های مرتب شده توسط یک مرزبندی سیاسی-اداری خاص (ایالت یا شهرداری) را ارائه می‌دهد. با این وجود، نمایش فضایی چنین واحدهایی ممکن است زمینه آنها را منعکس نکند، زیرا فرض می کند که آنها مناطق همگنی هستند که یک مقدار متوسط ​​به آنها اختصاص داده شده است. بنابراین، مدیریت اطلاعات بر اساس محل، به منظور بیان درجه بیشتری از ناهمگونی در هر مرزبندی سیاسی-اداری – از جایی که چالش فضاسازی داده‌های نقطه‌ای با استفاده از برخی تکنیک‌های درونیابی پدیدار می‌شود، سودمند است. سیستم های اطلاعات جغرافیایی (GIS) ابزارهایی را برای انجام چنین وظیفه ای با تخمین مقادیر یک متغیر محیطی در سایت های نمونه برداری نشده با استفاده از داده های نقطه ای از مشاهدات در همان منطقه فراهم می کند. این روش ها به طور گسترده در سایر مسائل زیست محیطی مانند نقشه برداری خاک [9،10] و داده های آب و هوایی [9،10] استفاده شده است.11 ]. آنها همچنین برای مطالعات اکولوژیکی مانند پیش‌بینی حجم جنگل [ 12 ] و توصیف ساختار فضایی جوامع گیاهی [ 13 ] اعمال شده‌اند.

2. روش ها

2.1. موقعیت مناطق مطالعاتی

دو منطقه مورد مطالعه انتخاب شدند: 1) ذخیره گاه زیست کره سیرا د منانتلان (SMBR) و منطقه نفوذ آن با 4577 کیلومتر مربع در Jalisco. و 2) حوزه آبخیز رودخانه Coyuquilla، Guerrero، شامل مساحت 637 کیلومتر مربع ( شکل 1 ).

شکل 1 . موقعیت مناطق مطالعاتی در مکزیک

2.2. مواد

برای SMBR، داده‌های کاربری/پوشش زمین (LULC) برای سال 1970 از نقشه‌ای در مقیاس 1:50000 تهیه‌شده توسط Instituto Nacional de Geografía، Estadística e Informática (INEGI، آژانس نقشه‌برداری رسمی مکزیک) به دست آمد. این با استفاده از تصاویر SPOT از دسامبر 2000 و دسامبر 2004 به روز شد. برای حوضه آبخیز رودخانه Coyuquilla، تصاویر Landsat TM مورخ فوریه 1986 و مه 2000 استفاده شد. در هر دو مورد، نقشه‌های LULC با روش تفسیر وابسته بصری به روز شدند [14،15]. این تکنیک ابتدا شامل تفسیر تصویر برای تاریخ اول، و سپس اصلاح آن بر اساس تصویر برای تاریخ دوم است، بنابراین داده‌های تغییر ثابت تولید می‌کند.

داده‌های به‌دست‌آمده برای تهیه نقشه‌های باینری که مناطق حفاظت‌شده/ جنگل‌زدایی شده را برای دوره‌های فوق‌الذکر تعریف می‌کنند، استفاده شد. سپس نقاط تصادفی از هر نقشه باینری، 40000 برای SMBR و 19000 برای Coyuquilla نمونه برداری شد. نقشه‌های راه (مقیاس 1:250000) و مدل‌های ارتفاع دیجیتال با وضوح 90 متر (DEM)، هر دو از INEGI، برای تولید نقشه‌های اصطکاک، ورودی اولیه برای تکنیک درون‌یابی ناحیه نفوذ استفاده شدند.

متغیرهای اجتماعی-اقتصادی درون یابی شده از Consejo Nacional de Población (شورای ملی جمعیت، CONAPO، 2000) در سطح محلی برای دو منطقه به دست آمد. این اطلاعات در یک پایگاه داده GIS (ArcGIS نسخه 9.3 و DINAMICA EGO نسخه 1.6) ادغام شد که در آن سه تکنیک درونیابی انجام شد. تجزیه و تحلیل های آماری با R [ 16 ] انجام شد.

2.3. تکنیک های درون یابی

همبستگی بین 13 متغیر اجتماعی-اقتصادی از CONAPO (2000) با ضریب اسپیرمن، یک اندازه گیری ناپارامتری وابستگی آماری ارزیابی شد. متغیرهایی با مقدار همبستگی برابر یا بیشتر از 0.7 کنار گذاشته شدند. سپس، متغیرهای انتخاب شده با استفاده از سه روش که در زیر به اختصار توضیح داده شده اند، به صورت فضایی درون یابی شدند. اولین روش مورد استفاده، چند ضلعی های تیسن یا نمودارهای ورونوی بود. این بر اساس فاصله اقلیدسی است، که یک منطقه را به روشی تقسیم می کند که کاملاً توسط پیکربندی نقاط داده تعیین می شود، با یک چند ضلعی در هر مشاهده. اگر داده ها روی یک شبکه مربع منظم قرار بگیرند، آنگاه چند ضلعی های تیسن همه با هم برابر هستند، اما اگر فاصله داده ها نامنظم باشد، شبکه نامنظمی از چند ضلعی ها ایجاد می شود ( شکل 2 را ببینید).(ب)). هر چند ضلعی نزدیکترین ناحیه به مکان مرکزی را نسبت به فاصله ای که با دیگران حفظ می کند تا مرزهای آنها را تشکیل دهد، محصور می کند [ 17 ]. کل ناحیه چند ضلعی مقدار ویژگی نقطه مرکزی را دریافت می کند.

روش دوم وزن دهی معکوس فاصله است

(IDW)، که ایده مجاورت مورد حمایت چندضلعی های تیسن را با تغییر تدریجی سطح روند ترکیب می کند. فرض بر این است که مقدار یک ویژگی z در برخی از نقاط بازدید نشده میانگین وزنی فاصله از نقاط داده است که در یک محله اطراف نقطه بازدید نشده رخ می دهد [ 18 ]. نقاط نمونه نزدیکتر به نقطه نمونه برداری نشده در مقادیر خود بیشتر شبیه به آن هستند تا نقاط دورتر [ 19 ]. برای این مطالعه، روش IDW بر اساس 20 و 12 نقطه همسایه برای SMBR و Coyuquilla بود.

در نهایت، ما مناطق نفوذ را در اطراف هر محل از چند ضلعی های تیسن مانند بر اساس نقشه های اصطکاک ایجاد کردیم. این ماتریسی از سلول ها است که هزینه انرژی برای عبور از هر سلول را تعیین می کند. در این تحقیق نقشه کاربری اراضی در ترکیب با راه و شیب به عنوان ورودی برای محاسبه آن استفاده شد. هر ناحیه تحت نفوذ نزدیکترین منطقه به مکان مرکزی را از نظر زمان سفر محصور می کند ( شکل 2 (د)).

2.4. مقایسه آماری رویه درونیابی

عملکرد هر تکنیک درون یابی، به تنهایی و به صورت ترکیبی، از طریق مدل های خطی تعمیم یافته (GLM) ارزیابی شد، که به ما اجازه می دهد روابط را توسعه دهیم.

(الف) (ب)

شکل 2 . مورد درونیابی فرضی چهار مکان. (الف) با مقادیر مشخصه های مختلف، z، که توسط دو امتداد جاده به هم متصل شده و توسط یک دریاچه (موانع) از هم جدا شده اند با استفاده از: چند ضلعی های تیسن (b)؛ وزن معکوس فاصله (c) و ناحیه تأثیر (d). فقط آخرین تکنیک جاده و دریاچه را در نظر می گیرد.

بین حضور یا عدم وجود فرآیند جنگل زدایی و متغیرهای درون یابی.

از رابطه لجستیک استفاده شد زیرا متغیر وابسته باینری است. پشتیبانی آماری GLM این است که وقتی واریانس ثابت نیست، می توان سهم یک یا چند متغیر را برای توضیح پدیده مورد مطالعه شناسایی کرد. مدل های به دست آمده با استفاده از معیار اطلاعات Akaike (AIC) ارزیابی شدند. این معیار تعادل بین سوگیری آماری و واریانس را در عواملی که در مدل اضافه می‌شوند در بر می‌گیرد و مقایسه‌ای را مستقیماً بین خود ارائه می‌دهد [ 20 ]. مدل‌ها با یک روش گام‌به‌گام برازش شدند و سهم نسبی هر متغیر با اهمیت آن و تفاوت AIC (DAIC) که هنگام کنار گذاشتن متغیر از مدل حاصل می‌شود، ارزیابی شد.

علاوه بر این، پارتیشن بندی سلسله مراتبی (HP) پیاده سازی شد، پروتکلی که در آن تمام مدل های ممکن در یک تنظیم رگرسیون چندگانه به طور مشترک در نظر گرفته می شوند تا محتمل ترین عوامل علی را شناسایی کنند. این شامل محاسبه “بهبود” افزایشی (یعنی افزایش تناسب) در مدل ها با افزودن یک متغیر معین U است، و اینها در تمام ترکیباتی که در آنها U رخ می دهد میانگین گیری می شود تا معیاری از اثرات متغیرهای مستقل [ 21]. تأثیر مستقل متغیر U با مقایسه برازش همه مدل‌های ممکن شامل U تخمین زده می‌شود. در HP همه این مقایسه‌ها در میان متغیرهای مستقل و ترکیبی از آنها در یک چارچوب سازگار انجام شده و میانگین می‌شوند. برای هر متغیر مستقل، قدرت “تبیینی” به اثرات مستقل، I، و اثراتی که به طور مشترک با سایر متغیرها ایجاد می شود، تفکیک می شود، J [22،23]. سهم در کل واریانس توضیح‌داده‌شده یک مدل از یک پیش‌بینی‌کننده در ارتباط با همه مدل‌های دیگر، با تفریق واریانس کل توضیح‌داده‌شده توسط یک پیش‌بینی‌کننده به‌طور مستقل به دست می‌آید. این رویکرد آماری [ 24 ] معیاری از قدرت توضیحی متغیرهای مستقل چندگانه را ارائه می دهد زیرا تحت تأثیر چند خطی بودن [ 25 ] قرار نمی گیرد. مک نالی [ 26] نشان می‌دهد که آن عواملی که هم در مدل‌های رگرسیون و هم در مدل‌های HP تأثیرگذار شناسایی شده‌اند، متغیرهای علی در میان آنهایی هستند که دارای قدرت پیش‌بینی هستند. در نهایت برای ارزیابی همبستگی مکانی متغیرهای مورد تجزیه و تحلیل، شاخص موران محاسبه شد.

3. نتایج

3.1. انتخاب متغیرهای درون یابی

بر اساس آزمون همبستگی اسپیرمن، از میان 13 متغیر اجتماعی-اقتصادی از CONAPO (2000) تنها چهار متغیر برای SMBR و پنج متغیر برای کویوکیلا ( جدول 1 ) همبستگی نداشتند.

متغیرهای انتخاب شده از طریق چند ضلعی های Thiessen، IDW و مناطق نفوذ (شکل 3 و 4) درون یابی شدند و در GLM و HP استفاده شدند.

3.2. مقایسه تکنیک های درون یابی

جدول 2 مدل های نهایی GLM را برای هر دو منطقه مورد مطالعه نشان می دهد که متغیرها بر اساس سهم هر متغیر در مدل (DAIC) رتبه بندی شده اند. به طور کلی، می توان مشاهده کرد که نتایج مدل نهایی GLM یک روش ثابت برای انتخاب یک روش درونیابی ایجاد نمی کند زیرا انتخاب ترکیبی از تکنیک های ترکیبی را ارائه می دهد. در عوض، مشخص شد که برای Coyuquilla و همچنین SMBR، متغیری که سهم اصلی را نشان می‌دهد، شاخص حاشیه‌سازی است که به ترتیب با تکنیک IDW و چندضلعی‌های Thiessen درون یابی شده است.

از سوی دیگر، نتایج HP نشان می‌دهد که برای SMBR، تکنیک‌های درون‌یابی مبتنی بر چند ضلعی‌های تیسن و نواحی نفوذ قادر به بیان مکانی متغیرها با قدرت توضیحی مستقل (I) بیشتر برای فرآیند جنگل‌زدایی هستند ( جدول 3 را ببینید ). تکنیک IDW اهمیت کمتری داشت. همچنین می توان مشاهده کرد که شاخص حاشیه نشینی بیشترین سهم مستقل را دارد و از این نظر با نتایج GLM همخوانی دارد. برای Coyuquilla، IDW بود

جدول 1 . متغیرهای مستقل اجتماعی-اقتصادی برای هر منطقه مورد مطالعه در نظر گرفته شده است. نماد + آن متغیرهایی را نشان می دهد که با 3 روش (چند ضلعی های تیسن، IDW و ناحیه نفوذ) درون یابی شده اند.

شکل 3 . درونیابی درصد افراد شاغل با درآمد تا 2 حداقل دستمزد (MW) با چند ضلعی های تیسن (a)، IDW (b) و مناطق تحت نفوذ (c) برای SMBR.

شکل 4 . درون یابی درصد ساکنان در خانه هایی با کف خاکی (EF) با چند ضلعی های Thiessen (a)، IDW (b) و مناطق تحت نفوذ (c) برای SMBR.

جدول 2 . مدل های نهایی GLM متغیرهایی که سهم بالاتری در مدل دارند، انتظار می‌رود که اهمیت بیشتری (p-value کم) و مقدار بالاتر DAIC را نشان دهند. کدهای نام برای متغیرها ( برای اسامی کامل به جدول 1 مراجعه کنید ) با یک حرف نشان دهنده روش درونیابی (I: IDW، T: Thiessen، A: مناطق نفوذ) دنبال می شود.

بهترین تکنیک درونیابی قادر به درون یابی متغیرهای اجتماعی-اقتصادی با مشارکت مستقل تر برای توضیح روند جنگل زدایی است. هنگام مقایسه نتایج به‌دست‌آمده از طریق روش HP و GLM، می‌توان اشاره کرد که دومی قادر به ارائه اطلاعات از نظر انتخاب یک تکنیک درون‌یابی نبوده و فقط ترکیبی از آنها را ارائه می‌کند.

4. بحث

توزیع فضایی مقادیر مرتبط با هر مکان می تواند توضیح دهد که چرا روش چند ضلعی تیسن متغیرهای اجتماعی-اقتصادی را برای SMBR نسبت به تکنیک IDW مورد استفاده برای Coyuquilla “بهتر” درون یابی می کند. شکل 5 (الف) نشان می‌دهد که چگونه مکان‌هایی با مقادیر مشابه شاخص حاشیه‌سازی در SMBR تمایل دارند در یک الگوی خوشه‌ای در فضا جمع شوند (یعنی با خودهمبستگی فضایی بالا، شاخص موران = 0.65). در مقابل، مقادیر محلات همسایه در Coyuquilla دارای مقادیر متضاد بدون هیچ الگوی هستند (همبستگی فضایی کم، با شاخص موران = -0.01).

5. نتیجه گیری

اطلاعات داده های محلی اجتماعی-اقتصادی یک ورودی اساسی نه تنها برای مطالعات در مورد محرک های فرآیندهای جنگل زدایی، بلکه برای مدل سازی آن نیز می باشد. با این حال، هیچ یک از این مطالعات، به عنوان اولین گام، شامل ارزیابی و انتخاب تکنیک های درون یابی که برای بیان متغیرهای اجتماعی-اقتصادی مورد استفاده قرار می گیرند، نمی شود. انتخاب یک تکنیک درونیابی فضایی مناسب

جدول 3 . پارتیشن بندی سلسله مراتبی با تمام متغیرها از طریق سه روش برای Coyuquilla و SMBR درون یابی شده است. کدهای نام برای متغیرها ( برای اسامی کامل به جدول 1 مراجعه کنید ) با یک حرف نشان دهنده روش درونیابی (I: IDW، T: Thiessen، A: مناطق نفوذ) دنبال می شود. حرف I نشان دهنده سهم مستقل است و J تاثیر مشترک در متغیر پاسخ (جنگل زدایی) است.

زیرا داده‌های موجود حیاتی است، اما کار آسانی نیست، زیرا یک تکنیک تنها برای موقعیت‌های خاص «بهترین» است [ 27 ]. با توجه به نتایج ارائه شده در اینجا، رویکرد آماری HP نه تنها راهی برای انتخاب مناسب ترین تکنیک درون یابی، بلکه برای تخمین سهم کمی هر متغیر اجتماعی-اقتصادی فراهم می کند.

شکل 5 . مقایسه مقادیر شاخص حاشیه‌سازی درون‌یابی شده با روش چندضلعی تیسن برای SMBR (a) و Coyuquilla (b).

در فرآیند جنگل زدایی با اجتناب از مشکلات هم خطی. این اطلاعات، همراه با تجزیه و تحلیل خودهمبستگی فضایی مبتنی بر مکان ویژگی و ارزش ویژگی، به درک چگونگی توزیع فضایی داده‌ها یک عامل تعیین‌کننده در انتخاب درون‌یابی کننده اجازه می‌دهد.

منابع

  1. PM Vitousek، “فراتر از گرمایش جهانی: اکولوژی و تغییرات جهانی”، اکولوژی، جلد. 75، شماره 7، 1994، ص 1861- 1876. doi:10.2307/1941591  [زمان(های استناد): 1]
  2. C. Agarwal، GMGreen، JM Grove، TP Evans و CM Schweik، “بررسی و ارزیابی مدل های تغییر کاربری زمین: دینامیک فضا، زمان و انتخاب انسان”، گزارش مشترک CIPEC شماره 1، وزارت کشاورزی، جنگل سرویس، ایستگاه تحقیقاتی شمال شرقی، میدان نیوتن، 2002، ص. 61. doi:10.1016/S1364-8152(03)00161-0  [زمان(های استناد): 1]
  3. JF Mas، H. Puig، JL Palacio و AS Lopez، “مدل سازی جنگل زدایی با استفاده از GIS و شبکه های عصبی مصنوعی”، مدل سازی و نرم افزار محیطی، جلد. 19، شماره 5، 1383، صص 461-471.  [زمان(های استناد): 1]
  4. فائو، “ارزیابی منابع جهانی جنگل 2005: پیشرفت به سمت مدیریت پایدار جنگل”، مقاله جنگلداری فائو 147، سازمان غذا و کشاورزی سازمان ملل متحد، رم، 2006.  [زمان(های استناد): 1]
  5. JC Allen و DF Barnes، “علل جنگل زدایی در کشورهای در حال توسعه”، سالنامه انجمن جغرافیدانان آمریکایی، جلد. 75، شماره 2، 1985، صفحات 163- 184. doi:10.1111/j.1467-8306.1985.tb00079.x  [زمان(های استناد): 1]
  6. A. Angelsen and D. Kaimowitz، “بازاندیشی در علل جنگل زدایی: درس هایی از مدل های اقتصادی”، World Bank Research Observer، Vol. 14، شماره 1، 1378، صص 73-98. doi:10.1093/wbro/14.1.73
  7. HJ Geist و EF Lambin، «چه چیزی باعث جنگل‌زدایی استوایی می‌شود؟ متاآنالیز علل تقریبی و زمینه‌ای جنگل‌زدایی بر اساس شواهد مطالعه موردی در مقیاس محلی، مجموعه گزارش LUCC، شماره 4، دانشگاه لوون، لووانلا-نوو، 2001.
  8. EF Lambin، BL Turner، JG Helmut، و همکاران، “علل تغییر کاربری و پوشش زمین: حرکت فراتر از افسانه ها”، Global Environmental Change، جلد. 11، شماره 4، 1380، صص 261-269. doi:10.1016/S0959-3780(01)00007-3  [زمان(های استناد): 1]
  9. M. Voltz and R. Webster, “A Comparison of Kriging, Cubic Splines and Classification for Predicting Soil Properties from Sample Information,” Journal of Soil Science, Vol. 41، شماره 3، 1369، صص 473-490. doi:10.1111/j.1365-2389.1990.tb00080.x
  10. PI بوکر، «مدل‌سازی تغییرپذیری فضایی با استفاده از نمایه‌های خاک در ریورلند استرالیای جنوبی»، Environment International، جلد. 27، شماره 2، 1380، صص 121-126. doi:10.1016/S0160-4120(01)00071-X
  11. IA Nalder و R. Wein، “Interpolation فضایی نرمال های اقلیمی: آزمون روشی جدید در جنگل شمالی کانادا”، هواشناسی کشاورزی و جنگل، جلد. 91، شماره 4، 1377، صص 211-225. doi:10.1016/S0168-1923(98)00102-6   [زمان(های) استناد:1]
  12. J. Wallerman، S. Joyce، CP Vencatasawmy و H. Olsson، “پیش‌بینی حجم بخار جنگلی با استفاده از Kriging سازگار برای تشخیص لبه‌ها،” Canadian Journal Forest Research, Vol. 32، شماره 3، 1381، صص 509-518. doi:10.1139/x01-214   [زمان(های) استناد:1]
  13. JL Hernandez-Stefanoni و R. Ponce-Hernandez، “نقشه برداری از تنوع فضایی تنوع گیاهی در یک جنگل گرمسیری: مقایسه روش های درون یابی فضایی”، پایش و ارزیابی محیطی، جلد. 1، شماره 117، 1385، صص 307-334. doi:10.1007/s10661-006-0885-z   [زمان(های) نقل قول: 1]
  14. فائو، “ارزیابی منابع جنگلی 1990. بررسی پوشش جنگل های استوایی و مطالعه فرآیند تغییر”، شماره 130، سازمان غذا و کشاورزی سازمان ملل متحد، رم، 1996.
  15. F. Achard, HD Eva, HJ Stibin, P. Mayaux, J. Gallego, T. Richards and JP Malingreau, “Determination of Forestation Rates of the World’s Humid Tropical Forests, Science, Vol. 297، شماره 5583، 2002، صص 999-1002. doi:10.1126/science.1070656
  16. تیم اصلی توسعه R، R: زبان و محیطی برای محاسبات آماری. بنیاد R برای محاسبات آماری، وین، 2011. https://www.R-project.org   [Citation Time(s):1]
  17. PA Burrough و RA MacDonell، “اصول سیستم های اطلاعات جغرافیایی (سیستم های اطلاعات مکانی و زمین آمار)،” انتشارات دانشگاه آکسفورد، آکسفورد، 1998.   [Citation Time(s):1]
  18. J. Li و AD Heap، “بررسی مطالعات مقایسه ای روش های درون یابی فضایی در علوم محیطی: عوامل عملکرد و تاثیر”، Ecological Informatics، جلد. 6، شماره 6، 1390، صص 228-241. doi:10.1016/j.ecoinf.2010.12.003   [Citation Time(s):1]
  19. KP Burnham و DR Anderson، “انتخاب مدل و استنتاج چند مدل”، Springer-Verlag، نیویورک، 2002.   [زمان(ها):1]
  20. R. Mac Nally، “رگرسیون و مدل سازی در زیست شناسی حفاظتی، جغرافیای زیستی و اکولوژی: تمایز بین و آشتی مدل های “پیش بینی” و “تبیینی”، تنوع زیستی و حفاظت، جلد. 9، شماره 5، 2000، صص 655-671. doi:10.1023/A:1008985925162   [زمان(های) نقل قول: 1]
  21. R. Mac Nally، “پارتیشن بندی سلسله مراتبی به عنوان یک ابزار تفسیری در استنتاج چند متغیره”، مجله استرالیایی اکولوژی، جلد. 21، شماره 2، 1375، صص 224-228. doi:10.1111/j.1442-9993.1996.tb00602.x   [زمان(های) استناد: 1]
  22. A. Chevan and M. Sutherland, “Hierarchical Partitioning,” The American Statistician, Vol. 45، شماره 2، 1370، صص 90-96.
  23. R. Mac Nally و CJ Walsh، “نرم افزار حوزه عمومی تقسیم بندی سلسله مراتبی”، Biodiversity and Conservation، جلد. 13، شماره 3، 1383، صص 659-660. doi:10.1023/B:BIOC.0000009515.11717.0b
  24. R. Mac Nally, “Multiple Regression and Inference in Ecology and Conservation Biology: Further Comments on Identifying Important Predictor Variables,” Biodiversity and Conservation, Vol. 11، شماره 8، 2002، صص 1397- 1401. doi:10.1023/A:1016250716679   [Citation Time(s):1]
  25. ST Buckland، KP Burnham و NH Augustin، “انتخاب مدل: بخشی جدایی ناپذیر از استنتاج”، Biometrics، جلد. 53، شماره 2، 1381، صص 603-618. doi:10.2307/2533961   [زمان(های) نقل قول: 1]
  26. M. Baumann، T. Kuemmerle، M. Elbakidze، M. Ozdogan، VC Radeloff، NS Keuler، AV Prishchepov، I. Kruhlov و P. Hostert، “الگوها و محرک های رهاسازی زمین های کشاورزی پسا سوسیالیستی در غرب اوکراین،” سیاست استفاده از زمین، جلد 28، شماره 3، 1390، صص 552-562. doi:10.1016/j.landusepol.2010.11.003   [Citation Time(s):1]
  27. EH Isaaks و RM Srivastava، “Applied Geostatistics”، انتشارات دانشگاه آکسفورد، نیویورک، 1989.   [Citation Time(s):1]

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید