پیش بینی تناسب بلوط چوب پنبه در جنگل مامورا با استفاده از الگوریتم جنگل تصادفی *

ماامورا از نظر سطح، مهمترین جنگل چوب پنبه بلوط در جهان محسوب می شود. بنابراین، فشار آنتروپیک، از جمله برداشت چوب پنبه، چرا و برداشت بلوط نرم توسط جوامع محلی، پیامدهای زیانباری بر بازسازی جنگل دارد و جنگل از سن برداشت پیرتر می شود. بنابراین، پایداری آن به توانایی مدیران برای موفقیت در مزارع بلوط چوب پنبه بستگی دارد. این کار یک رویکرد ارزیابی برای ارزیابی تناسب ساب کوئرکوس برای مزرعه آن ارائه می‌کند که بر اساس یک الگوریتم جنگل تصادفی (RF) است. در واقع، این تناسب از طریق تجزیه و تحلیل داده های مدیریتی مربوط به میزان موفقیت مزرعه قبلی (SR) ارزیابی شده است. سپس رابطه بین SR و مجموعه ای از عوامل محیطی و اجتماعی با استفاده از RF بررسی شده است.

کلید واژه ها:

بلوط چوب پنبه، مامورا، مناسب بودن زیستگاه، جنگل تصادفی، GIS

1. مقدمه

جنگل های بلوط چوب پنبه 350000 هکتار در مراکش را پوشش می دهد. این حدود 15 درصد از مساحت بلوط چوب پنبه جهان است. با این حال، تنها 4 تا 6 درصد در تولید چوب پنبه در جهان نقش دارد [ 1 ]. عوامل زیادی برای توضیح این وضعیت دخیل هستند (فشار اجتماعی، برداشت فشرده، آب و هوا) و روندهای قهقرایی این جنگل ها شرح داده شده است [ 2 ].

مامورا به عنوان نمونه یکی از بزرگترین جنگل های بلوط چوب پنبه در جهان در نظر گرفته می شود. 133000 هکتار را پوشش می دهد. متأسفانه بلوط چوب پنبه تنها 70383 هکتار را پوشش می دهد. از سال 1940، Maâmora بر اساس چهار برنامه مدیریتی اداره می شود. این طرح ها روند رگرسیون پوششی را نشان دادند که 30 درصد از سطح بلوط چوب پنبه برآورد شده است [ 2 ]. بنابراین، از سال 1950، چرای بیش از حد و چیدن بلوط به عنوان یک مانع اصلی برای بازسازی بلوط چوب پنبه [ 3 ] در نظر گرفته شده است، از آن زمان مشکلات باززایی همچنان حاکم است و نرخ چرای بیش از حد در حال حاضر 81.57٪ برآورد شده است [ 2 ].

برای مقابله با این وضعیت نگران کننده عدم زادآوری، مدیران جنگل تلاش زیادی برای مطالعه و احیای بلوط چوب پنبه ای انجام داده اند. نتایج به‌عنوان تصادفی انتخاب شدند [ 4 ]. در نتیجه، مدیریت حفظ و بازتوانی بلوط چوب پنبه را ادامه داد. بنابراین، 20000 هکتار در محدوده برنامه 2005-2014 کشت شده است.

مطالعات باززایی بلوط چوب پنبه ای در مامورا نشان داد که تعادل آب (عوامل آب و هوا و خاک) مرتبط با فشار انسانی بالا عوامل اصلی تعیین کننده موفقیت مناطق کاشته شده است. علاوه بر این، آزمایش‌های قبلی نشان داد که چگالی اولیه، نوع خاک و غرقابی تأثیر زیادی بر توانایی سویه‌ها برای دفع دارند. علاوه بر این، خاک های مامورا بر روی یک لایه شنی تشکیل شده است که بالای یک لایه رسی قرار دارد. بنابراین، عمق ماسه و شیب کف رسی زیرزمینی برای موفقیت نهال های بلوط چوب پنبه بسیار مهم به نظر می رسد [ 4 ] [ 5 ]. علاوه بر این، باران ها با فاصله تا اقیانوس و موقعیت توده ها، شیب کاهشی از غرب به شرق را دنبال می کنند.

علیرغم اینکه فاکتورهای خاک به خوبی در جنگل مامورا ثبت شده است، هیچ عمق/شیب لایه خاک رس یا مناسب بودن خاک برای نقشه‌های بازسازی بلوط چوب پنبه برای همه مامورا در دسترس نیست. این می تواند موارد مشابه شکست بازسازی را توضیح دهد.

هدف مدل‌های تناسب زیستگاه، پیش‌بینی زمین‌هایی است که با توجه به الزامات، ترجیحات یا پیش‌بینی‌کننده‌های مشخص شده برای یک گونه مناسب است [ 6 ]. از آنجایی که تناسب تعاملات بین سه نوع عامل را تجزیه و تحلیل می کند: مکان، اقدامات توسعه، و عناصر محیطی [ 6 ]، آنها ابزار خوبی برای حمایت از تصمیم گیری هستند که درک رابطه زیستگاه گونه ها را در فضا و زمان بهبود می بخشد و احتمال وقوع آنها را پیش بینی می کند. و فراوانی یا عملکرد بر اساس ویژگی های زیستگاه موثر بر بقا، رشد و تولید مثل گونه های در نظر گرفته شده [ 7 ] [ 8 ].

مدل های مناسب زیستگاه را می توان بر اساس رویکرد و تابع طبقه بندی مورد استفاده طبقه بندی کرد [ 9 ]. امروزه، تکنیک‌های پیش‌بینی با پیامد مستقیم بر کیفیت و اعتبار مدل‌ها بهبود یافته‌اند [ 10 ]. علاوه بر این، روش‌های یادگیری ماشین (ML) به ابزارهای امیدوارکننده‌ای برای ارزیابی مناسب بودن تبدیل می‌شوند.

ML یک تکنیک ناپارامتریک برای رگرسیون یا طبقه بندی است که در مقایسه با سایر روش های آماری مزایایی دارد. آنها قادرند: 1) با روابط پیچیده بین پیش بینی کننده ها مقابله کنند. 2) روابط غیر خطی بین پیش بینی کننده ها را پردازش کنید. 3) با حجم زیادی از داده ها سر و کار داشته باشید. 4) پردازش داده های پیچیده و پر سر و صدا و 5) عدم نیاز به فرضیات مرتبط با توزیع متغیر [ 11 ].

در بین روش‌های یادگیری ماشین، روش‌های زیادی برای ارزیابی تناسب استفاده شده است [ 12 ] مانند درخت‌های طبقه‌بندی و رگرسیون [ 13 ]، شبکه‌های عصبی مصنوعی [ 14 ]، روش‌های اکتشافی مانند الگوریتم‌های بازپخت ژنتیکی و شبیه‌سازی شده [ 15 ] [ 16 ]، و جنگل های تصادفی [ 17 ] . چندین مطالعه نشان داد که مدل‌های جنگل تصادفی (RF) اغلب در مقایسه با سایر روش‌ها به بهترین عملکرد پیش‌بینی می‌شوند [ 10 ] [ 18 ] [ 19 ].

همانطور که توسط کاتلر و همکاران خلاصه شده است. (2007)، کاربردهای RF عبارتند از: 1) رگرسیون. 2) تجزیه و تحلیل بقا. 3) انتساب مقادیر از دست رفته. 4) خوشه بندی، مقیاس بندی چند بعدی و تشخیص ساختار کلی چند متغیره از طریق یادگیری بدون نظارت. و 5) طبقه بندی.

در این کار، ما از RF به عنوان یک روش طبقه‌بندی و برای بررسی رابطه بین میزان موفقیت کاشت بلوط چوب پنبه‌ای مشاهده شده و برخی عوامل محیطی که مهم ارزیابی می‌شوند، استفاده کردیم. مقاله ما به شرح زیر سازماندهی شده است: 1) بخش 1: مواد و روش ها که شامل شرح مختصری از منطقه مورد مطالعه، عوامل در نظر گرفته شده و چارچوب مدل سازی شامل شرح کلی روش های مدل سازی، مدل جنگل تصادفی و نقشه های پیش بینی شده است. 2) بخش 2: نتایج کاربرد RF را در جنگل مامورا برای به دست آوردن تخمین میزان موفقیت کاشت بالقوه و بحث در مورد نتایج نشان می دهد.

2. مواد و روش ها

2.1. منطقه مطالعه

مامورا در شمال مراکش واقع شده است ( شکل 1 ). محدوده بارش منطقه مورد مطالعه از 400 میلی متر در محدوده

شرق تا 600 میلی متر در غرب 50 کیلومتر دور از شرق. شرایط زیست اقلیمی از نیمه مرطوب در بخش غربی تا نیمه خشک در بخش مرکزی و شرقی متغیر است. خاک های مواجهه شده شامل یک لایه شنی است که بر روی یک لایه رسی قرار دارد. انتقال بین لایه های خاک می تواند ناخالص به خالص باشد [ 5 ]. علاوه بر این، ضخامت ماسه بین 30 سانتی متر تا 6 متر است.

Maamora کالاها و خدمات زیادی را برای مدیریت و جوامع محلی ارائه می دهد. بنابراین، سالانه 60000 متر مکعب چوب پنبه، 100000 متر مکعب چوب سوخت از اکالیپتوس، 21 میلیون واحد خوراک و درآمد بیش از 70 میلیون درهم (1 USD = 10.4 درهم) تولید می کند. همچنین بسیاری از خدمات دیگر به جوامع ارائه می شود: تفریح ​​برای 4 شهر همسایه، شکار، حفاظت از خاک و شارژ مجدد آب های زیرزمینی. علاوه بر این، درآمد غیر چوبی مامورا 440 دلار آمریکا در هکتار در سال برآورد شده است [ 20 ].

2.2. عوامل دخیل

متغیرهای مورد استفاده به عنوان پیش بینی اقلیمی، توپوگرافی، خاک و اجتماعی بودند. متغیر توپوگرافی در نظر گرفته شده ارتفاع است که از مدل رقومی ارتفاع SRTM DEM به دست آمده است. متغیرهای خاک در نظر گرفته شده عبارتند از نوع، عمق ماسه و شیب لایه رس. از نقشه خاک مامورا استفاده شده است [ 21 ]. نقشه های ضخامت ماسه و لایه رس در اثر قبلی استفاده شده است [ 22 ].

متغیرهای اقلیمی عبارتند از: بارش سالانه، حداقل میانگین دمای سردترین ماه، حداکثر میانگین دمای گرمترین ماه و ضریب Emberger Q2 [ 23 ]. متغیرهای اقلیمی از پایگاه داده اقلیمی جهان [ 24 ] استخراج شده است.

عامل اجتماعی به صورت فاصله از منطقه روستایی (دوآر) تا توده های جنگلی مدل شده است. از آنجایی که فشار انسان زایی در اطراف جوامع محلی که برای استفاده از حقوق سوء استفاده می کنند، بیشتر است.

به عنوان متغیر پاسخ، نمرات میزان موفقیت در نظر گرفته شده است. بنابراین، تمام محیط های کاشته شده از سال 1970 نقشه برداری شده اند ( شکل 2 ).

2.3. چارچوب مدلسازی

2.3.1. روش مدلسازی

فرآیند مدلسازی تناسب زمین شامل چهار مرحله است: انتخاب مدل، آموزش، پیش‌بینی و تولید نقشه نهایی [ 10 ]. در محدوده کار ما، روش مدل سازی در شکل 3 توضیح داده شده است . علاوه بر این، انتخاب مدل و اعتبار سنجی بر اساس آموزش RF بر روی داده های موجود است (نقشه های بازسازی تاریخی در شکل 2)). بنابراین، 2500 سلول نمونه در نواحی بازسازی شده به طور تصادفی انتخاب شدند. این مجموعه داده به طور تصادفی به 2 مجموعه داده با نسبت 4/5 و 1/5 تقسیم شده است: بخش اول مجموعه آموزشی (Train DS) و قسمت دوم مجموعه ارزیابی (DS اعتبارسنجی) است. بر روی هر سلول از دو مجموعه داده، عوامل محیطی و اجتماعی که به عنوان پیش‌بینی‌کننده در نظر گرفته می‌شوند، با نرخ موفقیت باززایی مشاهده‌شده مربوطه استخراج شده‌اند (پنج

کلاس های مختلف از شکست تا موفقیت شناسایی و از 1 تا 5 شماره گذاری شده اند: 0٪ – 20٪، 20٪ – 40٪، 40٪ – 60٪، 60٪ – 80٪، و 80٪ – 100٪. سپس، اولین مجموعه داده برای توسعه مدل RF استفاده شد. مجموعه داده دوم برای ارزیابی کیفیت مدل و مقایسه میزان موفقیت بازسازی پیش‌بینی‌شده و مشاهده‌شده استفاده شد.

2.3.2. نرم افزار مورد استفاده

این فرآیند عمدتاً در محیط نرم افزار منبع باز R برای تجزیه و تحلیل داده ها و محاسبات آماری پیاده سازی شد [ 25 ]. بسیاری از بسته‌های R استفاده شده‌اند: «rgdal» برای خواندن فایل‌های داده‌های GIS، «sp» برای مدیریت داده‌های فضایی، «Raster» برای تحلیل شطرنجی و زمین، «gstat» برای کریجینگ، «randomForest» [ 26 ] که الگوریتم RF را پیاده‌سازی می‌کنند. .

2.3.3. الگوریتم جنگل تصادفی

RF ترکیبی خودکار از پیش‌بینی‌کننده‌های درختی را پیاده‌سازی می‌کند و مدل پایه از طریق آموزش بر روی تکرارهای مختلف بوت استرپ داده‌ها به دست می‌آید [ 27 ]. هر درخت با انتخاب یک مجموعه تصادفی از متغیرها و یک نمونه تصادفی از مجموعه داده آموزشی آموزش داده می شود. در نتیجه این ویژگی، مشکل متغیرهای همبسته کاهش می یابد زیرا ممکن است به نوبه خود استخراج شوند [ 10 ].

RF برای تعریف نیاز به سه پارامتر دارد: “ntree” (تعداد نمونه های راه انداز برای داده های اصلی)، “mtry” (تعداد پیش بینی کننده های مختلف تست شده در هر گره)، “nodesize” (اندازه حداقل گره های پایانه درختان) . به گفته بسیاری از کاربران الگوریتم RF، بهبود کیفیت مدل با انتخاب یک مقدار بهینه برای “mtry” اغلب راحت است. لیاو و وینر (2002) مقدار پیش‌فرض یک سوم عدد پیش‌بینی‌کننده را پیشنهاد کردند.

علاوه بر این، بسته “ranfomForest” در R دارای یک تابع tuneRF است که به طور خاص برای جستجوی مقدار “بهینه” برای “mtry” است. همچنین، دو نمودار مفید تولید می‌کند: اهمیت متغیر (اندازه‌گیری شده به عنوان زوال توانایی پیش‌بینی مدل زمانی که هر پیش‌بینی‌کننده با نویز تصادفی جایگزین می‌شود) و نمودارهای جزئی (اثر حاشیه‌ای پیش‌بینی‌کننده را در برآوردهای RF میزان موفقیت اندازه‌گیری می‌کند). به‌علاوه، تخمین خطای OOB («خارج از کیف») را محاسبه می‌کند که برای هر درخت بر روی داده‌های باقی‌مانده از نمونه راه‌انداز مربوطه محاسبه می‌شود و سپس میانگین می‌شود [ 27 ].

2.3.4. نقشه های پیش بینی

هنگامی که مدل RF کالیبره و تأیید شد، برای ارزیابی مناسب بودن برای بلوط چوب پنبه‌ای و تخمین میزان موفقیت پیش‌بینی‌شده کاشت بلوط چوب پنبه، آن را در کل ماامورا به کار برد.

در طول فرآیند اعتبار سنجی، ماتریس سردرگمی برای اندازه گیری کیفیت نتایج طبقه بندی به دست آمده برای مجموعه داده مستقل (مجموعه داده اعتبار سنجی) استفاده شده است. علاوه بر این، ضریب کاپا کیفیت نتایج طبقه‌بندی مشاهده‌شده در کشت قبلی و نتایج پیش‌بینی‌شده توسط RF را با استفاده از رویکرد هر پیکسل ارزیابی کرد.

3. نتایج

برآوردهای خارج از کیسه نرخ خطا (ERROOB) برای انتخاب پارامترهای جنگل تصادفی بهینه استفاده شد. برای مجموعه داده کالیبراسیون (CD)، Random Forest قادر به طبقه‌بندی نمونه‌ها با تخمین خارج از کیسه نرخ خطا کمتر از 10٪ (خطای OOB = 8.85٪) بود.

شکل 4 رتبه‌بندی پیش‌بینی‌کننده‌ها را با اهمیت اندازه‌گیری شده به عنوان افزایش میانگین مربعات خطا (%IncNodePurity) نشان می‌دهد که نشان‌دهنده زوال توانایی پیش‌بینی مدل زمانی است که هر پیش‌بینی‌کننده به نوبه خود با نویز تصادفی جایگزین می‌شود. %IncNodePurity بالاتر نشان دهنده اهمیت بیشتر متغیر است. تنها چهار مورد از پیش‌بینی‌کننده‌ها به طور قابل‌توجهی در تخمین درجه تناسب مشارکت داشتند، یعنی بارش (Prec)، ارتفاع (Alt)، دما (m & M) و ضریب Emberger (Q2).

علاوه بر این، شکل 5 نمودارهای جزئی را نشان می دهد که نشان دهنده اثر حاشیه ای یک عامل منفرد موجود در مدل RF بر برآورد مناسب بودن کشت بلوط چوب پنبه است. در این نمودارهای جزئی اثرات حاشیه ای، فقط محدوده مقادیر را می توان بین نمودارهای متغیرهای مختلف مقایسه کرد.

مدل RF پیش‌بینی خوبی از درجه میزان موفقیت برای بازسازی در مجموعه داده اعتبار ارائه کرد. خطاهای OOB در هر کلاس از 7.3٪ برای کلاس های چهارم تا 16٪ برای کلاس سوم متغیر است. علاوه بر این، استفاده از یک رویکرد در هر پیکسل برای ارزیابی کیفیت طبقه‌بندی (نرخ موفقیت مشاهده‌شده از کشت قبلی در مقابل موارد پیش‌بینی‌شده) از طریق شاخص کاپا مقدار 0.827 را به دست می‌دهد که به معنای توافق تقریباً کامل است [ 28 ].

کاربرد مدل RF برای کل Maâmora در شکل 6 نشان داده شده است . مناسب ترین منطقه (طبقه چهارم و پنجم: با درصد موفقیت بیش از 60 درصد) در قسمت غربی جنگل قرار دارد. در حالی که قسمت شرقی کمترین امتیاز پیش بینی مناسب بودن را نشان می دهد. این را می توان با قاره و گرادیان بارندگی توضیح داد.

الگوریتم RF مورد استفاده نیازی به فرضیات مربوط به نرمال بودن متغیرها ندارد و می تواند با روابط غیرخطی سر و کار داشته باشد. این ویژگی‌ها ممکن است کاربرد قابل‌توجهی در زمینه مدیریت جنگل داشته باشند و می‌توانند برای مدل‌سازی تغییرات توزیع ناشی از تغییرات آب و هوایی استفاده شوند. علاوه بر این شامل یک

رویکرد ترویجی [ 7 ] [ 10 ] . نتایج به‌دست‌آمده با روش جنگل تصادفی برای پیش‌بینی نقشه‌های مناسب بسیار دلگرم‌کننده است. آنها می توانند نمرات میزان موفقیت بازسازی را پیش بینی کنند. علاوه بر این، در مقایسه با سایر رویکردها: LepoutreAbac [ 5 ] یا مناسب بودن با استفاده از AHP [ 22 ]، RF بالاترین دقت پیش‌بینی را ارائه می‌دهد.

اندازه گیری اهمیت متغیر RF، بارش و ارتفاع را به عنوان عوامل مهم در مدل سازی نشان داد ( شکل 5 ). حتی اگر به دلیل آب و هوای مدیترانه ای جنگل مامورا بارش انتظار می رود، انتظار نمی رفت که ارتفاع نیز مانند سایر عوامل مهم باشد.

هنگام مقایسه میزان موفقیت مشاهده شده از مزارع قبلی با موارد پیش بینی شده توسط مدل RF، آماره کاپا استفاده شده دقت خوبی از مدل RF را نشان می دهد.

همانطور که بنیتو گارزون و همکاران بیان کردند. (2006)، اعتبار سنجی بیولوژیکی و تفسیر نتایج حاصل از فرآیند مدلسازی بسیار مهم است. بنابراین، نتایج ما دلگرم کننده است زیرا با نتایج اصلی کتابشناختی [ 4 ] [ 5 ] [ 22 ] موافق است.

در مقایسه با توزیع بزرگتر بلوط چوب پنبه ای قبلی در جنگل مامورا، آنچه اکنون می توان مشاهده کرد نتیجه پویایی تاریخی و اجتماعی است که در آن منطقه عمدتاً به دلیل فعالیت شدید انسانی (چرای بیش از حد، جابجایی گونه ها و غیره) کاهش یافته است. علاوه بر این، میزان موفقیت کاشت نه تنها تحت تأثیر عوامل اقلیمی، توپوگرافی، خاک و اجتماعی است، بلکه تحت تأثیر عوامل دیگر نیز قرار دارد. علاوه بر این، تولید و نصب نهال (منشا/کیفیت بذر، فرآیند تولید نهال، آماده‌سازی و بهبود خاک، و غیره)، فشار انسانی، چرای بیش از حد و مسائل گرمایش جهانی، در میان سایر موارد، احتمالاً نرخ‌های موفقیت مشاهده‌شده فعلی را تعیین کرده‌اند. بنابراین، نتایج مدل‌ها باید با آگاهی کامل از این محدودیت‌های اجتناب‌ناپذیر تفسیر شوند. با فرض این محدودیت ها،

4. نتیجه گیری

موفقیت در مزرعه زیرزمینی Quercus یک عملیات چالش برانگیز برای مدیران جنگل Maâmora است. در واقع، نقشه تناسب ابزاری ارزشمند باقی می ماند که برای مدیران جنگل برای برنامه ریزی احیای جنگل و تضمین پایداری بسیار مفید است. هدف اصلی این مقاله تهیه این نقشه است.

استفاده از الگوریتم جنگل تصادفی امکان دستیابی به هدف کلی این کار را فراهم کرد. نقشه تولید شده مدیران را قادر می سازد تا مناسب ترین منطقه را برای کاشت انتخاب کنند و موفقیت تلاش های خود را برای زادآوری تضمین کنند. علاوه بر این، مناسب بودن جنگل را تضمین می کند. نقشه به دست آمده به مدیران کمک می کند تا تصمیمات منطقی تری در رابطه با بازسازی بلوط چوب پنبه اتخاذ کنند و از پایداری جنگل مامورا اطمینان حاصل کنند.

منابع