مقایسه رگرسیون وزن‌دار جغرافیایی دقت مدل‌سازی بستر اعماق روی جریان‌های بزرگ و کوچک قابل آب‌گیری

 

ارزیابی زیستگاه‌های آبی شامل جریان‌های بزرگ و کوچکی است که از عرض چند متر تا زودگذر متغیر هستند. با این حال، تفاوت در اندازه جریان در داخل یا بین حوضه های آبخیز ممکن است منجر به ناسازگاری داده ها در مقیاس های مکانی متفاوت شود. به طور خاص، مسائل ناشی از حرکت بین مقیاس‌ها در جریان‌های بزرگ و کوچک معمولاً توسط بسیاری از اشکال تحلیل آماری مورد توجه قرار نمی‌گیرد، و مقایسه ارزیابی‌های زیستگاه رودخانه‌های بزرگ (بیش از 30 متر عرض مرطوب) و رودخانه کوچک (عرض خیس کمتر از 10 متر) را دشوار می‌کند. رگرسیون وزن‌دار جغرافیایی (GWR) ممکن است راه‌هایی را برای کارایی و بینش مورد نیاز در مورد داده‌های زیستگاه جریان با پرداختن به مسائل ناشی از حرکت بین مقیاس‌ها فراهم کند. این مطالعه توانایی GWR را برای مدل‌سازی مداوم بستر جریان بر روی جریان‌های بزرگ و کوچک با وضوح معادل بررسی کرد. ما GWR را روی دو گروه از 60 تکه بستر به طور تصادفی انتخاب شده از جریان‌های بزرگ و کوچک انجام دادیم و از اندازه‌گیری عمق برای مدل‌سازی بستر استفاده کردیم. مدل‌های بستر جریان بزرگ و کوچک ما به همان اندازه به GWR پاسخ دادند. نتایج نشان داد که تفاوت آماری معنی داری بین GWR R وجود ندارد² مقدار جریان های بزرگ و کوچک. نتایج همچنین یک روش بسیار مورد نیاز را برای مقایسه جریان‌های بزرگ و کوچک قابل مشاهده ارائه کرد. نتایج ما برای مدیران منابع آبی شایستگی دارد، زیرا آنها توانایی مدل‌سازی فضایی و مقایسه بستر در جریان‌های بزرگ و کوچک را نشان می‌دهند. استفاده از عمق برای هدایت مدل‌سازی بستر توسط رگرسیون وزن‌دار جغرافیایی، کاربردهای مختلفی دارد که ممکن است به مدیریت، نظارت بر سلامت جریان و تفسیر تغییرات بستر در طول زمان کمک کند.

کلید واژه ها

مدلسازی زیستگاه جریان , رگرسیون وزنی جغرافیایی , مقیاس فضایی , درونیابی زیستگاه , سیستم اطلاعات جغرافیایی

1. مقدمه

زیستگاه رودخانه Wadeable در سراسر اندازه جریان، از زودگذر تا چند متر عرض، برای مدیریت جنبه های مختلف اکولوژی رودخانه از جمله پویایی جمعیت ماهی و وقوع گونه ها [ 1 ] [ 2 ] [ 3 ] نظارت و مطالعه می شود. به دلیل پیوندهای بین زیستگاه و پویایی جمعیت، پروتکل‌های ارزیابی و نظارت بر جریان قابل مشاهده بر روی کمی کردن متغیرهای غیرزیستی کلیدی، مانند بستر و عمق تمرکز می‌کنند. ارزیابی‌های آنها برای ایجاد نقشه‌ها، نظارت بر تغییرات و دسته‌بندی جریان‌ها بر اساس اطلاعات آن ارزیابی‌ها استفاده می‌شود. با این حال، تفاوت در اندازه جریان در داخل یا بین حوضه های آبخیز ممکن است منجر به ناسازگاری داده ها در مقیاس های مکانی متفاوت شود [ 4 ] [ 5 ]]. مسائل ناشی از حرکت بین مقیاس‌ها در جریان‌های بزرگ و کوچک معمولاً توسط بسیاری از اشکال تجزیه و تحلیل آماری مورد توجه قرار نمی‌گیرد و مقایسه ارزیابی‌های زیستگاهی رودخانه‌های بزرگ (بیش از 30 متر عرض مرطوب) و رودخانه کوچک (عرض خیس کمتر از 10 متر) را دشوار می‌کند [ 6 ] ]. رگرسیون وزن‌دار جغرافیایی (GWR) یک تکنیک مدل‌سازی فضایی است که ممکن است به مسائل مربوط به سازگاری مقیاس برای متغیرهای مهم در مدل‌های زیستگاه رودخانه بپردازد.

بستر اعماق دریا به دلیل اهمیت زیستی و غیرزیستی آن یک متغیر کلیدی در ارزیابی زیستگاه های آبی است. بنابراین، تلاش‌ها برای به حداکثر رساندن اثربخشی ارزیابی بستر مهم هستند، زیرا جمع‌آوری داده‌های بستر یک فعالیت جدایی‌ناپذیر است که مدیریت آن جریان‌ها را هدایت می‌کند [ 7 ] [ 8 ]. عمق آب نیز یک متغیر زیستگاه رودخانه مهم و اغلب اندازه‌گیری می‌شود و ارتباط نزدیکی با اندازه‌های بستر اعماق زمین دارد [ 9 ] [ 10 ] [ 11 ]. عمق آب در ارزیابی‌های زیستگاه آبی اندازه‌گیری می‌شود، زیرا فرآیندهای اکولوژیکی متنوعی را در جریان آب هدایت می‌کند، از جمله مکان، فراوانی غذا، روابط شکارچیان، اندازه ماهی و موفقیت تولید مثل [ 12 ].] [ 13 ] [ 14 ]. با این حال، ارتباطات میان پروتکل‌های مدیریت ماهی و زیستگاه و علم کنونی اغلب با تأخیر مواجه می‌شوند [ 15 ]. برای از بین بردن این شکاف، تجزیه و تحلیل و مدل‌سازی زیستگاه رودخانه شروع به ترکیب کیفیت فضایی متغیرهای رودخانه مانند بستر و عمق اعماق زمین کرده است [ 16 ] [ 17 ].

برای نظارت و ارزیابی بستر در جریان‌های بزرگ و کوچک، روش‌های تجزیه و تحلیل داده‌های متعدد اغلب برای جمع‌آوری و انتقال مؤثر اطلاعات در سراسر اندازه جریان استفاده می‌شود. با این حال، به دلیل تفاوت‌های ساختاری مرتبط با تغییرات در اندازه جریان و ناسازگاری داده‌ها در مقیاس‌های فضایی مختلف، تکنیک‌های مدل‌سازی موفق در پیش‌بینی بستر بر روی یک جریان کوچک به عرض چند متر ممکن است برای بدنه لوتیک بزرگ‌تر کاربرد نداشته باشد [ 4 ] [ 18 ] [ 19]. بنابراین، تعیین اینکه آیا یک نوع مدلسازی فضایی قادر به نگاشت دقیق بستر بر روی جریان های قابل ردیابی با اندازه بزرگ و کوچک است یا خیر، یک کار ارزشمند است. علاوه بر این، اگر روشی در انجام این کار موفق بود، چنین تعیین مبنای مناسبی برای مقایسه جریان‌های با اندازه‌های مختلف در داخل و بین مطالعات فراهم می‌کند.

داده های اکولوژیکی به صورت مکانی با محیط تعامل دارند و مهم است که به آن کیفیت ها پرداخته شود یا آنها را از مجموعه داده تقسیم کنیم [ 20 ]. اهمیت عمق و بستر اعماق رودخانه‌ها با موقعیت آنها در جریان ارتباط نزدیکی دارد و حذف اطلاعات مکانی تحلیل و نتیجه‌گیری را محدود می‌کند. بنابراین، برای مدل‌سازی دقیق متغیرهای زیستگاه رودخانه مانند بستر و عمق، کیفیت فضایی در داده‌های جریان باید در چارچوب تحلیل مورد بررسی قرار گیرد. به عنوان مثال، عدم ایستایی فضایی، همبستگی خودکار، و چند خطی بودن، کیفیت هایی از داده های مکانی هستند که ممکن است نتایج معنی دار تجزیه و تحلیل آماری مانند رگرسیون، یکی از رایج ترین انواع تجزیه و تحلیل داده های زیستگاه رودخانه را مبهم کند [ 21 ] [ 21]. 22]. علاوه بر مشکلات ناشی از همبستگی خودکار فضایی و چند خطی، مسائل ناشی از حرکت بین مقیاس وجود دارد، اگرچه تجزیه و تحلیل مقیاس متقاطع برای تجزیه و تحلیل اکولوژیکی مهم است [ 4 ] [ 23 ] [ 24 ] [ 25 ].

رگرسیون وزن‌دار جغرافیایی دارای ویژگی‌های خاصی است که ممکن است به‌اندازه کافی مسائل مدل‌سازی داده‌ها ناشی از حرکت بین مقیاس‌ها را برطرف کند. رگرسیون وزن‌دار جغرافیایی یک روش مدل‌سازی است که با ترکیب ویژگی‌های مکانی داده‌ها از جمله عدم ایستایی و خودهمبستگی فضایی، با موفقیت برای تجزیه و تحلیل در مطالعات شیلات مورد استفاده قرار گرفته است [ 26 ]. این روش با حذف محدودیت‌های یک مدل سراسری و امکان محاسبه واریانس محلی در هر مکان داده، عدم ایستایی فضایی را مورد بررسی قرار می‌دهد [ 27 ]. از نظر تئوری، GWR شباهت هایی به رگرسیون حداقل مربعات معمولی (OLS) دارد زیرا هر دو مدل های آماری هستند که از رویکرد فضایی غیر ایستایی استفاده می کنند [ 28 ] [ 29 ] [ 30 ]]. برای GWR، فرمول استاندارد OLS همانطور که در رابطه (1) نشان داده شده است، مجدداً به عنوان معادله (2) پارامتری شده است که در آن (ui ، v i _) را می توان به عنوان مختصات x y در ارتباط با β ₀ و β _k [ 29 ] در نظر گرفت. . در معادلات (1) و (2)، y _i مقدار متغیر وابسته برای واحد مشاهده i است . I = 1، 2، …، n ، n حجم نمونه است، β ₀ فاصله رگرسیون است، k = 1، 2، …، K ، Kتعداد پیش‌بینی‌کننده‌ها است، β _k نشان‌دهنده ضرایب k است، x _ik مقدار k ^امین متغیر را برای واحد مشاهده i ، و ε نشان‌دهنده باقی‌مانده‌ها است.

yمن=β0+∑کβکایکسمن ک+εمنyi=β0+∑kβkxik+εi(1)

yمن=β0(تومن،vمن) +∑کβک(تومن،vمن)ایکسمن ک+εمنyi=β0(ui,vi)+∑kβk(ui,vi)xik+εi(2)

اگرچه هنوز یک نوع رگرسیون خطی است، اما GWR اجازه می‌دهد تا متغیر مکان اغلب آدرس‌دهی نشده مستقیماً در مجموعه داده مورد بررسی قرار گیرد. روش‌های آماری فضایی مانند GWR چارچوب مناسبی را برای رسیدگی به این موضوع ارائه می‌کنند که آیا می‌توانند به همان اندازه در جریان‌های بزرگ یا کوچک قابل آب‌گیری عمل کنند یا خیر. رگرسیون وزن‌دار جغرافیایی ممکن است راه‌هایی را برای کارایی و بینش مورد نیاز در مورد زیستگاه رودخانه مانند داده‌های زیرلایه و عمق فراهم کند [ 31 ]. به طور خاص، GWR برای مدل‌سازی داده‌ها با ناهمگنی ایجاد شد، که متغیرهای زیستگاه جریان اغلب نشان می‌دهند [ 28 ]. این روش برای اولین بار در اواسط دهه 1990 [ 28 ] [ 29 ] [ 32 ] معرفی شد و بعداً در مطالعات اکولوژیکی اعمال شد.30 ] [ 33 ]، و تحقیقات و مدیریت شیلات اقیانوسی [ 26 ] [ 34 ]. محققان کاربرد GWR را برای تجزیه و تحلیل داده های مکانی نسبت به سایر روش های رگرسیون بررسی و مقایسه کرده اند [ 35 ] [ 36 ] [ 37 ] [ 38 ]. با این حال، چنین تحلیل‌هایی به حوزه علم شیلات [ 26 ] [ 31 ] گسترش نیافته است. مطالعه حاضر یک روش بسیار مورد نیاز را برای مدل‌سازی آماری و مقایسه زیستگاه رودخانه‌های بزرگ و کوچک ارائه می‌کند، که در آن نتایج را می‌توان به عنوان نقشه‌های زیستگاهی رودخانه‌ای کاربردی و با تفسیر آسان ارائه کرد.

2. مواد و روش

عمق و بستر از چهار جریان برای این مطالعه جمع آوری شد. دو نهر در اکوسیستم یلوستون بزرگ، جنگل ملی گالاتین در حاشیه غربی پارک ملی یلوستون و دو جریان در ویرجینیای غربی واقع شده بودند. هر کدام یک در استان های Monongalia و Kanawha ( شکل 1 ). مجموعاً 17040 x , y نقاط مختصات، برای مجموع 1583.07 متر مربع ثبت شد. هر نقطه مختصات نشان دهنده یک سلول 0.3048 × 0.3048 متر (0.093 متر مربع ⁾ در سایت جریان است. عمق و بستر غالب به صورت جداگانه در تمام نقاط مختصات ثبت شد که نشان دهنده مرکز هر سلول بود. سایت‌ها به این دلیل انتخاب شدند که حداقل دارای یک رابط استخر و ریفل بودند.

اولین مورد از دو سایت غربی در جنگل ملی گالاتین در نهر کوچک واپیتی، مونتانا، (111˚16’53.546″ W، 45˚2’20.639″ شمالی واقع شده است. دومین سایت مطالعه در منطقه دیگری از جنگل ملی گالاتین در Grayling Creek، مونتانا (111˚6’16.407″ W، 44˚48’16.878″ شمالی واقع شد. نمونه برداری بین 18 جولای 2008 تا 4 آگوست 2008 در ساعات روشنایی روز و دوره های جریان عادی جریان رخ داد. طول سایت Wapiti Creek 33.5 متر در 10 متر است

پهن، برای مجموع 3630 سلول (335 متر مربع ⁾ ، که هر کدام عمق و نوع بستر غالب را نشان می‌دهند. طول سایت Grayling Creek 27.5 متر و عرض 18 متر است که در مجموع 4950 سلول (495 متر مربع) دارد ^.) هر کدام عمق و اندازه زیرلایه غالب را نشان می دهند. مکان‌های مورد مطالعه به دلیل مکان‌های نسبتا دور، هر چند به راحتی در دسترس و دست‌نخورده در اکوسیستم بزرگ یلوستون، یک منطقه کوهستانی شامل رژیم بارش مشخص از برف‌های سنگین زمستانی و تابستان‌های خشک انتخاب شدند. این دو سایت 28.2 کیلومتر از هم فاصله داشتند. نهر کوچک واپیتی آبخیز رودخانه گالاتین را تغذیه می کند و نهر گریلینگ مستقیماً به دریاچه هبگن می ریزد. گاوهای محدوده آزاد در طول تابستان از حوضه آبخیز لیتل واپیتی استفاده می کنند، اگرچه هر دو سایت نسبتاً دست نخورده بودند و تغییر بستر رودخانه در زمان نمونه برداری به گاو یا سایر اختلالات غیر طبیعی نسبت داده نمی شد.

کلندنین شولز در رودخانه الک درست پایین دست پساب بیگ سندی کریک در شهرستان کاناوها، ویرجینیای غربی است (81˚21’3.857″ W، 38˚29’20.73″ شمالی). عرض این سایت 22 متر و طول آن 27 متر بود. عرض خیس شده رودخانه بین 30 تا 80 متر عرض داشت. این سایت که در بین چهار سایت مطالعه منحصر به فرد است، در محدوده شهر کلندنین قرار داشت. مسکن و توسعه شهری متوسط ​​در امتداد سواحل یا رودخانه اتفاق می‌افتد، اگرچه جریان و دینامیک رودخانه به دلیل عدم توسعه شهری، حومه‌ای یا کشاورزی در بالادست سایت مورد مطالعه، نسبتاً مختل نشده است. دومین سایت مطالعاتی شرقی در نهر آرونز واقع شده است که در داخل سیستم رودخانه Monongahela در شهرستان Monongalia، ویرجینیای غربی قرار دارد (79˚56’0.625″ W 39˚37’8.69″ شمالی). ابعاد این سایت 24.33 × 8.66 متر و شامل 2268 سلول (210.). در امتداد تقریباً 70 درصد از این جریان 13.5 کیلومتری، توسعه شهری و حومه شهری کم تا متوسط ​​وجود دارد. منطقه ساحلی رودخانه (5 تا 50 متر عرض) مخلوطی از مزرعه، چمنزار و جنگل های چوبی مخلوط است.

مکان‌های مطالعه در هر چهار بدنه آبی با سلول‌های شبکه (رزولوشن 1/3 مترمربع ^در هر سلول، مساحت 0.093 مترمربع ) ^با استفاده از یک نوار اندازه‌گیری پنجاه متری، فاصله‌یاب لیزری و پرچم‌گذاری (بعدها حذف شد) مشخص شد. عمق متغیرهای زیستگاه و بستر غالب در مرکز هر سلول در امتداد یک نوار اندازه گیری ایمن که از کل سایت به صورت افقی عبور می کند اندازه گیری شد. یک تکه میلگرد به مواد بانکی در هر سواحل جریان وارد شد و خط کششی بالا به میلگرد متصل شد تا نوار اندازه گیری را هدایت کند. با پایان یافتن هر ردیف از جمع‌آوری داده‌ها، میلگرد در بالادست تغییر مکان داد تا از ردیف بعدی پشتیبانی کند. با شروع از پایین دست سمت چپ هر سایت، مقادیر عمق و بستر اعماق زمین برای هر x ، y ثبت شد.هماهنگ کردن. هنگامی که هر ردیف تکمیل شد، متر نوار برای تکمیل ردیف بعدی به سمت بالا منتقل شد. این تا زمانی تکرار شد که سایت (حداقل یک رابط تفنگ استخر) در یک شبکه کامل از نقاط مختصات x ، y با متغیرهای زیستگاه در هر نقطه گرفته شود.

عمق جریان (سانتی‌متر، میله با تنظیم بالا) در مرکز هر سلول اندازه‌گیری شد. اندازه بستر غالب نیز در هر سلول در امتداد مقیاس پیوسته در میلی متر از 0.05 تا 300 میلی متر بر اساس طولانی ترین قطر محور ثبت شد. بنابراین، مقادیر واقعی عمق آب و اندازه بستر برای هر سلول 0.093 متر مربع برای هر سایت مطالعه ثبت شد ^. چهار مجموعه داده (یکی برای هر سایت) به صورت الکترونیکی با استفاده از ArcMap 10 (ESRI، 2010) و Microsoft Excel 2010 ایجاد شد. در Arcmap، نقاط گوشه برای هر سایت مطالعه به صورت جغرافیایی ارجاع داده شد و به مایکروسافت اکسل صادر شد. بعد، x ، yمختصات برای بقیه سلول ها در شبکه سایت محاسبه شد و به مجموعه داده اولیه عمق آب و اندازه بستر اضافه شد. مجموعه داده های نهایی برای تجزیه و تحلیل به ArcMap 10 بازگردانده شدند.

قبل از استفاده از رگرسیون وزن‌دار جغرافیایی، رگرسیون حداقل مربعات معمولی (OLS) در هر سایت اجرا می‌شد تا نیاز مناسب برای رگرسیون وزن‌دار جغرافیایی [ 29 ] [ 39 ] ایجاد شود. خروجی از رگرسیون OLS، آماره آزمون Koenker-BP [ 40 ] برای ایجاد اهمیت واریانس غیر ایستایی فضایی مورد بررسی قرار گرفت. Moran’s I نیز برای نشان دادن الگوی فضایی داده ها در همه سایت ها اجرا شد [ 41 ]. اگر خود همبستگی فضایی در مقادیر I موران کشف شد و نقشه‌های باقیمانده رگرسیون OLS الگوهای گسترده‌ای از تخمین بیش از حد و کم‌تر از مقادیر را نشان می‌داد، سپس رگرسیون‌های وزن‌دار جغرافیایی اجرا شدند.

هنگامی که استفاده مناسب از GWR در هر سایت مطالعه ایجاد شد، GWR در تمام سایت ها به طور کامل اجرا شد. علاوه بر این، 30 نقطه تصادفی در داخل مرزهای جریان در هر سایت ایجاد شد که در مجموع 120 نقطه نمونه تصادفی به دست آمد ( شکل 1 ، شکل 2 ). هر یک از 120 نقطه دارای یک بافر 2.5 متری بود که بر روی آن اعمال می شد و یک ربع نمونه برداری ایجاد می کرد و تمام نقاط ثبت شده در آن ربع برای رگرسیون GWR استفاده شد. رگرسیون وزن‌دار جغرافیایی در سایت‌های Aarons Creek، Elk River، Grayling Creek و Little Wapiti Creek 30 مقدار R2 را تولید کرد ⁽ یکی برای هر ربع نمونه‌برداری). بنابراین، 60 مقدار R2 برای ^دو دسته از جریان ثبت شد. بزرگ (سایت های الک و گریلینگ) و کوچک (سایت های لیتل واپیتی و نهر آرون).

جزئیات بیشتر در مورد آزمایش های GWR به شرح زیر بود: اندازه بستر به عنوان متغیر وابسته و عمق به عنوان متغیر توضیحی تنظیم شد. به منظور ایجاد یک نتیجه قابل مقایسه استاندارد در بین سایت‌ها، رگرسیون‌ها در هر سایت با استفاده از نوع هسته و روش پهنای باند یکسان اجرا شد. هر رگرسیون مشاهده شد تا اطمینان حاصل شود که هیچ تعریف اشتباه مدل برای هیچ ویژگی رخ نداده است. به طور خاص، پارامترهای GWR برای هر مجموعه ریفل استخر با استفاده از پارامتر نوع هسته و پهنای باند تطبیقی ​​اجرا شد.

شعاع جستجو برای ارائه حداکثر مقادیر R ² و عدم تعیین مشخصات مدل مورد بررسی قرار گرفت. کاهش شعاع جستجو از پیش‌فرض (30) به دلیل الگوی رسوب‌گذاری بستر که اغلب در مناطق بسیار موضعی و انتقال ناگهانی رخ می‌دهد، مقادیر کلی ^{R2 بالاتری را به همراه داشت.} پس از بررسی شعاع جستجو، هشت نقطه برای Grayling، Little Wapiti، و Aarons Creek و 16 نقطه برای Elk River، بزرگترین سایت تعیین شد. برای مرجع، مقادیر r-squared برای هر سایت به عنوان یک کل ثبت شد.

نتایج دو مجموعه داده را برای تجزیه و تحلیل فراهم می کند. جمعیت 60 متغیر R ² از جریان های بزرگ و جمعیت 60 متغیر R ² از جریان های کوچک. واریانس بین مجموعه داده ها با استفاده از آزمون F مورد بررسی قرار گرفت. نتایج حاصل از آزمون f نوع مناسب آزمون t را تعیین می کند. مقایسه بین جریان های بزرگ و کوچک با انجام آزمون t ولش با فرض واریانس نابرابر روی دو جمعیت تحت فرض صفر که میانگین دو جمعیت در سطح α 01/0 تفاوت معنی داری نداشتند، انجام شد .

3. نتایج و بحث

نتایج OLS برای همه سایت‌ها دارای مقادیر p قابل توجهی برای آماره آزمون کونکر-BP بود که نشان می‌دهد واریانس غیر ثابت خطای استاندارد رگرسیون‌ها را غیرقابل اعتماد کرده است. تست‌های Moran’s I برای همه سایت‌ها یک الگوی خوشه‌ای را در باقیمانده‌های رگرسیون OLS نشان داد. همه مقادیر I مورن در یک α معنی دار بودندسطح 0.01، نشان می دهد که احتمال کمتر از 1٪ وجود دارد که این الگو به دلیل شانس باشد، و احتمالاً به دلیل کیفیت غیر ایستایی فضایی در داده ها است. بر اساس روش توصیف شده، GWR در تمام سایت ها به طور کامل اجرا شد، و بر روی تمام نمونه های تصادفی از هر دو جریان بزرگ و کوچک پس از استفاده مناسب از آمار GWR ایجاد شد. بازرسی بصری رگرسیون های OLS، مناطق بزرگی از بیش و کمتر برآورد را در مقادیر پیش بینی بستر در امتداد مناطق ناهمگن، و مناطق انتقال بستر نشان می دهد ( شکل 2 ، شکل 3 ).

مقادیر رگرسیون R2 دارای وزن جغرافیایی ^در سایت‌های مطالعه کامل 0.754 در رودخانه Elk، 0.839 در Aarons Creek، 0.871 در Grayling Creek و 0.912 در Little Wapiti Creek بود. نمونه گیری تصادفی و رگرسیون در 60 مرتبه بزرگتر و 60 کوادرات جریان مرتبه کوچکتر مقادیر R ² را تولید کرد که از 0.170 تا 0.998 در Elk River، 0.698 تا 0.930 در Aarons Creek، 0.699 تا 0.990. آزمون واریانس نشان داد که واریانس دو جمعیت با مقدار p<0.01 برابر نیست. به معنی R ²از کوادرات های تصادفی برای جریان های کوچک 0.83 و برای جریان های بزرگ 0.79 بود. نتایج حاصل از آزمون t Welch نشان داد که تفاوت میانگین‌ها از مدل‌های بستر نمونه‌های تصادفی جریان‌های بزرگ و کوچک معنی‌دار نبود، همانطور که با مقدار p 0.22 در سطح α 0.01 نشان داده شد.

بازرسی بصری نقشه‌های باقی‌مانده رگرسیون‌های GWR نشان داد که آمار به طور مشابه به بستر برای همه جریان‌ها، صرف‌نظر از اندازه، با به حداقل رساندن بیش از حد و کمتر از برآورد مقادیر پیش‌بینی‌شده بستر پاسخ می‌دهد. این را می توان به طور مستقیم در رگرسیون GWR با توجه به به حداقل رساندن مکان هایی که خطاهای انحراف استاندارد را در رده های 1.5- تا 0.5- و 0.5 تا 1.5 در مقایسه با رگرسیون های OLS در همه جریان ها برمی گرداند، مشاهده کرد ( شکل 4 ، شکل 5 ). اکثر مقادیر پیش‌بینی‌شده که در این دو دسته قرار می‌گیرند، در محدوده خطای استاندارد 0.5- تا 0.5 تنظیم شدند، که نشان‌دهنده بهبود قابل توجهی در مدل‌های کلی سایت برای بستر است. برآورد بیش از حد و دست کم گرفتن مقادیر به مناطق موضعی بسیار ناهمگن در رگرسیون GWR محدود شد.شکل 4 ، شکل 5 ).

نتایج ما اثربخشی GWR را به‌عنوان یک ابزار مدل‌سازی برای جریان‌های قابل wadeable با اندازه‌های متفاوت زمانی که تجزیه و تحلیل داده‌های زیستگاه فضایی مورد نیاز است، نشان می‌دهد. به طور خاص، نتایج ما نشان می‌دهد که هنگام استفاده از GWR، بستر به روشی به همان اندازه مؤثر بر روی جریان‌های بزرگ یا کوچک قابل wadeable مدل‌سازی می‌شود. این با مقایسه دو جریان بزرگ و دو جریان کوچک قابل wadeable و مقادیر R2 پشتیبانی می ^شوداز رگرسیون های وزنی جغرافیایی آنها. نتایج ما پیامدهایی برای زیست شناسان و مدیران شیلات دارد که مایلند ارزیابی، تجزیه و تحلیل، و نتایج نقشه‌برداری سازگار و قابل مقایسه از متغیرهای زیستگاه رودخانه‌ها را زمانی که مطالعات آنها در اندازه‌های چندگانه جریان دارد ارائه دهند. پیامدها شامل استفاده از یک نوع رگرسیون منفرد (GWR) برای مدل‌سازی متغیرهای زیستگاه جریان، پتانسیل برای مدیریت مطمئن‌تر زیستگاه رودخانه زمانی که بستر یک متغیر تصمیم‌گیری کلیدی است، و استفاده از نقشه‌های باقی‌مانده بصری برای به دست آوردن بینش نسبت به نتایج مدل‌سازی بستر است.

توانایی استفاده از یک مدل رگرسیون واحد برای پرداختن به نقشه‌برداری فضایی و ارزیابی جریان‌های بزرگ و کوچک، کاربرد رگرسیون وزن‌دار جغرافیایی را برای ارزیابی جریان و در نتیجه برای علم شیلات نشان می‌دهد. این کار را با به حداقل رساندن مقدار روش های آماری لازم برای نقشه برداری مناسب از متغیرهای زیستگاه جریان مانند بستر انجام می دهد. نوع تحلیل آماری مورد استفاده برای تجزیه و تحلیل و مقایسه جریان های با اندازه های مختلف نیازی به تغییر ندارد.

مطالعه ما قدرت GWR را به عنوان یک روش آماری برای مدل‌سازی متغیرهای فضایی زیستگاه رودخانه مانند بستر نشان می‌دهد. این تا حدی مهم است زیرا عدم پرداختن به کیفیت های فضایی در یک مجموعه داده در هنگام انجام رگرسیون ممکن است نتایج مبهم یا اشتباهی را به دلیل همبستگی مکانی [ 21 ] [ 22 ] ایجاد کند. استفاده از رگرسیون وزن‌دار جغرافیایی برای مدل‌سازی داده‌های زیستگاه جریان با کیفیت‌های فضایی تایید شده به طور مستقیم به مسائل ناشی از همبستگی خودکار فضایی می‌پردازد. این کار را با حذف یک مقدار واریانس کلی که برای محاسبه پیش‌بینی‌های فردی در مدل با واریانس محلی استفاده می‌شود، انجام می‌دهد که با استفاده از یک شعاع یا پارامتر جستجوی مشخص [ 28 ] [ 32 ] محاسبه می‌شود.]. این تغییر به نمایش دقیق‌تری از ساختار موجود در داده‌هایی که غیرایستایی فضایی (واریانس فضایی) را نشان می‌دهند، مانند الگوی رسوب‌گذاری زیرلایه، اجازه می‌دهد. سودمندی GWR برای علم و مدیریت شیلات را می توان در این مثال از واریانس فضایی مشاهده کرد. بسیاری از متغیرهای اغلب ارزیابی شده در یک جریان با ناپایداری فضایی از جمله سرعت جریان، دما، محل بقایای چوبی بزرگ و موقعیت فصلی ماهی وجود دارد.

هنگام مدل‌سازی متغیرهای مرتبط با مدیریت جریان، مانند بستر، توانایی یک روش تجزیه و تحلیل برای تولید نتایج ثابت از اهمیت ویژه‌ای برخوردار است. نتایج ثابت و بدون ابهام به دلیل اطمینان به روش و پیچیدگی افزوده مقایسه نتایج از روش‌های مختلف حذف شده، خود را به سمت استفاده در مقایسه می‌برد. از آنجایی که اندازه جریان متفاوت است، مطالعه ما نشان می‌دهد که مقادیر میانگین R2 ^سازگار هستند و زمانی که یک مدل GWR مناسب اعمال می‌شود، تفاوتی از نظر آماری ندارند. بدون نتایج ثابت، نتیجه گیری و تصمیمات مدیریتی که از آنها گرفته می شود مشکوک و حداقل تا حدودی ضعیف تر خواهند بود.

نتایج مطالعه مطابق با ادبیات قبلی است که در مورد روابط ژئومورفولوژیکی رودخانه ای بین عمق و بستر [ 42 ] [ 43 ] بحث می کند. در نتایج ما، همبستگی بین عمق و الگوی رسوب‌گذاری بستر با مقادیر نسبتاً بالای R2 ^بین بستر و عمق نشان داده می‌شود. ما شواهدی ارائه می‌دهیم که بستر ممکن است به طور موثر با استفاده از عمق به‌عنوان متغیر مستقل یا تأثیرگذار در هنگام استفاده از رگرسیون وزن‌دار جغرافیایی برای مدل‌سازی داده‌های زیستگاه رودخانه قابل‌مدل‌سازی مدل‌سازی شود. این بیانیه توسط سطوح دقت مدل‌های رگرسیون وزن‌دار جغرافیایی زیرلایه در جریان‌های کوچک و بزرگ قابل‌قابلیت پشتیبانی می‌شود، همانطور که توسط مقادیر GWR R2 ^و نتایج آزمون t نشان داده شده است.

نقشه‌های عملی (نقشه‌هایی که هم سودمندی را برای هدف ذکر شده و هم سهولت استفاده را حفظ می‌کنند) جنبه‌های مهم تفسیر نتایج ارزیابی‌های زیستگاه رودخانه‌ها هستند، اما اغلب توسط تجزیه و تحلیل آماری ارائه نمی‌شوند، همانطور که توسط GWR ارائه می‌شوند. نقشه‌ها می‌توانند ابزار ارزشمندی باشند و بینشی ارائه دهند که نتایج غیربصری آن را ارائه نمی‌کنند [ 44 ]. تجزیه و تحلیل بصری نوع زیستگاه، مقدار، و جمعیت ماهی در رودخانه های کوچک سابقه موفقیت آمیزی دارد [ 45]. علاوه بر نقشه‌های عملی داده‌های زیستگاه که قبلاً با نقشه‌برداری داده‌های زیستگاه جریان در یک سیستم اطلاعات جغرافیایی تولید شده‌اند، GWR نقشه‌هایی را در قالب باقیمانده‌ها و مقادیر پیش‌بینی‌شده برای هر مکان مختصات در مجموعه داده ارائه می‌کند. بنابراین، تفسیر بصری داده‌ها و نتایج یک مزیت مفید برای فرآیند تصمیم‌گیری ارائه شده توسط GWR در برنامه‌هایی مانند ArcMap 10 است.

یک مرحله بصری جدایی ناپذیر در فرآیند GWR برای ارزیابی بستر در جریان ها، ایجاد استفاده مناسب از رگرسیون فضایی به جای رگرسیون معمولی حداقل مربعات معمولی است. رگرسیون حداقل مربعات معمولی همیشه برای نشان دادن عدم ایستایی در داده ها اجرا می شود که بدون آن GWR یک اقدام مناسب نخواهد بود [ 28 ] [ 32 ].]. یک محصول جانبی بصری رگرسیون OLS، نقشه باقیمانده ایجاد شده برای نشان دادن مقدار انحراف استاندارد هر مقدار پیش‌بینی‌شده در هر مختصات داده است. علاوه بر نشان دادن عدم ایستایی، بستر به وضوح در نسبت بیشتری از منطقه مورد مطالعه بیش از نقشه های باقیمانده GWR در هر چهار سایت اصلی مطالعه، بیش از حد و دست کم گرفته شد. در این مثال، مقایسه بصری نقشه‌های باقیمانده رگرسیون GWR و OLS به نشان دادن مزایای واریانس محلی کاربردی برای داده‌های جریان فضایی مانند بستر، به جای یک واریانس منفرد کمک کرد. مخصوص مقایسه جریان های بزرگ و کوچک، بازرسی بصری نقشه های باقیمانده OLS و GWR نشان می دهد که GWR به طور مشابه به جریان های بزرگ و کوچک واکنش نشان می دهد.

همانطور که در نقشه‌های رودخانه‌های بزرگ Elk River، و Grayling Creek دیده می‌شود، مناطق قابل‌توجهی را با سطوح بالایی از همگنی بستر در مقایسه با مکان‌های جریان کوچکتر نهرهای Aarons و Little Wapiti حفظ کردند ( شکل 2 ، شکل 3 ). با این حال، الگوی رسوب بستر رودخانه الک، در حالی که در برخی مناطق نسبتاً ناهمگن است، دارای سطح وسیعی از شن و ماسه است که با تخته سنگ و سنگفرش در هم آمیخته شده است. این که میانگین مدل R2 گروه‌های جریان بزرگ و کوچک حتی با تفاوت قابل توجه الگوی رسوب‌گذاری زیرلایه تفاوت معنی‌داری نداشتند، نشانه‌ای قوی از اثربخشی رگرسیون GWR برای مدل‌سازی بستر جریان است ^.

4. نتیجه گیری

چندین ملاحظات آینده در نتیجه این مطالعه مورد توجه قرار گرفته است. به دلیل همبستگی بین عمق و بستر و توانایی GWR برای مدل‌سازی آن، اکتشافات آینده می‌تواند پتانسیل GWR را برای مدل‌سازی پیش‌بینی‌کننده بستر بر اساس ساختار عمقی جریان بررسی کند. چنین کاوشی به‌طور بالقوه نیاز به جمع‌آوری داده‌های زیرلایه عمیق را پس از ایجاد خط پایه برای مدل‌سازی برای جریان مورد نظر برطرف می‌کند. بررسی سایر متغیرهای اغلب ارزیابی شده و مشاهده پاسخ آنها به روش شناسی مشابه جالب خواهد بود. این مطالعه همچنین شواهدی را ارائه می‌کند که نشان می‌دهد باقیمانده‌های OLS ممکن است با نشان دادن مکان‌هایی که مدل‌ها مقادیر را بیش از یا کمتر از آن تخمین می‌زنند، ایجاد نقشه را راهنمایی کند.

در مجموع، هنگام استفاده از رگرسیون وزن‌دار جغرافیایی، مدل‌سازی فضایی سازگار، دقیق و قابل‌مقایسه زیرلایه‌ها بر روی جریان‌های بزرگ و کوچک امکان‌پذیر است. مدل‌های بستر جریان بزرگ و کوچک به همان اندازه به GWR پاسخ دادند و در عین حال نقشه‌های کاربردی و آسان برای تفسیر داده‌ها و نتایج تجزیه و تحلیل را ارائه کردند. علاوه بر این، نتیجه نیاز به انواع مختلف آمار برای مدل‌سازی جریان‌های با اندازه‌های مختلف را از بین می‌برد. علاوه بر این یک روش بسیار مورد نیاز برای مقایسه جریان های بزرگ و کوچک در قالب R2 ارائه می ^دهدمقدار (با همان رویه) که دقت متناسب مدل ها را می دهد. روش‌های ما برای مدیران شیلات شایستگی دارد، زیرا آنها نتایج قابل مقایسه و واضحی را ارائه می‌دهند که ممکن است برای تجسم بستر، یک متغیر زیستگاه کلیدی، مفید برای مدیریت جمعیت‌های ماهی در جریان‌های بزرگ و کوچک قابل استفاده باشد.

منابع

[ 1 ]	Gido، KB، Falke، JA، Oakes، RM و Hase، KJ (2006) روابط ماهی و زیستگاه در مقیاس های فضایی در جریان های دشت. در: Hughes, RM, Wang, L. and Seelbach, PW, Eds., Landscape Influences on Stream Habitats and Biological Assemblages, American Fisheries Society Symposium 48, Bethesda, 265-285.
[ 2 ]	Rosenfeld, J. (2003) ارزیابی نیازهای زیستگاه ماهیان جریان: بررسی اجمالی و ارزیابی رویکردهای مختلف. معاملات انجمن ماهیگیری آمریکا، 132، 953-968. https://doi.org/10.1577/T01-126
[ 3 ]	Winemiller، KO، Flecker، AS و Hoeinghaus، DJ (2010) دینامیک وصله و ناهمگونی محیطی در اکوسیستم های لوتیک. مجله انجمن بنتولوژی آمریکای شمالی، 29، 84-99. https://doi.org/10.1899/08-048.1
[ 4 ]	Gotway، CA و Young، LJ (2002) ترکیب داده های فضایی ناسازگار. مجله انجمن آماری آمریکا، 97، 632-648. https://doi.org/10.1198/016214502760047140
[ 5 ]	Scott, J., Heglund, PJ and Morrison, ML (2002) پیش بینی وقوع گونه ها. مسائل دقت و مقیاس. مطبوعات جزیره، واشنگتن دی سی.
[ 6 ]	Sheehan، KR و Welsh، SA (2013) دقت درون یابی زیستگاه جریان در مقیاس های فضایی. مجله نظام اطلاعات جغرافیایی، 5، 602-612. https://doi.org/10.4236/jgis.2013.56057
[ 7 ]	هانسن، WF (2001) شناسایی انواع جریان و مفاهیم مدیریت. اکولوژی و مدیریت جنگل، 143، 39-46. https://doi.org/10.1016/S0378-1127(00)00503-X
[ 8 ]	Ian, M. (1999) اهمیت ارزیابی زیستگاه فیزیکی برای ارزیابی سلامت رودخانه. زیست شناسی آب شیرین، 41، 373-391. https://doi.org/10.1046/j.1365-2427.1999.00437.x
[ 9 ]	Allan, JD and Castillo, MM (2007) Stream Ecology: Structure and Function of Running Water. Springer Verlag، برلین.
[ 10 ]	Gorman, OT and Karr, JR (1978) ساختار زیستگاه و جوامع ماهی جریان. اکولوژی، 59، 507-515. https://doi.org/10.2307/1936581
[ 11 ]	نایتون، دی (1998) اشکال و فرآیندهای رودخانه ای: دیدگاهی جدید. انتشارات دانشگاه آکسفورد، نیویورک.
[ 12 ]	برادفورد، ام جی و هینونن، جی اس (2008) جریان های کم، نیازهای جریان درون جریان و بوم شناسی ماهی در جریان های کوچک. مجله منابع آب کانادا، 33، 165-180. https://doi.org/10.4296/cwrj3302165
[ 13 ]	Chisholm, IM, Hubert, WA and Wesche, TA (1987) شرایط جریان زمستانی و استفاده از زیستگاه توسط ماهی قزل آلا در رودخانه های مرتفع وایومینگ. معاملات انجمن ماهیگیری آمریکا، 116، 176-184. https://doi.org/10.1577/1548-8659(1987)116<176:WSCAUO>2.0.CO;2
[ 14 ]	Harvey, B. and Stewart, A. (1991) روابط اندازه ماهی و عمق زیستگاه در جریانهای سرچشمه. Oecologia, 87, 336-342. https://doi.org/10.1007/BF00634588
[ 15 ]	Minns، CK (2001) علم برای مدیریت زیستگاه ماهیان آب شیرین در کانادا: وضعیت فعلی و چشم انداز آینده. بهداشت و مدیریت اکوسیستم آبی، 4، 423-436. https://doi.org/10.1080/146349801317276099
[ 16 ]	Tilman, D., Fargione, J., Wolff, B., D’Antonio, C., Dobson, A., Howarth, R., et al. (2001) پیش بینی تغییرات زیست محیطی جهانی با هدایت کشاورزی. علم، 292، 281. https://doi.org/10.1126/science.1057544
[ 17 ]	Vitousek, PM, Mooney, HA, Lubchenco, J. and Melillo, JM (1997) تسلط انسان بر اکوسیستم های زمین. علم، 277، 494. https://doi.org/10.1126/science.277.5325.494
[ 18 ]	Rastetter، EB، King، AW، Cosby، BJ، Hornberger، GM، O’Neill، RV and Hobbie، JE (1992) جمع آوری دانش اکولوژیکی در مقیاس دقیق برای مدل کردن ویژگی های مقیاس درشت اکوسیستم ها. کاربردهای زیست محیطی، 2، 55-70. https://doi.org/10.2307/1941889
[ 19 ]	Wheatley, M. and Johnson, C. (2009) عوامل محدود کننده درک ما از مقیاس اکولوژیکی. پیچیدگی زیست محیطی، 6، 150-159. https://doi.org/10.1016/j.ecocom.2008.10.011
[ 20 ]	Borcard, D., Legendre, P. and Drapeau, P. (1992) بخشی از مولفه فضایی تنوع اکولوژیکی. اکولوژی، 73، 1045-1055. https://doi.org/10.2307/1940179
[ 21 ]	González-Megías، A.، Gómez، JM and Sánchez-Pinero، F. (2005) پیامدهای خودهمبستگی فضایی برای تجزیه و تحلیل دینامیک فراجمعیت. اکولوژی، 86، 3264-3271. https://doi.org/10.1890/05-0387
[ 22 ]	لژاندر، پی (1993) خودهمبستگی فضایی: مشکل یا پارادایم جدید؟ اکولوژی، 74، 1659-1673. https://doi.org/10.2307/1939924
[ 23 ]	لوین، SA (1992) مسئله الگو و مقیاس در اکولوژی: سخنرانی جایزه رابرت اچ. مک آرتور. اکولوژی، 73، 1943-1967. https://doi.org/10.2307/1941447
[ 24 ]	Townsend, CR, Dolédec, S., Norris, R., Peacock, K. and Arbuckle, C. (2003) The Influence of Scale and Geography on Relations between Stream Community Composition and Landscape Variables: Description and Prediction. زیست شناسی آب شیرین، 48، 768-785. https://doi.org/10.1046/j.1365-2427.2003.01043.x
[ 25 ]	Urban، DL (2005) مدل‌سازی فرآیندهای اکولوژیکی در مقیاس‌ها. اکولوژی، 86، 1996-2006. https://doi.org/10.1890/04-0918
[ 26 ]	Windle, MJS, Rose, GA, Devillers, R. and Fortin, MJ (2009) کاوش غیر ایستایی فضایی داده‌های بررسی شیلات با استفاده از رگرسیون وزن‌دار جغرافیایی (GWR): مثالی از شمال غربی اقیانوس اطلس. مجله ICES علوم دریایی، 67، 145-154. https://doi.org/10.1093/icesjms/fsp224
[ 27 ]	An، K.-J.، Lee، S.-W.، هوانگ، S.-J.، پارک، S.-R. و هوانگ، S.-A. (2016) بررسی اثرات غیر ساکن جنگل‌ها و زمین‌های توسعه‌یافته در حوضه‌های آبخیز بر شاخص‌های بیولوژیکی جریان‌ها با استفاده از رگرسیون وزن‌دار جغرافیایی. آب، 8، 120. https://doi.org/10.3390/w8040120
[ 28 ]	چارلتون، ام.، فاثرینگهام، اس و براندون، سی (2005) رگرسیون وزنی جغرافیایی. مقالات مروری بر روش های NCRM (NCRM/006).
[ 29 ]	Fotheringham, AS, Charlton, M. and Brunsdon, C. (1996) The Geography of Parameter Space: An Investigation of Spatial Non-Stationarity. مجله بین المللی علوم اطلاعات جغرافیایی، 10، 605-627. https://doi.org/10.1080/026937996137909
[ 30 ]	Kupfer, J. and Farris, C. (2007) ترکیب غیر ایستایی فضایی ضرایب رگرسیون در مدل‌های پوشش گیاهی پیش‌بینی‌کننده. بوم شناسی چشم انداز، 22، 837-852. https://doi.org/10.1007/s10980-006-9058-2
[ 31 ]	Sheehan، KR، Strager، MP و Welsh، SA (2013) مزایای رگرسیون وزن‌دار جغرافیایی برای مدل‌سازی بستر اعماق دریا در دو جریان اکوسیستم بزرگ یلوستون. مدلسازی و ارزیابی محیطی، 18، 209-219. https://doi.org/10.1007/s10666-012-9334-2
[ 32 ]	Brunsdon, C. (1995) برآورد سطوح احتمال برای داده های نقطه جغرافیایی: یک الگوریتم هسته تطبیقی. Computers & Geosciences, 21, 877-894. https://doi.org/10.1016/0098-3004(95)00020-9
[ 33 ]	آستین، ام. (2007) مدل های توزیع گونه ها و نظریه اکولوژیکی: ارزیابی انتقادی و برخی رویکردهای جدید ممکن. مدلسازی اکولوژیک، 200، 1-19. https://doi.org/10.1016/j.ecolmodel.2006.07.005
[ 34 ]	Wang, L., Lyons, J., Kanehl, P. and Bannerman, R. (2001) تأثیرات شهرنشینی بر روی زیستگاه جریان و ماهی در مقیاس های فضایی چندگانه. مدیریت محیط زیست، 28، 255-266. https://doi.org/10.1007/s0026702409
[ 35 ]	Ali, K., Partridge, MD and Olfert, MR (2007) آیا رگرسیون های وزنی جغرافیایی می توانند تحلیل منطقه ای و سیاست گذاری را بهبود بخشند؟ International Regional Science Review, 30, 300. https://doi.org/10.1177/0160017607301609
[ 36 ]	Gao, X., Asami, Y. and Chung, CJF (2006) یک ارزیابی تجربی مدلهای رگرسیون فضایی. کامپیوتر و علوم زمین، 32، 1040-1051. https://doi.org/10.1016/j.cageo.2006.02.010
[ 37 ]	LeSage، JP (2001) خانواده ای از مدل های رگرسیون وزن دار جغرافیایی. در: Anselin, L., Florax, RJ and Rey, SJ, Eds., Advances in Spatial Econometrics, Springer, Berlin, 241-263. https://doi.org/10.1007/978-3-662-05617-2_11
[ 38 ]	Zhang، L. و Gove، JH (2005) ارزیابی فضایی خطاهای مدل از چهار تکنیک رگرسیون. علوم جنگلی، 51، 334-346.
[ 39 ]	Brunsdon, C., Fotheringham, S. and Charlton, M. (2000) رگرسیون وزنی جغرافیایی به عنوان یک مدل آماری. مقاله کار منتشر نشده، گروه جغرافیا، دانشگاه نیوکاسل، نیوکاسل.
[ 40 ]	Koenker, R. (1981) یادداشتی در مورد دانش آموزی آزمون برای ناهمسانی. مجله اقتصاد سنجی، 17، 107-112. https://doi.org/10.1016/0304-4076(81)90062-2
[ 41 ]	موران، PAP (1953) تجزیه و تحلیل آماری چرخه سیاهگوش کانادایی. I. ساختار و پیش بینی. مجله جانورشناسی استرالیا، 1، 163-173. https://doi.org/10.1071/ZO9530163
[ 42 ]	اسمیت، GHS و فرگوسن، RI (1995) انتقال شن و ماسه در امتداد کانال های رودخانه. مجله رسوب پژوهی، 65، 423-430. https://doi.org/10.1306/D42680E0-2B26-11D7-8648000102C1865D
[ 43 ]	Kratzer, JF, Hayes, DB and Thompson, BE (2006) روش‌های درون‌یابی عرض، عمق و سرعت جریان جریان. مدلسازی اکولوژیک، 196، 256-264. https://doi.org/10.1016/j.ecolmodel.2006.02.004
[ 44 ]	Gergel, S., Stange, Y., Coops, N., Johansen, K. and Kirby, K. (2007) ارزش یک نقشه خوب چیست؟ مثالی با استفاده از تصاویر با وضوح فضایی بالا برای کمک به بازسازی ساحلی. اکوسیستم ها، 10، 688-702. https://doi.org/10.1007/s10021-007-9040-0
[ 45 ]	Hankin، DG و Reeves، GH (1988) تخمین فراوانی کل ماهی و کل منطقه زیستگاه در جریان‌های کوچک بر اساس روش‌های تخمین بصری. مجله کانادایی شیلات و علوم آبزی، 45، 834-844. https://doi.org/10.1139/f88-101