دانلود مقاله ارزیابی پیش بینی مکانی شاخص سایت با استفاده از روش پارامتری و غیر پارامتری

مطالعه ی موردی کاج لاجپول
چکیده
ما پتانسیل استفاده از رگرسیون حداقل مربعات،مدل افزایشی تعمیم یافته،مدل درخت محور و مدل شبکه ی عصبی را بر روی لایه های شبکه ی داده های محیطی برای تهیه ی نقشه ی شاخص سایت در یک مطالعه ی موردی اثبات می کنیم شبکه ای از متغیر های زیست محیطی به صورت داده های لایه ای نشان داده شده و شبکه ی پلات شاخص سایت پراکنده در داخل شبکه های جغرافیایی قرار داده شد. داده های شاخص سایت بر اساس انالیز ساقه(ارتفاع مشاهده شده در شاخص سنی 50 سال)در 431 کاج در 88 پلات نمونه بودند. پلات ها در یک جنگل چوب مرکب تایگا 17460 کیلومتر مربع در البتای کانادا توسط پایه های بالغ و فوق بالغ اشغال شدند. مدل افزایشی تعمیم یافته برازش بهتر و سازگاری بهتری با داده نسبت به روش های حداقل مربعات غیر پارامتری و غیر خطی داشت.در میان 4 مدل تست شده رگرسیون غیر خطی مدل سازی داده هاست که فرض می کند داده های تصادفی تولید را به متغیر های محیطی ارتباط می دهند و چنین مدل هایی برای براورد بهبنه سازی می شوند. دیگر مدل های درختی متعلق به شبکه ی الگوریتم که رابطه ی بین تولید و متغیر های مستقل را به صورت یک جعبه سیاه ناشناخته در نظر می گیرند و تلاش می کنند تا کارکرد و تابع بین ان ها را پیدا کنند وجود دارند. این مدل ها برای اهداف پیش بینی مناسب هستند. اهمیت مدل سازی شاخص بیوفیزیکی سایت با داده ها مورد بحث و بررسی قراار می گیرد.
لغات کلیدی:مدل افزایشی تعمیم یافتهفمدل درخت محور،مدل شبکه ی عصبی،کاج لاجپول،رگرسیون غیر خطی بالغ،پایه های فوق بالغ

1.مقدمه
اگر چه تغییرات قابل توجهی از مدل سازی رشد و جنگل داری همسال ساده به جنگال کاری غیر ساده و مدل سازی رشد غیر همسال وجود دارد با این حال یک جایگزین کمی برای تولید بالقوه ی چوب برای تصمیم گیری به دلیل اهمیت کارکردی ان شاخص سایت که به صورت ارتفاع میانگین تعداد بزرگترینن درختان بر هر هکتار در یک سن مرجع خاص تعریف می شود یک جایگزین خوب پذیرفته شده برای تولید بالقوه است.موارد بسیاری وجود دارد که در ان شاخص سایت نمی تواند به طور کارامدی براورد شود زیرا این ویژه گونه بوده و شاخص فیتومتریک تولید سایت است. برای مثال ان را نمی توان در مناطق بدون درخت و یا در پایه هایی که گونه های مربوطه وجود ندارند براورد کرد. براورد ان در پایه های جوان مشکل است زیرا یک خطای خفیف در براورد می تواند موجب خطای بزرگ در عملکرد پیش بینی شده شود.