کارایی آماره‌های اختصاری مختلف در مدل سازی الگوی نقطه ای مکانی درختان کنار (Ziziphus spina-christi (L.) Wild.)

نوع مقاله : علمی- پژوهشی

نویسندگان

1 استادیار، دانشکده کشاورزی، دانشگاه شیراز

2 دانشجوی کارشناسی ارشد، دانشکده کشاورزی، دانشگاه شیراز

چکیده

درک فرایندهای بوم ­شناختی نهفته در توزیع مکانی درختان با شبیه ­سازی ساختار مکانی آنها در یک توده امکان­پذیر است. آماره ­های اختصاری قادر هستند الگوی نقطه­ ای مکانی درختان را مدل­سازی کرده و نمایش مؤثری از ارتباط بین الگوهای نقطه ­ای با فرایندهای بوم ­شناختی ارائه کنند. در پژوهش پیش ­رو، پنج آماره اختصاری درجه اول (تابع تراکم/𝜆(x))، درجه دوم (تابع همبستگی جفتی/g(r))، با درجه بالا (تابع T/T(r))، نزدیکترین همسایه (تابع توزیع نزدیکترین همسایه/D(r)) و ریخت ­شناختی (تابع توزیع تماس کروی/Hs(r)) برای مدل­ سازی الگوی مکانی درختان کنار (Ziziphus spina-christi (L.) Wild.) در جنوب استان فارس استفاده شدند. یک قطعه ­نمونه واقعی و دو قطعه ­نمونه شبیه ­سازی ­شده 200×200 مترمربعی همگن برای بررسی عملکرد این تابع­ها انتخاب شدند. نتایج نشان داد که 𝜆(x) به­ طور معنی­ داری از فرایند پواسون همگن پیروی می­کند و توزیع مکانی درختان کنار را در سه قطعه ­نمونه شناسایی کرد. همچنین نتایج نشان داد که g(r) غیرتجمعی است و نسبت به الگوهای درختان در مقیاس­های مختلف حساس است. اگرچه T(r) پراکندگی، تصادفی و کپه ­ای بودن درختان در قطعه ­نمونه ­ها را تشریح کرد، اما توان آن در بیان الگوهای ساختاری کوچک با توجه به تراکم کم درختان در قطعه ­نمونه ­ها مشخص نشد. فاصله تا نزدیکترین درخت توسط D(r) محاسبه شده و آنها در هر سه قطعه ­نمونه در حدود 20 متری از یکدیگر قرار داشتند. درنهایت، مقدار Hs(r) الگوی غیرتصادفی درختان را در قطعه­ نمونه­ ها به ­وضوح نشان داد. به ­طور کلی نتیجه­ گیری شد که آماره ­های اختصاری مختلف، ویژگی­های آماری متفاوتی از الگوهای نقطه ­ای مکانی را در بوم ­شناسی گیاهان توصیف می­ کنند.

کلیدواژه‌ها


عنوان مقاله [English]

Efficiency of different summary statistics in modelling spatial point patterns of Christ's thorn jujube trees (Ziziphus spina-christi (L.) Wild.)

نویسندگان [English]

  • Seyyed Yousef Erfanifard 1
  • Narges Kariminejad 2
1 Assistant Prof., College of Agriculture, Shiraz University, Shiraz, Iran
2 M.Sc. Student, College of Agriculture, Shiraz University, Shiraz, Iran
چکیده [English]

    Understanding the ecological processes underlying the spatial distribution of trees is enabled by simulation of their spatial structure within stands. Summary statistics enable modelling the spatial point patterns of trees and provide an efficient representation of the link between point patterns and ecological processes. In this study, five summary statistics, i.e. first-order (intensity function 𝜆(x)), second-order (pair correlation function g(r)), higher-order (T-function T(r)), nearest neighbor (nearest neighbor distribution function D(r)), and morphological (spherical contact distribution function Hs(r)) were used to model the spatial pattern of Christ thorn jujube trees (Ziziphus spina-christi (L.) Wild.) in the south of Fars Province. One real and two simulated homogeneous, 200 × 200 m2 sample plots were selected to investigate the performance of those functions. The results showed that 𝜆(x) significantly followed the homogeneous Poisson process and identified different spatial distributions of Christ thorn jujube trees in three plots. The results also indicated that g(r) was non-cumulative and sensitive to tree patterns in different scales. Although T(r) described the dispersion, randomness, and clustering of trees in the plots, its power to indicate fine structural patterns was not obvious due to low densities of the trees in the plots. The distances to nearest tree were quantified by D(r), which were located about 20 m from each other in all three plots. Finally, the amount of Hs(r) clearly showed the non-randomness patterns of trees in the plots. All in all, it was concluded that different summary statistics characterize different statistical properties of spatial point patterns across the study area.

کلیدواژه‌ها [English]

  • Summary statistic
  • point pattern
  • spatial analysis
  • Christ’s thorn jujube
  • Modelling
- Akhavan, R. and Sagheb-Talebi, Kh., 2012. Application of bivariate Ripley's K-function for studying competition and spatial association of trees (Case study: intact Oriental beech stands in Kelardasht). Iranian Journal of Forest and Poplar Research, 19(4): 632-644 (In Persian).
- Alavi, J., Zahedi Amiri, G., Nouri, Z. and Marvi Mohajer, M.R., 2014. Application of Ripley’s K-function in detecting spatial pattern of Wych Elm species in Khayroud forests, North of Iran. Iranian Journal of Wood and Forest Science, 20(4): 21-39 (In Persian).
- Amanzadeh, B., Sagheb-Talebi, Kh., Foumani, B.S., Fadaie, F., Camarero, J. and Linares, C., 2013. Spatial distribution and volume of dead wood in unmanaged Caspian Beech (Fagus orientalis) forests from Northern Iran. Forests, 4: 751-765.
- Cipriotti, P.A., Aguiar, M.R., Wiegand, T. and Paruelo, J.M., 2012. Understanding the long-term spatial dynamics of a semiarid grass-shrub steppe through inverse parameterization for simulation models. Oikos, 121: 848-861.
- Churchill, D., Larson, A., Dahlgreen, M., Franklin, J., Hessburg, P. and Luts, J., 2013. Restoring forest resilience: from reference spatial patterns to silvicultural prescriptions and monitoring. Forest Ecology and Management, 291: 442-457.
- Dale, M.R.T., Dixon. P., Fortin, M., Legendre, P., Myers, D. and Rosenberg, M., 2002. Conceptual and mathematical relationships among methods for spatial analysis. Ecography, 25: 558-577.
- Diggle, P.J.,  2003. Statistical Analysis of Spatial Point Patterns. Arnold Publishers, New York, 159p.
- Erfanifard, Y. and Mahdian, F., 2012. Comparative investigation on the methods of true spatial pattern analysis of trees in forests, Case study: Wild Pistachio Research Forest, Fars Province, Iran. Iranian Journal of Forest and Poplar Research, 20(1): 62-73 (In Persian).
- Erfanifard, Y., Zare, L. and Feghhi, J., 2014. Application of nearest neighbour indices in Persian oak (Quercus brantii var. persica) coppice stands of Zagros forests. Iranian Journal of Applied Ecology, 2(5): 15-25 (In Persian).
- Genet, A., Grabarnik, P., Sekretenko, O. and Pothier, D., 2014. Incorporating the mechanisms underlying inter-tree competition into a random point process model to improve spatial tree pattern analysis in forestry. Ecological Modelling, 288: 143-154.
- Illian, J., Penttinen, A., Stoyan, H. and Stoyan., D., 2008. Statistical Analysis and Modelling of Spatial Point Patterns. John Wiley & Sons Inc., West Sussex, 534p.
- Lan, G., Getzin, S., Wiegand, T., Hu, Y., Xie, G., Zhu, H. and Cao, M., 2012. Spatial distribution and interspecific associations of tree species in a tropical seasonal rain forest of China. PLoS ONE, 7(9): e46074.
- Lilleleht, A., Sims, A. and Pommerening, A., 2014. Spatial forest structure reconstruction as a strategy for mitigating edge-bias in circular monitoring plots. Forest Ecology and Management, 316: 47-53.
- Lochmann, K., Anikeenko, A., Elsner, A., Medvedev, N. and Stoyan, D., 2006. Statistical verification of crystallization in hard sphere packings under densification. The European Physical Journal, 53: 67-76.
- Mecke, K.R. and Stoyan, D., 2005. Morphological characterization of point patterns. Biometrical Journal, 47(4): 473-488.
- Mortazavi Jahromi, M. and Zandi, P., 2012. Investigation on phenology of Ziziphus genus at Fars province. Iranian Journal of Forest and Poplar Research, 20(1): 110-122 (In Persian).
- Mundo, I.A., Wiegand, T., Kanagaraj, R. and Kitzberger, T., 2013. Environmental drivers and spatial dependency in wildfire ignition patterns of northwestern Patagonia. Journal of Environmental Management, 123: 77-87.
- Olagoke, A.O., Bosire, J.O. and Berger, U., 2013. Regeneration of Rhizophora mucronata (Lamk.) in degraded mangrove forest: lessons from point pattern analyses of local tree interactions. Acta Oecologia, 50: 1-9.
- Pommerening, A. and Stoyan, D., 2008. Reconstructing spatial tree point patterns from nearest neighbour summary statistics measured in small subwindows. Canadian Journal of Forest Research, 38: 1110-1122.
- Sagheb-Talebi, Kh., Sajedi, T. and Pourhashemi, M., 2014. Forests of Iran: A Treasure from the Past, A Hope for the Future. Springer, New York, 152p.
- Schladitz, K. and Baddeley, A.J., 2000. A third order point process characteristic. Scandinavian Journal of Statistics, 27: 657-671.