Investigation of affective habitat factors affecting on abundance of wood macrofungi and sensitivity analysis using the artificial neural network (case study: Kheyrud forest, Noshahr)

Document Type : Research article

Authors

1 PhD Student of Silviculture and Forest Ecology, Faculty of Natural Resources, Sari Agricultural and Natural ‎Resources University, Sari, I.R. Iran

2 Professor, Department of Forestry and Forest Economics, Faculty of Natural Resources, University of Tehran, ‎Karaj, I.R. Iran.‎

3 Assistant Professor of Department of Environment and Natural Resources sciences, University of Environment, ‎Karaj, I.R. Iran

4 Assistant Professor, Division of plants, Iranian Research Institute of Plant Protection, Tehran, I.R. Iran.‎

5 Assistant Professor, Department of Forestry and Forest Economics, Faculty of Natural Resources, University of ‎Tehran, Karaj, I.R. Iran.‎

6 MSc, Department of Silviculture and Forest Ecology, Faculty of Natural Resources, University of Tehran, Karaj, ‎I.R. Iran.‎

Abstract

One advantage of artificial neural networks is application in the management and planning of natural ecosystems. Considering the high biological diversity of northern forests of Iran, it is necessary to know forests ecosystems. Thus, using artificial neural networks is important for modeling and forecasting of presence and abundance of wood macrofungi in forests. Fungi samples were collected in summer and fall seasons on oak and hornbeam trees from compartments 110, 207 and 311 in educational and research forest of the University of Tehran. Totally 231 samples of macrofungi were collected that 112 samples of them belong to wood decay fungi. Results showed that the designed artificial neural network, has suitable potential for modeling of abundance of wood fungi. Network with two hidden layers and 11 neurons in each layer with the highest coefficient of determination, show the best performance of topology optimization. The number of inputs and outputs equal to 112 samples with 11 variables including density class 4 or class of fungi. Sensitivity analysis showed the decay stage of tree, tree health status and its condition and stand microclimate have the most effect on presence and abundance of wood macrofungi.

Keywords


فصلنامة علمی - پژوهشی تحقیقات جنگل و صنوبر ایران

جلد 21  شمارة 4، صفحة 628-617، (1392)

 

بررسی فاکتورهای مؤثر رویشگاهی بر فراوانی قارچ­های ماکروسکوپی چوب­زی و تحلیل حساسیت

با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: جنگل خیرود نوشهر)

 

حامد آقاجانی1*، محمدرضا مروی مهاجر2، علی جهانی3، محمدرضا آصف4، انوشیروان شیروانی5 و مجتبی آذریان6

1*- نویسنده مسئول، دانشجوی دکتری گروه جنگل‌شناسی و اکولوژی جنگل، دانشگاه علوم کشاورزی و منابع طبیعی ساری.

پست‌الکترونیک:Hamed_Aghajani_85@yahoo.com

2- استاد، گروه جنگلداری و اقتصاد جنگل، دانشکده‌ منابع طبیعی، دانشگاه تهران، کرج

3- استادیار گروه علوم محیط‌زیست و منابع طبیعی، دانشگاه محیط‌زیست، کرج

4- استادیار، گروه رستنی‌ها، مؤسسه تحقیقات گیاه‌پزشکی ایران، تهران

5- استادیار، گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران، کرج

6- دانش­آموخته کارشناسی ارشد، گروه جنگل‌شناسی و اکولوژی جنگل، دانشکده منابع طبیعی، دانشگاه تهران، کرج

تاریخ دریافت: 26/12/91                                                              تاریخ پذیرش: 13/5/92

 

چکیده

یکی از مزایای شبکه عصبی مصنوعی قابلیت کاربرد آن در مدیریت و برنامه­ریزی اکوسیستم­های طبیعی است. با توجه به اینکه جنگل­های شمال ایران دارای تنوع رویشگاهی بالایی هستند و برای مدیریت آنها نیاز به شناخت اکوسیستم این جنگل­ها داریم، بررسی این موضوع که استفاده از شبکه عصبی مصنوعی تا چه حدی در کلاسه­بندی حضور و فراوانی قارچ­های ماکروسکوپی جنگل­ها مؤثر است، از اهمیت خاصی برخوردار است. بنابراین برای کسب اطلاعات در این زمینه، جنگل آموزشی و پژوهشی خیرود در نوشهر انتخاب شد و بعد از انجام جنگل‌گردشی­های مقدماتی و انتخاب قطعه‌های مورد نظر نمونه­برداری، در فصول تابستان و پاییز طی چندین برداشت در قطعه‌های 110، 207 و 311 به‌ترتیب در بخش­های پاتم، نم­خانه و گرازبن این جنگل، آماربرداری صددرصد از کلیه درختان بلندمازو و ممرز قارچ­زده انجام گردید. درمجموع، از این سه قطعه ،231 نمونه قارچ ماکروسکوپی از روی درختان ­بلندمازو و ممرز جمع­آوری گردید که 112 نمونه آنها مربوط به قارچ­های­چوب­زی بودند. نتایج این تحقیق نشان داد که شبکه عصبی مصنوعی طراحی شده، قابلیت خوبی در کلاسه­بندی فراوانی قارچ­های ماکروسکوپی درختان مورد مطالعه دارد. شبکه با دو لایه پنهان و 11 نرون در هر لایه با توجه به بیشترین مقدار ضریب تعیین، بهترین عملکرد بهینه سازی توپولوژی را نشان می­دهد. تعداد ورودی­ها برابر با 112 نمونه با 11 متغیر و تعداد خروجی­ها شامل چهار طبقه یا کلاس فراوانی قارچ است. نتایج مربوط به آنالیز حساسیت مؤلفه­های بکار برده شده به­منظور مدل­سازی در پیش‌بینی هریک از کلاسه­های قارچ با استفاده از شبکه عصبی مصنوعی نیز نشان داد که درجه پوسیدگی خشکه­دار، سلامت درخت، وضعیت درخت و ریزاقلیمی توده به‌ترتیب بیشترین تأثیر را در حضور و فراوانی قارچ­های ماکروسکوپی از خود نشان می­دهند.

 

واژه­های کلیدی: جنگل‌شناسی، سلامت و وضعیت درخت، بلندمازو، پوسیدگی خشکه‌دار، ریزاقلیمی، ممرز

 


مقدمه

جنگل­های ایران جزو جنگل­های با ارزش و با تنوع زیستی گیاهی و جانوری بالایی است، به همین دلیل حمایت و حفاظت از این جنگل­ها و شناخت عوامل بیماری­زا در اکوسیستم­های­ آن از اهمیت ویژه­ای برخوردار است(Aghajani, 2012) . جنگل­های شمال ایران با مساحتی در حدود 9/1 میلیون هکتار با تنوع گیاهی غنی و شرایط اقلیمی متنوع (Marvie Mohadjer, 2011) رویشگاه مناسبی برای قارچ­های مختلف در شرایط اکولوژیکی متفاوت شده است (Asef, 2009). فاکتورهای مختلف عوامل رویشگاهی شامل نوع گونه درختی، سلامت درخت، قطربرابر سینه، ارتفاع درخت، درجه پوسیدگی خشکه­دار، وضعیت درخت، ارتفاع از سطح دریا، شیب، جهت دامنه، فرم زمین و ریزاقلیمی توده می­توانند بر حضور و فراوانی قارچ­های ماکروسکوپی چوب­زی مؤثر ­باشند. در سال­های اخیر تحقیقات گسترده­ای در استفاده از شبکه­های عصبی مصنوعی انجام شده و استفاده از این موضوع، کاربردهای متنوعی در رشته­های مختلف علوم در هر دو جهت نظری و عملی پیدا کرده است. بیشتر پیشرفت­ها در شبکه­های عصبی به ساختارهای نوین و روش­های یادگیری جدید مربوط می­شود. در واقع شبکه­های عصبی را می­توان با اغماض زیاد، مدل­های الکترونیکی از ساختار عصبی مغز انسان نامید (Shafabakhsh et al., 2010). به تعبیر دیگر شبکه عصبی مصنوعی، مدل ریاضی است که توانایی مدل­سازی و ایجاد روابط غیرخطی برای درون­یابی را دارد (Montazer et al., 2009). قارچ­های ماکروسکوپی با استقرار خود بر روی درختان سرپا از لحاظ اکولوژیکی برای اکوسیستم­جنگل و از لحاظ اقتصادی برای بازار چوب حائز اهمیت هستند و یکی از اجزای مهم در اکوسیستم جنگل هستند (Steiner et al., 2002). قارچ­های ماکروسکوپی نقش مهمی در چرخه کربن و نیتروژن و پویایی مواد ­غذایی، سلامت خاک و همکاری متقابل یا همزیستی اجباری و چرخه­ی مواد در اکوسیستم دارند و تبدیل موادآلی به موادمعدنی، تجزیه اندام­های چوبی اکوسیستم ­­جنگل و با تشکیل میکوریز بر روی ریشه­های کوچک درختان، سطح جذب موادغذایی را برای درختان ­جنگلی افزایش می­دهند (Dighton et al., 2005، Mack & Rudgers, 2008، Claridge et al., 2009، Jazirehi, 2010 و Fukasawa, 2012).

لازم به تأکید است که وجود درختان قارچ­زده برای پایداری و پویایی اکوسیستم­­ جنگل­های طبیعی دارای اهمیت زیادی است .(Aghajani, 2012) جنگل­های شمال ایران تنوع بالایی از درختان پهن­برگ را دارند، با توجه به روند حیاتی موجود تفکیک درختان قارچ­زده و سالم در جنگل اهمیت زیادی دارد. از طرفی شناسایی و بررسی قارچ‌های ماکروسکوپی و ارتباط آنها با شرایط رویشگاهی، بینش دقیق­تری نسبت به شناخت اکوسیستم­جنگل داده و ما را در برنامه‌ریزی صحیح و پیشگیری از زیان‌های وارده‌ی حاصل از گسترش قارچ‌های ماکروسکوپی و احتمالاً بیماری‌زا یاری می‌دهد  .(Aghajani et al., 2013)از کاربردهای مهم شبکه­های عصبی مدیریت و برنامه­ریزی، پیشنهاد پروژه، کاهش هزینه، سیستم­های مسیریابی و پیش­بینی وضعیت بازار می­باشند (Shafabakhsh et al., 2010). البته قابلیت دیگر شبکه عصبی مصنوعی در قارچ­شناسی است (Morgan et al., 1998). تاکنون تحقیق ویژه­ای در ارتباط با اثرگذاری فاکتورهای مختلف عوامل رویشگاهی بر فراوانی قارچ­های ماکروسکوپی چوب­زی با استفاده شبکه عصبی مصنوعی انجام نشده است، اما Kasprzyk et al., (2011) اقدام به پیش­بینی غلظت اسپور قارچ ماکروسکوپی Ganoderma با استفاده از شبکه عصبی مصنوعی کردند که نتایج آنالیز حساسیت به این صورت بوده که پدیده جوی، ساعت و رطوبت نسبی مهمترین متغیر­های مؤثر بر اسپور قارچ ماکروسکوپی Ganoderma هستند و متغیر­های باقیمانده (دمای هوا، سرعت باد، جهت باد و فشار هوا) نیز به عملکرد شبکه عصبی کمک کرده است، اما تأثیر آنها کمتر متمایز بود. هدف اصلی این تحقیق ارزیابی مدل­های ریاضی براساس تئوری شبکه­های عصبی مصنوعی به­منظور پیش­بینی فراوانی قارچ روی درختان در شرایط مختلف رویشگاهی و اثرگذاری فاکتورهای مختلف عوامل رویشگاهی شامل نوع گونه درختی، سلامت درخت، قطربرابر سینه، ارتفاع درخت، درجه پوسیدگی خشکه­دار، وضعیت درخت، ارتفاع از سطح دریا، شیب، جهت دامنه، فرم زمین و ریزاقلیمی توده بر حضور و فراوانی قارچ، تحلیل حساسیت و همچنین بررسی قابلیت شبکه عصبی در کلاسه­بندی تراکم حضور قارچ بر‌اساس شرایط رویشگاهی است.

 

مواد و روش­ها

منطقه مورد مطالعه

رویشگاه­های مورد مطالعه در جنگل آموزشی ­و ­پژوهشی خیرود واقع در7 کیلومتری شرق نوشهر در استان مازندران بین '27 º36 تا '40 º36 عرض شمالی و '32 º51 تا '43 º51 طول شرقی واقع شده­اند که از شمال به نوار ساحلی و روستای نجارده و از جنوب به ییلاقات منطقه و روستای کلیک محدود می­شود. رویشگاه­های مورد مطالعه با توجه به شرایط رویشگاهی از سه بخش پاتم، نم­خانه و گرازبن (از مجموع 8 بخش) متعلق به این جنگل انتخاب شدند (شکل1).

اولین منطقه مورد مطالعه قطعه110 واقع در بخش پاتم، اولین بخش متعلق به جنگل مدیریت شده خیرود است، که با توجه به نزدیکی به روستا و نیز بهره­برداری­های متعدد، دخالت­های عمده­ای در جوامع­گیاهی آن انجام شده است. مساحت این قطعه معادل 4/48 هکتار و در ارتفاع350 تا 429 متری از سطح دریا قرار دارد. شیب عمومی آن 15 درصد و جهت عمومی شمالی و شمال‌غربی است و تیپ فعلی مشاهده شده در این قطعه بلوط- ممرز و راش آمیخته است .(Management Plan of district Patom, 1995)

دومین رویشگاه مورد مطالعه در بخش نم­خانه واقع شده است. قطعه 207 مساحتی معادل 50 هکتار و در ارتفاع 675 تا 900 متری از سطح دریا واقع شده است. شیب عمومی آن 15 درصد و جهت دامنه جنوب غربی است. عمده جوامع گیاهی در این قطعه بلوط- ممرزستان در دره­ها و اطراف آن راشستان آمیخته، تیپ فعلی راش- ممرز همراه با گونه­های پلت، شیردار، بلوط، توسکا و ملج است .(Management Plan of district Namkhaneh, 1995)

سومین رویشگاه مورد مطالعه در بخش گرازبن واقع شده است. قطعه 311 با مساحتی معادل  8/27 هکتار و ارتفاع 1050 تا 1200 متری از سطح دریا برای این بررسی انتخاب گردید. شیب عمومی آن 20 درصد و جهت عمومی شمالی و جنوبی است و عمده جوامع گیاهی در این قطعه بلوط- ممرزستان به همراه راش و سایر گونه­ها توسکا و گیلاس ­وحشی است .(Management Plan of district Gorazbon, 2011)

 

 

شکل1– منطقه مورد مطالعه در جنگل خیرود

 


روش تحقیق

به‌منظور دستیابی به اطلاعات کمی و کیفی از درختان دارای قارچ­های ماکروسکوپی در 3 رویشگاه مورد مطالعه جنگل خیرود واقع در قطعه‌های 110 در بخش پاتم، 207 در بخش نم­خانه و در قطعه 311 در بخش گرازبن، بعد از انجام جنگل‌گردشی­های مقدماتی تمامی درختان قارچ­زده به صورت صد­درصد نمونه­برداری شدند. پس از جمع‌آوری قارچ­های ماکروسکوپی چوب­زی و خشک نمودن آنها، برای هر نمونه برچسب هرباریومی تهیه شد و به­منظور از بین بردن آلودگی­های قارچی، حشرات و کنه‌های پارازیت، نمونه­های قارچی خشک شده، به مدت دو هفته در فریزر در دمای c º20- و درون پاکت­های کاغذی قرار داده شدند. سپس نمونه­های خشک شده به­منظور انتقال و نگهداری در کیسه­های نایلونی گذاشته شدند. از بین نمونه­­­های جمع­آوری و بررسی شده از رویشگاه مورد مطالعه جنگل خیرود، یک نمونه در اختیار هرباریوم قارچ‌های ایران واقع در مؤسسه تحقیقات گیاهپزشکی کشور، تهران قرار گرفت و به هریک از آنها یک کد هرباریومی اختصاص داده شد. شناسایی نمونه­ها با استفاده از منابع استاندارد (Ryvarden, 1991، Gilbertson & Ryvarden, 1986، Eriksson & Ryvarden, 1975 و Ryvarden & Gilbertson, 1993) در آزمایشگاه قارچ­شناسی مؤسسه تحقیقات گیاهپزشکی کشور انجام گردید.

طبقه­بندی درجه پوسیدگی خشکه­دارها براساس فراوانی قارچ­های ماکروسکوپی چوب­زی بدین صورت انجام گردید که پوسیدگی درجه 1: پوست و چوب درخت قابل تشخیص و رنگ به­نسبت طبیعی است و گاهی اوقات جوانه­ی رشد یک سال اخیر دیده می­شود و شروع فعالیت قارچ­های ماکروسکوپی چوب­زی است.

پوسیدگی درجه 2: پوسیدگی درون­چوب قابل تشخیص است و در بعضی موارد پوست درخت دیده می­شود و فراوانی و فعالیت قارچ­های ماکروسکوپی چوب­زی بسرعت افزایش می­یابد.

پوسیدگی درجه 3: پوست درخت و درون چوب به طور کامل توسط قارچ ماکروسکوپی چوب­زی تجزیه شده است و چوب حالت نرمی به­خود می­گیرد.

پوسیدگی درجه 4: درون چوب و پوست کاملا توسط قارچ ماکروسکوپی تجزیه شده و در برخی موارد درخت با عمل تجزیه قارچ­های ماکروسکوپی کاملا به هوموس تبدیل شده (تبدیل مواد آلی به مواد معدنی) و زادآوری اغلب مستقر شده است و به آسانی با ضربه به حالت پودری درمی­آید.

در مورد بقیه فاکتورها، در ارتباط با سلامت درخت که ممکن است درختان وضعیت سلامت متفاوت (سالم، سرشکسته، سرخشکیده و خشکه­دار سرپا و افتاده)، در ارتباط با ریزاقلیمی توده (تاج پوشش بسته، تاج پوشش تنک)، وضعیت درخت (سرپا، افتاده) و فرم زمین (یال، دره، دامنه، دولین) تقسیم­بندی انجام گردید (Aghajani, 2012).

به­منظور پردازش داده­ها به­کمک ابزار هوشمند شبکه­ی عصبی از شبکه پرسپترون چندلایه­ (Multilayer Perceptron) استفاده گردید. این شبکه یکی از متداول­ترین و شناخته شده­ترین نوع از میان انواع شبکه­های عصبی است. این امر، به­طور عمده به­این دلیل است که پیاده­سازی یک نگاشت بین ورودی­ها و خروجی­ها می­تواند به صورت یک تقریب زننده تابعی عمل کند. در این تحقیق به­منظور برآورد مشخصه­های منتخب شامل نوع گونه درختی، سلامت درخت، قطربرابر سینه، ارتفاع درخت، درجه پوسیدگی خشکه­دارها، وضعیت درخت، ارتفاع از سطح دریا، شیب، جهت دامنه، فرم زمین و ریز اقلیمی توده اقدام به طبقه‌بندی چهار کلاس فراوانی قارچ در روی درختان شامل: 1. کم (1 تا 3 قارچ)، 2. متوسط (3 تا  6 قارچ)، 3. زیاد (6 تا 10 قارچ) و 4. خیلی زیاد (10

نرم‌افزار NeuroSolutions 5 برای طراحی و ارزیابی شبکه‌های عصبی مصنوعی مختلف استفاده شد. توابع آستانه­ی مورد استفاده برای یافتن حالت بهینه پیش­بینی توابع تانژانت هیپربولیک است. برای آموزش شبکه، ابتدا 112 نمونه مورد نظر به طور تصادفی به سه دسته 65 درصدی (آموزش شبکه)، 15 درصدی (سنجش دقت) و 25 درصدی (تست شبکه) تقسیم شدند. تعداد لایه­های پنهان و تعداد نرون­های هر لایه به روش آزمون و خطا مورد بررسی قرار گرفت. به­منظور تعیین معماری بهینه ANN، معماری­های مختلفی با تعداد یک، دو و سه لایه­ی مخفی به همراه 1 تا 20 نرون آموزش داده شده و ارزیابی شد. صحت مدل با مقایسه خروجی آن و شاخص­های محاسبه شده با استفاده از شاخصه­های آماری مختلف شامل ضریب تعیین (R2)، میانگین مربعات خطا (Mean Absolute Error) و میانگین خطای مطلق (Mean Squared Error) سنجیده شد. عملکرد مدل­های ANN طراحی شده توسط شاخصه­های آماری مختلف سنجیده شد. در این تحقیق برای مقایسه‌ی توان مدل­های شبکه عصبی از شاخص­های MSE، MAE،MAPE  (Mean Squared Error) و R2 استفاده گردید. روابط مربوط به این شاخصه­های آماری در زیر ارائه شده است:

 

 

رابطه1

 

رابطه2

 

رابطه3

 

 

  که در این روابط:

Oi: داده اندازه­گیری­شده

Pi: داده پیش­بینی­شده

Oave: میانگین داده­های اندازه­گیری­شده

Pave: میانگین داده­های پیش­بینی­شده

n: تعداد داده­ها

ارزیابی بهترین برازش شبکه برای یافتن بهترین توپولوژی شبکه مناسب، از طریق معیارهای فوق انجام گردید که هدف کمینه نمودن میانگین مربعات خطا و میانگین مربعات خطای مطلق (درصد) است.

 

نتایج

درمجموع این سه رویشگاه 231 نمونه قارچ ماکروسکوپی از روی درختان بلندمازو و ممرز جمع­آوری گردید که 112 نمونه آنها مربوط به قارچ­های­چوب­زی بودند که 17 جنس شناسایی گردید.در این پژوهش، ترکیب مختلفی از لایه­ها و نرون­های مختلف همراه با تابع فعال­سازی تانژانت هیپربولیک (لایه­های پنهان و خروجی) برای بهینه­سازی شبکه مورد استفاده قرار گرفت. در مرحله­ی اول بهینه­سازی شبکه­ی هوشمند عصبی از یک لایه پنهان با تعداد 4 تا 15 نرون که به طور تصادفی انتخاب گردیدند، عمل بهینه شدن شبکه انجام گردید و در مرحله­ی دوم با همان تعداد نرون در دو و سه لایه­ی پنهان قدرت شبکه تخمین زده شد. نتایج حاصل از بهینه­سازی شبکه­ی عصبی به همراه بهترین توپولوژی به‌دست آمده در جدول1 نشان داده شده است.

 

 


جدول1- آرایش پیشنهادی مدل­های شبکه عصبی مصنوعی برای برآورد فراوانی قارچ در روی درختان

مدل

تعداد لایه‌های مخفی

تعداد نرون‌ها

MSE

MAE

R2 class1

R2 class2

R2 class3

R2 class4

1

1

4

0/003

0/032

0/9861421

0/8319778

0/700419

0/9910789

2

1

5

0/003

0/0322

0/9811377

0/7823863

0/6122849

0/9949977

3

1

6

0/0004

0/0142

0/9938477

0/8880668

0/6797475

0/9945485

4

1

7

0/0003

0/0161

0/9891409

0/8452439

0/4922266

0/9407572

5

2

4

0/00007

0/0091

0/9855726

0/8637456

0/8647447

0/996373

6

2

5

0/0002

0/0121

0/9788741

0/7529141

0/589787

0/9952873

7

2

6

0/0002

0/0123

0/9796099

0/7526144

0/6361269

0/995631

8

2

7

0/0003

0/0166

0/9870127

0/7919336

0/6800849

0/9967845

9

2

8

0/0002

0/0124

0/9972507

0/7657006

0/5695764

0/9909917

10

2

9

0/0002

0/0129

0/9912397

0/8091939

0/6084811

0/9933262

11

2

10

0/0002

0/0122

0/9769129

0/7617004

0/6947726

0/9953061

12

2

11

0/0003

0/0163

0/9925263

0/9087394

0/8436428

0/9924728

13

2

12

0/0002

0/0123

0/9973908

0/8433387

0/5564075

0/9853444

14

3

4

0/002

0/0242

0/9146392

0/6932143

0/6374335

0/9937983

15

3

5

0/002

0/025

0/9783907

0/7714672

0/6241018

0/9926357

16

3

6

0/0004

0/0146

0/995957

0/7916571

0/6515095

0/9976854

17

3

7

0/0002

0/0121

0/8964283

0/7346582

0/6586763

0/9969738

18

3

8

0/0001

0/0107

0/896075

0/6769124

0/5435569

0/9969419

19

3

9

0/0003

0/0165

0/9143568

0/7373922

0/7609921

0/9814029

20

3

10

0/0002

0/0128

0/9429233

0/7279504

0/6231087

0/9909486

 

 

در آموزش شبکه عصبی می­توان از ترکیبات مختلف لایه­های پنهان و با تعداد نورون مختلف استفاده نمود، اما بررسی ضرایب تعیین (R2) به‌دست آمده میزان خطای شبکه در پیش­بینی را نشان می­دهد و توپولوژی (ساختار شبکه) بکار رفته با بیشترین مقدار ضریب تعیین، بهترین عملکرد شبکه عصبی در پیش‌بینی و مدل­سازی را نشان می­دهد. با توجه به نتایج شبکه­های آموزش داده­ شده (جدول1) شبکه 12 با دو لایه پنهان و 11 نرون در هر لایه با توجه به بیشترین مقدار ضریب تعیین، بهترین عملکرد بهینه سازی توپولوژی را نشان می­دهد. تعداد ورودی‌ها برابر با 112 نمونه با 11 متغیر و تعداد خروجی­ها شامل 4 طبقه یا کلاس تراکم قارچ می‌باشد. 28 نمونه برای اعتبارسنجی (Mean Squared Error) نتایج شبکه عصبی طراحی شده استفاده شد. جدول2 ماتریس آشفتگی حاصل از اعتبارسنجی شبکه در کلاسه­بندی را نشان می دهد.


 

جدول2- ماتریس آشفتگی اعتبارسنجی شبکه عصبی بهینه

پیش‌بینی شده / حقیقی

کلاس1

کلاس2

کلاس3

کلاس4

کلاس1

12

0

0

0

کلاس2

0

5

1

0

کلاس3

0

0

2

0

کلاس4

0

0

0

8

 

 

با توجه به ضریب تعیین شبکه مطلوب (شبکه شماره 12) دقت شبکه عصبی در پیش­بینی فراوانی قارچ از سطح مطلوبی برخوردار است. شکل­های زیر نشان می­دهند که دقت شبکه عصبی در پیش­بینی فراوانی قارچ در کلاسه‌های فراوانی کم و فراوانی خیلی زیاد بیشتر از کلاسه­های حد واسط یعنی فراوانی متوسط و زیاد است. علت این امر را می­توان در نزدیکی کلاسه­های اول و چهارم به حدود آستانه­ای و تأثیرپذیری شدید آنها از عوامل مؤثر بر حضور قارچ دانست که امری متداول در پیش‌بینی کلاسه‌بندیها با استفاده از شبکه عصبی مصنوعی است (شکل‌های2، 3، 4 و 5).

 

 

 

شکل2پیش­بینی حضور قارچ در کلاسه اول

 

 

شکل3– پیش­بینی حضور قارچ در کلاسه دوم

 

 

شکل4پیش­بینی حضور قارچ در کلاسه سوم

 

 

شکل5پیش­بینی حضور قارچ در کلاسه چهارم

 

 

نتایج مربوط به آنالیز حساسیت مؤلفه­های بکارگرفته شده برای مدل­سازی در شکل6 نشان داده شده است. شکل زیر ضریب تأثیرگذاری هر یک از مؤلفه­های کاربردی در پیش‌بینی هریک از کلاسه­های قارچ براساس فراوانی قارچ­ها را نشان می­دهد.

 

 

شکل6– ضریب تأثیرگذاری فاکتورهای مختلف بر فروانی قارچ­های ماکروسکوپی چوب­زی

 

 

شکل فوق نشان می­دهد که درجه پوسیدگی خشکه­دار، سلامت درخت، وضعیت درخت و ریزاقلیمی توده به‌ترتیب بیشترین تأثیر را در فراوانی قارچ ماکروسکوپی چوب­زی از خود نشان داده­اند.

 

بحث

به­طورکلی شیوع و توسعه بیماری­ها و دیگر صدمات حیاتی در جنگل نتیجه دو عامل مهم است، یکی به­علت آشفتگی­های موجود در فرایند توالی جنگل یا­ کاهش شادابی درختان و دیگری در شرایط مصنوعی است که توسط انسان ایجاد شده است. این شرایط بیشتر در نتیجه بهم­خوردن تعادل اکوسیستم یک جنگل یا حتی یک منطقه بوجود می­آید. با برنامه‌ریزی‌های صحیح، انتخاب درختان مناسب با شرایط رویشگاه، شناسایی عوامل حیاتی در جنگل و اجرای روش­های جنگل­شناسی همگام با طبیعت بخوبی می­توان از بروز بیماری­ها و آفات در جنگل­ها جلوگیری کرد (Aghajani, 2012). نتایج این تحقیق نشان داد که شبکه عصبی مصنوعی طراحی شده قابلیت خوبی در مدل کردن فراوانی قارچ روی درختان مورد مطالعه را دارد. همچنین مدل شبکه عصبی پرسپترون با دو لایه مخفی و 11 نرون و تابع انتقال تانژانت هیپربولیک توانست با کاربرد حجم کمی از داده­ها دانش الگوریتم بین مشخصات رویشگاهی و کیفی درختان و فراوانی قارچ را با دقت بالایی بیابد. همچنین آنالیز حساسیت انجام شده و شناسایی تأثیرگذارترین فاکتورها بر روی حضور قارچ­ها روی درختان امکان انجام فعالیت­های جنگل­شناسی مناسب (عدم بیش از حد باز کردن تاج­پوشش در نشانه­گذاری و باقی گذاشتن خشکه­دار) را  در جهت مدیریت توده جنگلی و اکوسیستم جنگل فراهم می‌کند. در ارتباط با درجه پوسیدگی خشکه­دارها براساس فراوانی قارچ­های ماکروسکوپی چوب­زی که بیشترین حضور و فراوانی قارچ­های چوب­زی برای خشکه­دار سرپا درجه 3 و برای خشکه­دار افتاده درجه 2 بوده است، این نشان می­دهد که خشکه­دار افتاده نسبت به سرپا شرایط مناسب حضور قارچ را زودتر مهیا می­کند(Aghajani, 2012) ، همچنین با افزایش درجه پوسیدگی در خشکه­دارهای افتاده میزان استقرار نهال­ها افزایش می­یابد(Sefidi et al., 2007)  که این امر می­تواند به پویایی اکوسیستم جنگل کمک کند. در ارتباط با سلامت درخت که درختان وضعیت سلامت متفاوت (سالم، سرشکسته، سرخشکیده و خشکه­دار سرپا و افتاده) در طول دوره رویشی خود دارند، وجود قارچ­های ماکروسکوپی چوب­زی در روی تنه­ی درختان جنگلی از علائم پوسیدگی درونی آن است. در واقع سلامت درخت تعیین­کننده برای حضور قارچ­ها می­باشد. زمان پوسیدگی درونی درختان و ظهور قارچ­های ماکروسکوپی چوب­زی به سلامت درخت(Aghajani, 2012) ، نوع گونه درختی و شرایط رویشگاهی بسیار متغیر بستگی دارد و این زمان می­تواند بین چند سال تا چندین قرن به طول بینجامد (Marvie Mohadjer, 2011).

وضعیت عمومی درخت (سرپا، افتاده) می­تواند در ظهور و فراوانی قارچ ماکروسکوپی چوب­زی و تنوع آنها مؤثر باشند، که فاکتورهای مختلفی می­توانند تأثیرگذار باشند که عمده این عوامل: ضعف فیزیولوژیکی گونه درختی، حمله آفات، صدمات حیاتی شامل باد، صاعقه و آتش­سوزی و .. می‌باشند. همچنین با قرارگرفتن بر روی درختان افتاده باعث تجزیه اندام­­های چوبی جنگل شده و می­تواند کمک مؤثری به چرخه اکوسیستم جنگل، سلامت و پویایی آن بکند و با قرار گرفتن بروی درختان سرپا از لحاظ اکولوژیکی برای اکوسیستم­جنگل حائز اهمیت هستند. در ارتباط با ریزاقلیمی توده (تاج پوشش بسته، تاج پوشش تنک)، بدیهی است با افزایش روشنه، نور بیشتری به کف جنگل وارد می­شود و رطوبت موجود در آن نیز بسرعت تحت تأثیر پدیده تبخیر قرار می­گیرد، اما وقتی تاج پوشش جنگل بسته است با سایه انداختن شرایط مناسب رشد و استقرار قارچ­های ماکروسکوپی روی درختان فراهم می‌شود. با توجه به اینکه لازمه اولیه حضور قارچ به رطوبت و درجه حرارت بستگی دارد، رطوبت حاصل در زیر تاج پوشش بسته بیشتر از تاج پوشش تنک است و در نتیجه فراوانی قارچ افزایش می­یابد. جنگل خیرود از جنگل­های مدیریت شده واقع در نوشهر بوده که بواسطه نزدیکی به دریا رطوبت بالایی دارد، که این شرایط رطوبتی به همراه سایر عوامل رویشگاهی و جغرافیایی متنوع، بستر مناسبی را برای رشد قارچ­ها فراهم می­کنند و ممکن است به دلیل رطوبت هوا باشد (در واقع فرآیند پوسیدگی قارچ­ها بستگی به رطوبت و درجه حرارت دارد)(Lindhe et al.,2004). البته برای روابط اکولوژیکی بسیاری از قارچ­ها و ظهورشان در یک اکوسیستم، نیازمند به شرایط اقلیمی، بارش خاص و آب قابل دسترس است تا قارچ­ها بتوانند خود را نشان بدهند و در ترکیب جوامع خود قرار بگیرند (Newbound et al., 2010). نتایج بدست‌آمده توسط Kasprzyk et al., (2011)  نیز نشان داد که فاکتور رطوبت یکی از مهمترین متغیر­های مؤثر در ظهور قارچ ماکروسکوپی است. این بررسی نشان داد که لازم است مطالعات وسیع­تر و دقیق­تری در آینده در رابطه با ویژگی­های زیستی و اکولوژیک قارچ­های ماکروسکوپی درختان جنگلی صورت بگیرد (Aghajani et al., 2013). بنابراین به­منظور درک روابط بین چرخه زندگی قارچ­ها و مشخصه­های زیست‌محیطی تحقیقات درازمدت میان­رشته­ای و بین­المللی مورد نیاز است ( .(Kasprzyk et al., 2011

 

منابع مورد استفاده

References

- Aghajani, H., 2012. Study on the oak (Quercus castaneifolia) and Hornbeam (Carpinus betulus) decaying macro fungi in mixed Oak-Hornbeam forest community in kheyroud Forest,North of Iran. M.Sc. thesis, Department of Forestry and forest economics. Faculty of Natural resources. University of Tehran. 95p.

- Aghajani, H., Asef, M.R., Marvie Mohadjer, M.R., Shirvany, A., 2012. Identifiacation of macrofungi of oak and hornbeam community in kheyroud forest, North of Iran, Proceedings of the 20th Iranian Plant Protection congress, Shiraz, 372p.

- Aghajani, H., Marvie Mohadjer, M.R., Asef, M.R., Shirvany, A., 2013. The relationship between  abundance of wood macrofungi on chestnut-leave Oak (Quercus castaneifolia C.A.M.) and hornbeam (Carpinus betulus L.) and physiographic factors (Case study: Kheyroud forest, Noshahr). Journal of Natural Environment, Iranian Journal of Natural Resources. 66, 1: 1-12.

- Alijanpour Shalmani, A., Shabanpour, M., Asadi, H., and Bagheri, F., 2011.  Estimation of soil aggregate stability in soil of forest in Guilan province by artificial neural networks and regression transfer functions. Journal of Soil and Water. 21, 3: 153-162.

- Asef, M.R., 2009. Poisonous mushrooms of Iran . Iran-shenasi Publisher.214p.

- Claridge, A.W., Trappe, J. M., Hansen, K., 2009. Do fungi have a role as soil stabilizers and remediators after forest fire?. Forest Ecology and Management, 257: 1063 -1069.

- Dighton, J., White, J.F., Oudemans, P., 2005. The Fungal community: its organization and role in the ecosystem, CRC Press, Boca Raton, FL.

- Eriksson J., Ryvarden L., 1975. The Corticiaceae of North Europe. Vol. 1-6. Fungiflora, Oslo, Norway

- Fukasawa, Y., 2012. Effects of wood decomposer fungi on tree seedling establishment on coarse woody debris. Forest Ecology and Management, 266 : 232–238.

- Gilbertson R.L., Ryvarden L., 1986. North American polypores. Oslo: Fungiflora. 885 p.

Jazirehi, M.H., 2010. Forest protection. University of  Tehran press. 2nd Edition. 231p.

- Kasprzyk, I., Grinn-Gofron, A., Strzelczak, A., Wolski, T., 2011. Hourly predictive artificial neural network and multivariate regression trees models of Ganoderma spore concentrations in Rzeszów and Szczecin (Poland). Science of the Total Environment, 409 :949 –956.

- Lindhe, A.  Asenblad, N. Toresson, H.,2004. Cut logs and high stumps of spruce, birch, aspen and oak – nine years of saproxylic fungi succession. Biological Conservation, 119: 443–454.

- Mack, K. M. L., Rudgers, J. A., 2008. Balancing multiple mutualists: asymmetric interactions among plants, arbuscular mycorrhizal fungi, and fungal endophytes, Oikos 117: 310-320.

- Management plan of district Patom. 1995. Forestry and forest economics Department. Faculty of Natural resources. University of Tehran. 125p.

- Management plan of district Namkhaneh. 1995. Forestry and forest economics Department. Faculty of Natural resources. University of Tehran. 207p.

- Management plan of district Gorazbon. 2011. Forestry and forest economics Department. Faculty of Natural resources. University of Tehran. 598p.

- Marvie Mohadjer, M.R., 2011. Silviculture. University of Tehran press. 3nd Edition. 418p.

- Montazer, A., Azadegan, B., Shahraki, M., 2009. Evaluation of artificial neural network models to calculate the performance and utilization of crop water based on the climate factors and water - supply of nitrogen. Iranian Water Research Journal. 3, 5:17-29.

- Molina, R., Horton, T., Trappe, G., Marcot, B., 2011. Addressing uncertainty: How to conserve and manage rare or little-known fungi. Fungal Ecology, 4:134-146.

- Morgan, A., Boddy, L., Mordue, J. E. M., Morris. C. W., 1998. Evaluation of artificial neural networks for fungal identification, employing morphometric data from spores of Pestalotiopsis species. Mycological Research. 102(8) : 975-984

- Newbound, M., Mccarthy, M., Lebel, T., 2010. Fungi and the urban environment: A review. Landscape and Urban Planning 96 :138–145.

- Ryvarden, L., 1991. Genera of Polypores. Nomenclature and Taxonomy. Synopsis Fungorum 5, Fungoflora, Oslo, Norway.

- Ryvarden, L., Gilbertson R.L., 1993. European polypores. Oslo: Fungiflora, 387 p.

- Sefidi, K., Marvie mohadjer, M.R., Zobeiri, M., Etemad, V., 2007. Investigation on dead trees effects on natural regeneration of oriental beech and hornbeam in a mixed beech forest. Iranian Journal of Forest and Poplar Research .15. 4: 365-373.

- Shafabakhsh, G.H., Fathi, F., Zayarzaeh, A., 2010. Improvement of road eventful points prioritization by artificial neural network. Journal of Modeling in Engineering. 8. 20:71-81.

- Steiner, M., Linkov, I., Yoshida, S., 2002. The role of fungi in the transfer and cycling of radionuclides in forest ecosystems. Journal of Environmental Radioactivity, 58:217-241.


 


Investigation of affectivehabitat factors affecting on abundance of wood macrofungi and sensitivity analysis using the artificial neural network (case study: Kheyrud forest, Noshahr)

 

H. Aghajani 1*, M.R. Marvie Mohadjer2, A. Jahani3, M.R. Asef4, A. Shirvany5and M. Azaryan6

1*- Corresponding Author, PhD Student of Silviculture and Forest Ecology, Faculty of Natural Resources, Sari Agricultural and Natural Resources University, Sari, I.R. Iran. Email: Hamed_Aghajani_85@yahoo.com

2- Professor, Department of Forestry and Forest Economics, Faculty of Natural Resources, University of Tehran, Karaj, I.R. Iran.

3- Assistant Professor of Department of Environment and Natural Resources sciences, University of Environment, Karaj, I.R. Iran.

4- Assistant Professor, Division of plants, Iranian Research Institute of Plant Protection, Tehran, I.R. Iran.

5- Assistant Professor, Department of Forestry and Forest Economics, Faculty of Natural Resources, University of Tehran, Karaj, I.R. Iran.

6- MSc, Department of Silviculture and Forest Ecology, Faculty of Natural Resources, University of Tehran, Karaj, I.R. Iran.

Received: 16.03.2013                                                        Accepted: 04.08.2013

 

Abstract

One advantage of artificial neural networks is application in the management and planning of natural ecosystems. Considering the high biological diversity of northern forests of Iran, it is necessary to know forests ecosystems. Thus, using artificial neural networks is important for modeling and forecasting of presence and abundance of wood macrofungi in forests. Fungi samples were collected in summer and fall seasons on oak and hornbeam trees from compartments 110, 207 and 311 in educational and research forest of the University of Tehran. Totally 231 samples of macrofungi were collected that 112 samples of them belong to wood decay fungi. Results showed that the designed artificial neural network, has suitable potential for modeling of abundance of wood fungi. Network with two hidden layers and 11 neurons in each layer with the highest coefficient of determination, show the best performance of topology optimization. The number of inputs and outputs equal to 112 samples with 11 variables including density class 4 or class of fungi. Sensitivity analysis showed the decay stage of tree, tree health status and its condition and stand microclimate have the most effect on presence and abundance of wood macrofungi.

 

Keywords: Silviculture, tree health and condition, oak, hornbeam, decay stage, stand microclimate.

- Aghajani, H., 2012. Study on the oak (Quercus castaneifolia) and Hornbeam (Carpinus betulus) decaying macro fungi in mixed Oak-Hornbeam forest community in kheyroud Forest,North of Iran. M.Sc. thesis, Department of Forestry and forest economics. Faculty of Natural resources. University of Tehran. 95p.
- Aghajani, H., Asef, M.R., Marvie Mohadjer, M.R., Shirvany, A., 2012. Identifiacation of macrofungi of oak and hornbeam community in kheyroud forest, North of Iran, Proceedings of the 20th Iranian Plant Protection congress, Shiraz, 372p.
- Aghajani, H., Marvie Mohadjer, M.R., Asef, M.R., Shirvany, A., 2013. The relationship between  abundance of wood macrofungi on chestnut-leave Oak (Quercus castaneifolia C.A.M.) and hornbeam (Carpinus betulus L.) and physiographic factors (Case study: Kheyroud forest, Noshahr). Journal of Natural Environment, Iranian Journal of Natural Resources. 66, 1: 1-12.
- Alijanpour Shalmani, A., Shabanpour, M., Asadi, H., and Bagheri, F., 2011.  Estimation of soil aggregate stability in soil of forest in Guilan province by artificial neural networks and regression transfer functions. Journal of Soil and Water. 21, 3: 153-162.
- Asef, M.R., 2009. Poisonous mushrooms of Iran . Iran-shenasi Publisher.214p.
- Claridge, A.W., Trappe, J. M., Hansen, K., 2009. Do fungi have a role as soil stabilizers and remediators after forest fire?. Forest Ecology and Management, 257: 1063 -1069.
- Dighton, J., White, J.F., Oudemans, P., 2005. The Fungal community: its organization and role in the ecosystem, CRC Press, Boca Raton, FL.
- Eriksson J., Ryvarden L., 1975. The Corticiaceae of North Europe. Vol. 1-6. Fungiflora, Oslo, Norway
- Fukasawa, Y., 2012. Effects of wood decomposer fungi on tree seedling establishment on coarse woody debris. Forest Ecology and Management, 266 : 232–238.
- Gilbertson R.L., Ryvarden L., 1986. North American polypores. Oslo: Fungiflora. 885 p.
Jazirehi, M.H., 2010. Forest protection. University of  Tehran press. 2nd Edition. 231p.
- Kasprzyk, I., Grinn-Gofron, A., Strzelczak, A., Wolski, T., 2011. Hourly predictive artificial neural network and multivariate regression trees models of Ganoderma spore concentrations in Rzeszów and Szczecin (Poland). Science of the Total Environment, 409 :949 –956.
- Lindhe, A.  Asenblad, N. Toresson, H.,2004. Cut logs and high stumps of spruce, birch, aspen and oak – nine years of saproxylic fungi succession. Biological Conservation, 119: 443–454.
- Mack, K. M. L., Rudgers, J. A., 2008. Balancing multiple mutualists: asymmetric interactions among plants, arbuscular mycorrhizal fungi, and fungal endophytes, Oikos 117: 310-320.
- Management plan of district Patom. 1995. Forestry and forest economics Department. Faculty of Natural resources. University of Tehran. 125p.
- Management plan of district Namkhaneh. 1995. Forestry and forest economics Department. Faculty of Natural resources. University of Tehran. 207p.
- Management plan of district Gorazbon. 2011. Forestry and forest economics Department. Faculty of Natural resources. University of Tehran. 598p.
- Marvie Mohadjer, M.R., 2011. Silviculture. University of Tehran press. 3nd Edition. 418p.
- Montazer, A., Azadegan, B., Shahraki, M., 2009. Evaluation of artificial neural network models to calculate the performance and utilization of crop water based on the climate factors and water - supply of nitrogen. Iranian Water Research Journal. 3, 5:17-29.
- Molina, R., Horton, T., Trappe, G., Marcot, B., 2011. Addressing uncertainty: How to conserve and manage rare or little-known fungi. Fungal Ecology, 4:134-146.
- Morgan, A., Boddy, L., Mordue, J. E. M., Morris. C. W., 1998. Evaluation of artificial neural networks for fungal identification, employing morphometric data from spores of Pestalotiopsis species. Mycological Research. 102(8) : 975-984
- Newbound, M., Mccarthy, M., Lebel, T., 2010. Fungi and the urban environment: A review. Landscape and Urban Planning 96 :138–145.
- Ryvarden, L., 1991. Genera of Polypores. Nomenclature and Taxonomy. Synopsis Fungorum 5, Fungoflora, Oslo, Norway.
- Ryvarden, L., Gilbertson R.L., 1993. European polypores. Oslo: Fungiflora, 387 p.
- Sefidi, K., Marvie mohadjer, M.R., Zobeiri, M., Etemad, V., 2007. Investigation on dead trees effects on natural regeneration of oriental beech and hornbeam in a mixed beech forest. Iranian Journal of Forest and Poplar Research .15. 4: 365-373.
- Shafabakhsh, G.H., Fathi, F., Zayarzaeh, A., 2010. Improvement of road eventful points prioritization by artificial neural network. Journal of Modeling in Engineering. 8. 20:71-81.
- Steiner, M., Linkov, I., Yoshida, S., 2002. The role of fungi in the transfer and cycling of radionuclides in forest ecosystems. Journal of Environmental Radioactivity, 58:217-241.