Modeling distribution of forest types of Armardeh forests at Baneh, using logistic regression method

Document Type : Research article

Authors

1 MSc. Graduate, Department of Forestry, Faculty of Natural Resources, University of Kurdistan, I.R. Iran

2 Assistant Professor, Department of Forestry, Faculty of Natural Resources, Research and Development Center of ‎Northern Zagros, University of Kurdistan, Sanandaj, I.R. Iran

Abstract

This research was carried out to predict potential distribution of Armardeh forests types (16482.44 hectares). Determination and classification of forest types was made, based on data of 448 circular sample plots (0.1 hectare area). Eight forest types were identified, in which four types, including “Quercus infectoria- Quercus brantii”, “Quercus brantii-other species, mixed with Quercus infectoria”, “Quercus brantii, Quercus libani mixed with other species” and“Quercus brantii” were modeled using physiographical factors. Modeling was performed by both logistic regression and stepwise methods (likelihood ratio), using 70% of the samples for modeling and 30% of them for model validation. Results showed that the achieved models for the forest types with limited distribution range, had more accuracy than the other types. According to ROC curve test, the greatest precision was allocated to models related to “Q .brantii”, “Q. brantii, Q. libanii mixed with other species, “Q. brantii -other species, mixed with Q. infectorai” and “Q. infectoria- Q. brantii” forest types, respectively. Furthermore, due to presence of aspect in most of the models, it was distinguished as an important physiographical parameter in local forest type's distribution. Overall, according to positive and negative correlation between presence of each forest type with variables which take part in the logistic model process, its accordance with results obtained from forest type map adaptation with other studied parameters, and further similar research results, it might be concluded that logistic regression is an appropriate method to study effects of different factors on spatial distribution of various forest types. Forest types predicted probability maps, could be used as a management tools for development and rehabilitation of forest ecosystems.

Keywords


فصلنامة علمی - پژوهشی تحقیقات جنگل و صنوبر ایران

جلد 21  شمارة 4، صفحة 642-629، (1392)

 

مدلسازی پراکنش تیپ‌های جنگلی با استفاده از رگرسیون لجستیک در جنگل‌های آرمرده بانه

 

هوار مدرس‌‌گرجی1*، مهتاب پیرباوقار2 و لقمان قهرمانی3

1*- نویسنده مسئول، دانشجوی کارشناسی ارشد، گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه کردستان، سنندج. پست‌الکترونیک: hgorji@ymail.com

2- استادیار، گروه جنگلداری، دانشکده منابع طبیعی و مرکز پژوهش و توسعه جنگلداری زاگرس شمالی، دانشگاه کردستان، سنندج

3- استادیار، گروه جنگلداری، دانشکده منابع طبیعی و مرکز پژوهش و توسعه جنگلداری زاگرس شمالی، دانشگاه کردستان، سنندج

تاریخ دریافت: 8/11/91                                                                                                تاریخ پذیرش: 10/5/92

 

چکیده

این تحقیق با هدف پیش‌بینی پراکنش بالقوه تیپ‌های جنگلی حوزه آرمردهْ بانه به مساحت 44/16842 هکتار انجام شد. تعیین و طبقه‌بندی تیپ‌های جنگلی منطقه بر مبنای داده‌های 448 قطعه نمونه 1/0 هکتاری دایره‌ای شکل انجام شد. هشت تیپ جنگلی شناسایی شد که از میان آنها چهار تیپ “مازودار- برودار”، “برودار- سایر گونه‌ها همراه مازودار”، “برودار، وی‌ول همراه سایر گونه‌ها” و “برودار خالص” با استفاده از عوامل فیزیوگرافی مدلسازی شدند. مدلسازی به‌وسیله رگرسیون لجستیک و روش گام به گام (نسبت احتمال) با انتخاب 70 درصد از نمونه‌ها برای مدلسازی و30 درصد از آنها برای اعتبارسنجی، انجام گردید. نتایج نشان داد که مدل بدست‌آمده برای تیپ‌هایی که دارای دامنه پراکنش محدود در منطقه مورد بررسی هستند، دقیق‌تر است. بر اساس آزمون منحنیRoc بیشترین دقت به‌ترتیب به مدل‌ تیپ‌های “برودار خالص”، “برودار، وی‌ول همراه سایر گونه‌ها”، “برودار- سایر گونه‌ها همراه مازودار” و “مازودار- برودار” اختصاص یافت. همچنین جهت دامنه با توجه به حضورش در بیشتر مدل‌ها، مهمترین عامل مؤثر در پراکنش تیپ‌های منطقه شناخته شد. بر اساس چگونگی رابطه فزاینده یا کاهنده حضور هر تیپ با متغیرهایی که وارد مدل لجستیک شده‌اند و مقدار همخوانی آن با نتایج بدست آمده از همپوشانی نقشه تیپ‌بندی با عوامل مورد بررسی و نیز تحقیقات مشابه قبلی، می‌توان گفت که رگرسیون لجستیک روش مناسبی برای بررسی تأثیر عوامل مختلف بر پراکنش مکانی تیپ‌های مختلف است. نقشه‌های احتمال پیش‌بینی شده تیپ‌های مختلف می‌تواند برای اهداف مدیریتی در توسعه و احیاء اکوسیستم‌های جنگلی کاربرد داشته باشد.

 

واژه‌های کلیدی: عامل‌های فیزیوگرافی، منحنی راک، پراکنش بالقوه، سیستم اطلاعات جغرافیایی، جنگل‌های زاگرس

 


مقدمه

فیزیوگرافی سطح تابش خورشیدی، مقدار بارندگی، رطوبت خاک و همچنین عامل‌های آشفتگی مانند وزش باد را کنترل می‌کند (1995، Franklin). در سیستم اطلاعات جغرافیایی فیزیوگرافی را می‌توان از مدل رقومی ارتفاع تهیه کرد. مدل رقومی ارتفاع مجموعه‌ای از اندازه‌گیری‌های ارتفاعی مکان‌های توزیع شده بر روی سطح زمین است ((Bernhardsen, 1991. عامل‌های مورفومتریک متنوعی از مدل رقومی ارتفاع استخراج می‌شوند که به شکل گسترده‌ای، به‌عنوان متغیرهای معنی‌دار در بسیاری از پژوهش‌های مربوط به پیش‌بینی پراکنش گونه‌ها در نواحی کوهستانی استفاده می‌شوند (et al., 2010 (Matsuura. استفاده از مدل‌های آماری چند متغیره به‌منظور پیش‌بینی پراکنش گونه‌ها در سال‌های اخیر افزایش یافته و در مقیاس‌های وسیع مدل‌سازی پراکنش گونه‌ها، به منزله ابزاری ضروری برای مدیریت اکوسیستم‌ها و حفاظت محیط زیست تلقی شده است (et al., 2006 Edenius). رگرسیون لجستیک چند‌گانه (Multivariate Technique) به‌عنوان روشی پیش‌بینی کننده در ایجاد مدل‌های احتمالی در زمینه‌های متعدد از قبیل اپیدمیولوژی (et al., 1999 (Thomson، زمین‌شناسی (Agterberg, 1992)، جنگل‌شناسی (1996 Wilson et al.,) و حفاظت از حیات وحش (1999 Mladenoff et al.,) کاربرد دارد. تاکنون در زمینه مدلسازی پراکنش گونه‌های گیاهی مطالعات زیادی انجام شده است. Hidalgo et al., (2008) با استفاده از رگرسیون لجستیک، متغیرهای فیزیوگرافی، بارندگی، درجه حرارت و داده‌های مربوط به سنگ‌شناسی را در تهیه مدل پراکنش مکانی بلوط چوب پنبه‌ای (Quercus suber) در جنوب غربی اسپانیا را مورد بررسی قرار دادند. نتایج نشان داد که دامنه‌های شمالی با اندازه بارندگی فراوان سالانه و عامل سنگ‌شناسی، مهمترین متغیرها در پراکنش این گونه هستند. Narayanaraj et al., (2010) به بررسی چگونگی رابطه بین پراکنش گونهTsuga canadensis  با متغیرهای شیب، جهت دامنه، ارتفاع و فاصله از ابراهه در ناحیه کُوتاباسین واقع در جنوب کوه‌های آپالاش با استفاده از رگرسیون لجستیک پرداختند و نتیجه‌گرفتند که این گونه به‌طور عمده در نواحی با توپوگرافی گود، شیب کم و نواحی نزدیک آبراهه حضور دارد. (Ghanbari et al., (2011 با هدف پیش‌بینی احتمال حضور تیپ‌های جنگلی با استفاده از عوامل فیزیوگرافی، پراکنش چهار تیپ انجیلی- افرا همراه با ممرز، راش- ممرز، ممرز- انجیلی و بلوط- ممرز را در جنگل آموزشی شصت‌کلاته گرگان به مساحت 1714 هکتار، با روش مدلسازی رگرسیون لجستیک مورد بررسی قرار دادند. بر اساس نتایج، درصد صحت کلی برای دو تیپ بلوط- ممرز و راش- ممرز، عالی و برای دو تیپ دیگر خوب ارزیابی شد. همچنینZarea Garizi et al., (2012)  با استفاده از روش رگرسیون لجستیک، روند تغییرات پوشش گیاهی را در حوضه آبخیز چهل چای استان گلستان با عامل‌های فاصله تا حاشیه جنگل، فاصله تا جاده، فاصله تا روستا، فاصله تا آبراهه و شیب زمین مورد بررسی قرار دادند. ارزیابی مدل نشان داد که مدل از نظر توصیف تغییرات و تعیین مناطق مستعد تغییر پوشش گیاهی از قابلیت مناسبی برخوردار می‌باشد. پوشش جنگلی زاگرس شمالی با ترکیبی از سه گونه بلوط ایرانی ((Q.brantii، مازودار ((Q.infectoriaو وی‌ول (Q.libani ) حدود 449000 هکتار از جنگل‌های ایران را دربر می‌گیرند ( et al., 2000‌Fattahi). در زاگرس شمالی با توجه به سابقه طولانی برداشت‌های سنتی و عرفی از جنگل، ساختار توده‌های جنگلی تغییر یافته است. به دلیل شرایط خاص اجتماعی و اقتصادی منطقه آسیب‌های شدیدی به ‌این جنگل‌ها وارد شده است. تجدید حیات دانه­زاد این جنگل‌ها به دلیل شرایط ایجاد شده بسیار مشکل است (Namiranian et al., 2007 و Pourhashemi et al. 2011, 2012). نظر به‌اینکه جنگل‌های غرب از ‌نظر مساحت، جوامع گیاهی خاص، حفاظت خاک و واقع شدن سدهای بزرگ کشور حائز اهمیت فراوان می‌باشند؛ باید با اعمال مدیریت صحیح و تدوین و اجرای برنامه‌های احیاء، توسعه و بهره‌برداری اقدامات مثبتی برای حفظ پایداری اکوسیستم جنگلی این مناطق برداشت. به‌منظور توسعه و احیاء عرصه‌های جنگلی این منطقه اطلاع از شرایط رویشگاهی گونه‌های تشکیل‌دهنده این جنگل‌ها لازم به نظر می‌رسد. هدف این تحقیق بررسی امکان ارائه مدل پراکنش مناسب تیپ‌های جنگلی حوزه آرمرده بانه بر اساس عوامل فیزیوگرافی به‌وسیله رگرسیون لجستیک است.

 

مواد و روش‌ها

منطقه مورد تحقیق

منطقه مورد بررسی با مساحت 44/16842 هکتار در جنگل‌های بخش آرمرده شهرستان بانه واقع در غرب استان کردستان ("47 '42 °45 تا "3 '54 °45 طول شرقی و "54 '48 °35 تا "46 '57 °35 عرض شمالی) قرار دارد (شکل1). متوسط مقدار بارندگی با توجه به آمار ثبت شده از ایستگاه هواشناسی بانه 667 میلی‌متر است. حداکثر متوسط درجه حرارت سالیانه 87/18 درجه سانتی‌گراد و حداقل متوسط آن برابر 71/8 درجه سانتی‌گراد است

 

 

 

شکل1- موقعیت منطقه مورد بررسی در استان کردستان و تصویر ماهواره‌ای منطقه

 


روش تحقیق

در این تحقیق برای تهیه نقشه تیپ‌بندی از اطلاعات برداشت شده تعداد 448 قطعه نمونه دایره‌ای شکل 1/0 هکتاری طرح جنگلداری چند منظوره با تأکید بر ساماندهی و مدیریت گلازنی در حوزه آرمرده (Anonymous, 2006) استفاده شد. در این طرح، منطقه مورد تحقیق به پنج بخش تقسیم و برای هر بخش شبکه آماربرداری به شکل منظم تصادفی طراحی شد (جدول 1). در هر یک از قطعه نمونه‌ها، تمامی درختانی که دارای قطر برابر سینه بالاتر از 5 سانتی‌متر بودند؛ به تفکیک گونه اندازه‌گیری شدند.

 

 

جدول1- ابعاد شبکه آماربرداری، تعداد قطعه نمونه و مساحت هر بخش

نام بخش

ابعاد شبکه آماربرداری

مساحت هر بخش (هکتار)

تعداد قطعه نمونه

میرحسام

600×600

6/4575

106

آرمرده

670×670

23/4618

84

بلکه

500×500

09/2536

83

کنده سوره

520×520

72/2309

77

وشترمل

520×520

8/2802

98

 

 

تعیین و طبقه‌بندی تیپ‌های جنگلی منطقه بر مبنای درصد آمیختگی درختان در قطعه نمونه‌ها بر اساس جدول2 انجام شد. در جنگل‌گردشی و بازدید از منطقه مورد تحقیق، تغییر تیپ جنگلی با تغییر جهت جغرافیایی به وضوح نمایان شد. بنابراین تیپ‌بندی منطقه با توجه به دامنه‌های مختلف موجود در هر قطعه انجام گردید. بدین شکل که در هر قطعه، اطلاعات موجود در قطعه نمونه‌هایی که در هر یک از دامنه‌های آن قطعه واقع شده بود یکپارچه شد و تیپ‌بندی بر اساس روش ذکر شده در دامنه‌های مختلف انجام شد. مبنای قطعه‌بندی در طرح بر اساس دستورالعمل سازمان جنگل‌ها، مراتع و آبخیزداری کشور بوده است و حداکثر شباهت رویشگاهی و توده‌های جنگلی مورد توجه قرار گرفته است. (Anonymous, 2006).

 

 

جدول2- روش نام‌گذاری تیپ‌های جنگلی براساس درصد آمیختگی ( (Gorji Bahri, 2000

نوعتیپ

نام تیپ

درصد آمیختگی درختان

وی‌ول

مازودار

برودار

اصلی

وی‌ول خالص

90 درصد<

--

--

وی‌ول- مازودار

90-50 درصد

50 درصد>

--

و‌ی‌ول، مازودار

50 درصد>

50 درصد>

--

فرعی

وی‌ول- مازودار همراه برودار

90-50 درصد

50 درصد>

10 درصد<

وی‌ول، مازودار همراه برودار

50 درصد>

50 درصد>

10 درصد<

 


تهیه نقشه عوامل فیزیوگرافی

مدل رقومی ارتفاع از خطوط توپوگرافی رقومی 1:50000  تهیه شد. از مدل رقومی ارتفاع، نقشه‌های ارتفاع، شیب و جهت دامنه تهیه شد. در این تحقیق نقشه جهت دامنه بر اساس اندازه رطوبت طبقه‌بندی شد. بدین صورت که کد1 به جهت شمال، کد2 به جهت شرق، کد3 به جهت غرب و کد 4 به جهت جنوب اختصاص یافت (Oliveira et al., 2002). هر کدام از این لایه‌های اطلاعاتی بر اساس هدف، دقت و مقیاس طبقه‌بندی شدند و با نقشه پراکنش تیپ‌های مورد بررسی همپوشانی داده شدند.

 

نمونه‌برداری

دو شبکه نمونه‌برداری با تعداد مساوی یکی برای مناطق حضور تیپ‌های موجود، به‌منظور ساخت مدل و دیگری برای مناطق عدم حضور تیپ‌های موجود برای اعتبارسنجی مدل تهیه شد (Felicísimo et al., 2003 و Xu et al., 2006). در این تحقیق مدل‌های بسیاری با تعداد نمونه‌های مختلف برای تیپ‌های موجود تهیه شد. در نهایت مشخص شد که تعداد 80 نمونه برای تیپ برودار خالص و تعداد 100 نمونه برای باقی تیپ‌ها بالاترین صحت را دارد. با توجه به اینکه به‌منظور کاهش اثر همبستگی مکانی بهتر است حداقل فاصله مابین نمونه‌ها 1000 متر در نظر گرفته شود (1999 Koenig, و Linkie et al., 2004)، اما در این تحقیق بدلیل محدودیت مکانی حداقل فاصله بین نمونه‌ها‌ برابر 100 متر در نظر گرفته شد (, 2004.(Linkie et al. در محل هر کدام از نمونه‌ها، عوامل فیزیوگرافی از لایه‌های اطلاعاتی پایه استخراج شدند (2010 et al.,Padalia و et al., 2012 Matsuura). بعد به‌منظور کاهش دامنه تغییرات و مقایسه آسانتر اثر عوامل مختلف استاندارد‌سازی داده‌ها انجام شد. برای این منظور، ارزش خام هر یک از نمونه‌های استخراج شده بر جذر میانگین ارزش‌های آن نقشه تقسیم                             شد(Etter et al., 2006) .

 

مدلسازی با روش رگرسیون لجستیک

رگرسیون لجستیک باینری (Binary logistic regression) شکلی از رگرسیون چند‌گانه است که در توصیف روابط متقابل مابین متغیر پاسخ باینری یک (حضور)، یا صفر (عدم حضور) و چندین متغیر مستقل بکار می‌رود. ضرایب رگرسیون لجستیک در برآورد نسبت احتمال هر یک از متغیرهای مستقل استفاده می‌شوند. مدل لجستیک به‌دست آمده دامنه‌ای از مقادیر صفر تا یک را ارائه می‌دهد و این دامنه از اعداد، احتمال وقوع رویداد را نشان می‌دهد (Hidalgo et al., 2008).

 

رابطه1

=

 

در رابطه1، P(i) احتمال حضور جامعه گیاهی وx(1)  ... x(n)نشان‌دهنده متغیرهای مستقل بکار رفتهاست. بررسی امکان ارائه مدل احتمال پراکنش تیپ‌های مختلف به‌وسیله رگرسیون لجستیک و روش گام به گام (نسبت احتمال) با انتخاب 70 درصد از نمونه‌ها برای مدلسازی و 30 درصد نمونه‌ها برای اعتبارسنجی هر مدل در نرم‌افزار Spss انجام گردید (et al., 2005 (Wilson. R2محاسبه شده در رگرسیون لجستیک، هر چند نشان‌دهنده مناسب بودن مدل است، اما اطلاعات صحیحی راجع به مقدار پراکندگی داده‌ها نمی‌دهد (Kim Ludeke et al., 1990). در رگرسیون لجستیک مقدار R2 با توجه به آماره Nagelkerke R square تعیین می‌شود، بدین صورت که اگر مقدار آن بین 2/0 تا 4/0 باشد بیانگر برازش خوب مدل است (et al., 2005 Wilson). ارزیابی اعتبار مدل رگرسیون لجستیک با آزمون هوسمر- لمشاو تعیین می‌شود. بدین شکل که اگر معنی‌داری آن از 05/0 بیشتر باشد مدل بدست‌آمده معتبر است و در غیر این صورت مدل معتبر نیست (Padalia et al., 2010). معیار دیگری که برای ارزیابی مدل استفاده می‌شود، سطح زیر منحنی ROC است. این سطح بیانگر این است که مدل چه مقدار می‌تواند متغیر وابسته را به خوبی پیش‌بینی کند؛ این مقدار مابین 5/0 تا 1 می‌باشد. رقم 5/0 نشان‌دهنده تصادفی بودن مدل، رقم بالای 7/0 بیانگر دقت خوب مدل و سطح بالای 9/0 نشان‌دهنده دقت بالای مدل است (Linkie et al., 2004). در جدول طبقه‌بندی نیز درصد صحت مقادیر پیش‌بینی شده برای هر کدام از حالت‌های حضور و عدم حضور تیپ مورد نظر، هم برای داده‌های ساخت مدل و هم برای داده‌های ارزیابی مدل محاسبه شدند (Xu et al., 2006). اگر آماره والد برای متغیری معنی‌‌‌دار باشد (سطح معنی‌داری کمتر از 05/0 باشد)، آن متغیر در مدل انتخاب می‌شود ((Etter et al., 2006.

 

نتایج

گونه‌های جنگلی اصلی تشکیل‌دهنده منطقه شامل وی‌ول، برودار و مازودار و گونه‌های همراه شامل زالزالک (Crataegus spp)، گلابی وحشی(Pyrus spp) ، کیکمcinerascens)Acer) و بنهPistacia atlantica)) بود. پنج تیپ اصلی شامل 1- وی‌ول- مازودار 2- برودار- مازودار 3- وی‌ول خالص 4- مازودار-برودار 5- برودار خالص و سه تیپ فرعی شامل 1- وی‌ول- برودار همراه مازودار 2- برودار- سایر گونه‌ها همراه مازودار 3- برودار، وی‌ول بهمراه سایر گونه‌ها شناسایی شدند (شکل2). در این تحقیق امکان ارائه مدل پراکنش بالقوه تیپ‌های مازودار- برودار، برودار خالص، برودار- سایر گونه‌ها همراه مازودار و برودار، وی‌ول همراه سایر گونه‌ها مورد بررسی قرار گرفت. از آنجا که در ترکیب دو تیپ اخیر سایر گونه‌ها است و سایر گونه‌ها شامل گونه‌های ارزشمند زالزالک، گلابی‌وحشی، بنه و کیکم است، این دو تیپ برای مدلسازی در اولویت قرار داشتند. در جدول3 مساحت هریک از تیپ‌های مورد بررسی نشان داده شده است. نتایج بدست‌آمده از همپوشانی نقشه پراکنش تیپ‌های مورد بررسی با عوامل فیزیوگرافی در شکل­های3، 4، 5 و 6 نشان داده شده است. در جدول‌های4 تا 6 نتایج تحلیل رگرسیون لجستیک برای مدلسازی تیپ‌های مورد بررسی ارائه شده است. همچنین مدل پیش‌بینی پراکنش بالقوه هر تیپ با توجه به ضرایب متغیرها در هر مدل بدست آمد (روابط 2تا4). در هریک از معادله‌های مدل‌ها ارتفاع از سطح دریا با علامت E، شیب با علامتS، جهت‌دامنه با علامت A و فاصله از آبراهه با علامت DR نشان داده شد.

 

 

 

شکل2- نقشه تیپ بندی منطقه مورد بررسی

 

جدول3- سطح پراکنش تیپ‌های مورد بررسی

نام تیپ

مساحت (هکتار)

مازودار- برودار

21/1429

برودار- سایر گونه‌ها همراه مازودار

20/628

برودار، وی‌ول همراه سایر گونه‌ها

06/554

برودار خالص

86/341

 

 

 

 

 

 

شکل3- درصد سطح پراکنش تیپ‌های موجود در طبقات مختلف ارتفاع از سطح دریا

 

 

شکل4- درصد سطح پراکنش تیپ‌های موجود در طبقات مختلف فاصله از آبراهه

 

شکل5- درصد سطح پراکنش تیپ‌های موجود در طبقات مختلف درصد شیب

شکل6- درصد سطح پراکنش تیپ‌های موجود در جهت‌های مختلف جغرافیایی

 


 

جدول4- نتایج تجزیه و تحلیل رگرسیونی مدل‌ها

تیپ

متغیر

ضریب

اشتباه معیار

آماره والد

سطح معنی‌داری

مازودار- برودار

ارتفاع از سطح دریا

246/0-

073/0

314/11

**001/0

فاصله از آبراهه

ضریب ثابت مدل

047/0-

016/9-

019/0

786/2

738/5

475/10

*017/0

**001/0

برودار- سایر گونه‌ها همراه مازودار

جهت دامنه

613/0

251/0

98/5

**002/0

درصد شیب

144/0

062/0

41/5

*027/0

فاصله از آبراهه

056/0-

019/0

94/8

**003/0

برودار، وی‌ول همراه سایر گونه‌ها

جهت دامنه

854/0

253/0

44/11

**001/0

ارتفاع از سطح دریا

389/0-

079/0

20/24

**000/0

ضریب ثابت مدل

571/15

3

57/26

**000/0

برودار خالص

جهت دامنه

525/1

431/0

61/12

**000/0

فاصله از آبراهه

118/0

028/0

42/18

**000/0

ارتفاع از سطح دریا

681/0-

9/22

147/0

35/21

**000/0

ضریب ثابت مدل

348/5

32/18

**000/0

معنی‌داری در سطح 5 درصد*، معنی‌داری در سطح 1 درصد**

 

جدول5- نتایج معیارهای ارزیابی کننده دقت مدل‌ها

آزمون

تیپ

مازودار-برودار

برودار- سایر گونه‌ها همراه مازودار

برودار، وی‌ول همراه سایر گونه‌ها

برودار خالص

Chi-Square value

94/13

67/31

42/43

52/58

سطح معنی‌داری

001/0

000/0

000/0

000/0

درجه آزادی

2

3

2

4

Hosmer & Lemeshow test

Chi-square

53/14

47/10

91/13

732/4

سطح معنی‌داری

069/0

233/0

084/0

786/0

درجه آزادی

8

8

8

8

ROC

663/0

727/0

778/0

9/0

سطح معنی‌داری

000/0

035/0

000/0

000/0

اشتباه معیار

039/0

000/0

033/0

025/0

Nagelkerke R square

134/0

257/0

339/0

546/0

 


 

جدول6- درصد صحت طبقه‌بندی برای مناطق حضور و عدم حضور تیپ‌های مورد بررسی

نام تیپ

 

درصد صحت پیش‌بینی شده

تطابق بین مقادیر پیش‌بینی شده و ارزیابی شده

 

 

 

داده‌های مربوط به مدل

داده‌های ارزیابی

مازودار-برودار

0

1

صحت کلی

5/62

2/66

4/64

1/52

2/47

8/49

ضعیف تا متوسط

برودار- سایر گونه‌ها همراه مازودار

0

1

صحت کلی

64

71/67

5/65

40

82/85

5/63

خوب

برودار، وی‌ول همراه سایر گونه‌ها

0

1

صحت کلی

1/71

8/77

3/74

3/70

7/58

5/64

خوب

برودار خالص

0

1

صحت کلی

72

7/91

6/81

80

9/83

82

 

عالی

 

 

 

رابطه2- مدل پیش‌بینی پراکنش بالقوه تیپ مازودار- برودار

p=

 

رابطه3- مدل پیش‌بینی پراکنش بالقوه تیپ برودار- سایر گونه‌ها همراه مازودار

P=

 

رابطه4- مدل پیش‌بینی پراکنش بالقوه تیپ برودار، وی‌ول همراه سایر گونه‌ها

P=

 

رابطه5- مدل پیش‌بینی پراکنش بالقوه تیپ برودار خالص

P=

نتایج اعمال رابطه‌های بدست آمده بر روی لایه‌های اطلاعاتی مورد نظر در شکل‌های7 تا 10 نشان داده شده است.

 

 

شکل7- نقشه مقادیر احتمال پراکنش بالقوه تیپ مازودار-برودار

شکل8- نقشه مقادیر احتمال پراکنش بالقوه تیپ برودار-سایر گونه‌ها همراه مازودار

 شکل9- نقشه مقادیر احتمال پراکنش بالقوه تیپ برودار خالص

شکل10- نقشه مقادیر احتمال پراکنش بالقوه تیپ برودار، و وی‌ول همراه سایر گونه‌ها

 


بحث

در این تحقیق از روش گرجی بحری برای تهیه نقشه تیپ‌بندی جنگل استفاده شد. همچنینSoleymani et al., (2009) نیز از روش نامبرده برای تهیه نقشه تیپ‌بندی 430 هکتار از جنگل‌های باباکوسه علیا در شهرستان کرمانشاه براساس اطلاعات 84 قطعه نمونه مربعی شکل با ابعاد40 ×40 متر استفاده کردند که تیپ برودار- مازودار شناسایی شد.

براساس نتایج اعتبارسنجی، دقت مدل تیپ مازودار- برودار در سطح ضعیف تا متوسط ارزیابی شد. براساس رابطه2، ارتباط منفی با افزایش ارتفاع از سطح دریا حکایت از آن داشت که این تیپ در ارتفاعات پایین حضور بیشتری دارد. نتیجهْ همپوشانی نقشه طبقه‌بندی شده ارتفاع از سطح دریا با نقشه پراکنش این تیپ (شکل3) نشان داد که 6/83 درصد سطح پراکنش این تیپ در ارتفاع 1220 تا 1670متر از سطح دریا واقع شده است. ضمن اینکه بیشترین پراکنش در طبقه ارتفاعی1520 تا 1670 متر از سطح دریا وجود دارد. می‌توان گفت که این مطلب، با اختلاف جزئی با نظر (2003) Rostaghi Jazirehi & Ebrahimi همخوانی دارد، زیرا آنان اظهار داشتند که از نظر ارتفاعی مناسبترین رویشگاه برای گونه مازودار در ارتفاع حدود 1400 تا 1600 متر از سطح دریاست. همچنین ارتباط معکوسی با افزایش فاصله از آبراهه نشان داده است. این نتیجهْ همسان با نظر (1997)  Fattahiمی‌باشد، زیرا آنها اشاره کرده‌اند که اگر در ارتفاعات پایین اقلیم مرطوب و نیم مرطوب فراهم شود گونه مازودار حضور می‌یابد. بنابراین به نظر می‌رسد که نواحی نزدیک آبراهه و ارتفاعات پایین محل مناسبی برای حضور این تیپ است. علاوه بر این (1979) Fattahi در تحقیقی که در جنگل‌های گاوزیان مریوان انجام داد نتیجه گرفت که گونه مازودار در ارتفاعات کمتر از1000 متر از سطح دریا دیده شده است.

نتایج اعتبارسنجی مدل تیپ برودار- سایر گونه‌ها همراه مازودار، دقت آنرا در سطح خوب ارزیابی می‌کند. برودار که گونه غالب این تیپ بشمار می‌رود همراه با گونه‌های کیکم، بنه، زالزالک و مازودار تشکیل تیپ داده‌ است. در این خصوص، (2003) Rostaghi Jazirehi & Ebrahimi در مورد گونه‌های همراه مازودار به تمامی گونه‌های یادشده اشاره کرده‌اند. همچنین (1992)  Ghasriani& Tabatabai بیان کرده‌اند که در دامنه‌های جنوبی ارتفاع‌های بالاتر از 1350 متر جنگل‌های مریوان، بلوط به همراه کیکم، زالزاک و بنه دیده می‌شود. هرچند بلوط گونه‌ای خشکی‌پسند است و جزء گونه غالب این تیپ است؛ اما مطابق رابطه3 بین حضور این تیپ و افزایش فاصله از آبراهه ارتباط معکوسی بدست آمده است و براساس نتیجهْ همپوشانی نقشه پراکنش این تیپ با نقشه طبقه‌بندی شده طبقات فاصله از آبراهه (شکل4) بیشترین حضور این تیپ در فاصله 200 متری از آبراهه اتفاق افتاده است؛ به نظر می‌رسد که گونه‌های کیکم و بنه که جزء سایر گونه‌های این تیپ هستند، سرشتی رطوبت‌پسند داشته باشند و در نواحی مرطوب و نزدیک آبراهه حضور بیشتری داشته باشند. این مطلب با نظر (2003) Rostaghi Jazirehi & Ebrahimi همخوانی دارد. در مورد عامل شیب می‌توان گفت که نتیجهْ بدست آمده مشابه با نظر (1979) Fattahi می‌باشد. آنها در تحقیقی واقع در نزدیکی روستای چناره و رودخانه گماره‌لنگ در مریوان، به حضور تیپ بلوط به همراه گونه‌های بنه، کیکم و گلابی وحشی در شیب‌های 30 تا60 درصد اشاره کرداند. نتیجهْ همپوشانی نقشه طبقه‌بندی شده شیب با نقشه پراکنش این تیپ نشان داد که 75/61 درصد از سطح پراکنش این تیپ در منطقه مورد بررسی در شیب بیشتر از 40 درصد وجود دارد (شکل5).

با توجه به نتایج بدست‌آمده، مدل ارائه شده برای تیپ برودار، وی‌ول همراه سایر گونه‌ها از دقت خوبی برخوردار بود. ارتباط مستقیم بین پراکنش این تیپ با جهت‌های جغرافیایی (رابطه4) نشان می‌دهد که سطح کمی از پراکنش این تیپ در نواحی مرطوب گسترش یافته است (شکل6). این نتیجه ثابت می‌کند که تمامی گونه‌های این تیپ نورپسند می‌باشند که همخوان با نتایج (2003) Rostaghi Jazirehi & Ebrahimi است؛ آنان اعلام کرده‌اند که بلوط، کیکم، بنه و گلابی‌وحشی گونه‌های نورپسند هستند. همچنین (1992)  Ghasriani& Tabatabai، اظهار داشته‌اند که در دامنه‌های جنوبی جنگل‌های مریوان هر چه جنگل‌ها تنک‌تر می‌شوند حضور گونه‌های روشنایی پسند و مقاوم به حرارت مانند زالزالک، بنه و کیکم افزایش پیدا می‌کند. حضور وی‌ول در این تیپ نشان می‌دهد که این گونه در تمام جهت‌های جغرافیایی حضور دارد اما جهت شمالی را بیشتر می‌پسندد. این نظر را (2003) Rostaghi Jazirehi & Ebrahimi تأیید کرد‌ه‌اند. علاوه بر این،Pourhashemi (2003)  به اهمیت حضور تیپ وی‌ول خالص با سطح زیاد در جنگل‌های روستای دویسه واقع در شهرستان مریوان که در جنوبی‌ترین قسمت زاگرس واقع شده اشاره کرده است. بر اساس تحلیل رگرسیون این بررسی مشخص شد که احتمال حضور این تیپ با افزایش ارتفاع از سطح دریا کاهش می‌یابد که همخوان با نتیجهْ بدست آمده از همپوشانی نقشه پراکنش تیپ مذکور با نقشه طبقه‌بندی شده ارتفاع از سطح دریاست. زیرا فقط 2/9 درصد سطح پراکنش در ارتفاع بیشتر از 1670 متر واقع شده است (شکل3).

با توجه به نتایج اعتبارسنجی، دقیقترین مدل بدست آمده این بررسی است. زیرا در جدول4، سطح معنی‌داری تمامی متغیر‌های این تیپ برابر 0.000 می‌باشد. جهت دامنه مؤثرترین عامل در پراکنش این تیپ شناخته شد؛ زیرا از میان متغیرهایی که وارد مدل این تیپ شده است بیشترین مقدار ضریب را بخود اختصاص داده است. ضریب مثبت عامل جهت دامنه (رابطه5) نشان می‌دهد که برودار گونه‌ای است که در نواحی نیمه‌خشک و خشک حضور بیشتری دارد. نتایج (2003) Rostaghi Jazirehi & Ebrahimi و ((1997 Fattahi نیز این نظر را تأیید می‌کند. موضوع دیگری که این ادعا را تأیید می‌کند این است که تنها 48/37 درصد از حضور این تیپ در فاصله 200 متری از آبراهه اتفاق افتاده است و در مقایسه با دیگر تیپ‌های مورد بررسی، کمترین سطح پراکنش در این طبقه را داشته است (شکل 4). رابطه‌ای معکوسی بین حضور این تیپ با عامل افزایش ارتفاع از سطح دریا بدست آمد. به‌طوری‌که نتیجهْ همپوشانی هم نشان داد که تنها 9/0 درصد از سطح پراکنش تیپ برودار خالص در ارتفاع بالاتر از 1670 متر وجود دارد (شکل3). آقایان (2003) Rostaghi Jazirehi & Ebrahimi نیز عنوان کرده‌اند که برودار در ارتفاعات پایین‌تر از 1000 متر به‌صورت خالص تشکیل تیپ می‌دهد.

براساس نتایج تجزیه و تحلیل رگرسیون لجستیک، بدون تردید می‌توان گفت که جهت دامنه مؤثرترین عامل در پراکنش تیپ‌های مورد بررسی در منطقه مورد تحقیق بوده است. زیرا این عامل به‌استثنای تیپ مازودار- برودار، در سه تیپ‌ دیگر وارد مدل شده و علاوه بر این، از میان متغیرهایی که وارد هر تیپ شده است بیشترین مقدار ضریب را بخود اختصاص داده است. با توجه به نتایج اعتبارسنجی مدل‌ها، می‌توان گفت که تقریبآً در تیپ‌هایی که در منطقه مورد بررسی دامنه پراکنش وسیعی دارند و محدود به شرایط فیزیوگرافی خاصی نیستند؛ مدل ارائه شده برای آنها قوی نیست. در پژوهش‌های مشابه انجام شده به روش رگرسیون لجستیک، در خارج از کشور Hidalgo et al., (2008) جهت شیب وMatsuura et al., (2012)  و Lassueur et al., (2012)، درصد شیب را به‌عنوان مهمترین عامل و در داخل کشورGhanbari et al., (2011) ، ارتفاع از سطح دریا، Jafarian et al., (2012)، خصوصیات خاک‌شناسی و Saki et al., (2013)، درجه حرارت روزانه را مؤثرترین عامل در پراکنش تیپ‌های گیاهی منطقه مورد بررسی‌شان معرفی کردند. با استفاده از مدل‌های ارائه شده می‌توان رویشگاه‌های بالقوه برای تیپ‌های مختلف مورد بررسی را شناسایی و گامی مثبت برای احیاء این جنگل‌ها برداشت. این مدل‌ها می‌توانند نقش مهمی در پیشنهاد گونه‌های سازگار با شرایط فیزیوگرافی مختلف، برای عملیات احیاء و توسعه پایدار اکوسیستم‌های جنگلی داشته باشند.

 

منابع مورد استفاده

References

- Agterberg, F.P., 1992. Estimating the probability of occurrence of mineral deposits from multiple map patterns. The Use of Microcomputers in Geology, Plenum Press, New York: 73-92.

- Anonymous, 2006. Armardeh Multi-functional forest management plan. General Office of Natural Resources of Kurdistan Province, 551 p.

- Bernhardsen, T., 1999. Geographic information systems: an introduction. John Wiley and Sons, Inc., New York, 372 p.

- Etter, A., McAlpine, C., Wilson, K., Phinn, S. and Possingham, H., 2006. Regional patterns of agricultural land use and deforestation in Colombia. Agriculture, Ecosystems and Environment, 114: 369-386.

- Edenius, L. and Mikusinski, G., 2006. Utility of habitat suitability models as biodiversity assessment tools in forest management. Scandinavian Journal of Forest Research, 21: 62–72.

- Fattahi, M., 1979. Study of forestry for restoration of Gavzian forests in Marivan. MSc thesis, Department of Forestry, Faculty of Natural Resources, Tehran University, 129 p.

- Fattahi, M., 1997. Quercus libani distribution and typology in Iran. Research Institute of Forests and Rangelands Publishers, 73 p.

- Franklin, J., 1998. Predicting the distribution of shrub species in Southern California from climate and terrain derived variables. Journal of Vegetation Science, 9: 733–748.

- Fattahi, M., Ansari, N., Abbasi, H. and KhanMohammadi, M., 2000. Management of Zagros forests study area :(Darbadam forest, Kermanshah). Research Institute of Forest and Rangelands Publishers, 471 p.

- Felicisimo, A., Gomez, A., and Munoz, J., 2003. Potential distribution of forest species in Dehesas of Extremadura (Spain). Advances in GeoEcology, 37: 231-246.

- Ghanbari, F., Shataee Joybari, Sh., Azim Mohseni, M., and Habashi, H., 2011. Iranian Journal of Forest and Poplar Research, 19(1):27-41.

- Ghazanfari, H., 2003. Investigation on growth and diameter distribution variation in stands of Quercus brantii-Quercus infectoria, in order to develop forest regulation criteria at Baneh township (Case study: Havare- Khol). PhD thesis, Department of Forestry, Faculty of Natural Resources, University of Tehran, 82 p.

- Gorji Bahri, Y., 2000. A study on forest typology classification and silvicultural planning of Vaz Research Forest. PhD thesis, Department of Forestry, Faculty of Natural Resources, Tehran University, 139 p.

- Hidalgo, P.J., Marin, J.M., Quijada, J., and Moreira, J.M., 2008. A spatial distribution model of cork oak (Quercus suber) in southwestern Spain: A suitable tool for reforestation. Forest Ecology and Management, 255: 25–34.

- Jafarian, Z., Arzani, H., Jafari, M., Zahedi, G.H. and Azarnivand, H., 2012. Determination of relationships between dominant plant species with environmental factors and satellite data using logistic regression (case study: Rineh Rangeland, Mazandaran province). Iranian journal of Range and Desert Research, 19(3): 371-383.

- Jazirehi, M.H, and Ebrahimi Rostaghi, M., 2003. Silviculture in Zagros. Tehran University Publishers, 560 p.

- Koenig, W.D., 1999. Spatial autocorrelation of ecological phenomena. Trends in Ecology and Evolution, 14: 22–26.

- Kim Ludeke, A., 1990. An analysis of anthropogenic deforestation using logistic regression and GIS. Journal of Environmental Management, 31: 247-259.

- Lassueur, T., Joost, S, and Randin, C.F., 2006. Very high resolution digital elevation models: Do they improve models of plant species distribution. Ecological Modeling, 198: 139-153.

- Linkie, M., Smith, R.J. and Leader-Williams, N., 2004. Mapping and predicting deforestation patterns in the lowlands of Sumatra. Biodiversity and Conservation, 13: 1809-1818.

- Matsuura, T., and Suzuki, W., 2012. Analysis of topography and vegetation distribution using a digital elevation model: case study of a snowy mountain basin in north eastern Japan. International Consortium of Landscape and Ecological Engineering and Springer, 9(1): 8-23.

- Mladenoff, D.J., Sickley, T.A. and Wydeven, A.P., 1999. Predicting gray wolf landscape recolonization: logistic regression models vs. new field data. Ecological Applications, 9(1): 37-44.

- Namiranian, M., Henareh Khalyani, A., Zahedi Amiri, GH., and Ghazanfari, H., 2007. Study of different restoration and regeneration techniques in northern Zagros (Case study: Armardeh oak forest, Baneh). Iranian Journal of Forest and Poplar Research, 15(4): 386-397.

- Narayanaraj, G., Bolstad, P.V., Elliott, K.J. and Vose, J.M., 2010. Terrain and Landform Influence on Tsuga canadensis (L.) Carrie`re (Eastern Hemlock) distribution in the southern Appalachian mountains. CASTANEA, 75(1): 1–18.

- Oliveira, D.S., Batista, A.C., Soares, R.V., and Slutter, C.R., 2002. Fire risk mapping for pine and Eucalyptus stands in Tres Barras, State of Santa Catarina, Brazil. Proceedings of IV International Conference on Forest Fire Research /Wildland Fire Safety Summit, Coimbra, Portugal, 18-23 November 2002, 12 p.

- Padalia, H., Bharti. R.R., Pundir, Y.P.S., and Sharama, K.P., 2010. Geospatial multiple logistic regression approach for habitat characterization of scarce plant population: A case study of Pittosporum eriocarpum Royle (an endemic species of Uttarakhand, India). Journal of the Indian Society of Remote Sensing, 38(3): 513-521.

- Pourhashemi, M., 2003. Study of natural regeneration of oak species in Marivan forests (Case study: Doveyse Forest). PhD Thesis, Department of Forestry, Faculty of Natural Resources, University of Tehran, 166 p.

- Pourhashemi, M., Zande Basiri, M. and Panahi, P., 2011. Estimation of acorn production of gall oak (Quercus infectoria Olivier) in Baneh forests using Koenig visual method. Iranian Journal of Forest and Poplar Research, 19(2): 194-205.

- Pourhashemi, M., Zande Basiri, M. and Panahi, P., 2012. Evaluation of visual surveys to estimate acorn production of Gall oak (Quercus infectoria Olivier) in Baneh. Iranian Journal of Forest and Poplar Research, 20(2): 243-255.

- Saki, M., Tarkesh, M., Bassiri, M, and Vahabii, M.R., 2013, Application of regression tree model in determining habitat distribution of Astragalus verus. Applied Ecology, 1(2): 27-38

- Tabatabai, M., and Ghasriani, F., 1992. Natural Resources in Kordestan (Forest and Pastures). Publication of Cultural Office of ACRCE, 650 p.

- Soleymani, N., Dargahi, D., Pourhashemi, M., and Amiri, M., 2009. Effects of physiographical factors on oak sprout-clumps structure in Baba-Koosehforest; Kermanshah province, Iranian Journal of Forest and Poplar Research, (16)3: 467-477.

- Thomson, M.C., Elnaiem, D.A., Ashford, R.W. and Connor, S.J., 1999. Towards a Kala Azarrisk map for Sudan: mapping the potential distribution of Phlebotomus orientalis Sing digital data of environmental variables. Tropical Medicine and International Health, 4(2): 105-113.

- Wilson, W.L., Day, K.R., and Hart, E.A., 1996. Predicting the extent of damage to conifer seedlings by the pine weevil (Hylobius abietis L): a preliminary risk model by multiple logistic regression. New Forests, 12: 203-222.

- Wilson, K., Newton, A., Echeverria, C., Weston, CH. and Burgman, M., 2005. A vulnerability analysis of the temperate forests of south central Chile. Biological Conservation, 122: 9-21

- Xu, J., Yang, X., Skidmore, K., Melick, D. and Zhou, Z., 2006. Mapping non-wood forest product (Matsutake mushrooms) using logistic regression and a GIS expert system. Ecological Modeling, 198(2): 208–218.

- Zarea Garizi, A., Bordishikh, V., Saadoddin, A., and Salmanmahini, A., 2010. Application of logistic regression modeling spatial of vegetation change (case study: Chehl-Chay catchment, Golestan province). Journal of Geographic Space, 37(1): 55-68.

 

 


Modeling distribution of forest types of Armardeh forests at Baneh, using logistic regression method

 

H. Modares Gorji1*, M. Pir Bavaghar2 and L. Ghahramani2

1*- Corresponding Author, MSc. Graduate, Department of Forestry, Faculty of Natural Resources, University of Kurdistan, I.R. Iran. Email: hgorji@ymail.com.

2- Assistant Professor, Department of Forestry, Faculty of Natural Resources, Research and Development Center of Northern Zagros, University of Kurdistan, Sanandaj, I.R. Iran

Received: 27.01.2013                                                        Accepted: 31.06.2013

 

Abstract

This research was carried out to predict potential distribution of Armardeh forests types (16482.44 hectares). Determination and classification of forest types was made, based on data of 448 circular sample plots (0.1 hectare area). Eight forest types were identified, in which four types, including “Quercus infectoria- Quercus brantii”, “Quercus brantii-other species, mixed with Quercus infectoria”, “Quercus brantii, Quercus libani mixed with other species” and“Quercus brantii” were modeled using physiographical factors. Modeling was performed by both logistic regression and stepwise methods (likelihood ratio), using 70% of the samples for modeling and 30% of them for model validation. Results showed that the achieved models for the forest types with limited distribution range, had more accuracy than the other types. According to ROC curve test, the greatest precision was allocated to models related to “Q .brantii”, “Q. brantii, Q. libanii mixed with other species, “Q. brantii -other species, mixed with Q. infectorai” and “Q. infectoria- Q. brantii” forest types, respectively. Furthermore, due to presence of aspect in most of the models, it was distinguished as an important physiographical parameter in local forest type's distribution. Overall, according to positive and negative correlation between presence of each forest type with variables which take part in the logistic model process, its accordance with results obtained from forest type map adaptation with other studied parameters, and further similar research results, it might be concluded that logistic regression is an appropriate method to study effects of different factors on spatial distribution of various forest types. Forest types predicted probability maps, could be used as a management tools for development and rehabilitation of forest ecosystems.

 

Key words: Physiographic factors, Roc curve, Potential distribution, Geographic Information System, Zagros forests

- Agterberg, F.P., 1992. Estimating the probability of occurrence of mineral deposits from multiple map patterns. The Use of Microcomputers in Geology, Plenum Press, New York: 73-92.
- Anonymous, 2006. Armardeh Multi-functional forest management plan. General Office of Natural Resources of Kurdistan Province, 551 p.
- Bernhardsen, T., 1999. Geographic information systems: an introduction. John Wiley and Sons, Inc., New York, 372 p.
- Etter, A., McAlpine, C., Wilson, K., Phinn, S. and Possingham, H., 2006. Regional patterns of agricultural land use and deforestation in Colombia. Agriculture, Ecosystems and Environment, 114: 369-386.
- Edenius, L. and Mikusinski, G., 2006. Utility of habitat suitability models as biodiversity assessment tools in forest management. Scandinavian Journal of Forest Research, 21: 62–72.
- Fattahi, M., 1979. Study of forestry for restoration of Gavzian forests in Marivan. MSc thesis, Department of Forestry, Faculty of Natural Resources, Tehran University, 129 p.
- Fattahi, M., 1997. Quercus libani distribution and typology in Iran. Research Institute of Forests and Rangelands Publishers, 73 p.
- Franklin, J., 1998. Predicting the distribution of shrub species in Southern California from climate and terrain derived variables. Journal of Vegetation Science, 9: 733–748.
- Fattahi, M., Ansari, N., Abbasi, H. and KhanMohammadi, M., 2000. Management of Zagros forests study area :(Darbadam forest, Kermanshah). Research Institute of Forest and Rangelands Publishers, 471 p.
- Felicisimo, A., Gomez, A., and Munoz, J., 2003. Potential distribution of forest species in Dehesas of Extremadura (Spain). Advances in GeoEcology, 37: 231-246.
- Ghanbari, F., Shataee Joybari, Sh., Azim Mohseni, M., and Habashi, H., 2011. Iranian Journal of Forest and Poplar Research, 19(1):27-41.
- Ghazanfari, H., 2003. Investigation on growth and diameter distribution variation in stands of Quercus brantii-Quercus infectoria, in order to develop forest regulation criteria at Baneh township (Case study: Havare- Khol). PhD thesis, Department of Forestry, Faculty of Natural Resources, University of Tehran, 82 p.
- Gorji Bahri, Y., 2000. A study on forest typology classification and silvicultural planning of Vaz Research Forest. PhD thesis, Department of Forestry, Faculty of Natural Resources, Tehran University, 139 p.
- Hidalgo, P.J., Marin, J.M., Quijada, J., and Moreira, J.M., 2008. A spatial distribution model of cork oak (Quercus suber) in southwestern Spain: A suitable tool for reforestation. Forest Ecology and Management, 255: 25–34.
- Jafarian, Z., Arzani, H., Jafari, M., Zahedi, G.H. and Azarnivand, H., 2012. Determination of relationships between dominant plant species with environmental factors and satellite data using logistic regression (case study: Rineh Rangeland, Mazandaran province). Iranian journal of Range and Desert Research, 19(3): 371-383.
- Jazirehi, M.H, and Ebrahimi Rostaghi, M., 2003. Silviculture in Zagros. Tehran University Publishers, 560 p.
- Koenig, W.D., 1999. Spatial autocorrelation of ecological phenomena. Trends in Ecology and Evolution, 14: 22–26.
- Kim Ludeke, A., 1990. An analysis of anthropogenic deforestation using logistic regression and GIS. Journal of Environmental Management, 31: 247-259.
- Lassueur, T., Joost, S, and Randin, C.F., 2006. Very high resolution digital elevation models: Do they improve models of plant species distribution. Ecological Modeling, 198: 139-153.
- Linkie, M., Smith, R.J. and Leader-Williams, N., 2004. Mapping and predicting deforestation patterns in the lowlands of Sumatra. Biodiversity and Conservation, 13: 1809-1818.
- Matsuura, T., and Suzuki, W., 2012. Analysis of topography and vegetation distribution using a digital elevation model: case study of a snowy mountain basin in north eastern Japan. International Consortium of Landscape and Ecological Engineering and Springer, 9(1): 8-23.
- Mladenoff, D.J., Sickley, T.A. and Wydeven, A.P., 1999. Predicting gray wolf landscape recolonization: logistic regression models vs. new field data. Ecological Applications, 9(1): 37-44.
- Namiranian, M., Henareh Khalyani, A., Zahedi Amiri, GH., and Ghazanfari, H., 2007. Study of different restoration and regeneration techniques in northern Zagros (Case study: Armardeh oak forest, Baneh). Iranian Journal of Forest and Poplar Research, 15(4): 386-397.
- Narayanaraj, G., Bolstad, P.V., Elliott, K.J. and Vose, J.M., 2010. Terrain and Landform Influence on Tsuga canadensis (L.) Carrie`re (Eastern Hemlock) distribution in the southern Appalachian mountains. CASTANEA, 75(1): 1–18.
- Oliveira, D.S., Batista, A.C., Soares, R.V., and Slutter, C.R., 2002. Fire risk mapping for pine and Eucalyptus stands in Tres Barras, State of Santa Catarina, Brazil. Proceedings of IV International Conference on Forest Fire Research /Wildland Fire Safety Summit, Coimbra, Portugal, 18-23 November 2002, 12 p.
- Padalia, H., Bharti. R.R., Pundir, Y.P.S., and Sharama, K.P., 2010. Geospatial multiple logistic regression approach for habitat characterization of scarce plant population: A case study of Pittosporum eriocarpum Royle (an endemic species of Uttarakhand, India). Journal of the Indian Society of Remote Sensing, 38(3): 513-521.
- Pourhashemi, M., 2003. Study of natural regeneration of oak species in Marivan forests (Case study: Doveyse Forest). PhD Thesis, Department of Forestry, Faculty of Natural Resources, University of Tehran, 166 p.
- Pourhashemi, M., Zande Basiri, M. and Panahi, P., 2011. Estimation of acorn production of gall oak (Quercus infectoria Olivier) in Baneh forests using Koenig visual method. Iranian Journal of Forest and Poplar Research, 19(2): 194-205.
- Pourhashemi, M., Zande Basiri, M. and Panahi, P., 2012. Evaluation of visual surveys to estimate acorn production of Gall oak (Quercus infectoria Olivier) in Baneh. Iranian Journal of Forest and Poplar Research, 20(2): 243-255.
- Saki, M., Tarkesh, M., Bassiri, M, and Vahabii, M.R., 2013, Application of regression tree model in determining habitat distribution of Astragalus verus. Applied Ecology, 1(2): 27-38
- Tabatabai, M., and Ghasriani, F., 1992. Natural Resources in Kordestan (Forest and Pastures). Publication of Cultural Office of ACRCE, 650 p.
- Soleymani, N., Dargahi, D., Pourhashemi, M., and Amiri, M., 2009. Effects of physiographical factors on oak sprout-clumps structure in Baba-Koosehforest; Kermanshah province, Iranian Journal of Forest and Poplar Research, (16)3: 467-477.
- Thomson, M.C., Elnaiem, D.A., Ashford, R.W. and Connor, S.J., 1999. Towards a Kala Azarrisk map for Sudan: mapping the potential distribution of Phlebotomus orientalis Sing digital data of environmental variables. Tropical Medicine and International Health, 4(2): 105-113.
- Wilson, W.L., Day, K.R., and Hart, E.A., 1996. Predicting the extent of damage to conifer seedlings by the pine weevil (Hylobius abietis L): a preliminary risk model by multiple logistic regression. New Forests, 12: 203-222.
- Wilson, K., Newton, A., Echeverria, C., Weston, CH. and Burgman, M., 2005. A vulnerability analysis of the temperate forests of south central Chile. Biological Conservation, 122: 9-21
- Xu, J., Yang, X., Skidmore, K., Melick, D. and Zhou, Z., 2006. Mapping non-wood forest product (Matsutake mushrooms) using logistic regression and a GIS expert system. Ecological Modeling, 198(2): 208–218.
- Zarea Garizi, A., Bordishikh, V., Saadoddin, A., and Salmanmahini, A., 2010. Application of logistic regression modeling spatial of vegetation change (case study: Chehl-Chay catchment, Golestan province). Journal of Geographic Space, 37(1): 55-68.