بررسی پیش بینی‌های مکانی شاخص سایت

نوع فایل : word

تعداد صفحات : 15

تعداد کلمات : 4000

مجله : Forest Ecology and Management

انتشار : 2005

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
1 جولای 2020
دسته بندی
تعداد بازدیدها
728 بازدید
19,500 تومان

عنوان فارسی مقاله:بررسی پیش بینی‌های مکانی شاخص سایت با استفاده از روش‌های پارامتری و غیر پارامتری – مطالعه‌ی موردی کاج لاجپول

چکیده

در این مطالعه پتانسیل استفاده از رگرسیون حداقل مربعات، مدل افزایشی تعمیم یافته، مدل درخت محور و مدل شبکه‌ی عصبی را بر روی لایه‌های شبکه‌ی داده‌های محیطی برای تهیه‌ی نقشه‌ی شاخص سایت در بررسی شده است. شبکه‌ای از متغیرهای زیست محیطی به صورت داده‌های لایه‌ای نشان داده شده و شبکه‌ی پلات شاخص سایت پراکنده در داخل شبکه‌های جغرافیایی قرار داده شد. داده‌های شاخص سایت بر اساس انالیز ساقه (ارتفاع مشاهده شده در شاخص سنی ۵۰ سال) در ۴۳۱ کاج در ۸۸ پلات نمونه بودند. پلات‌ها در یک جنگل چوب مرکب تایگا ۱۷۴۶۰ کیلومتر مربع در البتای کانادا توسط پایه‌های بالغ و فوق بالغ اشغال شدند. مدل افزایشی تعمیم یافته برازش بهتر و سازگاری بهتری با داده نسبت به روش‌های حداقل مربعات غیر پارامتری و غیر خطی داشت. در میان ۴ مدل تست شده رگرسیون غیر خطی مدل سازی داده‌هاست که فرض می‌کند داده‌های تصادفی تولید را به متغیرهای محیطی ارتباط می‌دهند و چنین مدل‌هایی برای برآورد بهبنه سازی می‌شوند. دیگر مدل‌های درختی متعلق به شبکه‌ی الگوریتم که رابطه‌ی بین تولید و متغیرهای مستقل را به صورت یک جعبه سیاه ناشناخته در نظر می‌گیرند و تلاش می‌کنند تا کارکرد و تابع بین ان ها را پیدا کنند وجود دارند. این مدل‌ها برای اهداف پیش بینی مناسب هستند. اهمیت مدل سازی شاخص بیوفیزیکی سایت با داده‌ها مورد بحث و بررسی قراار می‌گیرد(بررسی پیش بینی‌های مکانی شاخص سایت).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title:Evaluation of spatial predictions of site index obtained by parametric and nonparametric methods—A case study of lodgepole pine productivity

Abstract

We demonstrate the potential of using least-squares regression, generalized additive model, tree-based model, and neural network model on layers of environmental data grids for mapping site index in a case study. Grids of numerical environmental variables represented layered data, and a sparse site index plot network was located in the grids. Site index data were based on stem analysis (observed height at the index age of 50 years) of 431 lodgepole pine trees in 88 sample plots. The plots were established in a 17,460 km2 boreal mixedwood forest of Alberta, Canada dominated by mature and over-mature stands. The generalized additive model presented a better fit and better adaptability to extreme data (i.e., mature stands) than the least squares nonlinear and other nonparametric techniques, such as the tree-based model and neural network model. Among the four models tested, nonlinear regression is of the data modeling culture, which assumes a stochastic data to relate productivity to environmental variables, and such models are optimized for estimation. Other three models belong to the algorithm modeling culture, which treat the relationship between productivity and independent variables as an unknown black box and try to find a function between them; therefore, these models are more suitable for prediction purpose. Implications for biophysical site index modelling with extreme data are discussed.

دیدگاهتان را بنویسید