%0 Journal Article %T ارزیابی و مدل سازی خطرآفرینی درختان چنار با استفاده از معیارهای تشخیص خطرآفرینی و آنالیز مولفه‌ اصلی %J پژوهش‌های علوم و فناوری چوب و جنگل %I دانشگاه علوم کشاورزی و منابع طبیعی گرگان %Z 2322-2077 %A نافیان, مژده %A بهمنی, محسن %A قهساره, الهام %A سلطانی, علی %D 2019 %\ 08/23/2019 %V 26 %N 2 %P 1-16 %! ارزیابی و مدل سازی خطرآفرینی درختان چنار با استفاده از معیارهای تشخیص خطرآفرینی و آنالیز مولفه‌ اصلی %K خیابان عباس آباد %K معیار تشخیصی خطرآفرینی درختان %K تجزیه و تحلیل مولفه اصلی %K شبکه عصبی پرسپترون چند لایه %R 10.22069/jwfst.2019.16424.1803 %X سابقه و هدف: درختان خیابانی با وجود تمام سودمندی‌هایی که می‌توانند داشته باشد هر گونه عیب و نقص به دلیل فرتوتی درخت، کاهش مقاومت درخت به خاطر صنعتی بودن، پرجمعیت بودن و آلودگی آب و هوای شهرهای بزرگ و همچنین خشکسالی‌‌های مکرر ممکن است به بروز خطرهای مالی و جانی منجر شود. بنابراین ضرورت بررسی و شناسایی درختان خطر آفرین فضای سبز شهرهای بزرگ را افزایش داده است. برای این منظور ارزیابی مقدار خطرآفرینی درختان چنار (Plantanus orientalis L.) فضای سبز خیابان عباس آباد شهر اصفهان و مدل پیش‌بینی خطر سقوط این درختان با استفاده از شبکه عصبی در سال 1397 پرداخته شد. مواد و روش‌ها: در پژوهش حاضر شدت خطرآفرینی درختان چنار در خیابان عباس آباد شهر اصفهان با روش آماربرداری صددرصد با استفاده از متغیرهای کمی و معیارهای تشخیص خطرآفرینی (کیفی یا عیوب) مورد مطالعه قرار گرفت. پس از تعیین سهم معیارهای خطرآفرین و درجه اهمیت آن‌ها در 711 اصله درخت چنار، آنالیز تجزیه واریانس یک طرفه بین تعداد درختان در معیارهای مختلف خطرآفرینی صورت گرفت. در مرحله بعد، درختان از نظر معیارهای خطرآفرینی وزن‌دهی شدند. سپس بر مبنای اعداد حاصل از وزن‌دهی بر اساس طبقه‌بندی تجربی به 5 طبقه‌ی خطرآفرین تقسیم شدند. همچنین به منظور پردازش داده‌های متغیرهای کمی، معیارهای تشخیص خطرآفرینی (کیفی یا عیوب) و پارامترهای وزن‌دهی و طبقه‌های شدت خطرآفرینی از تجزیه و تحلیل مولفه‌های اصلی و شبکه پرسپترون چند لایه‌ی شبکه عصبی استفاده شد. یافته‌ها: با توجه به نتایج معیار تشخیص خطرآفرینی درختان چنار، متغیرهای وضعیت و ضعف ساختاری یا ضعف فیزیکی یا انحراف از راستای قائم (61%)، مشکلات ریشه (59%) و زخم روی تنه و ریشه (55%) بیشترین سهم را دربر می‌گیرند. همچنین نتایج حاصل از آزمون تجزیه واریانس یک طرفه معیارهای تشخیصی خطرآفرینی درختان چنار نشان داد که تعداد درختان بین 4 طبقه فاقد خطر یا سالم، خطر کم، خطر متوسط و خطر زیاد در سطح خطای یک درصد دارای اختلاف معنی‌دار هستند. نتایج مقایسه میانگین آزمون دانکن نشان داد که طبقه خطر متوسط با طبقات خطر کم و خطر زیاد فاقد اختلاف معنی‌دار هستند و سایر طبقات با یکدیگر دارای اختلاف معنی‌دار هستند. نتایج حاصل از آنالیز مولفه‌ اصلی نشان دهنده این است که محور اول و دوم 40/41 درصد از تغییرات کل را در برمی‌گیرند. پارامترهای وزن‌دهی با زخم روی تنه و ریشه، تماس با خطوط و مشکلات ریشه نسبت به سایر متغیرهای کمی و کیفی همبستگی بالا و مثبت را نشان دادند. به طور کلی دو متغیر مشکلات ریشه و زخم روی تنه و ریشه از مهمترین متغیرهای موثر در تعیین شدت خطرآفرینی درختان چنار در منطقه مورد مطالعه در دو روش معیارهای تشخیصی خطرآفرینی و تجزیه و تحلیل مولفه‌ اصلی هستند. دقت و برازندگی شبکه عصبی با توجه به ضرایب تبیین بالای داده‌های آموزشی، اعتبارسنجی، ارزیابی و در نهایت تمامی داده‌های شبکه عصبی (927/0، 930/0، 930/0 و 927/0) و حداقل میانگین مربعات خطا (داده‌های آموزشی=186/0، ارزیابی=196/0 و اعتبارسنجی=169/0) در پیش‌بینی طبقات شدت خطرآفرینی درختان چنار خیابان عباس آباد از سطح بسیار مطلوبی برخوردار است و همچنین منطبق بودن خروجی شبکه عصبی و داده‌های واقعی برهم دال بر کیفیت مناسب شبکه است.نتیجه‌گیری: مشکلات ریشه و زخم بیشترین سهم را در خطر آفرینی درختان چنار دارند و براساس طبقه‌بندی درختان در حال حاضر، در طبقه‌های خطر بسیار کم و کم قرار داشته ولی در آینده قابلیت تبدیل شدن به درختان خطرناک را دارند. بنابراین در مجموع اقدامات پیشگیرانه و اصلاحی برای درختان با خطر کم و متوسط پیشنهاد می‌شود. با توجه به کارایی مطلوب شبکه عصبی در طبقه‌بندی شدت ریسک درختان چنار خطرآفرین در فضای سبز شهری به عنوان یک مدل پیش‌بینی در ارزیابی احتمال سقوط درختان چنار معرفی نمود. %U https://jwfst.gau.ac.ir/article_4688_8a672e8b7ccd5cb7f61549390c6f0570.pdf