در این الگو، Zn: متغیر تصادفی و Yn: نشاندهنـده متغیـ ر پاسـخمدل در حالت n ام میباشد که البته از دو قسمت قطعی و خطـاتشکیل شده است که میزان خطای آن نیز باید مدنظر قرار گرفته شود. برای تعیین اعتبار محاسباتی مدلهای چند متغیره برمبنـای تحلیل رگرسیون خطی چندگانه از آزمـون هـم خطـی چندگانـهبرای تعیین فاکتور تورم واریانس (10<VIF ) استفاده شـد (4). برای انتخاب بهترین مدل با بیشترین قطعیت و دقـت بـرآوردی برای تحلیل محاسباتی مذکور از مقـاد یر عـدد ی شـاخص هـایی مانند میانگین مربعات باقیماندهها (RMS)، اشتباه معیار تخمین (SEE)، ضریب تبیین تعدی ل یافته (2Adj.R) و ضریب اطلاعات آکاییک استفاده شد. با توجه به تعداد مشاهدات و حداقل تعداد پارامترهای مدلهای تحلیلی- محاسباتی برای محاسـبه ضـریب تبیین تعدی ل یافته و ضریب اطلاعات آکاییک (AIC) از روابـطزیر استفاده شد (18):
109880483512

Adj.R2  1 1(  R )2 n np11

147218465056

AIC  nln(

RSSn )2k 2k(n k k11) در رابطــه فــوق،P : تعــداد پارامترهــا ی مــدل، AIC: ضــریب اطلاعات آکاییک، n: تعداد مشـاهدات،RSS : مجمـوع مربعـاتباقیماندهها و k: تعداد پارامترهـای مـدل محاسـباتی مـیباشـد (18). برای افزایش پارامترهای محاسباتی و عوامل توصـ یفی در مدلهای غیرخطی برای افزایش هـر چـه بیشـتر دقـت بـرآوردمقادیر وزنی ترسیب کربن آلی خاک، کلیه مدل هـای غیرخطـی با تبدی ل لگاریتم طبیعی برمبنای تحلیل رگرسیون خطی چندگانه قابلیت محاسباتی دارند. ولی برای حـذف خطـای سی سـتماتیک ناشی از بازتبدیل کلیه مدلهای تبدیل شده لگاریتمی از فـاکتورتصحیح طبق رابطه زیر استفاده شد:
601218141614

SEE2 CF  Exp( 2 )  CF  a n  n [6]
123, , ,…,k  a 1

نتایج
انتـ یج آزمـون همبسـتگی پیرسـون نشـان داد کـه بـین کلیـه شاخصهای تنوع زیستی پوشش درختی و کل مقـاد یر وزنـ ی کربن ترسیب شده تا عمق مورد مطالعه (50-0 سانتی متـری) ارتباط معنیداری وجود ندارد (جـدول 1). هـم چنـین نتـایج آزمون مذکور نشان داد که بین مقادیر مذکور و غنای پوشـشعلفی ن یـز همب سـتگی معنـیداری وجـود نـدارد (جـدول 1). مطابق جدول 1 همانطور که مشاهده میشود مقادیر ترسـیب کربن با شـاخص هـای تنـوع شـانون وینـر، غلبـه گونـهای و یکنواختی پای لو بهطور معنیدار همبسته است. البته بـ ین غلبـهگونهای پوشش علفی و ذخایر کربن خاک همبستگی معکوس وجود دارد (جدول 1).
جدول 2 نتایج مدل سـازی ذخـایر وزنـ ی ترسـیب کـربنجنگـلاهـ ی آمیختـه راش مـورد مطالعـه را ابرمبنـ ی تحلیـل رگرسیون خطی چندگانه برحسب کلیـ ه شـاخص هـای تنـوعزیستی همبسته نشان میدهـد. نتـایج حاصـل از مـدل سـازی براساس کلیه شاخصهای اعتبارسنجی نشـان داد کـه در بـین کلیه مدلهای چندگانـه، مـدل خطـی سـاده برحسـب عامـلحاصلضرب مربع شاخص شانون و ی کنـواختی دارای دقـتبرآورد بیشتر و برازش بهینه نسبت به کلیه مدلهای چندگانـهمیباشد (جدول 2). همچنین نتایج نشـان داد کـه بـا توسـعهمدلسازی و افزایش تعداد پارامتر، دقت برآورد افـزا یش پ یـدا نکرده است (جدول 2). همانطور کـه در جـدول 2 مشـاهدهمیشود مدل 4 با بیشترین پـارامتر محاسـباتی برمبنـای تـورمواریانس ( 13VIF) دارای اعتبار محاسباتی نیست.
نتایج حاصل از مدلسازی ترسیب کـربن خـاک براسـاس تحلیل رگرسی ون غیرخطی یا تخمـ ین منحنـ ی برحسـب یـک متغیر عامل نشان داد که در واقع مدل کرو (منحنـ ی S) شـاملغلبه گونهای پوشش علفـ ی (مـدل 12) دارای حـداکثر دقـتبرآورد نسبت به سایر مدلهای ارائه شده میباشد (جدول 3). در این میان مطابق جدول 3 مدلهای توانی و نمایی بهترتیب شامل شاخص غلبه گونهای و تنوع شانون دارای دقت برآورد قابــل ملاحظــهای بودنــد (17/169- = SEE = 0/15 ،AIC، 27/0 = 2Adj.R) ولی نسبت به مدل S برحسب غلبه گونهای پوشش علفی دقـت کمتـری داشـتند. مـدل هـای ارائـه شـدهبرحسب شاخص ی کنـواختی نیـ ز دارای اعتبـار محاسـباتی و برازش برآوردی بودنـد ولـی چـون دقـت قابـل ملاحظـهای
جدول 1. همبستگی بین شاخصهای تنوع زیستی گیاهی و ذخایر وزنی کربن خاک (50-0 سانتیمتر)
J’ D R H’
0/17 ns 0/13 ns 0/06 ns 0/13 ns تنوع زیستی پوشش درختی – ذخایر کربن خاک
0/44 * -0/47 * 0/21 ns 0/52 ** تنوع زیستی پوشش علفی – ذخایر کربن خاک
H’: تنوع شانون- وینر، R: غنای گونهای، D: غلبه گونهای، ‘J: شاخص یکنواختی پایلو، ns: عدم معنیداری در سطح 05/0P < ، *: معنیداری در سطح 05/0P < ، ** معنیداری در سطح 01/0 P < میباشد.

جدول 2. نتایج مدل سازی برمبنای تحلیل رگرسیون خطی چندگانه برحسب شاخصهای تنوع زیستی
AIC VIF SEE RMS RAdj
R b b b b مدلهای رگرسیون کد
152/41 – 96/22 9258/9 0/241 0/272 – – 271/28 26/47 Y  b0  b (H )1 1
155/97 2/37 98/11 9627/36 0/211 0/276 – 130/57 232/94 -6/005 Y  b0  b (H )1  b (J )2  2
156/08 5/62 98/32 9668/17 0/207 0/273 – -106/86 238/26 111/81 Y  b0  b (H )1  b (D)2 3
159/97 12/74 100/3 10076/2 0/173 0/277 191/95 142/82 259/06 -135/34 Y b 0 b (H) b (D) b (J)1   2 3  4
151/74 – 94/93 9017/7 0/261 0/291 – – 68/34 337/15 Y  b0  b (H J )12  5
155/42 6/47 97/04 9417/77 0/227 0/292 – 105/91 76/43 290/53 Y  b0  b (H J )12   b (D)2 6
Y: ترسیب کربن برحسب تن در هکتار، R: ضریب تبیین، Adj.R : ضریب تبیین تعدیل یافته، RMS: میانگین مربعات باقیماندهها، SEE: اشتباه معیار تخمین، VIF: فاکتور تورم واریانس، AIC: ضریب اطلاعات آکاییک میباشد.

جدول 3. نتایج مدلسازی برمبنای تحلیل رگرسیون غیرخطی برحسب شاخصهای تنوع زیستی
AIC SEE RMS RAdj 
R b
 b b b مدلهای رگرسیون کد
158/29 97/06 9421/03 0/227 0/291 – 86/91 -177/08 571/34 Y  b0  b (H ) b (H )1  2 2  b (H )3 3 7
-169/17 0/156 0/024 0/264 0/295 – – 0/871 306/52 Y  b (H )0 b1 8
-168/15 0/158 0/025 0/256 0/287 – – -1/58 7/12 b
Y  Exp(b0  H1) 9
-169/17 0/155 0/024 0/272 0/301 – – 0/471 218/01 Y  b0Exp(b H )1  10
-169/17 0/155 0/024 0/272 0/302 – – -0/323 317/66 Y  b (D)0b1 11
-171/23 0/153 0/023 0/291 0/321 – – 0/071 5/91 b
Y  Exp(b0  D1) 12
-168/15 0/158 0/025 0/243 0/274 – – -1/31 704/28 Y  b0Exp(b D)1 13
Y: ترسیب کربن برحسب تن در هکتار، R: ضریب تبیین، Adj.R : ضریب تبیین تعدی ل یافته، RMS: میانگین مربعات باقیماندهها، SEE: اشتباه معیار تخمین، VIF: فاکتور تورم واریانس، AIC: ضریب اطلاعات آکاییک میباشد.
نداشتند از ارائه آنها صرفنظر شد.
کلیه مدلهای غیرخطی بهینه با تبدیل لگاریتم طبیعـی چنـدمتغیره با تحلیل رگرسیون خطی چندگانه در جدول 4 نشان داده شدهاند. مقادیر عـددی شـاخصهـای اعتبارسـنجی مربـوط بـهمدلهای تبدیلی توابع غیرخطی برحسب شاخصهای مختلـف
همبسته نشان دادنـد کـه بـا امکـان افـزایش تعـداد پارامترهـای محاسباتی از طریـ ق تبـد یل لگـار یتم طبی عـی دقـت مـدل دارای تفاوت قابل ملاحظهای نشده است (جدول 4). از اینـرو نسـبتبه توابع غیرخطی دارای اولویت محاسباتی نیستند.

بحث و نتیجهگیری
نتایج حاصل از تحقیق حاضر نشان داد که در واقع تغییرات کل ذخایر وزنی ترسیب کربن تا عمق مورد مطالعه در جنگل مـوردمطالعه مستقل از تغییرات تنوع زیستی پوشش درختی میباشـد.
در ایـن رابطـه فرجـی و همکـاران (11) نیـز در مطالعـهای در جنگلهای آمیخته راش نشان دادنـد کـه همبسـتگی بـین تنـوعزیستی پوشش درختی و مقـاد یر ترسـ یب کـربن ز یتـوده رو ی زمینی معنیداری نبود. با توجه به اینکه تغییرات مقادیر ترسـ یب کربن تحـت تـأثیر تغییـ رات زیتـوده گ یـاهی مـیتوانـد دارا ی تغییرات باررزی باشد (25 و 28)، از اینرو میتوان بهنوعی ایـ ن چنین استنباط کرد که قطعاً ارتباط معنیداری بین مقادیر ترسیب کربن خاک و تنوع زیستی پوشـش درختـی نمـیتوانـد وجـودداشته باشد. البته کربی و پتوین (27) نیز در مطالعـات خـود درجنگلهای تروپیکال اذعان کردند که بین تغییرات تنوع زی سـتی پوشش درختی از جمله غنـا ی کلیـ ه پوشـش گ یـاهی و مقـاد یر وزنی ترسیب کربن در لایههای مختلف ارتباط معنیداری وجود ندارد. در واقـع نتـایج مـذکور تقریبـاً منطبـق بـا نتـایج حاضـرمیباشـد. کربـی و پتـو ین (27) عـدم ارتبـاط معنـیداری بـین مقادیر ترسیب کربن و تغییرات تنوع زیستی پوشش درختـ ی را به تغییرپذیری زیـ اد الگوهـا ی مکـانی کـربن در جنگـل مـورد مطالعـه ارتبـاط دادنـد. البتـه مبتنـی بـر فرضـیه آشـیان مکمـل (Niche complementary) در مناطقی که دارای حـداکثر تنـوع
زیستی گیاهی بوده احتمال حضور گونههای مختلف گ یـاهی یـ ا مقادیر تولیدی بالا و با ضری ب تأثیر زیاد بر میزان ترسیب کربن آلی اکوسیستم بیشتر است (27 و 32).
در پژوهش حاضر بین شاخص هـای تنـوع ز ی سـتی پوشـش علفـی و مقـادیر ترسـیب کـربن همبسـتگی معنـیداری وجـود داشت. در واقع اسحاقیراد و همکاران (1) و جیکوت و کریزوا (20) عنوان کردند کـه وی ژگـی هـای پوشـش علفـی از (جملـهتوزیع، تنـوع و نـوع گونـهای) بیـ انگر خصوصـ یات فیزی کـی و شیمیایی خاک محسوب شده و در وا قع بهنوعی معرف تغییرات کلیه ویژگیهای خاک (از جمله میزان ترسیب کربن) مـیباشـد.
جدول 4. نتایج مدل سازی برمبنای تحلیل رگرسیون تخمین منحنی مدلهای غیرخطی تبدیلی برحسب شاخصهای تنوع زیستی
AIC CF VIF SEE RMS RAdj  R b b b b توابع رگرسیون کد
-161/71 1/013 28/58 0/162 0/026 0/205 0/304 0/138 -0/07 0/594 5/81 lnY  b0  b ln(H )1  b ln(D)2
 b ln(J )3 14
-169/17 1/011 – 0/155 0/024 0/265 0/295 0/481 6/078 lnY  b0  b ln(H1J ) 15
-165/55 1/012 8/56 0/157 0/025 0/247 0/309 – 0/053 -0/413 6/22 lnY  b0  H1  bD2 b 16
-165/54 1/012 5/62 0/158 0/025 0/242 0/305 – -0/36 0/358 5/67 lnY  b0  b (H )1  b (D)2 17
Y: ترسیب کربن برحسب تن در هکتار، R: ضریب تبیین، Adj.R: ضریب تبیین تعدیل یافته، RMS: میانگین مربعات باقیمانـده هـا ، SEE: اشـتباهمعیار تخمین، VIF: فاکتور تورم واریانس، CF: فاکتور تصحیح، AIC: ضریب اطلاعات آکاییک میباشد.
در پژوهش حاضر همانطور که مشاهده شد بین مقادیر ترسیب کربن خاک در محدوده عمق مورد مطالعه و شاخصهای تنـوع،یکنواختی و غلبه گونهای ارتباط معنیداری وجود دارد. ولی بـاتوجه به نتایج آزمون همبستگی پیرسون، ارتباط بین مشـاهداتو شاخصهای اندازهگیری شده بهصورت خطی نشان داده شده اس ت. ب ا توج ه ب ه رواب ط پیچی ده عوام ل اکول وژیکی در اکوسیستمهای طبیعی، روابط خطی نمی تواند بهطور بارز ب یـانگر تغییرات واریانس بین مقادیر همبسته و عوامل توصـیفی باشـد. بههمین دلیل در پژوهش حاضـر عـلاوه بـر تحلیـ ل رگرسـیون خط ی س اده و م دله ای خط ی چندگان ه از روش تحلیل ی رگرسی ون بهروش تخمین منحنی در قالب مـدل هـای غی رخطـی استفاده شد. پژوهشهای زیادی برای پـیشبی نـی و مـدل سـازی خصوصیات فیزیکی– شیمیایی خـاک از جملـه مقـادیر ذخـا یر کربن آلی خاک صورت گرفته است. در این رابطـه سـرمدیان و همکـاران (8) و واحـدی و همکـاران (17) بـرای مـدلسـازی تغییرات ترسیب کربن آلـ ی خـاک برمبنـای تحلیـ ل مـدل هـای رگرسیون خطی چندگانه مدلهایی را براساس عوامل توصـ یفی فیزیکی و شیمایی خاک ارائه دادهاند. اگر چه دقت برآوردی در مطالعـه ایشـان زیـاد بـوده (89/0- 87/0 = 2R) ولـی ابرمبنـ ی انتخاب متغی رهـای مسـتقل در مطالعـه ایشـان، مـیتـوان گفـتاندازهگیری متغیرهای عامل برای برآورد مقـاد یر کـربن ترسـیب شده به لحاظ هزینه و زمان بهصرفه نیسـت و بیشـتر بـه لحـاظ اکولوژیکی قابلیـ ت تحلیـ ل و تفسـیر دارنـد. پیلـه ور شـهری و همکاران (6) و مقیمی و همکاران (15) در رابطه بـا پـیشبینـیمقادیر ترسیب کربن خاک بهترتیب با استفاده از آنالیز داده هـای سطح زمین و عوامل فیز یـوگرافی بـهروش تحلی لـی رگرسـیون خطی چندگانـه مبنـای اعتبـار مـدل را فقـط براسـاس ضـریب همبســتگی بــرازش عوامــل توصــ یفی و پاســخ ارائــه دادنــد (53/0 = R). در پژوهش حاضر نیز دقت برآورد ترسیب کـربن خاک برمبنای مقدار ضریب تبیین R بیشتر بوده است ولی نتایج اعتبارسنجی قطعیت محاسباتی مدلها نشـان داد کـه مـدل هـای ارائه شده در صورت حضور عوامل توصیفی دیگر مطمئناً دارای دقت بیشتری خواهند بود. در حقیقت، نتایج تحقیق حاضر نشان داده است که تقریبـاً بـیش از 60 درصـد از تغییـ رات واریـ انس حاصل شده مربوط به تغییرات عواملی بوده است که در انتخاب مدل بهینه لحاظ نشده است. این امر نشان میدهد کـه اگـر چـهمدلهای حاضر دارای دقت برآوردی قابـل ملاحظـه و قطعیـ ت محاسباتی هستند، ولی مقـادیر پاسـخ مـورد مطالعـه عـلاوه بـرشاخصهای تنوع زیستی به عوامل دیگر محیطی و ادافیکی نیـ ز وابسته است. در اکثر مطالعات مدلسازی معمولاً برای افـزایش دقت برآورد خصوصیات خـاک از جملـه ترسـیب کـربن آلـی خاک، علاوه بر مدلهای خطی چندگانه از سیسـتم هـای هـوشمصنوعی و شبکه عصبی مصنوعی نیز استفاده شـد ( 7، 8، 15 و 33). شبکه عصبی مصنوعی معمولاً حداقل نظم بـ ین دادههـا رادرنظر گرفته و مجزا از نوع رابطه بین متغیرها، همبسـتگ ی بـین متغیرهای عامـل و عـدم توزیـ ع تقـارن داده هـا، حـداکثر دقـتبرآوردی را ارائه مـ یدهـد ( 16). ولـ ی در ایـ ن پـژوهش بـرای افزایش دقت برآورد و قطعیت محاسباتی از مدلهای غی رخطـی با توابع مختلف استفاده شـد و بـرای آزمـون افـزایش قطعیـ ت مدلهای بهینه مذکور، تعداد پارامترها با روش تبدیل لگـار یتمی افزای ش یافتند. نتایج نشان داد که در مدلهای غی رخطـی اشـتباهمعیار تخمین و میانگین مربعات باقیماندهها بـه حـداقل میـ زان رسید. از طرفی شاخص اطلاعات اکاییک نشان داد که مدلهای غیرخطی تک متغیره و مـدل هـای تبـدیلی لگـاریتمی بـا تعـدادپارامترهای مختلـف دارای قطعیـ ت محاسـبات ی خی لـی بی شـتری نسبت به مدلهای خطی چندگانه هسـتند. نتـایج نشـان داد کـهمدل کرو برحسب غلبه گونـهای پوشـش علفـی دارای حـداکثردقت برآورد و حداقل خطای تخمین میباشـد. در واقـع چـونبین غلبه گونهای پوشش علفی و مقادیر ترسیب کربن آلی عمق مورد مطالعه خاک همبستگی منفی وجود دارد، از اینرو در قالب مدل کرو با توجـه بـه ارائـه عامـل توصـیفی مزبـور در مخـرجپارامتر محاسباتی، شاخص غلبه گونهای در مدل غیرخطی کـروبهعنوان بهترین پیشگو برای برآورد ذخایر کربن آلی معرفی شد.
با توجه به اینکه اکثر پژوهشهای صورت گرفتـه در قالـبعنوان پژوهش حاضر، از تکنیک شبکه عصبی مصنوعی بهعنوان مکمل برای تحلیل رگرسیون خطی ساده و چندگانـه بـهمنظـورافزایش دقت برآورد خصوصیات فیزیکی- شـیمیایی و ترسـ یب کربن آلی خاک استفاده شد، نتایج حاضر نشان داد که مدل هـای غیرخطی در قالب تحلیلی رگرسـیون بـهروش تخمـین منحنـ ی میتواند نسبت به مدلهای خطی چندگانه دارای دقت بیشـتر وقطعیت محاسباتی زیادتری باشد. اگر چه با توجه بـه مطالعـاتمذکور، سیستم هـای هـوش مصـنوعی از جملـه شـبکه عصـبی مصنوعی دارای دقت بـرآورد بی شـتری نسـبت بـه تحل یـل هـای رگرسیون خطی چندگانه میباشند (19) ولی بر خلاف مدلهای

منابع مورد استفاده
محاسباتی ریاضی خروجیهای بهینه شبکههای عصبی در قالب جعبه سیاه ارائه میشود که دسترسـ ی بـه آن بـه صـورت جـامعسخت و استفاده کاربردی از آنها بعضا ناممکن است. بنـابرا ین، با ارائه مدلهای بهینه غیرخطی در پژوهش حاضر با دقت قابـلملاحظه و قطعیت زیـ اد، بـه صـورت کـاربردی مـیتـوان درکدرستی در رابطه بـا اسـتفاده اجرایـی و تحلیـ ل اکولـوژ یکی در رابطه با پیشبینی و پایش ذخایر وزنی ترسیب کربن آلی خـاک در جنگل مورد مطالعه داشت.
اسحاقیراد، ج.، ق. زاهدی امیری، م. ر. مروی مهاجر و ا. متاجی. 1388. ارتباط بین پوششهای رستنی با خصوصـیات فیزیکـی وشیمیایی خاک در جوامع راش (مطالعه موردی: جنگل آموزشی پژوهشی خیرود کنار نوشهر). تحقیقات جنگل و صـ نوبر ایـران 2:
.174-187
اسماعیلزاده، ا. و س. م. حسینی. 1386. رابطه بین گروههای اکولوژیک گیاهی با شاخصهای تنوع زیستی گیـاهی در ذخیـرهگـاهسرخدار افراتخته. محیط شناسی 43: 30-21.
بینام، 1387. طرح جنگلداری سری سه گلندرود (تجدید نظر دوم)، اداره کل منابع طبیعی و آبخیزداری استان مازندران- نوشهر.
بیهمتا، م. ر. و م. ع. زارع چاهوکی. 1390. اصول آمار در علوم منابع طبیعی. انتشارات دانشگاه تهران، 300 ص.
پوربابایی، ح. و د. خدایار. 1384. تنوع گونهای گیاهان چوبی در جنگلهای سری یک کلاردشت، مازندران. مجله زیست شناسـیایران 4: 322-307.
پیلهور شهری، ا.، ش. ایوبی، و ح. خادمی. 1389. مقایسه مدل شبکه عصبی مصنوعی و رگرسیون خطی چند متغیـره در پـیش بینـی کربن آلی خاک بهکمک دادههای آنالیز سطح زمین (مطالعه موردی: منطقه ضرغام آباد سمیرم). نشریه آب و خاک 6: 1163-1151.
رضایی پژند، ح. و ا. بزرگنیا. 1381. تحلیل رگرسیون غیرخطی و کاربردهای آن (ترجمه). انتشـارات دانشـگاه فردوسـی مشـهد،
387 ص.
سرمدیان، ف.، ر. تقیزاده مهرجردی، م. ح. عسگری، و ع. اکبرزاده. 1389. مقایسه روشهای نروفازی، شبکه عصبی و رگرسـ یون چند متغیره در پیشبینی برخی خصوصیات خاک (مطالعه موردی: استان گلستان). مجله تحقیقات آب و خاک ایران 1: 220-211.
علیجانپور شلمانی، ع.، م. شعبانپور، ح. اسدی و ف. باقری. 1390. تخمین پایداری خاکدانه در خاکهای جنگلی اسـتان گـیلان بهوسیله شبکه عصبی مصنوعی و توابع انتقالی رگرسیونی. نشریه دانش آب و خاک 3: 162-153.
غلامعلیزاده آهنگر، ا.، ف. سارانی، م. هاشمی و ا. شعبانی. 1393. مقایسه روشهای رگرسیون خطی، زمینآماری و شبکه عصـب ی مصنوعی در مدلسازی کربن آلی در اراضی خشک دشت سیستان. نشریه آب و خاک 6: 1260-1250.
فرجی، ف.، ا. متاجی، س. بابایی کفاکی و ع. ا. واحدی. 1394. ارتباط بین تنوع گیاهی و تغییرات زیتوده هـوایی در جنگـل هـای آمیخته راش شرقی (مطالعه موردی: حاجیکلا– تیرانکلی، ساری). مجله جنگل ایران 2: 165-151.
فهیم، ز.، م. ا. دلاور و ا. گلچین. 1391. تأثیر نوع پوشش جنگلی بر ذخیره کربن آلی و خصوصیات خـاک در جنگـل خیرودکنـار،
نوشهر. مجله علوم و فنون کشاورزی و منابع طبیعی 63: 149-137.
محمودی طالقانی، ع. ا.، ق، زاهدی امیری، ا. عادلی و خ. ثاقب طالبی. 1386. برآورد ترسیب کـربن خـاک در جنگـلهـای تحـتمدیریت (مطالعه موردی: جنگل گلبند در شمال کشور). فصلنامه جنگل و صنوبر 3: 252-241.
مصداقی، م. 1384. بومشناسی گیاهی. انتشارات جهاد دانشگاهی مشهد، 187 ص.
مقیمی، س.، ی. پرویزی، م. ح. مهدیان و م. ح. مسیحآبادی. 1393. کاربرد مقایسهای رگرسیون خطی چندگانه و شبکههای عصبی مصنوعی برای شبیهسازی اثرات عوامل توپوگرافی بر تغیییرات کربن آلی خاک. نشریه مهندسی و مدیریت آبخیز 4: 322-312.
منهاج، م. 1381. مبانی شبکههای عصبی (هوش محاسباتی). جلد اول. مرکز نشر دانشگاه صنعتی امیر کبیر، 715 ص.
واحدی، ع. ا.، ا. متاجی و س. م. حجتی. 1393. مدلسازی مخزن کربن آلی خاک در رابطه با ویژگیهای فیزیکو- شیمیایی خـاکدر جنگل گلندرود در شمال ایران. مجله پژوهشهای خاک 1: 62-53.
.81 Burnham, K. P. and D. R. Anderson. 2002. Model Selection and Multimodel Inference: A Practical Information Theoretic Approach, Second Edition, Springer-Verlag, New York, 488 p.
.91 Foody, G. M., D. S. Boyd and M. E. J. Cutler. 2003. Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions. Remote Sensing of Environment 85: 463-474.
.02 Gegout, J. and E. Krizova. 2003. Comparison of indicator values of forest understory plant species in Western Carpathians (Slovakia) and Vosges Mountains (France). Forest Ecology and Management 182: 1-11.
.12 Hollingsworth, T. N., E. A. G. Schuur, F. S. Schuur and M. D. Walker. 2008. Plant community composition as a predictor of regional soil carbon storage in Alaskan boreal black spruce ecosystems. Ecosystems 4: 629-642.
.22 Ingleby, H. R. and T. G. Crowe. 2001. Neural network models for predicting organic matter content in Saskatchewan soils. Canadian Biosystems Engineering 43:71-75.
.32 IPCC. 2007. Climate Change 2007. Mitigation of Climate Change. Working Group III Contribution to the Intergovernmental Panel on Climate Change Fourth Assessment Report. http://www.mnp.nl/ipcc/.
.42 IUFRO Research Group. 2004. Improvement and Silviculture of Beech. Proceedings from the 7th International Beech Symposium. Research Insitute of Forests and Rangelands, Iran, Tehran, p. 186.
.52 Jandl, R., M. Lindner, L. Vesterdal, B. Bauwens, R. Baritz, F. Hagedorn, D. W. Johnson, K. Minkkinen and K. A. Byrne. 2007. How strongly can forest management influence soil carbon sequestration? Geoderma 137: 253-268.
.62 Jimenez, J. J., R. Lal, H. A. Leblanc and R. O. Russo. 2007. Soil organic carbon pool under native tree plantations in the Caribbean lowlands of Costa Rica. Forest Ecology and Management 241: 134-144.
.72 Kirby, K. R. and C. Potvin. 2007. Variation in carbon storage among tree species: Implications for the management of a small- scale carbon sink project. Forest Ecology and Management 246: 208-221.
.82 Lal. R. 2005. Forest soils and carbon sequestration. Forest Ecology and Management 220: 242-258.
.92 Parr, J. F. and L. A. Sullivan. 2005. Soil carbon sequestration in phytoliths. Soil Biology and Biochemistry 37:117124.
.03 Peichl, M. and M. A. Arain. 2006. Above and belowground ecosystem biomass and carbon pools in an age-sequence of temperate pine plantation forests. Agricultural and Forest Meteorology 140: 51-63.
.13 Peltoniemi, M., E. Thürig, S. Ogle, T. Palosuo, M. Schrumpf, T. Wutzler, K. Butterbach-Bahl, O. Chertov, A. Komarov, A. Mikhailov, A. Gärdenäs, C. Perry, J. Liski, P. Smith and R. Mäkipää. 2007. Models in country scale carbon accounting of forest soils. Silva Fennica 41(3): 575-602.
.23 Tilman, D., P. B. Reich, J. Knops, D. Wedin, T. Mielke and C. Lehman. 2001. Diversity and productivity in the long-term grassland experiment. Science 294: 843-845.
.33 Toth, T., M. G. Schaap and Z. Molnar. 2008. Utilization of soil-plant interrelations through the use of multiple regression and artificial neural network in order to predict soil properties in hungrian solonetzic grasslands. Cereal Research Communications 36: 1447-1450.


پاسخ دهید