Evaluacija MLR i GWR regresionih modela zavisnosti tekućeg zapreminskog prirasta drvne produkcije od zalihe drvne mase, topografskih i spektralnih Landsat 8 podataka u mješovitim šumama sjeveroistočne Bosne
DOI:
https://doi.org/10.54652/rsf.2016.v46.i2.70Ključne riječi:
current annual increment, structural and environmental predictors, Landsat 8, ordinary and geographically weighted regressionSažetak
UDK: 630*52/*56:519.8(497.6)
Zapreminski prirast sastojine (po ha) zavisi od strukture sastojine, odnosno taksacionih elemenata koji je karakterišu, ali i od topografskih karakteristika, količine sunčevog zračenja i ostalnih okolišnih varijabli. Višestruka linearna regresija (MLR) integrira značajne prediktore ali daje globalne tendencije promjena zavisne varijable. Poznato je da se u šumskim sastojinama javlja komponenta prostornog varijabiliteta značajnih prediktora, stoga su u ovom istraživanju određeni regresioni modeli pomoću geografski ponderisane regresije (GWR) i idenifikovani prediktori čiji je uticaj lokalni. Materijal istraživanja je sačinjavao uzorak procjena zapreminskog prirasta i drvne zapremine izračunatih za skup od 270 premjernih površina na području gazdinske klase mješovitih šuma bukve i jele na dubokim tlima u sjeveroistočnoj Bosni. Na georeferenciranim tačkama ekstrahovane su vrijednosti nadmorske visine, nagiba i ekspozicije, te 2 PCA komponente dobijene redukcijom digitalnih brojeva seta kanala Landsat 8 satelitskog snimka za dva odvojena dijela površine jedinstvene gazdinske klase: na nižem brdskom dijelu i višem planinskom dijelu. Za određivanje regresionih veza zapreminskog prirasta sastojine i navedenih prediktora primjenjeni su MLR i GWR. Regresionom analizom je ustanovljeno da su uticaji značajnih prediktora na brdskim predjelima globalni, dok su se na planinskim predjelima ispoljili lokalni karakteri uticaja drvne zapremine lišćara i prve PCA komponente koja se odnosi na zelenu biomasu. Geografski ponderisanom regresijom je ostvareno statistički visoko signifikantno poboljšanje procjene tekućeg zapreminskog prirasta lišćara od drvne zapremine (p<0.001), povećanje procenta objašnjenja varijabiliteta za oko 11% i redukcija relativne greške procjene od oko 6%, dok ispoljeni lokalni uticaj prve glavne komponente (zelene biomase) na tekući zapreminski prirast četinara nije značajno poboljšao procjenu. Ovo istraživanje ukazuje na mogućnost povećanja zapreminskog prirasta sastojina prilagođavanjem uzgojno-tehničkih mjera lokalnim prilikama a koje bi omogućile skupinama lišćarskih vrsta drveća da u većoj mjeri koriste proizvodni potencijal staništa i ostvare veće priraste zapremine. S obzirom da zapreminski prirast sastojine zavisi i od ostalih taksacionih elemenata sastojine, potrebno je analizirati i njihov uticaj, provjeriti karakter njihovog djelovanja te modelirati prostorne odnose što većeg broja prediktora radi unapređenja planiranja uzgojno-tehničkih mjera.
References
AUSTIN, M. (2007): Species distribution models and ecological theory: A critical assessment and some possible new approaches. Review. Ecological modeling. 1-19.
BENÍTEZ, F. L., ANDERSON, L. O. AND FORMAGGIO A. R. (2016): Evaluation of geostatistical techniques to estimate the spatial distribution of aboveground biomass in the Amazon rainforest using high-resolution remote sensing data. Acta Amazonica. Vol. 46(2): 151- 160.
CHARLTON, M., FOTHERINGHAND, S. AND BRUNSDON C. (2006): Geographically weighted regression. Esrc National Centre For Research Methods. Ncrm Methods Review Papers Ncrm/006.
CIENCIALA E., RUSS R., SANTRUCKOVA H., STÅHL G. (2016): Discerning environmental factors affecting current tree growth in Central Europe. Science of The Total Environment 573: 541-554.
ČABARAVDIĆ A., OSMANOVIĆ M., MAHMUTOVIĆ G., MULIĆ S. (2016): Geostatistical Technique for Growing Stock Estimates on Small Forest Stands Using Inventory, Environmental and Landsat 8 Data. Works of the Faculty of Forestry University Sarajevo, 46(1), 1-13.
ČERMÁK P., RYBNÍČEK M., ŽID T., ANDREASSEN K., BØRJA I., KOLÁŘ T. (2017). Impact of climate change on growth dynamics of Norway spruce in south-eastern Norway. Silva Fennica. Vol. 51(2): 16.
LEMPEREUR M., MARTIN-STPAUL K. N., DAMESIN C., JOFFRE R., OURCIVAL J. M. (2015): Growth duration is a better predictor of stem increment than carbon supply in a Mediterranean oak forest: implications for assessing forest productivity under climate change. New Phytologist. Vol. 207(3): 579–590.
MARTÍN-QUELLER E., GIL-TENA A. and SAURA S. (2011): Species richness of woody plants in the landscapes of Central Spain: the role of management disturbances, environment and non-stationarity. Journal of Vegetation Science 22: 238–250.
NAKAYA, T. (2014): GWR4 User Manual: Windows Application for Geographically Weighted Regression Modelling. GWR4 Development Team.
PROPASTIN, P., KAPPAS, M. AND ERASMI, S. (2008): Application of Geographically Weighted Regression to Investigate the Impact of Scale on Prediction Uncertainty by Modelling Relationship between Vegetation and Climate. International Journal of Spatial Data Infrastractures Research, Vol. 3, pp. 73 – 94.
RAIS A., VAN DE KUILEN J.W., PRETZSCH H. (2014). Growth reaction patterns of tree height, diameter, and volume of Douglas-fir (Pseudotsuga menziesii [Mirb.] Franco) under acute drought stress in Southern Germany. Eur J 133(6): 1043–1056.
RANGEL, T.F.; DINIZ-FILHO, J.A.F. AND BINI, L.M. (2010): SAM: A comprehensive application for Spatial Analysis in Macroecology. Ecography, 33: 1-5.
SHRIESTA, P. M. (2006). Comparison of Ordinary Least Square Regression, Spatial Autoregression, and Geographically Weighted Regression for Modeling Forest Structural Attributes Using a Geographical Information System (GIS)/ Remote Sensing (RS) Approach. Master thesis. Department of Geography Calgary, Alberta. University of Calgary.
TIRYANA, T., TATSUHARA, S. AND SHIRAISHI, N. (2010): Modeling Spatial Variation in Stand Volume of Acacia mangium Plantations Using Geographically Weighted Regression. FORMATH, Vol. 9, pp. 103 – 122.
