Interaction modeling of vegetation and environmental parameters and climatic factors using regression models and artificial neural networks in Tamarix forests of Varamin city

Document Type : Research Paper

Authors
Mahmoud Bayat 1
Sahar Heidari 2
naime rahimizadeh 3
Akram Bayat 4
Farhad Khaksarian 5
asghar Sepahvand 6
1 Associate Professor at Research Institute of Forests and Rangelands
2 PhD. Student of Environment, Faculty of Natural Resources, University of Tehran, Iran
3 Research Expert, Natural Resources & Water shade Administration, Teharn province, Tehran
4 MSc. Environment, Faculty of Natural Resources, University of Arak
5 Research Expert., Research Institute of Forests and Rangelands, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran.
6 Research Expert, Natural Resources & Water shade, Varamin City, Teharn province,
10.22034/jpr.2025.2253
Abstract
Iranian Turanian forests, which are located in arid to semi-arid regions, have unique conditions in terms of species diversity and climatic conditions. Management and protection of these forests requires a comprehensive study of living and non-living factors such as climatic factors, soil factors, physiographic factors on forests and vegetation. This research was conducted in Gaz forests of Varamin city and regression models and artificial neural networks were used to identify the influencing factors and finally model them. For this purpose, first descriptive factors (environmental variables) are used, including climatic parameters (temperature and precipitation), soil (fertility, organic matter, soil texture) and topography (slope, direction and altitude) as the most important. The input variables of the processing neurons were determined and finally the environmental factors affecting the vegetation were determined using neural networks and regression models. The results show that in relation to the canopy, the diameter factor and the amount of soil nitrogen were important variables and in relation to the diameter, the canopy level and height were important and effective factors. Therefore, in order to increase vegetation in the region, it seems necessary to pay attention to soil protection and also to prevent soil erosion and take necessary measures to increase soil nutrients, because due to the sharp decline in the level of these valuable forests and the effective role in preventing Due to desertification, it is necessary to take more necessary management measures to protect and rehabilitate the soil.

Keywords

Subjects

مدلسازی رابطه پوشش گیاهی با پارامترهای محیطی به کمک مدلهای رگرسیون و شبکه عصبی مصنوعی در جنگلهای گز شهرستان ورامین

محمود بیات1*، سحرحیدری مستعلی2، نعیمه رحیمی زاده3، اکرم بیات4، فرهاد خاکساریان1 و اصغر سپهوند5

1 ایران، تهران، سازمان تحقیقات، آموزش و ترویج کشاورزی، مؤسسه تحقیقات جنگلها و مراتع کشور

2 ایران، کرج، دانشگاه تهران، دانشکده منابع طبیعی، گروه محیط زیست

3 ایران، تهران، اداره کل منابع طبیعی و آبخیزداری استان تهران

4 ایران، اراک، دانشگاه اراک، دانشکده کشاورزی و منابع طبیعی اراک، گروه محیط زیست

5 ایران، ورامین، اداره منابع طبیعی و آبخیزداری ورامین

تاریخ دریافت: 25/03/1401          تاریخ پذیرش: 03/11/1401

چکیده

این تحقیق در جنگل‌های گز شهرستان ورامین که بخشی از مناطق ایرانی تورانی و در ناحیه خشک تا نیمه خشک واقع شده‌اند و از لحاظ تنوع گونه و شرایط اقلیمی دارای شرایط منحصر به فردی هستند، انجام شد. به این منظور ابتدا عوامل توصیفی (متغیرهای ‌محیط‌ زیست) مورد استفاده، شامل پارامترهای اقلیمی (دما و بارش)، خاک (حاصلخیزی، ماده آلی، بافت خاک) و توپوگرافی (شیب، جهت و ارتفاع) برداشت شدند. در رابطه با پارامترهای اقلیمی از آمار ایستگاه های هواشناسی منطقه استفاده شد. در رابطه با عوامل فیزیوگرافی از مدل رقومی ارتفاع (DEM) استفاده و پارامترهای مورد نظر نقشه سازی شد. و در رابطه با عوامل خاک هم در هر منطقه تعداد 20 پروفیل خاک حفر و داده ها جهت آنالیز پارامترهای خاک به آزمایشگاه منتقل و آنالیزهای مرتبط انجام شد. عوامل مستقل مطالعه شامل 4 پارامتر پوشش گیاهی برای گونه گز یعنی قطر گونه، تاج پوشش گیاهی، تعداد در هکتار و کیفیت و شادبی گونه بودند که برای این منطور نیز یک شبکه 600در 600 متر در هر منطقه پیاده سازی و اجرا شد. که عوامل محیطی به‌عنوان مهم‌ترین متغیرهای ورودی نورون‌های پردازش‌گر محسوب شده تعیین و در نهایت عوامل محیط زیستی مؤثر بر پوشش گیاهی با استفاده از شبکه‌های عصبی و مدل‌های رگرسیونی تعیین شدو با کمک آماره‌هایی مانند ضریب تبیین و خطای مدل، بهترین مدل‌ها انتخاب شدند.  نتایج نشان که در رابطه با تاج پوشش گونه گز عامل قطر و میزان نیتروژن خاک متغیرهای مهم و در رابطه با قطر نیز سطح تاج و ارتفاع عوامل مهم و اثر گذار بودند. نتایج مدلسازی نشان داد که R2 هر دو مدلاختلاف معناداری نداشتند، R2 در شبکه عصبی 78/0 و در مدلهای رگرسیونی بین 8/0 تا 9/0 بود. همچنین در رابطه با عوامل پوشش گیاهی، قطر تاج پوشش گونه گز بیشترین همبستگی را در میان عوامل مستقل با عامل شیب و ارتفاع داشت و عامل سطح تاج پوشش نیز بیشترین همبستگی را با عامل شیب داشت. بنابراین با توجه به نتایج مدلسازی در تحقیق حاضر (رابطه قوی عامل نیتروژن خاک با پوشش گیاهی گونه گز در مدل رگرسیون) جهت افزایش پوشش گیاهی این گونه به عنوان یک گونه مهم در منطقه توجه به حفاظت از خاک و همچنین جلوگیری از فرسایش خاک و انجام اقدامات لازم جهت افزایش عناصر مغذی خاک بسیار لازم به نظر می‌رسد.

واژه های کلیدی: حفاظت خاک، تاج پوشش گیاهی، جنگل­های ایرانی تورانی، شبکه عصبی مصنوعی

* نویسنده مسئول، تلفن:  02144787282 ، پست الکترونیکی: mbayat@rifr-ac.ir

 

مقدمه

 

جنگل های ایرانی تورانی در ناحیه خشک تا نیمه خشک واقع شده اند. یکی از مشخصه­های اصلی و مهم آن، کمبود بارندگی در طول دوره رویشی است. ازنظر اکولوژیکی این جنگل­ها، جامعه خاصی را تشکیل داده است. بر کسی پوشیده نیست که این نقش مهم و کلیدی به لحاظ ویژگی‌های پوشش­های نه چندان متراکم جنگل های ایرانی تورانی است (9). امروزه جهت مدیریت و حفاظت از این جنگل­ها نیاز به بررسی همه جانبه عوامل تاثیرگذار زنده و غیرزنده بر جنگل و پوشش گیاهی است. (20-15) که شناسایی اثرات هر یک از عوامل به خودی خود کاری سخت و نیاز به استفاده از مدل­ها و روش­های جدید است. به ویژه در سطح محدود، عوامل خرد مانند مواد مغذی خاک دارای اثر بسیار زیاد بر رشد و رویش و تراکم پوشش گیاهی است (17-22-26).

کاربرد شبکه­های عصبی برای کشف روابط حاکم بین عناصر اکوسیستم، احتمال خطر در تصمیم­گیری­ها و طرح­های توسعه را کاهش می­دهد (18)، زیرا این تکنیک به عنوان یکی از سامانه­های پشتیبان تصمیم­گیری در مدیریت جنگل شناخته می­شود. شبکه­های عصبی مصنوعی برگرفته از ساختارهای عصبی بیولوژیکی مغز انسان هستند و تاکنون در مطالعات گسترده­­ای در زمینۀ محیط­زیست و جنگل به کار گرفته شده­اند. در مقایسه شبکه عصبی مصنوعی با مدل­ها اکثر پژوهشگران کارایی بیش­تر شبکه عصبی مصنوعی را در پیش بینی تآیید کرده­اند. در این زمینه Al Kafy و همکاران در سال 2021 روابط بین پوشش گیاهی، خاک، دما و کاربری سرزمین را در منطقه­ای در بنگلادش با کمک شبکه عصبی تعیین کردند و نتیجه گرفتند که به کمک شبکه عصبی و مصنوعی می­توان با دقت قابل قبولی روابط بین پوشش گیاهی و عوامل محیطی راپیش­بینی کرد (21). همچنین de Andrade و همکاران نیز در سال 2021 در منطقه­ای در آمریکای شمالی رابطه بین ویژگی­های خاک و پوشش گیاهی را با کاربرد شبکه عصبی مورد بررسی قرار دادند (19) پژوهش دیگر در این زمینه Rani و همکاران در سال 2022 بود که روابط بین ویژگیهای خاک را با کمک مدل­های هوش مصنوعی و شبکه عصبی مورد مطالعه قرار دادند. نتیجه این تحقیقات بر کاربردی بودن روش­های مبتنی بر هوش مصنوعی و یادگیری ماشین در مدلسازی و کشف روابط پوشش گیاهی و عوامل محیطی دلالت دارند (25).همچنین Bayat و همکاران در سال 2021 به مدلسازی و بررسی رابطه بین تولید و تعیین رویش حجمی جنگل با عوامل زنده و غیر­زنده در جنگل­های هیرکانی پرداختند و از مدل­های شبکه عصبی مصنوعی و رگسیون چند عامله استفاده کردند. آنها با مقایسه آماره­های ارزیابی مدل­ها، به این نتیجه رسیدند که می­توان حجم سرپا جنگل را به کمک این مدلها، پیش­بینی و برآورد کنند هر چند که دقت پیش­بینی و برآورد در مدلهای شبکه عصبی بیشتر بود (13).

در پژوهشی دیگر Pequeno Reis و همکاران (2016) با استفاده از مدل­های شبکۀ عصبی به پیش­بینی رشد درختان در شرق منطقۀ آمازون پرداختند. آن­ها از آمارهای سال­های 1979 تا 2012 استفاده کرده و شاخص­های مختلف رقابتی نیمه-مستقل (Different Semi-independent Competitive Indicators) را وارد مدل کردند. نتایج نشان داد که همۀ شبکه­های عصبی همبستگی بالای 99%، RMSE زیر 11% و EF بالای 98/0 داشتند (24).

همچنین در رابطه با گونه مورد مطالعه یعنی گونه گز هم مطالعاتی انجام شده است؛ به عنوان مثال متینی خواه و کاوه سدهی در سال 1396 به بررسی رابطه خصوصیات خاک با ویژگی­های گونه گز در ابیانه اصفهان پرداخته که نتایج مطالعه آنها نشان داد ماده آلی و درصد اشباع خاک دارای رابطه معنی داری با ارتفاع درخت و سطح تاج پوشش آن دارد (7). جهان تیغ در سال 1395 رابطه خاک و پوشش گیاهی گونه گز را در سواحل رودخانه های مناطق خشک مورد بررسی قرار داد و نتیجه گرفت بین خصوصیات خاک و تاج پوشش این گونه رابطه معنی­دار وجود دارد (1). همچنین نقـش شـرایط خـاک در الگـوی Lihong و همکاران در سال 2005 پراکنش گیاهی بیابانی در دامنه­های شمالی کوه­هـای تیانشـان را مورد بررسی قرار دادند و نتیجـه گرفتند  که گونه گز خاصی نسبت به شـوری یـا عمـق سـطح ایسـتابی ندارنـد امـا رویشگاه­های با ظرفیت رطوبتی بالای خاک را ترجیح میدهند (22). Abdelghani و Amer نیز در سال 2003 مطالعه ای را در رابطه با گونه گز در صحرای سینا انجام داده و به این نتیجه رسیدند که تنوع گونه­ای این گونه دارای رابطه منفی با شوری خاک است (11). با توجه به مرور منابع ذکر شده، اکثر تحقیقات در رابطه با بررسی رابطه پوشش گیاهی گونه گز با محیط، تنها به مطالعه خصوصیات خاک پرداخته شده و این لزوم بررسی جامع عوامل محیطی و تاثیر آنها بر پارامترهای پوشش گیاهی این گونه را آشکار می کند. از طرفی امروزه با توجه به پیچیدگی روابط بین عوامل زنده (عوامول وابسته) و عوامل محیطی تاثیرگذار ( عوامل مستقل)، اهمیت استفاده از مدل­های مناسب که بتوانند روابط را به خوبی بین این متغییرها بشناسند، روز به روز از اهمیت بیشتری برخوردار می شود. در این تحقیق نیز از مدل­های رگرسیونی و شبکه­های عصبی مصنوعی جهت شناسایای عوامل تاثیر­گذار و در­ نهایت مدلسازی آن­ها استفاده شد. به عبارت دیگر، پیچیده بودن عوامل مؤثر در تعیین پارامتر موردنظر اعم از عوامل کمی و کیفی، ضرورت ایجاد مدل را برای پیش­بینی­های مورد نظر نمایان می­کند (14-16). با توجه به این موارد، در پژوهش حاضر هدف استفاده از تکنیک شبکۀ عصبی مصنوعی به عنوان یکی از مهم­ترین زیر مجموعه­های هوش محاسباتی و مدل­های رگرسیونی جهت مدل­سازی و شبیه­سازی عوامل زیست محیطی مؤثر بر پوشش گیاهی است. با این هدف عوامل توصیفی (متغیرهای محیط­زیستی­) مورد استفاده، شامل پارامترهای اقلیمی (دما و بارش)، خاک (حاصلخیزی، ماده آلی، بافت خاک) و فیزیوگرافی (شیب، جهت شیب و ارتفاع از سطح دریا) به­عنوان مهم­ترین متغیرهای ورودی نورون­های پردازش­گر محسوب شده که در شبکۀ موردنظر با تبادل اطلاعات، متغیر پاسخ را با حداکثر دقت پیش­بینی­ می­کنند و در نهایت فاکتورهای زیست محیطی مؤثر (طبق مرور منابع) بر پوشش گیاهی با استفاده از شبکه­های عصبی و مدل­های رگرسیونی تعیین شد.

مواد و روشها

منطقه مورد مطالعه: منطقه مورد مطالعه بخشی از شهرستان ورامین و بخش جوادآباد و دهستان بهنام با مساحت 2/1208 هکتار می‌باشد. این منطقه به صورت زمین‌های کم‌ارتفاع و نسبتاً هموار با بیشینه ارتفاع از سطح دریای 855 متر در ارتفاعات شمالی و کمینه 781 متر است (شکل 1). همچنین میانگین ارتفاع از سطح دریا نیز 818 متر است طول و عرض جغرافیایی سه منطقه به شرح زیر است: منطقه فخرآباد دارای طول جغرافیایی 551275 و عرض جغرافیایی 3878007، منطقه شکرآباد دارای طول جغرافیایی 544008 و عرض جغرافیایی 3878384 و منطقه دولت آباد دارای طول جغرافیایی 577590 و عرض جغرافیایی 3884137 است.

شرایط اکولوژیکی منطقه منطقه مورد مطالعه در فاصله 35 کیلومتری جنوب شهرستان ورامین در حاشیه راه آهن تهران – مشهد قرار دارد. اقلیم منطقه با استفاده از روش آمبرژه، اقلیم بیابانی گرم میانه را نشان می‌دهد. با بهره‌گیری از آمار 10ساله (2007 تا 2017 میلادی) بارندگی ایستگاه هواشناسی ورامین، میانگین بارندگی سالیانه منطقه 80 میلی‌متر می‌باشد که دارای دامنه تغییرات نسبتاً زیادی است (6). با استفاده از فرمرول آمبرژه ضرریبQ برابر با 4/15 محاسبه شد. به این ترتیب اقلیم منطقه با استفاده از روش آمبرژه، «اقلیم بیابانی گرم میانه» را نشان می‌دهد (6). در نهایت با استفاده از این داده‌ها، نقشه خطوط هم دما و هم بارش در هر منطقه تهیه و با توجه موقعیت جغرافیایی هر قطعه نمونه در محیط Arcmap بارش و دمای مربوط با آن به روش میان یابی تهیه و ثبت شد (2).

 

شکل 1- موقعیت مناطق مورد مطالعه در شهرستان ورامین در استان تهران

 

 

شرایط اکولوژیکی منطقه منطقه مورد مطالعه در فاصله 35 کیلومتری جنوب شهرستان ورامین در حاشیه راه آهن تهران – مشهد قرار دارد. اقلیم منطقه با استفاده از روش آمبرژه، اقلیم بیابانی گرم میانه را نشان می‌دهد (12). با بهره‌گیری از آمار 10ساله (2007 تا 2017 میلادی) بارندگی ایستگاه هواشناسی ورامین، میانگین بارندگی سالیانه منطقه 80 میلی‌متر می‌باشد که دارای دامنه تغییرات نسبتاً زیادی است (6). با استفاده از فرمرول آمبرژه ضرریبQ برابر با 4/15 محاسبه شد. به این ترتیب اقلیم منطقه با استفاده از روش آمبرژه ،«اقلیم بیابانی گرم میانه» را نشان می‌دهد (6). در نهایت با استفاده از این داده‌ها، نقشه خطوط هم دما و هم بارش در هر منطقه تهیه و با توجه موقعیت جغرافیایی هر قطعه نمونه در محیط Arcmap بارش و دمای مربوط با آن به روش میان یابی تهیه و ثبت شد.

جمع آوری داده‌های پوشش گیاهی: با توجه به یکنواخت بودن تیپ جنگلی و پوشش گیاهی برای هر یک از سه منطقه مورد مطالعه، که از گونه غالب گز تشکیل شده است و همچنین باتوجه به اینکه از نظر آماری، برداشت 30 قطعه‌نمونه از دقت کافی برای تجزیه وتحلیل نتایج کافی است، برای این پژوهش از شبکه نمونه‌برداری با ابعاد شبکه 600×600 متر  استفاده شد. برای هر منطقه یک شبکه 600 × 600 متر طراحی و پیاده‌سازی شد. به کمک قطعات نمونه مربع شکل، 35/0هکتاری با ابعاد 60 ×60  متر استفاده شد. در هر قطعه‌نمونه اطلاعات مورد نیاز شامل گونه، قطر یقه قطورترین جست، قطر بزرگ تاج و قطر عمود بر آن و سلامت و شادابی درخت برداشت و ثبت شد.  جهت بررسی شادابی درختان از روش استفاده شده توسط کنشلو در سال 1383 استفاده شد (3-7).

 

 

جدول 1- روش بررسی و درجه­بندی شادابی درختان

کد

درجه شادابی

خصوصیات

1

خیلی ضعیف

رنگ برگها زرد، تراکم برگها بسیار کم، برگها پیچ خورده، آلودگی شدید به آفات و امراض، درصد بالایی از برگها زرد و خشک شده اند، خشکیدگی شاخه‌های اصلی

2

ضعیف

برگها زرد و خشک، تراکم برگها پایین، درصدی از برگها خشک شده اند، فاصله میان گره ها خیلی کم.

3

متوسط

برگها سبز رنگ پریده، تراکم کمتر از نرمال، آثار حمله آفات و امراض و بیماری ها مشاهده می شود،

4

خوب

رنگ برگها سبز تراکم، در حد نرمال، آثار زردی در نوک برگها مشاهده نمی شود، اثار حمله آفات و امراض ناچیز

5

عالی

رنگ برگها سبز براق طول برگها بلندتر، تراکم گره ها بالاتر از حد نرمال، عاری از افات و امراض

 

 

داده های ارزیابی خاک: جهت ارزیابی خاک منطقه، شامل بافت خاک،  PH, EC سدیم و عناصر اصلی خاک شامل NPK با استفاده از نقشه کاربری سرزمین و نیز پس از بازدیدهای میدانی، و با توجه به وضیعت فیزیوگرافی و شکل زمین اقدام به نمونه‌برداری با مته از اعماق صفر تا 30 و 30 تا 60 و 60 تا 90 سانتی‌متری گردید(4) که برای هر منطقه تعداد 10 نمونه برداشت شد که در مجموع 30 نمونه می‌باشد که موقعیت نقاط نمونه‌برداری نیز در شکل 1 مشخص شده است. همچنین لازم به ذکر است برای پی‌بردن به خصوصیات مورفولوژیکی نیمرخ خاک در فواصل مشخص و تغییر شکل زمین جهت منطبق نمودن خاک‌ها اقدام به حفر پروفیل و برگ تشریح پروفیل شده و نمونه‌ها در کیسه پلاستیکی بسته‌بندی شده و به آزمایشگاه خاکشناسی منتقل شد. پس از انجام مراحل آماده‌سازی در فاز اول اقدام به سنجش بافت خاک، pH خاک و هدایت الکتریکی شد. در ادامه در فاز دوم از نمونه‌هایی که محدودیت هدایت الکتریکی و یا بافت داشته آزمایش‌های تکمیلی به‌عمل آمد تا از خصوصیات فیزیکی و شیمیایی خاک شامل بافت خاک،pH, EC  سدیم و عناصر اصلی خاک شامل NPK خاک برای مرحله بعدی (اقدام به کاشت جنگلکاری) مطلع و با دقت نظر بیشتری، گونه‌ها و شرایط مورد نظر بررسی شود (8). پس از تعیین بافت خاک بـه روش هیـدرومتری، جـرم مخصوص ظاهری به روش کلوخه، محتوی رطوبت وزنـی به روش توزین، کربن آلی خاک با اکسیداسـیون و ازت کل به روش کجلدال، واکـنش خـاک با استفاده از دستگاه pHمتر، هـدایت الکتریکـی عصـارة اشباع خاک با دستگاه هدایت سـنج الکتریکـی، فسـفر قابل جذب به روش فسـفر قابل جذب به روش اولسن و پتاسیم قابل جذب، بـه روش نورسنجی شعله ای (فلیم فتـومتری) انـدازه‌گیری شـد (4). در نهایت داده‌های ارزیابی خاک به تفکیک هر منطقه (فخرآباد، دولت آباد و شکرآباد) ثبت شد.

بررسی همبستگی بین پارامترها: پیش از فرایند مدلسازی جهت بررسی و شناخت مهمترین عوامل دارای همبستگی معنا‌دار با فاکتورهای پوشش گیاهی تحلیل همبستگی انجام شد. ابتدا نرمال بودن بودن داده‌ها توسط تحلیل کای‌اسکوئر انجام شد و سپس با توجه به آن، تحلیل همبستگی پیرسون برای داده‌های نرمال و اسپیرمن برای داده‌های غیرنرمال جهت شناخت و تحلیل رابطه پوشش گیاهی (سطح تاج پوشش و قطر) با عوامل مستقل (توپوگرافیک، اقلیمی و خاک) در محیط نرم افزار22  SPSS انجام شد.

فرایند مدلسازی - مدل رگرسیونی به روش گام به گام: جهت بررسی رابطه بین پوشش گیاهی مدلسازی رگرسیون به روش گام به گام  انجام شد و سپس فرایند مدلسازی رگرسیون خطی چند متغیره در محیط نرم افزار 22 SPSS انجام شد.

فرایند مدلسازی – شبکه‌های عصبی مصنوعی: پس از آماده‌سازی داده‌ها، از نرم‌افزارNeuroSolutions 5 جهت طراحی و آموزش شبکه‌ها استفاده شد و کلیه معماری‌های بررسی شده در این محیط طراحی و اجرا شدند. تعیین معماری بهینه شبکه‌های عصبی مصنوعی (اعم از تعداد ورودی‌ها، تعداد لایه‌های مخفی، تعداد نورون در هر لایه مخفی و تابع انتقال هر یک از لایه‌ها) در افزایش دقت پیش‌بینی توسط شبکه نقش تعیین کننده‌ای دارد و غالبا بر اساس فرآیند آزمون و خطا تعیین می‌شود؛ که لازم به ذکر است که شبکه عصبی انتخاب شده بیشترین دقت و کمترین خطا را داشت. متغیرهای زنده از قبیل قطر یقه درخت، تاج‌پوشش، و متغییرهای غیر زنده شامل عوامل اقلیمی،  عوامل خاک، شیب، جهت و ارتفاع از سطح دریا به عنوان ورودی شبکه در نظر گرفته شدند. داده‌های ورودی به طور تصادفی به داده‌های آموزش و تست تقسیم شدند به صورتی که 70 درصد داده‌ها برای تعلیم و مابقی برای تست یا ارزیابی مدل مورد استفاده قرار گرفتند (13). از ضریب تبیین (R2) ریشه دوم میانگین خطا (RMSE) ضریب اریبی برای ارزیابی مدل‌های ارایه شده و در نهایت انتخاب بهترین مدل استفاده شد.

ارزیابی عملکرد شبکه: جهت بررسی و آزمون اعتبار مدل‌های حاصل از شبکه و رگرسیون، از معیارهای ضریب تبیین (R2) (رابطة 1) و مجذور میانگین مربعات خطا (RMSE) (رابطة 2) استفاده شد. از لحاظ آماری هر چقدر مقدار آمارة RMSE کمتر باشد، طبیعتاً برآوردهای انجام شده توسط مدل تخمین دارای دقت بیشتری خواهد بود.

در رابطة بالا yo و yƒ به ترتیب مقدار مشاهده‌ای و برآوردشدة پارامتر مورد نظر با شبکه و n تعداد کل داده‌های استفاده شده است.

نتایج

گونه گز تنها عنصر شمارش و ثبت شده در قطعات نمونه بود که قطر یقه آن از 2 سانتیمتر تا حداکثر 18 سانتیمتر متغیر بود. (جدول 1)

 

 

جدول 2- میانگین و حداقل و حداکثر تعداد در هکتار سه منطقه

 

تعداد در هکتار

قطر یقه قطورترین درخت

قطر تاج پوشش

میانگین

5/401

9/7

2/8

حداقل

5/136

3

8/3

حداکثر

732

18

2/15

انحراف معیار

5/25

2/5

7/3

 

 

نمودار زیر نتایج توزیع تعداد درختان در طبقات قطری مختلف در سه منطقه مورد مطالعه را نمایش می‌دهد.

همان گونه که در شکل 2مشاهده می‌شود، در منطقه شکرآباد طبقه قطری 4 سانتی‌متری دارای بیشترین فراوانی بوده ولی در دو منطقه دیگر، طبقه قطری 8 سانتی‌متری بیشترین فراوانی را به خود اختصاص داده و در نتیجه طبقه قطری غالب بوده است.

 

 

شکل 2- نمودار توزیع طبقات قطری درختان در سه منطقه شکرآباد (آبی)، دولت­آباد (سبز) و فخرآباد (قرمز)

 

در شکل 2 جهت مقایسه و نمایش بهتر، توزیع قطری سه منطقه در یک نمودار ارائه شده است؛ همان گونه که مشاهده می-شود در در بین هر سه منطقه، طبقه قطری 4 سانتی‌متر دارای بیشترین فراوانی بوده است.

همبستگی بین پارامترها: در جدول 3 ضرائب همبستگی بین پارامترهای محیطی شامل متغیرهای وابسته و مستقل نشان داده شده است. هدف این جدول بررسی روابط متقابل همه عوامل استفاده شده در این تحقیق چه مستقل و چه وابسته برای بررسی روابط و اثر هر یک از عوامل بر روی یکدیگر است.

 

 

جدول 3- همبستگی بین متغیرهای محیطی در منطقه مورد مطالعه

 

مدلسازی رابطه بین پارامترهای پوشش گیاهی با پارامترهای محیطی: در این فرایند، پارامترهای پوشش گیاهی (تعداد در هکتار، قطر و سطح تاج گیاهی) هر بار به عنوان متغیر وابسته انتخاب و پارامترهای خاک که در بخش‌های قبل بیان شد، همچنین اقلیم و توپوگرافی به عنوان متغیر مستقل انتخاب شدند. متغیر تعداد در هکتار رابطه معناداری با سایر پارامترها نداشت. روابط و آماره­های ارزیابی هر مدل در انتها تعیین شد (جدول4 و 5).

 

 

جدول 4– نتایج مدل اول با متغیر وابسته سطح تاج گیاهی و قطر

خطای استاندارد

R2

R

مدل

متغیر وابسته

23474/2

649/0

830/0

1

تاج گیاهی

73083/1

790/0

915/0

2

 

13511/3

649/0

830/0

1

قطر

12344/2

839/0

935/0

2

 

 

جدول 5 – نتایج ضرائب مدل اول با متغیر وابسته سطح تاج گیاهی

Sig

t

ضرائب استاندارد شده

 

مدل

Beta

خطای استاندارد

B

028/0

003/0

670/2

202/4

 

830/0

319/1

141/0

523/3

591/0

 1 (ثابت)

قطر

999/0

001/0

040/0

001/0

167/5

517/2

 

794/0

387/0

732/1

109/0

891/39

002/0

566/0

416/100

 1 (ثابت)

قطر

N
                     

 

 

طبق جداول بالا رابطه سطح تاج با سایر پارامترهای گفته شده طبقه رابطه زیر است:

رابطه (1)      T= 0.002+0.556(diameter)+100.416(N)

که در رابطه بالا T سطح تاج گیاهی و diameter برابر با قطر و N هم عنصر نیتروژن خاک است.

 

 

شکل 4- مقایسه مقادیر مدلسازی شده و واقعی در مدل اول (متغیر وابسته سطح تاج گیاهی)

 

رابطه بین قطر و سایر پارامترها نیز به شرح زیر است:

 

جدول 6- نتایج ضرائب مدل دوم با متغیر وابسته قطر

Sig

t

ضرائب استاندارد شده

 

مدل

Beta

خطای استاندارد

B

529/0

003/0

658/0-

202/4

 

830/0

479/2

277/0

631/1-

164/1

1 (ثابت)

سطح تاج

016/0

002/0

014/0

165/3

679/4

231/3-

 

668/0

461/0-

258/27

200/0

033/0

269/86

937/0

106/0-

 1 (ثابت)

سطح تاج ارتفاع

 

رابطه (2)

Diameter= 86.269+0.937(T)-0.106(elevation)

که در رابطه بالا diameter برابر با قطر و Tسطح تاج گیاهی و elevation نیز ارتفاع از سطح دریاست. همان گونه که مشاهده می شود بیشترین اثر معنی­دار را در پیش بینی عامل قطر، ارتفاع از سطح دریا داشته است.

 

 

شکل 5- مقایسه مقادیر مدلسازی شده و واقعی در مدل دوم (متغیر وابسته قطر)

 

 

مقایسه مقادیر مدلسازی شده و مقادیر مشاهده شده برای هر دو مدل رگرسیونی نشان دهنده ضریب تبیین (R2) نسبتا قابل قبول در هر دو مدل است. نتایج شبکه­های عصبی مصنوعی که حاصل چندین الگوریتم مختلف می‌باشد به صورت جدول زیر است. همان طور که مشخص است از مدل رگرسیونی پرسپترون چند لایه و مدل ار بی اف در این مدلسازی استفاده شده است.

 

 

جدول 7- نتایج شبکه عصبی که حاصل چندین الگوریتم مختلف

شاخص

نام شبکه

الگوریتم

عامل خطا

فعالساز لایه مخفی

R2

RMSE

% RMSE

BIAS

% BIAS

1

MLP 17-9-1

BFGS 106

SOS

Tanh

0/78

0/52

21/84

0/0008

0/0336

2

MLP 17-6-1

BFGS 54

SOS

Exponential

0/76

0/59

24/78

0/0015

0/0630

3

MLP 17-4-1

BFGS 55

SOS

Exponential

0/70

0/63

26/47

0/0017

0/0714

4

MLP 17-7-1

BFGS 128

SOS

Tanh

0/70

0/58

24/36

0/0011

0/0462

5

MLP 17-6-1

BFGS 177

SOS

Logistic

0/72

0/57

23/94

0/0010

0/0420

6

RBF 17-28-1

RBFT

SOS

Gaussian

0/65

0/83

34/87

0/0132

0/5546

7

RBF 17-21-1

RBFT

SOS

Gaussian

0/60

1/31

55/04

0/244

10/252

8

RBF 17-19-1

RBFT

SOS

Gaussian

0/50

0/91

38/23

0/053

2/2268

9

RBF 17-22-1

RBFT

SOS

Gaussian

0/55

1/10

46/21

0/054

2/2689

10

RBF 17-20-1

RBFT

SOS

Gaussian

0/49

1/23

51/68

0/243

10/210

 

 

 

بحث و نتیجه گیری

در این پژوهش رابطه بین فاکتورهای مهم پوشش گیاهی گونه گز شامل قطر، تاج پوشش، تعداد در هکتار و کیفیت و شادابی درخت با ویژگی‌های محیطی مورد بررسی قرار گرفت، نتایج تحلیل همبستگی نشان داد که منطقه شکر آباد از نظر میانگین تعداد در هکتار نسبت به دو منطقه دیگر یعنی فخرآباد و دولت آباد، از شرایط به مراتب بهتری چه نسبت به تعداد درختان در هکتار و چه تنوع پوشش کف برخوردار بود به طوری که در بعضی از قطعات نمونه تعداد در هکتار به بالای 1000 اصله در هکتار می‌رسید ولی در میانگین مجموع قطعات نمونه 732 اصله درخت در هکتار بود. از نظر زادآوری درمجموع شرایط بسیار نگران کننده بود و زادآوری در منطقه شکرآباد از شرایط به نسبت بهتری برخوردار بود ولی دو منطقه دیگر فاقد زادآوری بودند. از نظر شرایط شادابی درختان نیز باز همین شرایط در منطقه حاکم بود (جدول 1).

مطابق آنالیز همبستگی  برخی از پارامترهای خاک مانند pH با پارامترهای درصد نیتروژن و فسفر دارای همبستگی نسبتا بالایی بود. همچنین متغیر EC خاک هم دارای رابطه معنی‌دار منفی با متغیرهای بارش و جهت بود. به این معنی که هرچه بارش منطقه بیشتر شده بود، از میزان EC خاک کاسته می‌شود که کاملا منطقی است چرا که بارش از شوری زیاد و تجمع بالای املاح در خاک کاسته و در رابطه با جهت نیز از آنجا که کددهی به جهت به ترتیب از شمال، شرق، غرب و جنوب با کدهای 1 تا 4 بوده است نشان می‌دهد هر چه به جهات جنوبی و غربی می‌رویم از EC خاک کاسته شده و جهات شمال و شرق دارای EC بالاتر بوده‌اند که آن را هم می‌توان به میزان رطوبت هوا ارتباط داد که در این جهات رطوبت کمتری وجود دارد (23). در این زمینه یافته‌های مشابه وجود دارد که از آن جمله می‌توان به پژوهش متینی‌خواه و کاوه سدهی در سال 1396 اشاره کرد که نتایج مطالعه آنها نشان داد ماده آلی و درصد اشباع خاک دارای رابطه معنی-داری با ارتفاع درخت و سطح تاج پوشش آن دارد (7). همچنین جهان تیغ در سال 1395 نتیجه گرفت بین خصوصیات خاک و تاج پوشش این گونه رابطه معنی‌دار وجود دارد (1).  Abdelghani و Amer نیز در سال 2003 به این نتیجه رسیدند که تنوع گونه ای این گونه دارای رابطه منفی با شوری خاک است (11). یافته مهم دیگری هم که از جدول 3 یعنی ضرائب همبستگی مشاهده شد، نشان داد که کیفیت درختان با قطر و سطح مقطع دارای همبستگی معنی‌دار بودند که قابل پیش بینی بود چرا که کیفیت تابعی از قطر و سطح مقطع می‌باشد. همچنین قطر درختان دارای همبستگی معنادار منفی با ارتفاع و مثبت با شیب بود؛ پس هرچه ارتفاع از سطح دریا بالاتر باشد از میزان قطر درختان کاسته می‌شود که این می‌تواند به علت عدم وجود شرایط بهینه در ارتفاعات بالا برای رشد قطری درختان باشد. بیشترین اثر معنی‌دار را عامل نیتروژن خاک و قطر بر روی سطح تاج پوشش گیاهی دارد، این امر نشان دهنده اثر بالای مواد مغذی خاک در سطح منطقه مورد مطالعه بر رشد و رویش گیاهی است که در همین راستا Cheng و همکاران نیز در سال 2021 در پژوهشی در جنگل‌های پاناما، بیان داشتند که در سطح محدود، عامل خرد مانند مواد مغذی خاک، بیش از عوامل کلان مانند اقلیم بر تاج پوشش گیاهی اثر گذار است (17). مقایسه مقادیر مدلسازی شده و مقادیر مشاهده شده برای هر دو مدل رگرسیونی نشان دهنده ضریب تبیین (R2) نسبتا قابل قبول در هر دو مدل است که همان گونه که مشاهده می‌شود این مقادیر نسبتا نزدیک به هم می‌باشد که نشان دهنده کارایی بالای این مدل‌ها در پیش بینی فاکتورهای پوشش گیاهی توسط متغیرهای مستقل ذکر شده در مدل می‌باشند. طبق جدول 7 بهترین مدل1پرسپترون چند لایه با تابع فعالسازی تانژانت و با چند لایه ورودی و مخفی ضریب تبین 78/0 به عنوان بهترین مدل برای بررسی رابطه بین قطر یقه، خاک و شادابی و تراکم استفاده شد. از آنالیز حساسیت در نرم افزار استاتیستیکا استفاده شد و تاثیر هریک از عوامل بررسی و تاثیر هر یک از عوامل مشخص و در نهایت مهمترین فاکتورها تاثیر گذار در مدل مشخص شدند. دو مدل با ضرائب R2 بالا ساخته شد. که اولی بین متغیر وابسته سطح تاج با متغیرهای دیگر بود که R2 این مدل 83/0 و مدل دوم بین متغیر قطر و سایر متغیرها ایجاد شد که دارای ضریب تبیین برابر با 87/0بود که نشان از رابطه قوی ایجاد شده دارد. در مدل اول یعنی مدل سطح تاج دو متغیر وابسته درصد نیتروژن خاک و قطر به شکل معنادار وارد مدل شدند که نشان می‌دهد مقدار ازت خاک یک عامل مهم در پیش‌بینی رویش و سطح تاج است و چنانچه هدف افزایش سطح پوشش گیاهی منطقه باشد باید حتما برنامه‌ریزی‌های لازم جهت حفظ و اصلاح خاک (مانند جلوگیری از فرسایش خاک، بهبود خاک، روشهای زیستی افزایش مواد آلی و مغذی خاک و غیره) انجام شود. همچنین Schmitt و همکاران در سال 2022 در پژوهشی مشابه به این نتیجه رسیدند که عوامل توپوگرافیک به ویژه ارتفاع، دارای تاثیر زیادی بر مشخصه های گیاهی است (27). جهان تیغ در سال 1395 در پژوهشی در مورد گونه های گز و تاغ استان سیستان و بلوچستان به این نتیجه رسید که اختلاف بین ویژگیهای مختلف خاک مانند مواد آلی و معدنی حتی در صورت شرایط اقلیمی و رطوبتی یکسان سبب ایجاد اثر معنی داری بر پوشش گیاهی شده است. (1). مهدوی اردکانی و همکاران در سال 1389 در منطقه چاه افض یزد ره نتیجه مشابهی دست یافته و بیان داشتند که پوشش گیاهی گونه گز رابطه معنی داری با مقدار کربن، نسبت کربن به نیتروژن، پتاسیم، ماده آلی و واکنش خاک داشت. (10).

در مدل دوم نیز چنان چه مشاهده شد متغیر قطر با ارتفاع و سطح تاج رابطه رگرسیون معنادار تشکیل داد. این نشان می‌دهد عوامل توپوگرافیک هم می‌تواند نقش تعیین کننده ای در میزان پوشش گیاهی منطقه داشته باشد. در این زمینه هم می توان به پژوهش ساغری و همکاران در سال 1395 اشاره کرد نتیجه گرفتند رویش، شادابی، و سایر خصوصیات پوشش گیاهی با عوامل توپوگرافیک یعنی شیب، جهت و ارتفاع دارای رابطه معنی دار است (5). از مدل‌های شبکه عصبی نیز در این مدلسازی استفاده شده که با توجه به ماهیت داده‌ها از دقت مناسبی برخوردار بودند ولی ضریب تبیین به نسبت پایین تری نسبت به مدل رگرسیونی داشتند.

نتایج مدلسازی این پژوهش نشان داد که عناصر مغذی خاک به ویژه میزان عنصر نیتروژن اثر زیادی بر قطر و تاج پوشش گیاهی دارد. همچنین، عوامل توپوگرافیک به ویژه ارتفاع از سطح دریا اثر زیادی بر پارامترهای پوشش گیاهی می‌گذارند. در رابطه با معنادار نبودن اثر عامل اقلیم با پوشش گیاهی در این پژوهش نیز، می توان بیان داشت هرچند که یکی از عوامل بسیار مهم و اثرگذار بر پوشش گیاهی است اما از آنجا که در سطح مورد مطالعه، تغییرپذیری این عامل محود بوده و مناطق از نظر این عامل تقریبا تفاوت چندانی با هم نداشتند، لذا این عامل اثر معنی‌داری بر پوشش گیاهی نداشت و چون مطالعه در سطح محدودی انجام شده، لذا عامل اقلیمی با تاثیرگذاری بر عوامل خاک، اثر خود را بر رشد و رویش گیاهی گذاشته است. بنابراین با توجه به آنچه نتایج تحلیل همبستگی و مدلسازی نشان داد برای مدیریت، افزایش سطح و حفاظت جنگل های گز شهرسان ورامین، توجه به حفاظت از خاک و همچنین جلوگیری از فرسایش خاک و انجام اقدامات لازم جهت افزایش عناصر مغذی خاک بسیار لازم به نظر می‌رسد چرا که با توجه به کاهش شدید سطح این جنگل‌های ارزشمند و نقش موثری که در جلوگیری از بیابان‌زایی دارند، لازم است که بیش از پیش اقدامات مدیریتی لازم در جهت حفاظت و احیا خاک انجام گیرد.

سپاسگزاری

این مقاله حاصل از طرح پژوهشی مصوب در صندوق پژوهشگران و فناوران کشور به شماره طرح ۴۰۰۰۶۹۰ می باشد، بدین وسیله نویسندگان مقاله کمال قدردانی و سپاسگزاری را از صندوق پژوهشگران و فناوران کشور بایت حمایت از این طرح را دارند.

1. جهان تیغ، م. بررسی رابطه خاک و پوشش گیاهی در سواحل رودخانه های مناطق خشک. حفاظت زیست بوم گیاهان، 9: 181-193.‎
2. دارابی، ح، سعیدی، ا. 1391، طراحی اکولوژیک پارک‌های جنگلی، محیط شناسی، 2 :10-1.
3. زبیری، م.، 1384، زیست سنجی جنگل، انتشارات دانشگاه تهران، تهران. 416 ص.
4. زرافشار، م. تیموری، م. پورهاشمی، م. علیزاده، ط. بردبار،ک. روستا، م. عباسی، ع. 1400. اثر زوال درختان بلوط ایرانی (Quercus brantii Lindl.) بر مشخصه‌های خاک رویشگاه (مطالعۀ موردی: کوهمره‌سرخی، استان فارس. نشریه جنگل و فرآورده‌های چوب، 74(1).
5. ساغری، م. شاهرخی، ح. رستم پور، م و عشقی زاده، م. 1395. بررسی عوامل توپوگرافی موثر بر خصوصیات رشد و استقرار درختچه سماق در مراتع حوزه آبخیز شرق کشور) مطالعه موردی: حوزه آبخیز کاخک در شهرستان گناباد. مجله حفاظت زیست بوم گیاهان, 4(9): 133-150.‎
6. طرح اجرایی مدیریت مناطق کویری آبردژ شهرستان ورامین، اداره کل منابع طبیعی استان تهران، 1387.
7. کنشلو، ه. 1383. بررسی تأثیر شدت هرس بر شادابی درختان میانسال‏ کاج تهران‏(پارک چیتگر تهران)‏. تحقیقات جنگل و صنوبر ایران، 12: 111-140.
8.. متین خواه، ح. و کاوه سدهی، ز. 1396. رابطه خاک با خصوصیات رویشی گونه گز پر‌شاخه (Tamarix ramosissima) در ابیانه، استان اصفهان. مجله علمی پژوهشی اکولوژی کاربردی: 6(3), 100-89.
9. مروی مهاجر، م. ر. 1384. جنگل‌شناسی و پرورش جنگل، انتشارات دانشگاه تهران، تهران، 418.
10. مهدوی اردکانی، ر. جعفری، م. ضرغام، ن. زارع چاهوکی، م. باغستانی میبدی، ن. طویلی، ع. بررسی تاثیر گونه های گز، تاغ و اشنان بر خاک در منطقه چاه افضل یزد. مجله جنگل ایران، 4: 357-365.‎
11. نصرتی، ض. زهتابیان، غ. زارع چاهوکی، م. جعفری، م. طویلی، ع. بررسی تاثیر کشت گونه Haloxylon aphyllum بر ویژگی های فیزیکی و شیمیایی خاک در منطقه ابردژ ورامین. مجله مرتع و آبخیزداری، 2: 269-276.‎
 
12.  Abd El-Ghani, M.M. and Amer, W.M., 2003. Soil–vegetation relationships in a coastal desert plain of southern Sinai, Egypt. Journal of Arid Environments, 55(4), pp.607-628.
13.  Bayat, M., Bettinger, P., Hassani, M. and Heidari, S., (2021). Ten-year estimation of Oriental beech (Fagus orientalis Lipsky) volume increment in natural forests: a comparison of an artificial neural networks model, multiple linear regression and actual increment. Forestry, 94(4):598-609
14.  Bayat, M., Pukkala, T., Namiranian, M., and Zobeiri, M. (2013). Productivity and optimal management of the uneven-aged hardwood forests of Hyrcania. European Journal of Forest Research 132(5-6): 851–864.
15.  Blanchard, G., Munoz, F., Ibanez, T., Hequet, V., Vandrot, H., Girardi, J., and Birnbaum, P. (2019). Regional rainfall and local topography jointly drive tree community assembly in lowlandtropical forests of New Caledonia. Journal of Vegetation Science 30: 845–856.
16.  Bourque, C.P.A., Bayat, M. (2015). Landscape variation in tree species richness in northern Iran forests. PLoS ONE 10(4), e0121172.
17.  Cheng, Y., Leung, L.R., Huang, M., Koven, C., Detto, M., Knox, R., Bisht, G., Bretfeld, M. and Fisher, R.A., (2022). Modeling the joint effects of vegetation characteristics and soil properties on ecosystem dynamics in a Panama tropical forest. Journal of Advances in Modeling Earth Systems 14(1), p.e2021MS002603.
18.  Coulson, R.N., Folse, J.L., and Loh, D.K., (1987). Artificial intelligence and natural resource management. Science 237: 262-267.
19.  de Andrade, B.C.C., Pedrollo, O.C., Ruhoff, A., Moreira, A.A., Laipelt, L., Kayser, R.B., Biudes, M.S., dos Santos, C.A.C., Roberti, D.R., Machado, N.G. and Dalmagro, H.J., (2021). Artificial neural network model of soil heat flux over multiple land covers in South America. Remote Sensing, 13(12): 2337.
20.  Ferry, B., Morneau, F., Bontemps, J.-D., Blanc, L., and Freycon, V. (2010). Higher treefall rates on slopes and waterlogged soils result in lower stand biomass and productivity in a tropical rain forest. Journal of Ecology 98: 106–116.
21.  Kisi, O., (2009). Suspended sediment estimation using neuro-fuzzy and neural network approaches. Hydrological Sciences Journal, 50(4): 683-696.
22.  Levine, P. A., Randerson, J. T., Chen, Y., Pritchard, M. S., Xu, M., and Hoffman, F. M. (2019). Soil moisture variability intensifies and prolongs eastern Amazon temperature and carbon cycle response to El Nino-Southern Oscillation. Journal of Climate 32(4): 1273–1292.
23.  Xu, L., Liu, H., Chu, X. and Su, K., 2006. Desert vegetation patterns at the northern foot of Tianshan Mountains: The role of soil conditions. Flora-Morphology, Distribution, Functional Ecology of Plants, 201(1), pp.44-50.
24.  Pequeno Reis, L., Lopes de Souza, A., Mazzei. L., Carolline Marques dos Reis, P., Garcia Leite, H., and Pedro Boechat Soares, C., (2016). Prognosis on the diameter of individual trees on the eastern region of the amazon using artificial neural networks. Forest Ecology and Management 382:161–167.
25.  Rani, A., Kumar, N., Kumar, J. and Sinha, N.K., (2022). Machine learning for soil moisture assessment. In Deep Learning for Sustainable Agriculture:143 -168. Academic Press.
26.  Robinson, D. A., Campbell, C. S., Hopmans, J. W., Hornbuckle, B. K., Jones, S. B., Knight, R., et al. (2008). Soil moisture measurement for ecological and hydrological watershed-scale observatories: A review. Vadose Zone Journal 7(1): 358–389
27.  Schmitt, S., Raevel, V., Réjou‐Méchain, M., Ayyappan, N., Balachandran, N., Barathan, N., Rajashekar, G. and Munoz, F., (2021). Canopy and understorey tree guilds respond differently to the environment in an Indian rain forest. Journal of Vegetation Science 32(5), p.e13075.
Journal of Plant Research (Iranian Journal of Biology)
Volume 37, Issue 4
Winter 2025
Pages 439-453

  • Receive Date 15 June 2022
  • Revise Date 29 November 2022
  • Accept Date 23 January 2023