تحلیل توزیع مکانی گیاهان چوبی در مناطق خشک و نیم ه خشک، کنش های متقابل آنها و چگونگی تاثیرشان بر یکدیگر را توضیح می دهد. این پژوهش با هدف ارزیابی کنش های متقابل درون گونه ای درختچه های اشنان (Seidlitzia rosmarinus) در مناطق خشک مرکزی ایران با استفاده از آماره های اختصاری مختلف (تابع همبستگی جفتی g(r)، تابع O(r) O-ring، تابع توزیع نزدیک ترین همسایه D(r)، تابع توزیع تماس کروی Hs(r) و تابع همبستگی نشان دار Kmm(r) انجام شد. یک قطعه نمونه با ابعاد 160 × 160 متر که به طور خالص پوشیده از اشنان بود، در منطقه حفاظت شده قهی استان اصفهان انتخاب شد. نقشه نقطه ای تمام 989 درختچه اشنان با استفاده از سامانه موقعیت یاب جهانی تفاضلی سه فرکانسه تریمبل R 8 با دقت سه میلی متر ± 0.1 پی پی ام تهیه شد. مقایسه با فرآیند پوآسون ناهمگن نشان داد که الگوی مشاهده شده درختچه ها دارای ناهمگنی مکانی معنی دار (در سطح اطمینان 95 درصد) بود. نتایج g(r) و O(r) نشان دهنده تجمع معنی دار (در سطح اطمینان 95 درصد) درختچه های اشنان تا فاصله سه متر در کنار یکدیگر بود. نتایج D(r) و Hs(r) نیز نشان داد که بیشترین فاصله تا نزدیک ترین درختچه شش متر بود و توزیع اندازه فضاهای خالی تا این مقیاس به طور معنی داری با توزیع تصادفی تفاوت داشت. درنهایت، Kmm(r) برای ارتفاع، قطر متوسط تاج و مساحت تاج همبستگی مثبت ویژگی های زیست سنجی اشنان ها را نشان داد. به طور کلی، نتیجه گیری شد که در منطقه مورد مطالعه بین پایه های گروهی اشنان یک کنش متقابل مثبت وجود دارد که با توجه به اثر تسهیل کنندگی درون گونه ای آنها بر یکدیگر در کنار هم تجمع کرده اند.

مولدهای هواشناسی (Weather Generators) با هدف تطویل سری اطلاعات انواع متغیرهای وضع هوا اعم از بارش، دما و رطوبت نسبی، برای ارتقاء فهم و درک از عملکرد هر سیستمی که اقلیم عامل تاثیرگذار بر آن باشد، توسعه یافته اند. الگوریتم های متفاوتی از این مولدها در دو نوع کلی پارامتری و ناپارامتری تا به امروز ارائه شده اند. در این مطالعه کارایی مولد ناپارامتری k نزدیکترین همسایه با قابلیت برونیابی داده ها در سری مصنوعی، برای چندین ایستگاه شامل ایستگاه های تهران، مشهد، قزوین، بوشهر، تبریز و رشت با آمار قابل قبول 45 سال (2005-1961) ارزیابی و برای بیان برتری نسبی این روش ها نسبت به روش های پارامتری، نتایج آن با خروجی مولد پارامتری LARS-WG مقایسه شده است. نتایج حاصله نشان داد که روش ناپارامتری به کارگرفته شده در این مطالعه در شبیه سازی اکثر پارامترهای سری مشاهده شده، نسبت به روش پارامتری مطمئن تر عمل می نماید. با این وجود در شبیه سازی طول دوره های درازمدت تر و خشک، مولد LARS-WG بهتر عمل می کند که البته اختلاف این دو مولد ناچیز می باشد.

استفاده از روش های نمونه برداری فاصله ای در مدیریت جنگل های زاگرس کاربرد گسترده ای دارد. در تحقیق حاضر، برآورد ویژگی های کمی روش های نمونه برداری نزدیکترین فرد، نزدیکترین همسایه، دومین نزدیکترین همسایه، روش ترکیبی و نقطه مشترک مورد بررسی و مقایسه قرار گرفت. روش نمونه برداری نزدیکترین فرد با برآورد کننده های Morisita، Byth & Ripley و Cottam et al. و روش نزدیکترین همسایه با برآورد کننده های Byth & Ripley و دو برآورد کننده Cottam & Curtis1 و Cottam & Curtis2 نیز مورد بررسی قرار گرفت. موقعیت کل درختان و درختچه های یک قطعه جنگل به مساحت 53 هکتار واقع در شهرستان اردل استان چهارمحال و بختیاری ثبت گردید. با داشتن مقدار واقعی تعداد درختان در هکتار و درصد تاج پوشش و همچنین میزان برآوردی آنها، اریبی در هر تکرار به دست آمد. اختلاف مقدار اریبی با مقدار واقعی (برای آزمون اریبی) با آزمون t تک نمونه ای و تجزیه واریانس با آزمون گیمز هاول بررسی گردید. نتایج بدست آمده از ارزیابی برآورد تعداد در هکتار نشان می دهد که، اختلاف میانگین ها فقط در روش نزدیکترین همسایه با برآورد کننده Cottam & Curtis1 معنی دار نمی باشد و در سایر روش ها اختلاف معنی دار است. در محاسبه درصد تاج پوشش نیز، اختلاف میانگین ها فقط در دو روش دومین نزدیکترین همسایه و روش ترکیبی معنی دار نیست و در سایر روش ها معنی دار می باشد. بر اساس نتایج این تحقیق پیشنهاد می شود که برای برآورد تعداد در هکتار از روش Cottam & Curtis1 و برای برآورد درصد تاج پوشش از روش های نمونه برداری ترکیبی و دومین نزدیکترین همسایه استفاده شود.

در این مقاله، طبقه­بندی مبتنی بر طبقه­بند K نزدیکترین همسایه­ها و خطای بازسازی، جهت دسته­بندی داده­ها معرفی شده است. در روش پیشنهادی، ابتدا K نزدیکترین داده (همسایه) به داده­ی آزمون، از هر دسته موجود در داده­های آموزش، محاسبه می­گردد. سپس به بازسازی داده­ی آزمون، بر حسب تعداد مختلفی از نزدیکترین همسایه­ها (از یک تا  K)، در هر دسته پرداخته شده و میزان خطای بازسازی به ازای هر تعداد همسایه به طور مجزا محاسبه می­گردد. در گام بعد، در هر دسته، میزان خطا به صورت جمع وزندار خطای حاصل از تمامی بازسازی­ها محاسبه می­گردد. وزن خطای بازسازی، متناسب با تعداد همسایه­های دخیل در آن در نظر گرفته شده است بدین ترتیب که خطای بازسازی در تعداد همسایه­های آن ضرب می­شود. در آخر، داده­ی آزمون به دسته­ای تعلق دارد که کمترین میزان خطای کل را دارا است. این عمل موجب می­گردد تا ترکیبی از طبقه­بندهای مبتنی بر K نزدیکترین همسایه به صورت هم­افزایی در طبقه­بندی داده­ها نقش ایفا نمایند. در این مقاله از 10 دسته­مجموعه متعلق به پایگاه داده­ی سری-زمانی UCR و پنج دسته-مجموعه متعلق به پایگاه داده­ی دسته­بندی UCI جهت ارزیابی روش پیشنهادی استفاده شده است. نتایج بدست آمده از این ارزیابی­ها نشان می­دهد که روش پیشنهادی، عملکرد طبقه ندهای KNN مبتنی بر کمترین خطای بازسازی را به میزان زیادی بهبود بخشیده و نرخ بازشناسی در برخی K ها را در حدود 5 درصد بهتر نموده و متوسط نرخ بازشناسی به ازای تمامی Kها (از 2 الی 15) در حدود 1.6 درصد بهبود یافته است.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

مدل آیزینگ یکی از ساده ترین مدل های توصیف کننده برهم کنش ذرات است. در این تحقیق بسط دمای بالای پذیرفتاری مغناطیسی میدان صفر مدل آیزینگ فرومغناطیس و پادفرومغناطیس و مدل آیزینگ با یک برهم کنش پادفرومغناطیس بر روی شبکه دوبعدی کاگومه با برهم کنش بین نزدیک ترین همسایه ها بررسی شد. با استفاده از تقریب پد، نمای بحرانی مدل آیزینگ فرومغناطیس g »1.75 تخمین زده شد که با فرضیه جهان شمولی در تطابق است. اما در مدل آیزینگ پادفرومغناطیس و یک برهم کنش پادفرومغناطیس به علت اثر ناکامی مغناطیسی هیچ گونه گذارفازی مشاهده نشد.

جوامع تاغ (Haloxylon sp.) پوشش های درختچه ای مهمی در مناطق بیابانی ایران هستند که مطالعه خصوصیات آنها به ویژه در مورد تراکم و الگوی پراکنش با توجه به نقش فوق العاده شان در حفاظت خاک و ایجاد بستر حیات وحش بسیار قابل توجه می باشد. در این مطالعه یک قطعه 10 هکتاری درختچه زار طبیعی تاغ در منطقه حفاظت شده سیاه کوه استان یزد انتخاب و در قالب 111 کوادرات 30×30 متری به طور کامل مورد اندازه گیری قرار گرفت. در این کوادرات ها علاوه بر نوع گونه، قطرهای بزرگ و کوچک تاج و موقعیت مکانی تمامی پایه ها از طریق اندازه گیری فاصله و آزیموت آنها نسبت به یکی از گوشه های هر کوادرات، ثبت گردید. سپس به کمک نرم افزارArcMap  نقشه موقعیت مکانی درختان ترسیم و الگوی پراکنش با سه روش نزدیکترین همسایه، تابع K رایپلی و میانگین مربعات که حالتی از روش کوادرات واریانس است، تعیین شد. بر اساس نتایج روش نزدیکترین همسایه، الگوی پراکنش پایه ها در این جوامع تصادفی (Random) است. دو روش دیگر نیز نشان دادند که الگو تصادفی بوده و با افزایش فاصله از پایه ها به بیش از 10 متر، تجمعی (کپه ای) می شود. از برآیند این سه روش، الگوی پراکنش تصادفی ارزیابی می گردد که با افزایش مقیاس (فاصله از پایه ها) به سمت حالت کپه ای تمایل پیدا می کند. به نظر می رسد شرایط یکنواخت رویشگاهی در این منطقه، مهمترین عامل ایجاد الگوی تصادفی در مقیاس کوچک برای درختچه های تاغ بوده است. در مقیاس بزرگتر درختچه ها در فواصل دور از کویر تراکم بیشتری داشته و الگو به سمت کپه ای تغییر می یابد.