دوره 14، شماره 28 - ( پاییز و زمستان 1402 )                   جلد 14 شماره 28 صفحات 77-68 | برگشت به فهرست نسخه ها


XML English Abstract Print


دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری
چکیده:   (759 مشاهده)
چکیده مبسوط
مقدمه و هدف: عملیات جاده‌سازی در جنگل یکی از مهم‌ترین فاکتورهای هزینه در زمینه مدیریت جنگل می‌باشد. مهم‌ترین بخش از ساختمان یک جاده را نیز روسازی آن تشکیل می‌دهد که بیش‌ترین هزینه در بخش تکمیل و مرمت جاده‌ها مربوط به هزینه‌ روسازی است. لذا تمرکز مطالعات و برنامه‌ریزی‌های مدیریت در این بخش بیش‌تر می‌باشد هدف از اجرای این پژوهش شناسایی عوامل مؤثر در تخریب روسازی جاده جنگلی بهمنظور کاهش هزینه‌های مرمت و نگهداری جاده جنگلی در زیر حوزه آذررود واقع در شهرستان سوادکوه در استان مازندران میباشد.
مواد و روش‌ها: برای این منظور تعداد 139 نمونه (با ابعاد 5/5 × 10متر) از جاده جنگلی درجه‌ یک موجود در سری انتخاب گردید سپس متغیرهای فیزیوگرافی منطقه، شکل هندسی جاده‌های جنگلی و دانه‌بندی مصالح روسازی در هر نمونه اندازه‌گیری شد. برای اندازه‌گیری خرابی روسازی پارامترهای حجم چاله‌ها، حجم شیارهای طولی، میزان سطح برون‌زدگی سنگی و حجم شیارهای عرضی یا کرکره‌ای‌ اندازه‌گیری شد. اهمیت نسبی هرکدام از پارامترهای خرابی کل روسازی بر اساس فرایند تحلیل سلسله مراتبی و با استفاده از نظر متخصصین تعیین شد. برای مدل‌سازی و مشخص نمودن تأثیر هرکدام از متغیرهای مستقل از دو روش رگرسیون خطی چندگانه و مدل جنگل تصادفی استفاده شد.
یافته‌ها: نتایج مدل‌سازی نشان داد که روش جنگل تصادفی با ضریب تبیین 89 درصد نسبت به روش رگرسیونی خطی با ضریب تبیین 28/4 درصد دارای نتایج بهتری در مدل‌سازی و تحلیل اثرات متغیرها بر خرابی روسازی جاده جنگلی بود. هم‌چنین نتایج نشان داد در هر دو روش مدل‌سازی، شیب طولی جاده و درصد رس و دانه‌بندی مصالح روسازی جاده به‌عنوان مهم‌ترین فاکتورها در خرابی کل روسازی جاده می‌باشد.
نتیجه‌گیری: به‌طور کلی نتایج نشان داد خرابی کل جاده با افزایش اندازه دانه‌بندی مصالح و افزایش طول تانژانت نسبت مستقیم داشت. لذا پیشنهاد می‌شود در موقع عملیات جادهسازی نوع مصالح با دقت بیش‌تری انتخاب شود و در طراحی جاده لحاظ گردد.
 
متن کامل [PDF 779 kb]   (207 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: ساير موضوعات وابسته به مديريت حوزه آبخيز
دریافت: 1398/9/5 | ویرایش نهایی: 1402/10/18 | پذیرش: 1402/4/31 | انتشار: 1402/10/18

فهرست منابع
1. Aertsen, W., Kint, V., Van Orshoven, J., Ozkan, K., & Muys, B. (2010). Comparison and Ranking of Different Modelling Techniques for Prediction of Site Index in Mediterranean Mountain Forests, Ecological Modelling, 221(8), 1119-1130. [DOI:10.1016/j.ecolmodel.2010.01.007]
2. Alavi, S., Noori, Z., & Zahedamiri, Gh. (2016). Determination of the Most Effective Environmental Factors on Production Capacity of Eastern Beech Habitats Using Random Forest Technique in Kheyroud Noshahr Forest, Iranian Forest Journal, 8(32), 2-17 (In Persian).
3. Ameri, M., & Eftekharzadeh, S.M. (1999). Pavement Management for Roads, Airports and Parking, University of Science and Technology Publications. 500 pp (In Persian).
4. D.F.S. (2007). Master plan of Alborz dam Upper watershed, Mazandaran Jihad & Agriculture Organization, Annex3, 114 p.
5. Elhadidi, A.A., Elbeltaghi, E.E., & Ammer, M.A. (2014). Optimum analysis of pavement maintenance using multi-objective genetic algorithms, HBRC Journal, 11(1), 107-113. [DOI:10.1016/j.hbrcj.2014.02.008]
6. Fakora, A. (2014). Assessment of the Production Capacity of Oriental Beech Habitat Using Data Mining Technique, Decision Masters, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University. 155 PP.
7. Gotosa, J., Nyamadzawo, G., Mtetwa, T., Kanda, A., & Dudu, V.P. (2015). Comparative Road dust suppression capacity of molasses stillage and water on gravel road in Zimbabwe. Advances in Research, 3(2), 198-208. [DOI:10.9734/AIR/2015/13019]
8. Gupta, A., Kummer, P., & Rastogi, R. (2011). Pavement deteriorating and maintenance model for low volume roads, International Journal of pavement research and Technology, 4(4), 1-8.
9. Hassani, A., & Abasi, A. (2012). Investigating the Effect of Geometric Design on Damage to Flexible Pipes. 9th International Congress of Civil Engineering, 1-9 pp (In Persian)
10. Heydari, M. (2015). Modeling of pavement deterioration of forest roads using artificial neural network and logistic regression. MSc Degree in forestry, Marine Science and Natural Resources, Tarbiat Modares University, 112 pp (In Persian)
11. Jamshidy, A., Majnounian, B., Zahedi Amiri, Gh., & Hoseini, S.A. (2009). Forest soil classification to reduce costs of mechanical capability study for roadway and transportation (Case study: Agh- Mashhad Forest). Journal of the Iranian Natural Research, 61(4), 877-888 (In Persian).
12. Kun, J. (2009). Influence of turning military vehicle induced rut formation, a Dissertation presented for the doctor of philosophy, the University of Tennessee, Knoxville, 157 pp.
13. Majnonian, B., Alizadeh, S.M., Darvishsafat, A.A., & Abdi, E. (2000). Evaluating of Estimation of Cut and Fill Operations Using GIS and Field Measurement (Case Study: Kheiroud Forest-Chelir District). Watershed Management Research Journal (Pajouhesh & Sazandegi), 87, 64-69 (In Persian).
14. Hasmadi, I., & Kamaruzaman, J. (2008). Forest Road assessment in Ulu Muda Forest reserve, Kedah, Malaysia, Modern applied science, 2(4), 100-108. [DOI:10.5539/mas.v2n4p100]
15. Moisen, G.G., Freeman, E.A., Blackard, J.A., Frescino, T.S., Zimmermann, N.E., & Edwards, T.C. (2006). Predicting tree species presence and basal area in utah: a comparison of stochastic gradient boosting, generalized additive models, and tree-based methods. Ecological Modelling, 199(2), 176-187. [DOI:10.1016/j.ecolmodel.2006.05.021]
16. Nasiri, M., & Hodjati, S.M. (2012). Designing geometric specifications of main access road and its effects on pavement rutting. Annals of biological research, 3(5), 2491-2499.
17. Ozturk, T., & Senturk, N. (2013). The importance of choosing the pavement materials on forest roads, International Caucasian forestry symposium.
18. Parsakho, A. (2001). Investigation of horizontal arch standards and their relationship with forest road damage. International Road and Structure Monthly Magazine, 94(1), 18-25 (In Persian).
19. Parsakhoo, A., & Hosseini, S.A. (2009). Factors affecting the wheel rutting on rural roads, Journal of applied sciences, 9(7), 1362-1367. [DOI:10.3923/jas.2009.1362.1367]
20. Rafatnia, N. (1988). Design and project of forest and mountain plans, Mazandaran University Press, Sari. 277 pp (In Persian).
21. Tyralis, H., Papacharalampous, G., & Langousis, A. (2019). A Brief Review of Random Forests for Water Scientists and Practitioners and Their Recent History in Water Resources. Water, 11(5), 910 pp. [DOI:10.3390/w11050910]
22. Saadi, M., Oudin, L., & Pierre Ribstein, P. (2018). Random Forest Ability in Regionalizing Hourly Hydrological Model Parameters. Water, 11(8), 15-40 (In Persian). [DOI:10.3390/w11081540]
23. Xiao, L., Dai, B., Liu, D., Zhao, D., & Wu, T. (2016). Monocular Road Detection Using Structured Random Forest. International Journal of Advanced Robotic Systems, 3(3), 1-13. [DOI:10.5772/63561]
24. Zheng, T., Yan, Z., & Zhu, G. (2019). Stock selection with random forest: An exploitation of excess return in the Chinese stock market. Heliyon, 5(8), 1-10. [DOI:10.1016/j.heliyon.2019.e02310]
25. Zhu, M., Philpotts, D., & Stevenson, M.J. (2012). The benefits of tree-based models for stock selection. Journal of Asset Management,13(6), 437-448. [DOI:10.1057/jam.2012.17]
26. Zhu, M., Xia, J., Jin, X., Yan, M., Cai, G., Yan, J., & Ning, G. (2018). Class Weights Random Forest Algorithm for Processing Class Imbalanced Medical Data. IEEE Access, 6, 4641-4652. [DOI:10.1109/ACCESS.2018.2789428]

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.