O manejo florestal precisa avaliar diversos riscos que podem causar prejuízos económicos ou outras perdas para os proprietários florestais. O objetivo deste estudo é elaborar mapas de risco de queda de árvores por vendo com base em regressão logística e random forest (RF) nas florestas de Nowshahr, província de Mazandaran, no Irã. Primeiramente, 200 locais com queda de árvores por vento foram identificadas por levantamentos de campo e relatórios. Destes, 140 (70%) foram selecionados aleatoriamente como dados de treinamento e os 60 restantes (30%) foram usados para validação. Na etapa seguinte, 10 variáveis preditivas, sendo, inclinação, face de exposição, altitude, índice de posição topográfica (TPI), índice de umidade topográfico (TWI), distância de estradas e trilhas, efeito do vento, textura do solo, tipo de floresta e densidade do talhão, foram extraídos do banco de dados espacial. Posteriormente, mapas de risco de queda de árvores por vento foram elaborados usando regressão logística e modelos de RF, e os resultados foram plotados em ArcGIS. Finalmente, a área sob as curvas (AUC) e coeficiente kappa foram computados para fins de avaliação de desempenho. A validação dos resultados mostrou que a área sob a curva e índice kappa apontaram para maior precisão para RF (97,5% e 95,0%, respectivamente) do que a regressão logística (96,7% e 93,3%, respectivamente). Portanto, esta técnica tem mais potencialidade de ser aplicado na avaliação do fenômeno de queda de árvores por vento em ecossistemas florestais. Além disso, ambos os modelos indicaram que a distribuição espacial da probabilidade de incidência de queda de árvores por vento é altamente variável na região. Em geral, as conclusões deste artigo podem ser aplicadas para a gestão da queda de árvores por vendo em favor da preservação ambiental e benefícios económicos.
Forest management needs to evaluate various hazards where may cause economic or other losses to forest owners. The aim of this study is to prepare windthrow hazard maps based on logistic regression and random forest models in Nowshahr Forests, Mazandaran Province, Iran. First of all, 200 windthrow locations were identified from extensive field surveys and some reports. Out these, 140 (70%) locations were randomly selected as training data and the remaining 60 (30%) cases were used for the validation goals. In the next step, 10 predictive variables such as slope degree, slope aspect, altitude, Topographic Position Index (TPI), Topographic Wetness Index (TWI), distance to roads and skid trails, wind effect, soil texture, forest type and stand density were extracted from the spatial database. Subsequently, windthrow hazard maps were produced using logistic regression and RF models, and the results were plotted in ArcGIS. Finally, the area under the curves (AUC) and kappa coefficient were made for performance purposes. The validation of results presented that the area under the curve and kappa have a more accuracy for the random forest (97.5%, and 95%, respectively) than logistic regression (96.667%, and 93.333%, respectively) model. Therefore, this technique has more potentiality to be applied in the evaluation of windthrow phenomenon in forest ecosystems. Additionally, both models indicate that the spatial distribution of windthrow incidence likelihood is highly variable in this region. In general, the mentioned findings can be applied for management of future windthrow in favor of economic benefits and environmental preservation.
