Devrek-Tefen yöresinde doğu kayını (fagus orientalis lipsky.) Doğal gençleştirme uygulamalarında iklim değişikliğinin etkileri

Abstract

Devrek-Tefen yöresinde üç bölmede (70, 73 ve 86 nolu bölmeler) Doğu Kayını (Fagus orientalis Lipsky.) doğal gençleştirme alanında iklim değişikliğinin etkileri hakkında bazı öngörülerde ve tahminlerde bulunmak amacıyla bir ön değerlendirme niteliğinde gerçekleştirilen bu araştırmada, iki yaşındaki doğal kayın gençliklerinde ortalama boy, ortalama kök boğaz çapı ve ortalama metrekaredeki sayı gibi gençleştirme başarısı ve adaptasyon yeteneği ile ilgili kantitatif parametreler yapılan ölçüm ve tespitler ile öncelikli olarak belirlenmiştir. Buna göre, 2 yaşındaki kayın doğal gençliklerinde her üç bölmede ortalama boy büyümesinin 2,1-2,4cm arasında, ortalama kök boğaz çapının 1,1-1,3mm arasında ve ortalama metrekaredeki doğal gençliklerin her üç bölmedeki sayısının 10,5- 10,9 adet arasında değiştiği belirlenmiştir. SSPs245 ve SSPs585 senaryolarına göre DeMortanne ve Emberger indeksleri uygulanılarak yapılan hesaplar sonucunda araştırma alanını oluşturan Devrek yöresinde yer alan yarı nemli ve nemli orman kuşağında bulunan saf doğu kayını ormanlarının SSPs245 küresel ısınma senaryosuna göre 2060 yılında toplam 2156 ha’ı, 2100 yılında ise 3448 ha’ı kurak ve yarı kurak rejyonda kalması nedeniyle doğal gençleştirme koşullarını büyük ölçüde yitireceği öngörülmüştür. Araştırmada kayın doğal gençliklerinin aktüel yetişme ortamı koşulları ve WorldClim senaryoları dikkate alınarak küresel iklim değişikliğine bağlı değişimlerinin tahmin edilmesinde kNN (K-Nearest Neighbors), LVQ (Learing Vector Quantization), SVM (Support Vector Machine), RPART (Decision Trees) ve RF (Random Forest) gibi yaygın olarak kullanılan mekanik öğrenme algoritmaları kullanılmıştır. Bu doğrultuda küresel ısınmanın araştırma alanını oluşturan Devrek-Tefendeki 3 bölmede yer alan 2 yaşındaki kayın doğal gençlikleri üzerindeki etkileri en yüksek doğruluk düzeyinde tahmin eden mekanik öğrenme algoritması bölmeler itibarıyla hesaplanan %74,3, %75,61 ve %73,56 doğruluk düzeyleri ile RF olmuştur. Bu algoritmayı sırasıyla kNN, RPART, SVM ve LVQ sahip oldukları doğruluk düzeyleri ile izlemiştir.

In this study, which was carried out as a preliminary assessment in order to make some predictions and estimations about the effects of climate change in the natural regeneration area of Oriental Beech (Fagus orientalis Lipsky.) in three divisions (division of 70, 73 and 86) in Devrek-Tefen region, the mean of two-year-old natural beech juvenility was determined. Quantitative parameters related to regeneration success and adaptation ability such as mean height, mean root collar diameter and mean number of square meters were determined primarily by measurements and determinations. According to this, the mean height growth of 2 years old beech natural juvenilities is between 2.1-2.4 cm in all three divisions, the mean root collar diameter is between 1.1-1.3 mm, and the number of natural juvenilities in each three divisions in a mean square meter is changed between 10.5-10.9 items in meter square. According to the SSPs245 and SSPs585 scenarios, as a result of the calculations made by applying DeMortanne and Emberger indices, the pure oriental beech forests located in the semi-humid and humid forest belt in the Devrek region, which constitutes the research area, total 2156 ha in 2060 and 3448 ha in 2100, according to the SSPs245 global warming scenario. It is predicted that it will lose its natural regeneration conditions to a great extent due to the fact that it remains in the arid and semi-arid regions. In the research, widely used mechanical learning algorithms such as kNN (K-Nearest Neighbors), LVQ (Learing Vector Quantization), SVM (Support Vector Machine), RPART (Decision Trees) and RF (Random Forest) were used. In this direction, the mechanical learning algorithm, which predicts the effects on the natural youth of the 2- year-old beech in the 3 divisions in Devrek-Tefen, which constitutes the research area of global warming, with the highest accuracy level, with the accuracy levels of 74.3%, 75.61% and 73.56% calculated by the compartments. It has been RF. This algorithm was followed by kNN, RPART, SVM and LVQ, respectively, with their accuracy levels.