11. Modeliranje višinske in debelinske rasti dominantnih dreves ter ocenjevanje indeksov produkcijske sposobnosti gozdnih rastiščAndrej Bončina, Vasilije Trifković, Živa Bončina, 2021, original scientific article Abstract: Modeli višinskega in debelinskega priraščanja dreves so pomembni za upravljanje gozdov, saj so podlaga za določanje režima redčenj, ciljnih premerov drevesnih vrst in optimalnega razmerja razvojnih faz ter ocenjevanje produkcijske sposobnosti goz%dnih rastišč. S podatki s stalnih vzorčnih ploskev smo za dva gozdna tipa (gradnovo bukovje na izpranih tleh in predalpsko jelovo bukovje) modelirali višinsko rast dominantnih bukev in smrek glede na njihov premer. Za obe vrsti smo ocenili rastiščni produkcijski indeks (SPI), ki je dominanta višina drevja pri prsnem premeru 45 cm. Na podlagi debelinskega priraščanja do%minantnih dreves smo ocenili prehodne dobe in povprečno starost dreves glede na njihovo debelino. To so bili vhodni podatki za določitev regresijskega modela višine dominantnih dreves glede na njihovo starost. SPI je za smreko v primerjavi z bukvijo pričakovano višji, pri bukvi je vrednost SPI višja na rastišču gradnovega bukovja na izpranih tleh (28,7 m proti 27,9 m), pri smreki pa na rastišču predalpskega jelovega bukovja (31,3 m proti 29,7 m). Vrednosti rastiščnih indeksov (SI; dominantna višina drevja pri starosti 100 let) smreke na rastiščih gradnovega bukovja in predalpskega jelovega bukovja so 33,4 in 32,0, bukve pa 29,0 in 27,0. Z opisanim postopkom smo za izbrana gozdna rastiščna tipa določili indekse produkcijske sposobnosti gozdnih smreke in bukve (SI in SPI); uporabnost postopka je treba preveriti še za druge drevesne vrste in gozdne rastiščne tipe. Keywords: dominantna drevesa, višinska rast, debelinska rast, rastiščni indeks, rastiščni produkcijski indeks, Fagus sylvatica, Picea abies Published in DiRROS: 17.08.2021; Views: 3976; Downloads: 2330 Full text (840,99 KB) This document has many files! More... |
12. Priročnik za fenološka opazovanja dreves v mestu in urbanih gozdovihUrša Vilhar, 2014, dictionary, encyclopaedia, lexicon, manual, atlas, map Keywords: fenologija, urbani gozdovi, monitoring, drevnine, drevesa, priročniki Published in DiRROS: 01.02.2021; Views: 1678; Downloads: 588 Full text (1,17 MB) |
13. |
14. Odziv urbanega drevja na podnebne razmere v mestnem okoljuBorut Sever, Marinka Brglez Sever, 2020, professional article Abstract: V urbanem okolju drevesa strukturno in ekološko prispevajo h kakovosti mestnega življenja in predstavljajo pomemben ukrep za prilagajanje podnebnim spremembam. V članku je naveden pregled objav, v katerih so opisane urbane podnebne razmere in okoljski vplivi, ki so jim izpostavljena drevesa v mestnem okolju. Hkrati je v pregledu objav definirana vloga dreves v urbanem okolju, obravnavani pa so tudi dejavniki stresa pri urbanem drevju. Nekaj zbranih informacij opisuje toleranco in fiziološki odziv posameznih drevesnih vrst na podnebne spremembe in nekatere druge dejavnike stresa pri urbanih drevesih. Vključen je tudi opis mehanizmov, ki lahko pripomorejo pri omilitvi učinkov temperaturnega in sušnega stresa v mestnem okolju Keywords: urbana drevesa, podnebne spremembe, temperaturni stres, sušni stres, urbana mikroklima Published in DiRROS: 10.10.2020; Views: 1954; Downloads: 494 Full text (299,28 KB) |
15. Drevesne naravne vrednote v registru naravnih vrednot SlovenijePia Caroline Adamič, Robert Brus, 2020, original scientific article Abstract: Namen raziskave je bila podrobna analiza registra drevesnih naravnih vrednot Slovenije, ki vsebuje skupaj 2529 dreves in skupin dreves. V raziskavi smo prikazali deleže posameznih drevesnih vrst, njihov geografski izvor, merila vrednotenja, povprečne in največje mere drevesnih vrst, njihove lokacije in nahajališča ter poškodovanost dreves. Ugotovili smo, da je najpogostejša drevesna vrsta v registru lipa (42,67 % dreves) in da 87,4 % vseh dreves v registru pripada avtohtonim vrstam. Od tujerodnih vrst jih največ izvira iz Severne Amerike, po številu osebkov pa je tujerodnih vrst največ iz drugih delov Evrope. Najbolj pogosto merilo vrednotenja je izjemnost drevesa, predvsem obseg in višina, najdebelejše drevo v registru je Gašperjev kostanj (obseg 1104 cm), najvišje pa Sgermova smreka (višina 62 m). Največ izjemnih dreves raste ob domačijah in kmetijah (31,2 %) in v bližini sakralnih objektov (17,9 %). V registru je 36,3 % dreves brez evidentiranih poškodb, 59,6 % je poškodovanih, za 4,1 % pa ni podatka o poškodovanosti. Največja pogostnost dreves je v okolici Ljubljane in na Pohorju. Register vsebuje velik delež zastarelih podatkov, zato bi bilo treba narediti pregled aktualnega stanja drevesnih naravnih vrednot in ga dopolniti z novimi izjemnimi drevesi. Keywords: drevesne naravne vrednote, register naravnih vrednot Slovenije, drevesna dediščina, izjemna drevesa Published in DiRROS: 03.09.2020; Views: 4229; Downloads: 2403 Full text (3,29 MB) |
16. |
17. |
18. |
19. Korak proti bolj objektivnemu kartiranju funkcij gozdaMitja Skudnik, 2018, preface, editorial, afterword Keywords: varovalna funkcija gozda, gozdnogojitveni ukrepi, drevesa, kakovostni sortimenti, kartiranje, varstvo gozdov Published in DiRROS: 07.03.2018; Views: 3483; Downloads: 888 Full text (44,47 KB) |
20. Uporaba metod strojnega učenja za preučevanje odnosov med značilnostmi branik in okoljemJernej Jevšenak, Sašo Džeroski, Tom Levanič, 2017, original scientific article Abstract: Različne študije so pokazale, da lahko z nelinearnimi metodami bolje opišemo (modeliramo) odnos med branikami in okoljem. V naši študiji smo primerjali (multiplo) linearno regresijo (MLR) in štiri nelinearne metode strojnega učenja: modelna drevesa (MT), ansambel bagging modelnih dreves (BMT), umetne nevronske mreže (ANN) in metodo naključnih gozdov (RF). Za primerjavo teh metod modeliranja smo uporabili štiri množice podatkov. Natančnost naučenih modelov smo ocenili z metodo 10-kratnega prečnega preverjanja (ang. 10-fold cross-validation) na naši množici in preverjanjem na dodatni testni množici. Na vseh množicah smo dobili boljše statistične kazalce za nelinearne metode s področja strojnega učenja, s katerimi lahko pojasnimo večji delež variance oz. dobimo manjšo napako. Nobena metoda se ni pokazala kot najboljša v vseh primerih, zato je smiselno predhodno primerjati več različnih metod in nato uporabiti najprimernejšo, npr. za rekonstrukcijo klime. Keywords: strojno učenje, primerjava metod, dendroklimatologija, umetne nevronske mreže, modelna drevesa, ansambel modelnih dreves, naključni gozdovi, linearna regresija Published in DiRROS: 21.02.2018; Views: 5819; Downloads: 3514 Full text (1,18 MB) This document has many files! More... |