ارزیابی کاربرد مدل‌های شبکه عصبی و رگرسیونی به منظور پیش بینی تنوع گونه‌ای با استفاده از برخی عوامل خاکی و فیزیوگرافی (مطالعه موردی: حوزه آبخیز خرابه سنجی ارومیه)

Abstract

اندازه گیری مستقیم تنوع گونه­ای امری وقت­گیر و ­هزینه­بر بوده و تا حدی به دلیل خطاهای حاصل از نمونه­گیری غیرقابل اعتماد است. این مطالعه با هدف تعیین فاکتور­های کم­هزینه در پیش­بینی تنوع گونه­ای بوسیله شبکه مدل­های عصبی مصنوعی، شبکه عصبی تطبیقی-فازی و رگرسیونی انجام شد. نمونه­برداری با استفاده از روش سیستماتیک-تصادفی از 60 قطعه نمونه در طول 6 ترانسکت 100 متری و از عمق 30-0 سانتی­متری خاک صورت گرفت.اطلاعات پوشش گیاهی به منظور اندازه­گیری تنوع گونه­ای بوسیله شاخص تنوع شانون-وینر ثبت گردید. همچنین به­منظور تعیین عوامل تاثیرگذار بر تنوع گونه­ای، فاکتور­های هدایت الکتریکی، اسیدیته، وزن مخصوص ظاهری، درصدهای ماده آلی، رس، سیلت، رطوبت اشباع، خاکدانه­های درشت و ریز و شیب و ارتفاع تعیین و اندازه­گیری شد.سپس با استفاده از مدل­های شبکه عصبی نوع پرسپترون چند لایه، شبکه عصبی تطبیقی-فازی و رگرسیونی تخمین تنوع گونه­ای تعیین شد.نتایج نشان داد که معیارهای مجذور میانگین مربعات خطا و ضریب کارایی در مدل رگرسیونی به ترتیب 14/0 و 39/0 و در مدل شبکه عصبی مصنوعی 07/0 و 86/0 و در مدل شبکه عصبی تطبیقی-فازی 09/0 و 70/0 می<em>­</em>باشند. همچنین میانگین تنوع شانون وینر برای منطقه برابر 1.98 بود.در واقع مدل شبکه عصبی مصنوعی به عنوان ابزار قدرتمندتری در پیش<em>­</em>بینی تنوع گونه­ای نسبت به آنالیز رگرسیون خطی چند<em>­</em>متغیّره و شبکه عصبی تطبیقی-فازی عمل می­کند.