مقایسه رویه های شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت در مدل سازی و پیش بینی جنگل زدایی مطالعه موردی: حوزه آبخیز گرگانرود- استان گلستان

Abstract

<strong>زمینه و هدف: </strong>تغییر در پوشش جنگلی در خدمات اکوسیستمی، تعادل کربن در جو و در نتیجه تغییرات آب و هوا نقش بسیار مهمی ایفا می­کند. هدف از این تحقیق مقایسه سه روش شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت، جهت پیش­بینی روند مکانی تغییرات پوشش جنگل است.<br /> <strong>روش بررسی:</strong> در این مطالعه از نقشه­های کاربری اراضی تولید شده از ماهواره Landsat سنجنده TM مربوط به سال­های 1984 و 2012 استفاده شد. مدل­سازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت و پیش­بینی تغییرات برای بهترین مدل با استفاده از زنجیره مارکف انجام شد. به­منظور برآورد صحت مدل­سازی از آماره­های ROC، نسبت موفقیت به هشدار خطا و عدد شایستگی استفاده شد.<br /> <strong>یافته­ها:</strong> نتایج بیان­گر صحت بالای شبکه عصبی مصنوعی با میزان ROC برابر 975/0 ، نسبت موفقیت به هشدار خطا 63 درصد و<br /> عدد شایستگی 12 درصد می­باشد.<br /> <strong>بحث و نتیجه­گیری: </strong>شبکه­های عصبی مصنوعی در مقایسه با رگرسیون لجستیک و یادگیری بر مبنای نمونه وزنی مشابهت از صحت بالاتر و خطای کم­تری در مدل­سازی و پیش­بینی تغییرات جنگل برخوردارند.