مدل‌سازی پراکنش گونه های گیاهی مناطق خشک و بیابانی با استفاده از روش شبکه‌های عصبی مصنوعی (بررسی موردی: مراتع حوض سلطان استان قم)

Abstract

هدف این پژوهش ارزیابی کارآیی مدل شبکه‌ عصبی مصنوعی برای تهیه نقشه پیش‌بینی رویشگاه‌های گیاهی در مراتع استان قم است. بدین منظور، با رویهم‌گذاری نقشه‌های شیب، جهت و ارتفاع، واحدهای همگن تهیه شدند و نمونه‌برداری از پوشش گیاهی و خاک انجام شد. در آخر نقشه مربوط به متغیرهای محیطی با استفاده از سامانه اطلاعات جغرافیاییو زمین‌آمار تهیه شد. برای تهیه مدل شبکه عصبی از پرسپترون چندلایه بهره‏گیری شد. پس از پیش پردازش‌های لازم روی داده‌ها (نرمال‌‌سازی و تقسیم داده‌ها به سه مجموعه آموزش، آزمون و اعتبارسنجی)، بهترین ساختار شبکه، با تغییر پارامترهای قابل تنظیم (تابع انتقال، قانون یادگیری، تعداد لایه میانی، تعداد نرون لایه میانی) و با استفاده از معیارهای آماری محاسبه‌شده در مرحله آزمون (میانگین مربعات خطا) تعیین شد. بعد از انتخاب شبکه بهینه، شبیه‌سازی احتمال حضور و عدم‌حضور گونه‌ها انجام و نقشه پیوسته احتمال حضور و عدم‌حضور گونه‌ها با استفاده از نرم‌افزار Arc GIS در هر رویشگاه تهیه شد. در مرحله بعد آستانه بهینه حضور به روش حساسیّت و اختصاصیّت برابر تعیین شد و مقدار تطابق نقشه‌های به‌دست آمده با نقشه‌های واقعی با محاسبه ضریب کاپا بررسی شد. بر اساس نتایج، دقیق‌ترین مدل پیش‌بینی برای همه رویشگاه‌ها با استفاده از تابع انتقال سیگمویید و قانون آموزش لونبرگ مارکوارت حاصل شد. نتایج نشان داد که نقشه‌های پیش‌بینی برای رویشگاه‌ <em>Artemisia sieberi₂</em> دارای تطابق عالی؛ رویشگاه <em>Halocnemum strobilaceum</em>دارای تطابق خیلی‌خوب؛ رویشگاه‌ <em>Tamarix passerinoides</em> دارای تطابق خوب؛ رویشگاه <em>Seidlitzia rosmarinus</em> دارای تطابق متوسط و رویشگاه <em>Artemisia sieberi₁</em> دارای تطابق ضعیف با نقشه‏های واقعیت زمینی است. این نتایج گویای آن است که شبکه پرسپترون چند لایه در مدل‌سازی و برآورد محدوده جغرافیایی پراکنش رویشگاه گونه‌های مورد مطالعه از دقّت قابل قبولی برخوردار است و در صورتی‌که متغیرهای ورودی به شبکه به درستی انتخاب شوند می‌تواند شبیه‌سازی حضور و عدم حضور را با دقّت بالایی انجام دهند.