طبقه بندي نظارت شده جوامع گياهي شمشاد هيركاني با استفاده از شبكه عصبي مصنوعي

در اين پژوهش، كاربرد روش شبكه عصبي مصنوعي يا MLP در فرآيند تخصيص رلوه گروه‌ها/جوامع‌گياهي با استفاده از پايگاه اطلاعاتي تركيب‌گياهي جنگل‌هاي شمشاد هيركاني (Buxus hyrcana Pojark.) ارزيابي شد. براي اين منظور، نخست گروه‌هاي بوم‌شناختي و جامعه‌شناختي شمشاد هيركاني به ترتيب با استفاده از نتايج دو روش عددي TWINSPAN و تجربي براونبلانكه تعيين شد. نتايج هر دو دارنگاره عددي و تجربي طبقه‌بندي مشتمل بر 7 سطح طبقه‌بندي به عنوان گروه‌ها/ جوامع‌گياهي اوليه به روش MLP معرفي شد. سپس با اختصاص داده‌ها در سه مجموعه آموزش (%70)، آزمون (%15) و اعتبارسنجي (%15)، طبقه‌بندي در هر سطح از دو دارنگاره انجام شد. نتايج نشان داد با افزايش سطح طبقه‌بندي از ميزان انطباق جوامع گياهي حاصله از روش MLP با گروه‌هاي بوم‌شناختي (از 99 درصد تا 60 درصد) و جامعه‌شناختي اوليه (از 98 درصد تا 68 درصد) به‌ترتيب از سطح‌قطع 1 تا 7 كاسته مي‌شود. همچنين بررسي روند تغييرات مقادير درجه حساسيت كل و ضريب كاپا بر اين نكته دلالت دارد كه به غير از سطح قطع 7 طبقهبندي، كيفيت نتايج طبقه‌بندي MLP براساس نتايج اوليه طبقه‌بندي روش TWINSPAN در سطح بالاتري نسبت به جوامع گياهي حاصله از روش براون بلانكه قرار دارد. انطباق مناسب نتايج طبقه‌بندي روش MLP با نتايج سطح پنجم دارنگاره طبقه‌بندي حاصله از دو روش عددي (%90) و تجربي (%89) مي‌تواند بيانگر كيفيت مطلوب روش MLP در طبقه‌بندي جوامع گياهي باشد. بنابراين نتايج تحقيق تصريح مي‌كند روش MLP مي‌تواند به عنوان يك روش مناسب در فرآيند تخصيص قطعه نمونهگروه/اچتماع گياهي مدنظر قرار گيرد.