مقايسه رويه هاي شبكه عصبي مصنوعي، رگرسيون لجستيك و يادگيري برمبناي نمونه وزني مشابهت در مدل سازي و پيش بيني جنگل زدايي مطالعه موردي: حوزه آبخيز گرگانرود- استان گلستان

Comparison of Procedure of Artificial Neural Networks, Logistic Regression and Similarity Weighted Instance-Based Learning in Modeling and Predicting the Destruction of the Forest (Case Study: Gorgan-Rood Watershed- Golestan Province)

زمينه و هدف: تغيير در پوشش جنگلي در خدمات اكوسيستمي، تعادل كربن در جو و در نتيجه تغييرات آب و هوا نقش بسيار مهمي ايفا مي­كند. هدف از اين تحقيق مقايسه سه روش شبكه عصبي مصنوعي، رگرسيون لجستيك و يادگيري برمبناي نمونه وزني مشابهت، جهت پيش­بيني روند مكاني تغييرات پوشش جنگل است. روش بررسي: در اين مطالعه از نقشه ­هاي كاربري اراضي توليد شده از ماهواره Landsat سنجنده TM مربوط به سال­هاي 1984 و 2012 استفاده شد. مدل­سازي پتانسيل انتقال با استفاده از شبكه عصبي مصنوعي، رگرسيون لجستيك و يادگيري برمبناي نمونه وزني مشابهت و پيش ­بيني تغييرات براي بهترين مدل با استفاده از زنجيره ماركف انجام شد. به­ منظور برآورد صحت مدل­ سازي از آماره­ هاي ROC، نسبت موفقيت به هشدار خطا و عدد شايستگي استفاده شد. يافته ­ها: نتايج بيان­گر صحت بالاي شبكه عصبي مصنوعي با ميزان ROC برابر 0/975 ، نسبت موفقيت به هشدار خطا 63 درصد و عدد شايستگي 12 درصد مي­ باشد. بحث و نتيجه­ گيري: شبكه­ هاي عصبي مصنوعي در مقايسه با رگرسيون لجستيك و يادگيري بر مبناي نمونه وزني مشابهت از صحت بالاتر و خطاي كم­تري در مدل­ سازي و پيش ­بيني تغييرات جنگل برخوردارند.

Background and Objective: The change in forest cover plays a vital role in ecosystem services, atmospheric carbon balance and thus climate change. The goal of this study is comparison of three procedure of Artificial Neural Network, Logistic regression and Similarity weighted Instance-based Learning (SIM Weight) to predict spatial trend of forest cover change. Method: In this study, land use maps for the periods 1984 and 2012 derived from Landsat TM satellite imagery, was used. Transition potential modeling using artificial neural network, Logistic regression and Similarity weighted Instance-based Learning and prediction based on the best model using Markov chain model was performed. In order to assess the accuracy of modeling, statistics of relative performance characteristic (ROC), ratio Hits/False Alarms and figure of merit was used. Findings: The results show the accuracy of artificial neural network with the ROC equal to 0.975, the ratio Hits/False Alarms equal to 63 percent and the figure of merit is equal to 12 percent. Discussion and Conclusions: Artificial Neural Networks in comparison with Logistic Regression and Similarity weighted Instance-based Learning has higher accuracy and less error in modeling and predicting of forest changes.