مدل‌سازي تخريب پوشش گياهي در مناطق تحت حفاظت در اثر برنامه مديريتي(مطالعه موردي: پارك ملي سرخه‌حصار)

Modeling of Vegetation Loss in Protected Areas by Management Plan (Case Study: Sorkheh Hesar National Park)

پژوهش حاضر در پارك ملي سرخه‌حصار باهدف شناسايي اثرگذارترين عوامل و برنامه‌هاي مديريتي مؤثر بر تخريب پوشش گياهي و ارائه مدل پيش‌بيني تخريب در اثر برنامه‌هاي مختلف مديريتي با استفاده از روش رگرسيون و شبكه عصبي مصنوعي انجام شد. بدين منظور، پس از تعيين واحدهاي همگن اكولوژيكي به كمك نقشه رقومي ارتفاعي با مقياس 1:50000، تعداد 480 نمونه خاك با روش ترانسكت نواري و با توجه به عمق خاك و ريشه‌دواني گياهان منطقه چهار پروفيل با عمق‌هاي 5، 10، 15 و 20 سانتي‌متر حفر شد.تعداد 600 نمونه پوشش گياهي نيزبا استفاده از پلات مربع 2 در 2 و روش سطح حداقل با توجه به نوع، تراكم و پراكنش گونه‌هاي گياهي انجام گرفت. به‌منظورمدل‌سازي رگرسيون و شبكه عصبي مصنوعي عوامل انساني، اكولوژيك و خصوصيات خاكبه‌عنوان متغيرهاي ورودي و شاخص تنوع زيستي شانون به‌عنوان متغير خروجي انتخاب شد. مدل رگرسيون در نرم‌افزارSPSS و مدل شبكه در نرم‌افزارMATLAB طراحي شد. نتايج روش توأم و حذف بامقدار0/422=R در مدل رگرسيون (1/811=MSE) و مقدار0/506=R در مدل شبكه عصبي مصنوعي (0/694=MSE) نشان داد مدل شبكه با ساختار پرسپترون چندلايه و يك‌لايه مخفي و 18 نورون، با توجه به مقدار ضريب تبيين كل بالاتراز مدل رگرسيون (0/506) و خطاي كمتر (0/694) در پيش‌بيني تخريب مدل كارآمدتري مي‌باشد. نتايج آناليز حساسيت نشان داد رطوبت وزني خاك نقش كليدي در تخريب پوشش گياهي دارد كه پيشنهاد مي‌شود با احياي خاك و پوشش گياهي در بخش‌هاي تخريب‌يافته از روند تخريب جلوگيري شود.

The main purpose of this study was to determine the most effective factors and management plans influencing vegetation degradation and to provide a prediction model for destruction in various management programs using regression and artificial neural network. In so doing, after determination of similar ecological units with the help of a 1: 50000 DEM, 480 soil samples were analyzed using stratified transect method based on the depth of the soil and rooting of the four-zone profiles with depths of 5, 10, 15 and 20 cm Drilled. A total of 600 vegetation samples were taken using a 2 × 2 square plot and minimum level method based on the type, density and distribution of plant species. In order to model regression and artificial neural network, human, ecological and soil factors as input variables and Shannon biodiversity index were selected as output variables. The regression model was designed in SPSS software and network model in MATLAB software. The results of the Enter and Remove methods with a R-value of 422.0 in the regression model (MSE = 1.811) and a value of R506 / 0 in artificial neural network model (MSE = 0.9694) showed that the network model with multi-layered perceptron structure and hidden layer and 18 neurons are more efficient in predicting the degradation of the ANN model to the total coefficient of determination of the regression model (0.506) and less error (0.694). The results of the sensitivity analysis indicated that soil moisture content is important in the degradation of vegetation. Hence, it is recommended to prevent degradation by restoring soil and vegetation in damaged areas.