مقايسه عملكرد دو روش‌ خوشه‌بندي‌ غيرسلسله‌مراتبي در داده‌هاي پوشش‌گياهي

هدف طبقه‌بندي پوشش گياهي، بهينه‌سازي و خلاصه ‌كردن تغييرات آن به‌عنوان نماينده تغييرات محيطي است كه سبب دسترسي به اطلاعات مفيد و قابل‌تفسير از بوم‌سازگان مي‌شود. باتوجه‌به وجود تعداد زيادي از روش‌هاي طبقه‌بندي، انتخاب روش بهينه، چالشي بزرگ است. در پژوهش پيش‌رو، دو روش خوشه‌بندي غيرسلسه‌مراتبي شامل K-means و K-medoids براي بوم‌سازگان‌هاي جنگلي مقايسه شدند. داده‌هاي مورد استفاده در اين راستا شامل دو مجموعه داده واقعي جمع‌آوري‌شده از نوشهر (جنگل‌هاي هيركاني) و اسلام‌‌آباد غرب (جنگل‌هاي زاگرس) و شش مجموعه داده شبيه‌سازي‌شده بودند. براي آماده‌سازي داده‌ها از تبديل داده هلينگر استفاده شد. سپس، سه روش اندازه‌گيري فاصله اقليدسي، بري‌كورتيس و منهتن به‌كار گرفته شدند تا عملكرد دو روش غيرسلسله‌مراتبي مذكور بررسي شود. نتايج طبقه‌بندي به‌دست‌آمده از روش‌هاي مختلف با سه روش ارزيابي‌كننده سيلوئت، همبستگي في و ISAMIC مقايسه شدند. نتايج نشان داد كه تركيب ماتريس تشابه بري‌كورتيس و روش‌هاي خوشه‌بندي K-means و K-medoids به‌ترتيب رتبه‌هاي اول و دوم را در بين خوشه‌بندي‌هاي مختلف داشتند. ضعيف‌ترين خوشه‌بندي مربوط به تركيب ماتريس تشابه منهتن و روش K-medoids بود. روش K-means در داده‌هاي ناهمگن‌تر مانند داده‌هاي زاگرس و شبيه‌سازي‌شده، كارايي بيشتري داشت. همچنين، تبديل داده هلينگر سبب بهبود عملكرد ضريب فاصله اقليدسي شد. باتوجه‌به نتايج تحليل‌هاي مربوطه، تركيب روش خوشه‌بندي K-means و ماتريس تشابه بري‌كورتيس براي داده‌هاي جوامع گياهي پيشنهاد مي‌شود.