پيشبيني الگوي پراكنش ماهي حسون (Saurida tumbil) براساس سامانه اطلاعات جغرافيايي (GIS) با استفاده از شبكه‌هاي عصبي مصنوعي (ANN)

The prediction of distribution pattern of Saurida tumbil in the northern Persian Gulf using GIS and ANN

به منظور بررسي و پيش‌بيني الگوي پراكنش ماهي حسون (Saurida tumbil) داده‌هاي صيد بر واحد سطح سال 1387 حاصل از گشت‌هاي تحقيقاتي در حوزه آبهاي استان هرمزگان مورد تجزيه و تحليل قرار‌گرفتند. با استفاده از نرم‌افزار صفحه گسترده، تجزيه و تحليل اوليه صورت گرفت و با نرم‌افزارهاي سامانه اطلاعات جغرافيايي (GIS) نقشه‌هاي پراكنش مكاني ماهي حسون براساس ميزان صيد بر واحد سطح (CPUA) Catch Per Unit of Area تهيه ‌گرديد. پس از آن به منظور پيش‌بيني الگوي پراكنش، نقشه‌هاي پارامترهاي فيزيكي وشيميايي آب منطقه شامل: دما، كدورت، شوري، چگالي، اكسيژن محلول، pH، كلروفيل a، هدايت الكتريكي، عمق، فاصله از ساحل، زمان صيد و طول و عرض جغرافيايي تهيه گرديد. نقشه‌هاي فوق الذكر پس از تبديل به داده، بعنوان متغيرهاي مستقل و CPUA ماهي حسون بعنوان متغير وابسته در نظر گرفته شدند. نقشه‌ها پس از تبديل بعنوان ورودي نرم‌افزار شبكه عصبي مصنوعي Networks (ANNs) Artificial Neural مورد استفاده قرار گرفت، كه 60 درصد از داده‌ها براي آموزش، 20 درصد به منظور اعتبارسنجي و 20 درصد ديگر براي آزمايش عملكرد شبكه عصبي مصنوعي مورد استفاده قرار گرفتند و بهترين مدل شبكه عصبي مصنوعي، با درصد كارآيي بالا در يادگيري، آزمايش و اعتبار سنجي به عنوان الگويي براي پيش‌بيني انتخاب شد. با بكارگيري مدل، روي اطلاعات محدود آبشناسي و صيد در منطقه، مي توان پيش‌بيني الگوي پراكنش ماهي مورد نظر را انجام داد و با استفاده از الگوي پراكنش، مي‌توان ناوگان صيادي را راهنمايي و دقيقاٌ مناطق صيد را برحسب مختصات جغرافيايي پيش‌بيني نمود.

In conformity to study and predict the distribution pattern of lizardfish (Saurida tumbil) in the northern Persian Gulf (Hormuzgan province waters), the catch data of 2008 were collected and analyzed. The primary statistical analysis were done using Excel and then distribution maps were provided using GIS–software based on Catch Per Unit of Area index (CPUA). Then to forecast the distribution pattern, the maps of different physical and chemical parameters of sea water consist of temperature, turbidity, salinity, sigma T, oxygen, pH, chlorophyll a, electrical conductivity, sound speed, depth, distance from coast, geographical position and time of towing were prepared and were used as independent value to be assessed with CPUA of lizardfish as dependent value. These maps were used as input of Artificial Neural Networks (ANNs) software of which 60% of data for training, 20% for testing and 20% for validation were applied to prepare the best ANN model. With applying this model on catch and CPUA data, the distribution pattern with emphasize on fishing ground can be predicted for further fisheries management and leading the fishing activities to be concentrated in fishing grounds.