ارزيابي قابليت مدل شبكه عصبي مصنوعي در پيش بيني پراكنش مكاني گونه هاي گياهي (مطالعه موردي: مراتع طالقان مياني)

Evaluating the ability of artificial neural network model in predicting the spatial distribution of plant species (case study: rangeland of Taleghan miany)

در اين تحقيق قابليت مدل شبكه عصبي در پيش بيني پراكنش مكاني گونه هاي گياهي ارزيابي شده است. با توجه به هدف، اطلاعات پوشش گياهي و عوامل رويشگاهي شامل اقليم، خاك، پستي و بلندي و زمين شناسي جمع آوري شد. براي نمونه برداري از پوشش گياهي در هر تيپ رويشي، 3 ترانسكت150 متري مستقر و در هر ترانسكت 15 پلات با فواصل 10 متر (به روش تصادفي-سيستماتيك) مستقر شد. براي تجزيه و تحليل اطلاعات و ارايه نقشه عوامل محيطي از روش هاي زمين آمار و براي ارايه نقشه پيش بيني رويشگاه گونه هاي مورد بررسي از شبكه عصبي مصنوعي (MLP) استفاده شد. با توجه به نتايج ارزيابي مدل ها با ضريب كاپا، مدل شبكه عصبي موقعيت رويشگاه دو گونه Agropyron intermediumرا در سطح عالي (95/0=k)، رويشگاه دو گونه Thymus kotschyanus و Astragalus gossypinus را در سطح بسيار خوب (83/0و84/0=k) و رويشگاه گونه Stipa barbata را در سطح خوب (70/0=k) پيش بيني كرده است، بنابراين، مدل شبكه عصبي قابليت بالايي در پيش بيني پراكنش مكاني گونه هاي مورد بررسي داشته است. همچنين بر اساس نتايج آزمون شبكه، صحت مدل براي هر چهار رويشگاه بيشتر از 95 درصد بوده است، اين نشان مي دهد كه پارامترهاي اقليمي و خاكي بكار رفته در تشكيل مدل نهايي در اين تحقيق، توانايي لازم در پيش بيني توزيع بالقوه گونه هاي مورد بررسي را داشتند.

This study aimed to evaluate the Artificial Neural Network (ANN) model potential to predict the spatial distribution of plant species. The vegetation data as well as topography, climate, geology and soil data were collected. A randomized-systematic method was used to collect the vegetation data. Three parallel transects with 150 meters lengths were established in each sampling unit, and the vegetation data were collected from 15 quadrates placed with intervals of 10 meters. Various geo-statistical methods were used to produce environmental maps, and ANN technique was used to predict the potential vegetation habitats. The produced model was assessed using Kappa coefficient. According to the results, the study area was identified as a good habitat for species such as Agropyron intermedium, Thymus kotschyanus, Astragalus gossypinus and Stipa barbata with Kappa coefficient of 0.95, 0.84, 0.83 and 0.7 respectively. The results indicated that ANN technique has good potential to predict the spatial distribution of range species. According to the results, the accuracy of the model prediction for the species of all four studied habitats was more than 95%. This indicates that the potential habitat maps of plant species can be produced appropriately by using the selected soil and climatic variables in a plant distribution model.