مدل‌سازي پراكنش گونه هاي گياهي مناطق خشك و بياباني با استفاده از روش شبكه‌هاي عصبي مصنوعي (بررسي موردي: مراتع حوض سلطان استان قم)

(Modelling of Plant Species Distribution In Arid Regions Using Artificial Neural Networks (ANN) (Case Study: Hozeh Soltan Rangelands of Qom Province

هدف اين پژوهش ارزيابي كارآيي مدل شبكه‌ عصبي مصنوعي براي تهيه نقشه پيش‌بيني رويشگاه‌هاي گياهي در مراتع استان قم است. بدين منظور، با رويهم‌گذاري نقشه‌هاي شيب، جهت و ارتفاع، واحدهاي همگن تهيه شدند و نمونه‌برداري از پوشش گياهي و خاك انجام شد. در آخر نقشه مربوط به متغيرهاي محيطي با استفاده از سامانه اطلاعات جغرافيايي و زمين‌ آمار تهيه شد. براي تهيه مدل شبكه عصبي از پرسپترون چندلايه بهره‏ گيري شد. پس از پيش پردازش‌هاي لازم روي داده‌ها (نرمال‌‌سازي و تقسيم داده‌ها به سه مجموعه آموزش، آزمون و اعتبارسنجي)، بهترين ساختار شبكه، با تغيير پارامترهاي قابل تنظيم (تابع انتقال، قانون يادگيري، تعداد لايه مياني، تعداد نرون لايه مياني) و با استفاده از معيارهاي آماري محاسبه‌شده در مرحله آزمون (ميانگين مربعات خطا) تعيين شد. بعد از انتخاب شبكه بهينه، شبيه‌سازي احتمال حضور و عدم‌حضور گونه‌ها انجام و نقشه پيوسته احتمال حضور و عدم‌حضور گونه‌ها با استفاده از نرم‌افزار Arc GIS در هر رويشگاه تهيه شد. در مرحله بعد آستانه بهينه حضور به روش حساسيّت و اختصاصيّت برابر تعيين شد و مقدار تطابق نقشه‌هاي به‌دست آمده با نقشه‌هاي واقعي با محاسبه ضريب كاپا بررسي شد. بر اساس نتايج، دقيق‌ترين مدل پيش‌بيني براي همه رويشگاه‌ها با استفاده از تابع انتقال سيگموييد و قانون آموزش لونبرگ ماركوارت حاصل شد. نتايج نشان داد كه نقشه‌هاي پيش‌بيني براي رويشگاه‌ Artemisia sieberi2 داراي تطابق عالي؛ رويشگاه Halocnemum strobilaceumداراي تطابق خيلي‌خوب؛ رويشگاه‌ Tamarix passerinoides داراي تطابق خوب؛ رويشگاه Seidlitzia rosmarinus داراي تطابق متوسط و رويشگاه Artemisia sieberi1 داراي تطابق ضعيف با نقشه‏هاي واقعيت زميني است. اين نتايج گوياي آن است كه شبكه پرسپترون چند لايه در مدل‌سازي و برآورد محدوده جغرافيايي پراكنش رويشگاه گونه‌هاي مورد مطالعه از دقّت قابل قبولي برخوردار است و در صورتي‌كه متغيرهاي ورودي به شبكه به درستي انتخاب شوند مي‌تواند شبيه‌سازي حضور و عدم حضور را با دقّت بالايي انجام دهند.

The aim of this study was to evaluate the efficiency of artificial neural networks in supplying predictive maps of plant species habitats distribution in Qum province rangelands, Iran. For this purpose, soil and vegetation sampling was done after determination of homogenous unit by combining of slope, aspect and elevation maps and environmental variables maps were prepared using geostatistics and GIS. To prepare the artificial neural network models, the best network structure, was determined following required data preprocessing (normalizing data and partitioning of data into three sets, training, test and validation), improving adjustable parameters (such as transfer function, learning rule, the number of hidden layers, number of hidden layer neurons) and using statistical parameters calculated in the test phase (MSE). After selecting the optimal network, simulations were performed to estimate the probability of the presence or absence of the species and continuous probability maps of the presence or absence was prepared at each species habitat using Arc GIS. Then the optimal threshold was determined using equal sensitivity and specificity method and the compliance between predicted and actual maps were examined by calculating kappa. Based on the results, the most accurate prediction models were obtained for all habitats using sigmoid transfer function and the Levenberg Marquardt algorithm. The results also showed that habitat predictive and actual maps of Artemisia sieberi, Halocnemum strobilaceum, Tamarix passerinoides, Seidlitzia rosmarinus and Artemisia sieberi have excellent, very good, good, fair and poor compliance, respectively. These results indicate that the multilayer perceptron has acceptable accuracy in the modeling and estimation of the geographical distribution of the studied species habitat and if the network input variable be chosen properly, the network can simulate presence or absence of plant species with high accuracy.