برآورد حدود پراكنش مكاني گونه‌هاي گياهي با روش شبكه عصبي‌مصنوعي در مراتع غرب تفتان

An Estimation of Spatial Distribution Domain of Plant Species Using Artificial Neural Networks in West Rangelands of Taftan

پژوهش حاضر با هدف برآورد حدود پراكنش گونه‌هاي گياهي و تهيه نقشه پيش‌بيني پراكنش گونه‌ها با روش پرسپترون چندلايه، در مراتع غرب تفتان در شهرستان خاش انجام شد. براي اين منظور، بعد از شناسايي و تفكيك رويشگاه‌ گونه‌هاي مورد­بررسي، نمونه‌برداري از پوشش گياهي به­روش تصادفي‌ـ منظم انجام شد. براي نمونه‌برداري از خاك در هر رويشگاه، شش نيمرخ حفر و از دو عمق 30-0 و 60-30 سانتي‌متري نمونه‌برداري شد. بعد از اندازه‌گيري خصوصيات خاك در آزمايشگاه و تهيه لايه‌هاي مربوط به خصوصيات فيزيوگرافي (شيب، جهت، ارتفاع)، زمين‌شناسي و خصوصيات فيزيكي‌ـ شيميايي خاك با استفاده از زمين‌آمار و سيستم اطلاعات جغرافيايي، مدل‌سازي پراكنش رويشگاه گونه‌ها به­روش پرسپترون چندلايه انجام شد. بعد از انتخاب مدل پيش‌بيني بهينه براي هر رويشگاه، شبيه‌سازي احتمال حضور و عدم‌حضور گونه‌ها انجام شد. در مرحله بعد، آستانه بهينه‌حضور به روش حساسيّت و اختصاصيّت برابر تعيين شد و مقدار تطابق نقشه‌هاي حاصل از مدل بهينه پيش‌بيني با نقشه‌هاي واقعي از طريق محاسبه شاخص كاپا بررسي شد. براساس مقادير شاخص كاپا، نقشه پيش‌بيني حاصل از روش پرسپترون چندلايه براي رويشگاه Haloxylon persicum داراي تطابق خيلي‌خوب با نقشه واقعي پوشش گياهي است. علاوه بر اين، ميزان تطابق براي رويشگاه‌هاي Artemisia aucheri، Artemisia sieberi و Amygdalus scoparia خوب و براي رويشگاه Zygophyllum eurypterum در سطح متوسط ارزيابي شد. اين نتايج گوياي آن است كه روش پرسپترون چندلايه قادر است با استخراج قوانين حاكم بر داده‌ها و مدل‌سازي فرايندهاي غيرخطي، مدل‌هاي پيش‌بيني دقيقي را ارايه كند. اين امر مي‌تواند منجر به پيش‌بيني صحيح حدود جغرافيايي پراكنش گونه‌هاي گياهي شود و علاوه بر صرفه‌جويي در هزينه و زمان پژوهش‌ها، امكان موفقيت طرح‌هاي اصلاحي را نيز در مراتع افزايش دهد.

This study aimed to estimate of spatial distribution scope of plant species and preparation of predictive distribution maps of plant species using Artificial Neural Network (ANN) in Taftan west rangelands of Khash city. To this end, vegetation sampling was carried out by random-systematic method after identification and separation of plant species habitats. In order to sample the soil at each habitat, eight holes was drilled and samples were taken from 0-30 and 30-60 cm depths. Habitats distribution of plant species was modeled using multilayer perceptron after measurement of soil characteristic in the lab and providing of environmental variable maps including physiographic characteristic (slope, aspect and elevation), geological formation and soil physical and chemical properties using GIS and Geostatistics. Simulation of presence and absence probability was conducted after selection of optimal predictive model for each plant species. Then the optimal threshold was determined using equal sensitivity and specificity method and were examined the compliance between predicted and actual maps by calculating kappa index. Based on Kappa value, the agreement of predicted and actual map was very good for the habitats of Haloxylon persicum .Moreover, predictive maps of Artemisia aucheri, Artemisia sieberi and Amygdalus scoparia habitats have good agreement with actual maps of these species. As well as, correspondence of predictive and actual map of Zygophyllum eurypterum was assessed at moderate level. These results indicate that multilayer perceptron method (MLP) is capable to provide precise prediction models through data mining rules and modeling of nonlinear processes. Besides cost and time saving of research, this can lead to precise prediction of geographic scope of plant habitat distribution, as a result will increase success possibility of rehabilitation plans in the rangelands.