مقایسه رویه های شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت در مدل سازی و پیش بینی جنگل زدایی مطالعه موردی: حوزه آبخیز گرگانرود- استان گلستان

زمینه و هدف: تغییر در پوشش جنگلی در خدمات اکوسیستمی، تعادل کربن در جو و در نتیجه تغییرات آب و هوا نقش بسیار مهمی ایفا می کند. هدف از این تحقیق مقایسه سه روش شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت، جهت پیش بینی روند مکانی تغییرات پوشش جنگل است. روش بررسی: در این مطالعه از نقشه های کاربری اراضی تولید شده از ماهواره landsat سنجنده tm مربوط به سال های 1984 و 2012 استفاده شد. مدل سازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت و پیش بینی تغییرات برای بهترین مدل با استفاده از زنجیره مارکف انجام شد. به منظور برآورد صحت مدل سازی از آماره های roc، نسبت موفقیت به هشدار خطا و عدد شایستگی استفاده شد. یافته ها: نتایج بیان گر صحت بالای شبکه عصبی مصنوعی با میزان roc برابر 0.975 ، نسبت موفقیت به هشدار خطا 63 درصد و عدد شایستگی 12 درصد می باشد. بحث و نتیجه گیری: شبکه های عصبی مصنوعی در مقایسه با رگرسیون لجستیک و یادگیری بر مبنای نمونه وزنی مشابهت از صحت بالاتر و خطای کم تری در مدل سازی و پیش بینی تغییرات جنگل برخوردارند.

Comparison of Procedure of Artificial Neural Networks, Logistic Regression and Similarity Weighted Instance-Based Learning in Modeling and Predicting the Destruction of the Forest (Case Study: Gorgan-Rood Watershed- Golestan Province)

Background and Objective: The change in forest cover plays a vital role in ecosystem services, atmospheric carbon balance and thus climate change. The goal of this study is comparison of three procedure of Artificial Neural Network, Logistic regression and Similarity weighted Instancebased Learning (SIM Weight) to predict spatial trend of forest cover change. Method: In this study, land use maps for the periods 1984 and 2012 derived from Landsat TM satellite imagery, was used. Transition potential modeling using artificial neural network, Logistic regression and Similarity weighted Instancebased Learning and prediction based on the best model using Markov chain model was performed. In order to assess the accuracy of modeling, statistics of relative performance characteristic (ROC), ratio Hits/False Alarms and figure of merit was used. Findings: The results show the accuracy of artificial neural network with the ROC equal to 0.975, the ratio Hits/False Alarms equal to 63 percent and the figure of merit is equal to 12 percent. Discussion and Conclusions: Artificial Neural Networks in comparison with Logistic Regression and Similarity weighted Instancebased Learning has higher accuracy and less error in modeling and predicting of forest changes.