رویکرد هوش مصنوعی در مطالعات دیرینه جغرافیایی: مطالعۀ موردی بر ‌بازوپایان اردویسین پسین لورنشیا

طبق فرضیۀ‌‌ قبلی که بر‌اساس مطالعات کیفی بر‌ فونای بازوپایان اردویسین پسین انجام یافته است، گونه‌های جوان‌تر و بزرگ‌تر hiscobeccus، که از فونای بازوپایان اپیکانتیننتال آمریکای شمالی بود، از گونه‌های قدیمی‌تر و کوچک‌تر rhynchotrema، که در مناطق پریکراتونی زندگی می‌کرد، تکامل یافته‌اند. نتایج مطالعات کمی و آنالیزهای چند متغیره، که بر‌اساس ویژگی‌های مورفولوژیکی بازوپایان اردوویسین پسین انجام یافته است، درستی این فرضیه‌ را تایید می‌کنند.  در این مطالعه برای تعیین ارتباط ویژگی‌های مورفولوژیکی بازوپایان اردویسین پسین لورنشیا با موقعیت جغرافیایی آنها، از یک مدل هوش مصنوعی مبتنی بر شبکه‌های عصبی استفاده شد. این مدل شبکۀ عصبی از‌طریق ایجاد یک فرمول ریاضی بین ویژگی‌های مورفومتریک بازوپایان و گستردگی جغرافیایی آنها، موقعیت دیرینه جغرافیای بازوپایان را تخمین و شناسایی می‌کند. بر‌اساس نتایج به دست‌ آمده از این مطالعه، شبکۀ عصبی‌ در تخمین موقعیت جغرافیایی نمونه‌های آزمایشی بازوپایان، با دقت بالای 82٪ عمل می‌کند. با ایجاد یک مجموعه دادۀ جامع‌تر‌ از پارامتر‌های مورفومتریکی بازوپایان لورنشیا و دیگر مناطق جهان و با استفاده از مدل شبکۀ‌ عصبی،‌ موقعیت دیرینه جغرافیایی بازوپایان‌ با ضریب اطمینان بالایی‌ تخمین و ارزیابی شد.

an artificial intelligence approach to palaeogeographic studies: a case study of the late ordovician brachiopods of laurentia

according to the earliest hypothesis which was based on qualitative studies of the late ordovician brachiopod fauna, the younger and larger species of hiscobeccus, which was one of the epicontinental brachiopod fauna of north america, evolved from the older and smaller species of rhynchotrema, which lived in precratonic regions. the results of quantitative studies and multivariate analyses based on the morphological characteristics of the brachiopods support this hypothesis. in this study, an artificial intelligence model based on neural networks was conducted in order to determine the relationship between the morphological characteristics of the late ordovician brachiopods of the laurentia and their geographical localities. this neural network model estimates the palaeogeographic localities of the brachiopods by generating a mathematical formula between the morphometric characteristics of brachiopods and their geographical distribution. based on the results of this study, the neural network can estimate the geographical localities of the test samples of brachiopod with a high accuracy of 82%. by creating a more comprehensive dataset based on the morphometric parameters of the brachiopods of laurentia and other regions of the world and using the neural network model, the palaeogeographic localities of brachiopods can be estimated with high accuracy.