مقایسه‌ عملکرد مدل‌های خطی و غیرخطی در برآورد شایستگی زیستگاه (مطالعه‌ سیاه‌ماهی رازی، capoeta razii)

یافتن مدل‌‌های آماری دارای بهترین عملکرد پیش بینی در مطالعات شایستگی زیستگاه گونه های ماهیان از اهمیت بالایی برخوردار است. در مطالعه‌ حاضر، عملکرد مدل‌های خطی (مدل رگرسیون خطی (lm)، مدل رگرسیون خطی تعمیم یافته (glm)) و غیرخطی (مدل شبکه‌ عصبی مصنوعی (ann) و مدل ماشین بردار پشتیبان (svm)) در برآورد نمایه‌ شایستگی زیستگاه (hsi) گونه‌ سیاه ماهی رازی capoeta razii در تعداد 32 ایستگاه در امتداد بازه‌ حدود 90 کیلومتری از رودخانه‌ طالقان، حوضه‌‌ جنوبی دریای خزر مورد بررسی قرار گرفت. پارامترهای محیطی اندازه گیری شده عبارت بودند از: ارتفاع از سطح دریا، عمق رودخانه، عرض رودخانه، سرعت جریان آب، دما، ph، ec، tds، قطر سنگ و تعداد سنگ‌های با قطر > 15 سانتی‌متر در بستر. نتایج نشان داد که مدل‌های خطی در مقایسه با مدل‌های غیرخطی از عملکرد پیش بینی ضعیف تری (مقدار rmse بالاتری) برخوردارند. بهترین مدل‌ها برای پارامترهای ارتفاع از سطح دریا، ph، دما و قطر سنگ مربوط به مدل svm و برای دیگر پارامترها مربوط به مدل ann بود. مدل میانگین حسابی (amm) در مقایسه با مدل میانگین هندسی (gmm) عملکرد مناسب تری را در برآورد hsi نشان داد. توزیع مقادیر hsi در ایستگاه‌های بررسی شده در رودخانه‌ طالقان نشان داد که نقاط دارای سطوح شایستگی زیستگاه کم تا زیاد برای گونه‌ سیاه‌ماهی رازی در امتداد این رودخانه وجود دارد.

comparison of the performance of the linear and non-linear models in habitat suitability estimation (case study: razi scraper, capoeta razii)

the statistical models with the best performance in habitat suitability studies of fish species are of high importance. the present study compared the performance of linear (linear regression model (lm) and generalized linear model (glm)) and non-linear models (artificial neural networks (ann) and support vector machine (svm)) in estimating habitat suitability index (hsi) for capoeta razii in a southern caspian sea basin. the environmental parameters were altitude, depth, width, velocity, temperature, ph, electrical conductivity (ec), total dissolved solids (tds), bottom stone diameter, and total count of stones with diameter > 15 cm per m2. the linear models had weak predictive performance (higher rmse values) compared to ann and svm models. the svm was the best model with the predictors of altitude, ph, temperature, and stone diameter, and ann was the best model using the rest of the parameters. the arithmetic mean model (amm) showed better performance in estimating hsi compared to the geometric mean model (gmm). the distribution of hsi values along the sampling stations in the caspian sea basin (the taleghan river) showed high diversity in the habitat condition of the fish species.