تاثیر وزن دهی متغیرهای پیش بین بر عملکرد مدل های شاخص مطلوبیت زیستگاه (hsi) (مطالعه موردی: ماهی سفید دریای خزر، rutilus frisii)

در مطالعه حاضر، تاثیر وزن دهی متغیرهای پیش بین بر عملکرد پیش بینی مدل های شاخص مطلوبیت زیستگاه (hsi) مبتنی بر دو روش مدل میانگین حسابی (amm) و مدل میانگین هندسی (gmm) مورد بررسی قرار گرفت. داده‌های صید ماهی سفید دریای خزر (rutilus frisii) به‌عنوان مورد مطالعاتی مورد استفاده قرار گرفت و متغیرهای زیستگاهی مورد استفاده عبارت بودند از: دمای سطح آب دریا در روز، غلظت کلروفیل a در لایه سطحی آب، غلظت کربن آلی ذره ای، فاصله نقاط صیدگاهی از دهانه رودخانه و شیب بستر. محاسبه وزن نسبی پارامترهای محیطی و برازش مدل های شاخص مطلوبیت (si) با استفاده از تکنیک ماشین بردار پشتیبان (svm) انجام گرفت. دمای سطحی آب دریا و غلظت کربن آلی ذره ای به‌ترتیب با داشتن مقادیر 0.315 و 0.231، بیشترین مقادیر وزن را در توضیح واریانس صید ماهی به‌خود اختصاص دادند. ارزیابی پیش بینی مدل های برازش یافته در مراحل آموزش و آزمون مدل ها نشان داد که مدل hsi wgmm با داشتن کمترین مقادیر rmse (آموزش: 0.1818؛ آزمون: 0.2540) و بالاترین ضریب همبستگی (آموزش: 0.4693؛ آزمون: 0.1953) بهترین عملکرد را به خود اختصاص داده و ضعیف‌ترین عملکرد نیز با مدل hsiwamm (آموزش: 0.4023 = rmse؛ 0.3843 = r؛ آزمون: 0.3858 = rmse؛ 0.1360 = r) به‌دست آمد.

the effect of weighting predictor variables on the performance of habitat suitability index (hsi) models (case study: caspian kutum, rutilus frisii)

this study investigates the effect of weighting predictors on the performance of habitat suitability index (hsi) models using arithmetic mean (amm) and geometric mean (gmm) methods. the case study focused on the catch data of caspian kutum (rutilus frisii), with habitat parameters including day-time sea surface temperature, near-surface chlorophyll-a concentration, particulate organic carbon concentration, distance from fishing points to the river mouth, and bottom slope. relative weights of environmental variables and suitability index (si) fitting were determined using the support vector machine (svm) technique. sea surface temperature and particulate organic carbon concentration were identified as the most influential variables, with weights of 0.315 and 0.231, respectively, in explaining fish catch variance. model performance evaluation revealed that the hsiwgmm model outperformed others, showing the lowest rmse (training: 0.1818, testing: 0.2540) and the highest correlation coefficient (training: 0.4693, testing: 0.1953). in contrast, the hsiwamm model showed the weakest performance (training: rmse = 0.4023, r = 0.3843; testing: rmse = 0.3858, r = 0.1360).