مدل‌سازی پراکنش گونه های گیاهی مناطق خشک و بیابانی با استفاده از روش شبکه‌های عصبی مصنوعی (بررسی موردی: مراتع حوض سلطان استان قم)

هدف این پژوهش ارزیابی کارآیی مدل شبکه‌ عصبی مصنوعی برای تهیه نقشه پیش‌بینی رویشگاه‌های گیاهی در مراتع استان قم است. بدین منظور، با رویهم‌گذاری نقشه‌های شیب، جهت و ارتفاع، واحدهای همگن تهیه شدند و نمونه‌برداری از پوشش گیاهی و خاک انجام شد. در آخر نقشه مربوط به متغیرهای محیطی با استفاده از سامانه اطلاعات جغرافیاییو زمین‌آمار تهیه شد. برای تهیه مدل شبکه عصبی از پرسپترون چندلایه بهره‏گیری شد. پس از پیش پردازش‌های لازم روی داده‌ها (نرمال‌‌سازی  و تقسیم داده‌ها به سه مجموعه آموزش، آزمون و اعتبارسنجی)، بهترین ساختار شبکه، با تغییر پارامترهای قابل تنظیم (تابع انتقال، قانون یادگیری، تعداد لایه میانی، تعداد نرون لایه میانی) و با استفاده از معیارهای آماری محاسبه‌شده در مرحله آزمون (میانگین مربعات خطا) تعیین شد. بعد از انتخاب شبکه بهینه، شبیه‌سازی احتمال حضور و عدم‌حضور گونه‌ها انجام و نقشه پیوسته احتمال حضور و عدم‌حضور گونه‌ها با استفاده از نرم‌افزار arc gis در هر رویشگاه تهیه شد. در مرحله بعد آستانه بهینه حضور به روش حساسیّت و اختصاصیّت برابر تعیین شد و مقدار تطابق نقشه‌های به‌دست آمده با نقشه‌های واقعی با محاسبه ضریب کاپا بررسی شد. بر اساس نتایج، دقیق‌ترین مدل پیش‌بینی برای همه رویشگاه‌ها با استفاده از تابع انتقال سیگمویید و قانون آموزش لونبرگ مارکوارت حاصل شد. نتایج نشان داد که نقشه‌های پیش‌بینی برای رویشگاه‌ artemisia sieberi2 دارای تطابق عالی؛ رویشگاه halocnemum strobilaceumدارای تطابق خیلی‌خوب؛ رویشگاه‌ tamarix passerinoides دارای تطابق خوب؛ رویشگاه seidlitzia rosmarinus دارای تطابق متوسط و رویشگاه artemisia sieberi1 دارای تطابق ضعیف با نقشه‏های واقعیت زمینی است. این نتایج گویای آن است که شبکه پرسپترون چند لایه در مدل‌سازی و برآورد محدوده جغرافیایی پراکنش رویشگاه گونه‌های مورد مطالعه از دقّت قابل قبولی برخوردار است و در صورتی‌که متغیرهای ورودی به شبکه به درستی انتخاب شوند می‌تواند شبیه‌سازی حضور و عدم حضور را با دقّت بالایی انجام دهند.

Modelling of Plant Species Distribution In Arid Regions Using Artificial Neural Networks (ANN) (Case Study: Hozeh Soltan Rangelands of Qom Province)

The aim of this study was to evaluate the efficiency of artificial neural networks in supplying predictive maps of plant species habitats distribution in Qum province rangelands, Iran. For this purpose, soil and vegetation sampling was done after determination of homogenous unit by combining of slope, aspect and elevation maps and environmental variables maps were prepared using geostatistics and GIS. To prepare the artificial neural network models, the best network structure, was determined following required data preprocessing (normalizing data and partitioning of data into three sets, training, test and validation), improving adjustable parameters (such as transfer function, learning rule, the number of hidden layers, number of hidden layer neurons) and using statistical parameters calculated in the test phase (MSE). After selecting the optimal network, simulations were performed to estimate the probability of the presence or absence of the species and continuous probability maps of the presence or absence was prepared at each species habitat using Arc GIS. Then the optimal threshold was determined using equal sensitivity and specificity method and the compliance between predicted and actual maps were examined by calculating kappa. Based on the results, the most accurate prediction models were obtained for all habitats using sigmoid transfer function and the Levenberg Marquardt algorithm. The results also showed that habitat predictive and actual maps of Artemisia sieberi, Halocnemum strobilaceum, Tamarix passerinoides, Seidlitzia rosmarinus and Artemisia sieberi have excellent, very good, good, fair and poor compliance, respectively. These results indicate that the multilayer perceptron has acceptable accuracy in the modeling and estimation of the geographical distribution of the studied species habitat and if the network input variable be chosen properly, the network can simulate presence or absence of plant species with high accuracy.