برآورد حدود پراکنش مکانی گونه‌های گیاهی با روش شبکۀ عصبی ‌مصنوعی در مراتع غرب تفتان

پژوهش حاضر با هدف برآورد حدود پراکنش گونه های گیاهی و تهیۀ نقشۀ پیش بینی پراکنش گونه ها با روش پرسپترون چندلایه، در مراتع غرب تفتان در شهرستان خاش انجام شد. برای این منظور، بعد از شناسایی و تفکیک رویشگاه گونه های مورد بررسی، نمونه برداری از پوشش گیاهی به روش تصادفی ـ منظم انجام شد. برای نمونه برداری از خاک در هر رویشگاه، شش نیمرخ حفر و از دو عمق 300 و 6030 سانتی متری نمونه برداری شد. بعد از اندازه گیری خصوصیات خاک در آزمایشگاه و تهیۀ لایه های مربوط به خصوصیات فیزیوگرافی (شیب، جهت، ارتفاع)، زمین شناسی و خصوصیات فیزیکی ـ شیمیایی خاک با استفاده از زمین آمار و سیستم اطلاعات جغرافیایی، مدل سازی پراکنش رویشگاه گونه ها به روش پرسپترون چندلایه انجام شد. بعد از انتخاب مدل پیش بینی بهینه برای هر رویشگاه، شبیه سازی احتمال حضور و عدم حضور گونه ها انجام شد. در مرحلۀ بعد، آستانۀ بهینه حضور به روش حساسیّت و اختصاصیّت برابر تعیین شد و مقدار تطابق نقشه های حاصل از مدل بهینۀ پیش بینی با نقشه های واقعی از طریق محاسبۀ شاخص کاپا بررسی شد. براساس مقادیر شاخص کاپا، نقشۀ پیش بینی حاصل از روش پرسپترون چندلایه برای رویشگاه haloxylon persicum دارای تطابق خیلی خوب با نقشۀ واقعی پوشش گیاهی است. علاوه بر این، میزان تطابق برای رویشگاه های artemisia aucheri، artemisia sieberi و amygdalus scoparia خوب و برای رویشگاه zygophyllum eurypterum در سطح متوسط ارزیابی شد. این نتایج گویای آن است که روش پرسپترون چندلایه قادر است با استخراج قوانین حاکم بر داده ها و مدل سازی فرایندهای غیرخطی، مدل های پیش بینی دقیقی را ارائه کند. این امر می تواند منجر به پیش بینی صحیح حدود جغرافیایی پراکنش گونه های گیاهی شود و علاوه بر صرفه جویی در هزینه و زمان پژوهش ها، امکان موفقیت طرح های اصلاحی را نیز در مراتع افزایش دهد.

An Estimation of Spatial Distribution Domain of Plant Species Using Artificial Neural Networks in West Rangelands of Taftan

This study aimed to estimate of spatial distribution scope of plant species and preparation of predictive distribution maps of plant species using Artificial Neural Network (ANN) in Taftan west rangelands of Khash city. To this end, vegetation sampling was carried out by randomsystematic method after identification and separation of plant species habitats. In order to sample the soil at each habitat, eight holes was drilled and samples were taken from 030 and 3060 cm depths. Habitats distribution of plant species was modeled using multilayer perceptron after measurement of soil characteristic in the lab and providing of environmental variable maps including physiographic characteristic (slope, aspect and elevation), geological formation and soil physical and chemical properties using GIS and Geostatistics. Simulation of presence and absence probability was conducted after selection of optimal predictive model for each plant species. Then the optimal threshold was determined using equal sensitivity and specificity method and were examined the compliance between predicted and actual maps by calculating kappa index. Based on Kappa value, the agreement of predicted and actual map was very good for the habitats of Haloxylon persicum .Moreover, predictive maps of Artemisia aucheri, Artemisia sieberi and Amygdalus scoparia habitats have good agreement with actual maps of these species. As well as, correspondence of predictive and actual map of Zygophyllum eurypterum was assessed at moderate level. These results indicate that multilayer perceptron method (MLP) is capable to provide precise prediction models through data mining rules and modeling of nonlinear processes. Besides cost and time saving of research, this can lead to precise prediction of geographic scope of plant habitat distribution, as a result will increase success possibility of rehabilitation plans in the rangelands.