مدل‌سازی تخریب پوشش گیاهی در مناطق تحت حفاظت در اثر برنامه مدیریتی(مطالعه موردی: پارک ملی سرخه‌حصار)

پژوهش حاضر در پارک ملی سرخه حصار باهدف شناسایی اثرگذارترین عوامل و برنامه های مدیریتی موثر بر تخریب پوشش گیاهی و ارائه مدل پیش بینی تخریب در اثر برنامه های مختلف مدیریتی با استفاده از روش رگرسیون و شبکه عصبی مصنوعی انجام شد. بدین منظور، پس از تعیین واحدهای همگن اکولوژیکی به کمک نقشه رقومی ارتفاعی با مقیاس 1:50000، تعداد 480 نمونه خاک با روش ترانسکت نواری و با توجه به عمق خاک و ریشه دوانی گیاهان منطقه چهار پروفیل با عمق های 5، 10، 15 و 20 سانتی متر حفر شد.تعداد 600 نمونه پوشش گیاهی نیزبا استفاده از پلات مربع 2 در 2 و روش سطح حداقل با توجه به نوع، تراکم و پراکنش گونه های گیاهی انجام گرفت. به منظورمدل سازی رگرسیون و شبکه عصبی مصنوعی عوامل انسانی، اکولوژیک و خصوصیات خاکبه عنوان متغیرهای ورودی و شاخص تنوع زیستی شانون به عنوان متغیر خروجی انتخاب شد. مدل رگرسیون در نرم افزارspss و مدل شبکه در نرم افزارmatlab طراحی شد. نتایج روش توام و حذف بامقدار 0.422=r در مدل رگرسیون (1.811=mse) و مقدار 0.506=r در مدل شبکه عصبی مصنوعی (0.694=mse) نشان داد مدل شبکه با ساختار پرسپترون چندلایه و یک لایه مخفی و 18 نورون، با توجه به مقدار ضریب تبیین کل بالاتراز مدل رگرسیون (0.506) و خطای کمتر (0.694) در پیش بینی تخریب مدل کارآمدتری می باشد. نتایج آنالیز حساسیت نشان داد رطوبت وزنی خاک نقش کلیدی در تخریب پوشش گیاهی دارد که پیشنهاد می شود با احیای خاک و پوشش گیاهی در بخش های تخریب یافته از روند تخریب جلوگیری شود.

Modeling of Vegetation Loss in Protected Areas by Management Plan (Case Study: Sorkheh Hesar National Park)

The main purpose of this study was to determine the most effective factors and management plans influencing vegetation degradation and to provide a prediction model for destruction in various management programs using regression and artificial neural network. In so doing, after determination of similar ecological units with the help of a 1: 50000 DEM, 480 soil samples were analyzed using stratified transect method based on the depth of the soil and rooting of the fourzone profiles with depths of 5, 10, 15 and 20 cm Drilled. A total of 600 vegetation samples were taken using a 2 × 2 square plot and minimum level method based on the type, density and distribution of plant species. In order to model regression and artificial neural network, human, ecological and soil factors as input variables and Shannon biodiversity index were selected as output variables. The regression model was designed in SPSS software and network model in MATLAB software. The results of the Enter and Remove methods with a Rvalue of 422.0 in the regression model (MSE = 1.811) and a value of R506 / 0 in artificial neural network model (MSE = 0.9694) showed that the network model with multilayered perceptron structure and hidden layer and 18 neurons are more efficient in predicting the degradation of the ANN model to the total coefficient of determination of the regression model (0.506) and less error (0.694). The results of the sensitivity analysis indicated that soil moisture content is important in the degradation of vegetation. Hence, it is recommended to prevent degradation by restoring soil and vegetation in damaged areas.