فهرست نشریات علمی دسترسی آزاد ایران

این تحقیق با هدف ارزیابی قابلیت مدل شبکه عصبی مصنوعی  در تهیه نقشه پیش‌بینی پراکنش رویشگاه گونه‌های گیاهی و شناخت نقاط قوت و ضعف این روش انجام شد. بدین‌منظور بعد از تعیین واحدهای همگن با استفاده از مدل رقومی ارتفاع و نقشه زمین‌شناسی با مقیاس 1:25000، نمونه‌برداری از پوشش گیاهی و عوامل محیطی انجام گرفت و نقشه مربوط به متغیرهای محیطی با استفاده از سیستم اطلاعات جغرافیایی  و زمین آمار  تهیه شد. متغیرهای ورودی به شبکه بر اساس نتایج رگرسیون لوجستیک انتخاب شد. برای تهیه مدل‌ شبکه عصبی مصنوعی بعد از نرمال‌‌سازی داده‌ها و تقسیم تصادفی داده‌ها به سه مجموعه آموزش، آزمون و اعتبارسنجی، بهترین ساختار شبکه عصبی با استفاده از میانگین مربعات خطا  تعیین شد. بعد از شبیه‌سازی احتمال حضور و عدم‌حضور گونه‌ها با شبکه بهینه، نقشه پیوسته احتمال حضور و عدم حضور گونه‌ها با استفاده از نرم‌افزار Arc GIS در هر رویشگاه تهیه شد و آستانه بهینه حضور تعیین شد. در مرحله بعد، میزان تطابق نقشه‌های به‌دست آمده با نقشه‌های واقعی از طریق محاسبه ضریب کاپا بررسی شد. نتایج نشان داد که نقشه‌ پیش‌بینی رویشگاه‌ Pteropyrum olivieri-Stipa barbata دارای تطابق عالی و نقشه پیش‌بینی رویشگاه‌های Amygdalus scoparia،Artemisia aucheri–Astragalus glaucacanthus، Scariola orientalis- Stipa barbata دارای تطابق خیلی‌خوب با نقشه‌های واقعیت زمینی هستند. این نتایج گویای آن است که استفاده از پیش پردازش رگرسیون لوجستیک باعث ساده‌تر‌شدن معماری شبکه و افزایش سرعت یادگیری شبکه شده و دقّت نتایج حاصل از شبیه‌سازی را افزایش داده است. بنابراین در صورت انجام پیش‌پردازش مناسب روی داده‌ها و انتخاب متغیرهای ورودی مناسب، روش شبکه‌های عصبی مصنوعی می‌تواند رویکرد مناسبی برای برآورد حدود پراکنش رویشگاه گونه‌های گیاهی و در نتیجه انتخاب گونه‌های مناسب برای انجام فعالیت‌های اصلاحی در مراتع باشد.