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

هدف این پژوهش ارزیابی کارآیی مدل شبکه عصبی مصنوعی برای تهیه نقشه پیش بینی رویشگاه های گیاهی در مراتع استان قم است. بدین منظور، با رویهم گذاری نقشه های شیب، جهت و ارتفاع، واحدهای همگن تهیه شدند و نمونه برداری از پوشش گیاهی و خاک انجام شد. در آخر نقشه مربوط به متغیرهای محیطی با استفاده از سامانه اطلاعات جغرافیاییو زمین آمار تهیه شد. برای تهیه مدل شبکه عصبی از پرسپترون چندلایه بهره‏گیری شد. پس از پیش پردازش های لازم روی داده ها (نرمال سازی  و تقسیم داده ها 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 محاسبه شده در مرحله آزمون (میانگین مربعات خطا) تعیین شد. بعد از انتخاب شبکه بهینه، شبیه سازی احتمال حضور و عدم حضور گونه ها انجام و نقشه پیوسته احتمال حضور و عدم حضور گونه ها با استفاده از نرم افزار arc gis در هر رویشگاه تهیه شد. در مرحله بعد آستانه بهینه حضور به روش حساسیّت و اختصاصیّت برابر تعیین شد و مقدار تطابق نقشه های به دست آمده با نقشه های واقعی با محاسبه ضریب کاپا بررسی شد. بر اساس نتایج، دقیق ترین مدل پیش بینی برای همه رویشگاه ها با استفاده از تابع انتقال سیگمویید و قانون آموزش لونبرگ مارکوارت حاصل شد. نتایج نشان داد که نقشه های پیش بینی برای رویشگاه artemisia sieberi2 دارای تطابق عالی؛ رویشگاه halocnemum strobilaceumدارای تطابق خیلی خوب؛ 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 مدل سازی و برآورد محدوده جغرافیایی پراکنش رویشگاه گونه های مورد مطالعه از دقّت قابل قبولی برخوردار است و در صورتی که متغیرهای ورودی به شبکه به درستی انتخاب شوند می تواند شبیه سازی حضور و عدم حضور را با دقّت بالایی انجام دهند.