[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
فرم های ضروری::
برای داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: دوره 5، شماره 10 - ( بهار و تابستان 1396 ) ::
جلد 5 شماره 10 صفحات 228-213 برگشت به فهرست نسخه ها
ارزیابی قابلیت روش شبکه‌های عصبی مصنوعی در تهیه نقشه پیش‌بینی پراکنش رویشگاه گونه‌های گیاهی (مطالعه موردی: مراتع پشتکوه استان یزد)
حسین پیری صحراگرد، محمدعلی زارع چاهوکی*
دانشگاه تهران-ایران ، mazare@ut.ac.ir
چکیده:   (4214 مشاهده)

پژوهش حاضر با هدف بررسی امکان استفاده از روش شبکه عصبی مصنوعی در برآورد حدود پراکنش مکانی، 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. مدلسازی پیش­بینی پراکنش با استفاده از شبکه پرسپترون چند­لایه انجام شد و بعد از تعیین بهترین ساختار شبکه عصبی با استفاده از میانگین مربعات خطا، شبیه­سازی احتمال حضور و عدم­حضور گونه‌ها با شبکه بهینه انجام شد. در مرحله بعد، نقشه پیوسته احتمال حضور و عدم­حضور گونه­ها با استفاده از نرم‌افزار Arc GIS در هر رویشگاه تهیه و آستانه بهینه حضور تعیین شد. بررسی میزان تطابق نقشه­های به­دست آمده با نقشه­های واقعی از طریق محاسبه ضریب کاپا نشان داد که نقشه­های پیش­بینی رویشگاه­  Seidlitzia rosmarinus دارای تطابق عالی؛ رویشگاه­های Rheum ribes- Artemisia sieberi  وCornulaca monacantha  دارای تطابق خیلی­خوب؛ رویشگاه­ Ephedra. strobilacea- Zygophyllumeurypterum  و  Artemisia aucheri دارای تطابق خوب؛ رویشگاه S. orientalis - Artemisia sieberi ، Scariola orientalis-Astragalus albispinus، A. sieberi1، A. sieberi2  و Tamarix ramosissima  دارای تطابق متوسط و رویشگاه­های Artemisia sieberi- Scariola orientalis و Artemisia sieberi- Zygophyllm eurypterum دارای تطابق ضعیف با نقشه­های واقعیت زمینی است. 

واژه‌های کلیدی: پراکنش مکانی، شبکه پرسپترون چندلایه، ضریب کاپا، آستانه بهینه حضور
متن کامل [PDF 626 kb]   (2408 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1394/11/26 | پذیرش: 1396/6/12 | انتشار: 1396/9/9
فهرست منابع
1. Solinska, G.B., Namura, O.A., Symonides, E. 1997. Long term dynamics of a relict forest in an urban area. Floristic et Geobotanical. 42(2):423-479.
2. پیری¬صحراگرد، ح.، پیری ، ج. 1395. برآورد حدود پراکنش مکانی گونه¬های گیاهی با روش شبکه عصبی مصنوعی در مراتع غرب تفتان. مجله علمی پژوهشی مهندسی اکوسیستم بیابان، 5 (12): 36-23.
3. شیخ الاسلامی، ع.، باقری خلیلی، ف.، محمود آبادی، ع. 1391. كاهش متغيرهاي ورودي در فرآيند مدل سازي تصادفات آزادراهها با استفاده از روش تجزيه و تحليل مؤلفه¬هاي اصلي. مجله مهندسی حمل و نقل، 3 (4): 338-325.
4. طاطیان، م. ر.، ذبیحی، ع.، تمرتاش، ر.، شعبانی، م. 1390. تعیین گونه¬هاي گیاهی معرف برخی خصوصیات خاك در مراتع کـوه نمک قم با استفاده از تکنیک رسته¬بندي. محیط¬شناسی، 37 (58): 28-21.
5. عباسی،م.، زارع چاهوکی، م. ع. 1393. مدلسازي پراكنش مكاني Stipa barbata و Agropyron intermedium با روش شبكه عصبي مصنوعي در مراتع طالقان مياني. مجله تحقيقات منابع طبيعي تجديد شونده، 5(2): 45-56.
6. فقیه، ه، 1388. ارزيابي كاربرد شبكه عصبي مصنوعي و بهينه¬سازي آن با روش الگوريتم ژنتيك درتخمين داده¬هاي بارش ماهانه (مطالعه موردي: منطقه كردستان). مجله علوم و فنون كشاورزي و منابع طبيعي، علوم آب و خاك، 14(51): 42-27.
7. Araújo M.B., Pearson R.G., Thuiller W., Erhard M. 2005. Validation of species-climate impact models under climate change. Global Change Biology, 11: 1504-13.
8. Austin M. P. 2007. Species distribution models and ecological theory: A critical assessment and some possible new approaches. Ecological Modelling, 200:1-19.
9. Austin M.P., Belbinb L., Meyers J.A., Dohertya M.D., Luotoc M. 2006. Evaluation of statistical models used for predicting plant species distributions: Role of artificial data and theory. Ecological Modelling, 199(2):197-216.
10. Basheer I. A., Hajmeer M. 2000. Artificial neural networks: fundamentals, computing, design, and applivation. Journal of Microbiological Methods, 43: 3-31.
11. Cantor S.B., Sun C.C., Tortolero-Luna G., Richards-Kortum R., Follen M. 1999. A comparison of C/B ratios from studies using receiver operating characteristic curve analysis. Journal of Clinical Epidemiology, 52: 885-892.
12. Chen Z.S. 1997. Relations of soil properties to topography and vegetation in a subtropical rain forest in southern Taiwan.Vegetatio, 132: 229-241.
13. El-Barasi Y.M., Barrani M.W. 2012. Factors affecting natural vegetation on EL-Harouge Mountain, Central part of Libyan desert (Sahara). Bocconea, 24: 199-211.
14. Guisan A., Theurillat J. 2000. Equilibrium modeling of alpine plant distribution: how far can we go? Phytocoenologia, 30:353-384
15. Guisan A., Weiss S.B., Weiss A.D.1999. GLM versus CCA spatial modeling of plant species distribution. Plant Ecology, 143: 107-122.
16. Hagan M. T., Menhaj M. B. 1994. Training feed forward networks with the Marquardt algorithm. IEEE Trans on Neural Networks, 5: 989-993.
17. Heaton J. 2010. Programming Neural Networks with Encog2 in C#. Heaton Research, Inc.
18. Kim T., Valdes J.B. 2003. Nonlinear model for drought forecasting based on conjunction of wavelet transforms and neural networks. Journal of Hydrologic Engineering, 8(6): 319-328.
19. Liu C., Berry P. M., Dawson T. P., Pearson R.G. 2005. Selecting thresholds of occurrence in the prediction of species distributions. Ecography, 28:385-393.
20. Manel S., Dias J.M., Buckton S.T., Ormerod S.J. 1999. Alternative methods for predicting species distribution: an illustration with Himalayan river birds. Journal of applied ecology, 36: 734-747.
21. Melesse A.M., Hanley R.S. 2005. Artificial neural network application for multi-ecosystem carbon flux simulation. Ecological Modeling, 189: 305-314.
22. Moffett K.B., Robinson D.A., Gorelick S.M. 2010. Relationship of Salt Marsh Vegetation Zonation to Spatial Patterns in Soil Moisture, Salinity, and Topography. Ecosystems, 13: 1287-1302.
23. Monserud R. A., Leemans R.1992.Comparing global vegetation maps with the Kappa statistic. Ecological Modeling, 62: 275-293.
24. Pearson R., Dawson T.P., Liu C. 2004. Modelling species distributions in Britain: a hierarchical integration of climate and land-cover data. Ecography, 27: 285-298.
25. Piri sahragard H., Zare Chahouki M.A. 2015. An evaluation of predictive habitat models performance of plant species in Hoze soltan rangelands of Qom province. Ecological Modelling, 309-310: 64-71.
26. Piri Sahragard H., Zare Chahouki M.A. 2016. Comparison of logistic regression and machine learning techniques in prediction of habitat distribution of plant species. Range management and Agroforestry, 37 (1) : 21-26.
27. Tarkesh M., Jetshcke G. 2012. Comparison of six correlative models in predictive vegetation mapping on a local scale. Environmental and Ecological statistics, 19(3): 437-457.
28. Yadav D., Veena Sharma N. 2010. Artificial neural network based hydroelectric generation modelling“, International. Journal of Applied Enginearing Reaserch, 1(3):343-359.
29. Zare Chahouki M.A., Azarnivand H., Jafari M., Tavili A. 2010. Multivariate Statistical Methods as a Tool for Model Based Prediction of Vegetation Types. Russian Journal of Ecology, 41(1): 84–94.
30. Zare Chahouki M.A., ‎Zare Chahouki A. 2010.‎ Predicting the distribution of plant species using logistic regression (Case study: Garizat rangelands of Yazd province.‎ Desert‎ Journal,‎ 15‎ (2‎): 151‎-‎158.
31. Zare Chahouki M.A., Khalasi Ahvazi L., Azarnivand H. 2012. Comparison of three modeling approaches for predicting plant species distribution in mountainous scrub vegetation (Semnan rangelands, Iran). Polish journal of ecology, 60 (2): 105-117.
32. Zare Chahouki M. A., Piri Sahragard H. 2016. Maxent modelling for distribution of plant species habitats of rangelands (Iran). Polish journal of ecology, doi: 10.3161/15052249PJE2016.64.4.002.
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Evaluation of artificial neural network capability in preparation of the predictive map of plant habitat distribution (Case study: Poshtkouh rangelands of Yazd province). PEC 2017; 5 (10) :213-228
URL: http://pec.gonbad.ac.ir/article-1-170-fa.html

پیری صحراگرد حسین، زارع چاهوکی محمدعلی. ارزیابی قابلیت روش شبکه‌های عصبی مصنوعی در تهیه نقشه پیش‌بینی پراکنش رویشگاه گونه‌های گیاهی (مطالعه موردی: مراتع پشتکوه استان یزد). حفاظت زیست بوم گیاهان. 1396; 5 (10) :213-228

URL: http://pec.gonbad.ac.ir/article-1-170-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 5، شماره 10 - ( بهار و تابستان 1396 ) برگشت به فهرست نسخه ها
مجله حفاظت زیست بوم گیاهان Journal of Plant Ecosystem Conservation
Persian site map - English site map - Created in 0.07 seconds with 37 queries by YEKTAWEB 4645