Plant Ecosystem Conservation

fa ارزیابی قابلیت روش شبکه‌های عصبی مصنوعی در تهیه نقشه پیش‌بینی پراکنش رویشگاه گونه‌های گیاهی (مطالعه موردی: مراتع پشتکوه استان یزد) Evaluation of artificial neural network capability in preparation of the predictive map of plant habitat distribution (Case study: Poshtkouh rangelands of Yazd province) تخصصي Special پژوهشي Research 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.  The present study aimed to investigate the possibility of using artificial neural network to estimate the spatial distribution, preparation of predictive distribution of plant species and recognizing the strengths and weaknesses of this method. For this purpose, sampling of vegetation and environmental factors was carried out after determining homogeneous units using digital elevation model and of Geological map scale of 1: 25,000. Then, environmental variables maps were prepared using GIS and geostatistics. The input variables of the neural network were selected based on the results of logistic regression. Predictive distribution modeling was done by Multilayer Perceptron network. Simulation of the presence and absence probability was done after determining the optimal structure of the neural network using mean square error, then, continuous map of the presence or absence probability of species in each habitat was developed using Arc GIS software and optimal threshold was determined. Assessment of the predictive and actual map agreement  by calculation of kappa coefficient showed that predictive map of Seidlitzia rosmarinus has excellent and Cornulaca monacantha has very good correspondence, predictive maps of the  S.orientalis - Artemisia sieberi ، S. orientalis-Astragalus albispinus، A. sieberi1، A. sieberi2  ,  R.ribes-A. seiberi predictive maps of habitat has moderate agreement and predictive maps of the A.sieberi-S. orientalis  and A. sieberi- Z. eurypterum has the poor agreement with actual maps of these species. پراکنش مکانی, شبکه پرسپترون چندلایه, ضریب کاپا, آستانه بهینه حضور Spatial Distribution, Multilayer Perceptron, Kappa Coefficient, Optimal Threshold of Presence 213 228 http://pec.gonbad.ac.ir/browse.php?a_code=A-10-75-4&slc_lang=fa&sid=1 حسین پیری صحراگرد hpirys@gmail.com 10031947532846003554 10031947532846003554 No دانشگاه زابل -ایران محمدعلی زارع چاهوکی mazare@ut.ac.ir 10031947532846003555 10031947532846003555 Yes دانشگاه تهران-ایران