Plant Ecosystem Conservation

fa برآورد درصد تاج پوشش مرتعی با تلفیق قابلیت‌های شبکه عصبی مصنوعی و سیستم اطلاعات جغرافیایی در مراتع بلده نور Estimation of the rangeland cover by coupling artificial neural network (ANN) and geographic information system (GIS) in Baladeh Ranglands تخصصي Special پژوهشي Research مراتع به دلایل متعدد از جمله تولید علوفه، دامداری، ارزش تفرجگاهی و حفاظت آب و خاک مهم میباشند. از طرفی، برای حفاظت و مدیریت بهینه از این منابعطبیعی، مطالعات در مورد آن‌ها ضروری است. از آنجا که مطالعات میدانی هزینه بر و زمان بر میباشد، استفاده از مدلها در کنار مطالعات صحرایی، برای برآورد ویژگیهای پوشش گیاهی متداول شده است. در تحقیق حاضر، شبکه عصبی مصنوعی و مدلسازی آماری، جهت شبیهسازی درصد تاج پوشش مرتعی و سیستم اطلاعات جغرافیایی (GIS) بهعنوان پیشپردازنده و پسپردازنده در شبیهسازی در سطح مراتع بلده واقع در جنوب شهرستان نور (استان مازندران) استفاده گردیدند. جهت شبیهسازی درصد تاج پوشش مرتعی از روش رگرسیون چند متغیره و شبکه پرسپترون چند لایه (MLP) استفاده شد. فرآیند مدلسازی با نمونهبرداری و برآورد تاج پوشش در 127 مکان مرتع مطالعاتی (متغیر وابسته) و کمی نمودن عوامل اقلیمی، توپوگرافی، ادافیک و انسانی (متغیرهای مستقل) مؤثر در میزان پوشش مرتعی، انجام گردید. مدلسازی آماری در محیط نرمافزار SPSS با روش رگرسیون چند متغیره انجام شد. بهمنظور شبیهسازی در شبکه عصبی، ارائه شبکه بهینه، تست یا اعتباریابی شبکه و تائید کارایی آن انجام پذیرفت. همچنین در محیط GIS، سطح مراتع مطالعاتی به پیکسلهای صد در صد متری به فرمت رستری تفکیک شد و از تلفیق لایههای ورودی مدل، لایه زمین مرجع عوامل مؤثر در میزان تاج پوشش مرتعی تهیه گردید. مقادیر کمی برای هر پیکسل بههمراه مختصات به محیط شبکه عصبی وارد گشت و شبیهسازی درصد تاج پوشش برای مکانهای فاقد آمار با شبکه بهینه اعتباریابی شده، انحام پذیرفت. نتایج تحقیق نشان داد که از دو روش بهکار رفته، شبکه عصبی با دستیابی مقادیر ضریب تبیین (Rsqr) 72/0 و ارائه خطای کمتر در مرحله آزمون یا تست (روش رگرسیون چند متغیره ضریب تبیین 6/0)، دقت و کارایی بیشتری دارا میباشد. همچنین، ارزیابی کارایی شبکه عصبی در محیط GIS بهواسطه آنالیز همپوشانی مقادیر واقعی و نقشه درصد تاج پوشش حاصله، دلالت بر دقت و کارایی تلفیق شبکه عصبی و  GISدر مطالعات داشته است. در نهایت، نتایج شبکه عصبی به محیط GIS وارد و نقشه درصد تاج پوشش مرتعی براساس نتایج شبیهسازی شبکه عصبی تهیه گشت.  Rangeland is one of the important natural resources in different aspects such as forage production, livestock, promenade and soil and water conservation. Therefore, it is necessary to study rangelands for their sustaible management and conservation. Since field studies of rangelands are time consuming  and costly, it was common to apply models aimed at estimating rangelands vegetation parameters. In this study, ANN was used to estimate rangelands cover percent and GIS was used as a pre-processing and post-processing in modeling respectively in Baladeh rangelands in Mazandaran Province. Multi-layer percepetron (MLP) network and multivariate regression method were used to estimate rangelands cover percent (training stage). In modeling process, sampling and estimation cover percent was also performed  in the 127 sites. Also, the affecting factors in cover percent such as topography, climatic factors, soil and mankind factors were evaluated.  Multivariate regression and stepwise method were used to simulate rangeland cover in SPSS software. Using cover percent as desired parameter and the affecting factors in cover percent as the network inputs,  an optimal network was presented. Then, optimum network was verified (test stage). The study area was divided with the pixels 1×1 km (raster format) in GIS medium. Then, the model input layers were coupled and a raster layer which included the model inputs values and geographic coordinate was generated. The values of pixels (model inputs) were entered into ANN with geographic coordinate. The results showed that ANN has a higher efficiency and accuracy (model test; Rsqr=0.72) than multivariate regression method (model test; Rsqr=0.6)  in rangeland cover modeling. In the next step, cover percent was simulated using the verified optimum network for all study rangelands. Finally, the results of ANN simulation were entered into GIS and cover percent map was generated based on the simulated results of ANN. The results showed that  coupling of ANN and GIS has a high capability (test stage: Rsr= 0.72) in rangelands cover percent modeling. استان مازندران, اعتباریابی, پوشش مرتعی, مدلسازی, MLP Rangeland Vegetation, Modeling, MLP, Verification, Mazandaran Province 153 176 http://pec.gonbad.ac.ir/browse.php?a_code=A-10-298-1&slc_lang=fa&sid=1 Maryam Ahmadi Jolandan مریم احمدی Maryamahmadi772@gmail.com 10031947532846007084 10031947532846007084 No MSc. Student, Department of Range Management, University of Tarbiat Modares دانشگاه تربیت مدرس Ghasemali Dianati Tilaki قاسمعلی دیانتی Dianatig@modares.ac.ir 10031947532846007085 10031947532846007085 Yes Associate Professor, Department of Range Management, University of Tarbiat Modares دانشگاه تربیت مدرس Vahid Gholami وحید غلامی gholami.vahid@gmail.com 10031947532846007086 10031947532846007086 No Assistant Professor, Department of Range & Watershed Management, University of Guilan دانشکده منابع طبیعی دانشگاه گیلان