تهیه نقشه پیش‌بینی پراکنش مکانی رویشگاه گونه‌های گیاهی با استفاده از شبکه‌های عصبی مصنوعی در مراتع استان قم

نوع مقاله: مقاله پژوهشی

10.22092/wmej.2016.109742

چکیده

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.

کلیدواژه‌ها


عنوان مقاله [English]

Predictive Spatial Distribution Maps of Plant Species Habitats in the Khalejestan Rangelands of Qom province

چکیده [English]

This study was carried out in order to evaluate the ability of artificial neural network in the preparation of predictive distribution map of plant species habitat and recognizing the strengths and weaknesses of this method. For this purpose, vegetation and soil sampling was conducted after determination of the homogenous unit using digital elevation model and geological map with a scale of 1: 25,000. Then environmental variable maps were obtained using GIS and Geostatistic. Input variables were selected based on the results of logistic regression. In order to develop of the artificial neural network model the best structure of the neural network was determined using Mean Square Error (MSE) after data normalizing and randomly data portioning into train, test and validation sets. Then simulation of presence / absences probability species was done with optimal network and continuous probability maps of presence or absence species in each habitats were prepared using Arc GIS software and presence optimal threshold was determined. Then compliance of the predictive and actual maps was assessed through the calculation of the kappa coefficient. The results showed which prediction maps of Pteropyrum olivieri-Stipa barbata habitat has excellent correspondence with actual vegetation map (kappa= 90%) and Amygdalus scoparia, Artemisia aucheri-Astragalus glaucacanthus, Scariola orientalis- Stipa barbata habitats have very good correspondence with the ground truth maps. These results indicate that the use of logistic regression preprocessing simplify the network architecture and has increased learning speed and accuracy of the simulation results. Therefore in case of performing appropriate preprocessing of the data and selection of the appropriate input variables, neural networks can be an appropriate approach to estimation of the distribution of plant species habitats and selection of suitable species for rehabilitation activities in the rangelands.

کلیدواژه‌ها [English]

  • Predictive map
  • Geostatistic
  • geographic information systems
  • Artificial Neural Networks
  • Rangelands of Qom province