برآورد حدود پراکنش مکانی گونه های گیاهی با روش شبکه عصبی مصنوعی در مراتع غرب تفتان

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 31

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_DEEJ-5-12_003

تاریخ نمایه سازی: 19 اسفند 1402

چکیده مقاله:

پژوهش حاضر با هدف برآورد حدود پراکنش گونه های گیاهی و تهیه نقشه پیش بینی پراکنش گونه ها با روش پرسپترون چندلایه، در مراتع غرب تفتان در شهرستان خاش انجام شد. برای این منظور، بعد از شناسایی و تفکیک رویشگاه گونه های مورد­بررسی، نمونه برداری از پوشش گیاهی به­روش تصادفی منظم انجام شد. برای نمونه برداری از خاک در هر رویشگاه، شش نیمرخ حفر و از دو عمق ۳۰-۰ و ۶۰-۳۰ سانتی متری نمونه برداری شد. بعد از اندازه گیری خصوصیات خاک در آزمایشگاه و تهیه لایه های مربوط به خصوصیات فیزیوگرافی (شیب، جهت، ارتفاع)، زمین شناسی و خصوصیات فیزیکی شیمیایی خاک با استفاده از زمین آمار و سیستم اطلاعات جغرافیایی، مدل سازی پراکنش رویشگاه گونه ها به­روش پرسپترون چندلایه انجام شد. بعد از انتخاب مدل پیش بینی بهینه برای هر رویشگاه، شبیه سازی احتمال حضور و عدم حضور گونه ها انجام شد. در مرحله بعد، آستانه بهینه حضور به روش حساسیت و اختصاصیت برابر تعیین شد و مقدار تطابق نقشه های حاصل از مدل بهینه پیش بینی با نقشه های واقعی از طریق محاسبه شاخص کاپا بررسی شد. براساس مقادیر شاخص کاپا، نقشه پیش بینی حاصل از روش پرسپترون چندلایه برای رویشگاه Haloxylon persicum دارای تطابق خیلی خوب با نقشه واقعی پوشش گیاهی است. علاوه بر این، میزان تطابق برای رویشگاه های Artemisia aucheri، Artemisia sieberi و Amygdalus scoparia خوب و برای رویشگاه Zygophyllum eurypterum در سطح متوسط ارزیابی شد. این نتایج گویای آن است که روش پرسپترون چندلایه قادر است با استخراج قوانین حاکم بر داده ها و مدل سازی فرایندهای غیرخطی، مدل های پیش بینی دقیقی را ارائه کند. این امر می تواند منجر به پیش بینی صحیح حدود جغرافیایی پراکنش گونه های گیاهی شود و علاوه بر صرفه جویی در هزینه و زمان پژوهش ها، امکان موفقیت طرح های اصلاحی را نیز در مراتع افزایش دهد.

نویسندگان

حسین پیری صحراگرد

دانشگاه زابل

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :