مقایسه عملکرد مدلهای پیشبینی کننده رویشگاه بالقوه برای گونه بومادران (Achillea millefolium)

پهنه بندی توزیع جغرافیایی گونه های گیاهی از جنبه های مختلف در مباحث اکولوژیک و علوم زیستی دارای اهمیت است. یکی از مهمترین کاربردهای آن مربوط به حفاظت و کنترل گونه ها، به ویژه گونه های در معرض خطر است. مدلهای مختلفی وجود دارد که میتوانند بر اساس داده های حضور گونه ها و با استفاده از متغیرهای محیطی، رویشگاه بالقوه گونه های گیاهی و جانوری را مشخص نمایند. هدف از این مطالعه مقایسه عملکرد سه الگوریتم یادگیری ماشینی، یعنی مدلهای جنگل تصادفی (RF) ، شبکه عصبی مصنوعی (ANN) و مدل تعمیمی تقویت شده (GBM) برای پیش بینی پراکنش گونه علفی بومادران (Achillea millefolium) میباشد. بر این اساس، هشت متغیر مستقل محیطی (درصد شیب، جهت شیب، ارتفاع، شاخص رطوبت توپوگرافی، میانگین دمای تابستان، مجموع بارش تابستانه، شاخص تابش خورشیدی تابستانه، و شاخص رطوبت خاک) جهت کالیبره کردن مدل انتخاب شدند. همچنین اطلاعات مکانی نقاط حضور گونه مورد مطالعه ۱۰۲) نقطه) در منطقه مطالعاتی در ایالت تورینگن آلمان به مدلها معرفی گردید. جهت ارزیابی نتایج، %۳۰ نقاط حضور برای صحت سنجی و %۷۰ باقیمانده برای کالیبره کردن مدلها استفاده شد. در نهایت نقشه پتانسیل پراکنش این گونه تولید و دقت مدلها با استفاده از شاخص سطح زیر منحنی (AUC) و آماره واقعی مهارت (TSS) ارزیابی شد. برآوردها نشان داد که میانگین دمای تابستان و به دنبال آن مجموع بارش تابستان و درصد شیب تاثیرگذارترین متغیرهای محیطی هستند و شاخص رطوبت خاک کمترین تاثیر و اهمیت را برای این گونه گیاهی داشته است. نتایج حاصل از ارزیابی صحت نشان داد، AUC و TSS هر کدام از مدلها به ترتیب عبارتست از ۰,۸۹) GBM، (۰,۷۲ ، (۰,۶۱ ,۰,۷۴) ANN، و .(۰,۶۹ ,۰,۸۴) RF بنابراین هر دو شاخص نشان میدهند که مدل GBM عملکرد بهتری نسبت به دو مدل دیگر داشته است.

Keywords:

مدل جنگل تصادفی , مدل شبکه عصبی , مدل تعمیمی تقویت شد