ارزیابی و مدل سازی شبکه عصبی درختان چنار خطرآفرین فضای سبز شهری

سابقه و هدف: فضای سبز به عنوان یکی از با ارزش ترین ارکان زنده کالبد شهری دارای اهمیت بالایی است. در برنامه ­ریزی و مدیریت این فضا، شناسایی و ثبت اطلاعات مربوط درختان کشت شده در خیابان برای ارزیابی احتمال بروز خطر ناشی از آن ها امری ضروری است. بخش بزرگی از درختان چنار۱ کهنسال در شهرهای صنعتی و پرجمعیت در معرض انواع آلودگی های آب و هوایی، خشکسالی های مکرر و تنش های فیزیکی قرار دارند که سبب کاهش مقاومت این درختان می شود. شناسایی درختان در معرض خطر را می توان توسط انواع روش های آماری اولویت بندی کرد. یکی از مدل های آماری کمتر استفاده شده در این مورد، شبکه عصبی مصنوعی ۲(ANN) است. بر همین اساس پژوهش حاضر به منظور ارزیابی و مدل سازی درختان چنار خطرآفرین فضای سبز خیابان کوالالامپور شهر اصفهان توسط ANN در سال ۱۳۹۷ انجام شد. مواد و روش ­ها: در پژوهش حاضر معیار شدت خطرآفرینی درختان چنار در خیابان کوالالامپور شهر اصفهان با روش آماربرداری صددرصد با استفاده از متغیرهای کمی و معیارهای شدت خطرآفرینی (کیفی یا عیوب) مورد مطالعه قرار گرفت. پس از تعیین سهم معیارهای خطرآفرین و درجه اهمیت آن ها در درختان چنار، آنالیز کروسکال – والیس۳ بین تعداد درختان در معیارهای مختلف خطرآفرینی صورت گرفت. در مرحله بعد، درختان از نظر معیارهای خطرآفرینی وزن دهی شدند. سپس بر مبنای اعداد حاصل از وزن دهی بر اساس طبقه ­بندی تجربی به ۵ طبقه ­ی خطرآفرین تقسیم شدند. همچنین به منظور پردازش داده های متغیرهای کمی، معیارهای شدت خطرآفرین، متغیر وزن دهی و طبقه های شدت خطرآفرینی از آنالیز مولفه های اصلی۴ (PCA) و شبکه پرسپترون چند لایه ی۵ (MLP) شبکه عصبی استفاده شد. نتایج و بحث: نتایج معیار شدت خطرآفرینی نشان داد متغیرهای زخم روی تنه و ریشه (۸۳%)، وضعیت و ضعف ساختاری یا ضعف فیزیکی یا انحراف از راستای قائم (۶۱%)، مشکل های ریشه (۵۴%) و خشکیدگی شاخه و سرشاخه ها (۵۰%) دارای سهم قابل توجهی هستند. همچنین در نتایج حاصل از آزمون کروسکال - والیس معیار شدت خطرآفرینی درختان چنار، مشاهده شد که تعداد درختان بین ۴ طبقه بدون خطر یا سالم، خطر کم، خطر متوسط و خطر زیاد در سطح خطای یک درصد دارای اختلاف معنی دار هستند. نتایج مقایسه میانگین آزمون دانکن نشان داد که طبقات بدون خطر و خطر کم در یک دسته و طبقات خطر متوسط و خطر زیاد در دسته دیگر با هم در سطح خطای یک درصد دارای اختلاف معنی دار هستند. نتایج حاصل از PCA نشان دهنده این است که محور اول و دوم، ۴۴.۶۹ درصد از تغییرات کل را در برمی گیرند. پارامترهای وزن دهی و طبقات خطرآفرینی با خشکیدگی شاخه و سرشاخه ها، قطر درخت، پوسیدگی پیشرفته و زخم روی تنه و ریشه همبستگی بالا و مثبت را نشان دادند. به طور کلی دو متغیر زخم روی تنه و ریشه و خشکیدگی شاخه و سرشاخه ها از مهمترین متغیرهای موثر در تعیین شدت خطرآفرینی درختان چنار در منطقه مورد مطالعه در دو روش بیان شده هستند. با توجه به ضرایب تبیین بالای داده های آموزشی، اعتبارسنجی، ارزیابی و در نهایت همه داده های شبکه عصبی (۰.۹۹۹، ۰.۹۴۹، ۰.۹۹۶ و ۰.۹۹۱) و حداقل میانگین مربعات خطا (داده های آموزشی=۰.۰۵۲، ارزیابی=۰.۱۱۴ و اعتبارسنجی=۰.۰۴۴) در طبقه بندی شدت خطرآفرینی درختان چنار، دقت شبکه عصبی در پیش بینی طبقات شدت خطرآفرینی از سطح بسیار مطلوبی برخوردار است و همچنین منطبق بودن خروجی شبکه عصبی و داده های واقعی برهم دال بر کیفیت مناسب شبکه است. نتیجه گیری: با توجه به نتایج روش های معیارهای تشخیصی خطرآفرینی و تجزیه و تحلیل مولفه های اصلی، دو متغیر تاثیرگذار زخم روی تنه و ریشه و خشکیدگی شاخه و سرشاخه ها به طور مرتب بر روی درختان چنار مورد بازبینی قرار گیرد. همچنین تصمیم گیران از روش شبکه عصبی برای شناسایی و تشخیص شدت خطرآفرینی درختان چنار استفاده نمایند. بنابراین می توان این روش را به عنوان راهکاری مناسب و سودمند در مدیریت فضای سبز شهری و اقدام های پیشگیرانه پیشنهاد نمود.

Keywords:

جنگلداری شهری , معیار شدت خطرآفرینی , آنالیز مولفه های اصلی , شبکه عصبی پرسپترون چند لایه