پهنه بندی پراکنش مکانی نوعی آویشن (Thymus kotschianus)و بوماران Achilla millefolium) )با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: مراتع دونا استان مازندران)

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 178

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_ESTJ-22-11_008

تاریخ نمایه سازی: 18 مهر 1400

Abstract:

زمینه و هدف: هدف از این پژوهش، استفاده از مدل شبکه ­عصبی ­مصنوعی در تهیه نقشه پراکنش مکانی گونه­های­ نوعی آویشن وبو مادران در مراتع دونا استان مازندران است. روش بررسی: نمونه­برداری از پوشش گیاهی به روش طبقه­بندی تصادفی در ۲۹ واحد ­همگن انجام شد. در هر واحد همگن، ۳ نمونه خاک نیز از عمق ۳۰-۰ سانتی­متری برداشت شدند.­ در پژوهش حاضر، از ۲۰ عامل محیطی به عنوان متغیر مستقل و داده­های مربوط به حضور گونه­های گیاهی مطالعه شده به عنوان متغیر وابسته استفاده گردید. برای تهیه نقشه پیش­بینی مکانی گونه­ها، اطلاعات محیطی در GIS تبدیل به نقشه شده و با استفاده از روش نسبت فراوانی هر کدام از آن ها کلاسه­بندی شدند. در این پژوهش از شبکه پرسپترون چند لایه، متداول­ترین شبکه­های عصبی­مصنوعی پیش­خور، استفاده گردید. ساختار بهینه شبکه عصبی­ مصنوعی، ۱، ۲۰، ۲۰ تعیین شد. خروجی به دست آمده از شبکه در نرم افزار GIS تبدیل به نقشه­های پهنه­بندی گونه­های گیاهی با ۴ پهنه عدم حضور، حضور کم، حضور متوسط و حضور زیاد شد. ارزیابی مدل به دو روش منحنی ROC و ضریب کاپا انجام شد.  یافته­ها:با استفاده از روش منحنیROC، مقدار AUC برای گونه بومادران  برابر ۸/۹۶،  و برای گونه نوعی آویشن برابر ۷/۸۴ شد که نشان­دهنده ارزیابی عالی و خیلی خوب مدل در پیش­بینی است. بحث ونتیجه­گیری: ارزیابی به روش ضریب کاپا نشان داد که این ضریب برای گونه بومادران، و گونه نوعی آویشن، به ترتیب برابر ۸۹/۰ و ۷۶/۰ بود که نشان­دهنده ارزیابی بسیار خوب و خوب مدل است.

Keywords:

شبکه پرسپترون چند لایه , گونه های دارویی , منحنی ROC , مراتع دونا

Authors

زینب بحرینی

دانشجوی دکتری علوم مرتع، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران.

زینب جعفریان

استاد دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران. (مسوول مکاتبات)

مریم شکری

استاد دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • Anderson, R.P, Lew, D., Peterson, A.P., ۲۰۰۳. Evaluating predictive models ...
  • Burke, A., ۲۰۰۱. Classification and ordination of plant communities of ...
  • Constantin, M., Bednarik, M., Jurchescu, C., Vlaicu, M., ۲۰۱۰. Landslide ...
  • Drake, J. M, Randin, C., Guisan, A., ۲۰۰۶. Modeling ecological ...
  • Ermini, L., Catani, F., Casagli, N., ۲۰۰۵. Artificial neural networks ...
  • Elith, J, Leathwick, J. R., ۲۰۰۹. Species distribution models: ecological ...
  • Fielding, A. H, Bell, J. F., ۱۹۹۷. A review of ...
  • Guisan, A., Thuiller, W., ۲۰۰۵. Predicting species distribution: offering more ...
  • Ghorbani, M. A., ۲۰۰۹. "Water Management Software, Publication noorpardazn. (In ...
  • Gomez H., Kavzoglu T., ۲۰۰۵. Assessment of shallow landslide susceptibility ...
  • Govindaraju, R.S., ۲۰۰۰. Artificial neural networks in hydrology II: hydrologic ...
  • Irmak, A, Jones, J. W., Batchlor, W. D., Irmak, S., ...
  • Jori MH, Mahdavi M., ۲۰۱۰. Applications identification of rangeland plants. ...
  • Lee, S., Ryu, J. H, Lee, M., Wos, J. S., ...
  • Lee, S, Ryu J. H, Won, J. S. park, H., ...
  • Lee, S, Sambath, T., ۲۰۰۶. Landslide susceptibility mapping in the ...
  • Lee, S., Ryu, J. H., Lee, M., Won, J. S., ...
  • Landis, J. R, Koch, G. C., ۱۹۷۷. The measurement of ...
  • Melesse, A. M., Hanley, R. S., ۲۰۰۵. Artificial neural network ...
  • Menhag, M. B., ۲۰۰۸. Principles of Neural Networks (Computational Intelligence). ...
  • Malhado, A.C, Petrere, J.M., ۲۰۰۴. Behavior of dispersion indices in ...
  • Neuhäuser, B., Terhorst, B., ۲۰۰۷. Landslide susceptibility assessment using “weights-of-evidence” ...
  • Nefeslioglu, H. A., Duman, T. Y., Durmaz, S., ۲۰۰۸. Landslide ...
  • Oysia, N., Khalili Mosavi, A., Mazandarni, M., Bayat, H., Borhani, ...
  • Piccinini C., ۲۰۱۱. Assessing the impact of climate change on ...
  • Paruelo, J. M., Tomasel, F., ۱۹۹۷. Prediction of functional characteristics ...
  • Paradhan, B., Lee, S., ۲۰۱۰. Landslide susceptibility assessment and factor ...
  • Rakee B, Khamechian M, Abdolmalaki P, Giahchi P., ۲۰۰۷. Application ...
  • Van Western, C. J., ۲۰۰۲. Use of weights of evidence ...
  • Rostampour, M., ۲۰۰۸. "Study of the Relationship Between Vegetation and ...
  • Yilmaz, I., ۲۰۰۹. Landslide susceptibility mapping using frequency ratio, logistic ...
  • Zare Chahoki, M. A., Khalasi Ahvazi, L., Azarnivand, H., ۲۰۱۲. ...
  • Zhu ­C., Wang X., ۲۰۰۹. Landslide susceptibility mapping: A comparison ...
  • Bahlar, M., Khoshsokhan, F., Fatahimoghadam, M.R., Poormeidani, A., ۲۰۱۳. "Evaluation ...
  • Cheyyann, R., ۲۰۰۷ "Estimation of electrical conductivity using artificial neural ...
  • Farajpour, M., ۲۰۰۹. "Evaluation of the genetic diversity of Achillea ...
  • نمایش کامل مراجع