مقایسه رویه های شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت در مدل سازی و پیش بینی جنگل زدایی مطالعه موردی: حوزه آبخیز گرگانرود- استان گلستان

زمینه و هدف: تغییر در پوشش جنگلی در خدمات اکوسیستمی، تعادل کربن در جو و در نتیجه تغییرات آب و هوا نقش بسیار مهمی ایفا می­کند. هدف از این تحقیق مقایسه سه روش شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت، جهت پیش­بینی روند مکانی تغییرات پوشش جنگل است. روش بررسی: در این مطالعه از نقشه­های کاربری اراضی تولید شده از ماهواره Landsat سنجنده TM مربوط به سال­های ۱۹۸۴ و ۲۰۱۲ استفاده شد. مدل­سازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت و پیش­بینی تغییرات برای بهترین مدل با استفاده از زنجیره مارکف انجام شد. به­منظور برآورد صحت مدل­سازی از آماره­های ROC، نسبت موفقیت به هشدار خطا و عدد شایستگی استفاده شد. یافته­ها: نتایج بیان­گر صحت بالای شبکه عصبی مصنوعی با میزان ROC برابر ۹۷۵/۰ ، نسبت موفقیت به هشدار خطا ۶۳ درصد و عدد شایستگی ۱۲ درصد می­باشد. بحث و نتیجه­گیری: شبکه­های عصبی مصنوعی در مقایسه با رگرسیون لجستیک و یادگیری بر مبنای نمونه وزنی مشابهت از صحت بالاتر و خطای کم­تری در مدل­سازی و پیش­بینی تغییرات جنگل برخوردارند.

Keywords:

جنگل زدایی , شبکه عصبی مصنوعی , رگرسیون لجستیگ , یادگیری بر مبنای نمونه وزنی مشابهت , حوزه آبخیز گرگانرود