مدل سازی زادآوری گونه بلوط ایرانی در جنگل های زاگرس با استفاده از الگوریتم شبکه عصبی مصنوعی

مقدمه و هدف: امروزه استفاده از روش ­های مدل سازی به­ منظور پیش ­بینی و مدل سازی زادآوری برای گونه­ های مختلف در طرح ­های حفاظتی و مدیریتی جنگل در حال افزایش است. با مدل سازی زادآوری جنگل می توان به یک پیش آگهی از وضعیت و تراکم جنگل در آینده رسید و براساس آن سناریوهای مختلف مدیریتی را اتخاذ نمود. مواد و روش ها: در این مطالعه با استفاده از شبکه عصبی مصنوعی (ANN) و خصوصیات توپوگرافی اولیه، توپوگرافی ثانویه، خصوصیات فیزیکی خاک، خصوصیات شیمیایی خاک و مشخصات ساختاری جنگل به عنوان متغیرهای مستقل به برآورد میزان زادآوری گونه بلوط در بخشی از جنگل های بلوط منطقه حفاظت شده مانشت و قلارنگ در استان ایلام پرداخته شد. برای این منظور توابع و مدل های مختلف در قالب شبکه عصبی مصنوعی مورد ارزیابی قرار گرفتند. پس از نمونه برداری ۷۰ درصد از نمونه های آماربرداری شده از زادآوری بلوط به عنوان نمونه آموزشی برای اجرای مدل شبکه عصب مصنوعی استفاده شد و برای ارزیابی نتایج مدل از ۳۰ درصد مابقی داده ها استفاده شد. در نهایت به آنالیز حساسیت مدل زادآوری بلوط پرداخته شد. یافته ها: نتایج نشان داد که شبکه عصبی مصنوعی با اشتباه معیار خطای برابر با ۰/۹۹ توانسته است به برآورد زادآوری بلوط در منطقه مورد مطالعه بپردازد. نتایج تجزیه حساسیت مدل نشان داد که کمترین میزان اشتباه معیار خطا مربوط به مدلی با وجود تمام متغیرهای ورودی است که نشان دهنده تاثیر مثبت تمامی پارامترهای ورودی به مدل است. به طوری که با حذف هر یک از متغیرهای ورودی صحت مدل در پیش بینی میزان زادآوری کاهش پیدا می کند. با این وجود متغیرهای ساختاری جنگل و مشخصات شیمیایی خاک به ترتیب مهم ترین عوامل موثر بر زادآوری بلوط در منطقه مورد مطالعه هستند. کمترین تاثیرگذاری بر روی زادآوری بلوط در مدل تهیه شده متغیرهای توپوگرافی ثانویه است که با اینکه نقش مثبتی در مدل پیش بینی تعداد زادآوری بلوط داشته اند اما با این حال تاثیر این متغیرها نسبت به سایر متغیرها کمتر بوده است. نتایج نشان داد حدود ۲۱ درصد از سطح منطقه مورد مطالعه دارای زادآوری کمتر از ۱۰۰ زادآوری در هکتار است. همچنین بیش از ۱۲ درصد از سطح منطقه مورد مطالعه دارای تعداد زادآوری های بیش از ۱۲۰۰ زادآوری در هکتار است. نتیجه گیری: در مجموع استفاده همزمان از کلیه خصوصیات توپوگرافی اولیه و ثانویه، خاک و مشخصات ساختاری جنگل باعث افزایش دقت  مدل سازی زادآوری جنگل های بلوط زاگرس خواهد شد از طرف دیگر، شبکه عصبی مصنوعی به علت انعطاف پذیر بودن امکان انتخاب نوع پارامترهای ورودی را نسبت به شرایط منطقه و اطلاعات در دسترس فراهم می کند و سبب افزایش دقت مدل سازی می شود.

Keywords:

Ilam , Multilayer perceptron neural network , Regeneration , Secondary topography , Sensitivity analysis , ایلام , توپوگرافی ثانویه , تجدید حیات , تجزیه حساسیت , شبکه عصبی پرسپترون چند لایه