ارزيابي و مدل‌سازي شبكه عصبي درختان چنار خطرآفرين فضاي سبز شهري

سابقه و هدف: فضاي سبز به‌عنوان يكي از با ارزش ترين اركان زنده كالبد شهري داراي اهميت بالايي است. در برنامه ريزي و مديريت اين فضا، شناسايي و ثبت اطلاعات مربوط درختان كشت‌شده در خيابان براي ارزيابي احتمال بروز خطر ناشي از آن‌ها امري ضروري است. بخش بزرگي از درختان چنار1 كهنسال در شهرهاي صنعتي و پرجمعيت در معرض انواع آلودگي‌هاي آب و هوايي، خشكسالي‌هاي مكرر و تنش‌هاي فيزيكي قرار دارند كه سبب كاهش مقاومت اين درختان مي‌شود. شناسايي درختان در معرض خطر را مي‌توان توسط انواع روش‌هاي آماري اولويت‌بندي كرد. يكي از مدل‌هاي آماري كمتر استفاده شده در اين مورد، شبكه عصبي مصنوعي 2(ANN) است. بر همين اساس پژوهش حاضر به‌منظور ارزيابي و مدل‌سازي درختان چنار خطرآفرين فضاي سبز خيابان كوالالامپور شهر اصفهان توسط ANN در سال 1397 انجام شد. مواد و روش ها: در پژوهش حاضر معيار شدت خطرآفريني درختان چنار در خيابان كوالالامپور شهر اصفهان با روش آماربرداري صددرصد با استفاده از متغيرهاي كمي و معيارهاي شدت خطرآفريني (كيفي يا عيوب) مورد مطالعه قرار گرفت. پس از تعيين سهم معيارهاي خطرآفرين و درجه اهميت آن‌ها در درختان چنار، آناليز كروسكال – واليس3 بين تعداد درختان در معيارهاي مختلف خطرآفريني صورت گرفت. در مرحله بعد، درختان از نظر معيارهاي خطرآفريني وزن‌دهي شدند. سپس بر مبناي اعداد حاصل از وزن‌دهي بر اساس طبقه بندي تجربي به 5 طبقه ي خطرآفرين تقسيم شدند. همچنين به‌منظور پردازش داده‌هاي متغيرهاي كمي، معيارهاي شدت خطرآفرين، متغير وزن‌دهي و طبقه‌هاي شدت خطرآفريني از آناليز مولفه‌هاي اصلي4 (PCA) و شبكه پرسپترون چند لايه‌ي5 (MLP) شبكه عصبي استفاده شد. نتايج و بحث: نتايج معيار شدت خطرآفريني نشان داد متغيرهاي زخم روي تنه و ريشه (83%)، وضعيت و ضعف ساختاري يا ضعف فيزيكي يا انحراف از راستاي قائم (61%)، مشكل‌هاي ريشه (54%) و خشكيدگي شاخه و سرشاخه‌ها (50%) داراي سهم قابل توجهي هستند. همچنين در نتايج حاصل از آزمون كروسكال - واليس معيار شدت خطرآفريني درختان چنار، مشاهده شد كه تعداد درختان بين 4 طبقه بدون خطر يا سالم، خطر كم، خطر متوسط و خطر زياد در سطح خطاي يك درصد داراي اختلاف معني‌دار هستند. نتايج مقايسه ميانگين آزمون دانكن نشان داد كه طبقات بدون خطر و خطر كم در يك دسته و طبقات خطر متوسط و خطر زياد در دسته ديگر با هم در سطح خطاي يك درصد داراي اختلاف معني‌دار هستند. نتايج حاصل از PCA نشان دهنده اين است كه محور اول و دوم، 44/69 درصد از تغييرات كل را در برمي‌گيرند. پارامترهاي وزن‌دهي و طبقات خطرآفريني با خشكيدگي شاخه و سرشاخه‌ها، قطر درخت، پوسيدگي پيشرفته و زخم روي تنه و ريشه همبستگي بالا و مثبت را نشان دادند. به‌طور كلي دو متغير زخم روي تنه و ريشه و خشكيدگي شاخه و سرشاخه‌ها از مهمترين متغيرهاي موثر در تعيين شدت خطرآفريني درختان چنار در منطقه مورد مطالعه در دو روش بيان شده هستند. با توجه به ضرايب تبيين بالاي داده‌هاي آموزشي، اعتبارسنجي، ارزيابي و در نهايت همه داده‌هاي شبكه عصبي (%999، %949، %996 و %991) و حداقل ميانگين مربعات خطا (داده‌هاي آموزشي=0/052، ارزيابي=%114 و اعتبارسنجي=044%) در طبقه‌بندي شدت خطرآفريني درختان چنار، دقت شبكه عصبي در پيش‌بيني طبقات شدت خطرآفريني از سطح بسيار مطلوبي برخوردار است و همچنين منطبق بودن خروجي شبكه عصبي و داده‌هاي واقعي برهم دال بر كيفيت مناسب شبكه است. نتيجه‌گيري: با توجه به نتايج روش‌هاي معيارهاي تشخيصي خطرآفريني و تجزيه و تحليل مولفه‌هاي اصلي، دو متغير تاثيرگذار زخم روي تنه و ريشه و خشكيدگي شاخه و سرشاخه‌ها به‌طور مرتب بر روي درختان چنار مورد بازبيني قرار ‌گيرد. همچنين تصميم‌گيران از روش شبكه عصبي براي شناسايي و تشخيص شدت خطرآفريني درختان چنار استفاده نمايند. بنابراين مي‌توان اين روش را به‌عنوان راهكاري مناسب و سودمند در مديريت فضاي سبز شهري و اقدام‌هاي پيشگيرانه پيشنهاد نمود