مدل‏سازي پراكنش مكاني Stipa barbata و Agropyron intermedium با روش شبكه عصبي مصنوعي در مراتع طالقان مياني

Modeling of potential habitat for Stipa barbata And Agropyron intermedium species using artificial neural network model in rangeland of Central Taleghan

هدف از اين تحقيق تهيه نقشه پيش‏بيني پراكنش مكاني دو گونه Stipa barbata و Agropyron intermedium با استفاده از شبكه عصبي مصنوعي است. اطلاعات پوشش گياهي و عوامل رويشگاهي شامل اقليم، خاك، پستي و بلندي و خصوصيات زمين شناسي جمع آوري شدند. نمونه برداري در تيپ هاي گياهي به روش تصادفي سيستماتيك از طريق پلات گذاري در امتداد سه ترانسكت 150 متري انجام شد. سطح پلات ها با توجه به نوع گونه هاي موجود به روش سطح حداقل (يك مترمربع) و تعداد آنها با توجه به تغييرات پوشش گياهي و روش آماري برابر 15 پلات در امتداد هر ترانسكت تعيين شد. يك پروفيل در ابتدا و انتهاي هر ترانسكت حفر و نمونه خاك تا عمق30 سانتي متر برداشت شد. خصوصيات خاك شامل سنگريزه، بافت، آهك، ماده آلي، اسيديته، هدايت الكتريكي، فسفر، نيتروژن و پتاسيم در آزمايشگاه اندازه گيري شد. نقشه عوامل محيطي با استفاده از روش زمين‏آمار تهيه شد. نقشه پيش-بيني رويشگاه گونه هاي مورد بررسي توسط شبكه عصبي مصنوعي با الگوريتم پس انتشار خطا طراحي شد. صحت مدل براي رويشگاه دو گونه A. intermedium و S. barbata بر اساس نتايج آزمون شبكه برابر 7/98 و 6/97 به دست آمد. نتايج نشان داد كه پارامترهاي اقليمي و خاكي به كار رفته در تشكيل مدل نهايي در اين تحقيق، توانايي لازم را در پيش بيني توزيع بالقوه گونه هاي مورد بررسي داشتند. همچنين با توجه به نتايج ارزيابي مدل‏ها با ضريب كاپا، مدل شبكه عصبي موقعيت رويشگاه دو گونه A. intermedium و S. barbata را به‌‌ترتيب در سطوح عالي و خوب (ضريب كاپاي 95/0 و 70/0 درصد) پيش بيني كرد، بنابراين مي توان نتيجه گرفت كه مدل شبكه عصبي دقت بالايي را در پيش بيني پراكنش مكاني دو گونه مورد بررسي در طالقان مياني دارد.

The purpose of this study was to provide spatial distribution prediction map of Stipa barbata and Agropyron intermedium species using artificial neural network model. For modeling, vegetation data in addition to site condition information including topography, climate, geology and soil were prepared. Within each sampling unit, three parallel transects with 150 m length each containing 15 quadrats were established. Sampling method was randomized-systematic method. Quadrats size determined for each vegetation type using the minimal area and their number were determined according to vegetation variation. Soil samples were taken from 0-30 cm depth along of each transects. Measured soil properties included grovel, texture, pH, EC, organic matter, lime, soluble ions (N+, P+, K+). Geostatistical methods were used for data analysis and preparation of environmental variables maps, while an artificial neural network with back-propagation algorithm applied for maps prediction. The accuracy of the network for habitat of A. intermedium and S. barbata was 98.7% and 97.6%, respectively. This indicates that the soil and climatic parameters used in the final model of this study were able in predicting potential distribution of the species. According to the results of the models assessment using the Kappa coefficient, artificial neural network model has predicted habitat for of A. intermedium and S. barbata species at an excellent and good levels (kappa= 0.95% and 0.70%). It can be concluded that the neural network model have high accuracy in predict the spatial distribution of species in rangeland of central Taleghan.