ارزيابي كاربرد مدل هاي شبكه عصبي و رگرسيوني به منظور پيش بيني تنوع گونه اي با استفاده از برخي عوامل خاكي و فيزيوگرافي

Evaluation of neural network and regression models to predict species diversity using some soil and physiographic factors

چكيده اندازه گيري مستقيم تنوع گونه اي امري وقت گير و هزينه بر بوده و تا حدي به دليل خطاهاي حاصل از نمونه-گيري غيرقابل اعتماد است. اين مطالعه با هدف تعيين فاكتور هاي كم هزينه در پيش بيني تنوع گونه اي بوسيله شبكه مدل هاي عصبي مصنوعي، شبكه عصبي تطبيقي-فازي و رگرسيوني انجام شد. نمونه برداري با استفاده از روش سيستماتيك-تصادفي از 60 قطعه نمونه در طول 6 ترانسكت 100 متري و از عمق 30-0 سانتي متري خاك صورت گرفت. اطلاعات پوشش گياهي به منظور اندازه گيري تنوع گونه اي بوسيله شاخص تنوع شانون-وينر ثبت گرديد. همچنين به منظور تعيين عوامل تاثيرگذار بر تنوع گونه اي، فاكتور هاي هدايت الكتريكي، اسيديته، وزن مخصوص ظاهري، درصدهاي ماده آلي، رس، سيلت، رطوبت اشباع، خاكدانه هاي درشت و ريز و شيب و ارتفاع تعيين و اندازه گيري شد. سپس با استفاده از مدل هاي شبكه عصبي نوع پرسپترون چند لايه، شبكه عصبي تطبيقي-فازي و رگرسيوني تخمين تنوع گونه اي تعيين شد. نتايج نشان داد كه معيارهاي مجذور ميانگين مربعات خطا و ضريب كارايي در مدل رگرسيوني به ترتيب 14/0 و 39/0 و در مدل شبكه عصبي مصنوعي 07/0 و 86/0 و در مدل شبكه عصبي تطبيقي-فازي 09/0 و 70/0 مي باشند. همچنين ميانگين تنوع شانون وينر براي منطقه برابر 1.98 بود. در واقع مدل شبكه عصبي مصنوعي به عنوان ابزار قدرتمندتري در پيش بيني تنوع گونه اي نسبت به آناليز رگرسيون خطي چند متغيّره و شبكه عصبي تطبيقي-فازي عمل مي كند.

Abstract: Direct measurement of species diversity is a time consuming and cost effective and somewhat unreliable because of errors in the sampling. This study was conducted by the aim of determining low cost factors for predicting species diversity using artificial neural network, adaptive- fuzzy neural network and regression models. Sampling was conducted using randomized-systematic method from 60 plots along 6 transects with 100m long and from 0-30cm of soil depth. Vegetation data were recorded to calculate species diversity by Shannon-wiener index. Moreover, for determining the affective factors on species diversity, electrical conductivity, pH, bulk density, percentages of organic matter, clay, silt, wet saturation, coarse and fine aggregates and slope and elevation were measured and determined. Then species diversity was determined using multii-layer perceptron neural network, adaptive-fuzzy neural network and regression models. The results show that criteria such as root mean squire error and efficiency coefficient of the regression model were 0.14 and 0.39, in artificial neural network 0.07 and 0.86 and for adaptive- fuzzy neural network 0.09 and 0.7, respectively. that Shannon wiener index was 1.98 for the study area. The artificial neural network model as a powerful tool in predicting species diversity in comparison with the multiple linear regression analysis and neural network-fuzzy adaptive models showed reliable results.