تعيين رويشگاه بالقوه گونه گياهي كما (Ferula ovina Boiss) با استفاده از مدل شبكه عصبي مصنوعي در منطقه فريدونشهر اصفهان

Potential Habitat Modelling of Ferula ovina Using Artificial Neural Network in Fereydunshahr Region, Isfahan Province

هدف از اين مطالعه بررسی توانايی مدل آماری شبكه عصبی مصنوعی در تهيه نقشه رويشگاه بالقوه گونه علوفه‌ای و دارويی Ferula ovina Boissدر مراتع منطقه فريدونشهر اصفهان می‌باشد. به‌منظور تعيين رويشگاه بالقوه گونه F. ovina (كما)، از داده‌های محيطی به‌عنوان متغير مستقل و داده‌های مربوط به رخداد گونه كما به‌عنوان متغير وابسته استفاده گرديد. نقشه پراكنش مكانی عوامل محيطی از قبيل خصوصيات توپوگرافی (ارتفاع ازسطح دريا، جهت جغرافيايی، شيب) داده‌های ادافيكی (برخی از خصوصيات فيزيكی و شيميايی خاك) و اقليمی (ميانگين سالانه درجه حرارت‌، ميانگين بارش سالانه و...) به‌روش كريجينگ و وزن‌دهی معكوس فاصله تهيه شد. رخداد گونه كما از 278 سايت مطالعاتی (شامل137 سايت حضور و 141 سايت عدم حضور) جمع‌آوری شد. سپس ارتباط بين متغيرهای محيطی و حضور وغياب گونه با مدل شبكه عصبی مصنوعی تعيين گرديد و به‌كل منطقه مورد مطالعه تعميم يافت. نتايج آناليز حساسيت نشان داد كه حضور گونه كما بيشترين همبستگی را به‌ترتيب با درصد سيلت، درصد شن‌، ارتفاع‌، شيب و درصد ماده آلی دارا می‌باشد. ارزيابی مدل به‌روش جايگزينی ضريب كاپای 66/0 و مساحت زير منحنی پلات‌های ROC با مقدار 9/0 نشان دهنده تطابق خوب تا عالی مدل با واقعيت زمينی است. نتايج نشان داد كه مدل توليد شده می‌تواند به‌عنوان ابزاری برای استفاده مديران و كارشناسان بخش مرتع به‌منظور شناسايی مناطق مستعد جهت عمليات اصلاحی همچون بذركاری و بوته كاری مورد استفاده قرار گيرد.

Species distribution maps have been widely developed based on ecological niche theory together with statistical and geographical information system in plant ecology. The current study aimed to evaluate Artificial Neural Network (ANN) in mapping potential habitat of Ferula ovina Boiss in Ferydunshar rangelands, Isfahan. This is known as valuable forage and medicinal species. Environmental data (independent variables) and species occurrence data (dependent variable) were required to determine potential habitat of a given species. Some physical and chemical soil properties, climate and physiographic variables were mapped for the entire studied area using krigging and inverse distance weighting methods. F. ovina occurrence data were collected from 278 sites including 137 presence and 141 absence sites. The relationships between the studied environmental variables and F. ovina occurrence data were explored using ANN method. According to the sensitivity analysis, occurrence of F. ovina mostly correlated with silt and sand percentage, elevation slope, and organic matter. Model evaluation based on Kappa coefficient (0.66) and Receiver operating characteristic (ROC=0.9) showed good model fitness in relation to reality on local scales. The ANN technique enables managers to identify appropriate areas for rehabilitation practices such as direct seeding and planting.