Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

ظهور هر گونه گیاهی تحت تاثیر عوامل محیطـی و روابـط بـینگونهای است و یک یا چند عامـل محیطـی بیشـترین اثـر را دراستقرار یک گونه گیاهی خاص دارند. اگر بهطریقی بتـوان ایـنعوامل را برای هر گونه گیاهی تعیین کـرد و رف تـار گونـه را بـامتغیرهای محیطی بررسی نمود میتوان به مدلهـا ی پـ یشبینـ یپراکنش گونهای دست یافت(3). امـروزه تولیـد نقشـه پـراکنشگونهها در مکان و زمان، اساس بسیاری از پژوهشهای مختلف میباشد. مـدل هـای پـراکنش گونـهای (Species Distribution Model) برای ارزیابی تنوع گونهای محلی و جهانی، برنامهریزی جهت ایجاد ذخایر جدید، مدیریت و احیاء زیستگاهها، مدیریت گونههای مهاجم و پیشبینی اثرات تغییرات زیست محیطـی بـرگونهها و جمعیتها مورد اسـتفاده قـرار گرفتـهانـد . یـک مـدلپراکنش گونهای، رخداد گونهای (متغیـر وابسـته) را بـه صـورت تابعی از متغیرهای زیست محیطی مختلف (متغیرهـای مسـتقل) مدلسازی میکند (17).
کلیه مدلهای رگرسیون برمبنای همبسـتگی بـین متغیرهـایپیشبینی کننده و متغیر پاسخ مـی باشـد کـه هـدف اصـلی ایـنمدلها پیشبینی رخداد یک پدیده است. مـدل هـای آمـاری بـرمبنای نوع متغیر پاسخ بهدو گروه مدلهای پروفیل و مـدل هـایمتمایز کننده گروهی تقسیم میشوند. متغیر پاسخ در مـدل هـایپروفیل تنها براساس دادههای حضور (رخداد گونـه ) مـی باشـد ، مانند مـدل ENFA) Ecological Niche Factor Analysis) ولـی متغیر پاسخ در مدلهای متمایز کننده گروهی مبتنی بر دادههـای حضور و عدمحضور میباشـند کـه خـود بـهدو گـروه جهـانی(پارامتری ک) و محلــی (غیرپارامتریــک) تقســیم مــیشــوند در مدلهای جهانی رابطهی بین متغیر پاسخ و پـیش بینـی کننـده ازقبل تعریف شـده اسـت، ماننـدGeneralized Linear ) GLMs Models) و در مقابل مدلهای محلی هیچ پیش فرضـی نسـبت بهشکل منحنی پاسخ نداشته و میتوانند در مکـان هـای مختلـففضای داده، تغییر کنند که مدل آماری شـبکه عصـبی مصـنوعیجزء این مدل طبقهبندی میشود (19 و 4).
۴۲
(Artificial Neural Network) شـبکه هـا ی عصـب ی مصـنوع ی
(ANN) نــوعی روشهــای یــادگیری ماشــینی هســتند کــه در زمینههای مختلف آنالیز دادهها نظیر رگرسیون و طبقهبندی بهکار برده میشوند. در بومشناسی نیز اسـتفاده از شـبکههـا ی عصـب یمصنوعی پیشخـور (Feed forward) بـا الگـوریتم پـس انتشـار (Back propagation)در تولید نقشـه هـای پـراکنش گونـههـای گیاهی و جانوری رایج است(11).
پیکینی (17)، بهبررسی اثر تغییر اقلیم بر پـراکنش 18 گونـهگیاهی در انگلستان با استفاده از شبکههای عصبی فید فروارد بـا توابع فعالساز مختلف پرداخت و پراکنش جغرافیایی گونهها را تحت سناریوهای تغییر اقلیم پـیش بینـی نمـود. در ایـن مطالعـهغنای گونهای بهعنوان متغیر وابسته و متغیرهای زیست محیطـیبهعنوان متغیرهای مستقل درنظر گرفته شد نتایج ارزیـابی ANNبا ضـریب کاپـای 70/0 و area under curve) AUC) برابـر بـامقدار 88/0 نشان داد که همبستگی خوبی بین متغیرهای زیست محیطی حال حاضر و پراکنش گونههـا وجـود دارد. وی اظهـارداشت که استفاده از شبکههای عصـبی مصـنوعی ممکـن اسـتجایگزین معتبری نسبت بهسایر روشهای آمار مکانی باشـد . بـااین حال، دادهها و روش دارای عدم قطعیت است.
واتس و وارنـر ،در مطالعـه ای بـا اسـتفاده از شـبکه عصـبیمصنوعی توزیـع جغرافیـایی شـش بیمـاری باکتریـایی گیاهـان
زراعــی را بــا اســتفاده از عوامــل اقلیمــی (عوامــل غیــرزنــده) ومجموعهای از گیاهان میزبان (عوامل زنده) بررسی نمـود . ایـنمطالع ه نش ان داد ک ه م دل م ذکور ب ه خ وبی بی انگر توزی ع جغرافیایی بیماریهای باکتریایی گیاهان زراعی اسـت و ترکیـبعوامل غیرزنده و زنده برای رسیدن بهدقـت بـالای مـدلسـازیلازم است(20).
گونهF. ovina متعلق به خانواده چتریان بوده و از جمله بـاارزشترین گیاهان علوفهای و دارویی است. این گیاه در صـنا یع دارویی بیشتر بهعنوان داروی ضد تشنج، خلطآور، هضم کننـده ،دافع انگلهای رودهای کاربرد دارد. همچنین کما یکـ ی از منـابعقابل توجه تولید علوفه و تغذیه دام در سطوح وسیعی از مراتـعییلاقی است که ارزش علوفـه ای آن در حـد یونجـه بـوده و دررشد و نمو دام تأثیر عمدهای دارد (6). در مطالعه حاضر، بـرا ینخستین بار رابطه بین رخداد گونه F. ovina با عوامـل مح یطـ ی(خـاک و فیزیـ وگرافی) بـا اسـتفاده از شـبکه عصـبی مص نوعیبررسی شده و نقشه پراکنش بالقوه گونه مذکور برای بخشـ ی از منطقه فریدونشهر اصفهان تولید گردید. اگرچه مطالعات چنـد یدر رابطه با گونه F. ovina در ایران انجام شده است ولـ ی اکثـرمطالعات بهصورت توصیفی شرایط رویشگاهی گونه مـذکور رامعرفی نمودهاند (1، 2 و 5).
مواد و روشها
منطقه مورد مطالعه
منطق ه م ورد مطالع ه در قس متی از مرات ع فریدونش هر اس تان اصفهان به مساحت تقریبی 99000 هکتار، بین طول جغرافیـایی”32 ’38º 49 و “36 ’15º 50 و عرض جغرافیایی”48 ‘6º 33 و
“18 ’42º 32 قرار گرفته است. حداکثر ارتفـاع منطقـه از سـطحدریا 4000 متر و میانگین بارندگی سالانه حدود 450 میلـ یمتـرمیباشد.
متغیرهای محیطی
بهمنظور تعیین رویشگاه بالقوه گونه کما، داشتن دادههای عواملمحیطی بهعنوان متغیر مستقل و دادههای مربوط به رخداد گونـهکما بهعنوان متغیر وابسته مورد نیاز است از اینرو جهت تهیـ هیاطلاعات محیطی لایههای فیزیوگرافی (شـ یب، جهـت و ارتفـاعبا استفاده از نقشه رقومی ارتفاع منطقه مورد مطالعه)، لایـ ههـا یم
حیطی خاک (مربوط به 70 پروفیل خاک) و لایـ ههـا ی اقلیمـ ی(9 ایســتگاه هواشناســ ی نزدیــک بــه منطقــه مــورد مطالعــه)،جمعآوری گردید(تمام متغیرها در جدول 3 آورده شده اسـت ).
نقشههای پراکنش مکانی 9 خصوصیت خاک و 19 متغیر اقلیمیبا اندازه پیکسل 70×70 متر با استفاده از روشهای میانیابی در محیط نرمافزار Arc GIS تولید گردید.
تولید نقشههای پراکنش مکانی متغیرهای خاک و اقلیمبهمنظور تعیین بهترین روش میانیابی ابتدا نرمال بودن دادههـا یمحیطی با روش کلموگروف- اسمیرنوف در سطح اطمینـان 95درصد در نرمافزار Minitab بررسی شد. در صورت عدم نرمـالبودن دادهها با روشهای تبدیل لگاریتم یا کاکس بـاکس نرمـالشد. پس از نرمال کردن دادهها تغییـ رپـذ یری مکـان ی متغیرهـا یاقلیم وخاک با استفاده از مدلهای مختلف واریـ وگرام و تحلیـ ل آنها در نرم افزار +GS بررسـ ی شـد. سـاختار مکـانی دادههـا در واریوگرام بـا تقسـیم اثـر قطعـهای (0C) بـه سـقف واریـوگرام(0C+C) ارزیابی میشود بهگونهای که اگر ایـ ن نسـبت کمتـر از
25% باشد، متغیر دارای ساختار مکانی قـو ی، بـ ین 25% تـ ا 75% ساختار مکانی متوسط و بزرگتـر از 75%دارای سـاختار مکـانیضعیف میباشد(7). بهترین مدل واریوگرام هریک از متغیرهـا یمستقل با درنظر گرفتن شاخص ریشه دوم مربعات خطا (Root Mean Square Error) بررسی گردید. هر چه مقـدار ر یشـه دوممربعات خطا بهمقـدار ایـدهآل (صـفر ) نزدیـک تـر باشـد، مـدلواریوگرام برازش شده بهتر است. با استفاده از میانگین انحـرافخطا (Mean Bias Error) و میانگین قـدر مطلـق خطـا (Mean Absolute Error) و ریشــه دوم مربعــات خطــا بهتــر ین روش میانیابی برای تهیه نقشهها انتخاب گردید. بدین منظور هـر سـهروش کریجینگ ساده، معمولی وجهانی بـرا ی هـر متغیـ ر انجـامشده و در هرکدام از روشها که سه تابع یاد شده دارای کمترین مقدار (نزدیک به صفر) بود بـه عنـوان بهتـرین روش میـ انیـ ابیدرنظر گرفته شد. چنانچه داده ها از توزیع نرمال برخوردار نبود از روشهای غیر پارامتریـ ک ماننـد وزن دهـ ی معکـوس فاصـلهاستفاده شد.
رخداد گونه کما
126873867918

Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

جهت نمونهبرداری رخداد گونه F. ovina از روش نمونهبرداریتصادفی طبقهبنـد ی شـده اسـتفاده گردیـ د(11). در گـام اول بـابازدید از منطقهی مورد مطالعه تیپهایی که در آن گونه مـذکور بهصورت غالب حضور داشت مشخص شده و نقشه تیپ گیاهی
۴۳
126873867918

Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

در محیط نرم افزار Arc GIS تهیه شد. نقشهای شامل لایـ ههـا یفیزیوگرافی با 147 منطقه همگن کـه حاصـل تلفیـ ق 3 طبقـه یارتفاعی، 6 طبقهی شیب و 9 طبقه جهت میباشد، تولید گردید.در گام بعدی با تلفیـ ق دو نقشـه یـ اد شـده بـراسـاس مسـاحتاختصاص یافته بههر طبقـه ی همگـن و بـهشـکل تصـادفی278سایت مطالعـات ی شـامل 137سـا یت حضـور و 141سـا یت عـدمحضور گونه F. ovina مشخص شد که صحت سایتهای ذکـرشده با بازدید صحرایی کنترل گردید.
متغیرهای ورودی شبکه عصبی مصنوعی
پــس از تهیــه نقشــههــای پــراکنش مکــانی 31 متغیــر مســتقل ارزشهــای مربــوط بــه هــر متغیــر محیطــی در 278 ســایتنمونهبـردار ی شـده مربـوط بـهحضـور و غ یـ اب گونـه کمـا، از نقشههای مربوطه استخراج گشته و بـه عنـوان داده هـا ی ورودیمدل درنظر گرفته شد. بدیهی است که بهکارگیری کلیـ ه عوامـلدر فرآیند مدلسازی امکانپذیر نیست، از اینرو باتوجه به نکاتیمانند مقیاس، دقت و هدف مورد نظـر ،شـرا یط منطقـه و م یـ زان تاثیرگذاری هر یک از متغیرها، عوامل مناسـب جهـت ورود بـهفرآیند مدلسازی مشخص میشود. در این تحقیق بـا اسـتفاده ازآنالیز مؤلفههای اصلی و آزمون همبستگی، مهمتـرین متغیرهـایمستقل اثرگذار شناسایی و وارد مدل گردید.
مدل شبکه عصبی مصنوعی
گورنی(12)، یک شبکه عصبی مصنوعی موسوم به ANN، را در ۴۴

شکل 1 .ساختار یک شبکه ساده پیشخور
برگیرنده مجموعهای بههم پیوسته از واحدهای پردازشـ ی سـادهتوصیف کـرده اسـت کـه الهـام گرفتـه از کـارکرد نـورونهـا یجانوری می باشـد . امـروزه شـبکههـا ی عصـب ی در بسـ یاری از زمین هه ا از جمل ه طبق هبن دی، تش خیص الگ و، پ یشبین ی و مدلسازی فرایندها بهکار گرفته شده است(7). طبق شـکل 1 دریــک شــبکه عصــب ی مصــنوعی چنــد لایــه ای پرســپترون(Perceptron)، جریان دادهها بهطور پیوسـته از لا یـ ه ورودی بـهخروجی و بدون هیچ بازخوردی جریان دارد. در حقیقـت لا یـ ه ورودی، دادههای ورودی از متغیرهای مستقل را بهصورت اعداد نقطهای شناور دریافـت مـیکننـد . در ایـ ن حالـت ابتـدا دادههـادستهبندی شده و سپس بهحالـت بـولین (صـفر و یـ ک) تبـد یلمیشوند. لایه خروجی نتایج حاصل از پردازش دادهها را نشـانمیدهد. بین لایه ورودی و خروجی یک یـ ا چنـد لا یـ ه مخفـ یوجود دارد. هر لایه شـامل یـ ک تعـداد متغ یـ ر از نـورون هـا یـ ا شبکههای عصبی می باشند(13).
گام بعدی در اجرای یک شبکه عصبی آمـوزش (Training)آن است. هدف از آموزش یک شبکه حداقل کردن خطـا ی بـ ین خروجی شبکه و مقدار مطلوب آن (هدف) است. در این فرایندمقدار خروجی با مقدار مطلوب آن مقایسه وخطای بین ایـ ن دو مقدار حداقل میگردد. بر ایـ ن اسـاس الگـوریتمهـا ی آموزشـ یمختلفی ابداع شده که از ماتریسهـا ی وزنـ ی متفـاوت ی اسـتفادهمیکنند. هر یک از این الگوریتمهـا کـه بتوانـد خطـای کمتـر یتولید نماید بهعنوان الگوریتم برتر انتخاب میگردد. با توجه بـهآنچه گفتـه شـد مشخصـه اصـلی یـ ک شـبکه معمـاری و تـابعفعالساز آن میباشد (17). در بومشناسـ ی، بیشـتر اقسـامANN بهصورت لایه نهفته نظارت شده میباشد و شـبکه هـا ی عصـب یمصـنوع ی توسـط الگـوریتم پـس انتشـار(Back propagation algorithm) آم وزش داده م یش وند (8). باتوج ه ب ه ش کل 2ورودیهای یک نورون مصنوعی (متغیرهـای محیطـی) در یـ ک وزن ارتباطی ضرب شده و سپس جمع میشوند.
ورودی وزندار شده بهصورت روبهرو میباشد :
1Y = W0+ W1 Xیک سیگنال خروجی درصورتی ایجاد میشود کـه مجمـوعآن از حد آستانه عبور کند. سیگنال خروجـی توسـط یـک تـابعفعالساز درجهبندی میشود. باتوجـه بـهاینکـه احت مـال رخـدادگونهها بین 0 و 1 تغییر مـی کنـد در تهیـه نقشـههـای پـراکنشگونهای معمولامعمولاً از تابع سیگموئیدی استفاده میشود (17).
44953752570

تابع سیگموئیدی:(f x( )  1e1(x
حاصل جمع وارد تـابع سـیگموئیدی شـده و ایـن تـابع شـدتسیگنال خروجی را تنظیم میکند.

شکل 2. ساختار یک شبکه ساده پیشخور با سه نورون

شکل 3. مدل واریوگرام برازش شده بر متغیر درصد شن
(h) بیانگر مقدار واریوگرام،(h) فاصله به متر ،(0A) دامنه تاثیر، (0C) اثر قطعهای، (C0+C) آستانه میباشد.
988670160592

1( 1 0h= f (w0 + w1 x) = 1e (w wxتعداد لایههای مخفی تعیین کننـده نـوع مسـائلی اسـت کـهشبکه می تواند حل کند. از نظر تئوری، امکان استفاده از بیش از دو لایه مخفی وجود دارد با این حال اکثر مسائل را میتـوان بـایک لایه مخفی حل کرد (17). در فرآیند مـدل سـازی رویشـگاهبالقوه گونه F. ovina بااستفاده از شبکه عصبی مصنوعی از یـکلایه مخفی با 7 نورون بههمراه تابع سیگموئید اسـتفاده گردیـد.
دامنه اعداد پیشبینی شده در محدوده صفر و یک تغییر میکنـد ،به این ترتیب که مقادیر کـم بیـ انگـر احتمـال رخـداد پـایین و مقادیر نزدیک بهیک بیانگر احتمال رخداد زیاد گونه مـ یباشـد .
ارتباط گونه گیاهی کما با عوامـل مح یطـ ی بـا اسـتفاده از مـدلشبکه عصـب ی مصـنوع ی در محـ یط نـرم افـزارStatistica مـوردبررسی قرارگرفتـه و سـپس نقشـه پـیشبینـ ی مـدل در محـیطArc GIS با اندازه پیکسل 70×70 متر تهیه شد.
126873867918Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

ارزیابی مدل با استفاده ازماتریس خطا به دو روش جانشینی(Resubstitution) (استفاده از یک مجموعه داده بـرای سـاختمدل و سپس ارزیابی مدل با همـان داده هـا ) و روش اسـتفاده ازدادههای مستقل (Independent data) (اسـتفاده از دو مجموعـهداده مجزا، یک مجموعـه داده بـرای سـاخت مـدل و مجموعـهدیگـر بـرای ارزی ابی مـدل) انجـام گرف ت (19). در روش اول ارزیابی با 278 سایت استفاده شده در فرآینـد مدلسـازی انجـامگرفت و در روش دوم ارزیابی با استفاده از 25 سایت حضور و
۴۵
126873867918Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

25 سایت غیاب که بهصـورت تصـادفی انتخـاب شـده، انجـامگردی د. ه مچن ین دو ش اخص آم اری ض ریب کاپ ا و س طح زیرمنحنی پلاتهایReceiver operating characteristic) ROC)جهت اعتبارسنجی مدل استفاده شد. ارزیابی مدل بـا اسـتفاده ازنرمافزارMEP (طراحی توسط ترکش و یتشـکه ) انجـام گرفـت
(16، 18 و 19).
نتایج
مدلهای واریوگرام
باتوجه بهمقـاد یر ریشـه دوم مربعـات خطـا (RMSE)، بهتـرینمدلهای واریوگرام بـرای متغیرهـای محیطـی انتخـاب گردیـد.
۴۶
جدول 1. اجزای مدل واریوگرام خصوصیات خاک
RMSE دامنه تأثیر کلاس
وابستگی C0/(C+C0) درصد آستانه اثر قطعهای مدل واریوگرام نوع مدل نام متغیر
1/36 12340 متوسط 49/99 3/36100 1/68 کروی همسانگرد Sand
6/7 9400 متوسط 46/7 70/66 33 نمایی همسانگرد Silt
0/73 13520 قوی 15/02 1/22500 0/18400 کروی همسانگرد Clay
0/16 610 قوی 0/04 0/02262 0/00001 نمایی همسانگرد EC
0/44 380 قوی 12/54 0/2042 0/02560 نمایی همسانگرد pH
9/26 880 قوی 22/66 108/1 24/5 نمایی همسانگرد SP
1/13 15100 قوی 9/52 2/16400 0/20600 کروی همسانگرد Caco3
جدول 2. نتایج حاصل از اعتبارسنجی متقابل و نوع روش میانیابی متغیرهای خاک
RMSE MBE MAE روش میانیابی نام متغیر
1/36 – 0/016 1/1 کریجینگ معمولی Sand
6/7 -0/39 5/2 کریجینگ ساده Silt
1/29 0/2 0/94 معکوس فاصله وزنی OM
1/13 0/003 0/81 کریجینگ معمولی Caco3
0/73 0/02 0/56 کریجینگ معمولی Clay
0/16 0/004- 0/13 کریجینگ ساده EC
0/63 0/11 0/48 معکوس فاصله وزنی OC
0/44 0 0/34 کریجینگ ساده pH
9/26 0/02- 7/31 کریجینگ معمولی SP
بهعنوان نمونه مدل بـرازش شـده بـرروی متغیرهـای خـاک درجدول 1 آورده شده است. شکل3 مدل واریوگرام برازش شـدهبر متغیر درصد شن را نشان مـ یدهـد . ایـن واریـ وگرام از نـوعهمســانگرد و بــه شــکل کــرو ی مــیباشــد. در دامنــه تــ أثیر(0A )12340مت ر ب ا اف زایش فاص له مق دار واری وگرام تغیی رمعنیداری نمیکند و با حدآستانه (0C+C )36/3 و اثـر قطعـهای (0C )68/1 دارای ساختار مکانی متوسط در محدوده دامنه تـاثیرمیباشد.
نقشههای محیطی
با توجه به شاخصهای میانگین انحراف خطا (MBE)، میـ انگینقدر مطلق خطا (MAE) و ریشـه دوم مربعـات خطـا (RMSE)بهترین روش میانیابی جهت تولید نقشههـای محیطـی انتخـابگردیــد. جــدول 2 نشــاندهنــده شــاخصهــای مــذکور بــرای خصوصیات خاک میباشد. با اعمال عملیـات میـانیـابی نقشـهپراکنش مکانی هرمتغیر محیطی تولید گردیـد . بـه عنـوان نمونـهشکل 4، پراکنش مکانی درصد شن بهروش کریجینگ معمـول یرا نشان میدهد.
تعیین ورودی مدل

شکل4. نقشه پراکنش مکانی شن
باتوجه به آنالیز مؤلفههای اصلی ،ماتریس همبستگی از 31 متغیر محیطی، تعداد 5 متغیر مستقل شامل درصد شن، درصد سـیلت ،درصد ماده آلی، ارتفاع و شیب بهعنـوان ورودی مـدل انتخـابگردید. باتوجه به بیشترین مقادیر آنالیز مؤلفههای اصلی، درصـدشن و سیلت بهعنوان متغیرهـای معـرف محـور اول، متغیرهـایارتفاع و شیب معرف محور دوم و درصد ماده آلی و کربن آلـیبهعنوان معرف محور سوم شناخته شدند. سه محور اول حاصل از آنالیز مؤلفههای اصلی 76 درصد کل تغییرات را توجیه کردندکه بهترتیب سهم محور اول 7/50 درصد، محور دوم5/17درصد و محورسوم 6/7 درصد میباشد(جدول 3). لازم به ذکـر اسـتبراساس آنالیز همبستگی از بین متغیرهایی که دارای همبسـتگیبیش از 85 درصد بودند یکی از متغیرها از فرآیند آنـالیز حـذفشد. براین اساس بهعلت همبستگی 99 درصد بـین مـاده آلـی وکربن آلی، درصد ماده آلی بهعنوان متغیر مسـتقل در نظـر گرفتـهشد.
126873867918Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

نقشه رویشگاه بالقوه گونه گیاهی کما با استفاده از ANNنتایج آنالیز حساسیت مدلANN در این مطالعـه نشـان داد کـهمهمترین متغیرهـای محیطـی اثـرگـذار در پـراکنش گونـه کمـابهترتیب درصد سیلت، درصد شن، ارتفاع، شیب و درصد مـادهآلی میباشد (جدول4). ساختار شـبکه عصـبی مصـنوعی مـورداستفاده با 5 متغیر بهعنوان ورودی و 7 نورون در لایه مخفـی در شکل 5 نشان داده شده است. خروجی در نهایت احتمال رخداد گونه کما در منطقـه مـورد مطالعـه مـیباشـد . نتـایج حاصـل ازپیشبینی مدل ANN بـا الگـوریتمBack Propagation بـا یـکلایه مخفی دارای 7 نورون و 5 متغیر ورودی در محیط نرمافزار Statistica تولید و سپس در محیط نرمافزار ArcGIS تبـدیل بـهنقشه شد که در شکل 6 برای نمایش بهتر به 4 طبقه تقسیمبندی
۴۷
126873867918Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

Downloaded from ijae.iut.ac.ir at 16:33 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

جدول 3. مقادیر ویژه حاصل از آنالیز مولفههای اصلی
3 2 1 علامت اختصاری نام متغیر
0/06 0/031 0/083 EC هدایت الکتریکی
-0/427 0/248 -0/253 OC کربن آلی
-0/323 -0/196 0/311 pH اسیدیته
0/001 – 0/073 0/358 Sand شن
-0/242 0/031 -0/231 SP رطوبت اشباع
0/042 0/123 -0/315 Clay رس
-0/544 0/179 – 0/061 OM مواد آلی
– 0/059 – 0/027 -0/249 Caco3 کربنات کلسیم
-0/333 -0/47 0/373 Silt سیلت
– 0/099 -0/002 – 0/017 P.d.m بارندگی در خشکترین ماه
– 0/083 – 0/015 -0/196 P.wet.m بارندگی در مرطوبترین ماه
0/144 – 0/1 0/081 P.wat.q بارندگی در مرطوبترین فصل
-0/009 0/095 0/098 T.r دامنه درجه حرارت سالانه
-0/003 0/015 0/031 T.s درجه حرارت فصلی
0/256 0/13 -0/267 P.d.q بارندگی در خشکترین فصل


پاسخ دهید