Downloaded from ijae.iut.ac.ir at 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

ظهور هر گونه گیاهی تحت تاثیر عوامل محیطـی و روابـط بـینگونهاي است و یک یا چند عامـل محیطـی بیشـترین اثـر را دراستقرار یک گونه گیاهی خاص دارند. اگر بهطریقی بتـوان ایـنعوامل را براي هر گونه گیاهی تعیین کـرد و رف تـار گونـه را بـامتغیرهاي محیطی بررسی نمود میتوان به مدلهـا ي پـ یشبینـ یپراکنش گونهاي دست یافت(3). امـروزه تولیـد نقشـه پـراکنشگونهها در مکان و زمان، اساس بسیاري از پژوهشهاي مختلف میباشد. مـدل هـاي پـراکنش گونـهاي (Species Distribution Model) براي ارزیابی تنوع گونهاي محلی و جهانی، برنامهریزي جهت ایجاد ذخایر جدید، مدیریت و احیاء زیستگاهها، مدیریت گونههاي مهاجم و پیشبینی اثرات تغییرات زیست محیطـی بـرگونهها و جمعیتها مورد اسـتفاده قـرار گرفتـهانـد . یـک مـدلپراکنش گونهاي، رخداد گونهاي (متغیـر وابسـته) را بـه صـورت تابعی از متغیرهاي زیست محیطی مختلف (متغیرهـاي مسـتقل) مدلسازي میکند (17).
کلیه مدلهاي رگرسیون برمبناي همبسـتگی بـین متغیرهـايپیشبینی کننده و متغیر پاسخ مـی باشـد کـه هـدف اصـلی ایـنمدلها پیشبینی رخداد یک پدیده است. مـدل هـاي آمـاري بـرمبناي نوع متغیر پاسخ بهدو گروه مدلهاي پروفیل و مـدل هـايمتمایز کننده گروهی تقسیم میشوند. متغیر پاسخ در مـدل هـايپروفیل تنها براساس دادههاي حضور (رخداد گونـه ) مـی باشـد ، مانند مـدل ENFA) Ecological Niche Factor Analysis) ولـی متغیر پاسخ در مدلهاي متمایز کننده گروهی مبتنی بر دادههـاي حضور و عدمحضور میباشـند کـه خـود بـهدو گـروه جهـانی(پارامتری ک) و محلــی (غیرپارامتریــک) تقســیم مــیشــوند در مدلهاي جهانی رابطهي بین متغیر پاسخ و پـیش بینـی کننـده ازقبل تعریف شـده اسـت، ماننـدGeneralized Linear ) GLMs Models) و در مقابل مدلهاي محلی هیچ پیش فرضـی نسـبت بهشکل منحنی پاسخ نداشته و میتوانند در مکـان هـاي مختلـففضاي داده، تغییر کنند که مدل آماري شـبکه عصـبی مصـنوعیجزء این مدل طبقهبندي میشود (19 و 4).
۴۲
(Artificial Neural Network) شـبکه هـا ي عصـب ی مصـنوع ی
(ANN) نــوعی روشهــاي یــادگیري ماشــینی هســتند کــه در زمینههاي مختلف آنالیز دادهها نظیر رگرسیون و طبقهبندي بهکار برده میشوند. در بومشناسی نیز اسـتفاده از شـبکههـا ي عصـب یمصنوعی پیشخـور (Feed forward) بـا الگـوریتم پـس انتشـار (Back propagation)در تولید نقشـه هـاي پـراکنش گونـههـاي گیاهی و جانوري رایج است(11).
پیکینی (17)، بهبررسی اثر تغییر اقلیم بر پـراکنش 18 گونـهگیاهی در انگلستان با استفاده از شبکههاي عصبی فید فروارد بـا توابع فعالساز مختلف پرداخت و پراکنش جغرافیایی گونهها را تحت سناریوهاي تغییر اقلیم پـیش بینـی نمـود. در ایـن مطالعـهغناي گونهاي بهعنوان متغیر وابسته و متغیرهاي زیست محیطـیبهعنوان متغیرهاي مستقل درنظر گرفته شد نتایج ارزیـابی ANNبا ضـریب کاپـاي 70/0 و area under curve) AUC) برابـر بـامقدار 88/0 نشان داد که همبستگی خوبی بین متغیرهاي زیست محیطی حال حاضر و پراکنش گونههـا وجـود دارد. وي اظهـارداشت که استفاده از شبکههاي عصـبی مصـنوعی ممکـن اسـتجایگزین معتبري نسبت بهسایر روشهاي آمار مکانی باشـد . بـااین حال، دادهها و روش داراي عدم قطعیت است.
واتس و وارنـر ،در مطالعـه اي بـا اسـتفاده از شـبکه عصـبیمصنوعی توزیـع جغرافیـایی شـش بیمـاري باکتریـایی گیاهـان
زراعــی را بــا اســتفاده از عوامــل اقلیمــی (عوامــل غیــرزنــده) ومجموعهاي 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 بیماريهاي باکتریایی گیاهان زراعی اسـت و ترکیـبعوامل غیرزنده و زنده براي رسیدن بهدقـت بـالاي مـدلسـازيلازم است(20).
گونهF. ovina متعلق به خانواده چتریان بوده و از جمله بـاارزشترین گیاهان علوفهاي و دارویی است. این گیاه در صـنا یع دارویی بیشتر بهعنوان داروي ضد تشنج، خلطآور، هضم کننـده ،دافع انگلهاي رودهاي کاربرد دارد. همچنین کما یکـ ی از منـابعقابل توجه تولید علوفه و تغذیه دام در سطوح وسیعی از مراتـعییلاقی است که ارزش علوفـه اي آن در حـد یونجـه بـوده و دررشد و نمو دام تأثیر عمدهاي دارد (6). در مطالعه حاضر، بـرا ينخستین بار رابطه بین رخداد گونه F. ovina با عوامـل مح یطـ ی(خـاك و فیزیـ وگرافی) بـا اسـتفاده از شـبکه عصـبی مص نوعیبررسی شده و نقشه پراکنش بالقوه گونه مذکور براي بخشـ ی از منطقه فریدونشهر اصفهان تولید گردید. اگرچه مطالعات چنـد يدر 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.
متغیرهاي محیطی
بهمنظور تعیین رویشگاه بالقوه گونه کما، داشتن دادههاي عواملمحیطی بهعنوان متغیر مستقل و دادههاي مربوط به رخداد گونـهکما بهعنوان متغیر وابسته مورد نیاز است از اینرو جهت تهیـ هياطلاعات محیطی لایههاي فیزیوگرافی (شـ یب، جهـت و ارتفـاعبا استفاده از نقشه رقومی ارتفاع منطقه مورد مطالعه)، لایـ ههـا يمحیطی خاك (مربوط به 70 پروفیل خاك) و لایـ ههـا ي اقلیمـ ی(9 ایســتگاه هواشناســ ی نزدیــک بــه منطقــه مــورد مطالعــه)،جمعآوري گردید(تمام متغیرها در جدول 3 آورده شده اسـت ).
نقشههاي پراکنش مکانی 9 خصوصیت خاك و 19 متغیر اقلیمیبا اندازه پیکسل 70×70 متر با استفاده از روشهاي میانیابی در محیط نرمافزار Arc GIS تولید گردید.
تولید نقشههاي پراکنش مکانی متغیرهاي خاك و اقلیمبهمنظور تعیین بهترین روش میانیابی ابتدا نرمال بودن دادههـا يمحیطی با روش کلموگروف- اسمیرنوف در سطح اطمینـان 95درصد در نرمافزار Minitab بررسی شد. در صورت عدم نرمـالبودن دادهها با روشهاي تبدیل لگاریتم یا کاکس بـاکس نرمـالشد. پس از نرمال کردن دادهها تغییـ رپـذ یري مکـان ی متغیرهـا ياقلیم وخاك با استفاده از مدلهاي مختلف واریـ وگرام و تحلیـ ل آنها در نرم افزار +GS بررسـ ی شـد. سـاختار مکـانی دادههـا در واریوگرام بـا تقسـیم اثـر قطعـهاي (0C) بـه سـقف واریـوگرام(0C+C) ارزیابی میشود بهگونهاي که اگر ایـ ن نسـبت کمتـر از
25% باشد، متغیر داراي ساختار مکانی قـو ي، بـ ین 25% تـ ا 75% ساختار مکانی متوسط و بزرگتـر از 75%داراي سـاختار مکـانیضعیف میباشد(7). بهترین مدل واریوگرام هریک از متغیرهـا يمستقل 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 براي تهیه نقشهها انتخاب گردید. بدین منظور هـر سـهروش کریجینگ ساده، معمولی وجهانی بـرا ي هـر متغیـ ر انجـامشده و در هرکدام از روشها که سه تابع یاد شده داراي کمترین مقدار (نزدیک به صفر) بود بـه عنـوان بهتـرین روش میـ انیـ ابیدرنظر گرفته شد. چنانچه داده ها از توزیع نرمال برخوردار نبود از روشهاي غیر پارامتریـ ک ماننـد وزن دهـ ی معکـوس فاصـلهاستفاده شد.
رخداد گونه کما
126873867918

Downloaded from ijae.iut.ac.ir at 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

جهت نمونهبرداري رخداد گونه F. ovina از روش نمونهبرداريتصادفی طبقهبنـد ي شـده اسـتفاده گردیـ د(11). در گـام اول بـابازدید از منطقهي 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 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

در محیط نرم افزار Arc GIS تهیه شد. نقشهاي شامل لایـ ههـا يفیزیوگرافی با 147 منطقه همگن کـه حاصـل تلفیـ ق 3 طبقـه يارتفاعی، 6 طبقهي شیب و 9 طبقه جهت میباشد، تولید گردید.در گام بعدي با تلفیـ ق دو نقشـه یـ اد شـده بـراسـاس مسـاحتاختصاص یافته بههر طبقـه ي همگـن و بـهشـکل تصـادفی278سایت مطالعـات ی شـامل 137سـا یت حضـور و 141سـا یت عـدمحضور گونه F. ovina مشخص شد که صحت سایتهاي ذکـرشده با بازدید صحرایی کنترل گردید.
متغیرهاي ورودي شبکه عصبی مصنوعی
پــس از تهیــه نقشــههــاي پــراکنش مکــانی 31 متغیــر مســتقل ارزشهــاي مربــوط بــه هــر متغیــر محیطــی در 278 ســایتنمونهبـردار ي شـده مربـوط بـهحضـور و غ یـ اب گونـه کمـا، از نقشههاي مربوطه استخراج گشته و بـه عنـوان داده هـا ي وروديمدل درنظر گرفته شد. بدیهی است که بهکارگیري کلیـ ه عوامـلدر فرآیند مدلسازي امکانپذیر نیست، از اینرو باتوجه به نکاتیمانند مقیاس، دقت و هدف مورد نظـر ،شـرا یط منطقـه و م یـ زان تاثیرگذاري هر یک از متغیرها، عوامل مناسـب جهـت ورود بـهفرآیند مدلسازي مشخص میشود. در این تحقیق بـا اسـتفاده ازآنالیز مؤلفههاي اصلی و آزمون همبستگی، مهمتـرین متغیرهـايمستقل 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 مجموعهاي بههم پیوسته از واحدهاي پردازشـ ی سـادهتوصیف کـرده اسـت کـه الهـام گرفتـه از کـارکرد نـورونهـا يجانوري می باشـد . امـروزه شـبکههـا ي عصـب ی در بسـ یاري از زمین هه ا از جمل ه طبق هبن دي، تش خیص الگ و، پ یشبین ی و مدلسازي فرایندها بهکار گرفته شده است(7). طبق شـکل 1 دریــک شــبکه عصــب ی مصــنوعی چنــد لایــه اي پرســپترون(Perceptron)، جریان دادهها بهطور پیوسـته از لا یـ ه ورودي بـهخروجی و بدون هیچ بازخوردي جریان دارد. در حقیقـت لا یـ ه ورودي، دادههاي ورودي از متغیرهاي مستقل را بهصورت اعداد نقطهاي شناور دریافـت مـیکننـد . در ایـ ن حالـت ابتـدا دادههـادستهبندي شده و سپس بهحالـت بـولین (صـفر و یـ ک) تبـد یلمیشوند. لایه خروجی نتایج حاصل از پردازش دادهها را نشـانمیدهد. بین لایه ورودي 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 شبکههاي عصبی می باشند(13).
گام بعدي در اجراي یک شبکه عصبی آمـوزش (Training)آن است. هدف از آموزش یک شبکه حداقل کردن خطـا ي بـ ین خروجی شبکه و مقدار مطلوب آن (هدف) است. در این فرایندمقدار خروجی با مقدار مطلوب آن مقایسه وخطاي بین ایـ ن دو مقدار حداقل میگردد. بر ایـ ن اسـاس الگـوریتمهـا ي آموزشـ یمختلفی ابداع شده که از ماتریسهـا ي وزنـ ی متفـاوت ی اسـتفادهمیکنند. هر یک از این الگوریتمهـا کـه بتوانـد خطـاي کمتـر يتولید نماید بهعنوان الگوریتم برتر انتخاب میگردد. با توجه بـهآنچه گفتـه شـد مشخصـه اصـلی یـ ک شـبکه معمـاري و تـابعفعالساز آن میباشد (17). در بومشناسـ ی، بیشـتر اقسـامANN بهصورت لایه نهفته نظارت شده میباشد و شـبکه هـا ي عصـب یمصـنوع ی توسـط الگـوریتم پـس انتشـار(Back propagation algorithm) آم وزش داده م یش وند (8). باتوج ه ب ه ش کل 2وروديهاي یک نورون مصنوعی (متغیرهـاي محیطـی) در یـ ک وزن ارتباطی ضرب شده و سپس جمع میشوند.
ورودي 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 درجهبندي میشود. باتوجـه بـهاینکـه احت مـال رخـدادگونهها بین 0 و 1 تغییر مـی کنـد در تهیـه نقشـههـاي پـراکنشگونهاي معمولامعمولاً از تابع سیگموئیدي استفاده میشود (17).
44953752570

تابع سیگموئیدي:(f x( )  1e1(x
حاصل جمع وارد تـابع سـیگموئیدي 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 قطعهاي، (C0+C) آستانه میباشد.
988670160592

1( 1 0h= f (w0 + w1 x) = 1e (w wxتعداد لایههاي مخفی تعیین کننـده نـوع مسـائلی اسـت کـهشبکه می تواند حل کند. از نظر تئوري، 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 سـازي 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 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:15 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 بـراي سـاختمدل و سپس ارزیابی مدل با همـان داده هـا ) و روش اسـتفاده ازدادههاي مستقل (Independent data) (اسـتفاده از دو مجموعـهداده مجزا، یک مجموعـه داده بـراي سـاخت مـدل و مجموعـهدیگـر بـراي ارزی ابی مـدل) انجـام گرف ت (19). در روش اول ارزیابی با 278 سایت استفاده شده در فرآینـد مدلسـازي انجـامگرفت و در روش دوم ارزیابی با استفاده از 25 سایت حضور و
۴۵
126873867918Downloaded from ijae.iut.ac.ir at 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:15 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 اري ض ریب کاپ ا و س طح زیرمنحنی پلاتهايReceiver 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
مدلهاي واریوگرام
باتوجه بهمقـاد یر ریشـه دوم مربعـات خطـا (RMSE)، بهتـرینمدلهاي واریوگرام بـراي متغیرهـاي محیطـی انتخـاب گردیـد.
۴۶
جدول 1. اجزاي مدل واریوگرام خصوصیات خاك
RMSE دامنه تأثیر کلاس
وابستگی C0/(C+C0) درصد آستانه اثر قطعهاي مدل واریوگرام نوع مدل نام متغیر
1/36 12340 متوسط 49/99 3/36100 1/68 کروي همسانگرد Sand
6/7 9400 متوسط 46/7 70/66 33 نمایی همسانگرد Silt
0/73 13520 قوي 15/02 1/22500 0/18400 کروي همسانگرد Clay
0/16 610 قوي 0/04 0/02262 0/00001 نمایی همسانگرد EC
0/44 380 قوي 12/54 0/2042 0/02560 نمایی همسانگرد pH
9/26 880 قوي 22/66 108/1 24/5 نمایی همسانگرد SP
1/13 15100 قوي 9/52 2/16400 0/20600 کروي همسانگرد Caco3
جدول 2. نتایج حاصل از اعتبارسنجی متقابل و نوع روش میانیابی متغیرهاي خاك
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 بـرروي متغیرهـاي خـاك 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 ي مــیباشــد. در دامنــه تــ أثیر(0A )12340مت ر ب ا اف زایش فاص له مق دار واری وگرام تغیی رمعنیداري نمیکند و با حدآستانه (0C+C )36/3 و اثـر قطعـهاي (0C )68/1 داراي ساختار مکانی متوسط در محدوده دامنه تـاثیرمیباشد.
نقشههاي محیطی
با توجه به شاخصهاي میانگین انحراف خطا (MBE)، میـ انگینقدر مطلق خطا (MAE) و ریشـه دوم مربعـات خطـا (RMSE)بهترین روش میانیابی جهت تولید نقشههـاي محیطـی انتخـابگردیــد. جــدول 2 نشــاندهنــده شــاخصهــاي مــذکور بــراي خصوصیات خاك 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 ورودي مدل

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

شکل4. نقشه پراکنش مکانی شن
باتوجه به آنالیز مؤلفههاي اصلی ،ماتریس همبستگی از 31 متغیر محیطی، تعداد 5 متغیر مستقل شامل درصد شن، درصد سـیلت ،درصد ماده آلی، ارتفاع و شیب بهعنـوان ورودي مـدل انتخـابگردید. باتوجه به بیشترین مقادیر آنالیز مؤلفههاي اصلی، درصـدشن و سیلت بهعنوان متغیرهـاي معـرف محـور اول، متغیرهـايارتفاع و شیب معرف محور دوم و درصد ماده آلی و کربن آلـیبهعنوان معرف محور سوم شناخته شدند. سه محور اول حاصل از آنالیز مؤلفههاي 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 داراي 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 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:15 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 متغیرهـاي 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 ورودي 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 داراي 7 نورون و 5 متغیر ورودي در محیط نرمافزار Statistica تولید و سپس در محیط نرمافزار ArcGIS تبـدیل بـهنقشه شد که در شکل 6 براي نمایش بهتر به 4 طبقه تقسیمبندي
۴۷
126873867918Downloaded from ijae.iut.ac.ir at 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

جدول 3. مقادیر ویژه حاصل از آنالیز مولفههاي اصلی
3 2 1 علامت اختصاري 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


پاسخی بگذارید