ارزیابی کاربرد مدل‌های شبکه عصبی و رگرسیونی به منظور پیش بینی تنوع گونه‌ای با استفاده از برخی عوامل خاکی و فیزیوگرافی (مطالعه موردی: حوزه آبخیز خرابه سنجی ارومیه)

نوع مقاله: پژوهشی

نویسندگان

1 دانشجوی دکتری

2 علوم مرتع، گروه مرتع و آبخیزداری، دانشگاه محقق اردبیلی، اردبیل، ایران

3 استادیار مرتعداری

4 گروه مرتع و آبخیزداری، دانشگاه محقق اردبیلی، اردبیل، ایران

چکیده

اندازه گیری مستقیم تنوع گونه­ای امری وقت­گیر و ­هزینه­بر بوده و تا حدی به دلیل خطاهای حاصل از نمونه­گیری غیرقابل اعتماد است. این مطالعه با هدف تعیین فاکتور­های کم­هزینه در پیش­بینی تنوع گونه­ای بوسیله شبکه مدل­های عصبی مصنوعی، شبکه عصبی تطبیقی-فازی و رگرسیونی انجام شد. نمونه­برداری با استفاده از روش سیستماتیک-تصادفی از 60 قطعه نمونه در طول 6 ترانسکت 100 متری و از عمق 30-0 سانتی­متری خاک صورت گرفت.اطلاعات پوشش گیاهی به منظور اندازه­گیری تنوع گونه­ای بوسیله شاخص تنوع شانون-وینر ثبت گردید. همچنین به­منظور تعیین عوامل تاثیرگذار بر تنوع گونه­ای، فاکتور­های هدایت الکتریکی، اسیدیته، وزن مخصوص ظاهری، درصدهای ماده آلی، رس، سیلت، رطوبت اشباع، خاکدانه­های درشت و ریز و شیب و ارتفاع تعیین و اندازه­گیری شد.سپس با استفاده از مدل­های شبکه عصبی نوع پرسپترون چند لایه، شبکه عصبی تطبیقی-فازی و رگرسیونی تخمین تنوع گونه­ای تعیین شد.نتایج نشان داد که معیارهای مجذور میانگین مربعات خطا و ضریب کارایی در مدل رگرسیونی به ترتیب 14/0 و 39/0 و در مدل شبکه عصبی مصنوعی 07/0 و 86/0 و در مدل شبکه عصبی تطبیقی-فازی 09/0 و 70/0 می­باشند. همچنین میانگین تنوع شانون وینر برای منطقه برابر 1.98 بود.در واقع مدل شبکه عصبی مصنوعی به عنوان ابزار قدرتمندتری در پیش­بینی تنوع گونه­ای نسبت به آنالیز رگرسیون خطی چند­متغیّره و شبکه عصبی تطبیقی-فازی عمل می­کند.

کلیدواژه‌ها


مقدمه

مرتع یک اکوسیستم طبیعی است که دربرگیرنده منابع عظیمی از ذخایر ژنتیکی و تنوع گونه­های گیاهی است که همواره این گوناگونی، متضمن پایداری مرتع در مقابل عوامل متغیر محیطی و زیستی است.

در حقیقت مدیریت و برنامه­ریزی دقیق طرح­های حفاظتی و اجرایی در مراتع نیازمند شناسایی نیازهای اکولوژیکی گونه­های مرتعی منطقه و بررسی تنوع زیستی می­باشد (16). لذا ارزیابی، بهترین راه برای نجات تنوع زیستی و یافتن ارزش­های آن است (35). تنوع گونه­ای نقش مهمی در سلامت، تولید (25) و ارزیابی اکوسیستم­ها دارد (6). حضور و پراکنش جوامع گیاهی در اکوسیستم­های مرتعی، تصادفی نیست، بلکه عوامل اقلیمی، خاکی، پستی و بلندی و انسانی در گسترش آنها نقش اساسی دارند. پیش­بینی تاثیر تغییرات عوامل محیطی مثل عوامل خاکی و فیزیوگرافی بر روی پوشش گیاهی یک کلید اساسی برای درک اثرات آن بر روی تنوع گونه­ای و ارتباط متقابل بین صفات پوشش گیاهی است (17 و 32). در مقیاس­های محلی، جامعه شناسان گیاهی نشان دادند که ترکیب و تنوع گونه­ای با منابع قابل دسترسی و عواملی که اکوسیستم را تغییر می­دهند، رابطه قوی دارد (12). خصوصیات فیزیکی و شیمیایی خاک نیز در رابطه با پوشش گیاهی باعث تنوع و پراکنش جغرافیایی وسیع گیاهان می­شوند (28).

مطالعاتی مختلفی وجود دارند که به بررسی تاثیر فاکتور­های محیطی بر روی تنوع گونه­ای پرداخته­اند: et al., Zarechahouki (2007) رابطه بین تنوع گونه­ای و عوامل محیطی در مراتع پشتکوه استان یزد را بررسی کردند و نشان دادند که از بین عوامل مورد بررسی بافت، رطوبت قابل دسترس، پتاسیم و هدایت الکتریکی بیشترین تأثیر را بر تنوع گونه­ای دارند (33). نتایج تحقیق et al.,  Fahimipour

 (2010) نشان داد که از بین عوامل مورد بررسی، جهت جغرافیایی، عمق، بافت، آهک و پتاسیم خاک بیشترین تأثیر را بر تنوع گونه­ای پوشش گیاهی دارند (9). نتایج مطالعه Ghahsare ardestani (2010) در 4 مکان مرتعی در استان اصفهان نشان داد که تنوع با مقدار ماده آلی و بارندگی همبستگی مثبت و با دما همبستگی منفی دارد (12).

مطالعات گذشته روابط بین فاکتورهای مختلف محیطی و تنوع گونه­ای را از طریق همبستگی یا رگرسیون برآورد کرده­اند در حالی که امروزه علاقه به استفاده از توابع انتقالی برای تخمین ویژگی­های مهم و کاربردی روز به روز در حال افزایش است (18).

 از جمله مدل­های برآورد کننده توابع انتقالی شامل مدل­های رگرسیونی (30)، شبکه­های عصبی مصنوعی (22) و عصبی تطبیقی-فازی (23) می­باشند. یکی از مزیت­های شبکه­های عصبی در مقایسه با توابع انتقالی رگرسیونی این است که این شبکه­ها نیاز به مفاهیم قبلی در مورد ارتباط بین داده­های ورودی و خروجی ندارند (8).

به دلیل توانایی این شبکه­ها در مدل­سازی، فرآیندهای بسیار پیچیده، که تعداد عوامل تاثیرگذار در آنها زیاد است، استفاده از آنها در علوم منابع طبیعی فراهم می­باشد. مطالعات متفاوتی در زمینه استفاده از شبکه ها در مدل سازی و پیش­بینی تاثیر تغییرات عوامل محیطی صورت گرفته است که عملکرد شبکه های عصبی و مصنوعی را در اغلب موارد بهتر از روش­های رگرسیونی دانسته اند.

Ingleby  &  Crowe(2001) برای پیش­بینی میزان کربن آلی از مدل شبکه عصبی مصنوعی استفاده کردند و نتایج آن را با مدل رگرسیون چند متغیره مقایسه نمودند و به این نتیجه رسیدند که مدل حاصل از شبکه عصبی نسبت به سایر مدل­ها برتری دارد (15).

et al.,  Holmberg(2006) از مدل شبکه عصبی مصنوعی برای پیش­بینی میزان کربن آلی، نیتروژن و فسفر استفاده کردند (14). Pilevari et al.,  (2010) در تحقیقی به پیش بینی کربن آلی خاک به کمک داده­های آنالیز سطح زمین به این نتیجه پرداختند و مدل شبکه عصبی مصنوعی به عنوان ابزار قدرتمندتری در پیش­بینی کربن آلی معرفی کردند (29). Parsafar & Marofi (2011) نیز در مطالعه برآورد دمای عمق­های مختلف خاک از دمای هوا با بکارگیری روابط رگرسیونی و توابع انتقالی، مدل شبکه عصبی مصنوعی را به عنوان مدلی با دقت بالا نسبت به سایر مدل­ها معرفی کردند (27). 

 با وجود پژوهش­های پرشمار که پیرامون رابطه تنوع گونه­ای با عوامل محیطی صورت گرفته است، این روش­ها هم چنان پر­هزینه، زمان­بر و تخصصی هستند. از این رو، برآورد تنوع گونه­ای با استفاده از روش­هایی سریع، کم­هزینه و با دقتی قابل قبول از جمله توابع انتقالی، ضروری است.

با توجه به شرایط حساس و شکننده اکوسیستم های مناطق خشک و نیمه خشک، تعیین سهم عوامل موثر بر پراکنش گونه­ها و تنوع گونه­ای از اهمیت ویژه­ای برخوردار است (34). همچنین انتخاب فاکتور­هایی که برداشت آنها کم هزینه بوده و از طرفی به راحتی نیز قابل اندازه­گیری باشند نیز مهم خواهد بود تا بتوان مهم­ترین عوامل تاثیرگذار بر تنوع گونه­ای برای هر منطقه را در کوتاه­ترین زمان،کمترین هزینه و با دقت قابل قبول تعیین نمود.

 بنابراین با توجه به تعداد محدود پژوهش­های مشابه انجام شده در داخل کشور و از طرفی نتایج متفاوت این پژوهش­ها و با توجه به دشواری، وقت­گیری و هزینه­ بر­بودن روش­های مستقیم تعیین عوامل تاثیرگذار بر تنوع گونه­ای تحقیق جاری به منظور برآورد تنوع گونه­ای با استفاده از برخی فاکتورهای کم­هزینه خاک و عوامل فیزیوگرافی به منظور توسعه مدل شبکه عصبی­مصنوعی، شبکه عصبی تطبیقی-فازی پرسپترون چندلایه برای تخمین تنوع گونه­ای و مقایسه مدل رگرسیونی چند­متغیره، در مراتع منطقه خرابه­سنجی ارومیه به اجرا در آمد.

 

مواد و روش ها

منطقه مورد مطالعه:

منطقه مورد مطالعه با وسعتی برابر 2715 هکتار در شمال غرب ایران، استان آذربایجان غربی و در شهرستان ارومیه واقع شده است. این منطقه در واقع بخشی از حوزه آبخیز رودخانه نازلو و موسوم به زیر حوزه خرابه سنجی می باشد که در آن آبراهه های فصلی متعددی، کاربری کشاورزی و مرتع وجود دارد. مختصات جغرافیایی آن عبارتند از "22'48 ْ37 الی "47'45 ْ37 عرض شمالی تا"07'55 ْ44 الی "03'52 ْ44 طول شرقی است. حداقل ارتفاع آن 1575 و حداکثر 2745 متر از سطح دریا، حداقل شیب منطقه 15 و حداکثر 50 درصد، جهت کلی شمال شرقی و میانگین بارش سالانه منطقه 4/345 میلیمتر و متوسط سالانه دما 5/12 درجه سانتی گراد می باشد (شکل 1). گونه­های گیاهی شاخص منطقه Onobrychis sativa، Astragalus coronilla، Noaea mucronata،Gundeliatournefortiiمی­باشند. اقلیم حوزه مورد مطالعه با استفاده از روش اقلیم نمای آمبرژه، اقلیم نیمه خشک سرد، بافت خاک منطقه تغییرات بسیار کمی دارد و بطور متوسط بافت خاک لومی- رسی- شنی است (10).

 

 

 

شکل 1- موقعیت منطقه مورد مطالعه در حوزه آبخیز خرابه­سنجی ارومیه و کشور

 

 

روش نمونه­برداری:

به منظور انجام این تحقیق در مراحل اولیه در روی نقشه توپوگرافی با مقیاس 50000/1، محدوده کاری تعیین و با پیمایش صحرایی که یکی از روش­های مرسوم مطالعات تاکسونومیک منطقه­ای می­باشد، تیپ­های گیاهی منطقه بر مبنای نمود ظاهری (فیزیونومی) و مراجعه مستقیم به نواحی مختلف منطقه تعیین و پس از آن در طی چند مرحله مطالعه صحرائی، تیپ بندی اولیه در طبیعت کنترل و در داخل هر تیپ گیاهی مناطق نمونه­برداری طوری انتخاب شد که معرف ویژگی­های آن تیپ گیاهی باشد. بدین ترتیب منطقه مورد مطالعه شامل 2 تیپ گیاهی  با نام­هایDactylis glomerata - Astragalus spp. ؛ Bromustomentellus - Astragalus spp.  بود که نام­گذاری تیپ­های گیاهی بر مبنای گونه­های غالب و حداکثری منطقه می­باشد. برای از بین بردن اثر چرای دام بر تنوع گونه­ای ابتدا یک منطقه کلیدی در هر واحد که نماینده مناسبی از اراضی ارتفاعات حوزه خرابه­سنجی ارومیه بود انتخاب شد. پوشش گیاهی در این منطقه یکنواخت و از لحاظ چرا در حد متوسط چرای منطقه بود. نمونه­برداری در تیپ­های مورد نظر بر پایه روش تصادفی-سیستماتیک انجام شد. برای اندازه­گیری ویژگی­های پوشش گیاهی و عوامل محیطی، سطح مناسب قطعه نمونه نمونه­برداری با توجه به نوع و نحوه پراکنش گونه­­های گیاهی و کوهستانی بودن منطقه مورد مطالعه به روش سطح حداقل (22)، در هر دو واحد، یک متر­مربع و تعداد قطعه نمونه بعد از نمونه­برداری اولیه با توجه به تغییرات پوشش با روش آماری (22)، 30 عدد تعیین شد. سپس در هر واحد، در طول 3 ترانسکت 100 متری نمونه­برداری انجام شد. در طول هر ترانسکت، قطعه نمونه­ها به فاصله 10 متر از هم قرار داده شدند. در هر قطعه نمونه نوع و تعداد گونه­های موجود و درصد پوشش آنها تعیین شد. به منظور تعیین عوامل تاثیرگذار بر تنوع گونه­ای، ابتدا فاکتور­هایی فاکتورهای زودیافت (یعنی فاکتورهایی که در کوتاه­ترین زمان قابل اندازه­گیری هستند) و کم هزینه­ای از جمله هدایت الکتریکی، اسیدیته، وزن مخصوص ظاهری، درصد ماده آلی، درصد رس، درصد سیلت، درصد رطوبت اشباع، درصد خاکدانه­های درشت و ریز، شیب و ارتفاع تعیین و سپس اندازه­گیری­ها صورت گرفت. بدین منظور از ابتدا و انتهای هر ترانسکت با توجه به کوهستانی بودن منطقه مورد مطالعه و همچنین عمق ریشه­دوانی گونه­های گیاهی اقدام به برداشت نمونه خاک از عمق 30-0 سانتی­متری گردید (9).

روش تجزیه آزمایشگاهی:

نمونه­ها در هوای آزاد خشک گردید و بعد از خرد نمودن کلوخه­ها، جداکردن ریشه­ها، سنگ و سایر ناخالصی­ها، آسیاب و از الک 2 میلی­متری (مش20) عبور داده شد (13). سپس بافت خاک با استفاده از روش دانسیمتری بایکاس (5)، وزن مخصوص ظاهری به روش استوانه (4)،EC  و pH آن­ها پس از تهیه گل اشباع، با دستگاهEC  متر و PH متر، ماده آلی با استفاده از روش سرد و بر مبنای اکسیداسیون کربن آلی (1) اندازه­گیری شدند. توزیع خاکدانه­ها و اندازه­های آن به روش الک مرطوب و با استفاده از الک های 25/0 و 50/0 میلی­متری انجام گردید. بدین صورت که خاک­های مورد بررسی بر روی بزرگترین الک به مدت 5 دقیقه قبل از شروع به الک کردن، غوطه­ور گردید و خاک­ها در حضور آب با حرکات آهسته به ارتفاع 3 سانتی­متری و 50 بار تکرار در عرض 2 دقیقه در یک حفره کم عمق الک گردیدند. مواد باقی­مانده به یک ظرف آلومینیومی منتقل و در دمای 60 درجه سانتی­گراد در آون خشک گردیده و وزن گردیدند (7)، درآخر درصد رطوبت اشباع خاک نیز آزمایش شد (1). درصد شیب با استفاده از شیب­سنج و ارتفاع از سطح دریا نیز با کمک آلتیمتر اندازه­گیری شد.

تجزیه و تحلیل آماری داده­ها:

تنوع گونه­ای نیز با استفاده از شاخص تنوع گونه­ای شانون-وینر در کلیه قطعه نمونه­ها به صورت جداگانه محاسبه شد. شاخص شانون-وینر گسترده­ترین شاخص مورد استفاده در بوم­شناسی است که بر اساس تئوری اطلاعات می­باشد. اگر هدف مدیریت گونه­های نادر باشد، با توجه به اینکه در مطالعه حاضر تنوع گونه­ای حتی برای گونه­های نادر نیز مد نظر بود از این شاخص استفاده شد (22). از طرفی این شاخص بین شاخص­های مختلف، توانایی بیشتری را برای تشخیص تنوع گونه­ای دارد و بیشتر تحت تاثیر غنای گونه­ای است (19). شاخص شانون ­وینر نیز از رابطه 1 محاسبه می شود.

(رابطه 1)                    

که در این رابطه، H شاخص تنوع شانون وینر و pi فراوانی نسبی افراد گونه I در نمونه مورد نظر است.

برای ایجاد توابع انتقالی شبکه عصبی مصنوعی از نرم افزار MATLAB 7.2، و برای بررسی ارتباط بین مقادیر هر یک از شاخص­های تنوع گونه­ای و فاکتورهای خاکی موثر بر آنها، با استفاده از تکنیک رگرسیون خطی چند گانه  روش روش گام به گام ورود متغیرها [1]با کمک نرم افزار SPSS نسخه 17 انجام شد (20). جهت ارزیابی وجود هم­خطی بین متغیر­های مستقل از عامل تورم واریانس[2]  بررسی شد. اگر مقادیر VIF بیشتر از 10 باشد بین متغیرهای مستقل هم خطی وجود دارد. برای ارزیابی شاخص عددی تنوع گونه­ای شانون-وینر، از نرم­افزار تخصصیEcological Methodology نسخه 6 استفاده گردید.

 شبکه مورد استفاده در این پژوهش از شبکه عصبی پرسپترون چند لایه می­باشد. روش ورود داده­ها بدین گونه بود که به صورت تصادفی 70 درصد نمونه­ها در شبکه عصبی مصنوعی برای آموزش[3] مدل، 15 درصد داده­ها برای انجام فرآیند اعتبارسنجی[4] مدل و 15 درصد داده­ها نیز برای آزمون[5] مدل انتخاب گردید. در شبکه عصبی تطبیقی-فازی و رگرسیون چندمتغیره نیز از 85 درصد داده­ها برای آموزش و 15 درصد داده­ها برای آزمون انتخاب شد. پیش از آموزش شبکه عصبی، داده­های ورودی به آن نرمال شدند (21). به منظور ارزیابی نتایج مدل شبکه عصبی مصنوعی و شبکه عصبی تطبیقی-فازی و مقایسه آن با برآوردهای رگرسیونی از مجذور میانیگن مربعات خطا[6] (RMSE)، ضریب کارایی[7] (CE) و ضریب همبستگی[8] (R) استفاده گردید.

 

 

CE = 1- (رابطه 2)                                                                               

RMSE= (رابطه3)                                                                              

(رابطه4)                            

 

 

که  مقدار مشاهده شده،  مقدار پیش بینی شده، N تعداد داده­های مشاهداتی،  مقدار میانگین مشاهدات و  مقدار میانگین پیش­بینی شده است.

در پژوهش حاضر، برای مدل­سازی با استفاده از شبکه­های پرسپترون چند لایه از یک شبکه سه لایه­ای پیشخور استفاده شد. در مطالعه حاضر، برای جلوگیری از آموزش بیش از اندازه در شبکه­های پرسپترون چند لایه از روش تنظیم خودکار[9] با الگوریتم یادگیری لونبرگ مارکوت استفاده شد(Schaap, 1998). شبکه عصبی تطبیقی-فازی شبکه­ای 5 لایه­ای متشکل از گره­ها و کمان اتصال دهنده گره می­باشد. در این روش از توابع مختلف (زنگوله­ای، گوسی نوع یک، گوسی نوع دوم، خطی و چند جمله­ای) برای فازی­سازی استفاده شد. در این پژوهش برای آموزش شبکه پرسپترون چند لایه از 11 نرون (تعداد ورودی) در لایه ورودی، 1 نرون در لایه خروجی (تعداد خروجی) و تعدادی نرون در لایه میانی (با سعی و خطا) استفاده شد. برای انتخاب تعداد مناسب نرون­ها در لایه میانی و تعداد تکرار مطلوب و برای ارزیابی یادگیری شبکه های عصبی و حصول بهترین نتایج، از شاخص های2R، RMSE و CE استفاده شد.

 

نتایج

خلاصه آماری عوامل محیطی مورد استفاده در مراتع منطقه به منظور تخمین تنوع گونه­ای بر اساس این ویژگی­ها برای آموزش و آزمون مدل­ها در جدول 1 نشان داده شده است. همچنین نتایج بررسی پوشش گیاهی منجر به شناسایی 38 گونه گیاهی شد (جدول 2).

از آنجایی که مقدار آماره دوربین-واتسون (301/2) در فاصله 5/1 تا 5/2 قرار دارد، فرض عدم وجود همبستگی بین خطاها رد نمی­شود و می­توان از رگرسیون استفاده کرد. فرض دیگر رگرسیون خطی بررسی همراستایی بین متغیرهای مستقل است. بدین منظور از فاکتور عامل تورم واریانس (VIF) استفاده شد. متغیرهایی کهVIF  آنها کمتر از 10 باشد، مشکل همراستایی نخواهند داشت. مقادیر این فاکتور برای متغیرهای مستقل نشان دهنده این است که این متغیر مشکل همراستایی ندارد.  معادله رگرسیونی حاصل نشان می­دهد که درصد ماده آلی و اسیدیته تاثیر مثبتی روی تنوع گونه­ای داشته و بقیه متغیرها تاثیر معنی­داری بر میزان تنوع گونه­ای نداشتند. بعد از تعیین معادله توسط داده­های آموزش کارایی این مدل در برآورد تنوع گونه­ای توسط داده های آزمون بررسی شد که نتایج آن در جدول 3 و شکل 2 ارائه شده است. مقادیر ضریب تبیین و مجذور میانگین مربعات خطا برای مرحله آزمون این مدل به ترتیب برابر 57/0 و 14/0 می­باشند که نشان می­دهد که مدل رگرسیونی خطی دقت نسبتا خوبی در برآورد تنوع گونه­ای داشت.

 

 

 

جدول 1- خلاصه آماری داده­های مورد استفاده در آموزش و آزمون شبکه عصبی مصنوعی، شبکه عصبی تطبیقی-فازی و رگرسیونی به منظور مدل­سازی تنوع گونه­ای

 

حداقل

حداکثر

میانگین

اشتباه معیار

شاخص تنوع گونه ای شانون-وینر

35/1

16/3

98/1

038/0

اسیدیته

72/7

36/8

08/8

021/0

هدایت الکتریکی(ds/m)

09/0

19/0

13/0

003/0

رس (%)

14

36

80/22

80/0

سیلت (%)

6

36

13/19

11/1

وزن مخصوص ظاهری (g/cm3)

05/1

90/1

53/1

02/0

ماده آلی (%)

18/0

28/1

50/0

03/0

رطوبت اشباع (%)

63/10

17/30

89/19

73/0

خاکدانه های درشت(%)

15/10

17/48

50/29

34/1

خاکدانه های ریز(%)

ارتفاع (m)

94/6

1700

08/38

2050

25/24

98/1874

12/1

52/15

شیب (%)

15

50

30

01/0

 

جدول 2- میانگین پوشش گیاهی گونه های گیاهی حاضر در خرابه سنجی ارومیه

ردیف

نام علمی گیاه

خانواده

نام فارسی

میانگین درصد پوشش گیاهی ± اشتباه معیار

1

Acanthophyllum microcephalum

Caryophyllaceae

چوبک

06/0 ± 8/0

2

Achilea cuneatiloba

Compositae

بومادران

 02/0 ± 14/0

3

Agropyron  pectiniform

Graminae

چمن گندمی شانه ای

 03/0 ± 9/0

4

Agropyron trichophorum

Graminae

علف گندمی

 1/0 ± 4/1

5

Artemisia aucheri

Compositeae

درمنه

21/0 ± 9/2

6

Astragalus microcephalus

Fabaceae

گون

  08/0 ± 90/0

7

Astragalus sp.

Fabaceae

گون

44/3 ± 4/14

8

Bromus danthoniae

Graminae

جارو علفی هرز

 01/0 ± 3/0

9

Bromus tomentellus

Graminae

علف پشمکی

 22/5 ± 14

10

Centaurea virgata

Compositeae

نوعی گل گندم

01/0 ± 1/0

11

Cirsium arvense

Compositeae

کنگر هرز

01/0 ± 1/0

12

Cynodon dactylon

Graminae

مرغ

38/0 ± 9/4

13

Dactylis glomerata

Graminae

علف باغ

43/4 ± 13

14

Dianthus seidlitzia

Caryophyllaceae

میخک

 021/0 ± 23/0

15

Eryngium billardieri

Apiaceae

بوقناق

  04/0 ± 48/0

16

Euphorbia aucheri

Euphorbiaceae

فرفیون

  03/0 ± 41/0

17

Festuca ovina

Graminae

علف بره

08/0 ± 4/1

18

Gundelia tournefortii

Compositeae

کنگر

 01/2 ± 1/9

19

Hordeum bulbosum

Graminae

جوپیازدار

05/0 ± 2/1

20

Hypericum armenum

Hypericaeae

علف چای

 04/0 ± 87/0

21

Kochia prostrate

Chenopodiaceae

جارو

 04/0 ± 8/0

22

Koeleria cristata

Graminae

چمن نقره ای

04/0 ± 8/0

23

Melica persica

Graminae

ملیکا

05/0 ± 24/0

24

Noaea mucronata

Chenopodiaceae

خارگونی

23/1 ± 2/8

25

Onobrychis sativa

Fabaceae

اسپرس کوهی

15/0 ± 7/8

26

Onopordon acanthium

Compositeae

خار زن بابا

2/0 ± 3/1

27

Papaver armeniacum

Papaveraceae

خشخاش

031/0 ± 65/0

28

Phelomis olieveri

Lamiaceae

گوش بره

01/0 ± 11/0

29

Poa bulbosa

Graminae

چمن پیازدار

 098/0 ± 5/1

30

Poterium sanguisorba

Rosaceae

پنجه انگشت

011/0 ± 25/0

31

Prangus uloptera

Apiaceae

جاشیر

12/0 ± 5/2

32

Pterpyrum aucheri

Polygonaceae

پرند

02/0 ± 6/0

33

Rosa canina

Rosaceae

نسترن

02/0 ± 30/0

34

Scariola orientalis

Compositeae

گاوچاق کن

 10/0 ± 5/1

35

Stachys inflate

Lamiaceae

چای علفی

 13/0 ± 8/2

36

Stipa barbata

Graminae

استپی ریشدار

 01/0 ± 1/0

37

Thymus kotschyanus

Lamiaceae

آویشن

12/0 ± 54/1

38

Verbascum stachydiforme

Scropholariaceae

گل ماهور

03/0 ± 31/0

 

جدول 3- خلاصه مدل رگرسیونی محاسبه شده به منظور مدلسازی تنوع گونه­ای ­

مدل

ضریب همبستگی

ضریب تبیین

ضریب تبیین تعدیل شده

خطای استاندارد تخمین

دوربین-واتسون

1

49/0

24/0

22/0

26/0

 

2

59/0

35/0

33/0

24/0

301/2

مدل 1: Y=1.697+0.565X1

مدل 2: Y=-3.204+0.490X1+0.611X2

X1=درصد ماده آلی و  X2=اسیدیته

             

 

 جدول 4- نتایج آموزش و آزمون مدل رگرسیون خطی چند متغیره به منظور مدلسازی تنوع گونه­ای

 

مرحله آموزش

مرحله آزمون

2R

RMSE

CE

R

2R

RMSE

CE

R

36/0

22/0

36/0

60/0

57/0

14/0

39/0

75/0

 

مقادیر مشاهده­ای و برآوردی در دو مرحله آزمون و آموزش انطباق کمتری با یکدیگر داشته و اختلاف حاصل از برازش نمودارها در قسمت آزمون و آموزش در این نمودار آشکار است (شکل 2).

 

 

 

شکل 2- برازش مقادیر مشاهداتی و برآوردی با استفاده از رگرسیون خطی چند متغیره در مرحله آموزش و آزمون

 

 

نتایج مدل­سازی شبکه عصبی مصنوعی[10]:

در جدول 4 آماره های خطا ضریب تعیین حاصل از اجرای شبکه عصبی مصنوعی  برای سه مرحله آموزش، صحت­سنجی و آزمایش در برآورد تنوع گونه­ای ارائه گردیده است. ساختار مورد استفاده دراین تحقیق، شامل یازده لایه ورودی، هشت لایه پنهان و یک لایه خروجی است. شبکه 1-8-11 با قانون یادگیری لونبرگ مارکوت با تابع انتقال سیگموئید درمرحله آزمون با 89/0=R2، 07/0 RMSE=و 86/0CE=  به عنوان بهترین مدل شبکه عصبی مصنوعی انتخاب شد . تابع انتقال تانژانت هیپربولیک به نسبت تابع سیگموئید ضریب کارایی پایین­تری دارد و مجذور میانگین مربعات خطای بالای آن به نسبت تابع سیگموئید باعث عدم استفاده از این مدل در مقایسات مورد نظر گردید.

نتایج حاصل از نحوه انطباق داده­های آموزش، صحت­سنجی و آزمون را در شبکه عصبی مصنوعی بر روی هم نشان می­دهد. نتایج حاصل بیانگر این نکته می­باشد که پیش­بینی مقادیر مشاهده­ای و برآوردی تا حدود زیادی مشابه با یکدیگر بوده و منطبق بر هم می­باشند (شکل 3).

 

 

جدول 5- آماره­های خطا و ضریب تعیین حاصل از اجرای شبکه عصبی مصنوعی برای مراحل آموزش، صحت­سنجی و آموزش در برآورد تنوع گونه­ای

CE

RMSE

R2

R

مراحل

آرایش

تابع فعالیت

قانون یادگیری

نوع شبکه

 عصبی

95/0

06/0

96/0

98/0

آموزش

1-7-9

سیگموئید

 

لونبرگ مارکوت

 

 

 

لونبرگ مارکوت

 

پرسپترون

چند لایه

 

 

96/0

05/0

94/0

97/0

صحت سنجی

86/0

07/0

89/0

94/0

آزمون

93/0

07/0

93/0

96/0

آموزش

1-7-9

تانژانت هیپربولیک

89/0

09/0

88/0

94/0

صحت سنجی

83/0

072/0

82/0

91/0

آزمون

 

 

شکل 3- برازش مقادیر مشاهداتی و برآوردی با تابع انتقال سیگموئید درمرحله آزمون، صحت سنجی وآموزش

 

 

 

شبکه عصبی تطبیقی-فازی:

نتایج حاصل از جدول 5 در این تحقیق نشان داد که مدلANFIS  با تابع ناقوسی تعمیم یافته 87/0R2= ، 09/0RMSE=  و 7/0 CE=  بهترین نتیجه را نسبت به سایر توابع داد . درجدول 5 نتایج حاصل از مدل شبکه عصبی تطبیقی-فازی با ساختار ذکرشده در برآورد تنوع گونه­ای به همراه داده­های آنالیز مجذور میانگین مربعات خطا و ضریب کارایی ارائه گردیده است. نتایج نشان داد که مجذور میانگین مربعات خطا در تابع مثلثی بیشترین و در تابع ناقوسی تعمیم یافته کمترین مقدار را داشت، همچنین ضریب کارایی تابع مثلثی در مقایسه با سایر توابع کمتر و تابع ناقوسی تعمیم یافته از ضریب کارایی بیشتری برخوردار بود.

 

 

 

 

 

جدول 6- نتایج شبکه عصبی فازی تطبیقی به منظور مدل­سازی تنوع گونه­ای گیاهی

CE

RMSE

R2

R

مراحل

نوع تابع عضویت

99/0

70/0

024/0

09/0

99/0

87/0

99/0

93/0

آموزش

آزمون

ناقوسی تعمیم یافته ((Gbellmf

99/0

57/0

03/0

11/0

99/0

86/0

99/0

93/0

آموزش

آزمون

گوسی نوع یک(gaussmf)

97/0

36/0

06/0

14/0

96/0

71/0

98/0

84/0

آموزش

آزمون

گوسی نوع دوم (gauss2mf)

88/0

13/0

09/0

17/0

90/0

54/0

95/0

74/0

آموزش

آزمون

مثلثی(Trimf)

95/0

06/0

96/0

98/0

آموزش

چندجمله ای(Pimf)

35/0

15/0

61/0

78/0

آزمون

 

 

نتایج حاصل از انطباق نمودارهای آموزش و آزمون بر این نکته تاکید می­کنند که در مرحله آموزش و مقادیر برآوردی و مشاهداتی انطباق زیادی با هم داشته درحالیکه این حالت در قسمت آزمون به نسبت کمتر مشاهده گردید. همچنین نتایج حاصل از این نمودار، پیش­بینی مناسب این مدل را در قیاس با سایر مدل­های در نظرگرفته شده می­رساند (شکل 4).

 

 

شکل 4- برازش مقادیر مشاهداتی و برآوردی تنوع گونه­ای با تابع عضویت ناقوسی تعمیم یافته در مرحله

آموزش و آزمون

 

 

بحث و نتیجه­گیری

نتایج رگرسیون گام به گام نشان داد که درصد ماده آلی و اسیدیته از مهمترین اجزاء تأثیرگذار بر مقدار تنوع گونه­ای بود. ماده آلی باعث به وجود آمدن ساختمان مناسب خاک، بالا رفتن ظرفیت نگهداری و ایجاد تغییراتی در اسیدیته خاک می­شود. افزایش ماده آلی خاک سبب بهبود وضعیت خاک و کاهش وزن مخصوص ظاهری خاک می­شود (3) و کاهش وزن مخصوص ظاهری زمینه را برای ذخیره­سازی و استقرار بذور و در نهایت استقرار گونه­های جدید فراهم می­آورد.et al.,  Zolfaghari (2010) نیز در تحقیقی تحت عنوان بررسی رابطه عوامل محیطی با پراکنش پوشش گیاهی در حوزه آبخیز آق تقه درصد ماده آلی و اسیدیته را از عوامل تاثیرگذار بر پراکنش تنوع گیاهی معرفی کردند (35).

توجه به مقادیرRMSE  وR2 مزیت نسبی مدل­ها را نشان می­دهد. بیشترین ضریب تبیین معنی­دار و کمترین میزان خطا، بهترین روش را معرفی می­نماید. بنابراین با توجه به مباحث مطرح گردیده به ترتیب روش­های شبکه عصبی­مصنوعی با نوع تابع سیگموئید (89/0R2=، 07/0RMSE= و 6/0CE=)،  شبکه عصبی تطبیقی-فازی با تابع ناقوسی تعمیم یافته (87/0R2=، 09/0RMSE=  و 7/0CE=) و رگرسیون چند متغیره (57/0R2=، 14/0 RMSE=و 39/0CE=) به عنوان بهترین روش تعیین گردید. دلیل این امر در نظر گرفتن روابط غیرخطی بین پدیده­ها در روش شبکه عصبی مصنوعی می­باشد (24). مدل توسعه یافته شبکه عصبی مصنوعی برای پیش­بینی تنوع گونه­ای در منطقه مورد مطالعه 89 درصد از تغییرپذیری در سطح عوامل محیطی را توجیه نمود و در نهایت حدود 11 درصد از تغییرپذیری تنوع گونه­ای در این منطقه تبیین نگردید. که این موضوع تا اندازه زیادی به دلیل در نظر نگرفتن و عدم اندازه­گیری پارامترهای مدیریتی می­باشد. در همین ارتباط Ingleby  &  Crowe(2001) پس از مقایسه مدل­های رگرسیونی و شبکه عصبی مصنوعی در برآورد کربن آلی خاک، با توجه به مقدار مجموع مربعات خطا (SSE) که در مدل شبکه عصبی و مدل رگرسیونی چندمتغیره به ترتیب 43/5 و 23/6 بودند، به برتری مدل شبکه عصبی پی بردند (15).

پیرامون مقایسه مدل­های شبکه عصبی و رگرسیونی در تخمین ویژگی­های مهم خاک تا کنون تحقیقات زیادی صورت گرفته است، اما تحقیقی که بیانگر اهمیت روش­های شبکه عصبی در مقابل مدل­های رگرسیونی رایج در تخمین تنوع گونه­ای باشد، انجام نگردیده است. Sabziparvar  & (2010) Beiatorkesh نتیجه گرفتند که دقت روش استنتاج تطبیقی عصبی-فازی، 4 درصد بیشتر از روش آماری رگرسیون است (30). نتایج تحقیق حاضر نشان داد که مدل شبکه عصبی مصنوعی دارای دقت نسبی بیشتری نسبت به مدل شبکه عصبی تطبیقی-فازی و رگرسیونی در برآورد تنوع گونه­ای می­باشد. نتایج حاصل از رابطه رگرسیونی در این تحقیق نشان داد که درصد ماده آلی و اسیدیته از مهمترین عواملی بود که ارتباط با تنوع گونه­ای داشت. علت تفاوت بین عملکرد بهتر شبکه­های عصبی در مقایسه با روش­های آماری را می توان در قابلیت تخمین و پیش بینی شبکه­های عصبی مصنوعی برای تقریب غیر خطی با حجم کم داده­ها جستجو نمود. این در حالی است که عملکرد و دقت روش­های رگرسیونی به شدت از حجم کم نمونه­ها تبعیت می­کند و حجم کم نمونه­ها می­تواند عامل محدودیت مدل­های آماری گردد (28). نتایج حاصل از مدل­سازی تنوع گونه­ای در مطالعه حاضر علاوه بر این که تاییدی بر نتایج تحقیقات پیرامون برتری شبکه عصبی مصنوعی است، منجر به توسعه و بهبود مدل­سازی تنوع گونه­ای با استفاده از عوامل محیطی گردیده است. نتایج نشان داد که مدل شبکه عصبی مصنوعی از سایر مدل­ها دارای دقت بیشتری بود. سایر محققین نیز در مطالعات خود به این موضوع اشاره نموده و این مدل را دارای صحت و دقت بالا معرفی کرده­اند (2، 24، 27، 29).

 بنابراین استفاده از عوامل محیطی در مدل سازی تنوع گونه­ای به عنوان یک رکن اساسی و کارآمد توصیه می­شود. مدل­های شبکه عصبی به دلیل درنظر گرفتن روابط غیرخطی موجود میان ویژگی­های زودیافت خاک و تنوع گونه­ای و به دنبال آن افزایش دقت در برآورد پیش­بینی­ها می­تواند جایگزین مناسبی برای مدل­های مرسوم رگرسیونی در مدل­سازی تنوع گونه­ای باشد (24). نتایج کلی پژوهش نشان می­دهد که در عرصه­های طبیعی که روابط پیچیده خطی و غیر خطی در سطح زیاد مابین متغیرها وجود دارد، می­توان از روش­های هوش مصنوعی و به کمک داده­های حاصل از عوامل محیطی برای تخمین تنوع گونه­ای سود جست. در نهایت می­توان اینگونه بیان نمود که مطالعه حاضر نشان داد که استفاده از روش­های توابع انتقالی امکان بررسی و پیش­بینی تنوع گونه­ای را به­وسیله فاکتورهای زودیافت خاک و عوامل فیزیوگرافی در کمترین زمان با هزینه کم و با دقت بالا فراهم می­آورد. انتظار می­رود در مطالعات آتی جهت ایجاد مدلی معتبرتر که تغییرپذیری بیشتری از مقدار تنوع گونه­ای در این منطقه را پیش­بینی نماید، از نمونه­برداری متراکم­تر و تلفیق متغیرهای انسانی، فیزیوگرافی و خاکی موثر بر تنوع گونه­ای به نتایج رضایت بخش­تری دست یافت. همچنین، هوشمند بودن روش تجزیه وتحلیل داده­ها و عدم نیاز به آزمون­های آماری را می­توان از دیگر برتری­های شبکه عصبی مصنوعی به شمار آورد.



1- Stepwise

[2] - Variance Inflation Factor

3- Training                                                                                                                      

4- Validation

5- Testing

6- Root of Mean Squares Error

7-  Nash-Sutcliffe Coefficient

8-  Correlation Coefficient

9-Automated Regularization

1-  Artificial Neural Network

1-Allison, L.E., 1975. Organic carbon. Methods of Soil Analysis, Chemical and Microbiological Properties. American Society of Agronomy, Madison, p. 1367.

2-Bazartseren, B., & G. Hildebrandt,  K., Holz, 2003. Short-term water level prediction using neural networks and neuro-fuzzy approach. Neuro computing. 55: 439-450.

3-Binkley, D., & Fisher, R., 2012. Ecology and management of forest soils. 4th .Wiley-Blackwell.

4-Blake, G.R., & K.H., Hartge, 1986. Bulk density Methods of Soil Analysis, Physical & Mineralogical Methods. Soil Science Society of America,9(1): 361-376.

5-Bouyoucos, G.J., 1962. Hydrometer method improved for making particle size analysis of soils. Agronomy Journal, 56: 464-465.

6-Browman, H.I., M.C., Philippe, H., Ray, J., Simon, K.L., Heike, M.M., Pamela, & M., Steven, 2004. Ecosystem-based Management. Marine Ecology Progress Series, 274: 269-303.

7-Cambardella, C.A., & E.T., Elliott, 1992. Particulate Soil Organic Matter Changes across a Grassland Cultivation Sequence. American Journal of  Soil Science, 56: 777-783.

8-Caudill, M., 1987. Neural networks primer: Part I, AI Expert.

9-Fahimipour, E., M.A., Zare Chahouki, & A. Tavili, 2010. Study of some index species – environmental factors relationships in mid Taleghan rangelands. Rangeland, 4(1):23-32.

10-Fajry, A., 2009. Feasibility studies- Executive vegetation survey the wreckage of Urmia. University Department of Natural Resources.

11-Fridley, J.D., 2001. The influence of species diversity on ecosystem productivity: how, where, and why? Oikos, 93: 514-526.

12-Ghahsare ardestani, A., M., Basiri, M., Tarkesh, & M., Borhani, 2010. Models of the distribution and diversity of species diversity and environmental factors in four rangeland Isfahan Hill. Rangeland and Watershed, 63(3): 378-397.

13-Hernandez, R., P., Koohafkan, & J., Antoine, 2004. Assessing Carbon Stocks and modeling win-win Scenarios of carbon sequestration throughland-use change, 166 pp.

14-Holmberg, M., M. Forsius, M., Starr, & M., Huttunen, 2006. An application of artificial neural networks to carbon, nitrogen & phosphorus concentration in three boreal streams & impacts of climate change. International Society for Ecological Information 3rd Conference. Grottaferrata, Roma, 195: 51-60.

15-Ingleby, H.R., & T.G., Crowe, 2001. Neural  network  models  for  predicting  organic  matter  content  in Saskatchewan soils. Canadian Bios stems Engineering, 43: 71-75.

16-Kaya, Z., & J., Raynal, 2006. Biodiversity and conservation of Turkish forest. Biological conservation,  97: 131-141.

17-Lavorel, S., & E., Garnier, 2002. Predicting changes in community composition and ecosystem functioning from plant traits: revisiting the Holy Grail. Functional Ecology, 16: 545-556.

18-Leij, F., M.G., Schaap, & L.M., Arya, 2002. Water retention and storage: Indirect methods. Methods of Soil Analysis, 4(2): 1009-1045.

19-Magurran, A.E., 1988. Ecological Diversity and its Measurement. Princeton University Press, Princeton, NJ, 179pp.

20-Manly, B.F.J., 1994. Multivariate Statistical Methods: A Primer. London: Chapman & Hall.

21-Menhaj, M.B., 1998. Fundamentals of neuralnetworks. First Edition, Professor Hesabi Publishers, 502 pp.

22-Mesdaghi, M., 2005. Plant Ecology. Publication of Jahade Daneshgahi, 187p.

23-Minasny, B., A.B., McBratney, & K.L., Bristow, 1999. Comparison of different approaches to the development of pedotransfer functions for water retention curves. Geoderma, vol. 93, pp. 225-53.

24-Navabian, M.,  A.M., Liaghat, & M., Homaee, 2007. Comparison of transfer functions of artificial neural network and regression in estimating the saturated hydraulic conductivity. Proceedings of the Tenth Soil Science Congress of Iran, Karaj, 967-969.

25-Noor Alhamad, M., 2006. Ecological & species diversityof arid Mediterranean grazing land vegetation. Journal of Arid Environments, vol. 66, pp. 698-715.

26-Parasurman, K., A., Elshorbagy, & B., Si, 2006. Estimating saturated hydraulic conductivity in spatially variable fields using neural network in Ensembles. Soil Science Society American  Journal, 70: 1851-1859.

27-Parsafar, N.A., & S., Marofi, 2011. Estimated temperatures at depths using network neural networks-Fuzzy (Case Study: Kermanshah region). Journal of Soil and Water Science, 21(3): 21-22.

28-Pietrasiak, N., J.R., Johansen, T., LaDoux, & R.C., Graham, 2011. Comparison of Disturbance Impacts to and Spatial Distribution of Biological Soil Crusts in the Little San Bernardino Mountains of Joshua Tree National Park, California. Western North American Naturalist, 74(4): 539-552.

29-Pilevari, A., Sh., Auobi., & H., Khademi, 2010. Comparison of artificial neural network and multiple linear regression analysis to predict soil organic carbon data to the ground. Journal of Soil and Water, 24(6): 1151-1163.

30-Sabziparvar, A. & M., Beiatorkeshi, 2010. Assess the accuracy of fuzzy artificial neural network, neurotropic solar radiation simulation. Iranian Journal of Physics Research, 4(1): 347-536.

31-Schaap, M.G., 1998. Using neural network to predict soil water retention and soil hydraulic conductivily. Soil Till Research, 47: 37-42.

32-Suding, K.N., &, L.J., Goldstein, 2008. Testing the Holy Grail framework: using functional traits to predict ecosystem change. New Philologist, 180: 559-562.

33-Zarechahouki, M.A., M., Jafari & H. Arzani, 2007. The relationship between environmental factors and species diversity in grasslands Poshtkuh Yazd. Pajouhesh & Sazandegi, 21(1): 192-199.

34-Zhang, C.B., J., Wang, W., Liu, S., Zhu, D., Liu, S., Chang, J., Chang, & Y., Ge, 2010. Effects of plant diversity on nutrient retention and enzyme activities in a full-scale constructed wetland. Bioresource Technology, 101: 1686-1692.

35-Zolfaghari, F., A., Pahlevanravi, A., Fakhireh, & M., Jabari, 2010. Investigation on relationship between environmental factors and distribution of vegetation in Agh Toghe basin. Iranian journal of Range & Desert Research, 17(3): 431-444.