XML English Abstract Print


چکیده:  
سطح قابل توجهی از مساحت مراتع کشور ایران، اختصاص به گیاهان بوته­ای دارد. یکی از گیاهان مهم بوته­ای، درمنه دشتی می باشد. درمنه­زارها از نظر حفاظت خاک و تأمین غذای دام­های اهلی و وحشی نقش بسزایی ایفا می­کنند. از این رو در این پژوهش به بررسی وضعیت پراکنش گونه درمنه، برمبنای عامل‌‌های ژئومورفومتری و اقلیمی و متغیر درصد پوشش گیاهی با استفاده از فرایند یادگیری ماشین پرداخته شده است. هدف از این مطالعه ارزیابی کارایی مدل­های نزدیکترین همسایه، شبکه عصبی مصنوعی، فرآیند گوسی، درخت تصمیم M5 و ماشین بردار پشتیبان به کمک عامل‌های ژئومورفومتری مستخرج از مدل رقومی ارتفاعی و همچنین عامل‌های اقلیمی جهت پیش بینی درصد پوشش گیاهی می­باشد. پس از اجرای الگوریتم­ها، وزن­دهی عامل‌ها و تعیین میزان تأثیرشان در پیش­بینی درصد پوشش انجام گرفت. ارزیابی نتایج مدل­ها بر روی عامل‌های ژئومورفومتری نشان داد که در مجموع برای داده­های آموزش مدل فرآیند گوسی با ریشه میانگین مربعات خطا 2.37 و ضریب تبیین 96/0 دارای بیشترین دقت می‌باشد. در ارزیابی مدل نیز داده­های آزمون فرآیند گوسی با ریشه میانگین مربعات خطا 1.17 و ضریب تبیین 0.99 بهترین مدل می‌باشد. همچنین ارزیابی نتایج مدل­ها بر روی عامل‌های اقلیمی نشان داد که برای داده­های آموزش مدل درخت تصمیم­گیری با ریشه میانگین مربعات خطا 9.66 و ضریب تببین 0.58 دارای بیشترین دقت می‌باشد. در ارزیابی مدل نیز  در مجموعه داده­های آزمون، مدل درخت تصمیم‌گیری با ریشه میانگین مربعات خطا 8.60 و ضریب تببین 0.57 بهترین مدل برآورد شد. نتایج حاصل از وزن­دهی نیز نشان داد که از میان عوامل‌ ژئومورفومتری، فاصله از آبراهه، سطح پایه آبراهه و ارتفاع دارای بیشترین تأثیر و از میان عامل‌های اقلیمی رطوبت دارای بیشترین تأثیر در پیش­بینی درصد پوشش گیاهی می‌باشد.
     
نوع مطالعه: پژوهشي | موضوع مقاله: مرتعداری
دریافت: ۱۳۹۷/۱۰/۳ | پذیرش: ۱۳۹۸/۴/۲۲

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به نشریه مهندسی اکوسیستم بیابان می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Desert Ecosystem Engineering Journal

Designed & Developed by : Yektaweb