پیش‌بینی نقشه پوشش گیاهی بر مبنای عوامل ژئومورفولوژی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: سبزکوه استان چهارمحال و بختیاری)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مرتعداری

2 دکترای مرتعداری،عضو هیئت علمی گروه مرتع و آبخیز دانشگاه شهرکرد

3 دکترای زمین شناسی، عضو هیئت علمی گروه مرتع و آبخیز دانشگاه شهرکرد

چکیده

نقشه‌های پوشش گیاهی بنیانی‌ترین ابزار مدیریت پوشش محسوب می‌شوند. روشهای متعددی برای تهیه این نقشه‌ها پیشنهاد شده که هر یک مبتنی بر اطلاعات پایه‌ای خاص و از دقت متفاوتی برخوردارند. روش ژئومرفولوژیکی یکی از این روشهاست که هدف این تحقیق بررسی دقت آن است. برای پیش‌بینی نقشه الگوی توزیع تیپ‌های گیاهی، سه نقشه رخساره‌های ژئومورفولوژی، سنگ شناسی و شکل زمین به عنوان متغیرهای مستقل و نقشه پوشش گیاهی منطقه نیز (روش فیزیونومی-فلوریستیک) به عنوان متغیر وابسته در مدل شبکه عصبی پرسپترون چند لایه استفاده شد. نتایج نشان داد مدل مذکور قادر به بیان 39.1% تغییرات متغیر وابسته می‌باشد. این امر برای طبقات مختلف یکسان نبوده به طوری که قدرت تفکیک پذیری این مدل در مورد تیپ‌های گیاهی Sparse forest (sparse oak forest) و Astragalus morinus -Acantholimon festucaceum - Acanthophyllum bracteatum به ترتیب با 4/64%و 61.5 % بیشترین دقت پیش‌بینی و درمورد طبقه باغ و اراضی کشاورزی (ناشی از دخالت های انسانی و نه عوامل ژئومرفولوژیک) با وسعت تنها 3/0% منطقه با 2/1درصد کمترین دقت پییش‌ببینی را داشت. در نتیجه، این روش تا حدودی در پیش‌بینی توزیع پوشش گیاهی طبیعی با نتایج خوبی همراه بوده هر چند پوشش ازمتغیرهای دیگری مانند اقلیم و خاک که در این مطالعه بررسی نشده، دقت متغیرهای ورودی،عدم انطباق وضع فعلی با وضع پتانسیل پوشش، گاهاً همپوشانی آشیان اکولوژیک تیپ‌های گیاهی و پوشش اراضی مرتبط تأثیر می پذیرد. بنابراین، توصیه می‌شود این روش برای تفکیک پوشش‌های گیاهی که به پوشش طبیعی پتانسیل نزدیک‌تر هستند به کار رود

کلیدواژه‌ها


عنوان مقاله [English]

Predicting of vegetation map based on geomorphological factors using artificial neural networks (case study: Sabzkouh, Chaharmahal-Va-Bakhtiari Province)

نویسندگان [English]

  • shahrebanoo rahmani 1
  • ataollah ebrahimi 2
  • alireza davoudian dehkordi 3
1 grajuted msc
2 - Assistant Professor, Department of Rangeland and watershed management, Faculty of Natural Resources and Geoscience, Shahrekord University
3 Assistant Professor, Department of Rangeland and watershed management, Faculty of Natural Resources and Geoscience, Shahrekord University
چکیده [English]

Vegetation maps are considered as fundamental tool of managing vegetation. Several methods of vegetation mapping are suggested, each of one has founded on some basic information and so has different accuracy. One of this method called geomorphological method that the aim of this research is to investigate its accuracy. In this research, three maps of geomorphological facies, land-forms and lithology were considered as independent and vegetation map (physiognomic-floristic) was used as independent in a model of multi-layer perceptron neural-network to predict the pattern of vegetation distribution. the results showed that the model can explain 39.1% of the variation of vegetation map and land forms of the study area. This was not the case for all vegetation types and land forms so that Sparse forest (sparse oak forest) and Astragalus morinus -Acantholimon festucaceum - Acanthophyllum bracteatum with 64.4 and 61.5% had the highest whereas, agricultural lands and gardens, which only cover 0.3% of the study area, with 1.2% had the lowest prediction power discernibility respectively. Generally, it can be concluded that the method had relatively acceptable results in predicting vegetation distribution. However, moderate prediction accuracy of the model could be related to other affective factors (not considered in this study) such as soil and climate, accuracy of input variables, incompliance of the current situation with potential due to anthropological affects,low resolution because of overlapping of ecological niche of vegetation types and land cover. Therefore, we recommend that this method should be used for discrimination of relatively natural and intact vegetation type

کلیدواژه‌ها [English]

  • : Modelling vegetation
  • Distribution of vegetation
  • geomorphological factors
  • multi-layer perceptron neural network
  • Sabzkouh