كليدواژه فارسي :
درصد پوشش , شاخص هاي گياهي , تكنيك داده كاوي , آناليز مؤلفه اصلي , خوشه بندي
كليدواژه لاتين :
Coverage percentage , Vegetation indices , Data mining technique , Principal Component Analysis (PCA) , Clustering
چكيده :
مرتع يك اكوسيستم طبيعي است كه در برگيرنده منابع عظيمي از ذخاير ژنتيكي و تنوعي از گونههاي گياهي مي باشد كه همواره اين گوناگوني زيستي، متضمن پايداري مرتع در مقابل عوامل متغير محيطي بوده است. ارزيابي و پايش مراتع مناطق خشك يكي از موارد ضروري جهت مديريت اين مناطق تلقي مي¬گردد. گونه درمنه دشتي يكي از گونه¬هاي مهم مراتع استان يزد مي¬باشد كه از نظر حفاظت خاك و توليد علوفه دامي نقش بسزايي در مراتع استان دارد. لذا در اين پژوهش با به كارگيري تكنيك¬هاي داده¬كاوي به بررسي وضعيت پوشش گونه درمنه دشتي بر مبناي شاخص¬هاي گياهي، پارامترهاي ژئومورفومتري، اقليمي و خاكي پرداخته شد. در اين تحقيق از شش الگوريتم دادهكاوي نزديك¬ترين همسايه، شبكه عصبي مصنوعي، فرآيند گوسي، رگرسيون خطي، ماشين¬بردار پشتيبان و مدل درخت تصميم گيري m5 استفاده شده و به منظور تعيين پارامترهاي مؤثر از فرآيند وزن¬دهي پارامترهاي ورودي مدل استفاده گرديد. در بخش ديگر مطالعه به منظور شناسايي مهم¬ترين پارامترها در بررسي تغييرات درصد پوشش گياهي از آناليز مؤلفه اصلي استفاده و به منظور خوشه¬بندي مناطق برمبناي پارامترها از روش سلسله مراتبي استفاده شد. نتايج ارزيابي مدل¬ها نشان داد كه به طور كلي مدل¬هاي داده¬كاوي قادر به پيش¬بيني درصد پوشش گياهي با دقت نسبتاً بالايي مي¬باشند. نتايج اعمال الگوها بر روي مجموعه داده¬ها نشان داد كه براي شاخص¬هاي گياهي مدل نزديكترين همسايه (948/0R=)، پارامترهاي ژئومورفومتري مدل فرآيند گوسي (993/0R=)، پارامترهاي اقليمي درخت تصميم (717/0R=) و براي پارامترهاي خاك مدل فرآيند گوسي (998/0R=) بهترين عملكرد را در برآورد درصد پوشش گياهي داشتند. مقايسه نتايج نشان مي¬دهد كه مدل¬ها در دو مجموعه خاك و ژئومورفومتري از دقت بالاتري برخوردار بوده¬ كه در اين راستا نتايج حاصل از اعمال مؤلفه اصلي نيز نشان داد كه پارامترهاي اين دو عامل (مؤلفه اول سطح پايه آبراهه با 68 درصد و ارتفاع با 7/67 درصد و مؤلفه دوم سديم در عمق صفر تا 10 سانتي¬متر با 5/72 درصد) تأثير بيشتري در توجيه تغييرات درصد پوشش گياهي داشته است. نتايج وزن¬دهي كل پارامترها نيز نشان داد كه از بين شاخص¬هاي گياهي شاخص Simple Subtrraction Index ، از بين پارامترهاي ژئومورفومتري فاصله از آبراهه، سطح پايه آبراهه و ارتفاع، از بين پارامترهاي اقليمي رطوبت نسبي و از بين پارامترهاي خاك سديم داراي بيشترين تاثير در پيشبيني درصد پوشش گياهي بود. نتايج حاصل از خوشه¬بندي مناطق بر مبناي عوامل محيطي نيز با نتايج مورد انتظار مطابقت داشت و مناطق داراي درصد پوشش¬هاي متفاوت درمنه دشتي در يك خوشه و مناطقي كه در آن¬ها درصد پوشش درمنه دشتي صفر بودند در خوشه ديگر قرار گرفتند. به طور كلي نتايج، حاكي از دقت بالاي روش¬هاي داده¬كاوي در پيش¬بيني درصد پوشش گياهي و اثر¬گذاري بالاي عوامل محيطي و اقليمي در تعيين درصد پوشش گياهي مناطق ميباشد. لذا پيشنهاد مي¬گردد با تعيين دقيق¬تر عوامل مؤثر در درصد پوشش مناطق مختلف و به كارگيري تكنيك¬هاي نوين داده¬كاوي گامي مؤثر در جهت مديريت عرصه¬هاي مرتعي برداشته شود.
چكيده انگليسي :
Rangeland is a natural ecosystem that includes vast amounts of genetic resources and types of plant species, which this biological diversity, has always been maintained the sustainability of rangeland against the environmental variables.
The assessment and monitoring of arid rangelands is considered as one of the essential elements for management in these regions. Artemisia sieberi is one of the most important species of rangelands in Yazd province that has an important role in soil conservation and livestock forage production in the province's rangeland. So, in this research, by using data mining techniques, investigated the status of Artemisia sieberi covering based on vegetation indices and geomorphometric, climate, soil parameters. In this research, the six data mining algorithms, includes the Artificial Neural Network (ANN), Gaussian process, Linear regression, Support Vector Machines (SVM) and m5 Decision Tree model were used. In order to determine the effective parameters were used the weighing process of model input parameters. In the other part of the study, in order to identify the most important parameters in investigation of the percent vegetation cover changes was used them, Principal Component Analysis (PCA) and the hierarchical method was used for region clusters based on the parameters. The results of the evaluation of the models showed that, generally, data mining models are able to predict the percent vegetation cover with fairly high accuracy. The results of applying patterns on the data set showed that for the vegetation indices, the nearest neighbor model (R= 0.948), geomorphometric parameters of Gaussian process model (R= 0.993), climatic parameters of decision tree (R= 0.717) and for soil parameters of Gaussian process model (R= 0.998) had the best performance in estimating percent vegetation cover. Comparison of the results shows that the models have a higher accuracy in two sets of soil and geomorphometry, in this regard, the results of the PCA application also show that the parameters of these two factors (the first component of the base of the waterway with 68% and height with 67.7% and second component of sodium at 0 to 10 cm depth with 72.5%) have more effect on justification of percent vegetation cover changes. The results of weighting in parameters total also showed that among the vegetation indices of the SS index, among the geomorphometric parameters, distance from the waterway, the base level of the waterway and the height, among the climate parameters, moisture and among the
soil parameters, sodium, had the highest effect on prediction of percent vegetation cover. The results of regions clustering based on environmental factors also corresponded to the expected results, and the regions with percentage of different covering of Artemisia sieberi in a cluster and regions where the percentage of Artemisia sieberi was zero, is located in another cluster. The results are shown the high accuracy of data mining methods on prediction of percent vegetation cover and the high impact of environmental and climatic factors on determining the percent vegetation cover of areas. Therefore, it is suggested that, by more accurately determining of effective factors determining in the percent vegetation cover of different areas, and applying modern data mining techniques, are an effective step for the rangeland management.
