به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
فهرست مطالب نویسنده:

d. roberts

  • نغمه پاک گهر، جواد اسحاقی راد*، غلامحسین غلامی، احمد علیجانپور، دیوید رابرتز
    خوشه بندی از پرکاربردترین روش های مختلف طبقه بندی و خوشه بندی بتای انعطاف پذیر از روش های موفق سلسله مراتبی تجمعی در طبقه بندی جوامع گیاهی است. هدف این بررسی، تعیین مقدار بتای مناسب در روش خوشه بندی بتای انعطاف پذیر است. برای این پژوهش داده های پوشش گیاهی از جنگل های هیرکانی و جنگل های بلوط زاگرس انتخاب شدند و مقدار مختلف بتا در نتایج خوشه بندی بتای انعطاف پذیر (1/0-، 25/0-، 4/0-، 6/0- و 08/-) با چهار معیار ارزیابی کننده MRPP، PARATNA، Silhouette  و همبستگی فی ارزیابی شد و نتایج هر معیار ارزیابی کننده از بهترین به بدترین رتبه بندی شدند. سپس با برآورد میانگین کل ارزیابی کننده ها، عملکرد خوشه بندی ها مشخص شد. نتایج این پژوهش نشان داد که در داده های ناحیه رویشی هیرکانی خوشه بندی بتای انعطاف پذیر با مقدار بتای 1/0- بهترین عملکرد را دارد، اما خوشه بندی با مقدار بتای 25/0- و 4/0- نیز عملکرد مناسبی دارد. در داده های ناحیه رویشی زاگرس خوشه بندی بتای انعطاف پذیر با مقدار بتای 25/0- بهترین عملکرد را دارد و خوشه بندی بتای انعطاف پذیر با مقدار بتای 1/0- در رتبه دوم قرار دارد. بنابراین با توجه به تاثیر اهمیت انتخاب درست روش طبقه بندی در تفسیر اکولوژیکی نتایج حاصل، این بررسی با در نظر گرفتن همه نتایج، استفاده از ضریب بتای 1/0- و 25/0- را برای طبقه بندی پوشش گیاهی پیشنهاد می کند.
    کلید واژگان: جنگل های زاگرس، جنگل های هیرکانی، سلسله مراتبی
    N. Pakgohar, J. Eshaghi Rad *, GH. Gholami, A. Alijanpour, D. Roberts
    Among different methods for classification, clustering is commonly used methods. Flexible-Beta clustering is successful hierarchical agglomerative clustering which is employed by ecologists as effective clustering method. The aim of the research was to detect the suitable value of beta for flexible-clustering methods. For this purpose, two different forest regions from Hyrcanian and Zagros Oak regions were selected. The clustering algorithms included Flexible-beta algorithms with five value of beta (-0.1, -0.25-, -0.4, -0.6 and -0.8). Five evaluators (Silhouette, MRPP, PARATNA, Phi coefficient) were employed on each cluster solution to evaluate different clustering algorithms. Algorithms were ranked from best to worst on each clustering evaluator for each data set. The results showed that Flexible-beta clustering with beta value -0.1 had best performance and Flexible-beta clustering with beta value -0.25 and -0.4 were proper performance in Hyrcanian regions. Flexible-beta clustering with beta value -0.25 was superior to others and Flexible-beta clustering with beta value -0.1 had the second rank. Since, choosing the most suitable clustering method is critical for achieving maximally ecological interpretable results, therefore, we suggested using flexible beta clustering with beta value equal to -0.1 and -0.25 in the studies area.
    Keywords: Hyrcanian forest, Hierarchical clustering, Zagros forest
  • نغمه پاک گهر، جواد اسحاقی راد*، غلامحسین غلامی، احمد علیجانپور، دیوید رابرتز

    هدف طبقه بندی پوشش گیاهی، بهینه سازی و خلاصه کردن تغییرات آن به عنوان نماینده تغییرات محیطی است که سبب دسترسی به اطلاعات مفید و قابل تفسیر از بوم سازگان می شود. باتوجه به وجود تعداد زیادی از روش های طبقه بندی، انتخاب روش بهینه، چالشی بزرگ است. در پژوهش پیش رو، دو روش خوشه بندی غیرسلسه مراتبی شامل K-means و K-medoids برای بوم سازگان های جنگلی مقایسه شدند. داده های مورد استفاده در این راستا شامل دو مجموعه داده واقعی جمع آوری شده از نوشهر (جنگل های هیرکانی) و اسلام آباد غرب (جنگل های زاگرس) و شش مجموعه داده شبیه سازی شده بودند. برای آماده سازی داده ها از تبدیل داده هلینگر استفاده شد. سپس، سه روش اندازه گیری فاصله اقلیدسی، بری کورتیس و منهتن به کار گرفته شدند تا عملکرد دو روش غیرسلسله مراتبی مذکور بررسی شود. نتایج طبقه بندی به دست آمده از روش های مختلف با سه روش ارزیابی کننده سیلویت، همبستگی فی و ISAMIC مقایسه شدند. نتایج نشان داد که ترکیب ماتریس تشابه بری کورتیس و روش های خوشه بندی K-means و K-medoids به ترتیب رتبه های اول و دوم را در بین خوشه بندی های مختلف داشتند. ضعیف ترین خوشه بندی مربوط به ترکیب ماتریس تشابه منهتن و روش K-medoids بود. روش K-means در داده های ناهمگن تر مانند داده های زاگرس و شبیه سازی شده، کارایی بیشتری داشت. همچنین، تبدیل داده هلینگر سبب بهبود عملکرد ضریب فاصله اقلیدسی شد. باتوجه به نتایج تحلیل های مربوطه، ترکیب روش خوشه بندی K-means و ماتریس تشابه بری کورتیس برای داده های جوامع گیاهی پیشنهاد می شود.

    کلید واژگان: تبدیل داده ها، داده شبیه سازی شده، روش اندازه گیری فاصله، کیفیت خوشه بندی
    N. Pakgohar, J. Eshaghi Rad *, Gh. Gholami, A. Alijanpour, D. Roberts

    Clustering task is optimized and summarized high dimensional vegetation datasets that indicator of environmental change and gathering to interpreting pattern form ecosystem. Variety clustering methods is available and the issue is chosen proper methods. The aim of the research was compared two non-hierarchical clustering as K-means and K-medoids in forest ecosystems. For this purpose, two real datasets from Hyrcanian and Zagros forests of Iran and six simulated datasets were applied. The Hellinger transformation was employed before calculating dissimilarity matrices. Euclidean distance, Manhattan distance and Bray-Curtis dissimilarity indices were then calculated on the transformed data sets. And three evaluators including silhouette width, phi coefficient and ISAMIC were chosen. The results show that combination of Bray-Curtis dissimilarity matrices and K-means and K-medoids have first and second ranks among other clustering methods. K-means clustering is more effective in heterogenous dataset as Zagros and simulated datasets. The weakest clustering algorithm was combination between Manhattan distance and K-medoids. Also results show that Hellinger data transformation cause to improve Euclidean distance matrix. Our results indicated that combination of Bray-Curtis dissimilarity with K-means is more significant and recommended.

    Keywords: Clustering accuracy, data transformation, distance measure, simulated dataset
بدانید!
  • در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
  • همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
  • در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال