طبقه بندی نظارت شده جوامع گیاهی شمشاد هیرکانی با استفاده از شبکه عصبی مصنوعی

در این پژوهش، کاربرد روش شبکه عصبی مصنوعی یا MLP در فرآیند تخصیص رلوه- گروه ها/جوامع گیاهی با استفاده از پایگاه اطلاعاتی ترکیب گیاهی جنگل های شمشاد هیرکانی (Buxus hyrcana Pojark.) ارزیابی شد. برای این منظور، نخست گروه های بوم شناختی و جامعه شناختی شمشاد هیرکانی به ترتیب با استفاده از نتایج دو روش عددی TWINSPAN و تجربی براون-بلانکه تعیین شد. نتایج هر دو دارنگاره عددی و تجربی طبقه بندی مشتمل بر 7 سطح طبقه بندی به عنوان گروه ها/ جوامع گیاهی اولیه به روش MLP معرفی شد. سپس با اختصاص داده ها در سه مجموعه آموزش (%70)، آزمون (%15) و اعتبارسنجی (%15)، طبقه بندی در هر سطح از دو دارنگاره انجام شد. نتایج نشان داد با افزایش سطح طبقه بندی از میزان انطباق جوامع گیاهی حاصله از روش MLP با گروه های بوم شناختی (از 99 درصد تا 60 درصد) و جامعه شناختی اولیه (از 98 درصد تا 68 درصد) به ترتیب از سطح قطع 1 تا 7 کاسته می شود. همچنین بررسی روند تغییرات مقادیر درجه حساسیت کل و ضریب کاپا بر این نکته دلالت دارد که به غیر از سطح قطع 7 طبقه-بندی، کیفیت نتایج طبقه بندی MLP براساس نتایج اولیه طبقه بندی روش TWINSPAN در سطح بالاتری نسبت به جوامع گیاهی حاصله از روش براون- بلانکه قرار دارد. انطباق مناسب نتایج طبقه بندی روش MLP با نتایج سطح پنجم دارنگاره طبقه بندی حاصله از دو روش عددی (%90) و تجربی (%89) می تواند بیانگر کیفیت مطلوب روش MLP در طبقه بندی جوامع گیاهی باشد. بنابراین نتایج تحقیق تصریح می کند روش MLP می تواند به عنوان یک روش مناسب در فرآیند تخصیص قطعه نمونه-گروه/اچتماع گیاهی مدنظر قرار گیرد.