ارزیابی کارایی مدل‌های داده‌کاوی در تعیین پراکنش گونه گیاهی Anchusa strigosa (مطالعه موردی: دزفول)

اسدی, مریم; جعفری, زهرا

doi:10.22034/emj.2022.701317

ارزیابی کارایی مدل‌های داده‌کاوی در تعیین پراکنش گونه گیاهی Anchusa strigosa (مطالعه موردی: دزفول)

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دکتری آبخیزداری، اداره منابع طبیعی و آبخیزداری خوانسار، خوانسار، ایران.

² کارشناسی ارشد مرتعداری، گروه طبیعت، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، ایران.

10.22034/emj.2022.701317

چکیده

بهره‌برداری از گیاهان صنعتی و دارویی بعنوان یکی از محصولات فرعی مراتع نقش موثری ‌در اقتصاد مراتع دارد. حفظ و توسعه پراکنش گیاهان دارویی در سطح عرصه‌های مرتعی از جنبه‌های مختلف اقتصادی و اجتماعی و فنی مراتع، حایز اهمیت می‌باشد. در سطح مراتع گونه‌های گیاهی صنعتی و دارویی فراوانی موجود می‌باشد. گاوزبان خارک‌دار (Anchusa strigosa) از گونه‌ی دارویی و بومی شهرستان دزفول می‌باشد. یکی از موارد حائز اهمیت در بهره‌برداری اصولی از این گیاه دارویی تعیین مناطق رویشگاهی آن می‌باشد. هدف از این تحقیق، بررسی رابطه ویژگی‌های بیوفیزیکی رویشگاه بالقوه این گونه و پراکنش آن با استفاده از تکنیک‌های مختلف داده‌کاوی است. برای ارزیابی کارایی مدل‌های داده‌کاوی، ابتدا 30 نقطه حضور و 30 نقطه عدم حضور گونه با استفاده از نقشه پوشش گیاهی و مطالعات میدانی ثبت شد. سپس پارامترهای ارتفاع، شیب، درجه حرارت، بارندگی، بافت و عمق خاک از نقشه‌های به دست آمده با استفاده از روش‌های زمین آمار بر مبنای داده‌های منطقه‌ای استخراج شد. تعیین ضریب تاثیر هریک از پارامترهای ذکر شده با استفاده از روش ماشین بردار انجام شد. سپس اقدام به پیش‌بینی حضور گونه‌های مذکور براساس پارامترهای بیوفیزیکی با استفاده از روش‌های داده‌کاوی گردید. الگوریتم‌های داده‌کاوی مورد استفاده در این تحقیق شامل ازدحام ذرات، رگرسیون لجستیک، شبکه‌های عصبی مصنوعی و نزدیک‌ترین همسایه می‌باشند. نتایج نشان داد که الگوریتم ازدحام ذرات و شبکه عصبی مصنوعی با میزان دقت 0/95 و ضریب کاپای 0/9 دارای دقت بالاتری در تعیین مناطق حضور گونه می‌باشد. نتایج این تحقیق نشان داد با استفاده از روش‌های داده‌کاوی امکان پیش‌بینی حضور گونه مورد نظر، براساس پارامترهای بیوفیزیکی با دقت بالایی فراهم می‌باشد.

کلیدواژه‌ها

20.1001.1.28210182.1401.1.4.3.3

موضوعات

عنوان مقاله [English]

Evaluating the effectiveness of data mining models in determining the distribution of the plant species Anchusa strigosa (case study: Dezful)

نویسندگان [English]

Maryam Asadi ¹
zahra jaefari ²

¹ Ph.D of Watershed Management, Department of Natural Resources and Watershed Management of Khansar, Khansar, Iran.

² M.Sc. of Range Management, Department of Nature Engineering Faculty of Agriculture and Natural Resources, Ardakan University, Iran.

چکیده [English]

Industrial and medicinal plants are one of the by-products of rangelands, the exploitation of which has a role in the economy of rangelands. The preservation and development of distribution of medicinal plants at the level of rangelands is important from various economic, social and technical aspects of rangelands. There are many industrial and medicinal plant species in the rangeland. Anchusa strigosa is a medicinal and indigenous species of Dezful. One of the important issues in the principled exploitation of these medicinal plants is to determine, its habitat areas. The purpose of this research is to investigate the relationship between the biophysical properties of the potential habitat of this species using different data mining techniques. Evaluating the effectiveness of data mining models, first 30 presence points and 30 absence points of the species were recorded using vegetation map and field studies. Then the parameters of height, slope, temperature, rainfall, texture and depth of soil were extracted from the obtained maps using geostatistical methods based on regional data. Determination of the influence coefficient of each of the mentioned parameters was done using the vector machine method. Then, the presence of the mentioned species was predicted based on biophysical parameters using data mining methods. The data mining algorithms used in this study include particle swarm, logistic regression, artificial neural networks and the nearest neighbor.The results showed that particle swarm algorithm and artificial neural network with accuracy rate of 0.95 and kappa coefficient of 0.9 have a higher accuracy in determining the species presence areas.The results of this study showed that using data mining methods, it is possible to predict the presence of the desired species, based on biophysical parameters with high accuracy.

کلیدواژه‌ها [English]

Particle Swarm Algorithm
Artificial Neural Networks
Logistic Regression
Nearest Neighbor
Habitat Prediction

مراجع

آخوندعلی، ع.ر.، و بهداروند، م. (1390). طرح احیا و بهره‌برداری Anchusa strigosa در دزفول. اداره منابع طبیعی شهرستان دزفول.

اسدی، م.، خاتم‌ساز، م.، و معصومی، ع.ا. (1381). کتاب فلور ایران (جلد 39، تیره Boraginaceae). موسسه تحقیقات جنگل‌ها و مراتع، 508.

تقی‌زاده مهرجردی، ر.،ا.، سرمدیان، ف.، امید، م.، تومانیان، ن.، روستا، م،ج. و رحیمیان، م،ح. (1393). نقشه برداری رقومی کلاس‌های خاک با استفاده از انواع روش‌های داده‌کاوی در منطقه اردکان استان یزد. مهندسی زراعی، (2)37، 115-101.

امامی‌میبدی، ع.، خضری، م.، و عظیمی.،ا. (1388). شبیه‌سازی تابع تقاضای انرژی در ایران با استفاده از الگوریتم بهینه سازی انبوه ذرات (PSO). مطالعات اقتصاد انرژی، 20، 159 -141.

پیری صحراگرد، ح.، زارع چاهوکی، م.ع.، و آذرنیوند، ح. (1394)، مدل‌سازی پراکنش گونه‌های گیاهی مناطق خشک و بیابانی با استفاده از روش شبکه‌های عصبی مصنوعی (بررسی موردی: مراتع حوض سلطان استان قم)، مدیریت بیابان، (5)3، 39-26.

پیری صحرا گرد، ح. (1396). مدل‌سازی پیش‌بینی پراکنش رویشگاه گونه‌های گیاهی با روش رگرسیون لوجستیک (مطالعه موردی: مراتع غرب تفتان، شهرستان خاش). پژوهش‌های گیاهی، (4)30، 806-792.

دهقانی‌نژاد، س، علوی، س.ج، و حسینی، س.م. (1397). قابلیت پیش بینی مدل‌های آماری در ارزیابی توان تولید رویشگاه راش شرقی. اکوسیستم‌های طبیعی ایران. (2)9، 30-13.

زارع چاهوکی، م.ع. (1385). مدل‌سازی پراکنش گونه‌های گیاهی مراتع مناطق خشک ونیمه‌خشک (مطالعه موردی: مراتع پشتکوه استان یزد). رساله دکتری مرتعداری، دانشکده منابع طبیعی دانشگاه تهران، کرج، 180ص.

زارع چاهوکی، م.ع.، خلاصی اهوازی، ل.، و آذرنیوند، ح. (1393). مدل‌سازی پراکنش گونه‌های گیاهی بر اساس عوامل خاک و توپوگرافی با استفاده از روش رگرسیون لوجستیک در مراتع شرق سمنان. مرتع و آبخیزداری، (1)67، 59-45.

فاطمی، س.س.، رحیمی، م.، ترکش، م.، و روانبخش، ه . (1396). پیش‌بینی پراکنش جغرافیایی گونه Juniperus excelsa M.Bieb. با استفاده از داده‌های اقلیمی در شرایط حاضر و آینده در استان سمنان. جنگل ایران، (2)9، 248-233.

صادقی‌نیا، م.، تازه، م.، جعفری، ز. و کیانی، ک. (1395). تعیین رویشگاه بالقوه گاوزبان خارک‌دار (Anchusa strigosa) با استفاده از تحلیل سلسله مراتبی و سیستم اطلاعات جغرافیایی در شهرستان دزفول. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، (4)7، 30-18.

صنیعی‌آباده، م.، محمودی، س.، و طاهرپور، م. (1394). داده‌کاوی کاربردی (ویراست دوم). تهران: انشارات نیاز دانش، 536ص.

عزمی، م.، و عراقی نژاد، ش. (1391). توسعه روش رگرسیون و K نزدیکترین همسایگی در پیشبینی جریان رودخانه. آب و فاضلاب، 2، 118-107.

علی‌اکبری، م.، جعفری، ر.، وهابی،م.ر.، و سعادت‌فر،ا. (1389). تعیین رویشگاه بالقوه گونه‌گون زرد با استفاده از تلفیق GIS و سنجش‌ازدور. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، (1)1، 30-15.

محمدی، ح.، و کاظمی، م. (1386). تعیین اراضی مناسب کشت بادام دیم در استان آذربایجان شرقی با استفاده از GIS. زراعت و باغبانی، 74.

مظفریان، و.ا. (1388). فرهنگ نام‌های گیاهان ایران. تهران: انتشارات فرهنگ معاصر، 740ص.

Asadi, M., Fathzadeh, A., Kerry, R., Ebrahimi-Khusfi, Z., and Taghizadeh-Mehrjardi, R. (2021). Prediction of river suspended sediment load using machine learning models and geo-morphometric parameters. Arabian Journal of Geosciences, 14(18), 1-14.

Benardos, P.G., Vosniakos, G.C. (2007). Optimizing feedforward Artificial Neural Network Architecture. Engineering Applications of Artificial Intelligence, 20(3), 365–382.

Cutler, D.R., Edwards Jr, T.C., Beard, K.H., Cutler, A., Hess, K.T., Gibson, J., and Lawler, J.J. (2007). Random forests for classification in ecology. Ecology, 88(11), 2783-2792.

Eberhart; R., and Kennedy, J. (1995). A new optimizer using particle swarm theory. October 1995.

Fisher, F.M., Zak, J.C., Cunningham, G., and Whitford, W.G. (1988). Water and nitrogen effect pattern of creosote bush in northern Chihuahuan Desert. Journal of Range Management, 41(5), 384-391.

Franklin, J. (1995). Predictive Vegetation Mapping: Geographic Modeling of Bio spatial Patterns in Relation to Environmental Gradients. Progress in Physical Geography, 19(4), 474-499. Proceedings of the Sixth International Symposium on Micro Machine and Human Science

Frawley, W.J., Piatetsky-Shapiro, G., and Matheus, C.J. (1992). Knowledge Discovery in Databases: An Overview. AI Magazine, 13(3), 57-70.

Guisan, A., and Zimmermann, N. (2000). Predictive Habitat Distribution Models in Ecology. Ecological Modeling, 135(2-3), 147-186.

Judd, W.S., Campbell, C.S., Kellogg, E.A., Stevens, P.F. and Donoghue, M.J. (1999) Plant Systematics: A Phylogenetic Approach. Sinauer Associates is an imprint of Oxford University, 677p.

Manel, S., Dias, J.M., and Ormerod, S.J. (1999). Comparing discriminant analysis, neural networks and logistic regression for predicting species distributions: A case study with a Himalayan river bird. Ecological Modeling, 120(2-3), 337–347.

Rajaee, T., 2011. Wavelet and ANN combination model for prediction of daily suspendedsediment load in rivers. Science of The Total Environment, 409(15), 2917-2928.

Saad, B., Azaizeh, H., and Said, O. (2005). Tradition and Perspectives of Arab Herbal Medicine: A review. Evidence-Based Complementary and Alternative Medicine, 4(2), 475-479.

Zare Chahouki, M.A., Zare Chahouki, A. (2010). Predicting the distribution of plant species using logistic regression (Case study: Garizat rangelands of Yazd province). Desert, 15(2), 151-158.