Prediction of Dorema ammoniacum density in degraded rangelands with using Neural Network

Document Type : Research Paper

Authors

1 Ph.D student

2 full Prof of College of Agriculture, Ferdowsi University of Mashhad

3 Mohammad Taghi Naseripour Yazdi, Assistant Prof., College of Agriculture, Ferdowsi University of Mashhad, Iran

4 College of Natural Resources, Ferdowsi University of Mashhad, Iran.

5 full Prof., College of Agriculture, Ferdowsi University of Mashhad

Abstract

The Dorema ammoniacum of Apiaceae family is a medicinal, and forage species that wide range of its habitats have been destroying since last 4 decades. At southwest of Sabzevar, was conducted a study for predicting the Kandal density in degraded lands by neural network model in 2014. Independent variables consist of (soil texture, EC, pH, SAR, N, P, K, cations, organic matter and lime) and the dependent variable was Kandal density. After drawing the rangeland border on topographical map and satellite photo, we collected 70 systematic-random samples consisted of independent variables and the dependent variable from Kandal habitat. Of this number, 50 samples for training, 10 samples for cross validation and 10 samples for testing were assigned. Then 8 samples were collected from the degraded rangeland and they input to the model. The results showed that Kandal plant has no even relation with all of environmental agents, and Plant density correlated with EC (-93%), potassium (95%), cations (-92%), SAR (-79%), soil texture (80%), and alkalinity (4%). the least Kandal density with 0.12/m^2 belonged to degraded rangelands that they plowed over the past 45 years, and the most plant density with 0.23/m^2 belonged to degraded rangelands that they have plowed since 3 years ago too. The prediction of the Kandal density showed that the more intense destruction rangeland is increased, the more dispersal will be created in soil agents, and this gradually resulted in migration and extinction of kanal in the future.

Keywords

Main Subjects

پیش­بینی تراکم گیاه کندل (Dorema ammoniacum) در مراتع تخریب‌شده با استفاده از شبکه­های عصبی

علیرضا قاسمی آریان1، پرویز رضوانی‌مقدم2*، محمّدتقی ناصری­پور یزدی2، منصور مصداقی3 و رضا قربانی2

1 مشهد، دانشگاه فردوسی مشهد، پردیس بین­الملل، گروه بوم­‌شناسی زراعی

2 مشهد، دانشگاه فردوسی مشهد، دانشکده کشاورزی، گروه زراعت

3 مشهد، دانشگاه فردوسی مشهد، دانشکده منابع طبیعی

تاریخ دریافت: 28/11/93              تاریخ پذیرش: 29/12/94

چکیده

گیاه کندل از تیره چتریان، یک گونه دارویی صنعتی می­باشد که طی 4 دهه اخیر، سطح وسیعی از رویشگاه آن تخریب شده است. برای پیش­بینی تراکم کندل در مراتع تخریب‌شده به روش شبکه­های عصبی، در سال 1393 پژوهشی در جنوب‌غربی شهرستان سبزوار اجرا شد. متغیرهای مستقل شامل (بافت خاک، EC، pH ، SAR، N، P، K، کاتیون­ها، ماده آلی، درصد آهک) و متغیر وابسته (تراکم گیاه کندل) بود. پس از رسم محدوده مرتع بر روی نقشه توپوگرافی و عکس­های ماهواره­ای، تعداد 70 مثال آموزشی شامل متغیرهای مستقل و وابسته به‌روش تصادفی- سیتماتیک از زیستگاه کندل جمع­آوری و از این تعداد، 50 مثال به آموزش، 10 مثال به اعتبارسنجی و 10 مثال به آزمون شبکه اختصاص داده شد. سپس تعداد 8 نمونه (متشکل از متغیرهای مستقل) از مرتع تخریب‌شده، جمع­آوری و وارد مدل گردید. نتایج نشان داد که وابستگی کندل نسبت به عوامل محیطی یکسان نبوده و همبستگی تراکم گیاه با EC (93%)، پتاسیم (95%)، کاتیونها (92%-)، SAR (79%-)، بافت خاک (80%) و قلیائیت (4%) می­باشد. همچنین کمترین تراکم کندل با  مربوط به مراتعی می­باشد که بیش از 45 سال از تخریب آنها می­گذرد و بیشترین تراکم با  مربوط به مراتع تخریب شده طی 3 سال اخیر می­باشد. پیش­بینی کمّی تراکم کندل نشان داد که هرچه شدت و مدت تخریب مرتع بیشتر باشد، گسستگی بیشتری بین عوامل محیطی ایجاد شده و به‌تدریج باعث حذف و مهاجرت اجباری گونه می‌گردد.

واژه‌های کلیدی: تراکم کندل، مراتع تخریب‌شده، شبکه عصبی

* نویسنده مسئول، تلفن: 09153179085 ، پست الکترونیکی: Rezvani@um.ac.ir

مقدمه

 

گیاه کندل با نام علمی Dorema ammoniacum از تیره چتریان، یک گونه دارویی، صنعتی و علوفه‌ای می­باشد که صمغ آن در صنعت و پزشکی کاربرد دارد (3 و 6). طی سالیان اخیر، دو عامل برداشت بی­رویه از محصولات علوفه­ای و صنعتی کندل و نیز تخریب رویشگاه­های آن بمنظور کشت گندم و هندوانه دیم، باعث شده که نسل این گیاه در معرض نابودی قرار گیرد. در حال حاضر، بر اساس مطالعات اتحادیه بین­المللی حفاظت از طبیعت (IUCN = International Union for Conservation of Nature)،  نام این گونه در کتاب (داده­های سرخ ایران)( Red Data Book of Iran)  به عنوان یک گونه آسیب پذیر و در حال انقراض برای کشور ایران به ثبت رسیده است (23). یکی از عوامل تخریب اراضی مرتعی، تغییر کاربری آنها به زمین­های کشاورزی می­باشد. از سوی دیگر به دلیل حاصلخیزی اندک اراضی مرتعی در مناطق خشک، کشاورزان پس از مدت کوتاهی، زمین­های لم یزرع قدیمی را رها کرده و مراتع جدیدتری را تخریب می‌کنند. به گفته برخی محققان، دو عامل شدت تخریب زمین و تداوم آن، بر ساختمان، بافت، ماده آلی، رطوبت، جابجایی املاح و میکروارگانیسم­های خاک اثر نامطلوب گذاشته و میزان فرسایش و شوری خاک را افزایش می­دهد (5، 15 و 17). از دیدگاه علم اکولوژی، پراکنش گیاهان بر روی کره حیات، نتیجه برهم‌کنش عوامل فیزیوگرافی، خاک و اقلیم می­باشد که در دراز مدت، موزائیک پوشش گیاهی بایوسفر را رقم زده است و اغراق نیست اگر بگوییم که تخریب رویشگاه­های طبیعی منجر به ناپایداری عوامل محیطی و نابودی گیاهان و جانوران در محیط‌زیست می­گردد. یکی از روش­های دقیق برای پیش­بینی پیامدهای ناشی از تغییر کاربری زمین، استفاده از مدل­ شبکه­های عصبی می­باشد. طی دو دهه اخیر اکولوژیست­ها توجه خاصی به این نوع مدل­ها از خود نشان داده­اند. دلیل این توجه از یکسو حجم زیاد، غیر خطی بودن، پیچیدگی، اختلال و هزینه­بر بودن داده­های اکولوژیکی (26) و از سوی دیگر، دقت زیاد این مدل­ها در آشکارسازی روابط و اثرات متقابل عوامل محیطی بر حضور و یا عدم حضور گونه­های گیاهی و جانوری می­باشد (10، 32 و 13). یک شبکه عصبی از تعدادی عصب مصنوعی به نام پرسپترون (Perceptron) تشکیل شده است. پرستپرون، یک بردار خطی، متشکل از یک متغیر ورودی (Xi)، یک نورون (گره)، یک ضریب وزنی (w)، یک عرض از مبدأ (w0) و یک تابع انتقال می­باشد. تابع انتقال، می­تواند زیگموئید، تانژانت هیپوربولیک یا سایر توابع ریاضی باشد که نقش انتقال پیام، از یک سلول به سلول دیگر را عهده­دار می­باشد (7) (شکل 1). یک شبکه عصبی، با توجه به هدف، متشکل 2 یا چند لایه می­باشد و هر لایه با توجه به نوع معماری، از تعداد معینی نورون تشکیل شده است. پرسپترون چند لایه، معمولا دارای یک لایه ورودی (متغیرهای مستقل)، یک یا چند لایه پنهان و یک لایه خروجی (متغیر وابسته یا متغیر هدف) می­باشد. در این تحقیق از پرسپترون چهار لایه استفاده شد (8 و 25) (شکل 2).

 

 

 

 

 

 

 

شکل 1- نمایش یک پرسپترون و انطباق بخش­های مختلف آن با یک سلول بیولوژیک

 

 

 

 

 

 

شکل 2- یک شبکه پرسپترون، متشکل از یک لایه ورودی، دو لایه پنهان و یک لایه خروجی

 

برای استفاده از شبکه عصبی، باید آن را آموزش داد. بدین معنا که ابتدا تعدادی مثال آموزشی متشکل از متغیرهای مستقل و وابسته به شبکه ارائه می­گردد. این مثال­ها که زوج­های آموزشی نام دارند، اساس محاسبات و آموزش یک شبکه عصبی مصنوعی را تشکیل می­دهد. در مرحله آموزش، ابتدا، متغیرهای مستقل، به نورون­های لایه اول ارائه می­شود؛ سپس هر یک از متغیرهای ورودی در یک عدد تصادفی در دامنه اعداد حقیقی ضرب و حاصل آن با یک مقدار تصادفی دیگر (عرض از مبدأ) (Bias) جمع می­شود. چنانچه حاصل جمع نورون، برابر آستانه و یا بیشتر از آن باشد، نورون فعال شده و به لایه بعدی، سیگنال ارسال می­کند در غیر اینصورت، نورون لایه بعد فعال نمی­شود. مقدار آستانه بستگی به نوع تابع انتقال دارد. در این تحقیق از تابع تانژانت هیپوربولیک (معادله 1) استفاده گردید. تابع هیپوربولیک، ابتدا خروجی نورون را در دامنه (1+ تا1-) استاندارد کرده و بعد آن را به نورون لایه بعدی انتقال می­دهد. در شبکه­های عصبی پرسپترون چند لایه، از قانون آموزش رو به جلو استفاده می­شود. در این نوع آموزش، خروجی لایه اول، بردار ورودی برای لایه دوم و خروجی لایه دوم، بردار ورودی برای لایه سوم و این روند ادامه یافته تا در نهایت رفلکس به لایه آخر برسد (16). پس از ارائه تمامی مثال­های آموزشی به شبکه، که در مجموع یک تکرار (Epoch) را تشکیل می­دهد، خروجی محاسبه­شده، با خروجی واقعی مقایسه شده و چنانچه اختلاف معنی­داری بین دو عدد وجود داشته باشد، الگوریتم آموزشی به عقب برگشت کرده و در میسر برگشت وزن­ها را اصلاح و مجددا" رو به جلو حرکت می­کند. این عملیات می­تواند چندین بار تکرار شود تا اینکه وزن­های مناسب برای هر پرسپترون تعیین شود. یک شبکه خوب آموزش یافته، شبکه­ای است که بردارهای وزن آن به نحوی تعیین شود که خروجی محاسبه شده با خروجی واقعی، کمترین اختلاف را داشته باشد و به عبارت دیگر مقدار خطا در حداقل باشد (1).

       معادله (1):         

در شبکه­های پرسپترون برای کم کردن خطا از قانون دلتا (حداقل میانگین مربعات خطا) استفاده می­کنند که بر پایه مشتق جزئی استوار است. در این قانون، الگوریتم بازگشتی، با استفاده از اطلاعات محلی (نقطه به نقطه) در فضای بردارهای وزن، همواره در جهت کاهش شیب خطا عمل می­کند (11، 20، 28 و 29)، معادلات (2، 3 و 4).

    معادله (2):            

   در معادله (2)،  مقدار خطای لایهi  ام در تکرار n ام،  مقدار خروجی واقعی و   مقدار خروجی محاسبه شده می­باشد.

   معادله (3):                   

در معادله (3)،  میانگین مربعات خطا در هر تکرار می­باشد. در روش بازگشتی خطا، با گرفتن مشتق جزئی از معادله (3) مقدار  به دست می­آید که با اضافه کردن آن به وزن نورون­های شبکه، خروجی مدل تصحیح می­گردد. بدین ترتیب الگوریتم بازگشتی می­تواند مطابق معادله (4) وزن­های مناسبی را برای هر پرسپترون انتخاب کرده و شبکه را آموزش دهد.

    معادله(4): 

در معادلات (4)،  متغیر مستقل، j (شماره لایه) و ، تصحیح وزن بردار سلول بعدی در لایه i ام و نرون j ام می­باشد که متأثر از تصحیح وزن سلول (ما قبل خود)  است.  تفاضل خروجی واقعی و محاسبه شده نورون می­باشد که به خطای محلی معروف است.  ، اندازه گام و ، گشتاور، ضرایبی هستند که در مجموع میزان یادگیری پرسپترون را عهده­دار بوده و حین آموزش به صورت آزمون و خطا تعیین می­شوند (7). گشتاور، باعث سرعت بخشیدن به همگرایی شبکه و پایداری وزن­ها حین یادگیری می­گردد و اندازه گام باعث می­شود که الگوریتم در زمان جستجو برای یافتن کمترین شیب خطا در فضای وزن­ها در حداقل‌های محلی گرفتار نشده و بتواند به کمترین شیب خطا دست یابد.

گاهی شبکه عصبی به جای یادگیری، داده­ها را حفظ می­کند. این کار باعث بروز خطای بیش برازش می گردد (22 و 19). برای پیشگیری از این نوع اشتباه از راهکاری به نام اعتبار­سنجی استفاده می­شود. معمولا حدود 15 درصد از مجموع کل داده­ها، طی مرحله آموزش به اعتبارسنجی شبکه اختصاص می­یابد. این کار باعث می­شود شبکه در مسیر آموزش که از طریق آزمون و خطا به دنبال یافتن وزن­های صحیح می­گردد از داده­های واقعی اعتبارسنجی کمک گرفته تا مسیر خود را اصلاح کرده و به بی­راهه نرود. پس از آموزش، لازم است شبکه آزمون شود. داده­های آزمون که به داده­های دیده نشده معروفند و حدود 15% داده­ها را تشکیل می­دهد، حین آموزش از دید شبکه، پنهان بوده و پس از آموزش، وارد مدل می­شود. این داده­ها می­توانند میزان همبستگی بین خروجی محاسبه شده با خروجی واقعی و نیز مقدار خطای حاصل از اختلاف دو مقدار فوق را نشان دهد. چنانچه خطای مرحله آزمون کم باشد و همبستگی قابل قبولی بین مقدار پیش­بینی شده و خروجی واقعی برقرار باشد، می­توانیم از مدل، برای پیش­بینی اهداف تحقیق استفاده کنیم. در این تحقیق برای بررسی تأثیر تخریب مرتع بر نیازهای اکولوژیکی و تراکم گونه کندل از شبکه پرسپترون چند لایه که در مطالعات محیطی کارآمد می­باشد، استفاده گردید. (12 و 18).

مواد و روشها

در بهار سال 1393، منطقه­ای به مساحت 3526 هکتار در 65 کیلومتری جنوب غربی شهرستان سبزوار با مختصات جغرافیایی '31,°57 طول شرقی و '41, °35 عرض شمالی انتخاب و محدوده آن بر روی نقشه­ توپوگرافی 1:25000 و عکس­های­ گوگل ارث ترسیم شد (شکل 3).

 

 

 

 

 

 

 

 

 

 

 

شکل 3- موقعیت منطقه مورد مطالعه بر روی عکس (گوگل ارث 2013)

سپس اطلاعات فیزیوگرافی از روی نقشه­های­ توپوگرافی 1:25000 (شکل 4، الف) و متوسط شیب رویشگاه کندل به روش GIS محاسبه گردید. همچنین، اطلاعات اقلیمی منطقه، شامل میانگین درجه حرارت و متوسط بارش سالانه به روش رگرسیون با استفاده از روابط (5) و (6) به دست آمد.

معادله (5):     R = -0.893          T = 23.5 – 0.0066X

  معادله (6):     R = 0.968            P = 0.073X + 68.49

در معادله (5) و (6)، T متوسط دمای سالانه (درجه سانتیگراد)، P مقدار بارش سالیانه (میلیمتر) و X ارتفاع از سطح دریا (متر) می­باشد. جدول 1، متوسط عوامل فیزیوگرافی واقلیمی زیستگاه کندل را نشان می­دهد.

سپس در داخل تیپ گیاهی کندل، در امتداد 8 ترانسکت، 70 نقطه به روش تصادفی- سیستماتیک انتخاب و اطلاعات مربوط به خاک و نیز تراکم کندل برای هر نمونه، جمع­آوری گردید. عمق نمونه­گیری از خاک 30 سانتیمتر (عمق نفوذ ریشه گیاه کندل) و نمونه­ها پس از برداشت در آزمایشگاه مورد تجزیه شیمیایی قرار گرفتند. بدین ترتیب، متغیرهای مستقل شامل: (بافت خاک، EC، pH ، SAR، N، P، K، کاتیونها، ماده آلی، درصد آهک) و متغیر وابسته (تراکم گونه کندل) در 70 تکرار جمع­آوری گردید. در این تحقیق برای تحلیل داده­ها از نرم افزار نروسلوشن نسخه 5 (Neurosolutionver.5) استفاده شد.

 

جدول 1- متوسط اطلاعات فیزیوگرافی و اقلیمی 8 نقطه از زیستگاه تخریب‌شده گیاه کندل

متوسط بارش سالانه (mm)

متوسط درجه حرارت سالانه (oC)

شیب زمین (%)

ارتفاع از سطح دریا (m)

171

22/14

1

1406

 

داده­های جمع­آوری شده ابتدا وارد نرم­افزار اکسل شده و پس از کنترل واحدها آماده انتقال به نرم­افزار شبکه عصبی گردید. سپس داده­ها توسط نرم­افزار نروسولوشن فراخوان شده و از صفحه اکسل وارد نرم­افزار شد. به دلیل اینکه شبکه­های عصبی، در تحلیل داده­ها از توابع ریاضی استفاده می­کنند و همچنین واحد اندازه­گیری متغیرهای مختلف یکسان نمی­باشد، داده­ها به نرمال تبدیل شدند (7). در نرم افزار نروسلوشن، عملیات نرمال­سازی بر اساس معادله (7) انجام شد و داده­ها در دامنه 05/0 تا 95/0 استاندارد شدند.

معادله (7):   

در این تحقیق، برای آموزش شبکه از 70 درصد داده­های جمع­آوری شده (مثال­های آموزشی) استفاده گردید. شروع آموزش، با اضافه کردن لایه­های مخفی از یک تا 4 لایه و با ثابت نگهداشتن سایر پیش ­فرض­های شبکه انجام شد. پس از هر مرحله تغییر، با اجرای مدل مقدار خطا محاسبه شد. بدین ترتیب مشخص گردید که چند لایه مخفی برای مدل مناسب است. در گام بعد، تعداد نورون در هر یک از لایه­های مخفی به دست آمد. برای تعیین تعداد نورون در هر یک از لایه­های مخفی، با ثابت نگهداشتن بقیه پارامترهای شبکه، طی پنج مرحله، با افزایش و یا کاهش 10 درصد تعداد نورون­های لایه­های مخفی، شبکه آزمایش شد و در نهایت کمترین مقدار خطا مجاسبه گردید. بعد از تعیین تعداد نورون­های لایه­های مخفی، نوع تابع انتقال در لایه­های مختلف با دو گزینه سیگموئید و تانژانت هیپوربولیک آزمون شد و مؤثرترین تابع انتقال، تعیین گردید. در مرحله بعد با تغییر اندک در پارامترهایی مانند گشتاور و اندازه گام، به روش آزمون و خطا، بهترین مدل شبکه عصبی با کمترین خطای ممکن به دست آمد. برای پیش­گیری از ایجاد خطای بیش برازش (22 و 19)، 15 درصد از داده­های جمع­آوری شده، به اعتبار­سنجی متقابل اختصاص داده شد. پس از تهیه مدل، برای اطمینان از درستی آن، با وارد کردن 15 درصد داده­ها (داده­های دیده نشده) به مدل، شبکه مورد آزمون قرار گرفت و میزان همبستگی بین خروجی محاسبه شده با خروجی واقعی به دست آمد. همچنین بر روی متغیرهای مستقل، آنالیز حساسیت انجام شد و ارتباط هر یک از متغیرها با تراکم گیاه کندل در سطح اطمینان 5% به دست آمد. در مرحله آخر، پس از آزمون مدل و اطمینان از صحت آن، از بخش مراتع تخریب­شده­ منطقه مورد مطالعه، تعداد 8 نمونه شامل متغیرهای مستقل، به صورت تصادفی- سیستماتیک جمع­آوری گردید. اولین نمونه­­ مربوط به ابتدای حوزه و 7 نمونه دیگر به سمت جنوب غربی منطقه، به فواصل یک کیلومتر از یکدیگر برداشت گردید (شکل 4، ب) و (جدولهای 2).

نتایج

نتایج نشان داد، از مجموع 1000 تکرار آموزشی در بخش تعلیم شبکه، کمترین میزان خطای آموزش شبکه از تکرار 890 به دست آمد؛ ولی از نظر اعتبار سنجی، بهترین آموزش شبکه در تکرار بیستم اتفاق افتاد، بنابر این تکرار بیستم به عنوان بهترین مدل آموزشی انتخاب شد (جدول 3). 

همچنین بر اساس معماری شبکه (جدول 4)، نمودار همبستگی بین مقادیر خروجی واقعی و خروجی شبیه­‌سازی شده در بخش آموزش، نشان داد که شبکه پرسپترون 4 لایه، از دقت قابل قبولی برای پیش­بینی تراکم گونه کندل در اراضی تخریب شده برخوردار است (r = 0.99) (شکل 5).

 

جدول 2- اطلاعات مربوط به خاک، از 8 نقطه زیستگاه تخریب‌شده گیاه کندل

خصوصیات فیزیکی و شیمیایی خاک

شماره

نمونه

بافت*

pH

EC(ds/m)

Cations

SAR

%CaCO3

%N

P(ppm)

K (ppm)

%OM

1

2

8

75/1

3/17

3/2

27

012/0

5/1

50

1/0

2

1

1/8

71/1

17

3/4

5/27

015/0

8/1

40

12/0

3

2

0/8

8/0

9/6

16/0

6/29

012/0

2/2

335

2/0

4

2

8

66/0

8/5

36/0

5/34

025/0

5/2

417

2/0

5

2

8

63/0

2/6

12/0

75/33

020/0

2

428

16/0

6

3

9/7

78/0

6/7

21/0

5/25

015/0

2

350

18/0

7

3

1/8

61/0

8/5

36/0

8/35

033/0

7/2

439

21/0

8

3

1/8

56/0

4/5

61/0

5/35

027/0

2

470

2/0

*: (1= شنی، 2= شنی- لومی، 3= لومی- شنی، 4= لومی)    

 

 

 

 

 

 

 

 

 

 

                                              (الف)                                                                    (ب)

شکل 4- محدوده مورد مطالعه بر روی نقشه توپوگرافی (الف)؛ نقاط نمونه­گیری بر روی عکس گوگل ارث (ب)

 

 

جدول 3- آنالیز خطا زمان آموزش شبکه

-

آموزش شبکه

اعتبارسنجی شبکه

تکرار

890

20

حداقل خطا

000000654026/0

002432390/0

خطای نهایی

00000237833/0

04402633/0

 

جدول 4- معماری شبکه پرسپترون برای آموزش شبکه

تعداد مثال

گشتاور

اندازه گام

تابع فعال کننده

تعداد نرون

لایه­ها

آموزشی (50)

7/0

17/1

-

14

لایه ورودی

اعتبارسنجی (10)

7/0

17/1

تانژانت هیپوربولیک

8

لایه پنهان اول

آزمون (10)

7/0

117/0

تانژانت هیپوربولیک

7

لایه پنهان دوم

-

7/0

01/0

تانژانت هیپوربولیک

1

لایه خروجی

 

 

 

 

 

 

 

 

شکل 5- همبستگی بین خروجی واقعی و شبیه‌سازی‌شده در بیستمین تکرار آموزشی

 

 

 

 

 

 

 

 

شکل 6- همبستگی بین خروجی واقعی و شبیه‌سازی‌شده در بخش آزمون شبکه (r=0.97)

 

در بخش آزمون شبکه، نتایج نشان داد که اختلاف بین خروجی واقعی و خروجی شبیه سازی شده، بسیار اندک بوده، بنابراین، مدل به دست آمده برای برآورد تراکم کندل، در اراضی تخریب شده منطقه مورد مطالعه مناسب است، (جدول 5) و (شکل 6).

نتایج حاصل از آنالیز خصوصیات خاک، توسط مدل شبکه عصبی نشان داد که تراکم کندل، با متغیرهای SAR، آنیونها / کاتیونها و EC همبستگی منفی و با سایر متغیرهای مستقل، همبستگی مثبت دارد.

جدول 5- خطای حاصل از خروجی شبیه­سازی‌شده و خروجی واقعی در بخش آزمون

پارامترهای مربوط به آزمون شبکه

-

حداقل مربعات خطا (MSE)

000095089/0

حداقل مربعات خطای نرمال شده (NMSE)

071127751/0

حدافل خطای مطلق

000100823/0

حداکثر خطای مطلق

0096257850/0

همچنین بیشترین همبستگی تراکم کندل با  متغیرهای شوری (EC)، آنیونها/کاتیونها، پتاسیم، بافت خاک و کمترین آن با قلیائیت مشاهده شد (جدول 6). به عبارت دیگر، هرچه ماده آلی، پتاسیم، فسفر، نیتروژن و آهک خاک افزایش یابد احتمال حضور گیاه کندل و تراکم آن افزایش می­یابد. از سوی دیگر، عواملی مانند، افزایش کاتیونها، SAR، شوری (EC) و قلیائیت خاک باعث کاهش تراکم گونه کندل می­گردد. در این میان بافت خاک تأثیر زیادی بر تراکم گیاه کندل دارد. هر چه بافت خاک متعادل­تر باشد (شنی – لومی) برای رویش گیاه کندل مناسب­تر است. از طرف دیگر نتایج آزمون آنالیز حساسیت گویای آن است که هر چند همبستگی متغیرهایی مانند فسفر، نیتروژن، آهک و قلیائیت با تراکم گیاه کندل در سطح اطمینان 5% معنی دار نمی­باشد؛ ولی در کنار هم نقش هم­افزایی داشته و در پیش­بینی تراکم کندل دخالت دارند.

جدول 6- همبستگی بین متغیرهای مستقل با تراکم پیش­بینی‌شده گیاه کندل

متغیرهای مستقل

متغیر وابسته (تراکم کندل)

ماده آلی

r = 0.87*

پتاسیم

r = 0.95 *

فسفر

r = 0.59 ns

نیتروژن

r = 0.61ns

آهک

r = 0.66ns

SAR

r = -0.80 *

آنیونها/کاتیونها

r = -0.92*

EC

r = -0.93*

pH

r = 0.04 ns

بافت خاک

r = 0.80 *

*و ns: به‌ترتیب معنی­دار و غیرمعنی­دار در سطح 5 درصد را نشان می­دهد.

نتایج حاصل از پیش­بینی مدل، در اراضی تخریب شده مرتعی نشان داد که تخریب مرتع بر تراکم کندل تأثیرگذار بوده و تراکم کندل از نمونه شماره 1 تا نمونه شماره 8 یک روند افزایشی از خود نشان می­دهد (شکل 7). مطابق نمودار شکل 7، کمترین مقدار تراکم گیاه کندل (12/0 در متر مربع) مربوط به نمونه شماره یک و بیشترین مقدار آن با (23/0 در متر مربع) برای نمونه شماره 8 برآورد گردید. این مطلب حاکی از آن است که هر چه مدت زمان تخریب مرتع بیشتر باشد، احتمال حضور گونه کندل کاهش می­یابد (شکل 8). به عبارت دیگر، نمونه شماره 1، که بیش از 45 سال از زمان تخریب آن می­گذرد نسبت به نمونه شماره 8 ، که مراتع آن طی 3 سال اخیر تخریب شده است یک کاهش 52 درصدی از خود نشان می­دهد. این کاهش تراکم گیاه کندل، در اراضی تخریب شده قدیمی، گویای این واقعیت است که هر چه اراضی مرتعی، مدت بیشتری تحت تنش ناشی از شخم قرار گیرند، گسستگی بیشتری بین اجزای اکوسیستم بوجود می­آید تا جایی که بردباری گونه نسبت به دگرگونی عوامل محیطی کاهش یافته و در صورت افزایش و تداوم تنش ناشی از شخم اراضی، گیاه مجبور به ترک منطقه و مهاجرت اجباری می­گردد.

 

 

 

 

 

 

 

 

 

 

شکل 7- روند تأثیر تخریب اراضی مرتعی، بر تراکم گیاه کندل، در 8 نقطه از اراضی مرتعی تخریب­شده

 

 

 

 

 

 

 

 

 

 

شکل 8- همبستگی بین مدت تخریب اراضی مرتعی و تراکم کندل

بحث

در رابطه با تأثیر تغییر کاربری اراضی مرتعی بر پوشش گیاهی، مطالعات کیفی زیادی گزارش شده است. در همین خصوص، مطالعات دیگر محقّقان، حاکی از آن است که تخریب اراضی مرتعی و تغییر کاربری آنها به کشاورزی، باعث حذف پوشش گیاهان بومی (5 و 31)، تغییر ترکیب گیاهی (2)، ایجاد فرسایش و جابجایی املاح خاک (15، 30، 24 و 5)، کاهش نگهداری آب در خاک (30)، کاهش ماده آلی خاک (30، 5 و 33)، ایجاد سله و به هم خوردن ساختمان خاک (5)، کند شدن سیستم هیدرولوژیک خاک، کاهش فعالیت میکروبی و شور شدن خاک (15)، هدررفت کربن خاک و افزایش دی اکسید کربن هوا (21 و 33) می گردد. همچنین طی یک تحقیق که بر روی اراضی تخریب شده با قدمت 50 ساله انجام شد؛ معلوم گردید که طولانی بودن مدت زمان تخریب، باعث تغییر بافت و کاهش قطر خاکدانه­های خاک می­گردد (9). با توجه به پیش­بینی گونه کندل، در زیستگاه تخریب شده، می­توان امیدوار بود، اراضی که مدت زمان زیادی از عمر تخریبی آنها نگذشته است، در صورت اعمال عملیات قرق توام با بذرپاشی احتمال بازگشت گونه و استقرار مجدد آن وجود دارد. از آنجایی که گیاه کندل، یک گونه مقاوم به خشکی می­باشد؛ از این‌رو حفظ و تکثیر آن در مناطق خشک و نیمه خشک ایران به عنوان یک گونه مهم دارویی مفید و ضروری می‍باشد (4). به طور کلی نتایج این تحقیق موّید این واقعیت است که تغییر کاربری زمین، یک فرایند پیچیده است که کلیه پارامترهای اکوسیستم را تحت تأثیر قرار داده و در دراز مدت اثرات زیانباری بر اکوسیستم­های طبیعی می­گذارد (33 و 15). از سوی دیگر، باید اذعان کرد که هر چند مطالعات کیفی می­تواند تغییرات پوشش گیاهی ناشی از تغییر کاربری اراضی مختلف را با یکدیگر مقایسه کند؛ اما قادر به برآورد کمّی پتانسیل زمین، برای رویش گیاهان نمی­باشد. از این‌رو، ضروری به نظر می­رسد، در کنار شاخص­های کیفی از مدل­های کمّی برای شناخت مشکلات ناشی از تغییر کاربری اراضی مرتعی و تأثیر آن بر اکوسیستم­های مرتعی و مدیریت بهتر اراضی تخریب­شده استفاده کرد (14و 27). 

1- جورابیان، م. و زارع، ط. 1384. شبکه های مصنوعی. اهواز. مرکز نشر دانشگاه شهید چمران.
2- زارع چاهوکی، م.، حسینی، م. و طویلی، ع. 1394. بررسی عوامل موثر بر تغییرات تنوع گونه­ای در مراتع طالقان میانی (مطالعه موردی: مراتع اطراف روستای وشته). مجله پژوهشهای گیاهی(زیست شناسی ایران)، 28 (2): 315-307.
3- زرگری، ع.، 1371. گیاهان دارویی. جلد دوم. انتشارات دانشگاه تهران، تهران، چاپ ششم. 942 صفحه.
4- صالحی شانجانی، پ.، ایزدپناه، م.، فلاح حسینی، ل.، رمضانی یگانه، م.، رسول­زاده، ل.، کاوندی، آ.، سردابی، ف.، پهلوانی، م.، امیرخانی، م. و سیدیان، س.ا. 1394. مقایسه تنش خشکی بر تنظیم اسمزی، پراکسیداز، پلی فنل اکسیداز و پیگمانها در نمونه­های بذری مختلف بابونه کاذب و بابونه زرد
 Anthemis tinctoriaوTripleurospermum servanes بانک ژن منابع طبیعی ایران. مجله پژوهشهای گیاهی (زیست شناسی ایران)، 24 (1): 139-126.
5- مصداقی، م، و قبادی، م. 1389. بررسی اثرات فعالیت­های مدیریتی بر روی ساختار و عملکرد اکوسیستم مرتع (مطالعه موردی: مراتع استپی رودشور)
6- مظفریان، و. 1362. خانواده چتریان در ایران (کلید شناسایی و پراکنش). انتشارات موسسه تحقیقات جنگلها و مراتع.
7- منهاج، م. ب.، 1377. مبانی شبکه­های عصبی. چاپ اول. تهران. مرکز نشر پرفسور حسابی.
8- منهاج، م. ب.،1381. مبانی شبکه­های عصبی(هوش محاسباتی)،جلد اول.دانشگاه صنعتی امیرکبیر.715 ص.
 
9- Ajami, M. 2007. Soil quality attributes micropedology and clay mineralogy as affected by land use change and  geomorphic  position  on  some  loess-derived soils in eastern Golestan Province, Agh-Su wastershed. M.Sc.  Thesis. Gorgan University of Agricultural Sciences and Natural Resources. 191p. (In Persian).
10- Arbelaez, F., and Bouten, W. 2005. Applications of Artificial Neural Networks in Ecology A critical review of the used techniques. Institute for Biodiversity and Ecosystem Dynamics Facutly of Science Universiteet van msterdam, 27pp.
11-Baldi P. 1995. Gradient descent learning algorithm overview: a general dynamical systems perspective. IEEE Trans Neural Networ. 6(1):182 – 195
12-Baughman, D.R., Liu, A., 1990. Neural Networks in Bioprocessing and Chemical Engineering. Academic Press, New York.
13-Bradshaw, C.J.A., Davis, L.S., Purvis, M., Zhou, Q., and Benwell,G.L. 2002. Using artificial neural networks to model the suitability of coastline for breeding by New Zealand fur seals (Arctocephalus forsteri).-Ecological modelling 148 (2002): 111-131.
14-Caldwell, LK. 1998.The National Environmental Policy Act: an agenda for the future. Bloomington, IN: Indiana University Press;
15-Celik, 2005. Land-use effects on organic matter and physical properties of soil in a southern Mediterranean highland of Turkey, Soil and Tillage Research 83: 270–277.
16-Chelani, A. B., R. C. V. Chalapati, K. M. Phadke, and M. Z. Hasan. 2002. Prediction of sulphur dioxide concentration using artificial neural networks. Environ. Modell. Softw. 17:161–168.
17-Emadi M., Baghernejad, M. and Memarian, H.R. 2008. Effect of land-use change on soil fertility characteristics within water–stable aggregates of two cultivated soils in northern Iran, Journal of Applied Sciences 8(3): 496-502.
18-Gardner, M.W., Dorling, S.R. 1998. Artificial neural network (the multilayer perceptron)—a review of applications in the atmospheric sciences. Atmos. Environ, 32, 2627–2636.
19-Govindaraju, R. S. (2000a). Artificial neural network in hydrology, I preliminary concepts. Journal of Hydrologic Engineering, 5(2), 115-123.
20-Graupe D. 2007. Principles of artificial neural networks. 2nd ed. Singapore Singapore: (Advanced series on circuits and systems; vol. 6) World Scientific.
21-Hajabbasi, M. A. and A. A. Zolfaghari. 2006. Effects of changing pasture to arable land on moisture release curve in soils of southwest Isfahan. International Conference on Preferential flow and transport processes in soil, 4-9 November, 2006 Centro Stefano Franscini, Monte Verità Ascona, Switzerland
22-Haykin, S., 1991. Neural Networks: A Comprehensive Foundation  Prentice Hall Inc., Engle wood, pp. 213–214
23-Jalili, A. and Jamzad, Z., 1999. Red data book of Iran, frist ed, Research Institute of Forests and Rangelands, Ministry of Jahad-e Sazandegi, Iran, pp 657-669.
24-Ludwi g,  D,  Tongway,  D,  Freudenberger,  D,  Nobl e,  Hodgi nson,  D.1997.  Land  scape ecol ogy  and management,  pri nci ple  of  Australi a,  s rangel and.  CSIRO publi cati on.  Pp, 123.
25-Menhaj,  M.B.,  2001.  Computational  intelligence,  fundamentals  of  neural networks.  2nd  ed.,  Amir  Kabir  University of  Technology,  Tehran:  Iran  (In Persian).
26-Park, Y.S., Céréghino, R., Compin, A., and Lek, S. 2003a. Applications of artificial neural networks for patterning and predicting of aquatic insect species richness in running waters, Ecological Modelling 160(2003):265-280.
27-Pellant, M,. Pyke, D,. Shaver, P,. and Herrick, J. 2005. Interpreting Indicators of Rangeland Health ,Version 4, Printed Materials Distribution Service, BC-652. USA, pp136.
28-Principe JC, Euliano NR, Lefebvre WC. 2000. Neural and adaptive systems: fundamentals through simulations. New York: Wiley
29-Principe JC, Lefebvre WC, Lynn G, Fancourt C, Wooten D. 2007. NeuroSolutions – documentation the manual and on-line help
30-Rezaei, S.  At, H.  Arzani ,  D. Tongway. 2005.  Assessing  rangel and  capability  in  Iran  using landscape  functi on  indices  based  on  soil   surface  attributes.  Journal   of   Arid  Environments  (in press).
31-Tongway, David and Ludwig, John. 2002. Reversing Desertification in Rattan Lal (ED) Encyclopaedia of Soil Science. Marcel Dekker, New York.
32-Wijk, M.T., and Bouten,W. 1999. Water and carbon fluxes above      European coniferous forest modelled with artificial neural networks. Ecological  Modelling, 120(1999): 181-197.
33-Zolfaghri, A.A., and Hajabbasi, M. 2008. The effects of land use change on physical properties and water repellency of soils in Lordegan forest and Freidunshar pasture. Journal of Water and Soil, 22 (2): 55-61
Volume 29, Issue 4
March 2017
Pages 843-854
  • Receive Date: 17 February 2015
  • Revise Date: 14 March 2016
  • Accept Date: 09 March 2016