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- گروه‌ها/جوامع‌گیاهی با استفاده از پایگاه اطلاعاتی ترکیب‌گیاهی جنگل‌های شمشاد هیرکانی (Buxus hyrcana Pojark.) ارزیابی شد. برای این منظور، نخست گروه‌های بوم‌شناختی و جامعه‌شناختی 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 طبقه‌بندی مشتمل بر 7 سطح طبقه‌بندی به عنوان گروه‌ها/ جوامع‌گیاهی اولیه به روش MLP معرفی شد. سپس با اختصاص داده‌ها در سه مجموعه آموزش (%70)، آزمون (%15) و اعتبارسنجی (%15)، طبقه‌بندی در هر سطح از دو دارنگاره انجام شد. نتایج نشان داد با افزایش سطح طبقه‌بندی از میزان انطباق جوامع گیاهی حاصله از روش MLP با گروه‌های بوم‌شناختی (از 99 درصد تا 60 درصد) و جامعه‌شناختی اولیه (از 98 درصد تا 68 درصد) به‌ترتیب از سطح‌قطع 1 تا 7 کاسته می‌شود. 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 طبقه‌بندی MLP براساس نتایج اولیه طبقه‌بندی روش TWINSPAN در سطح بالاتری نسبت به جوامع گیاهی حاصله از روش براون- بلانکه قرار دارد. انطباق مناسب نتایج طبقه‌بندی روش MLP با نتایج سطح پنجم دارنگاره طبقه‌بندی حاصله از دو روش عددی (%90) و تجربی (%89) می‌تواند بیانگر کیفیت مطلوب روش MLP در طبقه‌بندی جوامع گیاهی باشد. بنابراین نتایج تحقیق تصریح می‌کند روش MLP می‌تواند به عنوان یک روش مناسب در فرآیند تخصیص قطعه نمونه-گروه/اچتماع گیاهی مدنظر قرار گیرد.