TY - JOUR ID - 98146 TI - ارزیابی و مدل‌سازی شبکه عصبی درختان چنار خطرآفرین فضای سبز شهری JO - فصلنامه علوم محیطی JA - ENVS LA - fa SN - 1735-1324 AU - نافیان, مژده AU - بهمنی, محسن AU - قهساره اردستانی, الهام AU - سلطانی, علی AD - گروه علوم جنگل، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران AD - گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران Y1 - 2020 PY - 2020 VL - 18 IS - 2 SP - 77 EP - 94 KW - جنگلداری شهری KW - معیار شدت خطرآفرینی KW - آنالیز مولفه‌های اصلی KW - شبکه عصبی پرسپترون چند لایه DO - 10.29252/envs.18.2.77 N2 - سابقه و هدف: فضای سبز به‌عنوان یکی از با ارزش ترین ارکان زنده کالبد شهری دارای اهمیت بالایی است. در برنامه ­ریزی و مدیریت این فضا، شناسایی و ثبت اطلاعات مربوط درختان کشت‌شده در خیابان برای ارزیابی احتمال بروز خطر ناشی از آن‌ها امری ضروری است. بخش بزرگی از درختان چنار1 کهنسال در شهرهای صنعتی و پرجمعیت در معرض انواع آلودگی‌های آب و هوایی، خشکسالی‌های مکرر و تنش‌های فیزیکی قرار دارند که سبب کاهش مقاومت این درختان می‌شود. شناسایی درختان در معرض خطر را می‌توان توسط انواع روش‌های آماری اولویت‌بندی کرد. یکی از مدل‌های آماری کمتر استفاده شده در این مورد، شبکه عصبی مصنوعی 2(ANN) است. بر همین اساس پژوهش حاضر به‌منظور ارزیابی و مدل‌سازی درختان چنار خطرآفرین فضای سبز خیابان کوالالامپور شهر اصفهان توسط ANN در سال 1397 انجام شد. مواد و روش ­ها: در پژوهش حاضر معیار شدت خطرآفرینی درختان چنار در خیابان کوالالامپور شهر اصفهان با روش آماربرداری صددرصد با استفاده از متغیرهای کمی و معیارهای شدت خطرآفرینی (کیفی یا عیوب) مورد مطالعه قرار گرفت. پس از تعیین سهم معیارهای خطرآفرین و درجه اهمیت آن‌ها در درختان چنار، آنالیز کروسکال – والیس3 بین تعداد درختان در معیارهای مختلف خطرآفرینی صورت گرفت. در مرحله بعد، درختان از نظر معیارهای خطرآفرینی وزن‌دهی شدند. سپس بر مبنای اعداد حاصل از وزن‌دهی بر اساس طبقه ­بندی تجربی به 5 طبقه ­ی خطرآفرین تقسیم شدند. همچنین به‌منظور پردازش داده‌های متغیرهای کمی، معیارهای شدت خطرآفرین، متغیر وزن‌دهی و طبقه‌های شدت خطرآفرینی از آنالیز مولفه‌های اصلی4 (PCA) و شبکه پرسپترون چند لایه‌ی5 (MLP) شبکه عصبی استفاده شد. نتایج و بحث: نتایج معیار شدت خطرآفرینی نشان داد متغیرهای زخم روی تنه و ریشه (83%)، وضعیت و ضعف ساختاری یا ضعف فیزیکی یا انحراف از راستای قائم (61%)، مشکل‌های ریشه (54%) و خشکیدگی شاخه و سرشاخه‌ها (50%) دارای سهم قابل توجهی هستند. همچنین در نتایج حاصل از آزمون کروسکال - والیس معیار شدت خطرآفرینی درختان چنار، مشاهده شد که تعداد درختان بین 4 طبقه بدون خطر یا سالم، خطر کم، خطر متوسط و خطر زیاد در سطح خطای یک درصد دارای اختلاف معنی‌دار هستند. نتایج مقایسه میانگین آزمون دانکن نشان داد که طبقات بدون خطر و خطر کم در یک دسته و طبقات خطر متوسط و خطر زیاد در دسته دیگر با هم در سطح خطای یک درصد دارای اختلاف معنی‌دار هستند. نتایج حاصل از PCA نشان دهنده این است که محور اول و دوم، 44.69 درصد از تغییرات کل را در برمی‌گیرند. پارامترهای وزن‌دهی و طبقات خطرآفرینی با خشکیدگی شاخه و سرشاخه‌ها، قطر درخت، پوسیدگی پیشرفته و زخم روی تنه و ریشه همبستگی بالا و مثبت را نشان دادند. به‌طور کلی دو متغیر زخم روی تنه و ریشه و خشکیدگی شاخه و سرشاخه‌ها از مهمترین متغیرهای موثر در تعیین شدت خطرآفرینی درختان چنار در منطقه مورد مطالعه در دو روش بیان شده هستند. با توجه به ضرایب تبیین بالای داده‌های آموزشی، اعتبارسنجی، ارزیابی و در نهایت همه داده‌های شبکه عصبی (0.999، 0.949، 0.996 و 0.991) و حداقل میانگین مربعات خطا (داده‌های آموزشی=0.052، ارزیابی=0.114 و اعتبارسنجی=0.044) در طبقه‌بندی شدت خطرآفرینی درختان چنار، دقت شبکه عصبی در پیش‌بینی طبقات شدت خطرآفرینی از سطح بسیار مطلوبی برخوردار است و همچنین منطبق بودن خروجی شبکه عصبی و داده‌های واقعی برهم دال بر کیفیت مناسب شبکه است. نتیجه‌گیری: با توجه به نتایج روش‌های معیارهای تشخیصی خطرآفرینی و تجزیه و تحلیل مولفه‌های اصلی، دو متغیر تاثیرگذار زخم روی تنه و ریشه و خشکیدگی شاخه و سرشاخه‌ها به‌طور مرتب بر روی درختان چنار مورد بازبینی قرار ‌گیرد. همچنین تصمیم‌گیران از روش شبکه عصبی برای شناسایی و تشخیص شدت خطرآفرینی درختان چنار استفاده نمایند. بنابراین می‌توان این روش را به‌عنوان راهکاری مناسب و سودمند در مدیریت فضای سبز شهری و اقدام‌های پیشگیرانه پیشنهاد نمود. UR - https://envs.sbu.ac.ir/article_98146.html L1 - https://envs.sbu.ac.ir/article_98146_6d70d866a9099356b3ac15877ad739bf.pdf ER -