زهرا مصفایی - Collage of Environmen
علی جهانی - Collage of Environmen
محمدعلی زارع چاهوکی - University of Tehran
حمید گشتاسب میگونی - Collage of Environmen
وحید اعتماد - University of Tehran

شناسایی کامل مخاطرات و اولویت بندی آن ها در جهت عدم آسیب به طبیعت از اولین گام های مدیریت منابع طبیعی می باشد. لذا معرفی یک سیستم جامع قابل ارزیابی، درک و ارزشیابی، درجهت کنترل مخاطرات ضروری می باشد این پژوهش با هدف مدلسازی و پیش بینی میزان مخاطرات محیطی به دنبال افزایش تخریب در محیط های طبیعی به کمک شبکه عصبی مصنوعی (ANN) انجام گرفت. به این ترتیب تعداد ۶۰۰ نمونه خاک و پوشش گیاهی در واحدهای همگن اکولوژیک برداشت شد. نمونه های خاک با روش ترانسکت نواری به توجه به عمق خاک و در چهار پروفیل (cm۵،۱۰،۱۵،۲۰) تهیه شد. نمونه های گیاهی نیز با روش سطح حداقل و با استفاده از پلات های مربع ۲ ۲ با توجه به نوع، تراکم و پراکنش پوشش گیاهی برداشت شد. نمونه برداری در دو زون امن و سایر استفاده ها مدل سازی با کمک ANN در محیط متلب انجام شد. مدل بهینه پرسپترون چندلایه با دو لایه پنهان، تابع تانژانت سیگموئید و ۱۹ نورون در هر لایه و ضریب تبیین ۹۰/۰ انتخاب شد. نتایج آنالیز حساسیت نشان داد، رطوبت وزنی خاک در شدت کاهش تنوع زیستی و ریسک سیل و همچنین افزایش ریسک انقراض گونه های اندمیک منطقه اثرگذار خواهد بود، و پس از آن وزن مخصوص ظاهری و حقیقی و تخلخل خاک و فاصله از جاده نقش کلیدی در تخریب پوشش گیاهی، افزایش سیل و افزایش ریسک انقراض پوشش گیاهی را دارند. لذا پیشنهاد می شود اقدامات مرتبط با احیای خاک و پوشش گیاهی در این پارک به منظور کاهش تخریب های آتی هرچه سریعتر انجام شود.

Modeling, Artificial Neural Network, Environmental Hazards, National Park, Vegetation, مدل سازی, شبکه عصبی مصنوعی, مخاطرات محیطی, پارک ملی, پوشش گیاهی