تاثیر روش‌های اندازه‌گیری فاصله در طبقه‌بندی گروه‌های بوم‌شناسی در جنگل‌های هیرکانی
محورهای موضوعی : جنگلدارینغمه پاک گهر 1 , جواد اسحاقی راد 2 , غلامحسین غلامی 3 , احمد علیجانپور 4 , دیوید وی. رابرتز 5
1 - دکتری رشته جنگلداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران.
2 - 2) دانشیار گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران.
3 - استادیار گروه ریاضی، دانشکده علوم، دانشگاه ارومیه، ارومیه، ایران.
4 - دانشیار گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران.
5 - استاد گروه بوم‌شناسی، دانشگاه ایالتی مونتانا، بازمن، ایالات متحده آمریکا.
کلید واژه: خوشه‌بندی, جنگل‌های هیرکانی, روش اندازه‌گیری فاصله, طبقه‌بندی سلسله‌مراتبی,
چکیده مقاله :
امروزه به صورت گسترده از الگوریتم‌های خوشه‌بندی استفاده می‌شود، هرچند که تصمیم‌گیری برای انتخاب روش مناسب به دلیل روش‌های مختلف خوشه‌بندی و عوامل موثر بر آنها دشوار است. هدف این پژوهش مقایسه نتایج روش‌های خوشه‌بندی سلسله مراتبی و بررسی روش اندازه‌گیری فاصله موثر برای خوشه‌بندی است. برای این پژوهش، داده‌های جنگل‌های راش هیرکانی واقع در حوزه استحافظی اداره کل منابع طبیعی نوشهر مورد بررسی قرار گرفت. برای تعیین مراکز قطعات نمونه از روش منظم تصادفی با ابعاد شبکه 200×100 استفاده شد و در هر مرکز قطعه نمونه، قطعات نمونه صد مترمربعی (10×10 متر) برای بررسی گونه‌های علفی و چهارصد مترمربعی (20×20 متر) برای بررسی گونه های درختی و درختچه‌ای انتخاب شد. در مجموع 120 قطعه نمونه اندازه گیری شد. برآورد فراوانی و پوشش گونه‌های درختی، درختچه‌ای و علفی بر اساس مقیاس براون بلانکه انجام پذیرفت. سه روش اندازه‌گیری فاصله بری کورتیس، هلینگر و منهتن و الگوریتم های خوشه بندی، روش میانگین، روش وارد، روش بتای انعطاف پذیر با مقدار بتای 0/1-، 0/25-، 0/4- برای پژوهش انتخاب شدند و با استفاده از شش شاخص ارزیابی کننده (شاخص میانگین سیلوئت، آنالیز پارتیشن، آنالیز گونه های معرف، آنالیز گونه های معرف خوشه ها برای کمینه کردن ثبات میانی، روش پاسخ چندگانه جایگشت و ضریب فی) مورد بررسی قرار گرفتند. نتایج هر معیار ارزیابی‌کننده از بهترین به بدترین رتبه دسته‌بندی شدند. یافته‌ها نشان داد روش خوشه بندی وارد و روش خوشه بندی بتای انعطاف پذیر با مقدار بتای 0/1- بهترین عملکرد را دارد و روش اندازه گیری فاصله هلینگر در داده های همگن بهتر از سایر روش های اندازه گیری فاصله است.
Nowadays, the application of clustering methods is widely increased, although choosing the right method due to the existence of different method and effective factors is difficult. The present study aimed to compare the results of widely used clustering algorithms and to determine the most effective methods according to the different evaluators and evaluate the effective distance measurement method for clustering algorithms. The data of Hyrcanian beech forests were examined in an area protected by the department of natural resources of Nowshahr. Random-systematic sampling method with regular grid of 100×200 m was used for determining the center of sample plots; 100-m2 (10×10 m) sample plots had been used to check the shrub species and 400-m2 (20×20 m) to check the herbaceous species. A total of 120 sample plots were measured. The abundance and coverage of tree, shrub and herbaceous species were estimated based on Braun-Blanquette scale. Three distance methods of measuring distance Bray Curtis, Hellinger and Manhattan were used and five clustering methods (Average method clustering methods, Ward method, flexible beta method with beta values of -0.1, -0.25, -0.4) with six evaluation indicators (silhouette evaluation criterion, PARATNA criterion, Indval criterion, ISAMIC criterion, MRPP criterion and Phi correlation coefficient) were examined. Different clustering algorithms were arranged from best to worst for each dataset. The comparison analysis revealed that Ward’s and flexible-beta with beta value of -0.1 had the best performance. The present findings illustrated that Hellinger distance measurement method is better in homogeneous data than other distance measurement methods.
_||_