عنوان پایان‌نامه
امکان سنجی کاربرد شبکه عصبی مصنوعی و رگرسیون منطقی درتعیین مناطق حساس ساحلی (مطالعه نمونه سواحل استان هرمزگان)
- رشته تحصیلی
- مهندسی منابع طبیعی - محیط زیست
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 5603;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 59754
- تاریخ دفاع
- ۳۰ شهریور ۱۳۹۲
- دانشجو
- مریم یعقوب زاده
- استاد راهنما
- افشین دانه کار, بهمن جباریان امیری
- چکیده
- مناطق ساحلی به سبب موقعیت جغرافیایی و ویژگی های طبیعی، تنوع زیستی و اکوسیستم های وابسته و تاثیر پذیری توأمان از خشکی و دریا، مناطقی حساس و شکننده محسوب می شوند. عملکردهای بوم شناختی این مناطق سبب استقرار طیف متنوعی از توسعه و بهره برداری انسانی در این نواحی شده است. تعیین آسیب پذیری مناطق ساحلی با هدف حفاظت از این مناطق مستلزم شناسایی مناطق حساس است. محدوده مورد مطالعه در این بررسی، دربرگیرنده 1580 کیلومتر خط ساحلی استان هرمزگان در تماس با دریای عمان و خلیج فارس می باشد. این محدوده شامل دو بخش ناحیه کرانه ای و ناحیه ساحلی از منطقه ساحلی است. در این مطالعه به منظور شناسایی معیارهای لازم برای تعیین مناطق حساس ساحلی 22 مرجع داخلی و خارجی مورد بررسی قرار گرفت. سپس در قالب یک طبقه بندی جدید 6 معیار اصلی، 15 زیر معیار و 29 شاخص برای شناسایی و پهنه بندی مناطق حساس ساحلی به کار گرفته شد. پس از تعیین ضریب اهمیت معیارها با استفاده از تحلیل سلسله مراتبی، معیار زیستگاه بیشترین و معیار اهمیت اجتماعی کمترین اولویت را کسب نمود. در بین شاخص ها نیز انحصاری بودن و بکر بودن بیشترین ضریب اهمیت و وابستگی صنعتی و وابستگی زیرساختی کمترین اولویت را به خود اختصاص دادند. به منظور تعیین اهمیت و اولویت بندی اکوسیستم های حساس در محدوده مورد مطالعه براساس معیارهای یاد شده 10 اکوسیستم (5 اکوسیستم در ناحیه ساحلی و 5 اکوسیستم در ناحیه کرانه) مورد بررسی قرار گرفت. نتایج نشان داد، جنگل های مانگرو در ناحیه کرانه و مناطق تحت حفاظت در ناحیه ساحلی دارای بیشترین حساسیت هستند. پهنه بندی حساسیت اکوسیستم های منطقه ساحلی نشان داد، بیشترین وسعت حساسیت اکوسیستم های منطقه ساحلی در درجه حساسیت خیلی کم و بخش عمده ای از ناحیه ساحلی را شامل می شود. به منظور تعیین اهمیت و اولویت بندی ساختارهای فیزیکی محدوده مورد مطالعه براساس معیارهای یاد شده 9 ساختار فیزیکی (4 ساختار در ناحیه ساحلی و 5 ساختار در ناحیه کرانه) مورد بررسی قرار گرفت. نتایج نشان داد، کرانه های گلی در معرض آبگرفتگی در ناحیه کرانه و ناحیه ساحلی کم ارتفاع و کم شیب در ناحیه ساحلی به ترتیب دارای بیشترین حساسیت بود. پس از بررسی ساختارهای فیزیکی براساس معیارهای یاد شده و تهیه نقشه حاصل از همپوشانی ساختارهای مورد بررسی، پهنه بندی حساسیت نوار ساحلی استان هرمزگان در 5 طبقه حساسیت خیلی کم، حساسیت کم، حساسیت متوسط، حساسیت زیاد و حساسیت خیلی زیاد تهیه شد. بیشترین وسعت طبقه های حساسیت فیزیکی، مربوط به طبقه دارای حساسیت کم بود که این مناطق بیشتر در ناحیه ساحلی قرار گرفته است. پس از تعیین و طبقه بندی حساسیت فیزیکی و زیستی منطقه ساحلی استان هرمزگان با تلفیق نقشه های حساسیت فیزیکی و زیستی، نقشه حساسیت محیط زیستی نوار ساحلی استان هرمزگان به دست آمد. کاربرد شبکه عصبی و رگرسیون منطقی نیز در تعیین مناطق حساس ساحلی مورد بررسی قرار گرفت. نتایج مطالعات صورت گرفته در این زمینه نشان داد استفاده از شبکه عصبی و رگرسیون لجستیک در تعیین مناطق حساس ساحلی مناسب نیست. نتایج حاصل از روش شبکه عصبی نشان از عدم کارایی این روش و نتایج حاصل از رگرسیون لجستیک نیز حاکی از کارایی کم این روش در تعیین مناطق حساس ساحلی بود.
- Abstract
- Coastal areas are sensitive and fragile ecosystems influenced by geographic and natural features of lands and sea area. Ecological functions of these areas caused potentiality of human development and many settlements. Determination of coastal zone vulnerability for protection requires to identification of sensitive areas. The study area includes 1,580 km of the coastline in Hormozgan Province, in the vicinity of Oman Sea and Persian Gulf. This area consists of two parts of coastal zone including shore area and coastal area. In this study, noticed identification criteria for determination the coastal sensitive areas with reviewing 22 international and national studies. According to present experiences, a new framework is proposed for application of these criteria. Therefore we used 6 criteria and 15 sub-criteria and 29 indicator for designation and selection coastal sensitive areas. We used AHP method for standardization and prioritizing each criterion. According to the hierarchical results, habitat criterion was the most important and social important criterion had the lowest priority. Among the indicators, exclusive and wilderness were the highest coefficient important and industrial dependency and infrastructure dependency had the lowest priority. In order to determine importance and priority of sensitivity of ecosystems in the study area 10 ecosystems were studied in both shore and coastal zone. According to the results, mangroves in seashore and protected area in coastal area are of the most important sensitivity. Zoning of sensitive ecosystems in coastal area shows, the most extent areas are in the low sensitive degree and in the coastal zone. In order to, determine importance and priority of sensitivity of ecosystems in the study area 9 physical structure were studied in both shore and coastal zone (include: 4 structure in coastal area and 5 structure in shore area). According to the results, Inundated mudflat and in shore area and Low flat land in coastal area are of the most important sensitivity. After reviewing the physical structure and preparation map of overlaying this structure, sensitivity zoning was developed coastline in Hormozgan province on 5 class of sensitivity, Very low sensitivity, low sensitivity, moderate sensitivity, high sensitivity and very high sensitivity. Zoning of sensitive physical structure in coastal zone shows the most extent areas are in low sensitive degree in physical sensitivity classes. After the classification of physical and ecosystem sensitivity in Hormozgan, with the incorporation of physical and ecosystem sensitivity maps, environmental sensitivity map obtained in coastal area. Application of neural network and logistic regression were examined in determination sensitive coastal areas. Results showed, the use of neural network and logistic regression is not appropriate in the determination in coastal areas. The result of neural network method showed, this method is inefficient and logistic regression results also indicate low efficiency of this method in determination coastal areas.
