fa مدل‌سازی ریسک کاهش تنوع و انقراض گونه‌های گیاهی در پارک ملی سرخه‌حصار تخصصي Special پژوهشي Research <strong>شناسایی کامل مخاطرات و اولویت‌بندی آن‌ها در جهت عدم آسیب به طبیعت از اولین گام‌های مدیریت منابع طبیعی می‌باشد. لذا معرفی یک سیستم جامع قابل ارزیابی، درک و ارزشیابی، درجهت کنترل مخاطرات ضروری می‌باشد </strong><strong>این پژوهش با هدف </strong><strong>مدلسازی و پیش‌بینی میزان مخاطرات محیطی به دنبال افزایش تخریب در محیط‌های طبیعی به کمک شبکه عصبی مصنوعی (</strong><strong><span dir="LTR">ANN</span></strong><strong>) انجام گرفت. به این ترتیب تعداد 600 نمونه خاک و پوشش گیاهی در واحدهای همگن اکولوژیک برداشت شد. نمونه‌های خاک با روش ترانسکت نواری به توجه به عمق خاک و در چهار پروفیل (</strong><strong><span dir="LTR">cm</span></strong><strong>5،10،15،20) تهیه شد. نمونه های گیاهی نیز با روش سطح حداقل و با استفاده از پلات‌های مربع 2</strong><strong><span dir="LTR"> </span></strong><strong>2 با توجه به نوع، تراکم و پراکنش پوشش گیاهی برداشت شد. نمونه‌برداری در دو زون امن و سایر استفاده‌ها مدل‌سازی با کمک </strong><strong><span dir="LTR">ANN</span></strong><strong> در محیط متلب انجام شد. مدل بهینه پرسپترون چندلایه با دو لایه پنهان، تابع تانژانت سیگموئید و 19 نورون در هر لایه و ضریب تبیین 90/0 انتخاب شد. نتایج آنالیز حساسیت نشان داد، رطوبت وزنی خاک در شدت کاهش تنوع زیستی و ریسک سیل و همچنین افزایش ریسک انقراض گونه‌های 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 می‌شود اقدامات مرتبط با احیای خاک و پوشش گیاهی در این پارک به منظور کاهش تخریب‌های آتی هرچه سریعتر انجام شود</strong>. <strong>Risk modeling of plant species diversity and extinction in Sorkheh_hesar National Park</strong><br> &nbsp;<br> <strong>Zahra Mosaffaei¹, Ali Jahani²</strong><strong>^{<span dir="RTL">*</span>}</strong><strong>, ³MohammadAli ZareChahouki, ⁴Hamid GoshtasbMeygoni, ⁵Vahid Etemad</strong><br> &nbsp;<br> <strong>¹</strong><strong> Masters of Natural Resources Engineering, Environmental Sciences, College of Environment, Karaj</strong><br> <strong>^{<span dir="LTR">*2</span>}</strong><strong><span dir="LTR">Associate Professor, Department of Natural Environment and Biodiversity, College of Environment, Karaj. </span></strong><strong>^{<span dir="LTR"></span>}</strong><br> <strong>^{<span dir="LTR">3</span>}</strong><strong><span dir="LTR"> Professor, Department of Restoration of arid and mountainous regions, University of Tehran, Karaj</span></strong><strong>^{<span dir="LTR"></span>}</strong><br> <strong>^{<span dir="LTR">4</span>}</strong> <strong><span dir="LTR">Associate Professor, Department of Natural Environment and Biodiversity, College of Environment, Karaj</span></strong><strong>^{<span dir="LTR"></span>}</strong><br> <strong>^{<span dir="LTR">5</span>}</strong> <strong><span dir="LTR">Associate Professor, Department of Forestry and Forest Economics, University of Tehran, Karaj</span></strong><strong>^{<span dir="LTR"></span>}</strong><br> &nbsp;<br> &nbsp;<br> <strong>Abstract</strong><strong><span dir="RTL"></span></strong><br> Full identification of hazards and prioritizing them for non-harm to nature is one of the first steps in natural resource management. Therefore, introducing a comprehensive system of evaluation, understanding, and evaluation is essential for controlling hazards. This study aimed to model and predict environmental hazards following increased degradation in natural environments by ANN. Thus, 600 soil and vegetation samples were collected from inhomogeneous ecological units. Soil samples were prepared by strip transect method according to soil depth in four profiles (5, 10, 15, 20 cm). Vegetation samples were also collected using a minimum level method using 2 2 square plots according to the type, density, and distribution of vegetation. Sampling was done in two safe zones and other uses were modeled using ANN in MATLAB environment. The optimal model of multilayer perceptron with two hidden layers, sigmoid tangent function and 19 neurons per layer and coefficient of determination of 0.90. The results of sensitivity analysis showed that soil moisture content would be effective in decreasing biodiversity and flood risk as well as increasing the risk of extinction of endemic species in the region, and then the apparent and true gravity and soil porosity and distance from the road play a key role in the degradation of cover. Vegetation has increased flooding and extinction risk. Therefore, it is recommended that measures related to soil and vegetation restoration in this park be taken to reduce future damages as soon as possible.<br> &nbsp;<br> <strong>Keywords:</strong> Modeling, Artificial Neural Network, Environmental Hazards, National Park, Vegetation<br> &nbsp; مدل‌سازی , شبکه عصبی مصنوعی , مخاطرات محیطی , پارک ملی, پوشش گیاهی Modeling, Artificial Neural Network, Environmental Hazards, National Park, Vegetation 157 170 http://jsaeh.khu.ac.ir/browse.php?a_code=A-10-989-1&slc_lang=fa&sid=1 Zahra Mosaffaei زهرا مصفایی mosaffaie@coe.ac.ir 10031947532846009593 10031947532846009593 No Collage of Environmen دانشکده محیط زیست Ali Jahani علی جهانی ajahani@ut.ac.ir 10031947532846009594 10031947532846009594 Yes Collage of Environmen دانشکده محیط زیست Mohammad ALi Zare Chahouki محمدعلی زارع چاهوکی mzare@ut.ac.ir 10031947532846009595 10031947532846009595 No University of Tehran دانشگاه تهران Hamid Goshtasb Meygoni حمید گشتاسب میگونی meigooni1959@gmail.com 10031947532846009596 10031947532846009596 No Collage of Environmen دانشکده محیط زیست Vahid Etemad وحید اعتماد vetemad@ut.ac.ir 10031947532846009597 10031947532846009597 No University of Tehran دانشگاه تهران