کاربرد مدل های یادگیری ماشین در تحلیل و پیش بینی مطلوبیت زیستگاه گیاهان دارویی مروری بر الگوریتم های RF SVM و BRT

مطلوبیت زیستگاه یکی از مفاهیم کلیدی در بوم شناسی و علوم گیاهی است که به ارزیابی تطابق شرایط اکولوژیکی با نیازهای گونه های گیاهی می پردازد. این مفهوم به ویژه در زمینه گیاهان دارویی، نقش مهمی در مدیریت منابع طبیعی، حفاظت از تنوع زیستی و برنامه ریزی کشاورزی ایفاء می کند. با گسترش ابزارهای مدل سازی و یادگیری ماشین امکان پیش بینی دقیق پراکنش گونه ها و تحلیل عوامل موثر بر زیستگاه آن ها فراهم شده است. در این پژوهش، مروری بر سه الگوریتم پرکاربرد در این زمینه شامل ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و درخت رگرسیون تقویت شده (BRT) معرفی و مقایسه می شوند. نتایج مطالعات متعدد نشان می دهد که این مدل ها در شناسایی نواحی مستعد رشد گونه ها، به ویژه تحت شرایط متغیر اقلیمی و محیطی، عملکرد قابل توجهی داشته و ابزار مناسبی برای مدیریت پایدار اکوسیستم های گیاهی به شمار می آیند. مدل RF در بسیاری از پژوهش ها به عنوان یکی از دقیق ترین و کارآمدترین الگوریتم ها برای پیش بینی و ارزیابی مطلوبیت زیستگاه شناخته شده است.

کلیدواژه ها:

هوش مصنوعی در کشاورزی ، مدل های یادگیری ماشین ، تحلیل مطلوبیت زیستگاه ، پیش بینی پراکنش گیاهان دارویی