مقایسه عملکرد دو روش خوشه بندی غیرسلسله مراتبی در داده های پوشش گیاهی

هدف طبقه بندی پوشش گیاهی، بهینه سازی و خلاصه کردن تغییرات آن به عنوان نماینده تغییرات محیطی است که سبب دسترسی به اطلاعات مفید و قابل تفسیر از بوم سازگان می شود. باتوجه به وجود تعداد زیادی از روش های طبقه بندی، انتخاب روش بهینه، چالشی بزرگ است. در پژوهش پیش رو، دو روش خوشه بندی غیرسلسه مراتبی شامل K-means و K-medoids برای بوم سازگان های جنگلی مقایسه شدند. داده های مورد استفاده در این راستا شامل دو مجموعه داده واقعی جمع آوری شده از نوشهر (جنگل های هیرکانی) و اسلام آباد غرب (جنگل های زاگرس) و شش مجموعه داده شبیه سازی شده بودند. برای آماده سازی داده ها از تبدیل داده هلینگر استفاده شد. سپس، سه روش اندازه گیری فاصله اقلیدسی، بری کورتیس و منهتن به کار گرفته شدند تا عملکرد دو روش غیرسلسله مراتبی مذکور بررسی شود. نتایج طبقه بندی به دست آمده از روش های مختلف با سه روش ارزیابی کننده سیلویت، همبستگی فی و ISAMIC مقایسه شدند. نتایج نشان داد که ترکیب ماتریس تشابه بری کورتیس و روش های خوشه بندی K-means و K-medoids به ترتیب رتبه های اول و دوم را در بین خوشه بندی های مختلف داشتند. ضعیف ترین خوشه بندی مربوط به ترکیب ماتریس تشابه منهتن و روش K-medoids بود. روش K-means در داده های ناهمگن تر مانند داده های زاگرس و شبیه سازی شده، کارایی بیشتری داشت. همچنین، تبدیل داده هلینگر سبب بهبود عملکرد ضریب فاصله اقلیدسی شد. باتوجه به نتایج تحلیل های مربوطه، ترکیب روش خوشه بندی K-means و ماتریس تشابه بری کورتیس برای داده های جوامع گیاهی پیشنهاد می شود.