2.5 . تحلیل داده ها

مدل‌های رگرسیون خطی و ضرایب همبستگی معمولاً در تحقیقات قبلی برای بررسی عوامل پیش‌بینی‌کننده تنوع گیاهی استفاده شده‌اند ( Amici و همکاران، 2015 ، چنگ و همکاران، 2020 ، موسا و همکاران، 2020 ، یانگ و همکاران، 2020 ). . با این حال، این روش‌ها روابط خطی بین تنوع گیاهی و معیارهای الگوی منظر را فرض می‌کنند، بدون توجه به ارتباطات غیرخطی پیچیده‌شان. در این مطالعه، ما از درخت رگرسیون تقویت شده (BRT) برای بررسی سهم نسبی و اثرات حاشیه ای الگوهای ساختمان و فضای سبز بر تنوع گیاهان خود به خود شهری استفاده کردیم.

مدل BRT کاملاً با مدل رگرسیون خطی معمولی متفاوت است. از آنجایی که به طور موثر تکنیک‌های آماری و یادگیری ماشینی را ادغام می‌کند، استفاده می‌کند و آن را قادر می‌سازد تا روابط غیرخطی پیچیده را با دقت ثبت کند و به طور خودکار تعامل پیش‌بینی‌کننده‌ها را کنار بگذارد در حالی که تأثیر آنها بر متغیرهای پاسخ را تشخیص می‌دهد ( Elith et al., 2008 ). نتایج به‌دست‌آمده از BRT دقت، پایداری، وضوح و سهولت درک را نشان می‌دهد ( لو و همکاران، 2021 ، یوان و همکاران، 2021 ، Zeng و همکاران، 2022 )، و باعث می‌شود آن را به طور گسترده در حوزه‌های تحقیقاتی مختلف مانند شهری مورد استفاده قرار دهند. جزایر گرمایی و محیط های حرارتی ( هو و همکاران، 2020 ، سان و همکاران، 2020 ). این مطالعه بر ارزیابی غنای گونه ای خود به خود در هر قطعه با در نظر گرفتن گونه های کل و بومی و همچنین گونه های غیربومی با استفاده از معیارهای ساختمان و فضای سبز به عنوان متغیرهای پیش بینی کننده متمرکز بود. پیروی از توصیه های Elith و همکاران. (2008) ، پارامترها در BRT با نرخ یادگیری 0.005، کسر کیسه ای 0.75، پیچیدگی درختی 5، و اعتبار سنجی متقابل 10 برابری تنظیم شدند. ارزیابی عملکرد مدل BRT با استفاده از ریشه میانگین مربعات خطا (RMSE) و ضریب تعیین ( ^R2 ) انجام شد ( Scales et al., 2017 , Alhakeem et al., 2020 ). یک مقدار RMSE کمتر نزدیک به صفر به همراه یک مقدار R ² بیشتر نزدیک به یک نشان دهنده توانایی برازش بهتر و قدرت توضیحی بیشتر برای مدل است. تجزیه و تحلیل BRT با استفاده از بسته های “gbm” و “dismo” در R 4.1 انجام شد.