کاربرد هوش مصنوعی درمطالعه دیرینه جغرافیای براکیوپودها

چکیده مقاله

فرضیه قبلی تکامل گونه‌های جوان‌تر و بزرگترHiscobeccus ، که یکی از گونه‌های شاخص براکیوپود اپی کانتیننتال در آمریکای شمالی است، از گونه‌های قدیمی‌تر و کوچکتر Rhynchotrema، که در مناطق پریکراتونی لورنشیا حضور داشته، در اردوویسین پسین را تایید می کند. براکیوپودهای  plaesiomyidنیز روند تغییرات مورفولوژیکی را از مناطق اینتراکراتونیک استوایی تا مناطق پریکراتونی در أواخر اردویسین نشان می دهند. مطالعه حاضر کاربرد یک مدل هوش مصنوعی مبتنی بر شبکه‌های عصبی برای مجموعه‌ای ازداده های مورفولوژیکی براکیوپودهای  Rhynchotrema، Hiscobeccus، و براکیوپودهای plaesiomyid  از آمریکای شمالی را معرفی می کند و با استفاده از این مدل ارتباط این داده ها با موقعیت جغرافیایی و روند تکاملی آن‌ها مورد بررسی قرار می گیرد. نقش شبکه عصبی مصنوعی در این میان پیدا کردن یک فرمول ریاضی بین پارامترهای مورفومتریک و گستردگی جغرافیایی آنها در آمریکای شمالی است. نتایج نشان این مطالعه نشان می دهد که دقت رویکرد شبکه عصبی در تخمین موقعیت نمونه‌های آزمایشی براکیوپود ۸۱ درصد می باشد. با توجه به نتایج  بدست آمده از شبکه‌های عصبی، و با داشتن مجموعه‌ای از داده‌های مورفومتریک از براکیوپودهای اردوویسین پسین، می‌توان موقعیت جغرافیایی آن‌ها را با ضریب اطمینان بالایی تخمین زد.