Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   6 ,  Decem ber   201 9 , p p.   5235 ~ 5243   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 9 i 6 . pp5235 - 52 43           5235       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Self - or ganizin g  map (SO M) for s pecies di stributio n modell ing of  birds speci es at  kenyir  lan dscape       Sa lw ana  M oham ad   Asm ara 1 ,  Gertr ude  D av id   2 ,  M ohd  Tajuddin  Abd ull ah 3 ,    Wan Isni  Sofiah   Wan  Din 4 , Da nakor n  Nin carean  a/l Eh  Pho n 5 , Ahm ad Fi rd au s Z ai na l  Ab idi n 6     1, 4,5,6 Facul t y   of C om pute r  S y st e m s a nd  Software   Engi n ee ring ,   U nive rsiti Mal a y s i a  Pahang ,   Ma lays ia     2 ,3 Instit ute of Tr opic a l  Biod ive rs ity   and  Sus ta in a ble   Dev el opm en t,   Univ ersit i   Mal a y si a Te r engga n u,   Mal a y s ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Ja n 1 0 , 2 01 9   Re vised  Ma y   2 9 , 2 01 9   Accepte d  J un  27 , 201 9       Ide nti f y i ng  whic h  biodi ver sit y   spec i es  are   m ore   dom ina nt  tha n  ot her s  in  an y   are a  is  a  ver y  cha llenging  t a sk.  Thi s  is  be ca use  of  th e  a bundant   of  biodi ver sit y   spe ci es  that  m a y   b e come  the   m aj ori t y   spe ci es  in  an y   par ti cu la r   reg ion.  Thi s  situ at ion  creat e   a  larg e  dataset   with   a  complex   var i abl es  to   b e   ana l y sed .   Moreo ver ,   the   r esponds of  orga nism s a n d  envi ronm ental fac tors  are  occ urre d   in  a   no n - li ne ar  cor r el a tion.  The  eff or t  to   do  so  is  rea l l y   i m porta nt  in   orde r  to   conse r ve  th e  biod ive r sit y   of  n at ure .   To  under st an d  t he  compl e x   rel a ti onships  that  exi st  bet wee n   spec ie s  distri b uti on  and  the ir  habi t at ,   we   ana l y sed  the   intera c ti ons  among  bird  dive rsi t y ,   spati al  distri bu tion  and  la n d   use  t y pes  a t  Ke n y ir   la ndsc ape  i n  Te r engga nu ,   Malay s ia   b y   usi ng  art if icial  neur al   n et work   ( AN N)  m et hod  of  self - orga ni zi ng   m ap  (SO M)  ana l y sis.  SO M  per form s  an  uns uper vised  and  n on - li ne ar  ana l y s is  on  a  complex  and  la rge   dat ase t.   It  is  ca p abl e   to  h andle  t he  non - l ine ar   co rre lation  b et we e n  orga nism   and  env ironment al   f ac tors  b ecause  SO M  ide ntifie s  c luste rs  and  r e la ti onships   bet wee n  va ria b l es  without   the   f ixe d  assum pti ons  of  li nea rity   or   norm al ity .   The   result   sug geste d  that  SO M  ana l y s is  was  suite d  for  under standi n g   the   relati onshi ps  bet wee n  bird  spec ie s  assem bla ges  and  habi tat   cha ra cteri sti cs .   Ke yw or d s :   ANN   Con se r vation   Ken yi r  lan ds ca pe   SO M   Sp eci es  distrib ution     Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Salwana  Mo ha m ad  Asm ara,    Faculty  of Com pu te r  Syst e m  and So ftwar e   En gin eeri ng,   Un i ver sit i M al ay sia  Pah a ng,   26300 Gam bang,   K uan ta n,   Pa hang, M al ay sia .   Em a il : sal wan am oh a m ad@ um p. edu .m y       1.   INTROD U CTION     Descr i bing  the   su it able  env ir on m ental   con di ti on s  for  biod iversity   sp eci es  is  an  app r oa ch  to  asses s   the  geog raphi c  distribu ti on   of   the  s pecies   [1 ] .  The  r ea so n  is  that  di stribu ti on  of  s pecies  is  relat ed  to   env i ronm ental  conditi on.  E nvir on m ental   conditi ons  that  are  su it able  for  the  s pecies  m us t  be  descr i bed   a nd  identify   the  ar ea  to  m at ch  sp eci es  occu r re nc e  data  [2 ] .  The  en vir on m ental   data  i s   descr ibes  by  the  data  of  cl i m at e  and   to pograp hy  in  a   form   of   te ch ni cal ,  sp at ia l  an d  te m po ral  data  ty pes  [ 3].  T he re  are   tw o  ty pes  of  input  that  are  req ui red   f or  pr e dicti ng   the  spe ci es  distribu ti on  w hich  are  th e  locat ion s  of  occurre nce  of  sp eci e s   and  en vir onm e ntal  va riables.   Both  i nputs  m us t  be  fit  into  a  proces s  to   quantify   a nd  est i m at e  the  geog raphic   distrib ution   of  a  sp eci es  whic h  is  known  as  sp eci es  dis tribu ti on  m od el li ng   (SDM).   SD M  m et hods   are   nu m erical   m eth ods  t hat  will   qu a ntify  the  c orrelat ion   bet wee n  t he  data  of   s pecies   with  en vir onm ent al   factor  [4,  5]. Th e tas k t o  assess the s pecies distrib ut ion  ca n  be  do ne  b y app ly in g  a comm un it y  e colo gy appr oac h  that  stud ie s  the  s pe ci es  asse m blages  of  a  re gion  [ 6].  Sp eci es   assem blages  are  cl assifi cat ion s  of  sp eci e s   that    co - occ ur   in  the   sa m e  place  and   at   the  sam e   t i m e  [7 ] .  The  be nef it   of  the  cl assifi cat ion s  is   that  the  sta bility   of  sp eci es  assem blages  m ay   be  us ed  t o  de fine   represe ntati ve  and   ref e re nce   sit es  fo r  bio l ogic al   assessm e nt  [ 8].   Assem blages  of  co - occ urrin g   inv asi ve  sp eci e s  from   any  so ur ce  reg i ons  are   us ed  to  ide ntif y  and   highli ght   new   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber   201 9   :   52 35   -   5243   5236   sp eci es  th reats  for  the  relat ed  reg i on   [9 ] .  I n  that  way,  a  la rge  nu m ber   of   spe ci es  can  be  an al yse d  co ncurre ntly   and ra nked  in  a  p a rtic ular regi on b a sed  on sp eci es correlat io ns .    The  data  of  sp eci es  with  en vir on m ental   factor   co ns ist   of   a  huge  nu m ber   of   var ia bles.     Th us ,  it   is  dif f ic ult  to  highli ght  the   dat a  pat te rn   i n  the   dat aset   [10,  11] .  These  data  a re   ve ry  com plex   to  be  analy sed  beca us e  of  a  la rg e   a m ou nt  of  spe ci es  and   the  respo nd   of   or gan i sm s  to  env ir on m ental   factor s  is   a  non - li nea r  c orrelat ion   [ 12] .  To  sim plify  the  analy sis  of  a  com plex  dataset ,  cl assifi cat ion   te ch niqu es  are  com m on ly   us ed.   Most  sta ti stics  m et ho ds   ha nd le   the  data  a s  a  li near   data  analy sis.  The  li near   analy s is  is  no t  ver y  eff ic ie nt  t o  cat er  the  non - li near   co rr el at ion   be ha viour  betwee n  orga ni s m s  and   env ir on m enta l  factor   in  an   op ti m u m  w ay  [13 ] .       2.   RELATE D  W ORKS     SO M  is  a n  unsu pe r vised  le a rn i ng   a nd  non - li near   m et ho d  to  a naly se  va rio us   data  set s ,  inclu di ng   tho se  w it h  m issi ng   values  [14 ,  15] .  T he  as sessm ent  of   com m un it y  patter ns   a nd   c orre la ti on s  m a y  be  m or e   accurate  t han   t he  c omm on   sta ti sti cal   m et ho ds .  T he  SO M  m et ho d  has  be en  wi dely   us e d  to  i den ti fy  s pecies   com m un it y pat te rn s a nd  t heir rel at ion s hip s  w it h  env i ronm ental  co nd it io ns  i n  aq uatic  h a bitat s.  Howe ver, it  h as  no t  bee n  fu ll y  us e d   f or ter restrial  h a bitat s and  for bio div e rs it y con ser vatio n plan nin g  [13 ] .    The  us e  of  art ific ia l  neu ral  ne tworks  (AN N ),   s uch   a s  sel f - orga nizin g  m aps  ( SO M ),   prov e d  to  be   us ef ul  a nd  ef fici ent  in  m any  cl i m atic,  env ir on m ental ,  ecol og ic al   a pp li cat ion s  a nd  s peci es distrib utio n  [ 10 ,  12 ,   16,   17] .   A NN   can  pr e dict  the   ta rg et   values   base d  on  t he  le arn i ng   proce ss   [18 ,  19] .  T he  widely   us e d  of   SO M  analy sis  in  these  do m ai ns   is  because   of   t he   SO M  abili ty   to  correla te s  the   va riables  w it ho ut  de pe nding   on   the  fixe d  li nea rity   assum ption s.   A  stu dy  ha s  bee n  do ne  on   a nt  c omm u niti es  by  cl us t erin g  an d  a naly sing  ind ic at or  sp e ci es   us in g  S O M  [12] .  The  resu lt s  assess  the  unde rstan di ng   the  relat io ns hi ps   betwee n  an t   com m un it ie s  a nd  s pecies  a nd  ha bitat   cha rac te risti cs.  SO M   has   bee n  ap pl ie d  to   vis ualiz e  broa d  patte r ns   i n  sp eci es  ric hnes s  by  ta xo no m i c  gro up  [ 13] .   SO M  hav e   al so   been   us e d  i n  the  m od el li ng  of  water   qual it y  and  resou rces.  A  stud y  has   bee n  done  on  t he  a ppli cat ion   of  S OM  te ch nique s  com bin ed   wi th  K - m eans  cl us te ri ng   to  m od el   wate r  qual it y  data  in  the  treat m e nt  of  dr in king   water  [14] .  An  ef fort   ha ve   bee n  un der t aken  to   descr i be  t he  st at e  of  local   w at er  bo dies  a nd  po ll ution  in   the  area   of  int erest  with  the   help   of  S OM  [20] .   Tsai   et   al .,  [ 21]   hav e  ex plore d  the  relat io nship  betwee n  fi sh   com m un it y  and   water  qu al it y  by  SO M  wh ic h  is   su it ably   ref le ct s  the  sp at ia l  char act erist ic s  of  fishe ry  sam pling   sit es.   Self - org an iz in g  m ap  (SOM)  c om bin ed  with  the  K - m e ans  al gorith m   is  us ed  to  dete rm ine  the  sp at iotem po ral  patte rn   of  the  wa te r  qu al it y  data  and  identify in g  the   so urces  of  po ll ution i n  t he Kl ang Ri ver ba sin  [22] .   In   t his  stu dy,  we  descr i be  how   SO M   can  be  a pp li ed   f or  the  stu dy  of   ecolo gical   co m m un it ie s  an d  distrib ution  of  bir d  s pecies.   The  pr e sentat ion  of  SO M  a da pted  t o  b io di ver sit y  data   is  descr i bed  by   trai ning   SO M  on  e xa m ple  data  of  Ken yi r   la ndsc ape  i n  Te reng ganu,  Ma la ysi a.  Sele ct in g  t he  m os t  ecol ogic al l y  represe ntati ve  sp eci es  is   a  m et hod  t hat  e na ble  to   dec reas e  the  siz e  of  l arg e   dataset s   ba sed  on  t he  prefer re d  la nd   us e   ty pe  of   eac h  pa rtic ul ar  sp eci es.   A  sel f - organ iz in g  m ap  (S OM ),   wh ic h  is  an  unsu pe r vised  a rtific ia l   neural  netw ork,   ca n  be  us e d  to  gen e rate  va lues  that  i nd i cat e  the  stre ngth  o f  ass ociat ion  of  a  s pecie s  with   a sp eci es a sse m blage.   SO M  is  an  art ific ia l  neu ral  netw ork  ( ANN)   m et ho d  tha t  le arn   to  cl ust er  groups  of   si m il ar  inp ut  patte rn s   f or  a  hi gh   dim ensional   input  s pace  i n  a  non - li near  fash i on  onto   a  low  dim ensional   ou t pu t  la ye r   [15] .  It  cal culat e  the  prob a bili ty   densi ty   fu ncti on   of   in put  da ta   us ing   a n  un s uper vise d  le arn i ng   al go rithm .     The  m et ho d  al so   ena ble  to  do  cl us te ri ng,  vi su al iz ing   a nd   a bs tract io n  of  com plex  data.  T he  m ai n  ob j ect ive  of  data  vis ualisa ti on   is  t o  gain  i ns ig ht  into  i nfor m at ion   by  m app i ng  data  int o  an   un der sta ndable  gr a phic al   fo rm   [23] .   Fi gure 1  sh ows   the struct ur e o f   a n  S O M  co ns ist   of  t wo  la ye rs:  a n  i nput  la ye r  a nd o ut pu t  la ye r .  T he  in put   la ye r  con ta in  one  ne uron   for  each  va riable  in  the  data  set .  The  outp ut  la ye r  neur on s   a re   connecte d  to  ever y  neur on in  t he  i nput lay er t hro ugh  a djust able  weig hts  of   pa r a m et ers.       3.   PRO CED U R E OF S OM  APPL IC ATIO N   The  le arn i ng   s te ps   are  desc ribed   in  detai l  t o  get  the  insig ht  of   the  S O M  m e tho d  to  be  ap plied  in   the case st ud y.   The pr oce dure s  re qu i red to a pp ly  S OM i nclud i ng m ai n  ste ps :     3.1.     D ata g atheri ng   and n or maliz at ion    The  m et ho do l og y  of  sam pli ng   for  data  ga therin g  is  de scribe d  in  the   nex t  sect io n  of   Sam plin g  Me thods.  Af te r  the  da ta   gath erin g,   data  nor m al iz ation   is  done  t o  en sure  that  al l  var ia ble s  have  the  sam e  ra nk   in  the  de velo pm ent  of   t he  S OM.  By   no rm al iz ing   the  dat a,  the  SO M  m ay   visu al iz es  overall   perform ance  of   the  s pecies  distrib ution  an d  as sem blage  in  a  bette r  way.  Da ta   norm al iz ation   ca us es   S OM  ne uro ns   t o  e xpan se   towa rd h i gh li gh te d pa rts of t he  d at a  distrib ut ion .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Self - org an izi ng  map  ( SOM)  for  s pecies  distr ibu ti o n modell ing of  bir d …   ( Sa lw ana  M ohama d @  Asm ara )   5237       Figure  1.  Str uc ture of  tw o - di m ension al   SOM   [16]       3.2.  D ata tr aining   An   in put  vect or   f r om   the  da ta   m at rix  is  introd uced   to  the  it era ti ve  trai nin g  proce dure  to  form   the  S OM.  T he   SO M  us es  a  ty pe  of  le ar nin g  that  is  cal le d  c om petitive,  uns up e r vised ,  or  sel f - or gani zi ng   proce dure  to  m at ch  each  inp ut  vect or   wit h  a  neuron  in  the  SO M  [ 16 ] .  The  ne uro n  wi th  the  cl os est   m at ch  to   the  pr ese nted  input  patte rn   i s  cal le d  winner  ne uron   or   best  m a tc hin g  un it   (BMU) .   The  winner  and   it s  neig hbours  pr e def i ned   in  th e  al gorithm   up da te   their  weig ht   vector s  acc ordin g  to  the  S O M  le arn in g  ru l es  as  fo ll ows:     w ij   ( t + 1 ) − w ij   + α ( t ) h jc   ( t ) [ x i ( t ) − w ij   ( t ) ]                                                        (1)     Wh e re  w ij   ( t )   is  a  we igh t  betwee n  a   node   i  in  the   input  la ye r  a nd  a  node   j  in  th e  ou t pu t  la ye r  at   it erati on   ti m e  t,  α (t)  is   a  le arn i ng  rate  fa ct or   w hich  is   a  decr easi ng  f un ct io n  of  t he  it erati on  ti m e  t,  an d  h jc   ( t )   is   a  neig hbor hood  f unct io n  (a   sm oo thin g  ke rn el   def i ned  ov e r  th e  la tt ic e  points)   that   def i nes  t he  s iz e  of  neig hbour hood   of  the  winni ng  no de  c  to   be  update d  durin g  the   le ar ni ng   proces s.   At  the  final   sta ge   the r e fer e nce  ve ct or s  of all  th e act ivate d ne uro ns  a re  update d.     3.3.   Ex tra c tin g  in fo rm ati on  f rom  the tr ain ed SO M   The  res ult  can   be   vis ualiz ed   an d  t he  data  can  be  cl us te r ed  when   the   trai ning  of  S O M  is  do ne .     The  trai ne d  S OM  m ap  is  a   visu al iz at ion   t oo l   that  will   gi ve  the  visio n  of  the  data  ex pl or at io n.   T he  fi rst - le vel  SO M  cl us te rs   input  data  int o  a  ce rtai n  nu m ber  of  cl us te rs   an d  t he  sec on d - le vel  cl us te r s  the   outp ut  ne uro ns   into as  m any d iffe ren t  reg i ons  as r e qu i red.       4.   SAMPLIN G  METHO DS     The  a naly sis  of   SO M  has  been   done  t o  the  dataset   of   bir ds   in  Keny ir  la nd sca pe,  Tereng ganu ,   Ma la ysi a  fr om  2015   to  2016 .  Ther e  a re  53  sp eci es  of   bi r ds   from   20   fa m ily  t ypes  fou nd   in  the  stu dy   sit e .    Ther e   are   tw o  ty pes  of  sam pling   m et hod  th at   have  been  use d  t o  c ollec t  the  da ta   wh ic h  are  po i nt  co un t  an d  m ist  n et ti ng .     4 . 1.     P oint  c ount   Ra lph   et   al .  [ 24 ]   sta te d  that   point  c ount  i s  one  of  the   m os t  c o m m on ly   us e d  m et hod  in   stu dyin g   the abu nd a nce,  d ist rib utio n  a nd ec ology o f forest  b ir ds. P oint  co unt  was  c hose n  bec ause  it  en a ble obse rvers t o  locat e  an d  obs erv e   rain f or est   bir ds   t hro ugh  sta ndin g  at   a  fixe d  locat io n  in  a  fixe d  ti m e   w hich  al s o  he lps  in   identify in g  bir ds   that  a re  hard  to  obser ve.  A ll   obser ve d  bi rd s  wer e   ide nt ifie d  up  to   spe ci es  le vel  an d  extra   inf or m at ion   suc h  as  sta tus  of   distribu ti on,  protect io n  sta tu s  and   c onser va ti on   sta tus  of  I UCN  Re d  List   2014   was  ref e rr e d  from   pu blishe d  m at erial s.  Bi rd s  ide ntific at ion   was  ai de d  by  Ro bs on  [ 25] ,  Stra nge  a nd   Jey araj asi ng a m   [26] , D a vis on a nd F ook  [ 27]   and  Wong  [ 28]   with  addit io nal in form at io n by  W el ls  [29 ] .      4 .2 .    Mis t  ne tt i ng   Mi st  netti ng   is  ano t her   m et ho d  t hat  is  m ore  sp eci fic  in  t erm s  of   identi ficat ion   that  al so   incl ud es  crypti c  sp eci e s,  sam pling   of   ge netic   m ater ia ls,  par asi te   and   m or phol og ic al   data  co ll ect ion   on   ca ptured     bir ds   [30] .  Mi st - netti ng   is  al so   vital   in  or de r   to  reco nfi rm   t he  sp eci es  obs erv e d  duri ng   point - c ount  surv ey   and   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber   201 9   :   52 35   -   5243   5238   it   ben efit s  in  c aptu rin g  in div i du al s  of   seve ra l  sp eci es  [ 31 ] .  In   a ddit ion ,  t his  m e tho d  fo c us  m or e  on  the  r esults   of   s pecies  dist rib u ti on   rathe r   than  a bundan ce  [32] .  Nets  data  we re  rec orde d  s uch   as  t heir  heig ht  an d  G PS   read i ng.  Bi rds  wer e  i den ti fie d  un ti l  sp e ci es  le vel  [ 33 ]   a nd   t he  e xtern al   m or ph ologica l  dat a  of   ca pt ur e d  bir ds   wer e  recor ded   includi ng   t heir   bro od i ng   patc h,   m ou lt ing   sta ge  an d  th e  nets   that  they   wer e   cap tu red.  T he  bir ds  wer e  m ark ed  be fore  r el ease d  at   the  captur es   sit es.  Ca ptu re d  bir ds   we re  re le ased  nearby  to  the  spot  they   were   captu red to a void  distu rb a nce  to  thei r dail y ac ti viti es  [34] .       5.   STUDY  SITE S   The  var i ous  s tud y  sit es  we re  c ho se n  due   to  it s  diff e re nt  f or e st  ty pe s  in  orde r  to   determ ine   the  relat io nship  of   t he  div e rs it y  of   birds  acc ordin g  t o  s pecific  ha bitat   ty pes.   T he  stu dy  w ere  car ried   out   at   11   sit es  in  Ken yi r   la nd sca pe  w hi ch  are  Tan jung  Me nton g,   B uw e h  Ri ve r,   Be l uk a r  Bu kit  1,   Sekayu  Wate rf al l,   Ken yi r  Re sea r ch  Stat io n,   Be l uk a r  Bu kit  2,  Sekayu  A gr ic ul ture  Pa rk,  P usa t  Lat ihan  Re la   W il ay ah  Ti m ur   1,   Pu sat   Lat iha n  Re la   W il ay ah  Ti m ur   2,   Saok   W at erf al l  a nd  Be luk ar  B ukit   3.   Ta ble  1  re pr ese nts  the  c od e  of   the  stu dy  sit es  th at   will   be  a ppli ed  in  t he  S OM.   T he  stu dy   sit es  wer e  cl assifi ed  int o  si x  la nd  us e  ty pe s  w hich   are  f orest   ve ge ta ti on ,  lo w  l and  di pter ocarp  f orest ,  m elalueca  f or e st,   or c ha rd,  pea t  swam p  fore st  and  plantat io n.  Eac h  la nd  us e  ty pe  presents  b ir ds  with a  va riet y o f  d if fer e nt  ha bitat s.       Table  1 .   C odes  of study si te   Co d e   Site   A   Tanju n g  M en to n g   B   Bu weh  Riv er   C   Belu k ar  Bu k it 1   D   Sek ay u   W aterfall   E   Ken y ir  Research  S tatio n   F   Belu k ar  Bu k it 2   G   Sek ay u  Agricu ltu r e Par k   H   Pu sat Latihan  Rela  W ila y ah   Ti m u r  1   I   Pu sat  Latihan  Rela  W ila y ah   Ti m u r  2   J   Sao k  W ate rf all   K   Belu k ar  Bu k it 3       6.   DA T A ANAL YS IS   We  us e d  the  SO M  al gorith m   to  char act er ise   the  distrib ution   patt erns  of   birds.  T he  structu re  of   a  SO M  co ns is ts  of   a n  input  data  la ye r  an d  ou t pu t  data  la ye r.   The  i nput   la ye r  is  com p os e d  of  53  ne uro ns     (one  per   bir d  sp eci es)   co nnect ed  t o  the  4  sam pling   da ta se ts.  Traini ng  of  t he  S O M  and   t he  cl us te rin g  proce dures wer e p e rfor m ed  usi ng  Mat la b.       7.   STRUCT UR I NG  I N DE X   The  S I  was   or igi nally   de velo ped   t o  def i ne  sp eci e s  sho wi ng   t he   strongest  i nf l uen ce  on   the  orga nizat ion   of   the  S OM  m ap.   The  SI   is   the  value  ind i cat ing   the  relat ive  i m po rtance   of   each  s pecies  i n  determ ining   th e  distrib ution   patte rn s  of   t he   sa m ples  in  the  SO M.  T her e fore,  the  set   of  sp eci es  sho wing   hi gh   SI  ca n be c onsidere d  as  the i ndic at or sp eci es .   The  SI   is  cal cu la te d  fr om   the  su m   of   the  rati os   of  the  distanc e  betwee n  th e  weigh ts  of  al l  sp eci es  in   the  S OM  an d  the  to polo gical   distance  bet ween  tw o  S O M  un it s.   This   res ults  in  r ep resen ti ng  distr ibu ti on   gr a dients  f or   each  sp eci es  in  the  trai ned   SO M.  A  str uc turing  ind e x  of   s pecies  i ,  SIi ,  is  express ed  in   the equat io n   as  foll ow s:      =   ∑ ∑ |  −    | | | − | | − 1 = 1 = 1   (2)     Wh e re  w ij  and   w i k  are  the  connecti on   weig ht s  of   s pecies  i   ( in  the  in pu t  la ye r)   in  S OM  unit s  an d  k, || r j − r k ||   is   the  topolo gica l  distance  bet ween   un it s  j   and   k ,  a nd   S   is  the  total   nu m ber   of  SO M  outp ut  un it s .     SI   co ns ide rs  th e  distribu ti on  gr a dients  of  each  sp eci es  in  the  SO M  m ap.   Sp eci es  sho wing   a  stron g  gr adient   disp la y  a  high  SI   val ue,   w herea s  sp eci es  showi ng   a  wea k  gr a dient  prese nt  a   low  SI   va lue.  Th us ,  the  highe r   t he  val ue of  SI,  the m or e rele va nt the va riabl e is to t he  str uc ture of  the m ap .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Self - org an izi ng  map  ( SOM)  for  s pecies  distr ibu ti o n modell ing of  bir d …   ( Sa lw ana  M ohama d @  Asm ara )   5239   8.   SOM M AP  G RID   The  S OM  m ap   sp eci fy  the  nu m ber s  of   r ow s   and   c olu m ns   in  the  gri d.   We   determ ine  the  nu m ber   of  rows  an d  col um ns   is   set   to  10 .  Fig ure  2  sho ws  the  S OM  m ap  gri d  f or   ou t pu t  ne uro n.   T he   def a ult  top ol og y  of   the  S OM  is  he xago nal.  T his  fig ur e  sho ws  t he  neur on  loca ti on s  i n  the   to po l og y,   an d  in dicat es  ho w  m any  of   the  trai ning  da ta   are  associat ed  with  eac h  of  the  ne uro ns   ( cl us te r  cente rs ).   T he  to po l ogy  is  a  10 - by - 10  gri d,    so  t her e a re  10 0 neur on s .           Figure  2 .   S OM m ap  gr id  for o utput ne uro n       9.   CLUS TE RI N G LA ND TYP E USE   Ther e  a re  53  el e m ents  in  eac h  input  vecto r  wh ic h  is  on e  pe r  bir d  sp eci es.   The  weig ht  ve ct or s  w hi c h  is  cl us te r  ce nt ers   fall   within   the  ou t pu t  ve ct or   s pace  of  t he  100  ne uro ns.  A n  i nput  ve ct or   is  a   ve ct or  wit h  featur e s  of  vari ables  an d  at tr ibu te s  wh e reas   the  at trib utes  represe nted  by   11   sit es  of   sam pling .  The   input   vecto r  is  c orre la te d  with   eac h  un it .   T he  S OM  m ap  gri d  sh ows   al l  poss ible  analy sis  usi ng  a  def i ned  set   of   ou t pu t  vecto rs.  Me anwhil e,  th e  input  vect or s   will   be  s or te d  on   t he  gr id   so  that  si m il ar  inp ut  vect or s  a re  cl os e   to  each  oth e r  and   dissim il ar  inp ut  vect or s   are  far   from   each  oth e r.   A   visu al iz at ion   too l  f or   the  S OM  is   the   wei gh t  dist ance m at rix   as   in Figu re  3 .   In   Fig ur e   3,  th e  blu e   he xa gons   represe nt  th e  ne urons.  T he   red  li nes  c onne ct   neig hbouri ng  ne uro ns.   The  col or s  in  the  reg i on s  c onta inin g  the  re d  li nes  sh ow  the  distances  be tween  ne uro ns.  The  da rk e r  colo rs  repr ese nt  la rg e r  distance s,  a nd  the  li ghte r  c olors  re pr e sent   sm a ll er  distances.  The  SO M   netw ork  a pp e ars  t o  hav e  cluster ed   the lan d use ty pe  int o four dis ti nct g r oups as  in Figu re  4.               Figure  3. S OM  weig ht  distanc e m a trix   of  nei ghbour  distances     Figure  4. Cl us t ers of  sp eci es  di stribu ti on  on  SO M               Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber   201 9   :   52 35   -   5243   5240   These  cl us te rs  ref le ct ed  t he  la nd   us e  ty pe   at   each  of   sam pling   sit e  wh ic h  a re  cl us te r   1  c or respo nd s   to  forest  veg et at i on.  Cl us te r  2  c orres ponds  to  peat  swam p  forest.  Cl us te r  3  corres ponds  to   low  la nd   di ptero ca rp   forest  an d  m elalueca  f or est .  Cl us te r  4  c orr e sponds  to  or chard  a nd   pla ntati on .   The  t r ai ned   m ap  of   SO M  consi sti ng   of  node s  relat e d  to   their  outp ut  ve ct or s  is   prese nted  by  t wo - di m ension al   ( 2D)  c om po ne nt  pl anes .   The  wei gh t  ve ct or   relat ed  t o  each  ne uro n  will   transf e rs  to  bec om e  the  cl us te r  cente r  of   a n  in pu t  ve ct or.     The  va riable  di stribu ti on  val ues  are  repres ented  on   th e  trai ne d  m ap  by  di vid e d  sect ion s .  Eac h  sect ion   of   the  va riable  di stribu ti on  is  di ff e ren ti at ed  by   dif fer e nt  c olours.  T hese  c om po nen t  plane s  co uld   be  c ompare d  i n  order  to  ide ntif y  si m i l arit ie s  between   var ia bl es.  As su m ption   ca n  be   m ade  that  the  in pu ts  are  hi gh ly   c orr el at ed  if  the  relat ion   patte rn s   of  tw o  in puts  we re  ver y  sim il ar.  The  c om po ne nt   planes  re pr es enting  pr ob a bi li ty   of  occurre nce   as s how n  in  Fig ure  5 .           Figure  5. S OM for  al l  pro bab i li ty  o f  bir d spe ci es o cc urren c e       So m e  patte rn s  of   sim il arity  cou ld  be  disti ng ui sh ed  s uc h  as  s i m i la r  distrib ution   for  the  s pe ci es  of   Ixos   ma l accensi s ,  Sta chy ris  eryt hr opte r a,  Pel lorn eu m   cap ist ra t um,   Prionochilu s  percussus ,   Dicaeum   tri gin os ti gm a,   Ire na  puel la, O tus bakk amoe na  and  Cy mb ir hy nchus  macr orhync hos .  Th e s e   sp eci es  was s how n  to  prefe r  cl us t er  3  a nd  4  w hi ch  co rr es pond s  to  lo w  la nd  dip te r ocarp  for est ,  m e la lueca  forest,  or c hard  an d  plantat io n  la nd  us e  ty pe .  O ther  s pecies  with  sim il ar  distribu ti on  are   Pycnon otu s  go i avier,  Tric ha st om a    Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Self - org an izi ng  map  ( SOM)  for  s pecies  distr ibu ti o n modell ing of  bir d …   ( Sa lw ana  M ohama d @  Asm ara )   5241   ma l accense ,  St ach yri s   poli oc ephala ,  P rio no c hilus   pe rc us s us ,   Aegit hin a  ti phia  has   bee n  re ported  to   be   par ti cula rly   com m on   in  cl us te r  2  w hich  co r respo nd s  to  pe at   swa m p  fo re st  and   cl us te r  3  an d  4.   S pecies  of  Geopeli a  stri a ta,  P hilento ma  pyr hopter a   a nd   Eryt hrur a  pr asi na   wa s  s how n  to  be  i n  cl us te r  1  wh i ch  is  corres ponds  to   fo re st  veg et at i on.  The  a vaila bili ty   of   hab it a t  su ch  as  the  c har act erist ic   of   the  veg et at io n  and   the  f ood  s our ces   has   a  la r ge  im pact  on  bir d  distrib ut ion   an d  bir ds  de pe nd  so le l y  on  their   ha bitat   for    su r viv al   [35 ,  36] .  The refo re,  the  analy sis  re su lt   shows  t he   certai n  ha bitat   that  hav e  the   food   s ource  f ro m   the  ve getat io n  w hich  is   a  c r ucial   in dicat or  to  c onser ve  t he  bir d  s pecie s  that  hav e   th e  sig nificant  r ole  in  ecolo gy.  Also,   t he  pr ese nce   of  bir ds  in  a   pa rtic ular  a rea  i s  m ai nly  influ enced  by  othe r  cru ci al   c har act erist ic s  su c h  as  su it abl e  hab it at ,  sh el te r,   le ss  com petit ion   and   pre da ti on   [ 33 ] .  Ra m li  et   al .   [33]   al so   sta te d  that  bird   popula ti on   siz e  in  a  sp eci fic  area  is  m ai nly  aff ect ed   by   f ood  sup ply ,  sea so na l  breedi ng,  m igrator y  act ivit ie s   and  ha bitat   cha ng e s.  Ha bitat   sel ect ion   of  dif f eren t  bir ds  va ries  f ro m   sp eci e s  to  sp eci es.   Bi rd s   m ay   resp ond  t o  diff e re nt v e get at ion al  str uctu r e   [ 37 ,  38] .       10.   CONCL US I O N   The  SO M  wa s  fo un d  to  be   an  eff ect ive  analy ti cal   too l  fo r  un der sta ndin g  the  respo ns es  of  bi r d  sp eci es  to  dif f eren t  ha bitat   a nd   assess  the  relat ion s hip   of   each  sp eci es  assem blages  i n  each  la nd  use   ty pe.   Patt ern s  an d  relat ion s hip   in   ecolog ic al   c omm un it ie s  c an   be  re pr e se nted  vis ually   and   the  unpre dicte d   structu res  t hat  m igh t  be  r evea le d  by  the  a nal ysi s  al so   can  be   disco ve red.  Howe ver,  S O M  has  a  li m it a ti on   to   cl assify   data  be cause  e ver y  S OM  is  dissim i l ar  [ 7] .  It  will   fi nd   a  sm all  different  sim il ari ties  am on g  the  s a m ple  vecto rs  each  ti m e  the  pr el i m i nar y  co ndit ions  are  cha ng e d.  In   orde r  to  ha nd le   this  lim itati on ,  the  c hange  i n  rank  of  each  s pecies  m us t  be  ob se rved  a nd   identifie d  t o  ge ner at e  a  valid   SO M  ra nk s  e ach  tim e  the  data  are   resam pled  an d  a  ne w  S OM  m od el   create d.  Des pite  the  li m it a ti on ,  S OM   and  m achine  le arn i ng   m et hods   m a y  be  ef fici ently   app li ed  for  a  co m plex  and   no nl inear  data.  It  m ay   pr ov i de  m or e  acc ur at e  as sessm ents  of   sp eci es   patte rn   a nd  ec ology  proce ss es  than  t rad it ion al   sta ti sti cal   m et ho ds.  T h e  app li cat io n  of   SO M  m et ho ds  in   the  correla ti on  b et wee n  sp eci e s  distrib ution   a nd   ec ology  assessm ent  cou ld  be  an  ef fort  to  dev el op   strat e gy   for   conser ving  biodive rsity  en vi r on m ents.       ACKN OWLE DGE MENTS     Appreci at ion   c onveyed   to  U niv e rsiti   Ma la ysi a   Paha ng  f or  pro j ect   fina ncin g  unde r  R DU1 80363 .   Ma ny  tha nk s   to  our   pa rtne r s  from   Un ive r sit i  Ma la ysi a  Tereng ganu  f or  their   co ntri buti on  in  fiel d  data   colle ct ion  a nd  ideas  propose d i n  this  p a per.       REFERE NCE S   [1]   L .   Ca y u ela  e t  al . ,   “ Speci es  distr i buti on  m odel ing   in  the  tropics:  p roble m s,  pote n tiali t ie s,  and  th e  r ole   of  b iol ogi ca l   dat a   for effe ct iv e  spec ie s  conse r vat ion , ”   Tr op.   C onserv.   S ci . ,   vo l. 2, no. 3, pp. 319 – 352,   2009 .   [2]   R.   G.  Pear son,  “ Speci es’  distri buti on   m odel ing  for  conse rva ti o n  educ at ors  and  pra ctiti on ers,”     Less ons Conserv . ,   vol. 3, pp. 54 – 89,   2010 .   [3]   K.  Voigt ,   “ Envi r onm ent al   informati on   databa ses, ”   Encyc l .   Comput .   Chem . ,   1998.   [4]   J.  Mill er,  “ Species di stribu ti on   m odel ing , ”   Geogr.   Compas s ,   vol. 4 ,   no .   6 ,   pp .   490 – 509,   2010 .   [5]   J.  El it h ,   M.  A.  Burgm an,   and  H.  M.  Rega n,   “ Mapping  epi stemic  u nce rt ai nt ie s  and  vague   concept s  i n  pre dic t ions  of  spec ie s d istri but i on, ”  Ec o l. Modell. ,   vol .   15 7,   no.   2,   pp .   313 – 329 ,   2002.   [6]   D.  R.   Paini,  S.  P.  W orne r,   D.  C.   Cook,   P.  J.  De  Barr o,   and  M.  B .   Thomas,  “ Us ing  a  self - orga n iz i ng  m ap  to  pre di ct  inva sive  spe cies:  sensiti vity   to  d a ta   err o rs  and  a  c om par ison  with  expe rt  op ini on , ”  J.   App l.   Ec o l. ,   v ol.   47 ,   no.   2 ,   pp .   290 – 298,   2010 .   [7]   S.  P .   W orne r  and  M.  Gevre y ,   “ Modell ing  glob a l  insec t  p est  spec ie s  assem bla ge s  to  det ermine  r isk  of  inva sion, ”     J.   Appl. Ecol. ,   v ol.   43 ,   no .   5 ,   pp .   858 – 867,   2006 .   [8]   R.   Cér éghi no ,   J.   L.  Gira ud el ,   an d  A.  Com pin,  “ Spati al  an aly sis  of  strea m   inv erteb rates  distri b u tion  in  the   Adou r   Garonne   dra ina g e  basin  (Franc e) ,   using  Kohonen  self  orga nizing  m aps, ”  Ec ol .   Mode ll. ,   vol .   146,   no.   1 – 3,   pp.   167 – 180,   De c. 2001.   [9]   M.  A.  McGeoc h,   P.  Genove si,  P.   J.  Bel li ngham,  M.  J.  Costel lo,   C.   McGranna ch an,   and  A.  Shep par d,   “ Priorit i zing   spec ie s,   pa thwa ys,  and  si te s  to   a c hie ve   conse rv at i on  ta rg et s  for  b i ologi c al   inva sio n, ”  Bi ol .   In vasio ns ,   vol.  18,   no.   2 ,   pp.   299 – 314 ,   20 16.   [10]   T. - S.  Chon  and  Y. - S.  Park,   “ Self - Organi zi ng  M ap  A2    -   Jørgen sen,   Sven  Eri k, ”   B.   D.  B.   T. - E .   of  E.   Fath,   Ed .   Oxford:  Aca d emic  Press ,   2008,   p p.   3203 – 3210 .   [11]   J.  L.   Gi rau de l  a nd  S.  Le k ,   “ A  compari son  of  self - orga n iz ing   m ap  al gorit hm   an d  som e  conventiona l   stat isti c a l   m et hods for  e cological  comm unity   ordination,”  E col .   Mode ll . ,   vo l .   146 ,   no .   1 – 3 ,   p p.   329 – 339 ,   De c .   2001 .   [12]   S. - H.  Park,   S.  H osoishi,  K.  Ogat a,   and  Y .   Kuboki,   “ Cluste ring  o f  ant   comm unit i es  and  indicat or   spec ie s  an aly si s   using se lf - orga n i zi ng  m aps, ”  C .   R .   B iol. ,   vol. 337,  no.   9 ,   pp .   545 – 5 52,   Sep .   2014 .     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber   201 9   :   52 35   -   5243   5242   [13]   M.  E.   Hopton  and  A.  L.   Ma yer ,   “ Us ing  self - orga nizing  m aps  to  expl ore   pa tt ern s  in  spec i e s  ric hness  and   prote c ti on, ”  Bi o div ers.  Conser v. ,   vol. 15, no. 14,  pp.   4477 – 4494 ,   2006.   [14]   P.  Juntunen,   M.   Li ukkonen ,   M. Leht ol a,   and  Y. H il tune n ,   “ Cluste r  anal y s is b y   se lf - orga ni zi ng  m a ps: An  appl ication   to  the   m ode ll i ng  of  wate r   qual ity   in  a  tre a tment  proc ess,”   App l.   So ft   Comput. ,   v ol.   13 ,   no.   7 ,     pp.   3191 – 3196 ,   Jul.  2013.   [15]   T.   Kohonen ,   “ The   self - org anizin g  m ap, ”   Neuroc omputing ,   vo l. 2 1,   no .   1 – 3 ,   pp .   1 – 6,   Nov.   1998.   [16]   A.  M.  Kalt eh,   P.  Hjorth,   and  R.   Berndt ss on,   “ Revi ew  of  the   self - orga nizing   m ap  (S OM )  a pproa ch  in  wat er   resourc es:  An alys is,  m odel li ng   an d  application , ”   E nvi ro n.   Mod el.  S oft w. ,   vol .   23 ,   no .   7 ,   pp .   835 – 845 ,   Jul.  2008 .   [17]   D. - H.  Kim ,   W . - S.  Cho,   and  T. - S .   Chon,   “ Self - or gani z ing  m ap  an d  spec ie s  abund a nce   distr ibut ion  of  strea m   bent hi c   m ac roinve rt ebr a te s  in  rev ea l i ng  comm unit y   pat te rns  in  diffe ren t  sea sons , ”  Ec ol .   I nf orm . ,   vol.   17,     pp.   14 – 29 ,   Sep .   2013.   [18]   Kam al   Moham m ed  Alhenda wi ,   “ Predic ti ng   th e   eff e ct iv ene ss   of   web  informat io n  s y stems   using   neur a l  n et works  m odel ing:   fr ame work &   empir ical te sting , ”   Int .   J .   Sof tw. E ng .   Co mput.   Syst . ,   vol .   4,   no .   1 ,   pp .   61 – 74,   201 8.   [19]   H.  Q.  and  H.  I. - K.  A.  R.   Ajibo y e,   R.   Abdulla h - Ars hah,   “ Eva luating  the   eff ec t  o f  d at ase t  siz e  on  pre dic t ive   m odel  using supe rvised   learni ng   techniq ue, ”   Int .   J. Sof tw .   Eng .   Comput .   S ci . ,   vo l. 1, pp. 75 – 84,   2015 .   [20]   E.   Olkows ka,   B .   Kudłak ,   S.  Ts akov ski,  M.  Ru m an,   V.  Sim eonov,   and  Z .   Polk ows ka,   “ As ses s m ent   of  the   wa t er   qual ity   of  Kłodn ic a  River  ca t ch m ent   using  self - orga nizing  m aps, ”  Sci.  Total  Environ. ,    vol.   476 – 477,   pp.   477 – 484,   Apr.  2014.   [21]   W. - P.  Tsai ,   S . - P.  Huang,   S. - T.   Cheng,   K. - T.   Sh ao,   and   F . - J.  Ch ang,   “ A  dat a - m i ning  fra m ework  for  expl oring  th e   m ult i - relati on   bet we en  fish  spec i es  and  wa ter  qualit y   t hrough  self - o rga nizing  m a p, ”     Sci .   Total Env iron. ,   vol. 579, pp.  474 – 483,   Feb .   2 017.   [22]   S.  M.  Sharif,   F.   M.  Kus in,   Z.   H.  As ha’ ari ,   and  A.  Z.   Ari s,  “ Chara c te ri zation  of   W at er  Quali t y   Condit ions  in  th e  Klang  Rive r  Ba sin,  Malay sia  U sing  Self  Organi zi ng  Map  and  K - m ea ns  Algorit hm , ”  Proce dia  E nvi ron.  Sci. ,   v o l .   30,   pp .   73 – 78 ,   2 015.   [23]   S.  Moham ad,   “Ge ner ating  visual isation  for  crim e  sce ne  inve st iga ti on   b ase d  on  proba bil i t y   r e sult  of  knowledge - base d  s y s te m , ”   I nt.   J. Comput. Appl.   Te chnol. ,   vo l.   56 ,   no .   1 ,   pp .   1 8 – 26,   2017 .   [24]   C.   J.  R al ph,   S.   Droege ,   and  J.   R.   Sauer ,   “ Ma nagi ng  and   m onit oring  b irds  u sing  point   coun ts:  standa rds  an d   appl i ca t ions,  p .   161 – 16 8. , ”   CJ  R alph,   JR   Sauer,   S.   Dr oege   [ te ch .   eds. ] ,   Monit.  bi rd  Popul .   by  point   count s.  USD A  For.   Serv .   G en.  Tech.   Re p .   PSW - GTR - 149 ,   1995.   [25]   C.   Robson,   Fiel d  guide t o   the bi rds   of  South - Eas t  Asia .   Uni te d  Ki ngdom :  New Holl and   Publishers,   2002.   [26]   M.  Strange a nd  A.  Je y araja sing a m ,   Bi rds :  a  phot ographic  guid e  t o  the   b irds of  P e ninsular Mal aysi a  and  Singapore .  VV B  La ufe rsw e il er ,   1993 .   [27]   G.  Davison,  A   p hotographic   gu i de  to   birds of   Peninsular Mal aysi a  and  Singapore .   New Hol la nd ,   2003.   [28]   T.   S.   W on g,   A  Naturali st’s  Guide  to  the   Bi rds   o f  Borneo:   Sabah ,   Sarawak,   Brun ei   and  Ka li mant an .   John  Be auf o y   Pub.,   2012 .   [29]   D.  R.   W e ll s,  “ T he  birds  of   the  T hai - Mal a y   Penin sula.   Vol .   2 .   Th e   Pass eri ne  B irds  of  Southern  Tha i la nd,   Peninsular   Malay s ia a nd   Si ngapor e.”  Prin ceton:  Prin ce ton   Univer sit y   Pr ess, 2007.   [30]   K.  Chm el ,   J.  Ri ege rt ,   L.   Pau l,  a nd  V.  Novotný ,   “ Vert ical  str at if ic a ti on  of   an   av ia n  comm unity   i n  New  Guine an   tropi c al   r ai nfor e st,”   Popul.  E col. ,   vol .   58 ,   no .   4 ,   p p.   535 – 547 ,   201 6.   [31]   N.  M.  Azm an,   N .   S.  A.   La ti p ,   S.  A.  M.  Sah,   M.  A .   M.  M.  Akil,   N.  J.  Shafie ,   and  N.   L.   Khair uddin ,   “ Avian  dive rs i t y  and  fe edi ng  gu ilds   in  a  se conda r y   for est,  an  o il   pal m   pla n ta t ion  and  a   padd y   f ie l d  in  rip arian  ar e as  of  th e  Keri a n   Rive r  B asin, Per ak,   Ma lay si a,”  T rop.  life   Sci. R es . ,   vol. 22, no. 2,  p.   45 ,   2011 .   [32]   J.  V  Rem sen  Jr   and  D.  A.  Goo d,   “ Misus e  of  d at a  from   m ist - net   ca p ture s  to  a ss ess  rel at ive   ab undanc e  in  bird   popula ti ons , ”  Au k ,   pp .   381 – 398 ,   1996.   [33]   R.   Ramli ,   Z .   Ya ’co b,   and  R.   Ha shim ,   “ Diver sit y   of  Birds  In  Ke naboi   Forest  R e serve ,   Je le bu ,   N ege ri  S embila n,   Malay s ia,”  Mala ysian  J .   S ci. ,   vol. 28, no. 4, pp. 46 5 – 480,   2009 .   [34]   E.   Nor  H ashim  and  R.   Ramli ,   “ Com par at ive  stu d y   of   under stor e y   birds  d ive rsit y   inha bi ti ng   lo wland  ra infore s t   virgi n  jungl e   res erv e and  r ege n er at ed   fore st , ”   Sci.   World  J . ,   vol .   2 013,   2013 .   [35]   R.   Gill,  Monit or ing  the   status  of   European  and  North  Ame rican   ce rvids: [ fi na l  report  for  UNEP  GEMS  projec t  S T  4101 - 84 - 02  ( PP   2551) ] .   UN EP ,   1990 .   [36]   K.  C.   Ta na lgo,   J.  A.  F.  Pineda ,   M.  E.   Agrava n te ,   and  Z.   M.  A m ero l,   “ Bird  Diver sit y   and  Stru ct ure   in  Diff erent  La nd - use  T y p es  in  Lowla nd  South - Ce ntra l  Mindan a o,   Phili ppin es, ”  Tr op.   Life   Sci .   Re s. ,    vol.   26 ,   no .   2 ,   pp .   85 – 103 ,   De c. 2 015.   [37]   C.   H.   Se ker c iog lu,   “ Eff ec ts  o f  f ore str y   pra ctice s   on  veg etati on   struct ur e  and  bir d  comm unity   of   Kibale  Na ti ona l   Park,   Ugand a,”  Bi ol .   Conserv . ,   v ol.   107 ,   no .   2 ,   pp .   229 – 240 ,   2002 .   [38]   N.  S.  Sodhi,  L.   P .   Koh,  D.  M.  Prawira dilaga,   I .   Tinulele,   D.  D.  Put ra,   and  T .   H.   T .   Ta n,   “ La nd  use  and  conse rva ti on   val ue   for  for est birds i n  C ent r al   Sulawesi  (Indon esia ),”  Bi ol .   Con serv. ,   vol. 122, n o.   4 ,   pp .   547 – 55 8,   2005 .                   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Self - org an izi ng  map  ( SOM)  for  s pecies  distr ibu ti o n modell ing of  bir d …   ( Sa lw ana  M ohama d @  Asm ara )   5243   BIOGR AP H I ES   OF  A UTH ORS       Sal w ana   is  a  PhD   holde r  in  Com pute r  Scie n ce .   H er  rese arch   int er ests  are   dec ision  suppor t   s y stems ,   knowl edge   eng ineeri n g,   databa se ,   si m ula ti on  and   b iodi ver sit y   info rm at ic s.  She  is   cur ren t l y   a  seni or  lectur er  a t  Fa cul t y   of  Com put er  S y st ems   and  Software   Eng ineeri ng,   Univer si ti  Malay s ia   Pah an g.   Form erly ,   sh e  was  a  postdo ct ora l  res e arc h e r  at   Ken y i r  R e sea rch   Inst it ut e,   Univer siti   Malays ia   T ere ngg anu .         Ge rt rude   is  a  p ostgradua t e  student   at   Univer sit i   Malay si a  Te r en gganu.   She  is  cur ren tly   pursuing  Master   degr e e  a nd  her   rese arc h  i s  about   birds  spec ie s  at   Peninsul a r  Malay s ia.   Her  rese arc h  int er est   are a   ar e  orn it hol og y ,   av ia n   e col o g y ,   bird   biod ive r sit y   and   bird   bio dive rsit y .           Mohd  Tajuddin   was  el ec t ed  a nd  induc t ed  as  Fell ow  in  th e   Aca dem y   of  Sci e nce   Mal a y s ia   o n   the   8th  June  2013.   Resea r ch  disc ipl ine   -   Zoo log y,   Molec ul ar  E co l og y ,   Biodi ver si t y   and  Prote ct e d  Area   Mana geme nt.   In  1970s  -   8 0s  on  the   Su m at ran   rhinos  conse rva t ion.   1990s  -   on  dive rsit y ,   distri buti on ,   pop ula ti on ,   ec o log y ,   and  spe cies  con serva ti on   and  th ei r  n at ura l  h abi t at s  in   Peninsula r   and  Borneo.   20 00s  -   on  m ole cu la r  e col og y   a nd  bioge ogra ph y   of  m amm al s   in  Borneo  and   Peninsula r  Ma l a y si a.  2011 -   2 014  on  zoono ses,  genome  a nd  m et age nom i c  of  pr imate s.    2014  -   2018:   res ea rch   on  the  Ora ng  As li   sus ta in a bil ity ;   ca nop y   b i olog y ;  Ken y i r   l a ndsca pes;  isla nds   and  wet la nds  in Te ren gg anu, Ma lay s ia.         Wan  Isni  Sofia h   is  a  senior  le cturer  at   th e  Facult y   of  Com pute r  S y stems   &  Software   Engi n ee rin g,   Univer siti   Mal a ysia  Pahang.   She  holds  a  PhD   in  Inform at ion  Tech nolog y   &   Quantitat iv e  Sci enc es ,   Master   in  Com pute r  Sci enc e  a nd  Networki ng  and  her   first  d e gre e  in  Da ta   C om m unic at ion  &  Networki ng  fro m   Univer siti   Teknologi  Mara   Sh ah  Alam,  Mal a ysia.   Her  f ie lds  of   rese arch  intere s t   are   D at a   Com muni cation  &  Ne t working,   Netwo rk  Desig n  &   Alg orit hm ,   W ireless  Sensor  Network ,   Cluste ring   and  F uzzy   Logi c .           Dan akorn   is  cur ren t l y   a   Seni or  Le c ture r  at  the   Depa rtme nt  of  Graphi c   and  Multi m ed ia   Te chno log y ,   Fa c ulty   of   Com puter  S y stems   &  Sof twar e  Engi ne ering,  Univer si ti   M al a y si a  Pahang .  He  ea rne d  his  PhD   from  Univer siti   Te knolog i  Malay s ia   (UTM )  in  Educ at ion al  Te chnol og y   an d   rec e ive d  his  M aste r  in  Educ a tional  T ec hnolog y ,   Bac h el or  De gre e  in  Com put er  Scie n ce   and  Diploma  in  Comput er  Scie n ce   ( Multi m edi a)  fro m   UTM.  His  res ea rch   cur iosit y   f al l s  withi n  but  n ot   restr icted  to  aug m ent ed  rea l ity ,   virt ual   re alit y ,   g rap hic   and  m ultim edi a,   edu ca t io nal   te chno log y ,   ani m at ion ,   computer - base d   edu cation and  instru cti onal   d esign.             Ah mad  Fi rdau s   disti nct iv ely   r ec e ive d  his  Ph D  from   Univer s ity   of  Mal a y a ,   Malay s ia.  He  a l so   obta in ed  his  Master s  of  Com p ute r  Scie n ce   ( Networki ng)  from   Univer sit y   Te knologi   Mar a ,   Malay s ia.  He  is  cur ren tly   a  sen ior  le c ture r  at   t he  Facul t y   of  Com pute r  Sy st ems   and  Software   Engi ne eri ng  at   Univer siti   Ma lay sia   Pahang,  Malay si a.   His  a r e a  of  rese arc h  i ncl udes  Mobil e  Secur ity ,   Blo ckchai n  and  In trusio n  Detect ion   S y st em.     Evaluation Warning : The document was created with Spire.PDF for Python.