هدف این پژوهش ارزیابی کارآیی مدل شبکه‌ عصبی مصنوعی برای تهیه نقشه پیش‌بینی رویشگاه‌های گیاهی در مراتع استان قم است. بدین منظور، با رویهم‌گذاری نقشه‌های شیب، جهت و ارتفاع، واحدهای همگن تهیه شدند و نمونه‌برداری از پوشش گیاهی و خاک انجام شد. در آخر نقشه مربوط به متغیرهای محیطی با استفاده از سامانه اطلاعات جغرافیاییو زمین‌آمار تهیه شد. برای تهیه مدل شبکه عصبی از پرسپترون چندلایه بهره‏گیری شد. پس از پیش پردازش‌های لازم روی داده‌ها (نرمال‌‌سازی  و تقسیم داده‌ها به سه مجموعه آموزش، آزمون و اعتبارسنجی)، بهترین ساختار شبکه، با تغییر پارامترهای قابل تنظیم (تابع انتقال، قانون یادگیری، تعداد لایه میانی، تعداد نرون لایه میانی) و با استفاده از معیارهای آماری محاسبه‌شده در مرحله آزمون (میانگین مربعات خطا) تعیین شد. بعد از انتخاب شبکه بهینه، شبیه‌سازی احتمال حضور و عدم‌حضور گونه‌ها انجام و نقشه پیوسته احتمال حضور و عدم‌حضور گونه‌ها با استفاده از نرم‌افزار Arc GIS در هر رویشگاه تهیه شد. در مرحله بعد آستانه بهینه حضور به روش حساسیّت و اختصاصیّت برابر تعیین شد و مقدار تطابق نقشه‌های به‌دست آمده با نقشه‌های واقعی با محاسبه ضریب کاپا بررسی شد. بر اساس نتایج، دقیق‌ترین مدل پیش‌بینی برای همه رویشگاه‌ها با استفاده از تابع انتقال سیگمویید و قانون آموزش لونبرگ مارکوارت حاصل شد. نتایج نشان داد که نقشه‌های پیش‌بینی برای رویشگاه‌ Artemisia sieberi₂ دارای تطابق عالی؛ رویشگاه Halocnemum strobilaceumدارای تطابق خیلی‌خوب؛ رویشگاه‌ Tamarix passerinoides دارای تطابق خوب؛ رویشگاه Seidlitzia rosmarinus دارای تطابق متوسط و رویشگاه Artemisia sieberi₁ دارای تطابق ضعیف با نقشه‏های واقعیت زمینی است. این نتایج گویای آن است که شبکه پرسپترون چند لایه در مدل‌سازی و برآورد محدوده جغرافیایی پراکنش رویشگاه گونه‌های مورد مطالعه از دقّت قابل قبولی برخوردار است و در صورتی‌که متغیرهای ورودی به شبکه به درستی انتخاب شوند می‌تواند شبیه‌سازی حضور و عدم حضور را با دقّت بالایی انجام دهند.