۳۹
مقدمه
126873867918

Downloaded from ijae.iut.ac.ir at 16:11 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.5.15.39 ]

Downloaded from ijae.iut.ac.ir at 16:11 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.5.15.39 ]

مدلهـای پـراکنش گونـه ای (Species Distribution Models) الگوریتمهای تحلیلی و یا آماری هستند که مـی تواننـد پـراکنش واقعی یا بـالقوه گونـه را بـا ارتبـاط دادن مشـاهدات میـدانی و لایههای متغیرهای محیطی پـیش بینـی کننـد . تـاکنون مجموعـه گستردهای از مدلهای آماری و مبتنی بر یادگیری ماشین معرفی شـده ان د( 17، 19 و 24). گ روه وی ژهای از م دله ای پ راکنش گونهای تنها مبتنی بر نقاط حضور هستند( 24). کـارایی روش هـایمدلسازی مبتنی بر نقاط حضور ،متأثر از انتخاب نقـاط پـسزمینـه،متغیرهای پیشبینی کننده، پیچیدگی انتخاب پارامترهای مـدل سـازیو مهمتر از همه وضعیت نقاط حضور مـی باشـند ( 18، 20، 22، 28، 33، 34، 36 و 37). در کنار این مشکلات، فعل و انفعـالات زیسـتیممکـن اسـت کـاربرد مـدله ا را براسـاس پـیشبینـی کننـدهه ای غیرزیستی محدود کند( 28).
در ایران نیز اخیراًیرا، مدلسازی پراکنش گونهای بسـیار مـوردتوجه قرار گرفته است و در مقیاسهـای مختلـف و روشهـایگوناگون انجام شده است( 1، 4، 7، 9، 10، 11 ،12، 13 و 21).
چنین مدلسازیهایی هم برای گونههای جـانوری و هـم بـرایگونههای گیـاهی صـورت گرفتـه اسـت. مطالعـات مربـوط بـهگونههای گیاهی دارای تعداد بیشتر و تنوع بیشتر در روشهـایمورد استفاده است و بهنظر میرسد دلیل آن نیز تعیین راحتتـرنقاط حضور گونههای گیاهی نسبت به گونههای جانوری است .
از مهمترین ایـن مطالعـات مـیتـوان بـه مطالعـات سـنگونی وهمکاران (6)، ساکی و همکاران( 5)، زارع چاهوکی و همکاران (4)، پیری صحراگرد و همکاران( 2) و رحمتی و همکاران( 3) اشاره کرد که برای مدلسازی پراکنش گونههای مختلف گیاهی به ترتیب از تحلیل عاملی آشیان اکولوژیک، رگرسیون لجستیک ،رگرسیون لجستیک، رگرسیون لجستیک و مـدل شـبکه عصـبیمصنوعی استفاده کـرده انـد. امـا در ارتبـاط بـا تعیـین پـراکنشگونههای جانوری، نبود اطلاعات کافی نقاط حضور گونـه هـا وهــمچنــین نقشــههــای رقــومی بــا کیفیــت دو مشــکل عمــدهمدلسازیهای صورت گرفته در ایران است. جمـع آوری نقـاط
۴۰
حضور و عدم حضـور فرآینـدی سیسـتماتیک و طـولانیمـدتاست، و در نتیجه، تمایل بـه اسـتفاده از نمایـه هـای گونـههـا ومهمتر، گفتگو با محیطبانان و اعتماد به گفتـه هـای آنهـا، بسـیاررواج یافته است. یک مدلسازی پراکنش خوب نیاز دارد تا اولااولاً نقاط حضور از کل منطقه حضور گونه جمعآوری شده باشـد وثانیایاً بهصورت سامانمند (سیستماتیک) جمعآوری شده باشد تـابدون اریب باشد. اگر تعداد نقاط حضور زیاد باشد، تا حدودی میتوان از این مشکل صرفنظر کرد( 35)، همـان طـور کـه دربسیاری از مطالعات جهانی از دادههای موزهای در کنار دادههای میدانی برای دورههـای زمـانی مختلـف اسـتفاده کـردهانـد، امـامتاسفانه نقاط حضور گونهها در کشـور زیـاد نیسـت و اصـولاًاصـولا تعداد کم نقاط، مشکلی دیگر در مدلسـازی اسـت. متغیرهـایمورد استفاده در مدلسازی در ایران هم بیشتر از هر چیز متـأثر از وجود اطلاعات است تا مبتنـی بـر بـوم شناسـی گونـههـا ومعمولاًمعمولا این لایهها هم دارای همگنـی زمـانی و مکـانی نیسـتند.
مشکل سومی که نسبت به دو مشکل اول کمرنگتر است دانش فنی کم نسبت به فرآیند مدلسازی و نرمافزارهای مورد استفاده است. برطرف کردن دو مشکل اول، کار سهل و آسانی نیست و به زمانی طولانی و هزینـه زیـاد نیـاز دارد و از حیطـه وظـایفبومشناسان خارج است؛ اما مشکل سوم با افزایش دانش فنی به راحتی قابل برطرف کردن است. استفاده از فرآینـد مـدلسـازیصحیح و معتبر تا حدودی و در بخشی از موارد نیز میتواند تـاحدی دو مشکل ذکر شده را برطرف کند. بنابراین، هدف از این پژوهش این است تا با استفاده از مطالعهای موردی درباره قـوچو میش در منطقه حفاظـت شـده تنـگ صـیاد، نشـان داده شـودچگونه میتوان با دادههای نقاط حضـور معمـولی و متغیرهـایمحیطی مورد استفاده اکثر مطالعات ایرانی، مدلسـازی پـراکنشبهتری انجام داد.

مواد و روشها
منطقه مورد مطالعه
منطقه تنگ صیاد ناحیه کوهستانی و نسبتاً مرتفـع بـا مختصـات ´ 59 °50 تا ´9 °51 طول شرقی و´31 °32 تا ´17 °32 عرض شمالی و حدود 27000 هکتار مساحت اسـت و شـامل منطقـهحفاظت شده و پارک ملی میباشد( شکل 1). 20 تیپ گیاهی و 252 گون ه گی اهی متعل ق ب ه 52 تی ره ک ه ح دود 30 گون ه انحصاری ایـران مـ یباشـد در منطقـه جمـع آوری و شناسـایی گردیده که نشاندهنده اهمیت این ذخیرهگـاه ژنتیکـی و حـدود 70 گونه دارای ارزش گیاهی میباشند. تاکنون در منطقه مذکور
24 گونه پستاندار از 19 جنس متعلق به 14 خـانواده ، 70 گونـه پرنده از 54 جنس متعلق به 35 خانواده، 26 گونـه خزنـده و 4 گونه دوزیست شناسایی شده است (8).

روش کار
در این تحقیق از 98 نقطه حضور قوچ و میش برای مدلسـازیاستفاده شد. خود همبستگی مکـانی ( spatial autocorrelation) میان نقاط حضور با استفاده از شاخص Morans I بررسی شـد.اریبهای جغرافیایی در نقاط حضـ ور بـا اسـتفاده از نـرمافـزارOccurrenceThinner 1.03 کاهش یافت. فرآیند کاهش نقاط در این نرمافزار مبتنی بر تراکم نقاط در منطقه است که توسط تـابع
825961-3094302

شکل 1. موقعیت منطقه مورد مطالعه در استان و ایران و نقاط حضور قوچ و میش در منطقه

126873867918

Downloaded from ijae.iut.ac.ir at 16:11 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.5.15.39 ]

Downloaded from ijae.iut.ac.ir at 16:11 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.5.15.39 ]

تراکم کرنل تعیین میشود( 35). نقشه تراکم کرنل با اسـتفاده ازتابع تحلیل مکانی نرمافـزارArcGIS 10.1 ایجـاد شـد. فرآینـد کاهش نقاط نیـز 10 بـار تکـرار شـد و پیـرو آن 10 خروجـیبهدست آمد. چون فرآیند کاهش نقاط براساس تابع تراکم کرنل است، در هر مرتبه خروجی متفاوتی بهدست مـی آیـد. بنـابرایننقاطی که بیشترین حضور را در 10 خروجـی داشـتند انتخـابشدند. به منظور ارزیابی اثـر کـاهش نقـاط حضـور بـر کـاراییفرآیند مدلسازی، مدلهای مبتنی بر نقاط حضور کـاهش یافتـهبا مدلهایی که از تمام نقاط استفاده کردند با یکـدیگر مقایسـهشدند. متغیرهای پیشبینی کننده در دو مرحله انتخاب شدند. در مرحله اول که مرحلهای پیشانتخاب اسـت، 8 متغیـر براسـاساطلاعات موجود ،کیفیت اطلاعات، همبسـتگی بـین متغیرهـا وبوم شناسی گونه انتخاب شد( جدول 1). در مرحله دوم، کارایی پیشبینی هشت متغیر با استفاده از نرمافزار 1.03 MMS بررسی شد( 35). با استفاده از این نـرم افـزار 255 ترکیـب مختلـف ازهشت متغیر مورد بررسی قرار گرفت و کارایی آنها با استفاده از آماره سطح زیرمنحنی( AUC) مورد سنجش قرار گرفـت و 10 ترکیب بهتر برای شناسایی متغیرهای مناسب مدلسـازی مـورد
۴۱
جدول 1. متغیرهای محیط زیستی انتخابی برای مدلسازی
126873867918

Downloaded from ijae.iut.ac.ir at 16:11 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.5.15.39 ]

Downloaded from ijae.iut.ac.ir at 16:11 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.5.15.39 ]

پراکنش قوچ و میش در منطقه تنگ صیاد

نام اختصاری متغیر ردیف
Elevation ارتفاع 1
Slope شیب 2
Aspect جهت 3
Dis_t_Spring فاصله تا چشمه 4
Dis_t_m_river فاصله تا رودخانه 5
Dis_t_Vil فاصله تا روستا 6
Dis_t_road فاصله تا جاده 7
Geology زمینشناسی 8

استفاده قرار گرفت. مدلسازی در چهار حالت شامل استفاده از تمام نقاط حضور و نقاط حضور کاهش یافته و تمام متغیرهـا ومتغیرهای انتخابی با استفاده از نرمافزار Maxent 3.3.3k انجـامشد.
دادههای حضور گونـه هـا، بـه دو گـروه دادههـا ی آمـوزش (75%) و دادههای آزمون (25%) تقسـیم شـد . نقـاط پـس زمینـه بهصورت تصادفی از تمام منطقه مورد مطالعه انتخاب شد. نقشه پراکنش گونهها براساس 10 مرتبه اجرای مـدل سـازی و 1000 تکرار تولید شد و نقشه میانگین پیشبینی شده با اندازه پیکسـل30×30 متر بهعنوان نقشه نهایی ارائه شد. برای حساسیتسنجی مدل و مشخص کردن متغیرهـای مهـم در پـراکنش ، از تحلیـل جکنایف استفاده شد. برای ارزیـابی نتـایج مـدل سـازی آمـاره تحلیل منحنی ویژگی عامل دریافت کننده (ROC) استفاده شـد .
مساحت زیر منحنی AUC با امتیاز 1 بهمعنی پیشبینی کامـل و AUC با امتیاز 5/0 بهمعنی پیشبینی تصادفی است. AUC بـین
7/0 تا 8/0 بیانگر یک مدل خوب، بین 8/0 تا 9/0 مدل عالی و AUC بیش از 9/0 بیانگر پیشبینی بسیار عالی مدل است (23).
چهار حدآستانهای کـه بیشـتر از همـه مـورد اسـتفاده قـرارگرفتهاند (15، 17، 26، 36 و 37) بهمنظور تهیـه نقشـه حضـور۴۲
گونــه از نقشــه پیوســته، مــورد اســتفاده قــرار گرفتنــد. ایــن
10P ،(Fixed cumulative value 10) F10 حدآستانهها عبارتنـد از
( Minimumtraining presence) LPT ،(Percentile training presence)
و (ETS (Equal training sensitivity and specificity . بـرایصحتسنجی نقشههای حضـور و عـدم حضـور نیـز از چهـار آماره Sensivity ،(True statistic skill) TSS ،Kappa و Specifity اســتفاده شــد( 11). آمــاره Kappa، مبتنــی بــر صــح ت کلــی پیشبینیهای مدل با توجه به صـحت مـورد انتظـار در حالـتتصادفی عمل میکند. محدوده این آماره از 1- تا 1+ اسـت کـه1+ نشانگر تطابق کامل و مقادیر صفر و کمتر از آن نشانگر این است که مدل عملکردی بهتر از حالت تصـادفی نداشـته اسـت.آماره TSS نیز مانند آمـارهKappa ، خطاهـای حـذفشـدگی ولحاظ شدگی را درنظر میگیرد و دارای محدوه 1- تا 1+ اسـتکه 1+ نشانگر تطابق کامل و مقادیر صفر و کمتر از آن نشـانگر این است که مدل عملکـردی بهتـر از حالـت تصـادفی نداشـته است. مقادیر TSS کمتر از 2/0 نشاندهنده عملکرد ضعیف، بین 2/0 و 6/0 نشانه نسبتاًنسبتا خوب و بـیش از 6/0 نشـانگر عملکـردخوب مدلسازی است( 25).

نتایج
نتایج بررسی همبستگی مکانی نشان داد که نقاط حضور قوچ و میش در سطح یک درصد دارای خودهمبستگی مکـانی هسـتند(z-core = 2.61, p < 0.01). شکل 2 نقشه تراکم نقاط حضـورقوچ و میش را قبل و بعد از حذف اریب در دادههـای حضـورنشان میدهد. پس از کاهش اریب در دادهها، تعداد نقاط مـورداستفاده برای مدلسازی به 51 نقطه کاهش یافت.
نتایج ترکیبهای مختلـف متغیرهـای پـیشبینـی کننـده درجدول 2 آورده شده است. مهمترین متغیرهای شناسـایی شـدهبرای قوچ و میش متغیرهای ارتفاع، شـیب، فاصـله تـا چشـمه،فاصله تا رودخانه، فاصله تا جاده و فاصله تا روستا بودند.
126873867918

Downloaded from ijae.iut.ac.ir at 16:11 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.5.15.39 ]

Downloaded from ijae.iut.ac.ir at 16:11 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.5.15.39 ]

میزان AUC برای تمام حالتها بیش از 70/0 بهدست آمـدکه نشانگر پیشبینی خوب مدل در مقابل AUC با مقدار 5/0 که بهمعنی تصادفی بودن پیشبینی است میباشد( binomial tests, P<0.001). نتایج نشان داد که کاهش تعـداد متغیرهـا براسـاسروش انجام شده ،مدل بهتری با سطح زیرمنحنی بیشتری را بـههمراه داشته است (جدول 3)؛ اما در زمینه حذف اریب در نقاط مشاهدهای در حالـت اسـتفاده از تمـام متغیرهـا، کـاهش نقـاطحضور، عملکرد مدل را بهبود نداده است و در حالت متغیرهای انتخابی، عملکرد مدل بهبود یافتـه اسـت. آزمـون ویلکاکسـون(WSRT) نشان داد که تفاوتهای سطح زیرمنحنی برای مدلها معنیدار است( 600.0= P).
نقشه پیوسته مطلوبیت زیستگاه یا احتمال پراکنش گونۀ قوچ و میش در منطقه در شکل 3 آورده شده است.
درصد سهم نسبی متغیرهای مورد استفاده در مدلسازی پراکنش قوچ و میش در منطقه در جدول 4 آورده شده است. این جدول براساس اجرای حداکثر آنتروپی بدون تحلیل جکنـ ایف تولیـدشده است؛ بنابراین نتایج آن متفاوت از تحلیل جکنایف است .
براساس این رویکرد، شیب بـا 9/32% و فاصـله تـا روسـتا بـا

شکل 2. اثر کاهش نقاط حضور بر اریب جغرافیایی نقاط حضور قوچ و میش

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

جدول 2. نتایج فرآیند شناسایی متغیرهای مهم در مدلهای با امتیاز بالا برای گونۀ قوچ و میش
زمینشناسی ارتفاع شیب جهت فاصله تا چشمه فاصله تا رودخانه فاصله تا جاده فاصله تا روستا متغیر
0 10 7 10 7 2 9 4 قوچ و میش
هر سلول جدول تعداد فراوانی متغیر مورد نظر را در 10 اجرای بهتر (مشخص شده براساس سطح زیرمنحنی) نشان میدهد.

زیستگاه

مطلوبیت

زیستگاه

  • 1

پاسخ دهید