بوم شناسي کاربردي/ سال چهارم / شماره چهاردهم / زمستان ۱۳۹۴

ارزیابی زیستگاه زمستان خوابی خرس قهوه اي (Ursus arctos syriacus)
با استفاده از مدل سازي خطی تعمیم یافته (GLM) و رگرسیون وزنی جغرافیایی (GWR) در جنوب ایران

علی اصغر زارعی1*، سیاوش عابدي2، مازیار محمودي1 و شیوا پیروي لطیف1

(تاریخ دریافت: 30/3/1393 ؛ تاریخ پذیرش: 27/10/1394)

چكيده
لانه هاي زمستان خوابي بخش مهمي از زيستگاه خرس قهوه اي مي باشند که بر توليدمثل و بقاء آن تأثير گذار است. بنابر اين شناسايي عوامـلمؤثر بر انتخاب زيستگاه و تعيين مناطق مطلوب لانه گزيني در حفاظت از بـزرگ تـرين گوشـتخوار کشـورمان ضـرورت دارد . بـه منظـورمدل سازي مطلوبيت زيستگاه لانه گزيني خرس قهوه اي در منطقه کوه خم استان فـارس از دو روش رگرسـيون منطقـي وزنـي جغرافيـايي(Geographically Weighted Logistic Regression) و مدل خطي تعميم يافته (Generalized Linear Model) استفاده شد. در اين پژوهش از ۲۰ لانه حضور و هم چنين ۲۰ غار كه آثار حضور خرس ها در آنها يافت نشد (نقاط عدم حضور گونه)، به عنوان متغيـر وابسـته و شـشفاکتور زيست محيطي به عنوان متغير مستقل استفاده شد. نتايج حاصل از مدل خطي تعميم يافته حاکي از آن بود کـه متغير هـاي فاصـله ازمراكز جمعيتي، ارتفاع از سطح دريا و فاصله از منابع آبي نقش مهمي در مطلوبيت زيستگاه زمستان خـوابي خـرس قهـوه اي دارنـ د. نتـايجرگرسيون منطقي وزني جغرافيايي نشان دهنده تغييرات محلي معنا دار در روابط بين حضور لانه هاي زمستان خوابي و متغير فاصـله از مراكـزجمعيتي است. نتايج هر دو روش مدل سازي نشان داد كه زيستگاه مطلوب زمستان خوابي اين گونـه ، منـاطق صـعب العبـور در ارتفاعـاتكوهستاني و دور از دسترس انسان است.

واژه هاي كليدي : خرس قهوه اي، مطلوبيت زيستگاه زمستان خوابي، استان فارس، مدل خطي تعميم يافته، رگرسيون وزني جغرافيايي

۱. گروه محيط زيست، دانشکده محيط زيست و انرژي، دانشگاه آزاد اسلامي واحد علوم و تحقيقات تهران
۲. گروه محيط زيست، دانشگاه آزاد اسلامي واحد ارسنجان
* : مسئول مكاتبات، پست الكترونيكي: aazarei65@gmail.com
۷۵
مقدمه
بوم شناسی پناه در خرس قهوه اي به دلیل اثر آن بر بقاء و تولیـد مثل گونه داراي اهمیت می باشد (34). پناه مانند دیگر منابع یک عامل محدود کننده است. وجود پناه به اندازه کـافی در زیسـتگاهمانن د س ایر من ابع مث ل غ ذا و آب، باع ث اف زایش مطلوبی ت زیستگاه و کمبود آن در زیستگاه باعث کاهش تولیـد مثـل و در نتیجــه پــایین آمــدن نــرخ رشــد جمعیــت مــی شــود (11).
زمستان خوابی به خرس ها کمک می کند تا در دوره هـاي کمبـودغذا و شرایط آب و هوایی سخت بقاء یابند. هم چنـین غارهـا وپناهگاه ها به عنوان مکانی براي به دنیا آوردن و مراقبت از توله ها استفاده می شود که دوره بحرانـی از چرخـه زنـدگی ایـن گونـهاست (11). با توجه به اینکه خرس هاي قهوه اي در پناهگاه خود نسبت به آشفتگی آسیب پـذیر هسـتند (30). بنـابراین شـناختویژگی هاي مکانی مطلوب و عوامل اثرگذار بر انتخاب زیسـتگاهزمستان خوابی براي حفاظت از بزرگترین گوشـتخوار کشـورمان ضروري است (2). هم چنین مهم تـرین بخـش زیسـتگاه خـرسقهوه اي لانه هاي زمستانی آن مـی باشـد (38) کـه در اورآسـیا وآمریکاي شمالی به خوبی مطالعه شده است (14، 18 و 30 ). در ایران عطایی و همکاران بـا اسـتفاده از رویکـرد تحلیـل عـاملیآشیان بوم شناختی (ENFA) مطلوبیت زیستگاه تابستانه خـرسقهوه اي در منطقه حفاظـت شـده البـرز مرکـزي را مـدل سـازينمودند ولـی تـاکنون پژوهشـی در رابطـه بـا انتخـاب زیسـتگاهزمسـ تان خـ وابی خـ رس قهـ وه اي در ایـ ران انجـ ام نشـ ده است (2). با توجه به اینکه منطقه کوه خم در اسـتان فـارس درجنوبی ترین مرز دامنه توزیع خرس قهـوه اي در ایـران و جهـانقرار دارد (4) و هم چنین یکی از مهم ترین زیستگاه هـاي خـرسقهوه اي در استان فارس است که جمعیت مناسبی از این گونه را در خــود جــاي داده اســت (2). بنــابراین ارزیــابی زیســتگاه و شناسایی مکان هاي مناسب براي زمستان خوابی و استراحت ایـنگونه موجب می گردد تا بتوان عوامل مؤثر بر مطلوبیت زیسـتگاهزمستانی آن را شناسـایی و برنامـه هـاي مـدیریتی و حفـاظتی رابراساس آن تدوین نمـود . در ایـن مقالـه هـدف از بهـره گیـري
۷۶
هم زمان مدل هاي GLM و GWR در ارزیـابی زیسـتگاه خـرسقهوه اي، تعیین مهم ترین پارامترهاي مؤثر بر مطلوبیـ ت زیسـتگاهزمستان خوابی این گونه و مقایسه نتایج این دو مدل بـا یکـدیگراست. در مدل سازي زیستگاه حیات وحش با توجه به نوع متغیر وابسته مدل هاي مختلفی ارائه می شـود . بـراي مثـال اگـر متغیـروابسته حضور و عدم حضور (صـفر یـا یـک) باشـد از درخـترگرسیون (Regression Tree :RRT ) مدل خطـی تعمـیم یافتـه (Generalized Linear Model:GLM )، رگرسیون سازشی چند
(Multivariate Adaptive Regression Splines :MARS) متغیره
و مدل افزایشی عمـومی (Generalized Additive Model :GAM ) استفاده می شود (6 و 17). اگر فقط داده هـاي حضـور گونـه دردسترس باشد از تجزیه و تحلیل عاملی بوم شـناختی (ENFA)، الگـوریتم ژنتیـک (GARP)، مـاکزیمم آنتروپـی (MAXENT)، سنجه گاور (DOMAIN) Gower Metric و سیستم پیش بینـی وتحلیل اقلـیم زیسـتی Bioclimatic analysis and ) BIOCLIMprediction system) استفاده می شود (9، 27، 28 و 29). تفاوت اصلی بین تحلیل هاي مبتنی بر داده هاي حضور و عـدم حضـور در کیفیت داده هاي ورودي است. مثلاً GLM نیـاز بـه داده هـايحضور و عدم حضـور دارد امـا ENFA و MAXENT فقـط بـاداده هاي حضور کار می کنند (35). GLM تعمیم یافته رگرسیون چندگانه با توزیع دوجمله اي (Binomial) و تابع منطقـیLogit است که داده هاي چند جمله اي را به خوبی برازش می دهد. ایـنمدل متغیر وابسته (حضور و عدم حضور) را توسط یک سـرياز متغیر هاي مستقل پیش بینی کننـده توضـیح مـی دهـد کـه درسرتاسر فضا ثابت هسـتند (19 و 25). از اینـرو بـا توجـه بـهماهیت تغییر پذیري متغیر هاي بوم شـناختی در سرتاسـر فضـاتحلیل روابط بین گونه و زیستگاه نیازمند ابزار هاي پیشرفته اي هستند تا بتواند این تغییرات را اندازه گیري نمایـد (21). یکـیاز این ابزار ها رگرسیون وزنی جغرافیـایی(GWR) اسـت کـهیکی از انواع رگرسیون هاي فضایی است که به تـازه گـی از آن در بوم شناسی و سایر علومی کـه از داده هـاي فضـایی اسـتفاده
می کنند رایج شده است. از جمله مطالعات بوم شناسی که در آن از رگرسیون وزنی جغرافیایی استفاده شده است می توان به مـکنیو (21) اشاره کرد که به بررسی نـاهمگنی مکـانی در انتخـابزیستگاه لانه گزینی باقرقره خلنگ زار (Tympanuchus cupido ) پرداخت ه اس ت. ای ن مطالع ه اول ین ک اربرد رگرس یون وزن ی جغرافیایی در ارزیابی زیستگاه حیات وحش در ایران می باشد.

مواد و روش ها
معرفی منطقه مورد مطالعه
منطقه کوه خم با مساحت 2733 کیلومتر مربع در حاشیه شمالی پارك ملی و پناهگاه حیات وحـش بختگـان و بـین طـول هـاي ′46 °53 تا ′33 °54 شرقی و عـرض هـاي ′43 °29 تـا ′56 °30 شمالی در استان فارس قرار دارد که از جنوب به شهرستان آباده طشک، از شرق به شهرستان نی ریـز و از غـرب بـه شهرسـتانارسنجان می رسد (شکل 1). اقلیم منطقه گـرم و خشـک همـراهبا زمستان هاي سرد و تابستان هاي گرم می باشد. متوسـط بـارشمنطقه 250 میلیمتر مـی باشـد . میـانگین ارتفـاعی 2535 متـر ازسطح دریا و حداکثر ارتفاع منطقه 3270 متـر در قلّّـه دال نشـینمی باشد. زیستگاه از نوع جنگلی تنک در ناحیه ایرانی تورانی بـاپوشـش درختـی غالـب بنـه (Pistacia atlantica)، بـادام تلـخ (Amygdalus scoparia) و کیکم (Acer monspessulanum) و گونه هاي درختچه اي شامل بادام کـوهی (Amygdalus lycioides) و ارژن (Acer reuteri) می باشد (2).

روش نمونه برداري
کار میدانی و شمارش نمایه ها بر اساس نقشـه شـبکهبنـدي تهیـهشده در محیط 10 ArcGIS در قالب پلاتهـاي 3 × 3 کیلـومتر(9 کیلومتر مربع) انجام شده است. اندازه پلات براساس وسعت کم ناحیه مورد مطالعـه در مقیـاس سـیماي سـرزمین و حـداقلاندازه گستره خانگی خرس قهوه اي در ایران (50 کیلومتر مربع) و کاربرد آن در پاسخگویی به سؤال مورد نظر انتخـاب گردیـده اس ت (م ذاکره ب ا کارشناس ان مح یط زیس ت اس تان ف ارس). پاس یلیکو و همک اران براس اس ح داقل 20 درص د از گس تره خ انگی در دس ترس، ان دازه پ لات را 5 × 5 کیل ومتر انتخ اب نمودند (31). تعداد کل پلات هـاي نمونـه گیـري 300 پـلات درتمامی زیستگاه هاي حضور و عدم حضور لانه هاي زمستان خوابی بوده است. تمامی پلات ها توسط یک فرد و با یک دقت بررسی شدند، که در مجموع تعداد 175 نمایه حضور در کل ناحیه مورد مطالعه ثبت گردید که از این میان 20 لانه حضـور در ارتفاعـاتکوه خم و روشن کوه و 20 لانه عدم حضور در سایر زیستگاه ها شناسایی شده است. براي جلوگیري از مزاحمـت هـاي ناشـی از سرکشی براي خرس هایی که در لانه هاي خود در حال استراحت هســتند، نمونــه بــرداري و ثبــت موقعیــت مکــانی لانــه هــاي زمستان خوابی در خـارج از فصـل زمسـتان گـذرانی ، در فصـول بهار (20) و تابستان (18) سال هاي 1389 و 1390 و به مدت 10 روز در هر فصل با استفاده از سامانه موقعیت یاب جهانی ( GPS) انجام شد. انتخاب متغیر ها با توجه بـه اطلاعـات تـاریخ طبیعـیگونه و براساس مرور منابع خارجی بوده است (جدول 1). به جز متغیر زاویه آزیموت تمامی متغیر هاي کلان زیستگاهی با استفاده از مدل رقومی ارتفاع منطقه با اندازه سلول 100 متر در نرم افـزار10Arc GIS محاسبه شده است (جدول 1). لانه هایی که توسـطخرس هاي قهوه اي مورد استفاده قرار گرفته بودند آنهـایی بودنـدکه داراي بستر خواب، همراه با حضور نمایه هایی چون سـرگین،مو، باقیمانده غـذا در داخـل لانـه و آثـار تخریـب و شکسـتگیدرختان همراه با مسیر رفت و آمد در جلو لانه مـی باشـند (20). لانه هاي خرس قهوه اي در این منطقه عمدتاً در ارتفاعات کوه خم انتخاب شده اند و شامل غار ها، شکاف صـخره هـا و حفـره هـايزیرکپه سنگ هاي بزرگ می باشد (40). زیستگاه ها و منـاطقی کـهفاقد لانـه هـاي زمسـتان خـوابی بودنـد امـا از نظـر ویژگـی هـايتوپوگرافی و ساختار پوشـش گیـاهی قابلیـت انتخـاب شـدن راداشتند به عنوان زیستگاه عدم حضور درنظر گرفته شد و در آنجـاغار ها و مکان هایی که از نظر ویژگی هـاي فیزیکـی و سـاختاريمشابه لانه هاي انتخاب شده بودند به عنوان لانه هاي عدم حضـوردرنظر گرفته شده (27) و تمامی متغیرهاي مربوط به ایـن غارهـا (جدول 1) نیز با اندازه سلول 100 متر در نرم افـزار 10ArcGIS
۷۷

شکل 1. موقعیت منطقه مورد مطالعه در استان فارس در جنوب غرب ایران

جدول 1. متغیر هاي مورد استفاده در مدل سازي مطلوبیت زیستگاه لانه گزینی خرس قهوه اي
منابع انتخاب متغیرها منبع تهیه و نحوه اندازه گیري متغیرها
Reynods et al,1976 (32);
Seryodkin et al, 2003;
Mack, 1990; li et al, 1994; Beecham et al, 1983 (7);
Goldstein et al, 2010 (15); Wathen et al, 1986 براساس مدل رقومی ارتفاع (DEM) تهیه شده از نقشه هاي 50000/1 سازمان نقشه برداري کشور در
نرم افزار ArcGIS ارتفاع
Reynods et al, 1976; Seryodkin et al, 2003; li et al,
1994; Beecham et al, 1983;
Goldstein et al, 2010; Wathen et al, 1986 (39) محاسبه شده توسط تابع SLOPE در نرم افزار ArcGIS شیب

Zhang et al, 2006 جهت دهانه لانه برحسب زاویه اي که با شمال جغرافیایی (آزیموت)
دارد با استفاده از دستگاه آزیموت سنج اندازه گیري شده است جهت لانه
Ciarniello et al, 2005; Gro

et al, 1998; Petram et al, 2004, Nielsen et al, 2004 (24) اعمال تابع DISTANCE بر نقشه کاربري اراضی استان فارس فاصله از جاده
Gro

et al, 1998; Petram et al, 2004 اعمال تابع DISTANCE بر نقشه کاربري اراضی استان فارس فاصله از مراکز جمعیتی
Zhang et al, 2006 اعمال تابع DISTANCE بر نقشه کاربري اراضی استان فارس فاصله از منابع آبی
۷۸
محاسبه شده است.

تجزیه و تحلیل هاي آماري مدل خطی تعمیم یافته
یکی از رویکردهاي چند متغیره مدل سازي مطلوبیت زیستگاه و پیش بینی حضور گونه ها که نیازمند استفاده از داده هاي حضور و عدم حضور است مدل خطی تعمیم یافته با توزیع دو جمله اي و تابع پیوند منطقی می باشد (8 و 12 ). براي انجام این مدل سازي ،ابتدا همبستگی بین داده ها براساس آزمـون همبسـتگی پیرسـونمورد بررسی قرار گرفت و از هر دو متغیري که همبستگی بالاي 7/0 داشتند یک متغیر به انتخاب گزینش شـد (16). کـه از ایـنمیان متغیر فاصله از جاده به دلیـل همبسـتگی شـدید بـا شـیب،ارتفــاع و فاصــله از مراکــز جمعیتــی و متغیــر شــیب بــه دلیــل همبســتگی بــا ارتفــاع از رونــد محاســبات حــذف گردیدنــد (جـــدول 2). آنـــالیز همبســـتگی پیرســـون در نـــرم افـــزار
1/13SYSTAT انجام شد (36). در نهایـت بـه منظـور انتخـابمناس ب ت رین م دل، متغی ر ه اي نه ایی وارد نمای ه اطلاع اتی آکاییک(AIC) در مدل خطی عمـو می بـا توزیـع دوجملـه اي و تابع پیوند منطقی در نرم افزار 10 STATISTICA شـدند (37) و بــه ایــن ترتیــب ســري متغیــر هــایی کــه اخــتلاف آکاییــککمتر(( ΔACI از دو داشته باشند به عنوان بهتـرین مـدل انتخـابزیستگاه لانه گزینی خرس قهوه اي درنظر گرفته می شـوند (10).
از آزمون والد (Wald statistic) براي برآورد پارامترها و تعیـینمعنی دار بودن ضرایب رگرسیون استفاده شد. هم چنین به منظـورارزیابی نحوه توصیف داده ها توسط مـدل (نیکـویی بـرازش) از آزمون هاسمر لمشو (Hasmer lemeshow) استفاده شد.

رگرسیون منطقی وزنی جغرافیایی ((GWLR: Geographically weighted logistic regression در این مطالعه به منظور انتخـاب پـارامتر هـاي مـؤثر در انتخـابزیستگاه خرس قهوه اي، پس از بررسی همبستگی بین متغیر هـا،تک تک متغیرها به صورت مجـزا وارد رابطـه رگرسـیون منطقـیدوتایی (BLR: Binary Logistic Regression) شد و مقـدار P آنها محاسبه گردید. ارزش (05/0<P ) این آزمون نشـان دهنـدهمعنی داري متغیر در رابطـهBLR اسـت . در نهایـت متغیـر هـايفاصله از جاده، شیب، ارتفاع و آزیمـوت کـه رابطـه معنـی داري برقرار نکردند (05/0P>) از روند محاسبات حذف شدند (1) و سپس به منظور بررسی روابط جغرافیـایی بـین آنهـا، متغیـر هـاينهایی (فاصله از مراکـز جمعیتـی و فاصـله از منـابع آبـی) وارد رابطه رگرسیون منطقی وزنی جغرافیایی در نـرم افـزار 4GWR شدند (23). به منظور انتخاب مناسـب تـرین پهنـاي بانـد در هـرنقطه رگرسیون از نمایه اطلاعاتی آکاییک (AIC) اسـتفاده شـدهاست (21). رگرسیون وزنی جغرافیایی شکل محلـی رگرسـیون خطی است. در رگرسیون هاي معمولی فرض ما بر آن است کـهرابطه اي که می خواهیم بین یک متغیر وابسـته و تعـدادي متغیـرمستقل مدل سازي کنیم در سراسر محدوده مورد مطالعه یکسـاناست که در بسیاري از موارد چنین فرضی صحیح نیست (13 و 22). با فرض تعدادn نقطه با مختصات (u, v) مـدل رگرسـیونمنطقی وزنی از روابط 1 و 2 قابل پیش بینی می باشد:
yi ~ Bernoulli Pi  [1]
[2] logit(Pi) kk (ui,vi)xk,i در رابطه 1 و 2 متغیر وابسته بین صفر و یک است و pi احتمال اینکه متغیر وابسته در مدل یک می شود (22). در این مطالعه مدل رگرسیون منطقی وزنی جغرافیایی با استفاده از رابطه 3 پیش بینی شده است: [3]

37606367541

yi(u) 1exp(exp(1(1ui,vl)x(ui,vl)x112(2ui,vl)x(ui,vl)x2 2  …… mm(ui,ul)x(ui,ul)xmm) )

در ایــن رابطــه y متغیــر وابســته و1xm ،… x2 ،x متغیرهــاي پیش بینی کننده مستقل و(u, v) نشان دهنده موقعیت جغرافیـاییi امین نقطـه رگرسـیون و 1βm ،…β2 ،β ضـرایب تشـریح کننـدهاثرات محلی متغیر xm است (13). در این مدل ضرایب رگرسـیونبراي کلیه نقاط به طور جداگانه محاسبه مـی شـود و ضـرایب مکـان (u ,v) بــا بــرازش حــداقل مربعــات تخمــین زده مــی شــود.
هم چنین وزن دهی بدین صورت است که داده هاي نزدیـک تـربــه (u, v)، وزن بــیش تــري نســبت بــه داده هــاي دورتــر
۷۹

دریافت می کند (13).

نتایج
به منظور ایجاد مدل مطلوبیت زیستگاه زمستان خوابی بـا اسـتفادهاز رویکرد GLM ترکیـب هـاي مختلفـی از متغیـر هـاي مسـتقلزیست محیطی به کار گرفته شد و در نهایت بهترین زیرمجموعه از متغیر ها که مدل مبتنی بر آنها از اعتبار بـالایی برخـوردار بـودانتخاب شدند. تحلیلGLM انجـام شـده بـرروي چهـار متغیـرمنجربه تولید 15 مدل شـد کـه از بـین آنهـا براسـاس اخـتلافآکاییک (2 (ΔACI < محاسبه شده، تعداد دو مدل معنی دار بود.
بهترین مدل انتخـاب شـده بـر اسـاس حـداقل معیـار اطلاعـاتآکاییک، ترکیبی از سه متغیر ارتفاع، فاصله از مراکـز جمعیتـی وفاصله از منابع آبی بوده است (147/39(AIC= کـه نشـان دهنـدهبهترین مدل پیش بینی کننده در انتخاب لانه هاي زمستان گـذرانیخ رس قه وهاي در منطق ه ک وه خ م اس تان ف ارس م ی باش د (جدول 3). نتایج آزمون والد نشـان داد کـه پارامترهـاي ارتفـاع
(006/0(P= و فاصله از مراکز جمعیتی (005/0(P= بـیش تـرینتأثیر را در پیش بینی مدل مطلوبیت زیستگاه لانه گزینـی خـرسقهوه اي دارند (جدول 4).
براساس نتایج آزمون نیکویی برازش، مدل هـاي بـه دسـت آمـدهداراي ارزش P بیش تر از 5 درصد مـی باشـند (36/0HL=8/71 ،P=) که نشان دهنده تناسب قابل قبول داده ها با مدل است.

۸۰
جدول 2. ماتریس همبستگی متغیر هاي مستقل زیست محیطی
فاصله از
منابع آبی فاصله از
مراکز جمعیتی آزیموت ارتفاع شیب فاصله از جاده متغیر
1 فاصله از جاده
1 0/75 شیب
1 0/82 0/78 ارتفاع
1 0/31 0/13 0/11 آزیموت
1 0/04 0/68 0/63 0/72 فاصله از مراکز جمعیتی
1 0/60 0/10 0/56 0/56 0/60 فاصله از منابع آبی
نتایج رگرسیون منطقی وزنی جغرافیایی
در بررسی روابـط بـین متغیـر هـاي مسـتقل و انتخـاب زیسـتگاهزمستان خوابی با درنظر گرفتن سطح معنی دار پنج درصد تحلیـلرگرسیون منطقی دوتایی نشان می دهد که متغیر فاصله تـا منـابعآبی (045/ P=)، و متغیر فاصله تا مراکـز جمعیتـی (012/ (P=، در مقیاس سیماي سرزمین در بین زیستگاه هاي حضـور و عـدم حضور لانه هاي زمستان خوابی اختلاف معنی داري وجود دارد و متغیرهاي ارتفاع و آزیموت رابطه معنی داري برقرار نکردنـد . بـاتوجه به اینکه انتخاب لانه هاي زمستان گـذرانی خـرس قهـوه اي متأثر از متغیر هاي فاصله از مراکز جمعیتی و منـابع آبـی اسـت،روش رگرسیون منطقی وزنی جغرافیایی دامنه تأثیرات هـر یـکاز این متغیر ها را بـراي مطلوبیـت زیسـتگاه زمسـتان خـوابی درجدول 5 نشان می دهد. نتایج آمـار توصـیفی تغییـرات ضـرایبمحلی براي متغیر فاصله از مراکز جمعیتی و فاصله از منابع آبـینشان دهنده تأثیر مقدار مثبـت ایـن دو متغیـر بـرروي مطلوبیـتزیستگاه زمستان خوابی است. یعنی با افـزایش فاصـله از مراکـزجمعیتی بر مطلوبیت زیسـتگاه افـزوده مـی شـود . هـم چنـین بـاافزایش فاصله از منابع آبی منطقـه کـه عمـدتاً در منـاطق بـاز وحاشیه اي زیستگاه قـرار دارنـد بـر مطلوبیـت زیسـتگاه افـزودهمی شود.
مقایسه بین رگرسیون منطقی وزنی جغرافیـایی و رگرسـیون منطقـی عمـومی نشـان دهن ده انحـراف بیشـتر مـدل رگرس یونمنطقی عمومی به میـزان (78/161) از مـدل رگرسـیون منطقـیوزنی جغرافیایی است (جدول 6). هم چنین مقایسه این دو مدل بر اساس معیار اطلاعاتی آکاییک نشان دهنـده برتـري رگرسـیونوزنی بر رگرسیون عمومی است. مدلی که کمتـرین مقـدارAIC را داشته باشد از قدرت پیش بینی بیش تري برخورداراست. معیار اطلاعات آکاییک براي رگرسیون منطقی وزنی جغرافیـایی برابـر
جدول 3. مدل سازي بهترین زیرگروه از متغیر هاي مؤثر بر مطلوبیت زیستگاه زمستان خوابی خرس قهوه اي در منطقه کوه خم استان فارس
ΔACI
ACI
درجه
آزادي متغیرهاي پیش بینی کننده مدل
0/000 39/147 3 فاصله از منابع آبی فاصله ازمراکز جمعیتی ارتفاع 1
0/8 39/947 4 فاصله از منابع آبی فاصله ازمراکز جمعیتی آزیموت ارتفاع 2
3/198 42/345 2 فاصله ازمراکز جمعیتی ارتفاع 3
3/469 42/616 3 فاصله ازمراکز جمعیتی آزیموت ارتفاع 4

جدول 4. برآورد پارامترهاي مدل و آزمون معنی داري ضرایب رگرسیون با استفاده از آزمون والد

P حدود اعتماد
بالا حدود اعتماد پائین آماره والد اشتباه استاندارد متغیر اثر
0/006 – 0/0009 – 0/00584 7/281 0/001255 ارتفاع
0/277 0/0182 -0/0052 1/177 0/006 آزیموت
0/005 0/0013 0/0002 7/727 0/0002 فاصله از مراکز جمعیتی
0/063 0/0025 -0/0000 3/446 0/0006 فاصله ازمنابع آبی

جدول 5. خلاصه آمار تغییر ضرایب محلی متغیر هاي مستقل مؤثر بر مطلوبیت زیستگاه لانه گزینی خرس قهوه اي در رگرسیون منطقی وزنی جغرافیایی
چارك
بالا میانه چارك
پائین حداکثر
حداقل انحراف معیار میانگین متغیر
1/24 0/77 0/77 1/25 0/77 0/23 0/97 عرض از مبدأ
2/40 1/36 1/36 2/41 1/36 0/51 1/80 فاصله از مراکز جمعیتی
2/67 1/10 1/10 2/68 1/10 0/77 1/76 فاصله از منابع آبی
با (48/487 ) و براي رگرسیون منطقی عمومی (82/647) اسـت
(جدول 7).

بحث و نتیجه گیري
در این پژوهش مدل مطلوبیت زیستگاه زمسـتان خـوابی خـرسقهوه اي در حاشیه شمالی پارك ملـی و پناهگـاه حیـات وحـش

۸۱
جدول 6. جدول انحراف رگرسیون منطقی وزنی جغرافیایی از
رگرسیون منطقی عمومی
DOF/انحراف DOF انحراف مدل
7/37 87 641/82 رگرسیون منطقی عمومی
5/56 86/28 480/04 رگرسیون منطقی وزنی
224/75 0/72 161/78 جغرافیایی
تفاوت

جدول 7. خلاصه آماره هاي مدل در روش رگرسیون منطقی وزنی جغرافیایی و رگرسیون منطقی عمومی
قی وزنی مدل رگرسیون منطقی عمومی مدل رگرسیون منط
جغرافیایی آماره مدل
641/82 480/04 انحراف
647/82 487/48 AIC
648/10 487/89 AICc

بختگان در منطقه کوه در اسـتان فـارس بـا اسـتفاده از رویکـردرگرسیون منطقی وزنی جغرافیایی و مدل خطی تعمیم یافته تهیه شد. با توجه به اینکه اغلب لانه هـا در ایـن منطقـه بـوده اسـتبنابراین نتایج به دست آمده ویژگی هاي زیستگاه زمسـتان خـوابی گونه را نیز نشان می دهد. نتایج حاصل از مدل GLM نشـان دادکه بهترین مدل پیش بینی کننده انتخاب زیستگاه زمسـتان خـوابیتوسط خرس قهوه اي مدل شماره یک بـا ترکیبـی از سـه متغیـرارتفاع، فاصله از مراکز جمعیتـی و فاصـله از منـابع آبـی اسـت.
براساس آزمون والد متغیر فاصله از منابع آبی معنی دار نبـود کـهاز نظر زیست شناختی نیز معنی دار نیست، چرا که خرس هـا درفصل زمستان در لانه هـاي خـود در حـال اسـتراحت هسـتند ونیازي به منابع آبی منطقه ندارند. مطالعات انجام شده در بریتیش کلمبیا کانادا نیز نشان داد که مناطق مرتفع آلپی و مناطق جنگلـیدور از دسترس انسان بهترین پیش بینی کننده مکان هاي حضـورلانه هاي زمستان خوابی است (10). مدل شماره دو با بیش تـرین
۸۲
تعداد متغیر پیش بینـی کننـده، بـه نظـر مـی رسـد کـه از قـدرتپیش بینی بالاتري نسبت به مدل اول برخوردار باشد، اما در ایـنمدل تنها دو متغیر ارتفاع و فاصله از مراکز جمعیتی با دارا بودن مقدار آماره والد بالاتر داراي اهمیـت مـی باشـند . سـریودکین و همکاران (34) در روسیه نشان دادند که لانه هاي زمستان خـوابی خرس هاي قهوه اي نسبت به نقاط تصـادفی در ارتفـاع بـالاتريقرار داشتند و این گونه مناطق صـعب العبـور و دور از دسـترسانسان را براي زمستان گذرانی انتخاب می کند (26). نظـامی (5) در البرز مرکزي و عطایی و همکاران (3) در البرز جنوبی نشـان داده اند که خرس ها تمایل بـه اسـتفاده از زیسـتگاه هـا ي مرتفـعدارند. اگرچه در البرز جنوبی عطایی و همکاران (3) نشان دادند که متغیر شیب نقشی در پیش بینی مطلوبیـت زیسـتگاه تابسـتانهخرس قهوه اي ندارد اما نتایج ایـن مطالعـه نشـان مـی دهـد کـهمناطق صخره اي و شیب هاي سنگلاخی در ارتفاعات، مطلوبیـتبالایی در لانه گزینی خرس قهـوه اي دارد کـه احتمـالاً بـه دلیـلامنیت بالاي آن است (2). نتایج بـه دسـت آمـده از مـدل سـازيزیستگاه لانه گزینی خرس سیاه در جنوب آپالاچیان در آمریکـانشان داده است که مناطق با شـیب بـیش از 45 درجـه بـه دلیـلمحــدودیت دسترســی انســان، بــیش تــرین تعــداد لانــه هــاي زمستان خوابی را داشته است. هم چنین نتایج حاکی از آن بود که متغیر هاي فاصله از جاده، شیب و ارتفـاع مهمتـرین متغیـر هـايتأثیر گذار در انتخاب لانه براساس قابلیـت دسترسـی در گسـتره خانگی این گونه بوده اند. نتایج BLR تنها متغیـر هـاي فاصـله ازمراکز جمعیتی و فاصله از منابع آبی را معنا دار نشـان داده اسـتکه مطابق با مدل شماره هفت در GLM است. مـدل رگرسـیونخطی تعمیم یافتـه بـه عنـوان متـداول تـرین مـدل هـاي عمـومیپیش بینی انتخاب زیستگاه، رابطه بین انتخاب لانه ها و متغیر هاي مستقل را بـا تخمـین ضـرایب ثابـت در کـل منطقـه مطالعـاتیتوصیف می کند که در اینجا به منظور بررسی تأثیرات ناپایـداريدر روابط بین لانه هاي حضور و عدم حضور و عوامل مـؤثر بـرآنها مدل رگرسیون منطقی وزنی اجرا شد. نتایج GWLR نشـان
داده است که انتخاب زیستگاه از نظـر مکـانی پویـا مـی باشـد وبیانگر اهمیت تفاوت مؤلفـه هـاي محلـی زیسـتگاه و ناپایـداريفضایی بـرروي رفتـار تصـمیم گیـري در انتخـاب لانـه دارد. در منطقه کوه خم تغییر پذیري مکانی در فرآیند انتخاب لانه توسـطخرس ها در مقیاس محلی تحت تأثیر آشفتگی هاي انسانی است.
علت اینکه با افزایش فاصله از منابع آبی بر مطلوبیـت زیسـتگاهافزوده می شود این اسـت کـه خـرس هـا در فصـل زمسـتان درلانه هاي خود در حال استراحت هستند و از منابع آبی منطقه که عمدتاً در حاشیه زیستگاه مرکزي (Core area) لانه گزینی قـرارگرفته اند و با شبکه جاده هاي محلی هم پوشانی دارنـد اجتنـابمی کنند. نتایج به دست آمده از تحلیل عاملی آشیان بوم شـناختیدر منطقه البرز جنوبی نشان دهنده وابستگی این گونـه بـه منـابعآبی در فصل گرما است و هم چنین از جاده ها نیز دوري می کنند (3 و 33). در این مطالعـه متغیـر فاصـله از مراکـز جمعیتـی درتمامی مدل هاي BLR ،GLM و GWLR رابطه معنـی داري را از خود نشان داده است که بیانگر اهمیت ایـن مت غیـر در مطلوبیـتزیستگاه خرس قهوه اي در مقیاس منطقه اي و ناپایـداري محلـیآن دارد. مقایسه بین مدل رگرسیون وزنی و عمـومی نشـان دادهاست که در این ناحیه انتخاب لانه هاي زمسـتان خـوابی توسـطخرس قهـوه اي در سرتاسـر فضـاي مکـانی ناپایـدار اسـت کـه

منابع مورد استفاده
نشان دهنده اهمیت نسبی مؤلفه هاي زیستگاهی است که با توجه به حضور گونه در بستر زیستگاه تغییر می کند (21). با توجه بـهاینکه مهم ترین تفاوت بین تحلیل هاي آمار فضایی و تحلیل هـايآماري متداول آن است که در تحلیل هاي فضایی، عوامل فاصـلهو فضا به صورت مستقیم در محاسبات و فرمول ها وارد می شوند بنـابراین از بـین ایـن مـدل هـا، مـدل رگرسـیون منطقـی وزن یجغرافیایی به دلیل وارد کردن روابط فضایی در محاسبات خـود،ک ارآیی بیش تري در م دل س ازي داده ه اي ب وم ش ناختی دارد. در واقع، بهـره گیـري از ایـن رویکـرد مـی توانـد گـام نـوینی در درك دقیق تر و علمی تر آن دسته از متغیر هاي بوم شـناختی باشـد که در بستر فضا ناپایـدار مـی باشـند . هماننـدGLM محـدودیتGWR عدم توانـایی در ارزیـابی روابـط اکولـوژیکی غیرخطـیمی باشد (21). بـا توجـه بـه توانـایی رگرسـیون منطقـی وزنـیجغرافیایی در مدل سازي و تحلیل هاي آمار مکـانی کـه در آن ازداده هاي حضور و عدم حضور استفاده می شود، لـذا اسـتفاده ازآن باعث ارائه نتایج دقیق تر خواهد شد و پیشنهاد می شود کـه ازآن در ارزیابی زیستگاه سایر گونه هـاي حیـات وحـش اسـتفادهشود.
کریمی، س.، ح. وارسته مرادي و ح. رضایی. 1391. مطلوبیت زیستگاه دارکوب سیاه (Dryocopus martius) در دو فصـل زمسـتانو بهار در جنگل شصت کلاته گرگان. مجله بوم شناسی کاربردي 1(1):29-15.
زارعـی ، ع. 1391. بـوم شناسـی لانـه هـاي زمسـتان گـذرانی خـرس قهـوه اي(Ursus arctos syriacus) در منطقـه کـوه خـم اسـتانفارس(جنوب غربی ایران). پایان نامه کارشناسی ارشد. دانشکده محیط زیست و انرژي، دانشگاه آزاد اسلامی واحد علوم وتحقیقات تهران.
عطایی، ف.، م. کرمی و م. کابلی. 1390. مدل سازي مطلوبیت زیستگاه تابستانه خرس قهـوه اي (Ursus arctos syriacus) در منطقـهحفاظت شده البرز جنوبی. نشریه محیط زیست طبیعی، مجله منابع طبیعی، 65(23): 245-235.
غلامحسینی، ع.، ح. اسماعیلی، ح. آهنی ،آ. تیموري ،م. ابراهیمی ،ح. کمی و ح. ظهرابی.1389. بررسی اثر عوامل توپوگرافی و اقلیمی بر پراکنش خرس قهوه اي Ursus arctus (Linneaus 1758): Carnivora, Ursidae در استان فارس با استفاده از سامانه اطلاعات جغرافیایی(GIS). مجله زیست شناسی ایران 23: 233- 215.
۸۳
نظامی، ب .1387 . بررسی بوم شناسی خرس قهوه اي در محدوده امن منطقه حفاظت شده البرز مرکزي (استان مازندران ) پایان نامه کارشناسی ارشد .دانشگاه آزاد اسلامی واحد علوم وتحقیقات.
Austin, M. P. 2002. Spatial prediction of species distribution: an interface between ecological theory and statistical modeling. Ecological Modeling 157: 101-118.
.7 Beecham, J. J., D. G. Reynolds and M. G. Hornocker. 1983. Black bear denning activities and den characteristics in west-central Idaho. International Conference on Bear Research and Management. 5: 79-86.
Braunisch, V. and R. Suchant. 2007. A model for evaluating the ‘habitat potential’ of a landscape for capercaillie Tetrao urogallus: a tool for conservation planning. Wildlife biology 13: 21-33.
Carpenter, G., A. N. Gillson and J. Winter. 1993. DOMAIN: a flexible modeling procedure for mapping potential distributions of plants and animals. Biodiversity and Conservation 2: 667-680.
Ciarniello, L. M., M. S. Boyce, D. C. Heard and D. R. Seip. 2005. Denning behavior and den site selection of Grizzly bears along the Parsnip River, British Columbia, Canada. Ursus 16(1): 47-58.
Crook, A. 2001. Amulti-scale assessment of den section of Louisiana balck bear (Ursus americanus luieous) in northern and central Louisiana. M. Sc. Thesis, University of victoria.
Elith, J., C. H. Graham, R. P. Anderson, M. Dudík, S. Ferrier, A. Guisan, R. J. Hijmans, F. Huettmann, J. R. Leathwick, A. Lehmann, J. Li, L. G. Lohmann, B. A. Loiselle, G. Manion, C. Moritz, M. Nakamura, Y. Nakazawa, J. M. Overton, A. T. Peterson, S. J. Phillips, K. Richardson, R. Scachetti-Pereira, R. E. Schapire, N. J. Sobero, S. Williams, M. S. Wisz and N. E. Zimmermann. 2006. Novel methods improve prediction of species’ distribution from occurrence data. Ecography 29: 129-151.
Fotheringham, A. S., C. Brunsdon and M. E. Charlton. 2002. Geographically Weighted Regression: The analysis of spatially varying relationships, Wiley, 282 p.
Garrison, E. P. 2004. Reproductive ecology, cub survival and denning ecology of the Florida black bear. M. Sc Thesis, University of Florida.
Goldstein, M. I., L. H. Suring, R. M. Nielson and T. L. Mcdonald. 2010. Brown bear den habitat and winter recreation in South-Central Alaska. Journal of Wildlife Management 74: 35-42.
Gormley, A. M., D. M. Forsyth, P. Griffioen, M. Lindeman, D. S. L. Ramsey, M. P. Scroggie and L. Woodford. 2011. Using presence-only and presence-absence data to estimate the current and potential distributions of established invasive species. Journal of Applied Ecology 48: 25-34.
Guisan, A. and N. E. Zimmermann. 2000. Predictive habitat distribution models in ecology. Ecological modeling 135: 147-186.
Gro, C., A. Caliari, E. Dorigatti and A. Gozzi. 1998. Selection on denning caves by brown bears in Trentino, Italy. Ursus 10: 279-275.
Hirzell, A. F., V. Helfer and F. Metral. 2011. Assessing habitat-suitability models with a virtual species. Ecological Modelling 145: 111-121.
Li, X., M. Yiqing, G. Zhongxing and L. Fuyuan. 1994. Characteristics of dens and selection of denning habitat for bears in the South Xiaoxinganling Mountains, China. International Conference on Bear Research and Management 9(1): 357-362.
Mcnew, L., A. Gregory and B. Sandercock. 2012. Spatial heterogeneity in habitat selection: nest site selection by Greater Prairie-Chickens. Journal of Wildlife Management 77(4): 791-801.
Nakaya, T., S. Fotheringham, C. Brunsdon and M. Charlton. 2005. Geographically Weighted Poisson, regression for disease associative mapping. Statistics in Medicine 24: 2695-2717.
Nakaya, T. 2012. Windows application for geographically weighted regression modelling. Department of geography, Ritsumeikan university.
Nielsen, S. E., S. Herrero, M. S. Boyce, B. Benn, R. D. Mace, M. L. Gibeau and S. Jevons. 2004. Modelling the spatial distribution of human-caused grizzly bear mortalities in the central rockies ecosystem of Canada. Biological Conservation1 :02 101-.311
Palma, L., P. Beja and M. Rodgrigues. 1999. The use of sighting data to analyse Iberian lynx habitat and distribution. Journal of Appled Ecology 36(5): 812-.428
Petram, W., F. Knauer and P. Kaczensky. 2004. Human influence on the choice of winter dens by European brown bears in Slovenia. Biological conservation 119: 129-.631
Pearson, R. G. and T. P. Dawson. 2003. Predicting the impacts of climate change on the distribution of species: Are bioclimate envelope models useful? Global Ecol. Biogeography :21 361-3.17
Phillips, S. J., R. P. Anderson and R. E. Schapire. 2006. Maximum entropy modeling of species geographic distributions. Ecological Modeling 190: 231-.952
Phillips, S. J., K. S. Richardson, R. Scachetti-Pereira, R. E. Schapire, J. Soberón, S. Williams, M. S. Wisz and N. E.
۸۴
Zimmermann,. 2006. Novel methods improve prediction of species’ distributions from occurrence data. Ecography 29: 129-151.
Podruzny, Sh. R., S. Cherry, Ch. C. Schwartz and L. A. Landenburger. 2002. Grizzly bear denning and potential conflict areas in the Greater Yellow Stone Ecosystem. Ursus 13: 19-28.
Posillico, M., A. Meriggi, E. Pagnin, S. Lovari, and L. Russo. 2004. A habitat model for brown bear conservation and land use planning in central Appennines. Journal of Biological Conservation 118(2): 141-150.
Reynolds, H. V., J. A. Curatolo and R Quimby. 1976. Denning ecology of grizzly bears in Northeastern Alaska. International Conference on Bear Research and Management 3: 403-409.
Sahlen, E., O. G. Stoen and J. E. Swenson. 2011. Brown bear den site concealment in relation to human activity in Sweden. Ursus 22(2): 152-158.
Seryodkin, I. V., L. V. Kostyria, J. M. Goodrich, D. G. Miquelle, , E. N. Smirnov, L. L. Kerley, H. B. Quigley and M. G. Hornocker. 2003. Denning ecology of brown bears and Asiatic black bears in the Russian Far East. Ursus 14(2): 153-161.
Syfert, M. M., M. J. Smith and D. A. Coomes. 2013. The effects of sampling bias and model complexity on the predictive performance of maxent species distribution models. Plos One 8(2): e55158.
SYSTAT. 2009. Ver 13. 1. Copy right© Systat Software, Inc. www. systat. com.
STATISTICA (data analysis software system). 2011. version 10. Copy right© StatSoft, Inc www.statsoft.com.
Waller, B. W., J. L. Belant, B. W. Young, B. D. Leopold and S. L. Simek. 2012. Denning chronology and den characteristics of American black bears in Mississippi. International Association for Bear Research and Management. Ursus 23(1): 6-11.
Wathen, W. G., K. G. Johnson and M. R. Pelton. 1986. Characteristics of Black bears dens in the Southern Appalachians region. International Conference on Bear Research and Management 6: 119-127.
Zhang, Z., R. R. Swaisgood, H. WU, M. Li, Y. Yong , J. HU and F. WEI. 2007. Factors predicting den use by maternal Giant Panda. Journal of Wildlife Management 71: 2694-2698.
۸۵



قیمت: تومان


دیدگاهتان را بنویسید