بومشناسي کاربردي/ سال پنجم / شماره پانزدهم / بهار ۱۳۹۵

مدلسازي پراکنش قوچ و میش اصفهان در منطقه حفاظت شده تنگ صیاد براساس بهبود اریب دادههاي حضور و انتخاب متغیرهاي مناسب با استفاده از حداکثر آنتروپی

علی جعفري1*، روحاله میرزایی2 و رسول زمانی احمدمحمودي1

(تاریخ دریافت: 4/8/1393 ؛ تاریخ پذیرش: 21/11/1394)

چكيده
در اين پژوهش با استفاده از روش مدلسازي حداکثر آنتروپي، الگوي پراکنش قوچ و ميش در منطقه حفاظت شده تنگ صياد بررسي شـد.بدين منظور ،۸ متغير محيطي و ۹۸ نقطه حضور قوچ و ميش استفاده شد. دو نگرش به منظور بهبود کارايي فرآيند مدلسازي شـامل کـاهشاريب در دادههاي حضور و انتخاب متغيرهاي پيشبيني کننده با توجه به عملکرد نهايي مدل استفاده شد. با اسـتفاده از چهـار حـد آسـتانهگوناگون (10P, F10, LPT , ETS) پراکنش بالقوه گونه در منطقه برآورد شد. نتايج حاصل از مدل با استفاده از آمارههاي مبتني بر حدآستانه (Sensivity, Specifity, Kappa, TSS)، آزمون دوجملهاي، آزمون ويلکاکسون و آماره سطح زيرمنحني( AUC) ارزيابي شد و اهميت نسبي متغيرها براساس آزمون جکنايف مشخص شد. نتايج نشان داد که پراکنشهاي پيشبيني شده بهخوبي با دادههاي حضور همخـواني دارنـد(حداقل ۷۷/۰ مربوط به تمام متغيرها با نقاط انتخابي و حداكثر ۸۲/۰ مربوط به متغيرهاي انتخابي با نقاط انتخابي). نتايج آمارههاي مبتني بـرحدآستانه مشخص کرد که موفقيت پيشبيني براي قوچ و ميش نسبتًاً خوب است. شيب و فاصله تا روستا مهمترين متغيرهاي پيشبيني کننده بودند. بهطور كلي نتايج نشان داد که کارايي مدل با انتخاب مناسب متغيرها و کاهش اريب در دادههاي حضور بهبود مييابد .

واژههاي كليدي: مدلسازي آشيان بوم شناختي، حداکثر آنتروپي ، قوچ و ميش، منطقه تنگ صياد

۱. گروه شيلات و محيط زيست، دانشکده منابع طبيعي و علوم زمين، دانشگاه شهرکرد
۲. گروه محيط زيست، دانشکده منابع طبيعي و علوم زمين، دانشگاه کاشان * : مسئول مكاتبات، پست الكترونيكي: jafari.ali@nres.sku.ac.ir
۳۹
مقدمه
مدلهـاي پـراکنش گونـه اي (Species Distribution Models) الگوریتمهاي تحلیلی و یا آماري هستند که مـی تواننـد پـراکنش واقعی یا بـالقوه گونـه را بـا ارتبـاط دادن مشـاهدات میـدانی و لایههاي متغیرهاي محیطی پـیش بینـی کننـد . تـاکنون مجموعـه گستردهاي از مدلهاي آماري و مبتنی بر یادگیري ماشین معرفی شـده ان د( 17، 19 و 24). گ روه وی ژهاي از م دله اي پ راکنش گونهاي تنها مبتنی بر نقاط حضور هستند( 24). کـارایی روش هـايمدلسازي مبتنی بر نقاط حضور ،متأثر از انتخاب نقـاط پـسزمینـه،متغیرهاي پیشبینی کننده، پیچیدگی انتخاب پارامترهاي مـدل سـازيو 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 اي غیرزیستی محدود کند( 28).
در ایران نیز اخیراً، مدلسازي پراکنش گونهاي بسـیار مـوردتوجه قرار گرفته است و در مقیاسهـاي مختلـف و روشهـايگوناگون انجام شده است( 1، 4، 7، 9، 10، 11 ،12، 13 و 21).
چنین مدلسازيهایی هم براي گونههاي جـانوري و هـم بـرايگونههاي گیـاهی صـورت گرفتـه اسـت. مطالعـات مربـوط بـهگونههاي گیاهی داراي تعداد بیشتر و تنوع بیشتر در روشهـايمورد استفاده است و بهنظر میرسد دلیل آن نیز تعیین راحتتـرنقاط حضور گونههاي گیاهی نسبت به گونههاي جانوري است .
از مهمترین ایـن مطالعـات مـیتـوان بـه مطالعـات سـنگونی وهمکاران (6)، ساکی و همکاران( 5)، زارع چاهوکی و همکاران (4)، پیري صحراگرد و همکاران( 2) و رحمتی و همکاران( 3) اشاره کرد که براي مدلسازي پراکنش گونههاي 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 پـراکنشگونههاي جانوري، نبود اطلاعات کافی نقاط حضور گونـه هـا وهــمچنــین نقشــههــاي رقــومی بــا کیفیــت دو مشــکل عمــدهمدلسازيهاي صورت گرفته در ایران است. جمـع آوري نقـاط
۴۰
حضور و عدم حضـور فرآینـدي سیسـتماتیک و طـولانیمـدتاست، و در نتیجه، تمایل بـه اسـتفاده از نمایـه هـاي گونـههـا ومهمتر، گفتگو با محیطبانان و اعتماد به گفتـه هـاي آنهـا، بسـیاررواج یافته است. یک مدلسازي پراکنش خوب نیاز دارد تا اولاً نقاط حضور از کل منطقه حضور گونه جمعآوري شده باشـد وثانیاً بهصورت سامانمند (سیستماتیک) جمعآوري شده باشد تـابدون اریب باشد. اگر تعداد نقاط حضور زیاد باشد، تا حدودي میتوان از این مشکل صرفنظر کرد( 35)، همـان طـور کـه دربسیاري از مطالعات جهانی از دادههاي موزهاي در کنار دادههاي میدانی براي دورههـاي زمـانی مختلـف اسـتفاده کـردهانـد، امـامتاسفانه نقاط حضور گونهها در کشـور زیـاد نیسـت و اصـولاً تعداد کم نقاط، مشکلی دیگر در مدلسـازي اسـت. متغیرهـايمورد استفاده در مدلسازي در ایران هم بیشتر از هر چیز متـأثر از وجود اطلاعات است تا مبتنـی بـر بـوم شناسـی گونـههـا ومعمولاً این لایهها هم داراي همگنـی زمـانی و مکـانی نیسـتند.
مشکل سومی که نسبت به دو مشکل اول کمرنگتر است دانش فنی کم نسبت به فرآیند مدلسازي و نرمافزارهاي 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 مـدلسـازيصحیح و معتبر تا حدودي و در بخشی از موارد نیز میتواند تـاحدي دو مشکل ذکر شده را برطرف کند. بنابراین، هدف از این پژوهش این است تا با استفاده از مطالعهاي موردي درباره قـوچو میش در منطقه حفاظـت شـده تنـگ صـیاد، نشـان داده شـودچگونه میتوان با دادههاي نقاط حضـور معمـولی و متغیرهـايمحیطی مورد استفادة اکثر مطالعات ایرانی، مدلسـازي پـراکنشبهتري 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 پارك 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 انحصاري ایـران مـ یباشـد در منطقـه جمـع آوري و شناسـایی گردیده که نشاندهنده اهمیت این ذخیرهگـاه ژنتیکـی و حـدود 70 گونه داراي 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 براي مدلسـازياستفاده شد. خود همبستگی مکـانی ( spatial autocorrelation) میان نقاط حضور با استفاده از شاخص Morans I بررسی شـد.اریبهاي 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

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 مدلسازي، مدلهاي مبتنی بر نقاط حضور کـاهش یافتـهبا مدلهایی که از تمام نقاط استفاده کردند با یکـدیگر مقایسـهشدند. متغیرهاي پیشبینی کننده در دو مرحله انتخاب شدند. در مرحله اول که مرحلهاي 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 براي شناسایی متغیرهاي مناسب مدلسـازي مـورد
۴۱
جدول 1. متغیرهاي محیط زیستی انتخابی براي مدلسازي
پراکنش قوچ و میش در منطقه تنگ صیاد

نام اختصاري 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. مدلسازي در چهار حالت شامل استفاده از تمام نقاط حضور و نقاط حضور کاهش یافته و تمام متغیرهـا ومتغیرهاي انتخابی با استفاده از نرمافزار Maxent 3.3.3k انجـامشد.
دادههاي حضور گونـه هـا، بـه دو گـروه دادههـا ي آمـوزش (75%) و دادههاي آزمون (25%) تقسـیم شـد . نقـاط پـس زمینـه بهصورت تصادفی از تمام منطقه مورد مطالعه انتخاب شد. نقشه پراکنش گونهها براساس 10 مرتبه اجراي مـدل سـازي و 1000 تکرار تولید شد و نقشه میانگین پیشبینی شده با اندازه پیکسـل30×30 متر بهعنوان نقشه نهایی ارائه شد. براي حساسیتسنجی مدل و مشخص کردن متغیرهـاي مهـم در پـراکنش ، از تحلیـل جکنایف استفاده شد. براي ارزیـابی نتـایج مـدل سـازي 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 حدآستانهاي 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 . بـرايصحتسنجی نقشههاي 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 پیشبینیهاي 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 عملکردي بهتر از حالت تصـادفی نداشـته اسـت.آماره TSS نیز مانند آمـارهKappa ، خطاهـاي حـذفشـدگی ولحاظ شدگی را درنظر میگیرد و داراي محدوه 1- تا 1+ اسـتکه 1+ نشانگر تطابق کامل و مقادیر صفر و کمتر از آن نشـانگر این است که مدل عملکـردي بهتـر از حالـت تصـادفی نداشـته است. مقادیر TSS کمتر از 2/0 نشاندهنده عملکرد ضعیف، بین 2/0 و 6/0 نشانه نسبتاً خوب و بـیش از 6/0 نشـانگر عملکـردخوب مدلسازي است( 25).

نتایج
نتایج بررسی همبستگی مکانی نشان داد که نقاط حضور قوچ و میش در سطح یک درصد داراي 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 دادههـاي حضـورنشان میدهد. پس از کاهش اریب در دادهها، تعداد نقاط مـورداستفاده براي مدلسازي به 51 نقطه کاهش یافت.
نتایج ترکیبهاي مختلـف متغیرهـاي پـیشبینـی کننـده درجدول 2 آورده شده است. مهمترین متغیرهاي شناسـایی شـدهبراي قوچ و میش متغیرهاي ارتفاع، شـیب، فاصـله تـا چشـمه،فاصله تا رودخانه، فاصله تا جاده و فاصله تا روستا بودند.
میزان AUC براي 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 بهتري با سطح زیرمنحنی بیشتري را بـههمراه داشته است (جدول 3)؛ اما در زمینه حذف اریب در نقاط مشاهدهاي در حالـت اسـتفاده از تمـام متغیرهـا، کـاهش نقـاطحضور، عملکرد مدل را بهبود نداده است و در حالت متغیرهاي انتخابی، عملکرد مدل بهبود یافتـه اسـت. آزمـون ویلکاکسـون(WSRT) نشان داد که تفاوتهاي سطح زیرمنحنی براي 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 متغیرهاي مورد استفاده در مدلسازي پراکنش قوچ و میش در منطقه در جدول 4 آورده شده است. این جدول براساس اجراي 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

جدول 2. نتایج فرآیند شناسایی متغیرهاي مهم در مدلهاي با امتیاز بالا براي 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 اجراي بهتر (مشخص شده براساس سطح زیرمنحنی) نشان میدهد.

زیستگاه

مطلوبیت

زیستگاه

مطلوبیت

شکل 3. نقشه مطلوبیت زیستگاه (پراکنش) گونۀ قوچ و میش در منطقه تنگ صیاد

7/29% براي قوچ و میش مهمترین عوامل اثرگذار بـر پـراکنشاین گونه بودند.
۴۳

شکل 4 نیز، نتایج تحلیل جکنایف را نشان مـ یدهـد. ایـنمنحنی شامل دستیابی به افزوده در سـه حالـت مختلـف اسـت.شیب متغیري است که با حذف آن بیشترین کـاهش در افـزودهاتفاق میافتد. حالت دوم مربوط به زمانی است که مـدل سـازي تنها براساس وجود یک متغیر انجام میشود و براساس آن میزان افزوده برآورد میگردد. در این حالت نیز مهمترین متغیـر بـراي۴۴
جدول 3. اثر کاهش اریب در نقاط مشاهداتی و انتخاب متغیرهاي محیطزیستی بر عملکرد فرآیند مدلسازي( AUC) پراکنش گونۀ قوچ و میش

گونه

متغیرها

تمام

انتخابی

متغیرهاي

گونه

متغیرها



قیمت: تومان


دیدگاهتان را بنویسید