عبیداوی, زینب, رنگزن, کاظم, میرزایی, روح اله, اشرف زاده, محمدرضا. (1396). مدل‌سازی پراکنش بالقوۀ گونه‌های حیات‌وحش بر مبنای دانش بوم‌شناختی جوامع بومی در مقایسه با روش‌های یادگیری ماشینی (مطالعۀ موردی: آهوی ایرانی در منطقۀ حفاظت‌شدۀ میشداغ). نشریه محیط زیست طبیعی, 70(4), 893-906. doi: 10.22059/jne.2017.232585.1380
زینب عبیداوی; کاظم رنگزن; روح اله میرزایی; محمدرضا اشرف زاده. "مدل‌سازی پراکنش بالقوۀ گونه‌های حیات‌وحش بر مبنای دانش بوم‌شناختی جوامع بومی در مقایسه با روش‌های یادگیری ماشینی (مطالعۀ موردی: آهوی ایرانی در منطقۀ حفاظت‌شدۀ میشداغ)". نشریه محیط زیست طبیعی, 70, 4, 1396, 893-906. doi: 10.22059/jne.2017.232585.1380
عبیداوی, زینب, رنگزن, کاظم, میرزایی, روح اله, اشرف زاده, محمدرضا. (1396). 'مدل‌سازی پراکنش بالقوۀ گونه‌های حیات‌وحش بر مبنای دانش بوم‌شناختی جوامع بومی در مقایسه با روش‌های یادگیری ماشینی (مطالعۀ موردی: آهوی ایرانی در منطقۀ حفاظت‌شدۀ میشداغ)', نشریه محیط زیست طبیعی, 70(4), pp. 893-906. doi: 10.22059/jne.2017.232585.1380
عبیداوی, زینب, رنگزن, کاظم, میرزایی, روح اله, اشرف زاده, محمدرضا. مدل‌سازی پراکنش بالقوۀ گونه‌های حیات‌وحش بر مبنای دانش بوم‌شناختی جوامع بومی در مقایسه با روش‌های یادگیری ماشینی (مطالعۀ موردی: آهوی ایرانی در منطقۀ حفاظت‌شدۀ میشداغ). نشریه محیط زیست طبیعی, 1396; 70(4): 893-906. doi: 10.22059/jne.2017.232585.1380
مدل‌سازی پراکنش بالقوۀ گونه‌های حیات‌وحش بر مبنای دانش بوم‌شناختی جوامع بومی در مقایسه با روش‌های یادگیری ماشینی (مطالعۀ موردی: آهوی ایرانی در منطقۀ حفاظت‌شدۀ میشداغ)
1دانش‌آموختۀ کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ علوم زمین، دانشگاه شهید چمران اهواز
2دانشیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ علوم زمین، دانشگاه شهید چمران اهواز
3استادیار گروه محیط‌زیست، دانشکدۀ منابع‌طبیعی و علوم زمین، دانشگاه کاشان
4استادیار گروه شیلات و محیط‌زیست، دانشکدۀ منابع‌طبیعی و علوم زمین، دانشگاه شهرکرد
چکیده
پایش و مدیریت جمعیت‌های حیات‌وحش و زیستگاه‌ها نیازمند مدل‌سازی زیستگاه‌های مطلوب و پراکنش گونه‌ای است. بنابراین در این پژوهش، مدل‌سازی پراکنش بالقوۀ آهوی ایرانی با دو رویکرد فازی (مبتنی بر دانش بوم‌شناختی جوامع بومی) و مکسنت (مبتنی بر داده‌های حضور گونه) در منطقۀ حفاظت‌شدۀ میشداغ اجرا شد؛ تا ضمن مدل‌سازی پراکنش گونه‌ای با استفاده از سامانۀ استنتاج فازی (رویکرد فازی) و الگوریتم آنتروپی بیشینه (رویکرد مکسنت)، به بررسی و مقایسۀ کارایی هر یک از این دو رویکرد پرداخته شود. به‌علاوه، ارزیابی هر یک از مدل‌ها با استفاده از تحلیل جک‌نایف انجام شد. آستانه‌گذاری نیز با استفاده از آستانۀ حضور 10% صورت گرفت. براساس یافته‌ها، سه متغیر کاربری سرزمین، فاصله از کشت‌زارها و فاصله از منابع آب در هر دو رویکرد فازی و مکسنت به‌عنوان مهم‌ترین متغیرهای مدل‌سازی شناخته شدند. همچنین، در هر یک از رویکردهای فازی و مکسنت به ترتیب 45/47% و 08/14% منطقه به‌عنوان منطقۀ حضور بالقوه پیش‌بینی شد. براساس تحلیل جک‌نایف، میزان موفقیت هر یک از مدل‌های فازی و مکسنت به ترتیب، 95/80% و 66/66% برآورد شد (p<0.01). یافته‌های پژوهش مؤید کارایی بالای سامانۀ استنتاج فازی و الگوریتم آنتروپی بیشینه در مدل‌سازی پراکنش بالقوۀ آهوی ایرانی است. این مطالعه را می‌توان از یک سو تأکیدی بر ضرورت توجه به رویکردهایی همچون رویکرد فازی در مدل‌سازی پراکنش بالقوۀ گونه‌های حیات‌وحش کشور و از سوی دیگر تأکیدی بر ضرورت توجه به دانش بوم‌شناختی جوامع بومی هر منطقه دانست.
Potential distribution modelling of wildlife species based on ecological knowledge of local communities compared with machine learning methods: A case study of Gazella subgutturosa in Mishdagh Protected Area
2Department of RS & GIS, Faculty of Earth Sciences, Shahid Chamran University of Ahvaz, Iran
3Department of Environment, Faculty of Natural Resources and Earth Sciences, University of Kashan, Iran.
4Department of Fisheries and Environmental Scinces, Faculty of Natural Resources and Earth Scinces, Shahrekord University, Iran
چکیده [English]
Monitoring and managing the wildlife populations and habitats required to model the species distribution and habitat suitability. So, Gazella subgutturosa potential distribution in Mishdagh Protected Area was modeled using fuzzy (based on ecological knowledge of local communities) and MaxEnt (based on species occurrence records) approaches; thus, in addition to model the species distribution using maximum entropy algorithm (MaxEnt approach) and fuzzy inference system (fuzzy approach), we can also assess and compare the performance of each approach. In addition, the accuracy of predictive models was tested using jackknife test. Also, we applied threshold of 10%. Based on results of fuzzy and MaxEnt approaches, the most important variables for species potential distribution modelling were land use, distance to farms and distance to water sources. Also, 47.45% and 14.08% of study area predicted as species potential presence area in fuzzy and MaxEnt approaches, respectively. According to results of jackknife test, success rates of fuzzy and MaxEnt approaches were 80.95% and 66.66%, respectively (p<0.01). Findings of this research confirmed the high performance of fuzzy inference system and maximum entropy algorithm to model species potential distribution. This study emphasized the necessity of attention to fuzzy approach for potential distribution modelling of wildlife species in Iran, and emphasized also the necessity of attention to the ecological knowledge of local communities.
کلیدواژه‌ها [English]
ecological knowledge, local communities, potential distribution, Fuzzy Inference System, maximum entropy algorithm
ابتدای صفحه