نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای محیط زیست

2 استادیار گروه محیط زیست دانشکده منابع طبیعی و محیط زیست دانشگاه ملایر

3 دانش آموخته کارشناسی ارشد برق قدرت

4 مربی گروه محیط زیست دانشگاه کشاورزی و منابع طبیعی گرگان

چکیده

با توجه به مهاجرت گونه‌ها در فصول معین، مناطق حفاظت‌شده رسماً قادر نیستند تمام قلمروهای موردنیاز گونه را پوشش دهند، به همین دلیل لازم است دالان‌های بین مناطق حفاظت‌شده نیز تحت کنترل و حفاظت قرار گیرند. به‌منظور بررسی دالان‌های زیستگاهی بین قوچ و میش‌های مناطق گلپر آباد و آهنگران (لشگردر) و بخش لشگردر منطقه حفاظت‌شده لشگردر، در ابتدا مطلوبیت زیستگاه گونه مذکور با استفاده از روش‌های مدل خطی تعمیم‌یافته (GLM)، شبکه عصبی مصنوعی (ANN) و شبکه ماشین بردار پشتیبان (SVM) مدل‌سازی شد و سپس بر اساس حد آستانه 10 درصد نقشه‌های مطلوبیت زیستگاه گونه به نقشه دوتایی تبدیل شدند. اعتبار سنجی مدل‌ها نیز بر اساس رویکرد آماری ROC، شاخص حداکثرکاپا (Maximal Kappa) و شاخص TPR انجام گرفت. نتایج حاصل بیانگر مناسب بودن مدل خطی تعمیم‌یافته (GLM) به نسبت دو مدل دیگر است. حساسیت سنجی مدل خطی تعمیم‌یافته (GLM) با استفاده از روش حداکثر کاپا محاسبه شد. به‌منظور شناسایی دالان‌های ارتباطی بین دو لکه زیستگاهی موجود از معکوس نقشه مطلوبیت زیستگاه به‌عنوان نقشه هزینه استفاده و شناسایی دالان‌های موجود با استفاده از تئوری مدار الکتریکی انجام گرفت. نتایج حاصل از حساسیت سنجی مدل خطی تعمیم‌یافته نشان داد که متغیرهای ارتفاع، طبقات پوشش زمین، فاصله از آبراهه و فاصله از روستا بیشترین تأثیر را در پراکنش گونه داشته‌اند. بر اساس یافته‌ها، بهترین محدوده جهت اتصال لکه‌های زیستگاهی در محدوده 5/1 کیلومتری روستای ازناوله به سمت جوزان در محدوده‌ای به طول 800 متر قرار دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Identify the habitat corridors of wild sheep (Ovis Orientalis) in the context of the landscape based on the theory of electrical circuits (Case Study: Lashgardar and Golparabad protected areas)

نویسندگان [English]

  • Peyman karami 1
  • Kamran shayesteh 2
  • Seyed Majid Hosseini 4

1 Malayer University

2 Assistant Professor Department of Environmental Sciences Malayer University 65719-95863 Malayer- Iran

4 Gorgan University

چکیده [English]

Due to the migration of species in the certain seasons, the protected areas are not able to cover all required areas for the species. So, it is necessary that in the wildlife, the corridors between the protected areas be taken under control and protection. In order to study habitat corridors between the wild sheep of Golparabad region and Ahangaran (Lashgardar) and Lashgardar section of Lashgardar protected area, at first the habitat suitability of mentioned specie by GLM, ANN and SVM Was modeled and then based on 10% threshold, the species habitat suitability maps were converted to the binary map. The validation of models was also performed based on the statistical approach ROC, the maximum kappa index, and TPR index. Results show the suitability of the GLM compared to other two models. Sensitivity analysis of GLM was calculated using kappa maximum method. In order to identify the communication corridors between two existing habitat patches, the reverse habitat suitability map was used as the Friction map and identification of existing corridors was performed by using the electrical circuit theory. The obtained results of the sensitivity analysis of GLM showed that the variables of elevation, land cover classes, distance from the river and distance from the village had the greatest impact on the species distribution. According to the findings, the best range for connecting the habitat patches is within 1.5 kilometers of the Eznaveleh village to Jozan in the limited area with the length of 800 meters.

کلیدواژه‌ها [English]

  • Habitat suitability
  • GLM
  • Wild sheep
  • electrical circuit theory
  • Lashgardar and Golparabad

شناسایی دالان‌های زیستگاهی گوسفند وحشی ارمنی (Ovis Orientalis) در بستر سیمای سرزمین مبتنی بر تئوری مدارهای الکتریکی (مطالعه موردی: مناطق لشگر‌در و گلپر‌آباد)

پیمان کرمی1، کامران شایسته1*، احسان کرمی2 و سید مجید حسینی3

1 ملایر، دانشگاه ملایر، دانشکده منابع طبیعی و محیط‌زیست، گروه محیط‌زیست

2 تهران، دانشگاه صنعتی امیرکبیر(پلی­تکنیک تهران)، گروه برق قدرت

3 گرگان، دانشگاه کشاورزی و منابع طبیعی گرگان، دانشکده شیلات و محیط‌زیست، گروه محیط‌زیست

تاریخ دریافت: 24/6/95                تاریخ پذیرش: 17/12/95

چکیده

باتوجه به مهاجرت گونه‌ها در فصول معین، مناطق حفاظت‌شده رسماً قادر نیستند تمام قلمروهای موردنیاز گونه را پوشش دهند، به همین دلیل لازم است دالان‌های بین مناطق حفاظت‌شده نیز تحت کنترل و حفاظت قرارگیرند. به‌منظور بررسی دالان‌های زیستگاهی بین قوچ و میش‌های مناطق گلپرآباد و آهنگران (لشگردر) و بخش لشگردر منطقه حفاظت‌شده لشگردر، در ابتدا مطلوبیت زیستگاه گونه مذکور بااستفاده از روش‌های مدل خطی تعمیم‌یافته (GLM)، شبکه عصبی مصنوعی (ANN) و شبکه ماشین بردار پشتیبان (SVM) مدل‌سازی شد و سپس براساس حد آستانه 10 درصد نقشه‌های مطلوبیت زیستگاه گونه به نقشه دوتایی تبدیل شدند. اعتبارسنجی مدل‌ها نیز براساس رویکرد آماری ROC، شاخص حداکثرکاپا (Maximal Kappa) و شاخص TPR انجام گرفت. نتایج حاصل بیانگر مناسب بودن مدل خطی تعمیم‌یافته (GLM) به نسبت دو مدل دیگر است. حساسیت­سنجی مدل خطی تعمیم‌یافته (GLM) بااستفاده از روش حداکثر کاپا محاسبه شد. به‌منظور شناسایی دالان‌های ارتباطی بین دو لکه زیستگاهی موجود از معکوس نقشه مطلوبیت زیستگاه به‌عنوان نقشه هزینه استفاده و شناسایی دالان‌های موجود بااستفاده از تئوری مدار الکتریکی انجام گرفت. نتایج حاصل از حساسیت­سنجی مدل خطی تعمیم‌یافته نشان داد که متغیرهای ارتفاع، طبقات پوشش زمین، فاصله از آبراهه و فاصله از روستا بیشترین تأثیر را در پراکنش گونه داشته‌اند. براساس یافته‌ها، بهترین محدوده جهت اتصال لکه‌های زیستگاهی در محدوده 5/1 کیلومتری روستای ازناوله به سمت جوزان در محدوده‌ای به طول 800 متر قرار دارد.

واژه­های کلیدی: مطلوبیت زیستگاه، مدل خطی تعمیم‌یافته، قوچ و میش، مدار الکتریکی، لشگر‌در و گلپرآباد

* نویسنده مسئول، تلفن: 09123784864 ، پست الکترونیکی: k.shayesteh@malayeru.ac.ir

مقدمه

 

تخریب زیستگاه (Habitat destruction) در نتیجه تبدیل زیستگاه‌های طبیعی به سایر کاربری‌های موردنیاز انسانی نظیر اراضی کشاورزی، چراگاه دام‌های اهلی و مناطق مسکونی اتفاق می‌افتد. تغییر کاربری باعث نابودی گونه‌هایی می‌شود که به آن زیستگاه وابسته‌اند. ارتباط میان لکه‌های زیستگاهی و جمعیت‌ها عامل مهمی است که بر گستره وسیعی از فرایندهای بوم‌شناختی نظیر جریان ژن، پویایی ابر جمعیت‌ها، افزایش گستره پراکنش گونه‌ها، بقاء جمعیت‌ها و حفاظ تنوع زیستی تأثیرگذار بوده است (24) و یک ویژگی مهم سیمای سرزمین به شمار می‌رود (12و 36). ارتباط سیمای سرزمین (Land scape connectivity) میزان توانایی ساختار و ترکیب سیمای سرزمین را در تسهیل نمودن حرکت افراد و جمعیت‌ها در میان لکه‌های زیستگاهی است و در ارتباط با نیازهای زیستگاهی گونه‌های که در آن زندگی و حرکت می‌کنند تعریف می‌شود (18). زمانی که توانایی گونه‌ها برای حرکت در میان لکه‌های زیستگاهی کاهش پیدا می‌کند، گونه‌ها منزوی‌شده و درنتیجه آسیب‌پذیری آن‌ها نسبت به آشفتگی‌های محیطی بیشتر شده و احتمال انقراض افزایش می‌یابد (24). زیست­شناسان حفاظت معتقدند که ارتباطات، زیستایی جمعیت‌های حیات‌وحش را افزایش داده و تأثیرات ناشی از انزوا برجمعیت را به حداقل می‌رساند (18). گوسفند وحشی از پستانداران شاخص مناطق کوهستانی کشور است که جمعیت آن به دلیل تخریب زیستگاه در مناطق تحت مدیریت سازمان حفاظت محیط‌زیست کشور و در سطح بین‌المللی کاهش‌یافته است (4، 5و 45). تاکنون مطالعات فراوانی در خارج و بعضاً تعدادی در داخل بر روی موضوع مطلوبیت و اتصال لکه‌های زیستگاهی انجام‌گرفته است (2، 3، 12و 30) که در ادامه به آن‌ها اشاره می‌شود. مشهدی احمدی و همکاران (1393) مسیرهای گدار گوسفند وحشی (O.o.arkali & O.o.vigneii) را بااستفاده از آنالیز کمترین هزینه در استان تهران مدل‌سازی سازی کردند. براساس نتایج این بررسی 25 گدار شناسایی شد که از میان آن‌ها 15 گدار به‌دوراز تهدیدات و 7 گذرگاه با ایجاد تمهیدات به‌منظور ممانعت از تخریب و گسترش تغییر کاربری‌های به‌عنوان بهترین گذرگاه پیشنهاد شدند (11)، کیا و همکاران (2016) مطلوبیت زیستگاه و اتصالات زیستگاهی گوسفند وحشی را در غرب تهران در مناطق حفاظت‌شده ورجین، جاجرود، خجیر، لار و خوش­ییلاق بررسی کردند. براساس نتایج حساسیت­سنجی فاصله از پاسگاه محیط‌بانی مهم‌ترین متغیر تأثیرگذار بر پراکنش گونه بوده است (32)، ایرن و همکاران (2012) به بررسی و مقایسه مدل‌های مطلوبیت و اتصال زیستگاه شاخ چنگالی (Antilocapra americana) پرداختند، در این­مطالعه از روش تحلیل سلسله مراتبی (AHP) و آنتروپی بیشینه (MaxEnt) به‌منظور دستیابی به مطلوبیت زیستگاه و از روش تحلیل کمترین هزینه و تئوری مدار الکتریکی برای دستیابی به بهترین مسیرهای اتصال زیستگاه استفاده شد. نتایج نشان داد که روش حداکثر بی‌نظمی و تحلیل کمترین هزینه در مقابل سایر روش‌ها مطلوب بوده‌اند (26). براکر و همکاران (2014) به مطالعه اتصالات زیستگاهی پستانداران در محیط شهری زوریخ در کشور سویس بااستفاده از تئوری مدارالکتریکی پرداختند، براساس نتایج این پژوهش هرچند محیط‌های شهری محیط پیچیده‌ی محسوب می‌شوند اما حفظ اتصالات زیستگاهی برای پستانداران داخل آن مهم محسوب می‌شود (19). دو منطقه حفاظت‌شده لشگردر و گلپرآباد در شهرستان ملایر قرارداشته و از تنوع زیستی قابل‌توجهی برخوردار هستند. منطقه حفاظت‌شده لشگر‌در شامل دو بخش لشگر‌در و آهنگران است. منطقه حفاظت‌شده گلپرآباد در مجاورت بخش آهنگران منطقه لشگر‌در قراردارد. قوچ و میش‌های منطقه آهنگران با جمعیت‌های این‌گونه در گلپرآباد در ارتباط بوده و مانع پراکنشی بین جمعیت‌های آن‌ها وجود ندارد. دو لکه زیستگاهی منطقه حفاظت‌شده لشگر‌در (لشگردر و آهنگران) توسط جاده‌ای که روستاهای ازناو، جوزان و مانیزان را به هم متصل می‌کند، زمین‌های کشاورزی و باغ‌های انگور از هم جداشده‌اند. باتوجه به مطالب ذکرشده این بررسی به دنبال دستیابی به مطلوبیت زیستگاه گونه در مناطق موردمطالعه و نیز شناسایی دالان‌های ارتباطی بین بخش لشگردر و مناطق آهنگران و گلپرآباد است.

مواد و روشها

محدوده مورد مطالعه: منطقه حفاظت‌شده لشگردر با وسعتی معادل 16000 هکتار در استان همدان و در شرق و جنوب­شرقی شهر ملایر واقع‌شده و شامل رشته‌کوه آهنگران و توده کوه سرده است. میانگین بارندگی سالیانه منطقه برابر 8/288 میلی‌متر و میانگین دمای سالانه برابر40/13 درجه سانتی‌گراد ‌است. تیپ اقلیمی منطقه به روش دومارتن و طبق روش آمبروژه خشک و سرد تعیین‌شده، منطقه حفاظت‌شده گلپرآباد با مساحت 8326 هکتار در فاصله حدود 40 کیلومتری جنوب­شرقی شهرستان ملایر واقع گردیده است. این منطقه شامل تپه‌ماهورها و قسمت‌های از آن صخره‌ای و در پایین‌دست مناطق دشتی وجود دارد و در کل دارای سیمای کوهستانی است و جزء پیش کوه‌های زاگرس غربی به شمار می‌آید. زمستان این منطقه سرد و اغلب نزولات به شکل برف است. این زیستگاه در امتداد رشته‌کوه آهنگران و ضلع جنوب­شرقی لشگردر است. پوشش گیاهی غالب در مناطق دشت مرتعی و در تپه‌ماهورها به‌صورت بوته‌ای و در ارتفاعات درختچه وجود دارد. شکل 1 موقعیت محدوده موردمطالعه را نمایش می‌دهد. دربازدیدهای میدانی مشخص شد که قوچ و میش‌های منطقه گلپرآباد و آهنگران در قسمت‌های از خارج مرز مناطق مشاهده‌شده‌اند که بیانگر حضور گونه در خارج از مرزهای تعریف‌شده برای حفاظت است. از طرفی غالب نقاط مشاهده با پراکنش تپه ماهورها هم‌راستا هستند. باتوجه به مطالب ذکرشده به‌منظور پوشش کامل زیستگاه‌های منطقه مرز محدوده موردمطالعه با توجه به پراکنش تپه‌ماهورها افزایش و سپس مدل‌سازی براساس آن مرز انجام گرفت.

ثبت نقاط حضور و تحلیل الگو: به‌منظور ثبت نقاط حضور گونه در منطقه ابتدا لکه‌های پراکنش گونه با مطالعات میدانی شناسایی شدند. سپس در طول این لکه‌ها ترانسکت‌هایی با طول متغیر و عرض 5/2 متر (13) به روش تصادفی مستقر و علاوه نقاط حضور گونه و نمایه‌های مربوط به آن ازجمله ردپا، سرگین نیز در طول فصول مختلف سال بررسی و ثبت شدند. به‌منظور کاهش خودهمبستگی و اریب داده‌های حضور از جعبه‌ابزار SDM و روش چند فاصله (Multiple rarefying distances) در نرم‌افزار Arc Map استفاده شد. سپس به‌منظور بررسی الگوی پراکنش (Analyzing pattern) نقاطی که اریب آن‌ها کاهش‌یافته است از ابزار میانگین نزدیک‌ترین فاصله همسایگی (Average Nearest Neighbor) استفاده شد. این روش ابتدا فاصله بین نقطه مرکزی هر عارضه را با نقطه مرکزی نزدیک‌ترین همسایه‌اش اندازه‌گیری کرده، سپس میانگین تمامی این نزدیک‌ترین همسایگی‌ها را محاسبه می‌کند اگر میانگین فاصله محاسبه‌شده از میانگین توزیع تصادفی فرضی کمتر باشد آنگاه می‌توان نتیجه گرفت که توزیع پدیده موردبررسی خوشه‌ای است. اگر میانگین فاصله محاسبه‌شده بزرگ‌تر از میانگین توزیع تصادفی باشد آنگاه می‌توان نتیجه گرفت که عوارض به‌صورت پراکنده در فضا توزیع‌شده‌اند (6). نتایج این تحلیل نشان داد که داده‌های حضور در منطقه از الگوی خوشه‌ای پیروی نمی‌کنند و نقاط حضور به‌صورت تصادفی در تمام محدوده مطالعه تهیه ثبت‌شده‌اند (شکل 2).

متغیرهای زیستگاهی: به‌منظور مدل‌سازی مطلوبیت زیستگاه باتوجه به مطالعات انجام‌شده (2، 5، 7،8، 9و 11) از متغیرهای، شیب، جهت، ارتفاع، فاصله از سکونتگاه‌های انسانی، فاصله از منطقه توسعه‌یافته و درحال‌توسعه (کارخانه‌های کوچک و بزرگ)، فاصله از آبراهه، فاصله از جاده، مقدار تشعشات خورشیدی دریافتی (محاسبه‌شده به‌وسیله مدل رقومی ارتفاعی)، نقشه پوشش زمین و فاصله از چشمه‌های موجود در منطقه استفاده شد. به‌منظور تهیه نقشه پوشش زمین تصویر ماهواره لندست 8 به مورخه 24/05/ 2016 دریافت و پس از تصحیحات هندسی و رادیو‌متریک (کاهش تیرگی پدیده) طبقه‌بندی با استفاده از نمونه‌های تعلیمی به روش شبکه عصبی انجام گرفت. صحت نقشه طبقه‌بندی‌شده با استفاده از شاخص کاپا با مقدار 95/0 تائید کننده اجرای طبقه‌بندی بود. طبقات استخراج‌شده شامل 8 طبقه بود. پیش از اجرای مدل‌های مطلوبیت زیستگاه همبستگی متغیرها با استفاده از تحلیل­تجزیه به مؤلفه اصلی (PCA) در نرم‌افزار Idrisi محاسبه گردید. براساس نتایج حاصل از این دستور هیچ‌کدام از متغیرهای مورداستفاده در تحلیل مقدار بالای 8/0 همبستگی نداشته (1) و لذا هیچ‌یک از تحلیل حذف نشدند.

 

 

شکل 1- تصویر منطقه موردمطالعه، استان همدان، شهرستان ملایر

 

شکل 2- تحلیل الگوی پراکنش نقاط نمونه‌برداری شده


مدل‌های مطلوبیت زیستگاه:

شبکه ماشین بردار پشتیبان (SVM): روش SVM یک روش آماری غیرپارامتریک نظارت‌شده است و براساس این فرض عمل می‌کند که هیچ‌گونه اطلاعاتی در خصوص توزیع داده‌ها وجود نداشته باشد. ویژگی اصلی این روش توانایی بالا در استفاده از نمونه‌های تعلیمی کمتر و رسیدن به‌دقت بالاتر در مقایسه با سایر روش‌های طبقه‌بندی است (35و 39). ماشین­بردار پشتیبان در حقیقت یک طبقه‌بندی کننده دودویی است که دو کلاس را بااستفاده از یک مرز خطی از هم جدا می‌کند و وابسته به خانواده طبقه‌بندی کننده‌های خطی تعمیمی است (43) ماشین­بردار پشتیبان داده‌ها را با عبور از یک صفحه (مرزخطی) و بااستفاده از تمامی باندها و به‌کارگیری یک الگوریتم بهینه طبقه‌بندی می‌کند.

شبکه عصبی (ANN): شبکه‌های عصب مصنوعی (ANN) ابزار ریاضی هستند که با تقلید از سیستم عصبی بیولوژیک ساخته‌شده‌اند (27) قدرت انعطاف و تصحیح­پذیری بالای در انطباق با داده‌های موجود دارند (42) به‌گونه‌ای که قادر به سازمان‌دهی مجدد شده، نظم و هماهنگی بین داده‌های موجود در داخل داده‌ها را پیدا می‌کنند (15) و براساس بر‌دارهای ورودی، رخداد و بزرگی یک پدیده را پیش‌بینی می‌کنند (23). جدول 1 مقادیر بهینه جهت اجرای شبکه ماشین بردار پشتیبان و شبکه عصبی را نشان می‌دهد.

 

 

جدول 1- مقادیر پارامترهای به‌کاررفته درروش شبکه ماشین بردار پشتیبان و شبکه عصبی

نام مؤلفه

مقدار

نام مؤلفه

مقدار

شبکه بردار پشتیبان طبقه‌بندی کننده

C-SVM

شبکه عصبی

BP-ANN

تابع کرنل مورداستفاده

Radial Basis Function (RBF)

Momentum

3/0

درجه در تابع کرنل (Degree)

3

Learning Rate

1/0

ضریب تابع کرنل (Gamma)

5/0

نرون ورودی

1

Nu

5/0

نرون مخفی

2

Coef0

0

نرون خروجی

1

Cost

1

Momentum

3/0

 


روش خطی تعمیم‌یافته (GLM) با تابع فعال‌سازی (Logit): یکی از رویکردهای چند متغیره مدل‌سازی مطلوبیت زیستگاه و پیش‌بینی حضور گونه‌ها که نیازمند استفاده از داده‌های حضور و عدم­حضور است مدل خطی تعمیم‌یافته با توزیع دو جمله‌ی و تابع پیوند منطقی است (20و 25). مدل خطی تعمیم‌یافته تعمیم رگرسیون خطی است برای داده‌های که توزیع نرمال ندارند به‌عنوان‌مثال پیش‌بینی تعداد خرابی که کمیتی گسسته است، یا زمان انتظار که کمیتی مثبت است. رگرسیون لجستیک خود نوعی از مدل‌های خطی تعمیم‌یافته است لذا در سراسر این مطالعه از مدل خطی تعمیم‌یافته به‌جای رگرسیون لجستیک استفاده‌شده است. در این مطالعه به‌منظور مدل‌سازی پراکنش از تابع فعال‌سازی Logit استفاده شد، که معادل رگرسیون لجستیک است. عدد حقیقی P بین صفر و یک به‌صورت زیر است.

رابطه 1:

 

این تابع در مدل رگرسیون لجستیک استفاده می‌شود. تابع لوجیت در ساده‌ترین به‌صورت زیر تعریف می‌شود.

      رابطه 2:              

که Xiهمان متغیری است که وقوع یا عدم وقوع در i امین اتفاق و Piاحتمال وقوع را نشان می‌دهد (38).

تئوری مدارالکتریکی و روش تحلیل کمترین هزینه: مدارالکتریکی با تبدیل پیکسل‌های رستر زیستگاهی به گره و اتصال هرکدام از آن‌ها به نزدیک‌ترین گره مجاور شبکه‌ای تشکیل داده که شدت‌جریان عبوری از بین گره‌ها (ارتباط یا احتمال انتشار افراد) را محاسبه می‌کند (12). به‌منظور مدل‌سازی دالان‌های زیستگاهی بااستفاده تئوری مدارهای الکتریکی Circuitscape استفاده شد. دراین مطالعه از تئوری مدار شیوه اتصال گره All-To-One استفاده شد. یکی از رویکردهای مهم در محاسبه نتایج حاصل از مدل‌های مختلف طراحی دالان زیستگاهی، مقایسه نتایج آن‌ها با یکدیگر است دراین بررسی نیز از نقشه بهترین مدل پیش‌بینی کننده برای مقایسه بانتایج تحلیل کمترین هزینه (Least cost analysis) استفاده خواهد شد چراکه نتایج آن‌ها تکمیل‌کننده یکدیگر بوده و به شکل بهتری قابل تفسیر است (12). به‌منظور اجرای مدل تحلیل هزینه از دستور مرکزیت (Mean Center) در نرم‌افزار Arc Map نقاط حضور مرکزی هر محدوده شناسایی و سپس از این نقاط جهت اتصال استفاده شد.

استفاده از حد آستانه در شناسایی لکه زیستگاهی: پس­از محاسبه مطلوبیت زیستگاه توسط روش‌های مدل‌سازی به‌منظور شناسایی لکه‌های زیستگاهی موجود در منطقه لازم است نقشه دودویی از مطلوبیت زیستگاه گونه موردمطالعه تهیه شود تا لکه‌های زیستگاهی شناسایی شوند. جهت باینری کردن نقشه‌های پیوسته مطلوبیت زیستگاه حد آستانه‌های (Threshold) متفاوتی متفاوت ذکر شد است، اما برخی از مهم‌ترین این روش‌ها شامل F10(Fixed cumulative value 10)، 10p(Percentile training presence)، LPT(Minimum training presence) و EST(Equal training sensitivity and specificity) هستند (16، 17، 33و 47). در این بررسی با مطالعه نتایج بهترین حدآستانه جهت تبدیل نقشه مطلوبیت زیستگاه به نقشه باینری اعمال حدآستانه 10 درصد انتخاب گردید.

اعتبارسنجی مدل‌های مورد استفاده: برخی از روش‌های مورداستفاده جهت اعتبارسنجی به داده‌های فقط حضور نیازمند هستند و برخی از روش‌ها نیز به داده‌های حضور و عدم­حضور لذا به‌منظور استخراج صحیح نقاط عدم حضور پس از بازدید میدانی تعداد 45 نقطه عدم حضور برای گونه موردمطالعه ثبت و در تحلیل مربوط به اعتبارسنجی وارد شد. به‌منظور مقایسه نتایج از اعتبارسنجی مدل از روش‌های زیر استفاده شد.

اعتبارسنجی مدل با استفاده از TRP : حساسیت (true positive rate vs the factional prediction area) به معنای نسبتی از مواد مثبت است که آزمایش و مدل آن‌ها را به‌درستی به‌عنوان مثبت علامت‌گذاری می‌کند. این روش ارزیابی تنها به داده‌های حضور و نقشه پیش‌بینی‌شده نیازمند است. پیکسل‌های مثبت حقیقی (True positive rate) به معنای آن دسته از پیکسل‌های است که جزء زیستگاه مطلوب گونه و به‌درستی توسط مدل تشخیص داده‌شده‌اند. حاصل استفاده ازاین شاخص و تصویر خروجی مدل منحنی Roc را خواهد ساخت که در آن مساحت سطح زیرمنحنی برابر قدرت پیش‌بینی آن مدل است. برای آن دسته از مدل‌های که در آن‌ها نقاط حضور واقعی وجود ندارد می‌توان از روش حساسیت در مقابل در پیش‌بینی استفاده کرد (28و 41). محاسبه این شاخص در مجموعه آماری R انجام گرفت.

اعتبارسنجی بااستفاده از رویکرد آماری ROC : منحنی ROC از کارآمدترین روش در ارائه خصوصیت تعیینی، شناسایی احتمالی و پیش‌بینی سیستم‌ها است که میزان دقت مدل را به‌صورت کمی برآورد می‌کند (40و 44). سطح زیرمنحنی ROC که AUC یا Area under Curve نامیده می‌شود. بیانگر مقدار پیش‌بینی سیستم از طریق توصیف توانایی در تخمین درست وقایع رخ‌داده و عدم­وقوع رخداد آن است. نرخ پیش‌بینی (منحنی ROC) بیانگر ارزیابی مدل و متغیرهای پیش‌بینی کننده که مطلوبیت زیستگاه را پیش‌بینی می‌کند است (21). محاسبه این شاخص بااستفاده از مجموعه ROCR در نرم‌افزار R انجام گرفت (29).

حساسیت­سنجی مدل بااستفاده از شاخص حداکثری کاپا: ماتریس خطا یکی از روش‌های رایج در اندازه‌گیری دقت در نقشه‌های طبقه‌بندی‌شده است (22). یک ماتریس خطا می‌تواند بامقایسه نقشه پیش‌بینی‌شده توسط مدل‌های پیش‌بینی کننده مطلوبیت زیستگاه و نیز نقاط مشاهده دقت طبقه‌بندی و شاخص کاپا را محاسبه کند. شاخص کاپا تغییرات تصادفی را در ارزیابی صحت در نظر می‌گیرد و این شاخص اغلب برای ارزیابی عملکردهای مدل آشیان اکولوژیک مورداستفاده قرارمی‌گیرد (25و 34). آماره Kappa مبتنی برصحت کلی پیش‌بینی مدل با توجه به صحت مورد انتظار در حالت تصادفی عمل می‌کند. محدوده این آماره بین -1 تا +1 است که 1+ نشان‌دهنده تطابق کامل و مقادیر صفر و کمتر آن نشانگر آن است که مدل عملکردی بهتر از حالت تصادفی نداشته است (2و 31). دراین بررسی از نقاط حضور و عدم­حضور گونه و نقشه پیوسته پیش‌بینی مطلوبیت برای محاسبه شاخص کاپا استفاده شد.

نقشه مقاومت: به‌منظور تهیه نقشه هزینه اصطکاک دراین بررسی از روش معکوس نقشه مطلوبیت استفاده شد. بااستفاده از این روش مناطقی که برای گونه از مطلوبیت دارای مطلوبیت بالای هستند به‌عنوان کمترین هزینه و مناطقی که کمترین مطلوبیت را دارد به‌عنوان بیشترین هزینه درحرکت از پیکسل‌های نقشه در نظر گرفته می‌شود، به‌عبارت‌دیگر در سیمای سرزمین، پیکسل‌های با خصوصیات زیستگاهی مطلوب (تراکم کم‌جمعیت انسانی و دوری یا عدم­حضور جاده‌ها) مقاومت کمی در برابر عبور گونه‌ها دارند درحالی‌که پیکسل‌های با خصوصیات زیستگاهی ضعیف (اراضی کشاورزی، تراکم زیاد جمعیت انسان و جاده) مقاومت زیادی در برابر حرکت گونه نشان می‌دهند (46)، و این به آن معنا است که رابطه معکوس بین زیستگاه و مقاومت (Resistance) وجود دارد (12).

نتایج

به ‌منظور اعتبارسنجی مدل از روش‌های محاسبه حساسیت در مقابل پیش‌بینی (TRP VS P)، Roc و حداکثر شاخص کاپا استفاده شد. جدول 2 مقادیر سه شاخص لازم برای حساسیت­سنجی را نمایش می‌دهد. براساس نتایج حاصل از روش‌های متفاوت ارزیابی درمجموع به نظر می‌رسد روش مدل خطی تعمیم‌یافته در این بررسی به نسبت دو روش دیگر در پیش‌بینی توزیع و پراکنش گونه بهتر عمل کرده است (شکل 3).

 

 

شکل 3- نتایج اعتبارسنجی مدل‌های انجام‌شده

 

جدول 2- مقایسه نتایج روش‌های مختلف اعتبار سنجی نتایج مدل

مدل

ROC

KAPPA

TPR

شبکه عصبی

835/0

654/0

848/0

ماشین بردار پشتیبان

849/0

635/0

882/0

مدل خطی تعمیم‌یافته

856/0

654/0

873/0

نقشه مطلوبیت زیستگاه: به‌منظور مدل‌سازی مطلوبیت زیستگاه قوچ و میش در مناطق حفاظت‌شده لشگر در و گلپرآباد از روش‌های مدل خطی تعمیم‌یافته (GLM)، شبکه عصبی (ANN) و ماشین­بردار پشتیبان (SVM) استفاده شد. شکل 4 خروجی مدل‌های مورداستفاده در این تحلیل را نمایش می‌دهد.

حساسیت­سنجی مدل خطی تعمیم‌یافته: پس از بررسی نتایج حاصل از اعتبارسنجی مشخص شد که مدل خطی تعمیم‌یافته به نسبت دیگر روش‌های به‌کاررفته دارای اعتبارسنجی بیشتری است لذا به‌منظور حساسیت­سنجی از مدل مذکور از روش حداکثرکاپا استفاده شد (شکل 5).

دالان‌های زیستگاهی: نقشه زیستگاه‌ها نشان‌دهنده مقاومت (Resistance) یا رسانایی (Conduciveness) هرپیکسل سیمای سرزمین نسبت به عبور جریان است (37). پس­از تهیه نقشه اصطکاک مسیر دالان ارتباطی بین لکه‌ها و شدت‌جریان تهیه شد. در اشکال زیر دالان شناسایی‌شده و شدت‌جریان نشان داده‌شده است. نتایج حاصل از تحلیل کمترین هزینه نیز به مدل‌های شناسایی دالان اضافه گردید. شکلهای (6 و 7) به ترتیب دالان‌های زیستگاهی را نمایش می‌دهند.

 

 

 

شکل 4- مطلوبیت زیستگاه قوچ و میش در مناطق حفاظت‌شده لشگر در و گلپرآباد

 

 

 

شکل 5- حساسیت سنجی مدل خطی تعمیم‌یافته با روش حداکثر کاپا

 

شکل 6- شناسایی مسیرهای حرکتی و شدت‌جریان با استفاده از روش شبکه عصبی (چپ) و ماشین بردار پشتیبان (راست)

 

شکل 7- شناسایی مسیرهای حرکتی و شدت‌جریان با استفاده از روش مدل خطی تعمیم‌یافته (چپ) و تحلیل کمترین هزینه (راست)

 

دراین مدل‌ها ارزش هرپیکسل نشان‌دهنده جریان عبوری از آن پیکسل (گره) است، به‌عبارت‌دیگر احتمال حرکت گونه را از یک زیستگاه به زیستگاه دیگر نشان می‌دهد. در تصاویر 6 و 7 آن دسته از پیکسل‌های که دارای رنگ آبی هستند دارای کمترین هزینه برای حرکت گونه هستند، و رنگ قهوه‌ای بیشترین هزینه برای حرکت گونه در بردارند خطوط آبی‌رنگ که اتصال زیستگاه‌ها را برعهده‌دارند تحت عنوان گردنه بطری نامیده می‌شوند از طرفی این مناطق حساس زیستگاه که نواحی ارتباطی را به وجود می‌آورند تحت عنوان Pinch point نامیده می‌شوند. این بخش حساس‌ترین و آسیب‌پذیرترین بخش زیستگاه بوده، زیرا حذف و کاهش زیستگاه‌ها دراین نواحی می‌تواند باعث اختلال و قطع ارتباط در کل ناحیه شود (12). جدول 3 مقادیر کمی پارامترهای مربوط به طول دالان‌های شناسایی‌شده را نمایش می‌دهد.

بحث و نتیجه‌گیری

مدل‌های پراکنش گونه الگوریتم‌های تحلیلی و یا آماری هستند که می‌توانند پراکنش واقعی یا بالقوه گونه را با ارتباط دادن مشاهدات میدانی و لایه‌های متغیرهای محیطی پیش‌بینی کنند. تاکنون مجموعه گسترده‌ای از مدل‌های آماری و مبتنی بر یادگیری ماشینی معرفی‌شده‌اند ‌(2). نتایج بررسی زیستگاه قوچ و میش بیانگر وسیع بودن زیستگاه مطلوب گونه در محدوده‌های مناطق لشگر‌در و گلپر‌آباد است به‌عبارت‌دیگر گونه در مناطق موردمطالعه دارای آشیان بوم‌شناختی وسیعی است. در بازدیدهای میدانی در مناطق موردمطالعه مشخص شد بخش لشگر‌در منطقه حفاظت‌شده لشگر‌در و دارای جمعیت دو گونه کل و بز و قوچ و میش است، که دو گونه مذکور به‌جز در بخش کوه سرده در منطقه حفاظت‌شده لشگر‌در که زیستگاه خاص کل و بز و تخت بنه که زیستگاه خاص قوچ و میش است در تمام زیستگاه‌های باقی‌مانده بخش لشگردر دارای همپوشانی هستند. این درحالی است که در بخش آهنگران تنها جمعیت‌های قوچ و میش مشاهده می‌شوند.

 

 

جدول 3- مقادیر کمی پروفیل طولی دالان‌های شناسایی‌شده با استفاده از روش‌های مختلف

 

مدل‌های تهیه‌کننده نقشه مقاومت (اصطکاک)

پارامتر

شبکه عصبی

شبکه بردار پشتیبان

مدل خطی تعمیم‌یافته

تحلیل هزینه

طول (متر)

2400

2350

2740

6/17

حداکثر شیب (درصد)

4/44%

5/42%

6/20%

3/57%

متوسط شیب (درصد)

2/18%

14%

6/5%

3/21%

حداکثر ارتفاع (متر)

2109

2021

2261

2796

حداقل ارتفاع (متر)

1834

1832

1837

1843

متوسط ارتفاع (متر)

1954

1916

2038

2395

 

 

منطقه حفاظت‌شده گلپر‌آباد نیز در مجاورت منطقه آهنگران قرارگرفته و ارتباط‌های جمعیتی در این مناطق میسر است. نتایج حاصل از مدل‌سازی دالان در روش‌های به کار گرفته‌شده جهت مدل‌سازی بیانگر وجود گذرگاه مناسب جهت اتصال لکه‌های زیستگاهی در بخش شمالی منطقه آهنگران است (شکلهای 6 و 7) محدوده شناسایی‌شده به‌عنوان دالان مطلوب در روش‌های فوق از زمین‌های زارعی فاصله داشته و بخش بدون پوشش گیاهی انبوه و دارای فاصله از مناطق مسکونی مجاور است. براساس نتایج حاصل از حساسیت­سنجی مدل خطی تعمیم‌یافته (تابع فعال‌سازی لجیت) متغیرهای ارتفاع، پوشش زمین و فاصله از آبراهه‌های موجود بیشترین تأثیر را در پراکنش گونه داشتند. نتایج حاصل از بررسی فلاح باقری و همکاران (1388) در پارک ملی کلاه قاضی نیز بیانگر اهمیت عامل ارتفاع به نسبت سایر متغیرهای مورداستفاده در تحلیل بود (7). نتایج حاصل از بررسی ملکی نجف‌آبادی و همکاران (1389) در مطالعه مطلوبیت زیستگاه قوچ و میش در پناهگاه حیات‌وحش موته نشان داد که محدوده ارتفاعی 2200 برای این‌گونه مناسب است (13). براساس نتایج یافته‌های قندالی و همکاران (1393) زیستگاه مطلوب قوچ و میش در پارک ملی کویر در ارتفاع 950 تا 1200 متر قرار دارد که با نتایج یافته‌های این تحقیق متفاوت است (8). براساس یافته‌های جعفری و همکاران (1394) در منطقه حفاظت‌شده تنگ صیاد متغیرهای شیب و فاصله از روستا بیشترین تأثیر را بر روی پراکنش قوچ و میش داشته‌اند (2) که با نتایج یافته‌های این بررسی همخوانی ندارد. متغیر پوشش زمین دومین متغیر تأثیرگذار برروی پراکنش گونه براساس حساسیت­سنجی بوده است. پوشش زمین در محدوده موردمطالعه شامل محدوده‌های روستایی، تیپ مراتع (درجه 1و 2)، مناطق توسعه‌یافته (کارخانه‌ها، منطقه نظامی، کارگاه‌ها و دانشگاه ملایر)، زمین‌های کشاورزی و رخنمون سنگی است. در مطالعات میدانی اکثر نقاط پراکنش گونه در مناطقی مرتعی ثبت گردید، به‌عبارت‌دیگر گونه موردمطالعه در هردو منطقه حفاظت‌شده به مراتع متراکم و نیمه­متراکم گرایش داشت. در مطالعه کرمانی القریشی و همکاران (1389) در پارک ملی خجیر و سرخه‌حصار تراکم و فراوانی قوچ و میش‌های در زمین‌های با تراکم پوشش گیاهی و انبوهی آن افزایش‌یافته است (9). فاصله از آبراهه‌ها یکی دیگر از متغیرهای تأثیرگذار برروی مدل‌سازی پراکنش گونه است. آبراهه‌ها معمولاً به‌واسطه قرارگرفته در بین تپه‌ماهورها برای گونه دارای اهمیت هستند درواقع اهمیت آبراهه‌ها به‌واسطه نزدیکی آن‌ها به تپه‌ماهورها و خط الرس‌ها است. فاصله از مناطق مسکونی نیز یکی دیگر از عوامل مهم و تأثیرگذار برروی پراکنش گونه است. در مطالعات میدانی و اطلاعات حاصل از پرس‌وجو با محیط‌بانان نتایج نشان داد که گونه به مناطق مسکونی تمایلی ندارد و همواره فاصله خود را ازاین مناطق حفظ می‌کند. این درحالی است که در صورت وجود منابع زیستگاهی در نزدیکی این زمین‌های کشاورزی در محدوده آن مناطق نیز مشاهده می‌گردد که نمونه‌های این مسئله حضور گونه در چشمه آبشخور سلطان‌آباد و حضور در زمین‌های کشاورزی در دامنه کوه سرده است. در بررسی کرمانی القریشی و همکاران (1389) قوچ و میش‌ها تا فاصله 1000 متری از روستاهای پیرامون مشاهده نشده‌اند (9). درمجموع نتیجه کلیدی و راهبردی دراین مطالعه لزوم حفاظت بیشتر از دالان‌های احتمالی موجود برای گونه بین بخش لشگردر و مناطق گلپر‌آباد و آهنگران است. حفظ گذرگاه‌های موجود با جلوگیری از تغییرات کاربری اراضی و هجوم کشاورزی به منطقه و محدوده شناسایی‌شده به‌عنوان دالان امکان‌پذیر است. از طرفی تنها حفظ مسیر به‌عنوان دالان برای گونه کافی نیست، بلکه حفظ شرایط زیستگاهی در پیرامون محدوده ارتباطی اهمیت موضوع را دوچندان می‌کند. کاربری اراضی محدوده گذرگاه کشاورزی و باغات کشت انگور است. وجود پوشش گیاهی انبوه و تردد فراوان از عواملی تهدیدی هستند که در صورت افزایش وسعت، ممکن است مانع گدار گونه گردند. در مطالعه ملکیان و باقری (1394) بررسی پارامترهای از سیمای سرزمین در کنار اندازه‌گیری غنا، تنوع گونه‌ای، انزوا، نوع کاربری اراضی و ناهمگنی زیستگاه و شناسایی کریدور برای جلوگیری از انزوا تأکید شده است (14). نتایج مدل‌های تنها خلاصه کننده و یافتن نظمی در بی‌نظمی‌های طبیعت است و هر مدل براساس الگوریتمی خاص انجام می‌شود و استفاده تنها از یک روش در مدل‌سازی‌های مطلوبیت و نیل به خروجی مناسب نمی‌تواند قابلیت اعتماد بالای را داشته باشد. لذا همواره براستفاده از مدل‌های متفاوت و مقایسه نتایج آن تأکید می‌شود. در اکثر مطالعات مربوط به زیستگاه و مدل‌سازی‌های زیستگاهی شاخص مورداستفاده جهت اعتبارسنجی مدل استفاده از سطح زیرمنحنی است. درحالی‌که سایر روش‌های اعتبارسنجی نیز می‌توانند در این زمینه به محقق کمک کرده و خطا را کاهش دهند. این درحالی است که روش‌های مختلف اعتبارسنجی نیز دارای مزایا و معایب مخصوص به خود هستند به‌طور مثال در پژوهش جعفری و همکاران (1394) برای شاخص کاپا معایبی همچون وابستگی به درصد پراکنش زیستگاه مطلوب شناسایی‌شده در محدوده موردمطالعه ذکرشده است (2). کرمی و همکاران از ضریب R2برای حساسیت­سنجی مدلسازی شبکه عصبی مصنوعی(MLP) استفاده کردند(10). لذا به نظر می‌رسد استفاده از هم‌زمان از چند روش برای اعتبارسنجی خروجی‌های مدل می‌تواند بوم شناسان را در انتخاب مدل صحیح یاری کند. تهیه نقشه هزینه جابه‌جایی یکی از مهم‌ترین بخش‌های تحلیل و شناسایی دالان‌های ارتباطی بین مناطق حفاظت‌شده و لکه‌های زیستگاهی است. هزینه جابه‌جایی برای گونه موردمطالعه به روش‌های مختلفی ازجمله معکوس­سازی نقشه مطلوبیت، تفاوت‌‍‌‌های ژنتیکی و نظر متخصصین است. در مقیاس کوچک مطالعاتی معکوس‌سازی نقشه مطلوبیت زیستگاه می‌تواند تخمین‌گر مناسبی از هزینه پرداختی گونه برای جابه‌جایی باشد. دراین مقیاس اکثر متغیرهای تأثیرگذار را می‌توان در مدلسازی مطلوبیت زیستگاه وارد نمود. این در حالی است که در مقیاس‌های مطالعاتی بزرگتر مانند یک یا چند استان، اتکای تنها به معکوس نقشه مطلوبیت زیستگاه به دلیل محدودیت در واردسازی متغیر به مدل و عدم قطعیت ناشی از تعداد بالای متغیر از یک‌سو و تفاوت بین اهمیت یک متغیر در توسعه مدل و واقعیت عینی از سوی دیگر نمی‌تواند تخمین مناسبی از هزینه جابه‌جایی را بدست دهد. لذا طبیعی است که نقشه کریدور طراحی‌شده با نقشه هزینه مذکور کاربردی نبوده و با واقعیت بوم‌شناختی گونه تطابقی نخواهد داشت.

1- پاک‌نیت، د.، همامی، م. ر.، ملکی، س.، و توحیدی، م.، 1395. تأثیر عوامل محیطی بر پراکنش زیستگاه‌های مطلوب جمعیت‌های زمستان گذران هوبره آسیایی در فلات مرکزی ایران، فصلنامه علمی پژوهشی اکولوژی کاربردی، سال پنجم، شماره 17. صفحات 88-77.

2- جعفری، ع.، میرزائی، ر.، زمانی، ر.، و محمودی، ا.، 1395. مدل‌سازی پراکنش قوچ و میش­اصفهان در منطقه حفاظت‌شده تنگ صیاد براساس بهبود اریب داده‌های حضور و انتخاب متغیرهای مناسب بااستفاده از حداکثر آنتروپی، فصلنامه علمی پژوهشی اکولوژِی کاربردی، شماره پنجم، شماره پانزده، صفحات 48-29.

3- روحی، ح.، 1393. تعیین کریدور احتمالی پلنگ بین دو زیستگاه پناهگاه حیات‌وحش خوش­ییلاق و پارک­ملی گلستان، پایان‌نامه کارشناسی ارشد محیط‌زیست، دانشکده شیلات و محیط‌زیست دانشگاه گرگان، 95 صفحه.

4- شمس اسفندآباد، ب.، کرمی، م.، و همامی، م. ر.، 1389. مدل‌سازی مطلوبیت زیستگاه رویکردی نوین برای برنامه‌ریزی حفاظت از تنوع­زیستی، مجموعه مقالات اولین همایش ملی بررسی تهدیدات و عوامل تخریب تنوع­زیستی در منطقه زاگرس مرکزی، دانشگاه صنعتی اصفهان، 11 صفحه.

5- ضیایی، ه.، 1387. راهنمای صحرایی پستانداران ایران، انتشارات کانون آشنایی با حیات‌وحش (چاپ دوم).

6- عسگری، ع.، 1390. تحلیل‌های آمار فضایی با ARC GIS. انتشارات سازمان فناوری اطلاعات و ارتباطات شهرداری تهران، 127 صفحه.

7- فلاح باقری، ف.، کابلی، م.، و فراشی، آ.، 1388. ارزیابی زیستگاه قوچ و میش اصفهانی (Ovis orientalis isfahanica) در پارک ملی کلاه قاضی باروش ENFA، همایش و نمایشگاه ژئوماتیک، 8 صفحه.

8- قندالی، م.، علیزاده، ا.، کرمی، م.، و کابلی، م.، 1393. ارزیابی زیستگاه گوسفند وحشی (Ovis orientalis) در پارک ملی کویر با استفاده از روش تحلیل عاملی آشیان بوم‌شناختی. فصلنامه محیط‌زیست طبیعی ایران. دوره 67، شماره 2. صفحات 194-185.

9- کرمانی القریشی، ز.، علی‌محمدی، س.، و حسن‌زاده کیابی، ب.، 1389. عوامل بوم‌شناختی مؤثر بر پراکنش گوسفند وحشی در پارک ملی خجیر و سرخه‌حصار، نشریه محیط‌زیست طبیعی، مجله منابع طبیعی ایران، دوره 63، شماره 4. صفحات 352 - 372.

10- کرمی، پ.، کمانگر، م.، و حسینی، س. م.، 1395. مدلسازی مطلوبیت زیستگاه آهوی ایرانی(Gazellasubgutturosasubgutturosa) در منطقه تیراندازی و شکار ممنوع قراویز و استان کرمانشاه بااستفاده از شبکه عصبی مصنوعی، مجله پژوهش‌های جانوری (مجله زیست‌شناسی ایران)، جلد 29، شماره 3، صفحات 352-340.

11- مشهدی احمدی، ا. ع.، شمس اسفندآباد، ب.، و گشتاسب میگونی، ح.، 1393. مدل‌سازی مسیرهای گدار گوسفند وحشی البرز مرکزی بااستفاده از آنالیز کمترین هزینه در استان تهران (O.o.arkali & O.o.vigneii)، فصلنامه علوم و مهندسی محیط‌زیست، سال اول، شماره 3، صفحات 58-41.

12- ملکوتی­خواه، ش.، فاخران، س.، و سفیانیان، ع.، 1392. استفاده از تئوری مدارهای الکتریکی جهت شناسایی کریدورهای مهاجرتی بین پناهگاه‌های حیات‌وحش موته و قمشلو در استان اصفهان، فصلنامه اکولوژی کاربردی، سال دوم، شماره 5. صفحات 88-77.

13- ملکی­نجف‌آبادی، س.، همامی، م. ر.، و سلمان ماهینی، ع.، 1389. تعیین مطلوبیت زیستگاه قوچ و میش اصفهانی (Ovis orientalis isphahanica) در پناهگاه حیات‌وحش موته بااستفاده از روش تحلیل عاملی آشیان بوم‌شناختی، فصلنامه محیط‌زیست طبیعی ایران، دوره 63، شماره 3، صفحات 290-279.

14- ملکیان، م.، و باقری، ر.، 1392. تأثیر اندازه و شکل مناطق حفاظت‌شده برغنا و تنوع گونه‌ای پستانداران، مطالعه موردی استان کهگیلویه و بویراحمد، انجمن زیست‌شناسی ایران (مجله پژوهش‌های جانوری)، جلد 28، شماره 2، صفحات 243-233.

15- منهاج، م. ب.، 1384. مبانی شبکه‌های عصبی (هوش محاسباتی)، جلد 1، چاپ سوم. مرکز نشر دانشگاه صنعتی امیرکبیر، 712 صفحه.

 

16- Allouche, O., Tsoar, A., and Kadmon, R., 2006. Assessing the accuracy of species distribution models: prevalence, kappa and the true skill statistic (TSS), Journal of Applied Ecology 43, PP: 1223-1232.

17- Bedia, J., Busque, J., and Gutie´rrez, J. M., 2011. Predicting plant species distribution across an alpine rangeland in northern Spain, A comparison of probabilistic methods, Applied Vegetation Science 14, PP: 415-432.

18- Bennett, A., 2003. Linkages in the Landscape, The Role of Corridors and Connectivity in Wld Conservation 2nd ed., IUCN, the World Conservation Union, Gland, 262 p.

19- Braaker, S., Moretti, M., Boesch, R., Ghazoul, J., Obrist, M. K., and Bontadina, F., 2014. Assessing Habitat Connectivity for Ground-Dwelling Animals in an Urban Environment, Ecological Applications, 24(7), 2014, PP: 1583–1595.

20- Braunisch, V., and Suchant, R., 2007. A model for evaluating the 'habitat potential' of a landscape for capercaillie Tetrao urogallus: a tool for conservation planning. Wildlife biology, 13, PP: 21-33.

21- Bui, D. T., Pradhan, B., Lofman, O., Revhaug, I., and Dick, O. B., 2012. Landslide susceptibility mapping at Hoa Binh province (Vietnam) using an adaptive neuro-fuzzy inference system and GIS. J. Computers and Geosciences doi:10.1016/j.cageo, PP: 2011.10.031.

22- Congalton, R., and Green, K., 1999. Assessing the accuracy of remotely sensed data: principles and practices, CRC Press.

23-Conrads, P. A., Roehle, E. A., 1999. Comparing Physics- Based and Neural Network Mo Simulating Salinity, Temperature and Dissolved in a Complex, Tidally Affected River Basin, Proceeding of the South Carolina Environmental Conference, PP: 1-15.

24-Crooks, K. R., 2002. Relative sensitivities of mammalian carnivores to habitat fragmentation, Journal of conservation biodiversity, 16(2), PP: 488–502.

25-Elith, J., Graham, C. H., Anderson, R. P., Dudík, M., Ferrier, S., Guisan, A., Hijmans, R. J., Huettmann, F., Leathwick, J. R., Lehmann, A., Li, J., Lohmann, L. G., Loiselle, B. A., Manion, G., Moritz, C., Nakamura, M., Nakazawa, Y., Overton, J. M., Peterson, A. T., Phillips, S. J., Richardson, K., Scachetti-Pereira, R., Schapire, R. E., Sobero, N. J., Williams, S., Wisz M. S., and N Zimmermann, E., 2006. Novel methods improve prediction of species’ distribution from occurrence data. Ecography, 29, PP: 129-151.

26-Erin, E., Colby Loucks, P., Andrew, J., and Urban, D. L., 2012. Comparing Habitat Suitability and Connectivity Modeling Methods for Conserving Pronghorn Migrations, PLoS ONE 7(11), e49390 p, doi:10.1371/journal.pone.0049390.

27-Fulop, I. A., Jozsa, J., and Karamer, T., 1998. A neural network application in estimating windinduced shallow lake motion, Hydro informatics 98, 2, PP: 753-757.

28- Guo, Q., Kelly, M., and Graham, C. H., 2005. Support vector machines for predicting distribution of sudden oak death in California. Ecological Modeling, Vol.182 No.1, PP: 75-90.

29- Hanberry, B. B., and He, H. S., 2013. Prevalence, statistical thresholds, and accuracy Assessment for species distribution models, Web Ecol., 13, PP: 13–19.

30- Jackson, C. R., Marnewick, K., Lindsey, P. A., Røskaft, E., and Robertson, M. P., 2016. Evaluating Habitat Connectivity Methodologies: A Case Study with Endangered African Wild Dogs in South Africa Landscape Ecol (2016) 31, PP: 1433–1447.

31- Jones, C. C., Acker, S. A., and Halpern, C. B., 2010. Combining local and large-scale models to predict the Distributions of invasive plant species, Ecological Applications, 20(2), PP: 311-326.

32- Keya, Z. Y., Faryadi, S., Yavari, A., Kamali, Y., and Shabani, A. A., 2016. Habitat Suitability and Connectivity of Alborz Wild Sheep in the East of Tehran, Iran, Open Journal of Ecology, 6, PP: 325-342.

33- Kramer-Schadt, S., Niedballa, J., Pilgrim, J. D., Schröde, B., Lindenborn, R. J., Reinfelder, V., Stillfried, M., Heckmann, I., Scharf, A. K., Augeri, D. M., Cheyne, S. M., Hearn, A. J., Ross, J., Macdonald, D. W., Mathai, J., Eaton, J., Marshall, A. J., Semiadi, G., Rustam, R., Bernard, H., Alfred, R., Samejima, H., Duckworth, J. W., Breitenmoser-Wuersten, C., Belant, J. L., Hofer, H ., and Wilting, A., 2013. The importance of correcting for sampling bias in Maxent species distribution models, Diversity and Distributions, 19, PP: 1366-1379.

34- Loiselle, B. A.,Howell, C. H. A.,Graham,C. H.,Gorek, J., Brooks, T., Smith, K. G., and Willlams, P. H., 2003. Avoiding pitfalls of using species distribution models in conservation planning, Conservation. Biology, 17, PP: 1591-1600.

35- Mantero, P., Moser, G., and Serpico, S. B., 2005. Partially supervised classification of remote sensing images Through SVM-based probability density estimation, IEEE Trans. on Geoscience and Remote Sensing, 43, PP: 559-570.

36- McRae, B. H., Dickson, B., Keitt, T. H., and Shah, V., 2008. Using circuit theory to model connectivity in ecology, Evolution and conservation, Journal of Ecology 89(10), PP: 2712-2724.

37- Minor, E. S., and Urban, D. L., 2007. Graph theory as a proxy for spatially explicit population models in conservation Planning, Journal of Ecological Applications, 17, PP: 1771-1782.

38- Moattari, R., Rahimi, S., Rajabi, L., Derakhshan, A. A., and Keyhani, M., 2015. "Statistical investigation of lead removal with various functionalized carboxylate ferroxane nanoparticles." Journal of hazardous materials, 283 (2015), PP: 276-291;doi:10.1016/j.jhazmat.2014.08.025.

39- Mountrakis, G., Im, J., and Ogole, C., 2011. Support vector machines in remote sensing: A review. ISPRS Journalof Photogrammetry and Remote Sensing, 13, PP: 247–259.

40- Nefeslioglu, H. A., Duman, T. Y., and Durmaz, S., 2008. Landslide susceptibility mapping for a part of tectonic Kelkit Valley (Easten Black Sea Region of Turkey), J. Geomorphology 94, PP: 401-418.

41- Phillips, S. J; Anderson, R. P., and Schapire, R. E., 2006. Maximum entropy modeling of species geographic distributions, The Journal of Ecol. Model, 2006, No. 190, PP: 231–259.

42- Ranjithan, J., Eheart, J., and Garrett, J. H., 1995. Application of neural network in groundwater remediation under condition of uncertainty, New Uncertainty conceptsion Hydrology and Water Resources, PP: 133-140.

43- Srivastava, D. K., and Bhambhu, L., 2009. Data classification using support vector machine, Journal of Theoretical and Applied Information Technology, PP: 1–7.

44- Swets, J. A., 1988. Measuring the accuracy of diagnostic systems, J. Science, 240, PP: 1285-1293.

45- Valdez, R., 2008. Ovis orientalis, In: IUCN 2010. IUCN Red List of Threatened Species, Version 2010.4. <16TUwww.iucnredlist.orgU16T>. Downloaded on 23 March 2011.

46- Wang, Y., Yang, K., Bridgman, C. L., and Lin, L., 2008. Habitat suitability modeling to correlate gene flow with Landscape connectivity, Journal of Landscape Ecology, 23, PP: 989–100.

47- Warren, D. L., and Seifert, S. N., 2010. Environmental niche modeling in Maxent: the importance of model Complexity and the performance of model selection criteria. Ecological Applications 21, PP: 335-342.