‌‌‌‌‌‌‌مدل‌سازي مطلوبيت زيستگاه خرس قهوه‌اي (Ursus arctos) در منطقه حفاظت‌ شده شيمبار، استان خوزستان

Habitat Suitability Modelling of Brown Bear (Ursus arctos) in Shimbar Protected Area, Khuzestan Province

تعيين مطلوبيت زيستگاه‌هاي حيات ‌وحش داراي اهميت به‌سزايي در برنامه‌هاي حفاظت و مديريت حيات ‌وحش است. لذا در پژوهش حاضر، مدل‌سازي مطلوبيت زيستگاه خرس قهوه‌اي در منطقه حفاظت‌ شده شيمبار با استفاده از الگوريتم آنتروپي بيشينه انجام شد. بدين منظور، پس از بررسي و رفع خودهمبستگي مكاني داده‌هاي حضور، داده‌ها به دو دسته داده‌هاي آموزش و آزمون تقسيم و به‌همراه 10 متغير محيطي (VIF<10) انتخاب شده توسط MMS، وارد نرم‌افزار MaxEnt شد. اعتبارسنجي مدل با استفاده از AUC و تحليل جك‌نايف صورت گرفت. نقشه حضور/عدم حضور نيز براساس دو آستانه LPT و 10% تهيه شد. هم‌چنين تحليل جك‌نايف ديگري جهت حساسيت‌سنجي مدل و شناسايي متغيرهاي محيطي مهم در مدل‌سازي انجام شد. براساس يافته‌ها، مدل پيش‌بيني شده به‌طور معناداري بهتر از حالت تصادفي مي‌باشد (AUC = 0/965 , P = 0/000). به‌علاوه، 20/75% منطقه به‌عنوان زيستگاه مطلوب بالقوه خرس شناسايي شد. طبق تحليل جك‌نايف، بالاترين ميزان موفقيت مدل در پيش‌بيني مناطق مطلوب بالقوه 88/46% محاسبه شد(P=0/000). هم‌چنين، متغير تيپ‌بندي گياهي به‌عنوان مهم­ترين عامل مؤثر بر پراكنش گونه شناسايي شد. براساس يافته‌ها، موفقيت اين روش در مدل‌سازي مطلوبيت زيستگاه گونه‌هاي حيات ‌وحش همچون خرس قهوه‌اي تأييد شده، بهره‌گيري از آن به‌عنوان ابزاري نيرومند جهت بهبود اطلاعات زيستگاه‌هاي حيات ‌وحش در سطح كشور پيشنهاد مي‌گردد.

Status determination of wildlife habitats is very important in conservation programs and management of wildlife. So, in this study Ursus arctos habitat suitability was modeled using maximum entropy algorithm (MaxEnt) in Shimbar protected area. In order to model the habitat suitability, after investigating and resolving the spatial autocorrelation of occurrence records, spatially independent localities were divided into the calibration and evaluation sets and then were combined with 10 environmental variables (VIF<10) selected by MMS software. The performance of predictive models was tested using AUC and jackknife validation test. So, we applied two different thresholds, the LPT threshold and 10% threshold to generate presence/absence map. Also other Jackknife tests applied to measure variables importance. The results showed that predictive model was more efficient than random model (AUC=0.980). In addition, the potential suitable areas cover 20.75% of study area. The MaxEnt model had 88.46% success rate and was statistically significant (P = 0.000). Results of Jackknife showed that ‘plant type’ variable alone contains valuable information for modelling. Our study demonstrated that habitat suitability was successfully predicted by MaxEnt modelling, so this methodology might provide a powerful tool for improving the wildlife habitats information.