مدل سازي پراكنش بالقوه گونه هاي حيات وحش بر مبناي دانش بوم شناختي جوامع بومي در مقايسه با روش هاي يادگيري ماشيني (مطالعه موردي: آهوي ايراني در منطقه حفاظت شده ميشداغ)

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

پايش و مديريت جمعيت هاي حيات وحش و زيستگاه ها نيازمند مدل سازي زيستگاه هاي مطلوب و پراكنش گونه اي است. بنابراين در اين پژوهش، مدل سازي پراكنش بالقوه آهوي ايراني با دو رويكرد فازي (مبتني بر دانش بوم شناختي جوامع بومي) و مكسنت (مبتني بر داده هاي حضور گونه) در منطقه حفاظت شده ميشداغ اجرا شد؛ تا ضمن مدل سازي پراكنش گونه اي با استفاده از سامانه استنتاج فازي (رويكرد فازي) و الگوريتم آنتروپي بيشينه (رويكرد مكسنت)، به بررسي و مقايسه كارايي هر يك از اين دو رويكرد پرداخته شود. به علاوه، ارزيابي هر يك از مدل ها با استفاده از تحليل جك نايف انجام شد. آستانه گذاري نيز با استفاده از آستانه حضور 10% صورت گرفت. براساس يافته ها، سه متغير كاربري سرزمين، فاصله از كشت زارها و فاصله از منابع آب در هر دو رويكرد فازي و مكسنت به عنوان مهم ترين متغيرهاي مدل سازي شناخته شدند. همچنين، در هر يك از رويكردهاي فازي و مكسنت به ترتيب 47/45% و 14/08% منطقه به عنوان منطقه حضور بالقوه پيش بيني شد. براساس تحليل جك نايف، ميزان موفقيت هر يك از مدل هاي فازي و مكسنت به ترتيب، 80/95% و 66/66% برآورد شد (p<0.01). يافته هاي پژوهش مويد كارايي بالاي سامانه استنتاج فازي و الگوريتم آنتروپي بيشينه در مدل سازي پراكنش بالقوه آهوي ايراني است. اين مطالعه را مي توان از يك سو تاكيدي بر ضرورت توجه به رويكردهايي همچون رويكرد فازي در مدل سازي پراكنش بالقوه گونه هاي حيات وحش كشور و از سوي ديگر تاكيدي بر ضرورت توجه به دانش بوم شناختي جوامع بومي هر منطقه دانست.

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.