patent پیش‌بینی پتانسیل توزیع گونه‌ای کفتار راه‌راه (Hyaena hyaena) در پاسخ به تغییرات اقلیمی در ایران | ابراهیمی | علوم محیطی
palette
پیش‌بینی پتانسیل توزیع گونه‌ای کفتار راه‌راه (Hyaena hyaena) در پاسخ به تغییرات اقلیمی در ایران
الهام ابراهیمی, فراهم احمد زاده, بابک نعیمی

چکیده

سابقه و هدف: گوشت‌خواران به خاطر جایگاه‌شان در رأس هرم غذایی همواره در معرض تهدید قرار دارند. امروزه حدود 65% از گوشت‌خواران در فهرست سرخ اتحادیه جهانی حفاظت، در رده خطر انقراض یا آسیب پذیر قرار گرفته‌اند .در مقیاس جهانی در راسته گوشت‌خواران، خانواده کفتارها از خانواده­هایی با تعداد گونه اندک (4 گونه) محسوب می­شود. کفتار راه‌‌راه (Hyaena hyaena) تنها عضو این خانواده در ایران است و در رتبه نزدیک به تهدید ( (NTفهرست سرخ  IUCNقرار دارد. هدف از این پژوهش تهیه مدل توزیع گونه‌ای کفتار راه‌راه به‌عنوان یک گونه با پراکنش جغرافیایی گسترده در ایران است.

مواد و روش‌ها: با استفاده از لایه‌های نوزده متغیر اقلیمی همبستگی بین متغییرها برای گونه کفتار راه‌راه تجزیه‌و‌تحلیل شد و متغیرهایی که همبستگی بیش از 75/0 داشتند، حذف شدند. در نهایت هشت مدل توزیع گونه‌ای در بسته آماری sdm (GLM, GAM, BRT, SVM, RF, MARS, CART, FDA) در نرم‌افزار R مورد استفاده قرار گرفت. با توجه به اینکه مدل‌های توزیع گونه‌ای همواره در معرض عدم قطعیت قرار دارند و این موضوعی است که نمی‌توان از آن چشم‌پوشی کرد، یک راه‌حل  برای برآورد تغییرات بین مدلی و کاهش عدم‌قطعیت در پیش‌بینی، استفاده از پیش‌بینی‌های ترکیبی به جای استفاده از یک روش مدل‌سازی واحد است. از این‌رو پس از تعیین پتانسیل‌های زیستگاهی کفتار راه‌راه توسط هشت مدل مذکور، بهترین مناطق برای پراکنش این گونه در ایران با بهره‌گیری از مدل ترکیبی (Ensemble) مشخص شد.

نتایج و بحث: يافـتـه‌هـاي ايـن بررسي نشان داد متغیر‌های دمای متوسط سالانه، بارش فصلی، بارش گرم‌ترین فصل از اهـمـيـت بالايي برخوردارند و در مجموع مدل‌های FDA ، GAM، BRT،CART، GLM دارای قابلیت اعتماد در سطح خوب، مدل MARS دارای قابلیت اعتماد در سطح عالی و مدل‌های SVM و RF دارای قابلیت اعتماد بسیار عالی هستند. نتایج نشان داد مدل‌هایGLM, GAM, BRT, MARS,CART, RF عموماً مناطق مرکزی ایران و مدل‌های SVM و FDA مناطق حاشیه‌ای دریای خزر را به‌عنوان بهترین مناطق برای توزیع گونه‌ای کفتار راه‌راه پیش‌بینی کرده‌اند، تفاوت در نتایج پیش‌بینی مدل‌ها تایید‌کننده عدم قطعیت بین مدل‌ها است از این‌رو ضرورت استفاده از روش ترکیبی آشکار می‌شود. نتایج مدل ترکیبی نشان داد مناسب‌ترین مناطق برای پراکنش کفتار راه‌راه مناطق نیمه‌خشک و استپی مرکزی ایران است.

نتیجه‌گیری: به تازگی از  SDMsبرای تخمین گستره حضور گونه‌ها و همچنین کشف اثرات تغییر اقلیم بر توزیع آنها استفاده می‌شود و در میان این مد‌ل‌ها استفاده از رویکرد مدل‌سازی ترکیبی راه‌حل مناسبی برای کاهش عدم‌قطعیت پیش‌بینی در مدل‌سازی توزیع گونه‌ای محسوب می‌شود، بنابراین نتایج این پژوهش علاوه بر پیش‌بینی توزیع مکانی کفتار راه‌راه به نوبه خود می‌تواند به اقدامات مدیریتی حفاظت این گونه نیز کمک کند.

واژگان کلیدی
کفتار راه راه ( Hyaena hyaena )، مدلهای توزیع گونه ای، بسته آماری sdm ، تغییرات اقلیمی، مدل ترکیبی.

منابع و مآخذ مقاله

Akhani, H. 1998., Plant biodiversity of Golestan National Park, Iran, No. 53. Stapfia.

Araújo, M. B. and New, M., 2007. Ensemble forecasting of species distributions. Trends in ecology and evolution. 22(1), 42-47.

Beale, C.M. and Lennon, J.J., 2012. Incorporating uncertainty in predictive species distribution modelling. Philosophical. Transactions. R. Soc. B. 367(1586), 247-258.

Bosso, L., Russo, D., Di Febbraro, M., Cristinzio, G. and Zoina, A., 2016. Potential distribution of Xylella fastidiosa in Italy: A maximum entropy model. Phytopathologia Mediterranea. 55(1), 62-72.

Breckle, S.W., 2002. Salt deserts in Iran and Afghanistan. Barth and Böer. Sabkha Ecosystems. 109-122.

Breiman, L., 2001. Random forests. Machine learning. 45(1), 5-32.

Breiman, L., Friedman, J., Stone, C. J., and Olshen, R. A., 1984. Classification and regression trees. CRC press. Brown DG, Johnson KM, Loveland TR, Theobald DM., 2005. Rural land‐use trends in the conterminous United States, 1950–2000. Ecological Applications. 15(6), 1851-63.

Brown, C. A., Jackson, G. A., Holt, S. A., & Holt, G. J., 2005. Spatial and temporal patterns in modeled particle transport to estuarine habitat with comparisons to larval fish settlement patterns.

Estuarine, Coastal and Shelf Science, 64(1), 33-46.

Channell, R. and Lomolino, M.V., 2000. Trajectories to extinction: spatial dynamics of the contraction of geographical ranges. Journal of Biogeography. 27, 169–179.

Clemens, R. S., Herrod, A., and Weston, M. A., 2014. Lines in the mud; revisiting the boundaries if important shorebird areas. Journal of Nature Conservation. 22, 59–67.

Clemens, R. S., Weston, M. A., Haslem, A., Silcocks, A., and Ferris, J., 2010. Identification of significant shorebird areas: Thresholds and criteria. Diversity and Distribution. 16, 229–242.

Elith, J., Phillips, S. J., Hastie, T., Dudík, M., Chee, Y. E. and Yates, C. J., 2011. A statistical explanation of MaxEnt for ecologists. Diversity and distributions. 17(1), 43-57.

Falcucci, A., Maiorano, L. and Boitani, L., 2007. Changes in land-use/land-cover patterns in Italy and their implications for biodiversity conservation. Landscape ecology. 22(4), 617-631.

Franklin, J., 2010. Mapping species distributions: spatial inference and prediction. Cambridge University Press.

Friedman, J. H., 2001. Greedy function approximation: A gradient boosting machine. – Annals of Statistics. 29, 1189–1232.

Gage GS, Brooke MD, Symonds MRE, Wege D., 2004. Ecological correlates of the threat of extinction in Neotropical bird species. Animal Conservation. 7, 161–168.

Giovanelli, J. G., de Siqueira, M. F., Haddad, C. F. and Alexandrino, J., 2010. Modeling a spatially restricted distribution in the Neotropics: How the size of calibration area affects the performance of five presence-only methods. Ecological Modelling. 221(2), 215-224.

Hampe, A., and Petit, R. J., 2005. Conserving biodiversity under climate change: the rear edge matters. Ecology letters. 8(5), 461-467.

Hanski, I., 1998. Metapopulation dynamics. Nature. 396, 41–49.

Harris G, Pimm SL., 2007. Range size and extinction risk in forest birds. Conservation Biology. DOI: 10.1111/j.1523-1739.2007. 00798.

Hastie, T., and Tibshirani, R. J., 1990. Generalised additive models Chapman and Hall. London, England.

Hastie, T., Tibshirani, R., and Buja, A., 1994. Flexible discriminant analysis by optimal scoring. Journal of the American statistical association. 89(428), 1255-1270.

Houghton McNab BK., 2003. Metabolism ecology shapes bird bioenergetics. Nature. 426, 620–621. http://www.iucnredlist.org

Wood, C., Sullivan, B., Iliff, M., Fink, D. and Kelling, S., 2011. eBird: engaging birders in science and conservation. PLoS biology. 9(12), 101-105.

IPCC., 2013. Summary for Policymakers. In: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change.

Stocker, T. F., Qin, D., Plattner, G. K., Tignor, M., Allen, S. K., Boschung, J., and Midgley, P. M., 2013. Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, 1535 pp.

Jafari, M. K., Asghari, A. and Rahmani, I., 1997. Empirical correlation between shear wave velocity (Vs) and SPT-N value for south of Tehran soils. In Proceedings of the 4th international conference on civil engineering, Tehran, Iran.

Jetz W, C Rahbek RK, Colwell., 2004. The coincidence of rarity and richness and the potential signature of history in centers of endemism. Ecology Letters. 7, 1180–1191.

Karami, M., Ghadirian, T and Faizolahi, K., 2012. The Atlas of Mammals of Iran. Department of Environment of Iran. (In Persian with English abstract).

Karami, M., Riazi, B, and Kalani, N., 2008. Investigating the Seasonal Dispersion of Hyaena hyaena hyaena in In Khojir National Park. Journal of Environmental Sciences and Technology.10, 99-104.

Ko, C. Y., Murphy, S. C., Root, T. L. and Lee, P. F., 2014. An assessment of the efficiency of protection status through determinations of biodiversity hotspots based on endemic bird species, Taiwan. Journal for Nature Conservation, 22, 570-576. Lambin EF, Geist HJ, Lepers E., 2003. Dynamics of land-use and land-cover change in tropical regions. Annual review of environment and resources. 28(1), 205-41.

Lee, S., and Oh, H. J., 2012. Ensemble-based landslide susceptibility maps in Jinbu area, Korea. In Terrigenous Mass Movements (pp. 193-220). Springer Berlin Heidelberg. Lepers, E, Lambin, E.F., Janetos, A.C, DeFries, R., Achard, F., Ramankutty, N. and Scholes, R.J., 2005. A synthesis of information on rapid land-cover change for the period 1981–2000. AIBS Bulletin. 55(2), 115-24.

Malekian, M. and Bagheri., R., 2015. Investigating birds' diversity and richness of Kohgiluyeh and Boyer Ahmad protected areas and the influence of area size and shape on diversity and richness. Natural Environment Journal. 67(3), 343-354. (In Persian with English abstract). Martin, P. R., and Martin, T. E., 2001. Ecological and fitness consequences of species coexistence: a removal experiment with wood warblers. Ecology, 82(1), 189-206. Matson, P.A., Parton, W.J., Power, A.G. and Swift, M.J., 1997. Agricultural intensification and ecosystem properties. Science. 277, 504-9.

Maurer, B.A. and Taper, M.L., 2002. Connecting geographical distributions with population processes. Ecology Letters. 5, 223–231.

McCullagh, P. and Nelder, J. A., 1989. Generalized linear models. Chapman and Hall.

McNab BK., 2003. Metabolism ecology shapes bird bioenergetics. Nature. 426, 620–621.

Miller SP, Whalen MW, Cofer DD., 2010. Software model checking takes off. Communications of the ACM. 53(2), 58-64.

Naimi, B. and Araújo, M. B., 2016. sdm: a reproducible and extensible R platform for species distribution modelling. Ecography. 39(4), 368-375.

Parmesan, C. and Yohe, G., 2003. A globally coherent fingerprint of climate change impacts across natural systems. Nature. 421, 37–42.

Phillips, S.J., Anderson, R.P. and Schapire, R.E., 2006. Maximum entropy modeling of species geographic distributions. Ecological modelling. 190, 231-259.

Pimm, S.L. and Lawton, J.H., 1998. Planning for biodiversity. Science. 279, 2068-20699. Pimm, S., Raven, P., Peterson, A., Sekercioglu, CH. and Ehrlich, P.R., 2006. Human impacts on the rates of recent, present, and future bird extinctions. Proceedings of the National Academy of Sciences of the United States of America. 103, 10941–10946.

Platts, P. J., McClean, C. J., Lovett, J. C. and Marchant, R., 2008. Predicting tree distributions in an East African biodiversity hotspot: model selection, data bias and envelope uncertainty. Ecological Modelling. 218(1), 121-134.

Pounds, J.A, Bustamante, M.R., Coloma, L.A, Consuegra, J.A., Fogden, M.P., Foster, P.N., La Marca, E., Masters, KL., Merino-Viteri, A., Puschendorf, R. and Ron, S.R., 2006. Widespread amphibian extinctions from epidemic disease driven by global warming. Nature. 439, 161–167.

Pounds, J.A, Fogden, M.P.L. and Campbell, J.H., 1999. Biological response to climate change on a tropical mountain. Nature. 398, 611–615.

Pulliam, H.R., 1988. Sources, sinks and population regulation. The American Naturalist. 132, 652–661.

Pulliam, H.R., 2000. On the relationship between niche and distribution. Ecology Letters. 3, 349–361.

Renner, I. W. and Warton, D.I., 2013. Equivalence of MAXENT and Poisson point process models for species distribution modeling in ecology. Biometrics. 69(1), 274-281.

Ricklefs, R.E. and Schluter, D., 1993. Species diversity in ecological communities. Historical and geographical perspectives. University of Chicago Press, Chicago, IL. Root TL, Price JT, Hall KR, Schneider SH., 2003. Fingerprints of global warming on wild animals and plants. Nature. 421. 57–60.

Rokach, L., 2010. Ensemble-based classifiers. Artificial Intelligence Review, 33(1-2), 1-39.

Royle, J. A., Chandler, R. B., Yackulic, C., and Nichols, J. D., 2012. Likelihood analysis of species occurrence probability from presence‐only data for modelling species distributions. Methods in Ecology and Evolution. 3(3), 545-554. Sala, O.E., Chapin, F.S., Armesto, J.J., Berlow, E., Bloomfield, J., Dirzo, R., Huber-Sanwald, E., Huenneke, L.F., Jackson, R.B., Kinzig, A. and Leemans, R., 2000. Global biodiversity scenarios for the year 2100. Science. 287, 5459. 1770-4. Sanderson, E.W., Jaiteh, M., Levy, M.A., Redford, K.H., Wannebo, A.V. and Woolmer, G., 2002. The human footprint and the last of the wild. BioScience. 52(10), 891-904.

Scharlemann, J.P., Green, R.E. and Balmford, A., 2004. Land‐use trends in Endemic Bird Areas: global expansion of agriculture in areas of high conservation value. Global Change Biology. 10(12), 2046-51.

Shoo, L.P, Williams, S.E. and Hero, J.M., 2005. Climate warming and the rainforest birds of the Australian Wet Tropics: using abundance data as a sensitive predictor of the change in total population size. Biological Conservation. 125, 335–343.

Smeraldo, S., Di Febbraro, M., Ćirović, D., Bosso, L., Trbojević, I. and Russo, D., 2017. Species distribution models as a tool to predict range expansion after reintroduction: A case study on Eurasian beavers (Castor fiber). Journal for Nature Conservation.

Sodhi, N. S., Koh, L. P., Brook, B. W., and Ng, P. K., 2004. Southeast Asian biodiversity: an impending disaster. Trends in ecology & evolution, 19(12), 654-660.

Svenning, J.C. and Skov, F., 2007. Could the tree diversity pattern in Europe be generated by postglacial dispersal limitation? Ecology Letters. 10, 453–460.

Vapnik, V., 1995. The nature of statistical learning theory. Springer.

Williams, S.E., Bolitho, E.E. and Fox, S., 2003. Climate change in Australian tropical rainforests: An impending environmental catastrophe. Proceedings of the Royal Society of London Series B. 270, 1887–1892.

Yackulic, C.B., Chandler, R., Zipkin, E.F., Royle, J.A., Nichols, J.D., Campbell Grant, E. H., and Veran, S., 2013. Presence‐only modelling using MAXENT: when can we trust the inferences?.

Methods in Ecology and Evolution. 4(3), 236-243.


ارجاعات
  • در حال حاضر ارجاعی نیست.