مدل‌سازي پراكنش قوچ و ميش اصفهان در منطقه حفاظت شده تنگ صياد براساس بهبود اريب داده‌هاي حضور و انتخاب متغيرهاي مناسب با استفاده از حداكثر آنتروپي

Species Distribution Modeling of Wild Sheep based on Improving Bias of Occurrence Records and Selecting Appropriate Environmental Predictors using Maxent

در اين پژوهش با استفاده از روش مدل‌سازي حداكثر آنتروپي، الگوي پراكنش قوچ و ميش در منطقه حفاظت شده تنگه صياد بررسي شد. بدين منظور، 8 متغير محيطي و 98 نقطه حضور قوچ و ميش استفاده شد. دو نگرش به منظور بهبود كارايي فرآيند مدل‌سازي شامل كاهش اريب در داده‌هاي حضور و انتخاب متغيرهاي پيش‌بيني كننده با توجه به عملكرد نهايي مدل استفاده شد. با استفاده از چهار حد آستانه گوناگون (10P, F10, LPT , ETS) پراكنش بالقوه گونه در منطقه برآورد شد. نتايج حاصل از مدل با استفاده از آماره‌هاي مبتني بر حدآستانه (Sensivity, Specifity, Kappa, TSS)، آزمون دوجمله‌اي، آزمون ويلكاكسون و آماره سطح زيرمنحني (AUC) ارزيابي شد و اهميت نسبي متغيرها براساس آزمون جك‌نايف مشخص شد. نتايج نشان داد كه پراكنش‌هاي پيش‌بيني شده به‌خوبي با داده‌هاي حضور همخواني دارند (حداقل 0/77 مربوط به تمام متغيرها با نقاط انتخابي و حداكثر 0/82 مربوط به متغيرهاي انتخابي با نقاط انتخابي). نتايج آماره‌هاي مبتني بر حدآستانه مشخص كرد كه موفقيت پيش‌بيني براي قوچ و ميش نسبتاً خوب است. شيب و فاصله تا روستا مهم‌ترين متغيرهاي پيش‌بيني كننده بودند. به‌طور كلي نتايج نشان داد كه كارايي مدل با انتخاب مناسب متغيرها و كاهش اريب در داده‌هاي حضور بهبود مي‌يابد.

This study employs the maximum entropy modelling technique to investigate the geographic distribution pattern of wild sheep (Ovis Orientalis) on Tangeh Sayyad Proteced Area. A set of eight environmental predictors is employed together with presence-only records of wild sheep. Two methods has been used to improve the performance of modeling: density-based occurrence thinning and performance-based predictor selection. Using the four different thresholds (Fixed cumulative value 10, 10 Percentile training presence, Minimum training presence, Equal training sensitivity and specificity), potential distribution of species was estimated. Results were evaluated using the threshold-dependent Statistics (Sensivity, Specifity, Kappa, TSS), a binomial test, Wilcoxon signed-rank test, and Area Under Curve (AUC). Relative variable importance was assessed using Maxent’s built-in Jacknife functionality. The results showed that the distributions fitted the provided occurrence data very well (at least AUCs = 0.77 for predictors with randomly selected spots and at most AUC=0.82 for random predictors with random sampling) and threshold-dependent Statistics results showed that prediction success for wild sheep were acceptable. Slope and distance to village were found to be the most important predictors. Generally, results showed that the model performance markedly improved by appropriate predictor selection and occurrence thinning.