مدلسازي مطلوبيت زيستگاههاي حيات وحش با استفاده از سيستم استنتاج فازي: مطالعه موردي پلنگ ايراني (Panthera pardus saxicolor) در منطقه حفاظت شده شيمبار

Wildlife Habitats Suitability Modelling using Fuzzy Inference System: A Case Study of Persian Leopard (Panthera pardus saxicolor) in Shimbar Protected Area

به‌منظور مدل‌سازی مطلوبیت زیستگاه، فنون مدل‌سازی متعددی توسعه یافته‌اند؛ كه در این میان سیستم استنتاج فازی با دارا بودن قابلیت درنظر گرفتن ابهام و عدم‌قطعیت موجود در متغیرهای ورودی به‌عنوان یك روش مؤثر در این زمینه مطرح است. از اینرو طی این پژوهش، مدل‌سازی مطلوبیت زیستگاه پلنگ ایرانی در منطقه حفاظت‌ شده شیمبار با استفاده از سیستم استنتاج فازی صورت گرفت. به‌منظور مدل‌سازی، پس از تعیین متغیرهای محیطی مؤثر، تعریف و تعیین متغیرهای زبانی، مقادیر زبانی و محدوده هر یك از آنها صورت پذیرفت. سپس توابع عضویت فازی هر یك از متغیرهای ورودی و خروجی تعریف شده، پایگاه قوانین تشكیل شد. در آخرین گام نیز، غیرفازی‌سازی مجموعه فازی خروجی انجام شد. همچنین، در اعتبارسنجی مدل، AUC به‌كار رفت. جهت حساسیت‌سنجی مدل و شناسایی متغیرهای محیطی مهم نیز 11 سیستم استنتاج فازی ایجاد شد. براساس یافته‌ها، مدل پیش‌بینی شده به‌طور معناداری بهتر از حالت تصادفی است (96/0AUC=). همچنین، متغیر فاصله از طعمه به‌عنوان مهم‌ترین متغیر محیطی شناخته شد. با توجه عملكرد موفق سیستم استنتاج فازی در مدل‌سازی مطلوبیت زیستگاه گونه مورد مطالعه، بهره‌گیری از آن جهت بهبود و تكمیل اطلاعات مكانی پیرامون زیستگاه‌های حیات‌ وحش كشور به‌ویژه در ارتباط با مناطق و گونه‌های كمتر مطالعه شده، پیشنهاد می‌شود.

Several modelling techniques have been developed for habitat suitability modelling. In the meantime, the Fuzzy Inference System (FIS) with ability to model uncertainty of input variables is an effective method to model wildlife species habitat suitability. So, Persian Leopard habitat suitability was predicted in Shimbar Protected Area using FIS. Therefore, the effective environmental variables were determined. We also defined and determined the linguistic variables, linguistic values, and range of them. Then, we designed the membership functions of the fuzzy sets of the input and output variables. Also, the definition of the fuzzy rules in the system was performed. Finally, the defuzzification of output was carried out. The accuracy of the predictive model was tested using AUC. Also, 11 FISs were developed to determine sensitivity of the models and important variables in modelling. The results showed that the predictive model was more efficient than the random model (AUC=0.960). In addition, the ‘distance to capra’ was the most important predictor. According to the success of FIS in Persian Leopard habitat suitability modelling, we suggest this method to improve and complete the existing spatial information of wildlife habitats in Iran, especially about regions and species that have been less studied.