مدل سازی پراکنش قوچ و میش اصفهان در منطقه حفاظت شده تنگ صیاد براساس بهبود اریب داده های حضور و انتخاب متغیرهای مناسب با استفاده از حداکثر آنتروپی
محل انتشار: فصلنامه بوم شناسی کاربردی، دوره: 5، شماره: 15
سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 434
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJAE-5-15_004
تاریخ نمایه سازی: 11 مهر 1400
چکیده مقاله:
در این پژوهش با استفاده از روش مدل سازی حداکثر آنتروپی، الگوی پراکنش قوچ و میش در منطقه حفاظت شده تنگه صیاد بررسی شد. بدین منظور، ۸ متغیر محیطی و ۹۸ نقطه حضور قوچ و میش استفاده شد. دو نگرش به منظور بهبود کارایی فرآیند مدل سازی شامل کاهش اریب در داده های حضور و انتخاب متغیرهای پیش بینی کننده با توجه به عملکرد نهایی مدل استفاده شد. با استفاده از چهار حد آستانه گوناگون (۱۰P, F۱۰, LPT , ETS) پراکنش بالقوه گونه در منطقه برآورد شد. نتایج حاصل از مدل با استفاده از آماره های مبتنی بر حدآستانه (Sensivity, Specifity, Kappa, TSS)، آزمون دوجمله ای، آزمون ویلکاکسون و آماره سطح زیرمنحنی (AUC) ارزیابی شد و اهمیت نسبی متغیرها براساس آزمون جک نایف مشخص شد. نتایج نشان داد که پراکنش های پیش بینی شده به خوبی با داده های حضور همخوانی دارند (حداقل ۷۷/۰ مربوط به تمام متغیرها با نقاط انتخابی و حداکثر ۸۲/۰ مربوط به متغیرهای انتخابی با نقاط انتخابی). نتایج آماره های مبتنی بر حدآستانه مشخص کرد که موفقیت پیش بینی برای قوچ و میش نسبتا خوب است. شیب و فاصله تا روستا مهم ترین متغیرهای پیش بینی کننده بودند. به طور کلی نتایج نشان داد که کارایی مدل با انتخاب مناسب متغیرها و کاهش اریب در داده های حضور بهبود می یابد.
کلیدواژه ها:
Ecological niche modeling ، Maximum entropy ، Wild sheep ، Tangeh Sayyad protected area. ، مدل سازی آشیان بوم شناختی ، حداکثر آنتروپی ، قوچ و میش ، منطقه تنگه صیاد
نویسندگان
علی جعفری
Shahrekrod Univ., Shahrekrod, Iran.
روح اله میرزایی
Univ. of Kashan, Kashan, Iran.
رسول زمانی احمدمحمودی۱
Shahrekrod Univ., Shahrekrod, Iran.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :