مدل سازی مکانی مطلوبیت زیستگاه گونه مهاجر هدهد اوراسیایی (Upupa epops) در ایران با استفاده از الگوریتم های ماشین بردار پشتیبان و جنگل تصادفی

مدل سازی مطلوبیت زیستگاه ابزاری موثر در علوم زیست محیطی و سیستم اطلاعات جغرافیایی (GIS) برای تحلیل توزیع گونه ها و پیش بینی تغییرات مکانی زیستگاه های آنها به شمار می رود. پیشرفت های اخیر در حوزه یادگیری ماشین امکان توسعه مدل های پیشرفته تر و دقیق تری را برای پیش بینی توزیع مکانی گونه ها فراهم کرده است. در این پژوهش با هدف پیش بینی پراکنش گونه مهاجر هدهد اوراسیایی (Upupa epops) در ایران از دو الگوریتم یادگیری ماشین پرکاربرد، جنگل تصادفی و ماشین بردار پشتیبان استفاده شد. برای این منظور داده های باز وقوع گونه موجود در زیرساخت مرکز جهانی اطلاعات تنوع زیستی (Global Biodiversity Information Facility - GBIF) همراه با متغیرهای محیطی از پایگاه داده باز WorldClim جمع آوری و به مدل ها وارد شدند. در نهایت با استفاده از مدل سازی ترکیبی به منظور ترکیب نتایج دو مدل پایه یادگیری ماشین یاد شده برای افزایش کیفیت و قدرت پیش بینی، نقشه ترکیبی پیش بینی پراکنش گونه به دست آمد. نتایج حاصل از مدل سازی نشان داد که به صورت کلی مناطق شمالی کشور، شمال غربی، شمال شرقی، غرب و سواحل استان هرمزگان بیشترین پتانسیل را برای زیست پذیری پرنده هدهد اوراسیایی در ایران دارند. همچنین در ارزیابی مدل ها با استفاده از شاخص AUC مشخص شد مدل جنگل تصادفی با AUC برابر ۰.۸۶ عملکرد نسبتا بهتری نسبت به مدل ماشین بردار پشتیبان (۰.۸۳ = AUC) داشته است. نتایج این پژوهش می تواند به عنوان مقدمه ای برای پژوهش های بیشتر در جهت برنامه ریزی های حفاظتی و مدیریتی برای صیانت از این گونه ارزشمند در ایران مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری ماشین ، مطلوبیت زیستگاه ، پراکنش مکانی ، برنامه ریزی حفاظتی ، گونه ، سیستم اطلاعات جغرافیایی ، هدهد اوراسیایی