مدلسازی پراکنش گونه های حیات وحش در مقیاس خرد

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,041

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ISFPNU01_365

تاریخ نمایه سازی: 3 شهریور 1393

چکیده مقاله:

مدل های پراکنش گونه ها با توجه به شناسایی ویژگی های محیط زیستی محل های وقوع گونه ها به پیش بینی پراکنش گونه ها در سایر مناطق می پردازند. این مدل ها کاربردهای وسیعی دارند و از جمله آن ها می توان به مدل آنتروپی بیشینه و رگرسیون لجستیک اشاره کرد. مدل آنتروپی بیشینه از مدل های یادگیری ماشینی است که فقط از نقاط حضور استفاده می کند در حالی که رگرسیون لجستیک از مدل های آماری است که از نقاط حضور و عدم حضور استفاده می کند. با وجود تفاوت های این دو روش هر دو در مقیاس خرد و به صورت مکمل یکدیگر قابل استفاده هستند. در این راستا مطالعه ای موردی صورت گرفت که در آن از 293 نقطه حضور و نه متغیر محیط زیستی برای مدل سازی مکسنت استفاده شد سپس نواحی نامطلوب و بسیار نامطلوب با استفاده از میانگین و انحراف معیار مقادیر احتمال حضور گونه مشخص شد. در این نواحی 200 نقطه عدم حضور تعیین شد و در نهایت با استفاده از معادله رگرسیون لجستیک به دست آمده نقشه مناطق مطلوب و نامطلوب برای گونه مورد نظر به دست آمد. ارزیابی نتایج حاصل از مدل ها نشان داد که از صحت خوبی برخوردارند.

نویسندگان

ندا رنجبر

دانشجوی کارشناسی ارشد رشته محیط زیست دانشکده منابع طبیعی دانشگاه صنعتی اصفهان

محمود رضا همامی

دانشیار گروه محیط زیست دانشکده منابع طبیعی دانشگاه صنعتی اصفهان

مصطفی ترکش

استادیار گروه مرتع و آبخیزداری دانشکده منابع طبیعی دانشگاه صنعتی اصفهان

جواد شاهقلیان

کارشناسی ارشد رشته محیط زیست دانشکده منابع طبیعی دانشگاه صنعتی اصفهان

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 :
  • Anderson, R. P. & Gonzalez Jr (2011). Sp ecies-specific tuning ...
  • Blower, D. J. 2004. An easy derivation of logistic regression ...
  • Giovanelli, J.G.R.; De Siqueira, M.F.; Haddad, C.F.B.; Alexandrina, J.2010. Modeling ...
  • Graham, C. H. et al. 2004. New developments in museum-based ...
  • Graham, C. H. et al. 2006. Habitat history improves prediction ...
  • Hirzel, AH. Le Lay, G. Helfer, V. Randin, C. Guisan, ...
  • Navinder, J. Singh, G. Yoccoz, L.2009. Using habitat suitability models ...
  • Smith, T. S.Flinders, J.T. Winn, D.S. 1991. A habitat evaluation ...
  • Steven J. Phillips and Miroslav Dud k Modeling of species ...
  • Swets, J.A. 1988. Measures of the accuracy of diagnostic systems. ...
  • Thuiller, W. et al. 2005. Niche-based modeling as a tool ...
  • Whiting, J.C. Flinders, J.T. Ogborn, G.L. 2001. GIS winter and ...
  • Zeigenfuss, L.C. Singer, F.J. Gudorf, M.A.2000. Test of a modified ...
  • Zeilhofer, p.et al.2007. Habitat suitability mapping of Anopheles darlingi in ...
  • نمایش کامل مراجع