غیرفازیسازی آخرین بخش از یک سیستم استنتاج فازی است؛ که طی آن مجموعه فازی خروجی (C) به یک مجموعه قطعـیتبدیل میشود (رابطه 3):
[3] 0Z =defuzzifier(C) در رابطه فوق، 0Z خروجی غیرفازی مجموعـه فـازیC اسـت.
غیرفازیسازی به روشهای مختلف امکانپذیر اسـت کـه طـیپژوهش حاضر از روش مرکز ثقل استفاده شد.
بدین ترتیب با طی مراحل فوق میتـوان بـه نقشـه پیوسـتهمطلوبیت زیستگاه گونه مورد مطالعه دست یافت. همانگونه که

شکل 2. توابع عضویت متغیرهای محیطی (متغیرهای ورودی) مؤثر در مدل سازی مطلوبیت زیستگاه پلنگ ایرانی

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

شکل 3. تابع عضویت شاخص مطلوبیت زیستگاه پلنگ ایرانی (متغیرخروجی)

قانون فازی ردیف
اگر فاصله از طعمه کم و فاصله از دریاچه زیاد و فاصله از رودخانههای فصلی متوسط و فاصله از زمینهای کشاورزی زیاد و فاصله از جاده زیاد و فاصله از مناطق مسکونی زیاد و ارتفاع از سطح دریا زیاد و شیب متوسط و کاربری اراضی خوب و تیپبندی گیاهی خوب و اقلیم خوب آنگاه مطلوبیت زیستگاه خیلیخوب
1
اگر فاصله از طعمه زیاد و فاصله از دریاچه کم و فاصله از رودخانههای فصلی کم و فاصله از زمینهای کشاورزی کم و فاصله از جاده کم و فاصله از مناطق مسکونی کم و ارتفاع از سطح دریا کم و شیب کم و کاربری اراضی بد و تیپبندی گیاهی بسیار بد و اقلیم متوسط آنگاه مطلوبیت زیستگاه خیلیبد 2

جدول 1. دو نمونه از قوانین فازی مربوط به مدلسازی مطلوبیت زیستگاه پلنگ ایرانی
از مراحل فوق برمیآید، نقشه مذکور فاقد هرگونه وابستگی بـهنقاط حضور یا عدمحضور گونه مورد مطالعه میباشد. در ادامـهبه منظور ارزیابی نتایج مدلسازی، محاسبه متغیر آماری تحلیـلمنحنــی ویژگــی عامــل دریافــت کننــده (ROC) و مســاحت زیرمنحنی (AUC) آن بـا اسـتفاده از نـرمافـزا ر IDRISI Selva صورت گرفت؛ که AUC با امتیاز 1 به معنـی پـیشبینـی کامـلبدون حذف هیچ یـک از نقـاط حضـور وAUC بـا امتیـاز 5/0 برای یک پیشبینی تصادفی مورد انتظار است. همچنـین مقـادیربین 7/0 تا 8/0 بیانگر یک مدل خـوب، بـین 8/0 تـا 9/0 مـدلعالی و AUC بیش از 9/0 بیانگر پیشبینـی بسـیار عـالی مـدلمیباشد (8). نکته قابل توجه در استفاده از این روش، لـزوم دراختیار داشتن لایه دو طبقهای حضور و عدمحضور گونـه مـوردمطالعه میباشد؛ که به منظور تهیه لایه مذکور، با استفاده از حـدآستانه حضور 10 درصد، نقشه پیوسته احتمال حضور به نقشـهدو طبقهای حضور و عدمحضور تبدیل شد (3، 4، 5 و 17). دلیل انتخاب این آستانه، پرهیز از کم یا بیش برآوردهای احتمالی است؛ بهعلاوه، آستانه مذکور یکی از پرکـاربردتر ین آسـتانه هـای مـورداستفاده میباشد. شایان ذکر است که، اعمـال آسـتانه حضـور ۱۰ درصد برمبنای نقاط حضور گونه مورد مطالعـه صـورت گرفـت.
موقعیت نقاط پـراکنش پلنـگ در سـال هـای 1393 تـا 1394، بـااستفاده از نمایهها، گزارشهای محیطبانان و کارشناسان اداره کـل حفاظت محیط زیست استان و گزارشهای قابل اعتمـاد سـاکنین محلی با کمک سامانه موقعیتیاب جهانی ثبت شد (شکل 1). همچنین بهمنظور تعیین کارآمدترین متغیرهای محیطی مـؤثردر مدل سازی مطلوبیت زیستگاه پلنگ ایرانی، حساسیتسـنجیمدل نسبت به متغیرهای محیطی صورت گرفت؛ بـدین ترتیـبکه، 11 سیستم استنتاج فازی ایجاد شد، بهگونهای که در هر یک از این سیستمها بـا حـذف یکـی از متغیرهـای محیطـی امکـانبررسی تأثیر متغیر حذف شده بر مدلسازی فراهم گشت.

نتایج و بحث
شکل 4، نقشه پیوسته مطلوبیت زیستگاه پلنگ ایرانـی را نشـانمیدهد. همانگونه کـه مشـاهده مـیشـود ، بیشـترین مطلوبیـتزیستگاه مربوط به بخشهای جنـوب شـرقی، شـمال و شـمال غربی منطقه است. در ارزیابی نتایج مدلسازی نیز میـزانAUC معادل 960/0 بهدست آمد؛ که با توجه به بزرگتر بـودن میـزانAUC بـهدسـت آم ده از 9/0، عملکـرد م دل در مـدلسـازی مطلوبیت زیستگاه گونه مورد مطالعه بسیار عالی برآورد میشود.
این یافته بر عملکرد موفق سیستم استنتاج فازی در مـدلسـازیزیستگاه تأکید دارد؛ امری که پیش از این توسط لو و همکـاران(14) و ماک و همکاران (15) مورد تأکید قـرار گرفتـه بـود. در واقع برخلاف سایر روشهـای مبتنـی بـر دادههـای حضـور یـاحضور/عدمحضور که متأثر از ابهام و عـدمقطعیـت موجـود دردادههای ورودی بهویژه دادههای حضور یا حضور/ عدمحضـورهستند، سیستم استنتاج فازی بهدلیل برخورداری از قابلیت مـدل عدم وابستگی به دادههای حضور یا حضور/عدمحضور به مراتب از حساسیت بسیار کمتری نسبت به ابهام و عدمقطعیت موجـوددر اینگونه دادهها برخوردار است. آنچه روشن است این اسـتکه روشهای مبتنی بر دادههای حضور یا حضور/عدمحضور، با مبنا قرار دادن این دادهها، جستجوهای خود را در نزدیکـی ایـننقاط شکل داده، بدین ترتیب این روش ها بهشدت تحـت تـأثیر دادههای حضور یا حضور/عدمحضور مـیباشـند؛ در حـال یکـهسیستم استنتاج فازی با مبنای کار قرار دادن دانش افراد خبـره وویژگیهای بوم شناختی گونهها، دامنه جستجوهای خـود را بـهکل منطقه تعمیم داده، براساس قـوانین تعریـف شـده در موتـوراستنتاج به جسـتجو ی بخـش هـای مطلـوب در سرتاسـر منطقـهمیپردازد. امری که میتواند منجـر بـه شناسـایی هـر چـه بهتـرلکههای زیستگاهی ناشناخته شود.
براساس یافتههای حساسیتسنجی مدل (شـکل 5)، حـذف

Kilometers
شکل 4. نقشه پیوسته مطلوبیت زیستگاه پلنگ ایرانی در منطقه حفاظت شده شیمبار

نمودن ابهام و عدمقطعیت موجود در دادههای ورودی، همچنین سایر مطالعات از جمله مطالعه امیدی و همکـاران ( 1) مطابقـت
متغیر فاصله از طعمه، پایینترین میزان AUC یعنی رقمی معادل 719/0 را بهدنبال خواهد داشت؛ که این امـ ر حـاکی از اهمیـتمتغیر فاصله از طعمه بوده، میتوان متغیر مذکور را مهـم تـرین ومؤثرترین عامل مدلسازی دانست؛ که این یافتـه بـا یافتـههـایدارد. این پژوهشگران در پژوهش خود عامل محیطـی طعمـه رامهمتـرین عامـل در تعیـین مطلوبیـت زیسـتگاه پلنـگ معرفـینمودند.
همچنین با حذف متغیرهای تیـپ بنـدی گیـاهی، فاصـله ازجاده و فاصله از مناطق مسکونی، AUC به 803/0 تنزل مییابد. بهعلاوه، حذف متغیرهای ارتفاع و شیب از مدلسازی، AUC را تا 898/0 کـاهش خواهـد داد. در رابطـه بـا اهمیـت متغیرهـایتیپبندی گیاهی و شیب میتوان اظهار داشت که ایـن متغیرهـاهمراه با عامل طعمه (کل و بز) وارد مدل شـده، تـأثیر آنهـا بـرمطلوبیت زیستگاه پلنگ از طریق تأثیری که بر حضور کل و بـزدارند، اعمال میشود. در واقع اهمیت متغیر شیب در مدلسازی زیستگاه پلنگ پیش از این توسط زیمرمـان و همکـاران (20) و امیدی و همکاران (1) مورد تأکید واقع شده بـود. در رابطـه بـاتأثیرپذیری مطلوبیت زیستگاه گونه مورد مطالعـه از متغیرهـایینظیـر فاصـله از جـاده و منـاطق مسـکونی نیـز مـیتـوان ایـن مورد را دال بر وجود تعارض میان پلنگ و فعالیتهای انسـانیدانست. تأثیرپذیری مطلوبیـت زیسـتگاههـای حیـات وحـش ازجادهها امری است که طی مطالعات مختلف مـورد تأکیـد واقـع

شکل 5. بررسی تأثیر حذف هر یک از متغیرهای محیطی بر مطلوبیت زیستگاه پلنگ ایرانی (رنگی در نسخه الکترونیکی)
شده، تکه تکه شدن زیستگاهها، عدم دسترسی به منابع، افـزا یش مرگ و میـر و تقسـیم جمعیـت هـای حیـات وحـش بـه عنـوان عمدهترین اثرات منفی جادهها مطرح شده است (6، 10 و 13).

نتیجهگیری
براساس آنچه تاکنون بیان شد میتوان اظهار داشت که، سیسـتماستنتاج فازی بهعنوان یک روش مستقل از وابستگیهای معمول به دادههای حضور یا حضور/عدمحضور، همچنین بهعنوان یـکروش مبتنی بر دانش افراد خبره، گزینه مناسبی جهت مدلسازی

منابع مورد استفاده
مطلوبیت زیستگاه های حیات وحش کشور میباشـد . امـری کـهلزوم بهرهگیری از این روش جهت بهبـود و تکمیـل اطلاعـاتمکانی موجود پیرامون زیستگاه های حیات وحش کشور بهویـژهدر ارتباط با مناطق و گونـه هـای کمتـر مطالعـه شـده را مطـرحمیسازد. بیشک بهرهگیری از این گونه مدلها با فـراهم آوردنامکان شناسایی هر چه بهتر لکههای زیستگاهی به ویژه لکه هـای زیستگاهی ناشناخته جهت لحاظ شدن در برنامه هـای حفـاظتی، ابزار مؤثری در طرح ریـزی حفاظـت، پـایش و مـد یریت تنـوع زیستی خواهد بود.
امی ـدی، م.، م. ک ـابلی، م. کرم ـی، ع. م ـاهینی و ب. حس ـنزاده کی ـابی. 1389، م ـدلس ـازی مطلوبی ـت زیس ـتگاه پلن ـگ ایرانی
(Panthera pardus saxicolor) بهروش تحلیل عاملی آشیان بوم شناختی (ENFA) در پارک ملـی کـلاه قاضـی، اسـتان اصـفهان، علوم و تکنولوژی محیط زیست 12(1): 148-137.
عبیداوی، ز. 1394، طراحی سامانه Web GIS حیات وحش استان خوزستان، پایاننامه کارشناسی ارشـد، دانشـگاه شـهید چمـراناهواز.
میرزایی، ر.، م. همامی، ع. اسماعیلی ساری و ح. رضایی. 1392. تعیین پراکنش سارگپه معمولی(Buteo buteo) و عوامل مـ ؤثر بـرآن در استان گلستان با استفاده از الگوریتم انتروپی بیشینه، نخستین کنفرانس بین المللی اکولوژی سیمای سرزمین، اصفهان، ایـرا ن،
8-7 آبان.
.4 Anderson, R. P. and I. Gonzalez-Jr. 2011. Species-specific tuning increases robustness to sampling bias in models of species distributions: An implementation with Maxent. Ecological Modelling 222: 2796-2811.
.5 Escalante, T., G. Rodriguez-Tapia, M. Linaje, P. Illoldi-Rangel and R. Gonzalez-Lopez. 2013. Identification of areas of endemism from species distribution models: Threshold selection and NEARCTIC mammals. TIP Revista Especializada en Ciencias Quimico-Biologicas 16(1): 5-17.
.6 Gelbard, J. L. and J. Belnap. 2003. Roads as conduits for exotic plant invasions in a semiarid landscape. Conservation Biology 17(2): 420-432.
.7 Gibson, L. A., B. A. Wilson, D. M. Cahill and J. Hill. 2003. Modeling habitat suitability of the swamp antechinus (Antechinus minimus maritimus) in the costal heathlands of soutern Victoria, Australia. Biological Conservation 117: 143-150.
.8 Giovanelli, J. G. R., M. F. De-Siqueira, C. F. B. Haddad and J. Alexandrino. 2010. Modeling a spatially restricted distribution in the Neotropics: how the size of calibration area affects the performance of five presence-only methods. Ecological Modelling 221: 215-224.
.9 Jacqain, A., V. Cheret, J. M. Denux, J. Mitcheley and P. Xofis. 2005. Habitat suitability modeling of caperailie (Tetrao urogallus) using each observation data. Nature Conservation 13:161-169.
.01 Jaeger, J. A. G., J. Bowman, J. Brennan, L. Fahrig, D. Bert, J. Bouchard, N. Charbonneau, K. Frank, B., Gruber and K. Tluk von Toschanowitz. 2005. Predicting when animal populations are at risk from roads: an interactive model of road avoidance behavior. Ecological Modelling 185: 329-348.
.11 Khorozyan, I., A. Malkhasyan and Sh. Asmaryan. 2005. The persian leopard prowls its way to survival. Endangered Species update 22(2): 51-60.
.21 Kiabi, H. B., F. B. Dareshouri, A. Ghaemi and M. Jahanshahi. 2002. Population status of the Persian leopard (Panthera pardus saxicolor Pocock, 1927) in Iran. Zoology in the Middle East 26: 41-47.
.31 Lian, X., T. Zhang, Y. Cao, J. Su and S. Thirgood. 2011. Road proximity and traffic flow perceived as potential predation risks: evidence from the Tibetan antelope in the Kekexili National Nature Reserve, China. Wild Research 38: 141-146.
.41 Lu, C. Y., W. Gu, A. H. Dai and H. Y. Wei. 2012. Assessing habitat suitability based on geographic information system (GIS) and fuzzy: A case study of Schisandra sphenanthera Rehd. et Wils. In Qinling Mountains, China. Ecological Modelling 242: 105-115.
.51 Mocq, J., A. St-Hilairea and R. A. Cunjak. 2013. Assessment of Atlantic salmon (Salmo salar) habitat quality and itsuncertainty using a multiple-expert fuzzy model applied to the Romaine River (Canada). Ecological Modelling 265: 14-25.
.61 Mouton, A. M., M. Schneider, I. Kopecki, P. L. M. Goethals and N. De Pauw. 2006. Application of MesoCASiMiR: Assessment of Baetis rhodani Habitat Suitability. Available at: https://www.researchgate.net/publication/228655361.
.71 Pearson, R. G., C. J. Raxworthy, M. Nakamura and A. T. Peterson. 2007. Predicting species distributions from small numbers of occurrence records: a test case using cryptic geckos in Madagascar. Biogeography 34: 102-117.

  • 1

دیدگاهتان را بنویسید