مدل سازی مبتنی بر یادگیری عمیق توزیع مکانی دوزیستان برای ارزیابی اثر بخشی مناطق تحت حفاظت (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
آنالیزگپ مبتنی بر مدل سازی توزیع گونه ای (SDMs)، ابزاری کلیدی برای ارزیابی عملکرد مناطق تحت حفاظت و شناسایی گپ های حفاظتی است. بنابراین بهبود دقت و اعتبار SDMs می تواند به تحقق استراتژی های چارچوب جهانی حفاظت از تنوع زیستی کمک کند. هدف از این مطالعه، ارتقاء روش های آنالیزگپ با استفاده از مدل سازی برپایه هوش مصنوعی با استفاده از یادگیری عمیق و رفع برخی از محدودیت های روش های سنتی مدل سازی در آنالیزگپ با استفاده از رویکرد فازی در محاسبه درجه مطلوبیت زیستگاه و نهایتاً ارزیابی کارایی آنالیزگپ در شناسایی گپ های حفاظتی می باشد. لذا از روش CNN-SDM، مبتنی بر یادگیری عمیق، برای شناسایی روابط پیچیده بین توزیع مکانی گونه ها و شرایط محیطی استفاده شد. داده های اقلیمی WorldClim و حضور 45 گونه دوزیست در جنوب غرب آسیا از پایگاه GBIF برای کالیبره کردن مدل استفاده شد. پس از تولید نقشه مطلوبیت زیستگاهی، گونه ها براساس درجه تهدید در فهرست سرخ IUCN وزن دهی شدند و نقشه غنای گونه ای وزنی ایجاد شد. برای رفع محدودیت های داده های باینری، از مقیاس گذاری فازی استفاده شد که تغییرات کیفیت زیستگاه را پیوسته در بازه ای بین 0 و 1 نمایش می دهد. برای پیش بینی آینده، سناریوهای اقلیمی SSP126 و SSP585 برای سال های ۲۰۶۰ و ۲۱۰۰ بررسی شدند. مقایسه نقشه های غنای گونه ای وزنی و رویهم گذاری مرسوم نشان داد که 43% از زیستگاه های دوزیستان در معرض تهدید در روش رویهم گذاری نادیده گرفته می شود. نتایج تایید کرد در بدترین سناریو اقلیمی، اگرچه 85% از زیستگاه های مطلوب در مناطق تحت حفاظت حفظ می شود اما میانگین ارزش پیکسل های مطلوب در این مناطق به طور معناداری کاهش می یابد بطوریکه مطلوبیت زیستگاهی فازی برای 97% از گونه ها کاهش خواهد یافت. مدل CNN-SDM نشان داد با AUC برابر با 94/0و TSS برابر با 89/0دقت بالایی در پیش بینی توزیع گونه ها دارد. این مطالعه تأکید بر ارتقاء روش های آنالیزگپ و رفع محدودیت های روش های سنتی دارد.Deep Learning-Based Modeling of Amphibian Spatial Distribution for Assessing the Effectiveness of Protected Areas
The gap analysis based on species distribution modeling (SDMs) is a essential tool for evaluating the performance of Protected Areas and identifying conservation gaps. Improving the accuracy and reliability of SDMs can significantly aid in implementing strategies under the Global Biodiversity Framework. This study aimed to enhance gap analysis methods through deep learning-based modeling and to overcome some limitations of traditional gap analysis approaches by using a fuzzy approach to calculate habitat suitability, ultimately assessing the efficacy of gap analysis in identifying conservation gaps. The study employed the CNN-SDM deep learning-based method to identify complex relationships between species' spatial distributions and environmental conditions. WorldClim data and records of 45 amphibian species from the GBIF in Southwest Asia were used to calibrate the model. After generating habitat suitability maps, species were weighted according to their threat levels in the IUCN Red List, creating a weighted species richness map. To address the limitations of binary data, a fuzzy approach was used to represent habitat quality on a continuous scale from 0 to 1. Future predictions were made using the SSP126 and SSP585 climatic scenarios for the years 2060 and 2100. The comparison of weighted species richness maps and stacked richness revealed that 43% of threatened amphibian habitats were overlooked by the stack binary method. Results confirmed that under the worst climate scenario, while 85% of suitable habitats remain within protected areas, the average pixel value of habitat suitability within these areas significantly decreases, with fuzzy habitat suitability declining for 97% of the species. The CNN-SDM model demonstrated high accuracy, with an AUC of 0.94 and a TSS of 0.89. This study highlights the need for enhancing gap analysis methods and addressing the limitations of traditional approaches
تبلیغات
