توسعه مدل مکانی – زمانی مطلوبیت زیستگاه برای ارزیابی تغییرات تنوع زیستی در پاسخ به تغییر اقلیم (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
سابقه و هدف: ازدست دادن تنوع زیستی تهدیدی جهانی برای انسان ها محسوب می شود. برای مقابله با این تهدیدها، سازمان های جهانی محیط زیستی اهداف و برنامه های استراتژیک ویژه ای را در قالب چارچوب جهانی تنوع زیستی کونمینگ – مونترال، به منظور درک چگونگی تغییرات تنوع زیستی در طول زمان و شناسایی عوامل تأثیرگذار در آنها، تصویب کردند. بدین منظور ابزارهای مدل سازی تنوع زیستی، به ویژه مدل های مطلوبیت زیستگاه (توزیع گونه ای) که از پرکاربردترین روش های شناخته شده برای مطالعات تنوع زیستی محسوب می شوند، نقشی اساسی دارند. با وجود پیشرفت های شگرف در توسعه روش های مدل سازی در کنار دسترسی روزافزون به داده های مکانی، مدل های فعلی در پیش بینی دقیق وضعیت و تغییرات تنوع زیستی محدودیت های جدی دارند؛ این مسئله به ناممکن بودن ایجاد چارچوبی مناسب برای پایش تنوع زیستی در طول زمان منجر می شود. یکی از مهم ترین محدودیت های کاربردی این مدل ها ناسازگاری داده های ثبت شده، به لحاظ فراوانی و گستره مکانی حضور گونه ها در بازه های زمانی متفاوت است. این شرایط امکان توسعه مدل های مکانی – زمانی را که در درک پویایی و تغییرات توزیع جغرافیایی گونه ها طی زمان ضروری اند، محدود می کند. هدف از این مطالعه بیان راه حلی برای غلبه بر مشکلات ناسازگاری داده های تنوع زیستی در طول زمان، و توسعه فرایند محاسباتی برای مدل سازی مکانی – زمانی مطلوبیت زیستگاه و سپس کمّی سازی تغییرات در توزیع مکانی است.مواد و روش ها: در این مطالعه، برای توسعه مدل مکانی – زمانی تنوع زیستی، از داده های حضور گونه نوعی بز کوهی (Hippotragus equinus) استفاده شد. داده های سری زمانی بلندمدت حضور این گونه بین سال های ۱۹۰۱ تا ۲۰۲۰ از پایگاه داده جهانی GBIF، به منظور توسعه مدل های مکانی – زمانی، و همچنین داده های سری زمانی تنوع زیستی (فراوانی گونه) در پایگاه های اطلاعاتی LPI و BioTime برای اعتبارسنجی ارزیابی تغییرات تنوع زیستی به کار رفت. به علاوه، داده های اقلیمی از پایگاه داده CRUTS استخراج شدند که براساس آنها، لایه های اطلاعاتی نوزده گانه زیست اقلیمی به صورت سالیانه تولید شد. پس از پاک سازی و آماده سازی داده های گونه و انتخاب متغیرهای مناسب در حین آزمایش چندخطی گری، داده های سری زمانی به صورت یکپارچه در جدول داده واحد یا استخر داده گردآوری شدند. در این رویکرد، داده های حضور گونه متعلق به هر سال به اطلاعات اقلیمی همان سال و مکان پیوند داده شد. سپس برای توسعه مدل مکانی – زمانی و به منظور بهبود کارآیی و کاهش عدم قطعیت مدل ها، ده الگوریتم مرسوم یادگیری ماشینی انتخاب و مدل های مکانی – زمانی کالیبره شدند. پس از اعتبارسنجی مدل ها، الگوی مکانی توزیع گونه با ترکیب پیش بینی های حاصل از مدل های گوناگون، با استفاده از میانگین گیری وزنی (انسمبل) برای هر سال، پیش بینی شد؛ این کار به تولید سری زمانی ۱۲۰ساله شامل پیش بینی های توزیع مکانی گونه ای منجر شد. در گام بعدی، با استفاده از تابع تخمینگر شیب سن، روند تغییرات مطلوبیت زیستگاهی در طول ۱۲۰ سال در هر پیکسل محاسبه شد.نتایج و بحث: نتایج اعتبارسنجی مدل ها نشان داد که تمامی روش های مدل سازی از عملکرد بسیار خوبی برخوردار بودند؛ به گونه ای که شاخص AUC برای این مدل ها بین 996/0 و 926/0 محاسبه شد. تحلیل نقشه های روند تغییرات تنوع زیستی در طول زمان نشان داد که در عرض های جنوبی، احتمال حضور گونه به تدریج کاهش یافته است؛ درحالی که در کمربند میانی افریقا، افزایش احتمال حضور این گونه مشاهده می شود. صحت سنجی نتایج، با استفاده از داده های سری زمانی توزیع و فراوانی گونه از منابع BioTime و LPI، نشان داد که به ترتیب در 88% و 84% نقاط کاهش مطلوبیت زیستگاهی، مدل با داده های واقعی هم پوشانی دارد؛ این مسئله دقت بالای مدل را در پیش بینی توزیع و تغییرات گونه ای در طول زمان تأیید می کند.نتیجه گیری: راه حل ارائه شده در این مطالعه، افزون بر اینکه امکان مدل سازی مکانی – زمانی برای تحلیل الگوهای توزیع گونه ها و تغییرات آنها را فراهم می آورد، با افزایش دقت در کمّی سازی آشیان بوم شناختی، به بهبود پیش بینی الگوهای توزیع مکانی و کاهش عدم اطمینان در ارزیابی ها کمک می کند. این رویکرد با ارتقای پوشش و اندازه نمونه ها، چالش های در زمینه ناسازگاری زمانی داده ها را حل می کند و استفاده بهینه از تمامی رکوردهای اطلاعاتی موجود را ممکن می سازد. این مطالعه بر اهمیت بُعد زمانی در مدل های توزیع گونه ای تأکید دارد و این رویکرد، به ویژه در مناطقی با تغییرات اقلیمی بیشتر، از اهمیت فراوانی برخوردار است و می تواند در راستای اهداف توسعه پایدار، حفاظت از تنوع زیستی و چارچوب جهانی KM-GBF به مدیران برای تصمیم گیری حفاظتی کمک کند.Developing a Spatiotemporal Habitat Suitability Model to Assess Biodiversity Changes in Response to Climate Change
Introduction: Biodiversity loss is a global threat to humanity. To address these challenges, international environmental organizations have adopted specific strategic goals and plans within the Kunming-Montreal Global Biodiversity Framework to understand how biodiversity changes over time and to identify the factors influencing these changes. Biodiversity modeling tools, particularly habitat suitability models (species distribution models), play a critical role in this effort. Despite significant advances in modeling techniques and the growing availability of spatial data, current models face serious limitations in accurately predicting biodiversity status and changes, hindering the development of an effective framework for monitoring biodiversity over time. One of the most significant practical limitations of these models is the inconsistency of recorded data in terms of species presence frequency and spatial extent across different time periods. This inconsistency limits the development of spatiotemporal models necessary for understanding species distribution dynamics over time. The objective of this study is to propose a solution to overcome the inconsistencies in biodiversity data over time and to develop a computational process for spatiotemporal habitat suitability modeling. Subsequently, spatiotemporal models were employed to quantify changes in species distribution.Materials and Methods: In this study, a spatiotemporal biodiversity model was developed using presence data of the Roan antelope (Hippotragus equinus). Long-term species presence data spanning from 1901 to 2020 were sourced from the global biodiversity database GBIF to develop the spatiotemporal models. Additionally, species time series data (abundance data) from the LPI and BioTime databases were used to validate the assessment of biodiversity changes. Climatic data were extracted from the CRU TS database, which was used to generate 19 annual environmental layers. After data cleaning and preparation, and selecting appropriate climatic variables by testing for multicollinearity, the time series data were integrated into a single data table or data pool. In this approach, species presence data for each year were linked to the corresponding climatic data for that year and location. To improve model efficiency and reduce uncertainty, 10 common machine learning algorithms were selected to calibrate the spatiotemporal models. After model validation, spatial distribution predictions for each year were obtained by combining predictions from different models using weighted averaging (ensemble), resulting in a 120-year time series of species distribution predictions. Next, the Sen’s slope estimator function was used to calculate the trend of habitat suitability changes over 120 years for each pixel.Results and Discussion: The results of model validation demonstrated that all modeling approaches performed exceptionally well, with AUC values ranging from 0.926 to 0.996, indicating high predictive accuracy. Analysis of the biodiversity trend maps over time revealed a gradual decline in the probability of species presence in southern latitudes. In contrast, an increase in presence probability was observed in the central African belt, suggesting shifts in species distribution patterns. Further validation of the results was carried out using time series data on species distribution and abundance from BioTime and LPI sources. This validation showed that the model accurately matched real data in 88% and 84% of the cases where habitat suitability had decreased. These findings confirm the high accuracy of the model in predicting both species distribution and changes over time. This strong correlation between model predictions and actual data underscores the effectiveness of the proposed spatiotemporal models in capturing and reflecting real-world biodiversity trends.Conclusion: The proposed solution in this study not only enables spatiotemporal modeling for analyzing species distribution patterns and their changes but also improves the accuracy of ecological niche quantification, enhancing spatial distribution predictions and reducing uncertainty in assessments. This approach addresses temporal data inconsistency challenges by increasing sample size and coverage, allowing optimal use of all available records. This study emphasizes the importance of the temporal dimension in species distribution models, particularly in regions with significant climatic changes, and can assist managers in making conservation decisions aligned with sustainable development goals, biodiversity conservation, and the KM-GBF global framework.
تبلیغات
