بابک نعیمی

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. 

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.

امروزه بیابان زایی به عنوان یکی از اشکال عمده تخریب محیط زیست و یک مشکل فراگیر و بسیار جدی در سراسر جهان شناخته شده است. در این تحقیق نخست روند بیابان زایی با استفاده از 3 شاخص اقلیم و 4 شاخص آب زیرزمینی در قالب مدل مدالوس در یک دوره 20 ساله(1396 - 1387) در غرب استان گلستان با هدف ارائه سیستم هشدار بیابان زایی مورد ارزیابی قرار گرفته و بیابان زایی در دو دوره 10 ساله مورد مقایسه قرار گرفت. سپس با تعیین حدود آستانه ای برای شاخص های تاثیر گذار در روند بیابان زایی منطقه، سیستم هشدار اولیه بیابان زایی بر پایه 4 شاخص ارائه شد. نتایج بدست آمده از بررسی روند تغییرات شاخص ها نشان داد که به ترتیب شاخص های خشکی(162)، کل مواد محلول(147)، هدایت الکتریکی(145) و عمق آب زیرزمینی (127) بیشترین تاثیر را در بیابان زایی منطقه داشته اند. نقشه های هشدار بیابان زایی نشان از روند افزایشی غربی – شرقی شاخص های خشکی، کل مواد محلول و هدایت الکتریکی در منطقه داشته و شاخص عمق آب زیرزمینی نیز در نواحی مرکزی بیشترین محدوده هشدار را در بر گرفته اند. با توجه به نتایج بدست آمده از پایش شاخص های بیابان زایی، شاخص هدایت الکتریکی طی سال های 78 ، 80 ، 83 تا 86 و 88 ، شاخص کل مواد محلول سال های 77،78،80،83، 85 و 86، شاخص عمق آب زیرزمینی سال های80،81،85،87 و 93 و در نهایت شاخص خشکی طی سال های 78 تا 82، 85 تا 87 ، 90 ، 93،94 و 96 در محدوده هشدار قرار گرفته است. کاربری های اراضی آبی، دیم و تالاب ها در شرق منطقه تحت تاثیر هشدار بیابان زایی قرار گرفته لذا پیشنهاد میشود جهت مدیریت بهتر این اراضی، آستانه های تعیین شده در این تحقیق مبنای کار قرار داده شود.