مدل سازی مبتنی بر یادگیری عمیق توزیع مکانی دوزیستان برای ارزیابی اثر بخشی مناطق تحت حفاظت(مقاله علمی وزارت علوم)
حوزه های تخصصی:
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.