ناسازگاری داده ها

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.