غیرفازيسازي آخرین بخش از یک سیستم استنتاج فازي است؛ که طی آن مجموعه فازي خروجی (C) به یک مجموعه قطعـیتبدیل میشود (رابطه 3):
[3] 0Z =defuzzifier(C) در رابطه فوق، 0Z خروجی غیرفازي مجموعـه فـازيC اسـت.
غیرفازيسازي به روشهاي مختلف امکانپذیر اسـت کـه طـیپژوهش حاضر از روش مرکز ثقل استفاده شد.
بدین ترتیب با طی مراحل فوق میتـوان بـه نقشـه پیوسـتهمطلوبیت زیستگاه گونه مورد مطالعه دست یافت. همانگونه که

شکل 2. توابع عضویت متغیرهاي محیطی (متغیرهاي ورودي) مؤثر در مدل سازي مطلوبیت زیستگاه پلنگ ایرانی

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

شکل 3. تابع عضویت شاخص مطلوبیت زیستگاه پلنگ ایرانی (متغیرخروجی)

قانون فازي ردیف
اگر فاصله از طعمه کم و فاصله از دریاچه زیاد و فاصله از رودخانههاي فصلی متوسط و فاصله از زمینهاي کشاورزي زیاد و فاصله از جاده زیاد و فاصله از مناطق مسکونی زیاد و ارتفاع از سطح دریا زیاد و شیب متوسط و کاربري اراضی خوب و تیپبندي گیاهی خوب و اقلیم خوب آنگاه مطلوبیت زیستگاه خیلیخوب
1
اگر فاصله از طعمه زیاد و فاصله از دریاچه کم و فاصله از رودخانههاي فصلی کم و فاصله از زمینهاي کشاورزي کم و فاصله از جاده کم و فاصله از مناطق مسکونی کم و ارتفاع از سطح دریا کم و شیب کم و کاربري اراضی بد و تیپبندي گیاهی بسیار بد و اقلیم متوسط آنگاه مطلوبیت زیستگاه خیلیبد 2

جدول 1. دو نمونه از قوانین فازي مربوط به مدلسازي مطلوبیت زیستگاه پلنگ ایرانی
از مراحل فوق برمیآید، نقشه مذکور فاقد هرگونه وابستگی بـهنقاط حضور یا عدمحضور گونه مورد مطالعه میباشد. در ادامـهبه منظور ارزیابی نتایج مدلسازي، محاسبه متغیر آماري تحلیـلمنحنــی ویژگــی عامــل دریافــت کننــده (ROC) و مســاحت زیرمنحنی (AUC) آن بـا اسـتفاده از نـرمافـزا ر IDRISI Selva صورت گرفت؛ که AUC با امتیاز 1 به معنـی پـیشبینـی کامـلبدون حذف هیچ یـک از نقـاط حضـور وAUC بـا امتیـاز 5/0 براي یک پیشبینی تصادفی مورد انتظار است. همچنـین مقـادیربین 7/0 تا 8/0 بیانگر یک مدل خـوب، بـین 8/0 تـا 9/0 مـدلعالی و AUC بیش از 9/0 بیانگر پیشبینـی بسـیار عـالی مـدلمیباشد (8). نکته قابل توجه در استفاده از این روش، لـزوم دراختیار داشتن لایه دو طبقهاي حضور و عدمحضور گونـه مـوردمطالعه میباشد؛ که به منظور تهیه لایه مذکور، با استفاده از حـدآستانه حضور 10 درصد، نقشه پیوسته احتمال حضور به نقشـهدو طبقهاي حضور و عدمحضور تبدیل شد (3، 4، 5 و 17). دلیل انتخاب این آستانه، پرهیز از کم یا بیش برآوردهاي احتمالی است؛ بهعلاوه، آستانه مذکور یکی از پرکـاربردتر ین آسـتانه هـاي مـورداستفاده میباشد. شايان ذکر است که، اعمـال آسـتانه حضـور ۱۰ درصد برمبنای نقاط حضور گونه مورد مطالعـه صـورت گرفـت.
موقعیت نقاط پـراکنش پلنـگ در سـال هـاي 1393 تـا 1394، بـااستفاده از نمایهها، گزارشهاي محیطبانان و کارشناسان اداره کـل حفاظت محیط زیست استان و گزارشهاي قابل اعتمـاد سـاکنین محلی با کمک سامانه موقعیتیاب جهانی ثبت شد (شکل 1). همچنین بهمنظور تعیین کارآمدترین متغیرهاي محیطی مـؤثردر مدل سازي مطلوبیت زیستگاه پلنگ ایرانی، حساسیتسـنجیمدل نسبت به متغیرهاي محیطی صورت گرفت؛ بـدین ترتیـبکه، 11 سیستم استنتاج فازي ایجاد شد، بهگونهاي که در هر یک از این سیستمها بـا حـذف یکـی از متغیرهـاي محیطـی امکـانبررسی تأثیر متغیر حذف شده بر مدلسازي فراهم گشت.

نتایج و بحث
شکل 4، نقشه پیوسته مطلوبیت زیستگاه پلنگ ایرانـی را نشـانمیدهد. همانگونه کـه مشـاهده مـیشـود ، بیشـترین مطلوبیـتزیستگاه مربوط به بخشهاي جنـوب شـرقی، شـمال و شـمال غربی منطقه است. در ارزیابی نتایج مدلسازي نیز میـزانAUC معادل 960/0 بهدست آمد؛ که با توجه به بزرگتر بـودن میـزانAUC بـهدسـت آم ده از 9/0، عملکـرد م دل در مـدلسـازي مطلوبیت زیستگاه گونه مورد مطالعه بسیار عالی برآورد میشود.
این یافته بر عملکرد موفق سیستم استنتاج فازي در مـدلسـازيزیستگاه تأکید دارد؛ امري که پیش از این توسط لو و همکـاران(14) و ماك و همکاران (15) مورد تأکید قـرار گرفتـه بـود. در واقع برخلاف سایر روشهـاي مبتنـی بـر دادههـاي حضـور یـاحضور/عدمحضور که متأثر از ابهام و عـدمقطعیـت موجـود دردادههاي ورودي بهویژه دادههاي حضور یا حضور/ عدمحضـورهستند، سیستم استنتاج فازي بهدلیل برخورداري از قابلیت مـدل عدم وابستگی به دادههاي حضور یا حضور/عدمحضور به مراتب از حساسیت بسیار کمتري نسبت به ابهام و عدمقطعیت موجـوددر اینگونه دادهها برخوردار است. آنچه روشن است این اسـتکه روشهاي مبتنی بر دادههاي حضور یا حضور/عدمحضور، با مبنا قرار دادن این دادهها، جستجوهاي خود را در نزدیکـی ایـننقاط شکل داده، بدین ترتیب این روش ها بهشدت تحـت تـأثیر دادههاي حضور یا حضور/عدمحضور مـیباشـند؛ در حـال یکـهسیستم استنتاج فازي با مبناي کار قرار دادن دانش افراد خبـره وویژگیهاي بوم شناختی گونهها، دامنه جستجوهاي خـود را بـهکل منطقه تعمیم داده، براساس قـوانین تعریـف شـده در موتـوراستنتاج به جسـتجو ي بخـش هـاي مطلـوب در سرتاسـر منطقـهمیپردازد. امري که میتواند منجـر بـه شناسـایی هـر چـه بهتـرلکههاي زیستگاهی ناشناخته شود.
براساس یافتههاي حساسیتسنجی مدل (شـکل 5)، حـذف

Kilometers
شکل 4. نقشه پیوسته مطلوبیت زیستگاه پلنگ ایرانی در منطقه حفاظت شده شیمبار

نمودن ابهام و عدمقطعیت موجود در دادههاي ورودي، همچنین سایر مطالعات از جمله مطالعه امیدي و همکـاران ( 1) مطابقـت
متغیر فاصله از طعمه، پایینترین میزان AUC یعنی رقمی معادل 719/0 را بهدنبال خواهد داشت؛ که این امـ ر حـاکی از اهمیـتمتغیر فاصله از طعمه بوده، میتوان متغیر مذکور را مهـم تـرین ومؤثرترین عامل مدلسازي دانست؛ که این یافتـه بـا یافتـههـايدارد. این پژوهشگران در پژوهش خود عامل محیطـی طعمـه رامهمتـرین عامـل در تعیـین مطلوبیـت زیسـتگاه پلنـگ معرفـینمودند.
همچنین با حذف متغیرهاي تیـپ بنـدي گیـاهی، فاصـله ازجاده و فاصله از مناطق مسکونی، AUC به 803/0 تنزل مییابد. بهعلاوه، حذف متغیرهاي ارتفاع و شیب از مدلسازي، AUC را تا 898/0 کـاهش خواهـد داد. در رابطـه بـا اهمیـت متغیرهـايتیپبندي گیاهی و شیب میتوان اظهار داشت که ایـن متغیرهـاهمراه با عامل طعمه (کل و بز) وارد مدل شـده، تـأثیر آنهـا بـرمطلوبیت زیستگاه پلنگ از طریق تأثیري که بر حضور کل و بـزدارند، اعمال میشود. در واقع اهمیت متغیر شیب در مدلسازي زیستگاه پلنگ پیش از این توسط زیمرمـان و همکـاران (20) و امیدي و همکاران (1) مورد تأکید واقع شده بـود. در رابطـه بـاتأثیرپذیري مطلوبیت زیستگاه گونه مورد مطالعـه از متغیرهـایینظیـر فاصـله از جـاده و منـاطق مسـکونی نیـز مـیتـوان ایـن مورد را دال بر وجود تعارض میان پلنگ و فعالیتهاي انسـانیدانست. تأثیرپذیري مطلوبیـت زیسـتگاههـاي حیـات وحـش ازجادهها امري است که طی مطالعات مختلف مـورد تأکیـد واقـع

شکل 5. بررسی تأثیر حذف هر یک از متغیرهاي محیطی بر مطلوبیت زیستگاه پلنگ ایرانی (رنگی در نسخه الکترونیکی)
شده، تکه تکه شدن زیستگاهها، عدم دسترسی به منابع، افـزا یش مرگ و میـر و تقسـیم جمعیـت هـاي حیـات وحـش بـه عنـوان عمدهترین اثرات منفی جادهها مطرح شده است (6، 10 و 13).

نتیجهگیري
براساس آنچه تاکنون بیان شد میتوان اظهار داشت که، سیسـتماستنتاج فازي بهعنوان یک روش مستقل از وابستگیهاي معمول به دادههاي حضور یا حضور/عدمحضور، همچنین بهعنوان یـکروش مبتنی بر دانش افراد خبره، گزینه مناسبی جهت مدلسازي

منابع مورد استفاده
مطلوبیت زیستگاه هاي حیات وحش کشور میباشـد . امـري کـهلزوم بهرهگیري از این روش جهت بهبـود و تکمیـل اطلاعـاتمکانی موجود پیرامون زیستگاه هاي حیات وحش کشور بهویـژهدر ارتباط با مناطق و گونـه هـاي کمتـر مطالعـه شـده را مطـرحمیسازد. بیشک بهرهگیري از این گونه مدلها با فـراهم آوردنامکان شناسایی هر چه بهتر لکههاي زیستگاهی به ویژه لکه هـاي زیستگاهی ناشناخته جهت لحاظ شدن در برنامه هـاي حفـاظتی، ابزار مؤثري در طرح ریـزي حفاظـت، پـایش و مـد یریت تنـوع زیستی خواهد بود.
امی ـدي، م.، م. ک ـابلی، م. کرم ـی، ع. م ـاهینی و ب. حس ـنزاده کی ـابی. 1389، م ـدلس ـازي مطلوبی ـت زیس ـتگاه پلن ـگ ایرانی
(Panthera pardus saxicolor) بهروش تحلیل عاملی آشیان بوم شناختی (ENFA) در پارك ملـی کـلاه قاضـی، اسـتان اصـفهان، علوم و تکنولوژي محیط زیست 12(1): 148-137.
عبیداوي، ز. 1394، طراحی سامانه Web GIS حیات وحش استان خوزستان، پایاننامه کارشناسی ارشـد، دانشـگاه شـهید چمـراناهواز.
میرزایی، ر.، م. همامی، ع. اسماعیلی ساري و ح. رضایی. 1392. تعیین پراکنش سارگپه معمولی(Buteo buteo) و عوامل مـ ؤثر بـرآن در استان گلستان با استفاده از الگوریتم انتروپی بیشینه، نخستین کنفرانس بین المللی اکولوژي سیماي سرزمین، اصفهان، ایـرا ن،
8-7 آبان.
.4 Anderson, R. P. and I. Gonzalez-Jr. 2011. Species-specific tuning increases robustness to sampling bias in models of species distributions: An implementation with Maxent. Ecological Modelling 222: 2796-2811.
.5 Escalante, T., G. Rodriguez-Tapia, M. Linaje, P. Illoldi-Rangel and R. Gonzalez-Lopez. 2013. Identification of areas of endemism from species distribution models: Threshold selection and NEARCTIC mammals. TIP Revista Especializada en Ciencias Quimico-Biologicas 16(1): 5-17.
.6 Gelbard, J. L. and J. Belnap. 2003. Roads as conduits for exotic plant invasions in a semiarid landscape. Conservation Biology 17(2): 420-432.
.7 Gibson, L. A., B. A. Wilson, D. M. Cahill and J. Hill. 2003. Modeling habitat suitability of the swamp antechinus (Antechinus minimus maritimus) in the costal heathlands of soutern Victoria, Australia. Biological Conservation 117: 143-150.
.8 Giovanelli, J. G. R., M. F. De-Siqueira, C. F. B. Haddad and J. Alexandrino. 2010. Modeling a spatially restricted distribution in the Neotropics: how the size of calibration area affects the performance of five presence-only methods. Ecological Modelling 221: 215-224.
.9 Jacqain, A., V. Cheret, J. M. Denux, J. Mitcheley and P. Xofis. 2005. Habitat suitability modeling of caperailie (Tetrao urogallus) using each observation data. Nature Conservation 13:161-169.
.01 Jaeger, J. A. G., J. Bowman, J. Brennan, L. Fahrig, D. Bert, J. Bouchard, N. Charbonneau, K. Frank, B., Gruber and K. Tluk von Toschanowitz. 2005. Predicting when animal populations are at risk from roads: an interactive model of road avoidance behavior. Ecological Modelling 185: 329-348.
.11 Khorozyan, I., A. Malkhasyan and Sh. Asmaryan. 2005. The persian leopard prowls its way to survival. Endangered Species update 22(2): 51-60.
.21 Kiabi, H. B., F. B. Dareshouri, A. Ghaemi and M. Jahanshahi. 2002. Population status of the Persian leopard (Panthera pardus saxicolor Pocock, 1927) in Iran. Zoology in the Middle East 26: 41-47.
.31 Lian, X., T. Zhang, Y. Cao, J. Su and S. Thirgood. 2011. Road proximity and traffic flow perceived as potential predation risks: evidence from the Tibetan antelope in the Kekexili National Nature Reserve, China. Wild Research 38: 141-146.
.41 Lu, C. Y., W. Gu, A. H. Dai and H. Y. Wei. 2012. Assessing habitat suitability based on geographic information system (GIS) and fuzzy: A case study of Schisandra sphenanthera Rehd. et Wils. In Qinling Mountains, China. Ecological Modelling 242: 105-115.
.51 Mocq, J., A. St-Hilairea and R. A. Cunjak. 2013. Assessment of Atlantic salmon (Salmo salar) habitat quality and itsuncertainty using a multiple-expert fuzzy model applied to the Romaine River (Canada). Ecological Modelling 265: 14-25.
.61 Mouton, A. M., M. Schneider, I. Kopecki, P. L. M. Goethals and N. De Pauw. 2006. Application of MesoCASiMiR: Assessment of Baetis rhodani Habitat Suitability. Available at: https://www.researchgate.net/publication/228655361.
.71 Pearson, R. G., C. J. Raxworthy, M. Nakamura and A. T. Peterson. 2007. Predicting species distributions from small numbers of occurrence records: a test case using cryptic geckos in Madagascar. Biogeography 34: 102-117.


دیدگاهتان را بنویسید