فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: ازدست‌دادن تنوع‌زیستی تهدیدی جهانی برای انسان‌ها محسوب می‌شود. برای مقابله با این تهدیدها، سازمان‌های جهانی محیط‌زیستی اهداف و برنامه‌های استراتژیک ویژه‌ای را در قالب چارچوب جهانی تنوع‌زیستی کونمینگ‌– مونترال، به‌منظور درک چگونگی تغییرات تنوع‌زیستی در طول زمان و شناسایی عوامل تأثیرگذار در آنها، تصویب کردند. بدین‌منظور ابزارهای مدل‌سازی تنوع زیستی، به‌ویژه مدل‌های مطلوبیت زیستگاه (توزیع گونه‌ای) که از پرکاربردترین روش‌های شناخته‌شده برای مطالعات تنوع زیستی محسوب می‌شوند، نقشی اساسی دارند. با وجود پیشرفت‌های شگرف در توسعۀ روش‌های مدل‌سازی در کنار دسترسی روزافزون به داده‌های مکانی، مدل‌های فعلی در پیش‌بینی دقیق وضعیت و تغییرات تنوع‌زیستی محدودیت‌های جدی دارند؛ این مسئله به ناممکن‌بودن ایجاد چارچوبی مناسب برای پایش تنوع زیستی در طول زمان منجر می‌شود. یکی از مهم‌ترین محدودیت‌های کاربردی این مدل‌ها ناسازگاری داده‌های ثبت‌شده، به‌لحاظ فراوانی و گسترۀ مکانی حضور گونه‌ها در بازه‌های زمانی متفاوت است. این شرایط امکان توسعۀ مدل‌های مکانی‌– زمانی را که در درک پویایی و تغییرات توزیع جغرافیایی گونه‌ها طی زمان ضروری‌اند، محدود می‌کند. هدف از این مطالعه بیان راه‌حلی برای غلبه بر مشکلات ناسازگاری داده‌های تنوع زیستی در طول زمان، و توسعۀ فرایند محاسباتی برای مدل‌سازی مکانی‌– زمانی مطلوبیت زیستگاه و سپس کمّی‌سازی تغییرات در توزیع مکانی است.مواد و روش‌ها: در این مطالعه، برای توسعۀ مدل مکانی‌– زمانی تنوع زیستی، از داده‌های حضور گونۀ نوعی بز کوهی (Hippotragus equinus) استفاده شد. داده‌های سری زمانی بلندمدت حضور این گونه بین سال‌های ۱۹۰۱ تا ۲۰۲۰ از پایگاه‌ دادۀ جهانی GBIF، به‌منظور توسعۀ مدل‌های مکانی‌– زمانی، و همچنین داده‌های سری زمانی تنوع زیستی (فراوانی گونه) در پایگاه‌های اطلاعاتی LPI و BioTime برای اعتبارسنجی ارزیابی تغییرات تنوع زیستی به کار رفت. به‌علاوه، داده‌های اقلیمی از پایگاه‌ دادۀ CRUTS استخراج شدند که براساس آنها، لایه‌های اطلاعاتی نوزده‌گانۀ زیست‌اقلیمی به‌صورت سالیانه تولید شد. پس از پاک‌سازی و آماده‌سازی داده‌های گونه‌ و انتخاب متغیرهای مناسب در حین آزمایش چندخطی‌گری، داده‌های سری زمانی به‌صورت یکپارچه در جدول دادۀ واحد یا استخر داده گردآوری شدند. در این رویکرد، داده‌های حضور گونه متعلق به هر سال به اطلاعات اقلیمی همان سال و مکان پیوند داده شد. سپس برای توسعۀ مدل مکانی‌– زمانی و به‌منظور بهبود کارآیی و کاهش عدم‌قطعیت مدل‌ها، ده الگوریتم مرسوم یادگیری ماشینی انتخاب و مدل‌های مکانی‌– زمانی کالیبره شدند. پس از اعتبارسنجی مدل‌ها، الگوی مکانی توزیع گونه با ترکیب پیش‌بینی‌های حاصل از مدل‌های گوناگون، با استفاده از میانگین‌گیری وزنی (انسمبل) برای هر سال، پیش‌بینی شد؛ این کار به تولید سری زمانی ۱۲۰ساله شامل پیش‌بینی‌های توزیع مکانی گونه‌ای 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 مدل‌ها نشان داد که تمامی روش‌های مدل‌سازی از عملکرد بسیار خوبی برخوردار بودند؛ به‌گونه‌ای‌که شاخص AUC برای این مدل‌ها بین 996/0 و 926/0 محاسبه شد. تحلیل نقشه‌های روند تغییرات تنوع زیستی در طول زمان نشان داد که در عرض‌های جنوبی، احتمال حضور گونه به‌تدریج کاهش یافته است؛ درحالی‌که در کمربند میانی افریقا، افزایش احتمال حضور این گونه مشاهده می‌شود. صحت‌سنجی نتایج، با استفاده از داده‌های سری زمانی توزیع و فراوانی گونه‌ از منابع BioTime و LPI، نشان داد که به‌ترتیب در 88% و 84% نقاط کاهش مطلوبیت زیستگاهی، مدل با داده‌های واقعی هم‌پوشانی دارد؛ ‌این مسئله دقت بالای مدل را در پیش‌بینی توزیع و تغییرات گونه‌ای در طول زمان تأیید می‌کند.نتیجه‌گیری: راه‌حل ارائه‌شده در این مطالعه، افزون بر اینکه امکان مدل‌سازی مکانی‌– زمانی برای تحلیل الگوهای توزیع گونه‌ها و تغییرات آنها را فراهم می‌آورد، با افزایش دقت در کمّی‌سازی آشیان بوم‌شناختی، به بهبود پیش‌بینی الگوهای توزیع مکانی و کاهش عدم اطمینان در ارزیابی‌ها کمک می‌کند. این رویکرد با ارتقای پوشش و اندازۀ نمونه‌ها، چالش‌های در زمینۀ ناسازگاری زمانی داده‌ها را حل می‌کند و استفادۀ بهینه از تمامی رکوردهای اطلاعاتی موجود را ممکن می‌سازد. این مطالعه بر اهمیت بُعد زمانی در مدل‌های توزیع گونه‌ای تأکید دارد و این رویکرد، به‌ویژه در مناطقی با تغییرات اقلیمی بیشتر، از اهمیت فراوانی برخوردار است و می‌تواند در راستای اهداف توسعۀ پایدار، حفاظت از تنوع زیستی و چارچوب جهانی KM-GBF به مدیران برای تصمیم‌گیری حفاظتی کمک کند.