پیش بینی مطلوبیت زیستگاه میگوی آب شیرین در حوضه آبریز تالاب انزلی با استفاده از مدل ماشین بردار پشتیبان

پیش بینی مطلوبیت زیستگاهی میگوی آب شیرین (nipponense macrobrachium) اهمّیت به سزایی در مدیریت بوم‌سازگان‏های آبی دارد. برای پیش‏بینی مطلوبیت زیستگاهی این میگو، 6 ایستگاه از قسمت‏های مختلف حوضه آبریز تالاب انزلی انتخاب گردید که در نیمی از این ایستگاه‏ها گونه حضور داشت (36 مورد) و در نیمی دیگر از ایستگاه‏ها گونه حضور نداشت (36 مورد بقیه). در کل، 15 فاکتور متشکل از متغیر‏های کیفی آب، دینامیکی و ساختاری محیط در هر ایستگاه هم زمان با متغیر زیستی (حضور/عدم حضور میگو) بصورت ماهیانه در بازه زمانی یک سال (1397-1398) با نمونه برداری از آب، اندازه گیری شد. پیش‏بینی‌ مدل بر اساس هر دو معیار (درصد داده‌های صحیح طبقه‏بندی شده و کاپای کوهنی)  قابل اعتماد بود. چون معیار‌های پیش‏بینی‌ از سطح آستانه فراتر رفتند (درصد داده‌های صحیح طبقه‏بندی شده > 70% و کاپای کوهنی >0.6). نتایج مدل ماشین بردار پشتیبان نشان داد کاهش جمعیت و یا حتی عدم حضور میگو ممکن است ارتباط بسیار تنگاتنگی با افزایش سرعت جریان آب، عمق آب، میزان شوری، هدایت الکتریکی، غلظت سدیم و کلراید داشته باشد. بر اساس پیامد‏های مدل، ازدیاد غلظت سایر فاکتورهای کیفی آب مثل غلظت پتاسیم، سولفات و سختی کل نقش بینابینی و ازدیاد غلظت ارتو فسفات، نیترات و اکسیژن خواهی زیستی نقش بسیار کمی در پیش‏بینی زیستگاه میگو دارند. بر خلاف متغیرهای ذکر شده، نتایج مدل نشان داد که افزایش غلظت برخی از متغیرها مثل اکسیژن محلول، اسیدیته و  کدورت آب ممکن است احتمال حضور میگو را در مناطق نمونه برداری افزایش دهد. با توجه به فاکتور‏های پیش‏بینی شده توسط مدل، اهمیت این فاکتور‏ها در نمونه برداری آینده برای میگو باید بیشتر مورد توجه قرار گیرد.

Predicting the habitat suitability of freshwater shrimp in Anzali wetland watershed using support vector machine model

The prediction of the habitat suitability of freshwater shrimp (Macrobrachium nipponense) is an important issue for managing the aquatic ecosystems. Six sampling sites were selected from different parts of the catchment area of ​​Anzali wetland to predict the habitat conditions of freshwater shrimp in which the species was present in three sampling sites (36 instances) and it was absent in the remaining of the sampling sites (36 instances). In total, fifteen environmental factors consisting of water quality, dynamic and structural variables were monthly sampled based on the biological variable (the presence/absence of shrimp) over oneyear sampling period (13971398). The prediction of SVM was reliable based on the two predictive performances (CCI% and Cohen kappa) since both predictive performances exceeded the threshold values (CCI%> 70% and Cohen kappa>0.70). The results of the support vector machine model showed that the population decline or even the absence of shrimp might have a very close relation with increasing water flow velocity, water depth, salinity, electric conductivity, sodium and chloride concentrations. Based on the model outcomes, increasing the concentration of other water quality variables including potassium, sulfate and total hardness might have an intermediate impact and increasing the concentration of orthophosphate, nitrate and biological oxygen demand might have less impact on the prediction of the shrimp habitat. Contrary to the abovementioned variables, the results of the applied model showed that increasing the concentration of some variables such as dissolved oxygen, acidity and water turbidity might increase the probability of the shrimp presence in the sampling locations. Based on the factors predicted by the model, the importance of these factors should be considered for freshwater shrimp in future monitoring.