‌‌‌‌‌‌‌مدل‌سازی مطلوبیت زیستگاه خرس قهوه‌ای (ursus arctos) در منطقه حفاظت‌ شده شیمبار، استان خوزستان

تعیین مطلوبیت زیستگاه های حیات وحش دارای اهمیت به سزایی در برنامه های حفاظت و مدیریت حیات وحش است. لذا در پژوهش حاضر، مدل سازی مطلوبیت زیستگاه خرس قهوه ای در منطقه حفاظت شده شیمبار با استفاده از الگوریتم آنتروپی بیشینه انجام شد. بدین منظور، پس از بررسی و رفع خودهمبستگی مکانی داده های حضور، داده ها به دو دسته داده های آموزش و آزمون تقسیم و به همراه 10 متغیر محیطی (vif<10) انتخاب شده توسط mms، وارد نرم افزار maxent شد. اعتبارسنجی مدل با استفاده از auc و تحلیل جک نایف صورت گرفت. نقشه حضور/عدم حضور نیز براساس دو آستانه lpt و 10% تهیه شد. هم چنین تحلیل جک نایف دیگری جهت حساسیت سنجی مدل و شناسایی متغیرهای محیطی مهم در مدل سازی انجام شد. براساس یافته ها، مدل پیش بینی شده به طور معناداری بهتر از حالت تصادفی می باشد (auc = 0/965 , p = 0/000). به علاوه، 75/20% منطقه به عنوان زیستگاه مطلوب بالقوه خرس شناسایی شد. طبق تحلیل جک نایف، بالاترین میزان موفقیت مدل در پیش بینی مناطق مطلوب بالقوه 46/88% محاسبه شد(p=0/000). هم چنین، متغیر تیپ بندی گیاهی به عنوان مهم ترین عامل موثر بر پراکنش گونه شناسایی شد. براساس یافته ها، موفقیت این روش در مدل سازی مطلوبیت زیستگاه گونه های حیات وحش همچون خرس قهوه ای تایید شده، بهره گیری از آن به عنوان ابزاری نیرومند جهت بهبود اطلاعات زیستگاه های حیات وحش در سطح کشور پیشنهاد می گردد.

Habitat Suitability Modelling of Brown Bear (Ursus arctos) in Shimbar Protected Area, Khuzestan Province

Status determination of wildlife habitats is very important in conservation programs and management of wildlife. So, in this study Ursus arctos habitat suitability was modeled using maximum entropy algorithm (MaxEnt) in Shimbar protected area. In order to model the habitat suitability, after investigating and resolving the spatial autocorrelation of occurrence records, spatially independent localities were divided into the calibration and evaluation sets and then were combined with 10 environmental variables (VIF<10) selected by MMS software. The performance of predictive models was tested using AUC and jackknife validation test. So, we applied two different thresholds, the LPT threshold and 10% threshold to generate presence/absence map. Also other Jackknife tests applied to measure variables importance. The results showed that predictive model was more efficient than random model (AUC=0.980). In addition, the potential suitable areas cover 20.75% of study area. The MaxEnt model had 88.46% success rate and was statistically significant (P = 0.000). Results of Jackknife showed that lsquo;plant type rsquo; variable alone contains valuable information for modelling. Our study demonstrated that habitat suitability was successfully predicted by MaxEnt modelling, so this methodology might provide a powerful tool for improving the wildlife habitats information.