مدل‌سازی مبتنی بر یادگیری عمیق توزیع مکانی دوزیستان برای ارزیابی اثر بخشی مناطق تحت حفاظت

آنالیزگپ مبتنی بر مدل‌سازی توزیع گونه‌ای (sdms)، ابزاری کلیدی برای ارزیابی عملکرد مناطق تحت حفاظت و شناسایی گپ‌های حفاظتی است. بنابراین بهبود دقت و اعتبار sdms می‌تواند به تحقق استراتژی‌های چارچوب جهانی حفاظت از تنوع‌زیستی کمک کند. هدف از این مطالعه، ارتقاء روش های آنالیزگپ با استفاده از مدل‌سازی برپایه هوش مصنوعی با استفاده از یادگیری عمیق و رفع برخی از محدودیت های روش های سنتی مدل سازی در آنالیزگپ با استفاده از رویکرد فازی در محاسبه درجه مطلوبیت زیستگاه و نهایتاً ارزیابی کارایی آنالیزگپ در شناسایی گپ های حفاظتی می باشد. لذا از روش cnn-sdm، مبتنی بر یادگیری عمیق، برای شناسایی روابط پیچیده بین توزیع مکانی گونه‌ها و شرایط محیطی استفاده شد. داده‌های اقلیمی worldclim و حضور 45 گونه دوزیست در جنوب غرب آسیا از پایگاه gbif برای کالیبره کردن مدل استفاده شد. پس از تولید نقشه مطلوبیت زیستگاهی، گونه‌ها براساس درجه تهدید در فهرست سرخ iucn وزن‌دهی شدند و نقشه غنای گونه‌ای وزنی ایجاد شد. برای رفع محدودیت‌های داده‌های باینری، از مقیاس‌گذاری فازی استفاده شد که تغییرات کیفیت زیستگاه را پیوسته در بازه‌ای بین 0 و 1 نمایش می‌دهد. برای پیش‌بینی آینده، سناریوهای اقلیمی ssp126 و ssp585 برای سال‌های 2060 و 2100 بررسی شدند. مقایسه نقشه‌های غنای گونه‌ای وزنی و رویهم‌گذاری مرسوم نشان داد که 43% از زیستگاه‌های دوزیستان در معرض تهدید در روش رویهم‌گذاری نادیده گرفته می‌شود. نتایج تایید کرد در بدترین سناریو اقلیمی، اگرچه 85% از زیستگاه‌های مطلوب در مناطق تحت حفاظت حفظ می‌شود اما میانگین ارزش پیکسل‌های مطلوب در این مناطق به‌طور معناداری کاهش می‌یابد بطوریکه مطلوبیت زیستگاهی فازی برای 97% از گونه‌ها کاهش خواهد یافت. مدل cnn-sdm نشان داد با auc برابر با 0.94و tss برابر با 0.89دقت بالایی در پیش‌بینی توزیع گونه‌ها دارد. این مطالعه تاکید بر ارتقاء روش‌های آنالیزگپ و رفع محدودیت‌های روش‌های سنتی دارد.

deep learning-based modeling of amphibian spatial distribution for assessing the effectiveness of protected areas

the gap analysis based on species distribution modeling (sdms) is a essential tool for evaluating the performance of protected areas and identifying conservation gaps. improving the accuracy and reliability of sdms can significantly aid in implementing strategies under the global biodiversity framework. this study aimed to enhance gap analysis methods through deep learning-based modeling and to overcome some limitations of traditional gap analysis approaches by using a fuzzy approach to calculate habitat suitability, ultimately assessing the efficacy of gap analysis in identifying conservation gaps. the study employed the cnn-sdm deep learning-based method to identify complex relationships between species’ spatial distributions and environmental conditions. worldclim data and records of 45 amphibian species from the gbif in southwest asia were used to calibrate the model. after generating habitat suitability maps, species were weighted according to their threat levels in the iucn red list, creating a weighted species richness map. to address the limitations of binary data, a fuzzy approach was used to represent habitat quality on a continuous scale from 0 to 1. future predictions were made using the ssp126 and ssp585 climatic scenarios for the years 2060 and 2100. the comparison of weighted species richness maps and stacked richness revealed that 43% of threatened amphibian habitats were overlooked by the stack binary method. results confirmed that under the worst climate scenario, while 85% of suitable habitats remain within protected areas, the average pixel value of habitat suitability within these areas significantly decreases, with fuzzy habitat suitability declining for 97% of the species. the cnn-sdm model demonstrated high accuracy, with an auc of 0.94 and a tss of 0.89. this study highlights the need for enhancing gap analysis methods and addressing the limitations of traditional approaches