پیش بینی پراکنش جغرافیایی گونه عقاب شاهی (aquila heliaca) در گستره کشور ایران با بهره ‌گیری از الگوریتم‌های یادگیری ماشین جنگل تصادفی، ماشین بردار پشتیبان و مدل ترکیبی

تغییرات اقلیمی و تخریب زیستگاه‌ها از مهم‌ ترین عوامل تهدید کننده‌ تنوع زیستی و از دلایل اصلی انقراض گونه‌ها در سطح جهانی به ‌شمار می‌روند. در این مطالعه، با هدف مدل ‌سازی و پیش بینی پراکنش جغرافیایی (مکانی) گونه‌ عقاب شاهی (aquila heliaca) در گستره کشور ایران، از الگوریتم‌های یادگیری ماشین نظارت شده استفاده شد. داده‌های حضور گونه از پایگاه داده مکانی باز gbif و متغیرهای زیست ‌اقلیمی و توپوگرافیک به ترتیب از مجموعه داده های مکانی باز worldclim و srtm استخراج و تولید گردید. پس از تنک سازی داده های آموزشی در فضای محیطی و بررسی و کاهش هم ‌خطی بین متغیرهای مستقل، مدل ‌سازی با استفاده از دو الگوریتم یادگیری ماشین نظارت شده جنگل تصادفی و ماشین بردار پشتیبان و همچنین استفاده از یک مدل ترکیبی مبتنی بر دو الگوریتم یاد شده در محیط زبان برنامه نویسی r انجام شد. نتایج ارزیابی عملکرد مدل‌ها با شاخص مقدار مساحت زیر منحنی نشان داد که الگوریتم جنگل تصادفی با مقدار مساحت زیر منحنی برابر با 0.86 از قدرت پیش بینی بالاتری نسبت به مدل‌ ماشین بردار پشتیبان (با مقدار مساحت زیر منحنی برابر با 0.82) در این زمینه عمل نموده است. نقشه‌های تولید شده بر مبنای پیش بینی های الگوریتم های یادگیری ماشین یاد شده نشان دادند که بصورت کلی بخش هایی از مناطق شمالی، غربی، جنوب و جنوب ‌غربی کشور از مطلوبیت بیشتری برای زیست این گونه ها برخوردارند. همچنین در این پژوهش به منظور اخذ توانمندی های هر یک از دو مدل پیش بینی و پوشش نقاط ضعف هر یک از مدل ها با استفاده از یک مدل ترکیبی اقدام به تولید پیش بینی پراکنش جغرافیایی گونه‌ عقاب شاهی در گستره کشور ایران گردید.

prediction of the geographical distribution of the aquila heliaca in iran using random forest, support vector machine, and ensemble machine learning algorithms

climate change and habitat destruction are among the most important factors threatening biodiversity and are the main causes of species extinction globally.in this study, supervised machine learning algorithms were used to model and predict the geographic (spatial) distribution of the aquila heliaca across iran. species presence data were obtained from the gbif open-access spatial database, and bioclimatic and topographic variables were extracted and generated from the worldclim and srtm open-access spatial datasets, respectively. after thinning the training data in environmental space and examining and reducing collinearity among independent variables, modeling was performed using two supervised machine learning algorithms—random forest and support vector machine—as well as an ensemble model based on these two algorithms, within the r programming language environment. the results of model performance evaluation using the (auc) showed that the random forest algorithm, with an auc value of 0.86, demonstrated higher predictive power in this context compared to the support vector machine model (with an auc value of 0.82). the maps produced based on the predictions of the aforementioned machine learning algorithms indicated that, in general, parts of the northern, western, southern, and southwestern regions of the country are more suitable for the species habitat. furthermore, in this study, to leverage the capabilities of each of the two predictive models and address their respective weaknesses, an ensemble model was used to generate a prediction of the geographic distribution of the aquila heliaca across iran.