مدل‌سازی مکانی-زمانی آشیان بوم شناختی برای ارزیابی تغییرات محدوده‌ی توزیع جغرافیایی گونه

نوع مقاله : علمی - پژوهشی

نویسندگان

1 گروه تنوع زیستی و مدیریت اکوسیستم، پژوهشکده علوم محیطی، دانشگاه شهید بهشتی، تهران، ایران

2 گروه پویایی کمی تنوع زیستی، گروه زیست شناسی، دانشگاه اوترخت، هلند

چکیده

سابقه و هدف: از دست دادن تنوع‌زیستی یک تهدید جهانی برای بشریت است. برای مقابله با این تهدیدات، سازمان‌های جهانی محیط‌زیستی اهداف و برنامه‌های استراتژیک ویژه‌ای را در قالب چارچوب جهانی تنوع‌زیستی کونمینگ-مونترال برای درک چگونگی تغییرات تنوع‌زیستی در طول زمان و شناسایی عوامل تاثیرگذار بر آن‌ها را به تصویب رساند. برای این منظور، ابزارهای مدلسازی تنوع زیستی به ویژه مدل‌های مطلوبیت زیستگاه (توزیع گونه‌ای) که بعنوان یکی از پرکاربردترین روش‌های شناخته شده برای مطالعات تنوع زیستی محسوب می‌شوند، دارای نقش اساسی هستند. با وجود پیشرفت‌های شگرف در توسعه روش‌های مدلسازی در کنار دسترسی روز افزون به داده‌های مکانی، مدل‌های فعلی در پیش‌بینی دقیق وضعیت و تغییرات تنوع‌زیستی دارای محدودیت‌های جدی هستند‌ که منجر به عدم امکان ایجاد یک چارچوب مناسب برای پایش تنوع زیستی در طول زمان می‌گردد. یکی از مهم‌ترین محدودیت‌های کاربردی این مدل‌ها، ناسازگاری داده‌های ثبت شده به لحاظ فراوانی و گستره مکانی حضور گونه‌ها در بازه‌های زمانی مختلف است. این شرایط امکان توسعه مدل‌های مکانی-زمانی که به منظور درک پویایی و تغییرات توزیع جغرافیایی گونه‌ها در طول زمان ضروری هستند را محدود می‌سازد. هدف از این مطالعه، ارائه یک راه‌حل برای غلبه بر مشکلات ناسازگاری داده‌های تنوع زیستی در طول زمان، و توسعه فرایند محاسباتی برای مدل‌سازی مکانی-زمانی مطلوبیت زیستگاه و سپس کمّی‌سازی تغییرات در توزیع مکانی می‌باشد.

مواد و روش‌ها: از در این مطالعه، برای توسعه مدل مکانی-زمانی تنوع زیستی از داده‌های حضور گونه نوعی بز کوهی (Hippotragus equinus) استفاده شد. داده‌های سری زمانی بلندمدت حضور این گونه بین سال‌های ۱۹۰۱ تا ۲۰۲۰ از پایگاه‌ داده جهانی GBIF به منظور توسعه مدل‌های مکانی زمانی استفاده شده و همچنین از داده‌های سری زمانی تنوع زیستی (فراوانی گونه) در پایگاه‌های اطلاعاتی LPI و BioTime برای اعتبارسنجی ارزیابی تغییرات تنوع زیستی استفاده شد. همچنین داده‌های اقلیمی از پایگاه‌ داده CRUTS استخراج شدند که بر أساس آنها لایه‌های اطلاعاتی ۱۹گانه زیست‌اقلیمی به صورت سالانه تولید گردید. پس از تمیزسازی و آماده‌سازی داده‌های گونه‌ و همچنین انتخاب متغیرهای مناسب در حین آزمایش چندخطی‌گری، داده‌های سری زمانی به صورت یکپارچه در یک جدول داده واحد یا استخر داده گردآوری شدند. در این رویکرد، داده‌های حضور گونه برای هر سال به اطلاعات اقلیمی مربوط به همان سال و مکان پیوند داده شد. سپس برای توسعه مدل مکانی-زمانی و به منظور بهبود کارایی و کاهش عدم قطعیت مدل‌ها، ۱۰ الگوریتم مرسوم یادگیری ماشینی انتخاب شده و مدل‌های مکانی-زمانی کالیبره شدند. پس از اعتبارسنجی مدل‌ها، پیش‌بینی الگوی مکانی توزیع گونه با ترکیب پیش‌بینی‌های حاصل شده از مدل‌های مختلف با استفاده از بکارگیری میانگین‌گیری وزنی (انسمبل) برای هر سال، حاصل شد که منجر به تولید یک سری زمانی ۱۲۰ ساله از پیش بینی-های توزیع مکانی گونه‌ای 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 اعتبار سنجی مدل‌ها نشان داد که کلیه روش‌های مدلسازی از عملکرد بسیار خوبی برخوردار بودند به گونه‌ای که 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 به تدریج کاهش یافته است، در حالی که در کمربند میانی آفریقا، 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 به ترتیب در 88% و 84% نقاط کاهش مطلوبیت زیستگاهی، مدل با داده‌های واقعی همپوشانی دارد، که دقت بالای مدل در پیش‌بینی توزیع و تغییرات گونه‌ای در طول زمان را تأیید می‌کند.

نتیجه‌گیری: راه‌حل ارائه‌شده در این مطالعه نه تنها امکان مدلسازی مکانی-زمانی برای تحلیل الگوهای توزیع گونه‌ها و تغییرات آن‌ها را فراهم می‌کند، بلکه با افزایش دقت در کمی‌سازی آشیان بوم‌شناختی، به بهبود پیش‌بینی الگوهای توزیع مکانی و کاهش عدم اطمینان در ارزیابی‌ها کمک می‌نماید. این رویکرد با ارتقای پوشش و اندازه نمونه‌ها، چالش‌های مربوط به ناسازگاری زمانی داده‌ها را حل کرده و استفاده بهینه از تمامی رکوردهای اطلاعاتی موجود را ممکن می‌سازد. این مطالعه بر اهمیت بعد زمانی در مدل‌های توزیع گونه‌ای تأکید دارد و این رویکرد به ویژه در مناطقی با تغییرات اقلیمی بیشتر، از اهمیت بالایی برخوردار است و می‌تواند در راستای اهداف توسعه پایدار، حفاظت از تنوع زیستی و چهارچوب جهانی KM-GBF به مدیران برای تصمیم‌گیری حفاظتی کمک کند.

کلیدواژه‌ها


عنوان مقاله [English]

Spatio-temporal ecological niche modelling to assess changes in species range

نویسندگان [English]

  • Faraham Ahmadzadeh 1
  • Elham Ebrahimi 1
  • Asghar Abdoli 1
  • Babak Naimi 2
1 Department of Biodiversity and Ecosystem Management, Environmental Sciences Research Institute, Shahid Beheshti University, Tehran, Iran
2 Quantitative Biodiversity Dynamics, Department of Biology, University of Utrecht, The Netherlands
چکیده [English]

Introduction: Biodiversity loss is a global threat to humanity. To address these challenges, international environmental organizations have adopted specific strategic goals and plans within the Kunming-Montreal Global Biodiversity Framework to understand how biodiversity changes over time and to identify the factors influencing these changes. Biodiversity modeling tools, particularly habitat suitability models (species distribution models), play a critical role in this effort. Despite significant advances in modeling techniques and the growing availability of spatial data, current models face serious limitations in accurately predicting biodiversity status and changes, hindering the development of an effective framework for monitoring biodiversity over time. One of the most significant practical limitations of these models is the inconsistency of recorded data in terms of species presence frequency and spatial extent across different time periods. This inconsistency limits the development of spatiotemporal models necessary for understanding species distribution dynamics over time. The objective of this study is to propose a solution to overcome the inconsistencies in biodiversity data over time and to develop a computational process for spatiotemporal habitat suitability modeling. Subsequently, spatiotemporal models were employed to quantify changes in species distribution.

Materials and Methods: In this study, a spatiotemporal biodiversity model was developed using presence data of the Roan antelope (Hippotragus equinus). Long-term species presence data spanning from 1901 to 2020 were sourced from the global biodiversity database GBIF to develop the spatiotemporal models. Additionally, species time series data (abundance data) from the LPI and BioTime databases were used to validate the assessment of biodiversity changes. Climatic data were extracted from the CRU TS database, which was used to generate 19 annual environmental layers. After data cleaning and preparation, and selecting appropriate climatic variables by testing for multicollinearity, the time series data were integrated into a single data table or data pool. In this approach, species presence data for each year were linked to the corresponding climatic data for that year and location. To improve model efficiency and reduce uncertainty, 10 common machine learning algorithms were selected to calibrate the spatiotemporal models. After model validation, spatial distribution predictions for each year were obtained by combining predictions from different models using weighted averaging (ensemble), resulting in a 120-year time series of species distribution predictions. Next, the Sen’s slope estimator function was used to calculate the trend of habitat suitability changes over 120 years for each pixel.

Results and Discussion: The results of model validation demonstrated that all modeling approaches performed exceptionally well, with AUC values ranging from 0.926 to 0.996, indicating high predictive accuracy. Analysis of the biodiversity trend maps over time revealed a gradual decline in the probability of species presence in southern latitudes. In contrast, an increase in presence probability was observed in the central African belt, suggesting shifts in species distribution patterns. Further validation of the results was carried out using time series data on species distribution and abundance from BioTime and LPI sources. This validation showed that the model accurately matched real data in 88% and 84% of the cases where habitat suitability had decreased. These findings confirm the high accuracy of the model in predicting both species distribution and changes over time. This strong correlation between model predictions and actual data underscores the effectiveness of the proposed spatiotemporal models in capturing and reflecting real-world biodiversity trends.

Conclusion: The proposed solution in this study not only enables spatiotemporal modeling for analyzing species distribution patterns and their changes but also improves the accuracy of ecological niche quantification, enhancing spatial distribution predictions and reducing uncertainty in assessments. This approach addresses temporal data inconsistency challenges by increasing sample size and coverage, allowing optimal use of all available records. This study emphasizes the importance of the temporal dimension in species distribution models, particularly in regions with significant climatic changes, and can assist managers in making conservation decisions aligned with sustainable development goals, biodiversity conservation, and the KM-GBF global framework.

کلیدواژه‌ها [English]

  • spatio-temporal species distribution model
  • data inconsistency
  • biodiversity changes
  • long-term time series of climate data
  • machine learning