مدلسازي پراكنش مكاني حملات گرگ( Canis lupus pallipes) به
انسان در استان همدان با استفاده از الگوريتم ژنتيك( GARP)؛
مطالعه موردي: استان همدان

1* 2 3 2 ندا بهداروند، محمد كابلي، رضا ابراهيم پور، بهمن جباريان اميري
چكيده

در دهههاي اخير به دليل رشد مداوم جمعيتهاي انساني همراه با افزايش استفاده از منابع و تخريب زيستـگـاه،تضادهاي ميان انسان و گوشتخواران تا حد زيادي گسترش يافته است. جهت كاهش چنين تضادهايي بر اساس يـكدرك روشن از الگوهاي تضاد، به كارگيري روشهاي مدلسازي توزيع گونهها ابزارهاي سودمندي محسوب مي شونـد.
تضاد شديدي كه در سالهاي اخير ميان گرگ با جوامع محلي استان همدان بوجود آمده، نمونهاي روشن از اين مسئله است. در اين پژوهش توان مدلسازي الگوريتم ژنتيك( GARP) براي توزيع حملات گرگ در سطح استان همدان طي سالهاي 1390-1384 مورد بررسي قرار گرفت و براي ارزيابي عملكرد مدل از روش آماري سطح زير منحنـيROC استفاده شد. يافت ههاي اين بررسي نشان داد كه در مجموع روش مدلسازي استفاده شده در اين مطالعه عـمـلـكـردبسيار خوبي (سطح زير منحني = 0/856 ) در پيشبيني توزيع حملات گرگ به انسان داشته است. همچنين بر اسـاسنتايج حاصل از تحليل حساسيت در حملات گرگ به انسان متغيرهاي پوشش اراضي، تراكم جمعيت انساني و فاصله از جاده از مهمترين پارامترهاي تاثير گذار بودند. نتايج اين تحقيق مي تواند جهت برنامهريزي براي شكل گيـري طـرحمديريت سازشي با هدف حفاظت از گرگ و كاهش تضاد با جوامع محلي مورد استفاده قرار گيرد .

كليد واژهها: استان همدان، تضاد انسان-گرگ، الگوريتم ژنتيك مبتني بر مجموعه قواعد براي پيشبيني( GARP)،
مدلسازي توزيع حملات
همپوشاني داشته باشد. در دهه هاي اخير تضاد بين منافـع
انسان و حيات وحش در بسياري از نقاط دنيا افزايش يافته است. عواملي مانند روند رو به رشد جمعيت انساني، تغييـركاربري اراضي، تخريب زيستگاه و نظاير آنها در افـزايـش مقدمه
بر اساس تعريف اتحاديه بين المـلـلـي حـفـاظـت ازطبيعت4، تضاد بين انسان و حيوانات وحشي زماني شـكـلميگيرد كه نيازهاي انساني با نيازهاي حيـوانـات وحشـي

فارغ التحصيل كارشناسي ارشد محيط زيست، گروه محيط زيست، دانشكده منابع طبيعي، دانشگاه تهران، ايران * نويسنده مسئول: ايميل:n.behdarvand@yahoo.com
استاديار گروه محيط زيست، دانشكده منابع طبيعي، دانشگاه تهران، ايران
استاديار گروه الكترونيك، دانشكده برق و كامپيوتر، دانشگاه تربيت دبير شهيد رجائي، ايران
4 . International Union for Conservation of Nature
اين تضاد نقش بسزايي داشته است. بيشترين تضـاد بـيـنانسان و حيات وحش در رابطه با گوشتخواران بزرگ جـثـهگزارش شده است. حملات شير در تـانـزانـيـا، گـرگ دركشورهاي آسيايي و خرس قهوهاي در آمريكاي شـمـالـينمونههايي از بروز اين تعارضات مـي بـاشـد( 20 و03) .
فراواني گونههاي طعمه و گستره خانگي بزرگ، دو نـيـازبومشناختي گوشتخواران است كه سبب مـي شـود تـا درتضاد مستقيم با انسانها قرار گيرند. تبديل اراضي طبيعـيبه كشتزارها، تفكيك زيستگاهها و اشغـال آنهـا تـوسـطانسان و به دنبال آن كاهش طعمههاي طبيعي سبب شـدهكه اين گونهها براي تأمين نيازهايشان به سكونـتـگـاههـايانساني نزديك شده و از حيوانات اهلي و گاهي انسان تغذيه كنند و اين امر باعث شدت تضاد بين انسان و اين دسته از حيوانات ميشود( 31 و 30). چنين تضادهايي مـيتـوانـداثرات مالي و جاني قابل توجهي بر جوامع روستايي داشتـهباشد، زيرا كساني كه در مجاورت با گوشتخواران زنـدگـيميكنند اغلب جزء قشرهاي كم درآمد جامعه مـحـسـوبميشوند. اين عوامل مي تواند سبب كاهش بردباري مـردممحلي نسبت به گوشتخواران و كاهش همكاري بوميان درحفاظت از آنها و ديگر گونههاي حيات وحش شود( 11 و 17). مردم به اين تضادها بيشتر با كشتن گـوشـتـخـوارانبزرگ جثه به روشهاي مختلف پاسخ ميدهند (26) امـاكشتن اين حيوانات كه در رأس زنجيره غذايي قرار دارند و نقش مهمي را در اكوسيستمهاي طبيعي ايفا مـي كـنـنـد،خود باعث بروز مشكلات ديگري ميشود( 31).

1. Genetic Algorithm for Rule -Set Prediction 2. Presence only
موفقيت در حفاظت از جمعيتهاي گوشتـخـواران درحالي كه تعاملات زيانبار آنها با جوامع انساني محدود نگه داشته شود، اغلب دشوار بوده و به توانايي مـديـران بـرايكاهش چنين تضادهايي بر اساس يـك درك روشـن ازالگوهاي تضاد انسان با گوشتخواران بستگي دارد (13 و 35). مديران حفاظت از تنوع زيستي بـايـد بـا بـررسـيوضعيت پيشرفت تضادهاي انسـان و گـوشـتـخـواران و دخالتهاي مناسب از اين پيشامدها جلوگيري كنند ( 31).
اخيراً بهكارگيري روشهاي مدلسازي توزيع گونهها در بوم شناسي، حفاظت و مديريت سرزمين ( 33) به عنوان ابزاريسودمند و كم هزينه براي مديريت تـعـارضـات انسـان وگوشتخواران معرفي شده است ( 16). اغـلـب مـدل هـايپيشبيني توزيع گونه، بر مفهوم آشيـان بـومشـنـاخـتـيهاچينسوني استوار هستند ( 91 و 21). اسـاس كـار ايـنمدلها كمي كردن روابط ميان توزيع گونه و محيط زيست پيرامون آن ميباشد ( 9) . روشهاي متعددي براي فرآيـنـدمدلسازي وجود دارد كه از جمله آنها ميتوان بـه مـدلالگوريتم ژنتيك( GARP) 1 اشاره كرد كه در طي سالهاي اخير كاربرد گستردهاي در مدلسازي توزيع گونهها داشتـه( 21، 82 و 29) و از روش هاي مدلسازي با دادههاي فقـطحضور2 به شمار ميرود( 7).
در اغلب نقاط دنيا، مطالعات در مورد گـرگ در درونمرزها و يا در مجاورت مناطق حفاظت شده صورت گرفتـهاست. با اين حال، مي توان اذعان كرد كه درگـيـري هـا درسطوح مختلف دور از مناطق حفاظت شده نيـز بـه طـورگسترده وجود دارد ( 6، 41 و 15)، همان گونه كه در سال-هاي اخير تضاد شديدي بين گرگ با جوامع محلي اسـتـانهمدان بهوجود آمده و در بعضي از شهرسـتـانهـاي ايـناستان تلفات انساني قابل توجهي به وقوع پيوسـتـه اسـت (اداره كل حفاظت محيط زيست استان هـمـدان،1390) .
گرگها اخيراً در چشم اندازهـاي كـاربـريهـاي مـجـاور
سكونتگاههاي انساني زندگي ميكنند كه سـبـب ايـجـادريسك بالاي طعمه خواري گرگ در اين مناطق شده است .
گرگها براي ساكنان اين مناطق اغلب به يك عامل تهديـد
امنيت تبديل شدهاند و استرسهاي روانـي زيـادي را درميان جوامع بومي منطقه بهوجود آوردهاند. در اين مطالعـهتلاش شده تا مناطق با ريسك بالا از نظر بروز تعارض ميان انسان و گرگ در اين استان تعيين و همچنين عوامل مؤثـربر افزايش اين تعارضات شناسايي گردد.
مواد و روشها منطقه مورد مطالعه
متغيرهاي مستقل زيستمحيطي
از شمال به استانهاي زنجان و قزوين، از شرق به اسـتـان
بر اساس مرور منابع صورت گرفته و با توجه به منطقه
مركزي، از جنوب به استان لرستان و از غرب به استانهاي
مورد مطالعه، آن دسته از متغيرهاي زيستگاهي كه به نظـر
كرمانشاه و كردستان محدود شده و بـراسـاس آخـريـن
ميرسيد بر افزايش آسيب پذيري يك منطقه نسـبـت بـه
تقسيمات كشوري در سال 1385 شامل 8 شهرستان،72
حمله گرگ مؤثر باشند، براي مدلسازي انتخاب شد. ايـن
متغيرها شامل تراكم جمعيت انساني، تراكم دام، فاصلـه ازجاده، فاصله از رودخانه، تنوع پستي و بلندي و كـاربـرياراضي ميباشد. متغيرهاي مورد نظـر بـا انـدازه سـلـول 100× 100 متر در محيط Arc GIS 9.3 رستري شـدنـد.قبل از انجام تجزيه و تحليل، ميزان همبستگي متغيرها بـااستفاده از تابع PCA در نـرمافـزار Idrisi Klimanjaro بررسي شد. از آنجا كه ميزان همبستگي بين متغـيـرهـايزيستمحيطي كمتر از 8/0 بود هيچكدام از متغـيـرهـا ازتجزيه و تحليل حذف نشدند. استان همدان ،1385).
روش پژوهش
لايههاي اطلاعاتي مورد نياز در اين مطالعه را ميتـوانبه دو دسته شامل لايه نقاط حضـور گـونـه و لايـههـايمتغيرهاي مستقل زيستمحيطي طبقه بندي كرد.
لايه نقاط حضور
بر اساس گزارشات موثق پرداخت خسارت مربـوط بـه
شهر ،23 بخش و 27 دهستان ميباشد (سالنـامـه آمـاري

تصوير شماره 1- موقعيت استان همدان در غرب كشور و شهرستانهاي تابعه اين استان
استان همدان با مساحت 19493 كيلومتر مـربـع درغرب ايران، بين عرضهاي جغرافيايي 33 درجـه و95 دقيقه تا 53 درجه و 84 دقيقه شـمـالـي و طـولهـايجغرافيايي 74 درجه و 43 دقيقه تا 94 درجه و 63 دقيقـهشرقي واقع شده است. اين استان از نظر محدوده سياسـي،
حملات گرگ به انسان در فاصله سالهـاي 1390-1384 موجود در ادارات محيط زيست شهرسـتـانهـاي اسـتـانهمدان، فهرستي از محلهاي حمله تهيه شد. سـپـس بـامراجعه به روستاهاي ذكر شده در فهرست و با استناد بـهمشاهدات مردم محلي و محيطبانان تعداد 13 نقطه حملـهشناسايي و مختصات اين نقاط با استفاده از GPS ثبت شد. الگوريتم مدلسازي
در اين پژوهش از GARP براي پيشبينـي تـوزيـعحملات گرگ به انسان استفاده شد. ايده سيستـم مـدل-سازي GARP مبتني بر الگوريتم ژنتيك است كه اولـيـنبار توسط Holland در سال 1975 مطرح شد .GARP يك الگوريتم يادگيري ماشيني است كه نرمافزار آن توسط Stockwell and Noble در سال 1991 بـراي فـرآيـنـدمدلسازي توزيع گونهها توسعه يـافـت. مـدل GARP از روشهاي فقط حضور محسوب ميشود و از يك مجمـوعـهقواعد يا ارتباطات (اگر – سپس) براي مدل هاي پيشبينـيتوزيع جغرافيايي گونهها استفاده مينمايد( 52 و 72).
پيشبيني ميكند)، قاعده GARP كه مشابـه Envelop مدلها كه زير آستانه 5 درصد خطاي حذف شدگي2 قـرارميباشد به استثناء اينكه بعضي متغيرها ميتوانند ارتباطي داشتند، انتخاب شدند. نقشههاي پيشبيني ساختـه شـدهبه حضور يا عدم حضور گونه نداشته باشنـد (مـتـغـيـري توسط مدل GARP تنها مقدار دوتايـي حضـور و عـدم
حضور را ارائه ميكنند. بنابراين تعداد01 نقشه پيشبينـيموجود در پوشه بهترين زير مجموعه، در محيط 9.3 Arc GIS با هم تلفيق و به يك نقشه پيوسته ( 0 تا1 ) تبـديـلشده و به عنوان نقشه نهايي احتمال حملـه گـرگ ارائـه بيارتباط در نظر گرفته ميشود كه نقاط حضور گـونـه درهمه محدودههاي آن متغير وجود داشته بـاشـد)، قـاعـده Logit كه تا حدودي مشابه رگرسيون لجستيك اسـت و قاعده Atomic كه براي پيشبيني، نيـازمـنـد مـقـاديـر
مشخصي از هر متغير ميباشد (اگر دما 128 درجه سانتي-گرديد( 3).
گراد و ارتفاع 300 متر بالاي سطح دريا باشد آنگـاه مـدل
حساسيت سنجي و تعيين متغيرهاي مؤثر بر حملات پيشبيني ميكند كه آن نقطه، نقطه عدم حضور گـونـه
است.) گرگ
جهت بررسي ميزان تأثير متغيرهاي مستقـل زيسـتدر تعريف الگوريتم ژنتيك، هر قاعده عضـوي از يـك محيطي بر حملات گرگ به انسان، پس از اجراي مدل بـاجمعيت و هر تكرار يك نسل محسوب ميشود. در هر نسل سري دادههاي كامل، مدل به تعداد متغيرهـاي مسـتـقـل
مجموعه قواعد ارزيابي، تكثير و جهش مييابند و در نهايت دوباره اجرا شد؛ با اين تفاوت كه اين بار در هـر مـرحلـه

1. Crossover
.2 Omission

اين مدل شامل يك فرآيند تكراري از انتخاب قاعدههـا،ارزيابي، تكرار و تلفيق يا حذف قواعد است. هر نوع قـاعـدهيك روش خاص را براي ساخت مدلهاي پيشبيني گـونـهبكار ميگيرد. در اين نرم افزار از چهار نوع قاعده استـفـادهميشود؛ قاعده Envelop كه محدودهاي از هر متغيـر راجهت پيشبيني حضور گونه نياز دارد (براي مثال اگر دمـابين 92 و 33 درجه سانتيگراد و بارندگي بيـن 609 تـا1420 ميليمتر باشد آنگاه مدل، نقاط حضـور گـونـه رانيز يك مجموعه قاعده انتخاب ميشود كه بهتريـن وجـهممكن ارتباط بين حضور گونه و مؤلفههاي مـحـيـطـي رانشان دهد. فرآيند كلي الگوريتم ژنتيك شامل مقـداردهـياوليه ساختارهاي جمعيتي، انتخاب تصـادفـي يـك زيـرمجموعه داده، ارزيابي جمعيت جـاري، ذخـيـره كـردنبهترين قواعد، توقف اجراي الگوريتم يا ادامه دادن، انتخاب جمعيت جديد با استفاده از بهترين قواعد ذخيره شـده ونسلهاي تصادفي، اعمال عملگرهاي جهش و تقاطـع 1 بـهجمعيت و مجدداً بازگشت به مرحله دوم (انتخاب تصادفـييك زير مجموعه داده) است . دفعات تكرار و اتمام فرآيـنـدالگوريتم ژنتيك توسط كاربر تعيين ميشود( 27).
فرآيند مدلسازي در نرم افزار Desktop Garp نسخه
6.1.1 اجرا شد( 36). در اين پژوهش 70 درصـد نـقـاطحضور به صورت تصادفي براي ساخت مدل و 30 درصـدباقيمانده براي ارزيابي مدل استفاده شد. هر چـهـار نـوعقاعده Logit ،Garp ،Envelop و Atomic در فـرآيـنـدمدلسازي بكار گرفته شد. مدلسازي به تـعـداد 100 بـاربراي حملات گرگ به انسان انجام شده و فرآيند انـتـخـاببهترين زير مجموعه اجرا گرديد. سپس 10 درصـد كـلاجراي مدل يكي از متغيرهاي مستقل حذف و مـدل بـامتغيرهاي مستقل باقيمانده اجرا گرديد. مزيت اين كار درحساسيت سنجي متغيرها و تعيين ميزان اثر متغيرهـا درمدل نهايي است. پس از هر بار اجرا ميزان ROC مـدلاستخراج گرديده و بر اساس ميزان تفاوت حاصل شده بـامدل سري دادههاي كامل، اثر تك تك متغيرهاي مستقـلمحاسبه گرديد( 2). براي آزمون حساسيت مدلها از تابـع ROC نرم افزارIdrisi Klimanjaro استفاده شد.
بررسي اعتبار مدل

تصوير شماره 2- نقشه پيشبيني حملات گرگ به انسان بر اساس روشGARP در استان همدان
براي ارزيابي مدلهاي پيشبيني از منـحـنـيROC استفاده شد. سطح زير منحني( AUC) برابر با احـتـمـالقدرت تشخيص ميان نقاط حضور و عدم حضور توسط يك مدل است( 23). مقادير مختلف سطح زير منحنـي بـيـن5/0 تا 1 است. چنانچه سطح زير منحني بـرابـر بـا5/0 باشد، بيان كننده تصادفي بودن مدل بوده و اگر اين مقدار برابر با 1 باشد، مدل به بهترين نحو ميتواند نقاط حضور و عدم حضور را از يكديگر تفكيك نمايد. سطح زير منحـنـيبين 7/0 تا 8/0 بيانگر يك مدل خوب، بين 8/0 تـا9/0 مدل عالي و سطح زير منحني بيش از 9/0 نشـان دهـنـدهقدرت تشخيص بسيار عالي مدل ميباشد( 8 و 21). جهتاستفاده از منحني ROC علاوه بر نمونههاي مثبت يا نقاط حضور، احتياج به نمونههاي منفي (نـقـاط عـدم حضـورواقعي/ كاذب) است( 24). براي اين منظور منطقـه مـوردمطالعه به سلولهاي 41× 41 كيلومتري به اندازه متـوسـطگستره خانگي گرگها ( 5 و 13) تقسيم و با اسـتـفـاده ازجدول اعداد تصادفي، هر سلول از نظر حضور و عدم حضور گونه بررسي شد. سلول هايي كه حمله گرگ در آنها ثبـتشده بود به عنوان سلول حضور در نظر گرفته شده و نقاط عدم حضوري كه در اين سلولهاي حضور قرار ميگـرفـت،از آناليز حذف شد ( 91 و 34). براي اجراي منحني ROC از نرم افزار 16.0 SPSS استفاده شد.
نتايج
تصوير شماره 2 نقشه پيشبيني حمـلات گـرگ بـهانسان را بر اساس روش الگوريتم ژنتيك نشان ميدهد. دراين نقشه بيشتر تمركز حملات در شهرستان هاي بهـار وكبودر آهنگ مشاهده ميشود. همچنين مطابق با نـقـشـهپيشبيني، در آينده احتمال پراكنش حمـلات گـرگ درتمام سطح استان همدان وجود دارد.
نمودار 1 نتايج مربوط به سنجش حساسيت مدلهـايبدست آمده از روش GARP جهت تعيين مـتـغـيـرهـايتأثيرگذار بر حملات گرگ به انسان را نشان مـي دهـد. بـاتوجه به نتايج بدست آمده متغيرهاي پوشش اراضي، تراكم جمعيت انساني و فاصله از جاده در ساخت نقشه پيشبيني حملات گرگ به انسان مؤثر نشان داده ميشود.
به منظور بررسي قدرت تشخيص و پيشبيـنـي مـدلGARP از تحليل منحني ROC استفـاده شـد. نـتـايـجحاصل از تحليل ROC در جدول 1 ارائـه شـده اسـت.
همانگونه كه در جدول مشخص است الگوريتم مدلسـازيGARP با ميزان سطح زير منحني 0/856، بـه صـورتمعني داري( P value<0.001) قدرت تشخيـص بسـيـارخوبي دارد و حاكي از آن است كه مدل بدست آمـده درپيشبيني نقاط با ريسك بالاي حمله گـرگ در سـطـحاستان همدان از كارايي بالايي برخوردار است .
در اين مطالعه نتايج حاصل از تحليل حساسيت نشـانبدون مراقب را بيشتر ميكند( 14).

نمودار شماره 1- حساسيت سنجي مدل GARP با استفاده از ROC براي حمله گرگ به انسان
جدول شماره 1- نتايج سطح زير منحني ROC مدلGARP براي حمله گرگ به انسان.
حدود اطمينان 59% P-value اشتباه معيار مساحت الگوريتم
كرانه بالا كرانه پايين 0/882 0/831 0/000 0/013 0/856 GARP

بحث و نتيجه گيري
داد كه در حملات گرگ به انسان متـغـيـرهـاي پـوشـشاراضي، تراكم جمعيت انساني و فاصله از جاده از اهـمـيـتبالايي برخورداراست (نمودار 1). بـه نـظـر مـيرسـد درمناطقي از استان همدان كه حملات طعمهخواري گرگ به انسان گزارش شده، تلفيقي از عوامل زيستمحيطي دخيل باشد. در چنين مناطقي انسان ها با تراكم بالا در روستـ اهـازندگي ميكنند، پوشش اراضي كشاورزي گسـتـردهاي دراطراف سكونتگاهها وجود دارد، زيستگاههاي طبيـعـي بـهشدت تخريب و تغيير يافته ( 1) و در نتيجه طـعـمـههـايطبيعي گرگها در اين مناطق بسيار كاهـش يـافـتـه انـد.
ماشيني GARP براي توزيع حملات گرگ در سطح استان
مطالعه صورت گرفته در خصوص گلههاي گرگ در ايتاليـا،
همدان مورد بررسي قرار گرفت و براي اعتبار سنجي مـدلمشخص شد كه گستره خانگي اين گلهها شامل چـنـديـن
از سطح زير منحني ROC استفاده شد. يافـتـههـاي ايـن
مركز فعاليت انساني از قبيل جادهها، روستـاهـا و اراضـي
بررسي نشان داد كه در مجموع روش مدلسازي استـفـاده
كشاورزي است و تعداد و موقعيت محل انباشت زبالـه بـه
شده در اين مطالعه عملكرد بسيار خوبي در پـيـشبـيـنـي
عنوان شاخصي در شكلگيري رفتار مكاني آنها مؤثر بوده
توزيع حملات گرگ به انسان داشته است. طبـق نـتـايـج
است( 6). همچنين مطالعات در اين خصوص در جـنـوب
بدست آمده حملات گرگ به انسان در اسـتـان هـمـدان
كاليفرنيا نشان داد در مناطقي كه تراكم جمعيت انسـانـي
توزيع تصادفي نداشته و گرگها در مكانهايي كه مجموعه
بالاست، اين گونه بسيار وابسته به منابع غـذايـي انسـانـي
عوارض و چشم اندازهاي يكسان دارند، به انسـان حـملـه
همچون زبالههاي خانگي است( 14). استان همدان نيز از
ميكنند. از سوي ديگر و صرف نظر از نـوع الـگـوريـتـم
گذشته دور داراي جمعيتهاي قابل توجهي از گـرگ و
مدلسازي، صحت پيشبينيها ميتواند بسته به نوع گونـه
تراكم بالاي جوامع محلي بوده است اما در طي سـا لهـاي
متفاوت باشد. مدلسازي در مورد گونهاي با آشـيـان بـوم
اخير اراضي اين استان تقريباً به طور كامل زير كشت انـواع
شناختي باريك با صحت بالاتري نسبت به گـونـهاي كـه
محصولات كشاورزي رفته كه نتيجه آن از يك سو كاهـش
آشيان بوم شناختي گستردهاي دارد انجام ميشـود( 32).
زيستگاههاي گرگ به ويژه پوشش گياهي منـاسـب بـراي
برآورد توزيع گونهاي كه به يك نوع زيستگاه خاص وابستـه
محل اختفاء و توليد مثل گرگها بوده و از سـوي ديـگـر
نيست يك فرآيند دشوار است. گرگ گونه اي بسيار سازگار
سبب كاهش طعمههاي طبيعي گرگها (نظير علفـخـواران
است و در زيستگاههاي مختلف قادر به بقاست ( 4). بـرايدرشت جثه، خرگوش و حتي جوندگان) شـده اسـت. در
چنين گونههايي مساحت سطح زير مـنـحـنـي (AUC) حال حاضر از عرصههاي جنگلي پيوستـه قـبـلـي فـقـط
هميشه كمتر از يك است( 23).
لكههاي پراكنده معدودي در سطح استان همـدان بـاقـي
مانده كه اغلب به صورت بوتهزارها و درختزارهاي خشـك بر اساس پيشبينيهاي مدل GARP، احتمال خـطـرديده ميشود. بسياري از زيستگاه هاي سابق گرگ تـحـت حملات گرگ در مناطق مختلف استان همدان يـكـسـان
همچنين صدور مجوز شكار خرگوش (طعمه احـتـمـالـيگرگ) به شكارچيان در سال هاي اخير (اداره كل حفاظـتمحيط زيست استان همدان ،1390) مي تواند عامل مهمـياز نظر كاهش طعمه طبيعي گرگ و بيغذايي گرگها بـهويژه در دوره توليد مثل باشد. مناطقي با تراكم كم طعـمـهوحشي و دام، همراه با محافظت زياد دامهاي مـوجـود درروستاها احتمال حملات گرگ به انسان به ويژه كـودكـانوزارت محيط زيست نروژ در خصوص حملات گرگ به انسانها در اين كشور اعلام نمود كه چشم اندازهاي تغييـريافته كه در آن ها طعمههاي طبيعي گرگها كاهش يافتـهو از سوي ديگر تراكم جمعيت انساني افزايش يافته بـاشـد،با ريسك بالاي حمله گرگها به انسان روبرو هستند( 18).در غياب طعمههاي وحشي و در چشم اندازهاي تـغـيـيـريافته، به نظر نميرسد كه بتوان انتظار بـرقـراري رابـطـهطبيعي طعمه – طعمه خواري گرگها را با جمعـيـتهـايطعمه خود داشت. در چنين شرايطي، عوامل ديگر مانـنـدماهيت و پراكندگي منابع غذايي، مداخلات انساني و تنـوعتوپوگرافي، در تعيين اندازه گستره خانگي گـرگ نـقـشمعنادارتري ايفا ميكنند. در بسياري از اين موقـعـيـتهـا،مناطق جنگلي غذاي كافي براي گرگها تأمين نميكنند و لذا گرگها ترجيح ميدهند منابع غذايي قابل پيشبينـي -تري را در مجاورت مراكز انساني جستجو كـنـنـد. طـبـق
توسعه متمركز قرار گرفتهاند و تمام چشم اندازهاي منطقه تحت فعاليتهاي مختلف كشاورزي، صنعتي، شـهـري وروستايي قرار دارد. اكنون گـرگهـا بـا از دسـت دادنزيستگاههاي طبيعي خود به مزارع وسيع ذرت و سـيـبزميني براي پنهان شدن و ساختن لانـه روي آوردهانـد.علاوه بر اين در سالهاي اخير مرغداريهاي بسـيـاري دراطراف شهرها و روستاها احداث شدهاند. عدم وجود روش -هاي دفع مناسب زباله منجر به رهاسازي ضايعات مرغداري و انساني در مكانهاي باز حاشيه جادهها و اطراف روستاهـاشده كه به نوبه خود باعث جذب گوشتخواران مـيگـردد.مجموعه اين عوامل رويارويي گرگها با انسانها را در ايـناستان افزايش داده كه با مطالـعـه صـورت گـرفـتـه درهندوستان نيز مطابقت دارد( 51).
در اين پژوهش توان مدلسازي الگوريتـم يـادگـيـرينبوده و در دو شهرستان بهار و كبودر آهنگ بـيـشـتـريـناحتمال حملات گرگ به انسان وجود دارد. طبق اين نتايج حدود 92 درصد از سطح استان همدان، عرصه تعارض بين انسان و گرگ محسوب ميشود. الگوي پراكنش جغرافيايياين مناطق در سطح استان به گونهاي است كـه مـيتـوانگفت خطر اين تعارض در سالهاي آتي مناطق وسيعي ازاين استان را تهديد خواهد نمود كه بالطبع بـر افـزايـشآشفتگي فكري و رواني بوميان استان و در نتيجه افـزايـشمشكلات در مديريت و حفاظت از محيط زيسـت اسـتـانتأثير گذار خواهد بود.
نقشههاي پيشبيني روند حمله گرگ به انسان در ايـن
تعارضات باشد. همچنين از نتايج چنين تـحـلـيـلهـايـي cal Society of London, 243: 803-819.
استان ميتواند ابزار مفيدي براي مديران حفاظت از محيط زيست در شناسايي دقيق مناطق محـتـمـل بـراي بـروز
Anderson, R, P, Lew, D, Townsend Peterson, A, (2003), Evaluating predictive models of species distributions, criteria for selecting optimal models, Ecological Modelling, 162: 211-232.
Belongie, C, C, (2008), Using GIS to create a gray wolf habitat suitability model and to assess wolf pack ranges in the Western upper Peninsula of Michigan, Resource Analysis, Saint Mary’s University of Minnesota Central Services Press,10: 15pp.
.5 Boitani, L, (1992), Wolf research and conservation in Italy, Biological Conservation, 61: 125–132.
6. Ciucci, P, Boitani, L, Francisci, F, Andreoli, G, (1997), Home range, activity and movements of a wolf pack in central Italy, Zoologi-
ميتوان براي شناسايي عوامل مـؤثـر در افـزايـش ايـنتعارضات سود برد و از اينرو انجام چنين مطالعاتي امكـانتوسعه راهكارهاي مديريتي بازدارنده بر عـلـيـه چـنـيـنحملاتي را براي مديران سرزمين فراهم خواهد نمود. چنيناطلاعاتي ميتواند جهت برنامه ريزي براي مديريت سازشي با هدف حفاظت از گرگ و كاهش تضاد با جوامع مـحـلـيمورد استفاده قرار گيرد (35).
تشكر و قدرداني
از جناب آقاي دكتر عبدالرسول سلمان ماهيني، خـانـمآزيتا فراشي، محيطبانان و كاركنان اداره محـيـط زيسـتاستان همدان كه ما را در انجام اين مطالعه ياري نـمـودنـدتشكر و قدرداني به عمل ميآيد.
منابع
ايماني هرسيني، ج ،.(1390)، بررسي روند تـغـيـيـراتكاربري پوشش اراضي استان همدان با تأكيد بر زيستـگـاه
بالقوه گرگ در سه دهه گذشته، پايان نامه كـارشـنـاسـيارشد، دانشكده منابع طبيعي، دانشگاه تهران.
دور و سامانه هاي اطلاعات جغرافيايي كاربردي با نرم افزار .2082
ادريسي، انتشارات مهر مهديس، تهران.
12. Illoldi-Rangel, P, Sanchez-Cordero, V,
سلمان ماهيني، ع.، كامياب، ح.ر( ،.1388)، سنجـش از
Ferraz, K, M, Townsend Peterson, A, Scachetti-Pereira, R, Vettorrazzi, C, A, Verdade, L, M, (2009), Distribution of capybaras in an agro-ecosystem, southeastern Brazil, based on ecological niche modeling, Journal of Mammalogy, 90: 189–194.
Giovanelli, J, G, R, De Siqueira, M, F, Haddad, C, F, B, Alexandrino, J, (2010), Modeling a spatially restricted distribution in the Neotropics: how the size of calibration area affects the performance of five presence-only methods, Ecological Modelling, 221: 215–224.
Guisan, A, Zimmermann, N, E, (2000), Predictive habitat distribution models in ecology, Ecological Modelling, 135: 147-186.
Gurung, B, David Smith, J, L, McDougal, C, Karki, J, B, Barlow, A, (2008), Factors associated with human-killing tigers in Chitwan National Park, Nepal, Biological Conservation, 141: 3069-3078.
Iftikhar Dar, N, Minhas, R, A, Zaman, Q, Linkie, M, (2009), Predicting the patterns, perceptions and causes of human–carnivore conflict in and around Machiara National Park, Pakistan, Biological Conservation, 142: 2076–
(2008), Potential Distribution Modelling Using Machine Learning, Proceedings of the 21st international conference on Industrial, Engineering and other Applications of Applied Intelligent Systems: New Frontiers in Applied Artificial Intelligence, 5027: 255-264.
Michalski, F, Boulhosa, R, L, P, Faria, A, Peres, C, A, (2006), Human–wildlife conflicts in a fragmented Amazonian forest landscape: determinants of large felid depredation on livestock, Animal Conservation, 9: 179-188.
Pearson, R,G, (2007), Species’ distribution modeling for conservation educators and practitioners, American Museum of Natural History, Available at http:// ncep.amnh.org.
Peterson, A, T, Papes, M, Reynolds, M, G, Perry, N, D, Hanson, B, Regnery, R, L, Hutson, C, L, Muizniek, B, Damon, I, K, and Carroll, D, S, (2006), Native-range ecology and invasive potential of Cricetomys in North America, Journal of Mammalogy, 87:427–432.
Phillips, S, J, Dudlk, M, Schapire, R, E, (2004), A maximum entropy approach to species distribution modeling, In: Proceedings of the 21st International Conference on Machine Learning, ACMPress, New York, 655–662.
Phillips, S, J, Anderson, R, P, Schapire, R, E, (2006), Maximum entropy modeling of species geographic distributions, Ecological Modelling, 190: 231-259.
Pouteau, R, Meyer, J, Y, Taputuarai, R, Stoll, B, (2011), A comparison between GARP model and SVM regression to predict invasive species potential distribution: the case of Miconia calvescens on Moorea, French Polynesia.
Sacks, B, N, Blejwas, K, M, Jaeger, M,
Townsend Peterson, A, (2004), Predicting distributions of Mexican mammals using ecological niche modeling, Journal of Mammalogy, 85: 658-662.
.31 Jedrzejewski, W, Jedrzejewski, B, Zawadzka, B, Borowik, T, Nowak, S, Myszajek, R, W, (2008), Habitat suitability model for Polish wolves based on long-term national census, Animal Conservation, 11: 377–390.
Jhala, Y, V, (2003), Status, ecology and conservation of the indian wolf Canis lupus pallipes Sykes,
Journal of Bombay Natural History Society, 100(2,3): 293-307.
Krithivasan, R, Athreya, V, R, Odden, M, (2009), Human-Wolf conflict in human dominated landscapes of Ahmednagar District, Maharashtra, India & Possible Mitigation Measures, Rufford Small Grants Foundation for Nature Conservation, 53pp.
Leung, B, Lodge, D, M, Finnoff, D, Shogren, J, F, Lewis, M, A, Lamberti, G, (2002), An ounce of prevention or a pound of cure: bio-economic risk analysis of invasive species, The Royal Society, 269: 2407 –2413.
Linkie, M, Dinata, Y, Nofrianto, A, Leader-Williams, N, (2007), Patterns and perceptions of wildlife crop raiding in and around Kerinci Seblat National Park, Sumatra, Animal Conservation, 10: 127–135.
Linnell, J, D, C, Andersen, R, Andersone, Z, Balciauskas, L, Blanco, J, C, Boitani, L, Brainerd, S, Breitenmoser, U, Kojola, I, Liberg, O, Loe, J, Okarma, H, Pedersen, H, C, Promberger, C, Sand, H, Solberg, E, J, Valdmann, H, Wabakken, P, (2002), The fear of wolves: A review of wolf attacks on humans, NINA oppdragsmelding, 731: 1-65.
Lorena, A, C, De Siqueira, M, F, De Giovanni, R, Carvalho, A, C, L, F, Prati, R, derived from 25 years of data a on wolf prediction on livestock, Conservation Biology, 18: 114-125.
.23 Tsoar, A, Allouche, O, Steinitz, O, Rotem, D, Kadmon, R, (2007), A comparative evaluation of presence only methds for modeling species distribution, Diversity and Distributions, 13: 397-405.
Williams, J, N, Seo, C, Thorne, J, Nelson, J, K, Erwin, S, O’Brien, J, M, Schwartz, M, W, (2009), Using species distribution models to predict new occurrences for rare plants, Diversity and Distributions, 15: 565–576.
Wisz, M. S, Guisan, A, (2009), Do pseudo-absence selection strategies influence species distribution models and their predictions? An information-theoretic approach based on simulated data, Biomedcentral Ecology, 9: 1-13.
Wydeven, A, P, Treves, A, Brost, B, Wiedenhoeft, J, E, (2007), Characteristics of wolf packs depredating on domestic animals in Wisconsin, USA, 1-36.
36.http://www.nhm.ku.edu/desktopgarp/ index.html.
M, (1999), Relative vulnerability of coyotes to removal methods on a Northern California ranch, Journal of Wildlife Management, 63: 939-949.
Stocckwell, D, Peters, D, (1999), The garp modling system: problems and solutions to automated spatial prediction, Geographical Information Science, 13: 143 -158.
Townsend Peterson, A, Ball, L, G, Cohoon, K, P, (2002), Predicting distributions of Mexican birds using ecological nichemodelling methods, Ibis, 144: 27–32.
.92 Townsend Peterson, A, Papes, M, Kluza, D, A, (2003), Predicting the potential invasive distributions of four alien plant species in North America, Weed Science, 51:863– 868.
Treves, A, Karanth, K, U, (2003), Human-cornivora conflict and perspective on carnivore management worldwide, Conservation Biology, 17: 1491-1499.
Treves, A, Naughton-Treves, L, Harper, E, K, Mladenoff, D, J, Rose, R, A, Sickley, T, A, Wydeven, A, P, (2004), Predicting human-carnivore conflict: a spatial modling

Modeling the spatial distribution of wolf (Canis lupus pallipes) attacks on human using genetic algorithm (GARP) in Hamedan province

N. Behdarvand*, M. Kaboli, R. Ebrahimpour, B. Jabbarian Amiri2
Abstract

In recent decades due to steady human population growth coupled with increased use of resources and habitat degradation, conflicts between humans and carnivores have greatly been expanded. In order to mitigate these conflicts based on a clear understanding of conflict patterns, applying the species distribution models as helpful methods has been suggested. Occurring the recent conflict between wolves and local communities in Hamedan province is a clear case of this problem. In this study, capabilities of the genetic algorithm (GARP) were assessed in the modeling spatial distribution of wolf attacks in Hamedan province during 2006-2012. The area under the receiver operating characteristic curve (ROC) was used to evaluate performance of the model. Findings indicated that the applied modeling approach has a very good performance (area under curve =0.856) in predicting the spatial distribution of wolf attacks on humans. In addition, based on the results of sensitivity analysis, land-cover type, human population density and distance from main road were the most effective parameters. Findings of the present study can be applied in formulation of an adaptive management plan for wolf conservation and mitigation of the conflicts with local communities.

Key words: Hamedan province, human-wolf conflict, genetic algorithm for rule-set prediction (GARP), modeling distribution attacks.



قیمت: تومان


پاسخ دهید