مشخصات مقاله:
عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
کلمات کلیدی مقاله:
مناسب برای رشته های دانشگاهی زیر:
جغرافیا – محیط زیست – منابع طبیعی – زیست شناسی
مناسب برای گرایش های دانشگاهی زیر:
سنجش از دور و سیستم اطلاعات جغرافیایی – زیستگاه ها و تنوع زیستی – علوم جانوری
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. مواد و روش ها
3. نتایج
4. بحث
5. نتیجه گیری
فهرست منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Ecological niche models use presence-only data, which is often affected by lack of true absences leading to sampling bias. Over the last decade, there has been an uptick in the integration of occurrence data from global positioning systems telemetry data in ecological niche models and/or species distribution models. These data types can be affected by serial autocorrelation at high relocation frequencies yet have been used in ecological niche models using geographic filters and subsampling techniques. Yet, no study to date has attempted to discern a method to identify the appropriate time interval for a particular species if integrating GPS telemetry occurrence data in a MaxEnt framework. We demonstrate a rigorous spatial technique using a robust contemporary dataset from ocelots (Leopardus pardalis) to assess the appropriate time intervals to use in a species-specific ecological niche model. We assessed a range of daily time intervals (every 0.5, 1–4, 6, 8, and 12 h) commonly used in teresstrial mammalian carnivore studies. We observed the predictive performance of shorter time intervals every 2 h was comparable to much longer intervals every 12 h. These shorter intervals under/overestimated the least amount of data compared to 12 h. This study demonstrates that by accounting for serial autocorrelation and conducting rigorous spatial analyses, scientists can identify the appropriate time interval to integrate GPS telemetry data use in ecological niche models in MaxEnt. These results can also be transferable across highly mobile terrestrial taxa at different spatial scales, which can help inform species management or conservation strategies.
چکیده
مدل های آشیان اکولوژیکی از داده های وجود صرف استفاده می کنند که غالباً تحت تاثیر فقدان عدم حضور واقعی منجر به سوگیری در نمونه برداری می شود. در دهه گذشته، در ادغام داده های رخداد حاصل از داده های دورسنجی سامانه های موقعیت یابی جهانی در مدل های آشیان اکولوژیکی و یا مدل های توزیع گونه ها روند افزایشی وجود داشته است. این نوع داده ها ممکن است تحت تاثیر خودهمبستگی پیاپی با فراوانی جابجایی بالا باشند، با این حال در مدل های آشیان اکولوژیکی با استفاده از فیلترهای جغرافیایی و تکنیک های زیرنمونه برداری به کار می روند. با این حال، تا امروز هیچ مطالعه ای در راستای نعیین روش شناسایی بازه زمانی مناسب برای یک گونه خاص در صورت تلفیق داده های رخداد دورسنجی GPS در چارچوب MaxEnt انجام نشده است. ما تکنیک مکانی دقیقی را با استفاده از مجموعه داده های معاصر قدرتمند مربوط به اوسلوت ها (Leopardus pardalis) برای ارزیابی بازه های زمانی مناسب جهت استفاده در مدل آشیان اکولوژیکی مختص گونه ها معرفی نمودیم. در این مطالعه، ما طیفی از بازه های زمانی روزانه (هر 0.5، 1 الی ۴، 6، ۸ و ۱۲ ساعت) را که معمولاً در مطالعات پستانداران گوشتخوار خشکی زی مورد استفاده قرار می گیرند ارزیابی نمودیم. ما مشاهده نمودیم که عملکرد پیشگویانه بازه های زمانی کوتاه تر ۲ ساعته با بازه های زمانی طولانی تر ۱۲ ساعته قابل مقایسه بود. این بازه های زمانی کوتاه تر حداقل مقدار داده ها را در مقایسه با 12 ساعت کمنر / بیشتر برآورد کزده بودند. این مطالعه نشان می دهد که با محاسبه خودهمبستگی پیاپی و انجام تحلیل های دقیق مکانی، دانشمندان می توانند بازه زمانی مناسب را برای ادغام داده های دورسنجی GPS در مدل های آشیان اکولوژیکی در MaxEnt شناسایی کنند. از این نتایج می توان در میان گونه های پرتحرک خشکی زی در مقیاس های مکانی مختلف استفاده نمود که به آگاهی افزایی درباره راهبردهای مدیریت گونه ها و یا حفاظت از گونه ها کمک خواهد نمود.