در اغلب نقاط دنیا، مطالعات در مورد گـرگ در درونمرزها و یا در مجاورت مناطق حفاظت شده صورت گرفتـهاست. با این حال، می توان اذعان کرد که درگـیـری هـا درسطوح مختلف دور از مناطق حفاظت شده نیـز بـه طـورگسترده وجود دارد ( 6، 41 و 15)، همان گونه که در سال-های اخیر تضاد شدیدی بین گرگ با جوامع محلی اسـتـانهمدان بهوجود آمده و در بعضی از شهرسـتـانهـای ایـناستان تلفات انسانی قابل توجهی به وقوع پیوسـتـه اسـت (اداره کل حفاظت محیط زیست استان هـمـدان،1390) .
گرگها اخیراً در چشم اندازهـای کـاربـریهـای مـجـاور
سکونتگاههای انسانی زندگی میکنند که سـبـب ایـجـادریسک بالای طعمه خواری گرگ در این مناطق شده است .
گرگها برای ساکنان این مناطق اغلب به یک عامل تهدیـد
امنیت تبدیل شدهاند و استرسهای روانـی زیـادی را درمیان جوامع بومی منطقه بهوجود آوردهاند. در این مطالعـهتلاش شده تا مناطق با ریسک بالا از نظر بروز تعارض میان انسان و گرگ در این استان تعیین و همچنین عوامل مؤثـربر افزایش این تعارضات شناسایی گردد.
مواد و روشها منطقه مورد مطالعه
متغیرهای مستقل زیستمحیطی
از شمال به استانهای زنجان و قزوین، از شرق به اسـتـان
بر اساس مرور منابع صورت گرفته و با توجه به منطقه
مرکزی، از جنوب به استان لرستان و از غرب به استانهای
مورد مطالعه، آن دسته از متغیرهای زیستگاهی که به نظـر
کرمانشاه و کردستان محدود شده و بـراسـاس آخـریـن
میرسید بر افزایش آسیب پذیری یک منطقه نسـبـت بـه
تقسیمات کشوری در سال 1385 شامل 8 شهرستان،72
حمله گرگ مؤثر باشند، برای مدلسازی انتخاب شد. ایـن
متغیرها شامل تراکم جمعیت انسانی، تراکم دام، فاصلـه ازجاده، فاصله از رودخانه، تنوع پستی و بلندی و کـاربـریاراضی میباشد. متغیرهای مورد نظـر بـا انـدازه سـلـول 100× 100 متر در محیط Arc GIS 9.3 رستری شـدنـد.قبل از انجام تجزیه و تحلیل، میزان همبستگی متغیرها بـااستفاده از تابع PCA در نـرمافـزار Idrisi Klimanjaro بررسی شد. از آنجا که میزان همبستگی بین متغـیـرهـایزیستمحیطی کمتر از 8/0 بود هیچکدام از متغـیـرهـا ازتجزیه و تحلیل حذف نشدند. استان همدان ،1385).
روش پژوهش
لایههای اطلاعاتی مورد نیاز در این مطالعه را میتـوانبه دو دسته شامل لایه نقاط حضـور گـونـه و لایـههـایمتغیرهای مستقل زیستمحیطی طبقه بندی کرد.
لایه نقاط حضور
بر اساس گزارشات موثق پرداخت خسارت مربـوط بـه
شهر ،23 بخش و 27 دهستان میباشد (سالنـامـه آمـاری

تصویر شماره 1- موقعیت استان همدان در غرب کشور و شهرستانهای تابعه این استان
استان همدان با مساحت 19493 کیلومتر مـربـع درغرب ایران، بین عرضهای جغرافیایی 33 درجـه و95 دقیقه تا 53 درجه و 84 دقیقه شـمـالـی و طـولهـایجغرافیایی 74 درجه و 43 دقیقه تا 94 درجه و 63 دقیقـهشرقی واقع شده است. این استان از نظر محدوده سیاسـی،
حملات گرگ به انسان در فاصله سالهـای 1390-1384 موجود در ادارات محیط زیست شهرسـتـانهـای اسـتـانهمدان، فهرستی از محلهای حمله تهیه شد. سـپـس بـامراجعه به روستاهای ذکر شده در فهرست و با استناد بـهمشاهدات مردم محلی و محیطبانان تعداد 13 نقطه حملـهشناسایی و مختصات این نقاط با استفاده از GPS ثبت شد. الگوریتم مدلسازی
در این پژوهش از GARP برای پیشبینـی تـوزیـعحملات گرگ به انسان استفاده شد. ایده سیستـم مـدل-سازی GARP مبتنی بر الگوریتم ژنتیک است که اولـیـنبار توسط Holland در سال 1975 مطرح شد .GARP یک الگوریتم یادگیری ماشینی است که نرمافزار آن توسط Stockwell and Noble در سال 1991 بـرای فـرآیـنـدمدلسازی توزیع گونهها توسعه یـافـت. مـدل GARP از روشهای فقط حضور محسوب میشود و از یک مجمـوعـهقواعد یا ارتباطات (اگر – سپس) برای مدل های پیشبینـیتوزیع جغرافیایی گونهها استفاده مینماید( 52 و 72).
پیشبینی میکند)، قاعده GARP که مشابـه Envelop مدلها که زیر آستانه 5 درصد خطای حذف شدگی2 قـرارمیباشد به استثناء اینکه بعضی متغیرها میتوانند ارتباطی داشتند، انتخاب شدند. نقشههای پیشبینی ساختـه شـدهبه حضور یا عدم حضور گونه نداشته باشنـد (مـتـغـیـری توسط مدل GARP تنها مقدار دوتایـی حضـور و عـدم
حضور را ارائه میکنند. بنابراین تعداد01 نقشه پیشبینـیموجود در پوشه بهترین زیر مجموعه، در محیط 9.3 Arc GIS با هم تلفیق و به یک نقشه پیوسته ( 0 تا1 ) تبـدیـلشده و به عنوان نقشه نهایی احتمال حملـه گـرگ ارائـه بیارتباط در نظر گرفته میشود که نقاط حضور گـونـه درهمه محدودههای آن متغیر وجود داشته بـاشـد)، قـاعـده Logit که تا حدودی مشابه رگرسیون لجستیک اسـت و قاعده Atomic که برای پیشبینی، نیـازمـنـد مـقـادیـر
مشخصی از هر متغیر میباشد (اگر دما 128 درجه سانتی-گردید( 3).
گراد و ارتفاع 300 متر بالای سطح دریا باشد آنگـاه مـدل
حساسیت سنجی و تعیین متغیرهای مؤثر بر حملات پیشبینی میکند که آن نقطه، نقطه عدم حضور گـونـه
است.) گرگ
جهت بررسی میزان تأثیر متغیرهای مستقـل زیسـتدر تعریف الگوریتم ژنتیک، هر قاعده عضـوی از یـک محیطی بر حملات گرگ به انسان، پس از اجرای مدل بـاجمعیت و هر تکرار یک نسل محسوب میشود. در هر نسل سری دادههای کامل، مدل به تعداد متغیرهـای مسـتـقـل
مجموعه قواعد ارزیابی، تکثیر و جهش مییابند و در نهایت دوباره اجرا شد؛ با این تفاوت که این بار در هـر مـرحلـه

1. Crossover
.2 Omission

این مدل شامل یک فرآیند تکراری از انتخاب قاعدههـا،ارزیابی، تکرار و تلفیق یا حذف قواعد است. هر نوع قـاعـدهیک روش خاص را برای ساخت مدلهای پیشبینی گـونـهبکار میگیرد. در این نرم افزار از چهار نوع قاعده استـفـادهمیشود؛ قاعده Envelop که محدودهای از هر متغیـر راجهت پیشبینی حضور گونه نیاز دارد (برای مثال اگر دمـابین 92 و 33 درجه سانتیگراد و بارندگی بیـن 609 تـا1420 میلیمتر باشد آنگاه مدل، نقاط حضـور گـونـه رانیز یک مجموعه قاعده انتخاب میشود که بهتریـن وجـهممکن ارتباط بین حضور گونه و مؤلفههای مـحـیـطـی رانشان دهد. فرآیند کلی الگوریتم ژنتیک شامل مقـداردهـیاولیه ساختارهای جمعیتی، انتخاب تصـادفـی یـک زیـرمجموعه داده، ارزیابی جمعیت جـاری، ذخـیـره کـردنبهترین قواعد، توقف اجرای الگوریتم یا ادامه دادن، انتخاب جمعیت جدید با استفاده از بهترین قواعد ذخیره شـده ونسلهای تصادفی، اعمال عملگرهای جهش و تقاطـع 1 بـهجمعیت و مجدداً بازگشت به مرحله دوم (انتخاب تصادفـییک زیر مجموعه داده) است . دفعات تکرار و اتمام فرآیـنـدالگوریتم ژنتیک توسط کاربر تعیین میشود( 27).
فرآیند مدلسازی در نرم افزار Desktop Garp نسخه
6.1.1 اجرا شد( 36). در این پژوهش 70 درصـد نـقـاطحضور به صورت تصادفی برای ساخت مدل و 30 درصـدباقیمانده برای ارزیابی مدل استفاده شد. هر چـهـار نـوعقاعده Logit ،Garp ،Envelop و Atomic در فـرآیـنـدمدلسازی بکار گرفته شد. مدلسازی به تـعـداد 100 بـاربرای حملات گرگ به انسان انجام شده و فرآیند انـتـخـاببهترین زیر مجموعه اجرا گردید. سپس 10 درصـد کـلاجرای مدل یکی از متغیرهای مستقل حذف و مـدل بـامتغیرهای مستقل باقیمانده اجرا گردید. مزیت این کار درحساسیت سنجی متغیرها و تعیین میزان اثر متغیرهـا درمدل نهایی است. پس از هر بار اجرا میزان ROC مـدلاستخراج گردیده و بر اساس میزان تفاوت حاصل شده بـامدل سری دادههای کامل، اثر تک تک متغیرهای مستقـلمحاسبه گردید( 2). برای آزمون حساسیت مدلها از تابـع ROC نرم افزارIdrisi Klimanjaro استفاده شد.
بررسی اعتبار مدل

تصویر شماره 2- نقشه پیشبینی حملات گرگ به انسان بر اساس روشGARP در استان همدان
برای ارزیابی مدلهای پیشبینی از منـحـنـیROC استفاده شد. سطح زیر منحنی( AUC) برابر با احـتـمـالقدرت تشخیص میان نقاط حضور و عدم حضور توسط یک مدل است( 23). مقادیر مختلف سطح زیر منحنـی بـیـن5/0 تا 1 است. چنانچه سطح زیر منحنی بـرابـر بـا5/0 باشد، بیان کننده تصادفی بودن مدل بوده و اگر این مقدار برابر با 1 باشد، مدل به بهترین نحو میتواند نقاط حضور و عدم حضور را از یکدیگر تفکیک نماید. سطح زیر منحـنـیبین 7/0 تا 8/0 بیانگر یک مدل خوب، بین 8/0 تـا9/0 مدل عالی و سطح زیر منحنی بیش از 9/0 نشـان دهـنـدهقدرت تشخیص بسیار عالی مدل میباشد( 8 و 21). جهتاستفاده از منحنی ROC علاوه بر نمونههای مثبت یا نقاط حضور، احتیاج به نمونههای منفی (نـقـاط عـدم حضـورواقعی/ کاذب) است( 24). برای این منظور منطقـه مـوردمطالعه به سلولهای 41× 41 کیلومتری به اندازه متـوسـطگستره خانگی گرگها ( 5 و 13) تقسیم و با اسـتـفـاده ازجدول اعداد تصادفی، هر سلول از نظر حضور و عدم حضور گونه بررسی شد. سلول هایی که حمله گرگ در آنها ثبـتشده بود به عنوان سلول حضور در نظر گرفته شده و نقاط عدم حضوری که در این سلولهای حضور قرار میگـرفـت،از آنالیز حذف شد ( 91 و 34). برای اجرای منحنی ROC از نرم افزار 16.0 SPSS استفاده شد.
نتایج
تصویر شماره 2 نقشه پیشبینی حمـلات گـرگ بـهانسان را بر اساس روش الگوریتم ژنتیک نشان میدهد. دراین نقشه بیشتر تمرکز حملات در شهرستان های بهـار وکبودر آهنگ مشاهده میشود. همچنین مطابق با نـقـشـهپیشبینی، در آینده احتمال پراکنش حمـلات گـرگ درتمام سطح استان همدان وجود دارد.
نمودار 1 نتایج مربوط به سنجش حساسیت مدلهـایبدست آمده از روش GARP جهت تعیین مـتـغـیـرهـایتأثیرگذار بر حملات گرگ به انسان را نشان مـی دهـد. بـاتوجه به نتایج بدست آمده متغیرهای پوشش اراضی، تراکم جمعیت انسانی و فاصله از جاده در ساخت نقشه پیشبینی حملات گرگ به انسان مؤثر نشان داده میشود.
به منظور بررسی قدرت تشخیص و پیشبیـنـی مـدلGARP از تحلیل منحنی ROC استفـاده شـد. نـتـایـجحاصل از تحلیل ROC در جدول 1 ارائـه شـده اسـت.
همانگونه که در جدول مشخص است الگوریتم مدلسـازیGARP با میزان سطح زیر منحنی 0/856، بـه صـورتمعنی داری( P value<0.001) قدرت تشخیـص بسـیـارخوبی دارد و حاکی از آن است که مدل بدست آمـده درپیشبینی نقاط با ریسک بالای حمله گـرگ در سـطـحاستان همدان از کارایی بالایی برخوردار است .
در این مطالعه نتایج حاصل از تحلیل حساسیت نشـانبدون مراقب را بیشتر میکند( 14).

نمودار شماره 1- حساسیت سنجی مدل GARP با استفاده از ROC برای حمله گرگ به انسان
جدول شماره 1- نتایج سطح زیر منحنی ROC مدلGARP برای حمله گرگ به انسان.
حدود اطمینان 59% P-value اشتباه معیار مساحت الگوریتم
کرانه بالا کرانه پایین 0/882 0/831 0/000 0/013 0/856 GARP

بحث و نتیجه گیری
داد که در حملات گرگ به انسان متـغـیـرهـای پـوشـشاراضی، تراکم جمعیت انسانی و فاصله از جاده از اهـمـیـتبالایی برخورداراست (نمودار 1). بـه نـظـر مـیرسـد درمناطقی از استان همدان که حملات طعمهخواری گرگ به انسان گزارش شده، تلفیقی از عوامل زیستمحیطی دخیل باشد. در چنین مناطقی انسان ها با تراکم بالا در روستـ اهـازندگی میکنند، پوشش اراضی کشاورزی گسـتـردهای دراطراف سکونتگاهها وجود دارد، زیستگاههای طبیـعـی بـهشدت تخریب و تغییر یافته ( 1) و در نتیجه طـعـمـههـایطبیعی گرگها در این مناطق بسیار کاهـش یـافـتـه انـد.
ماشینی GARP برای توزیع حملات گرگ در سطح استان
مطالعه صورت گرفته در خصوص گلههای گرگ در ایتالیـا،
همدان مورد بررسی قرار گرفت و برای اعتبار سنجی مـدلمشخص شد که گستره خانگی این گلهها شامل چـنـدیـن
از سطح زیر منحنی ROC استفاده شد. یافـتـههـای ایـن
مرکز فعالیت انسانی از قبیل جادهها، روستـاهـا و اراضـی
بررسی نشان داد که در مجموع روش مدلسازی استـفـاده
کشاورزی است و تعداد و موقعیت محل انباشت زبالـه بـه
شده در این مطالعه عملکرد بسیار خوبی در پـیـشبـیـنـی
عنوان شاخصی در شکلگیری رفتار مکانی آنها مؤثر بوده
توزیع حملات گرگ به انسان داشته است. طبـق نـتـایـج
است( 6). همچنین مطالعات در این خصوص در جـنـوب
بدست آمده حملات گرگ به انسان در اسـتـان هـمـدان
کالیفرنیا نشان داد در مناطقی که تراکم جمعیت انسـانـی
توزیع تصادفی نداشته و گرگها در مکانهایی که مجموعه
بالاست، این گونه بسیار وابسته به منابع غـذایـی انسـانـی
عوارض و چشم اندازهای یکسان دارند، به انسـان حـملـه
همچون زبالههای خانگی است( 14). استان همدان نیز از
میکنند. از سوی دیگر و صرف نظر از نـوع الـگـوریـتـم
گذشته دور دارای جمعیتهای قابل توجهی از گـرگ و
مدلسازی، صحت پیشبینیها میتواند بسته به نوع گونـه
تراکم بالای جوامع محلی بوده است اما در طی سـا لهـای
متفاوت باشد. مدلسازی در مورد گونهای با آشـیـان بـوم
اخیر اراضی این استان تقریباً به طور کامل زیر کشت انـواع
شناختی باریک با صحت بالاتری نسبت به گـونـهای کـه
محصولات کشاورزی رفته که نتیجه آن از یک سو کاهـش
آشیان بوم شناختی گستردهای دارد انجام میشـود( 32).
زیستگاههای گرگ به ویژه پوشش گیاهی منـاسـب بـرای
برآورد توزیع گونهای که به یک نوع زیستگاه خاص وابستـه
محل اختفاء و تولید مثل گرگها بوده و از سـوی دیـگـر
نیست یک فرآیند دشوار است. گرگ گونه ای بسیار سازگار
سبب کاهش طعمههای طبیعی گرگها (نظیر علفـخـواران
است و در زیستگاههای مختلف قادر به بقاست ( 4). بـرایدرشت جثه، خرگوش و حتی جوندگان) شـده اسـت. در
چنین گونههایی مساحت سطح زیر مـنـحـنـی (AUC) حال حاضر از عرصههای جنگلی پیوستـه قـبـلـی فـقـط
همیشه کمتر از یک است( 23).
لکههای پراکنده معدودی در سطح استان همـدان بـاقـی
مانده که اغلب به صورت بوتهزارها و درختزارهای خشـک بر اساس پیشبینیهای مدل GARP، احتمال خـطـردیده میشود. بسیاری از زیستگاه های سابق گرگ تـحـت حملات گرگ در مناطق مختلف استان همدان یـکـسـان
همچنین صدور مجوز شکار خرگوش (طعمه احـتـمـالـیگرگ) به شکارچیان در سال های اخیر (اداره کل حفاظـتمحیط زیست استان همدان ،1390) می تواند عامل مهمـیاز نظر کاهش طعمه طبیعی گرگ و بیغذایی گرگها بـهویژه در دوره تولید مثل باشد. مناطقی با تراکم کم طعـمـهوحشی و دام، همراه با محافظت زیاد دامهای مـوجـود درروستاها احتمال حملات گرگ به انسان به ویژه کـودکـانوزارت محیط زیست نروژ در خصوص حملات گرگ به انسانها در این کشور اعلام نمود که چشم اندازهای تغییـریافته که در آن ها طعمههای طبیعی گرگها کاهش یافتـهو از سوی دیگر تراکم جمعیت انسانی افزایش یافته بـاشـد،با ریسک بالای حمله گرگها به انسان روبرو هستند( 18).در غیاب طعمههای وحشی و در چشم اندازهای تـغـیـیـریافته، به نظر نمیرسد که بتوان انتظار بـرقـراری رابـطـهطبیعی طعمه – طعمه خواری گرگها را با جمعـیـتهـایطعمه خود داشت. در چنین شرایطی، عوامل دیگر مانـنـدماهیت و پراکندگی منابع غذایی، مداخلات انسانی و تنـوعتوپوگرافی، در تعیین اندازه گستره خانگی گـرگ نـقـشمعنادارتری ایفا میکنند. در بسیاری از این موقـعـیـتهـا،مناطق جنگلی غذای کافی برای گرگها تأمین نمیکنند و لذا گرگها ترجیح میدهند منابع غذایی قابل پیشبینـی -تری را در مجاورت مراکز انسانی جستجو کـنـنـد. طـبـق
توسعه متمرکز قرار گرفتهاند و تمام چشم اندازهای منطقه تحت فعالیتهای مختلف کشاورزی، صنعتی، شـهـری وروستایی قرار دارد. اکنون گـرگهـا بـا از دسـت دادنزیستگاههای طبیعی خود به مزارع وسیع ذرت و سـیـبزمینی برای پنهان شدن و ساختن لانـه روی آوردهانـد.علاوه بر این در سالهای اخیر مرغداریهای بسـیـاری دراطراف شهرها و روستاها احداث شدهاند. عدم وجود روش -های دفع مناسب زباله منجر به رهاسازی ضایعات مرغداری و انسانی در مکانهای باز حاشیه جادهها و اطراف روستاهـاشده که به نوبه خود باعث جذب گوشتخواران مـیگـردد.مجموعه این عوامل رویارویی گرگها با انسانها را در ایـناستان افزایش داده که با مطالـعـه صـورت گـرفـتـه درهندوستان نیز مطابقت دارد( 51).
در این پژوهش توان مدلسازی الگوریتـم یـادگـیـرینبوده و در دو شهرستان بهار و کبودر آهنگ بـیـشـتـریـناحتمال حملات گرگ به انسان وجود دارد. طبق این نتایج حدود 92 درصد از سطح استان همدان، عرصه تعارض بین انسان و گرگ محسوب میشود. الگوی پراکنش جغرافیاییاین مناطق در سطح استان به گونهای است کـه مـیتـوانگفت خطر این تعارض در سالهای آتی مناطق وسیعی ازاین استان را تهدید خواهد نمود که بالطبع بـر افـزایـشآشفتگی فکری و روانی بومیان استان و در نتیجه افـزایـشمشکلات در مدیریت و حفاظت از محیط زیسـت اسـتـانتأثیر گذار خواهد بود.
نقشههای پیشبینی روند حمله گرگ به انسان در ایـن
تعارضات باشد. همچنین از نتایج چنین تـحـلـیـلهـایـی cal Society of London, 243: 803-819.
استان میتواند ابزار مفیدی برای مدیران حفاظت از محیط زیست در شناسایی دقیق مناطق محـتـمـل بـرای 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-
میتوان برای شناسایی عوامل مـؤثـر در افـزایـش ایـنتعارضات سود برد و از اینرو انجام چنین مطالعاتی امکـانتوسعه راهکارهای مدیریتی بازدارنده بر عـلـیـه چـنـیـنحملاتی را برای مدیران سرزمین فراهم خواهد نمود. چنیناطلاعاتی میتواند جهت برنامه ریزی برای مدیریت سازشی با هدف حفاظت از گرگ و کاهش تضاد با جوامع مـحـلـیمورد استفاده قرار گیرد (35).
تشکر و قدردانی
از جناب آقای دکتر عبدالرسول سلمان ماهینی، خـانـمآزیتا فراشی، محیطبانان و کارکنان اداره محـیـط زیسـتاستان همدان که ما را در انجام این مطالعه یاری نـمـودنـدتشکر و قدردانی به عمل میآید.
منابع
ایمانی هرسینی، ج ،.(1390)، بررسی روند تـغـیـیـراتکاربری پوشش اراضی استان همدان با تأکید بر زیستـگـاه
بالقوه گرگ در سه دهه گذشته، پایان نامه کـارشـنـاسـیارشد، دانشکده منابع طبیعی، دانشگاه تهران.
دور و سامانه های اطلاعات جغرافیایی کاربردی با نرم افزار .2082
ادریسی، انتشارات مهر مهدیس، تهران.

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

12. Illoldi-Rangel, P, Sanchez-Cordero, V,
سلمان ماهینی، ع.، کامیاب، 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


پاسخ دهید