نرم افزار ArcGIS ارتفاع
Reynods et al, 1976; Seryodkin et al, 2003; li et al,
1994; Beecham et al, 1983;
Goldstein et al, 2010; Wathen et al, 1986 (39) محاسبه شده توسط تابع SLOPE در نرم افزار ArcGIS شیب

Zhang et al, 2006 جهت دهانه لانه برحسب زاویه ای که با شمال جغرافیایی (آزیموت)
دارد با استفاده از دستگاه آزیموت سنج اندازه گیری شده است جهت لانه
Ciarniello et al, 2005; Gro

et al, 1998; Petram et al, 2004, Nielsen et al, 2004 (24) اعمال تابع DISTANCE بر نقشه کاربری اراضی استان فارس فاصله از جاده
Gro

et al, 1998; Petram et al, 2004 اعمال تابع DISTANCE بر نقشه کاربری اراضی استان فارس فاصله از مراکز جمعیتی
Zhang et al, 2006 اعمال تابع DISTANCE بر نقشه کاربری اراضی استان فارس فاصله از منابع آبی
۷۸
محاسبه شده است.

تجزیه و تحلیل های آماری مدل خطی تعمیم یافته
یکی از رویکردهای چند متغیره مدل سازی مطلوبیت زیستگاه و پیش بینی حضور گونه ها که نیازمند استفاده از داده های حضور و عدم حضور است مدل خطی تعمیم یافته با توزیع دو جمله ای و تابع پیوند منطقی می باشد (8 و 12 ). برای انجام این مدل سازی ،ابتدا همبستگی بین داده ها براساس آزمـون همبسـتگی پیرسـونمورد بررسی قرار گرفت و از هر دو متغیری که همبستگی بالای 7/0 داشتند یک متغیر به انتخاب گزینش شـد (16). کـه از ایـنمیان متغیر فاصله از جاده به دلیـل همبسـتگی شـدید بـا شـیب،ارتفــاع و فاصــله از مراکــز جمعیتــی و متغیــر شــیب بــه دلیــل همبســتگی بــا ارتفــاع از رونــد محاســبات حــذف گردیدنــد (جـــدول 2). آنـــالیز همبســـتگی پیرســـون در نـــرم افـــزار
1/13SYSTAT انجام شد (36). در نهایـت بـه منظـور انتخـابمناس ب ت رین م دل، متغی ر ه ای نه ایی وارد نمای ه اطلاع اتی آکاییک(AIC) در مدل خطی عمـو می بـا توزیـع دوجملـه ای و تابع پیوند منطقی در نرم افزار 10 STATISTICA شـدند (37) و بــه ایــن ترتیــب ســری متغیــر هــایی کــه اخــتلاف آکاییــککمتر(( ΔACI از دو داشته باشند به عنوان بهتـرین مـدل انتخـابزیستگاه لانه گزینی خرس قهوه ای درنظر گرفته می شـوند (10).
از آزمون والد (Wald statistic) برای برآورد پارامترها و تعیـینمعنی دار بودن ضرایب رگرسیون استفاده شد. هم چنین به منظـورارزیابی نحوه توصیف داده ها توسط مـدل (نیکـویی بـرازش) از آزمون هاسمر لمشو (Hasmer lemeshow) استفاده شد.

رگرسیون منطقی وزنی جغرافیایی ((GWLR: Geographically weighted logistic regression در این مطالعه به منظور انتخـاب پـارامتر هـای مـؤثر در انتخـابزیستگاه خرس قهوه ای، پس از بررسی همبستگی بین متغیر هـا،تک تک متغیرها به صورت مجـزا وارد رابطـه رگرسـیون منطقـیدوتایی (BLR: Binary Logistic Regression) شد و مقـدار P آنها محاسبه گردید. ارزش (05/0<P ) این آزمون نشـان دهنـدهمعنی داری متغیر در رابطـهBLR اسـت . در نهایـت متغیـر هـایفاصله از جاده، شیب، ارتفاع و آزیمـوت کـه رابطـه معنـی داری برقرار نکردند (05/0P>) از روند محاسبات حذف شدند (1) و سپس به منظور بررسی روابط جغرافیـایی بـین آنهـا، متغیـر هـاینهایی (فاصله از مراکـز جمعیتـی و فاصـله از منـابع آبـی) وارد رابطه رگرسیون منطقی وزنی جغرافیایی در نـرم افـزار 4GWR شدند (23). به منظور انتخاب مناسـب تـرین پهنـای بانـد در هـرنقطه رگرسیون از نمایه اطلاعاتی آکاییک (AIC) اسـتفاده شـدهاست (21). رگرسیون وزنی جغرافیایی شکل محلـی رگرسـیون خطی است. در رگرسیون های معمولی فرض ما بر آن است کـهرابطه ای که می خواهیم بین یک متغیر وابسـته و تعـدادی متغیـرمستقل مدل سازی کنیم در سراسر محدوده مورد مطالعه یکسـاناست که در بسیاری از موارد چنین فرضی صحیح نیست (13 و 22). با فرض تعدادn نقطه با مختصات (u, v) مـدل رگرسـیونمنطقی وزنی از روابط 1 و 2 قابل پیش بینی می باشد:
yi ~ Bernoulli Pi  [1]
[2] logit(Pi) kk (ui,vi)xk,i در رابطه 1 و 2 متغیر وابسته بین صفر و یک است و pi احتمال اینکه متغیر وابسته در مدل یک می شود (22). در این مطالعه مدل رگرسیون منطقی وزنی جغرافیایی با استفاده از رابطه 3 پیش بینی شده است: [3]

37606367541

yi(u) 1exp(exp(1(1ui,vl)x(ui,vl)x112(2ui,vl)x(ui,vl)x2 2  …… mm(ui,ul)x(ui,ul)xmm) )

در ایــن رابطــه y متغیــر وابســته و1xm ،… x2 ،x متغیرهــای پیش بینی کننده مستقل و(u, v) نشان دهنده موقعیت جغرافیـاییi امین نقطـه رگرسـیون و 1βm ،…β2 ،β ضـرایب تشـریح کننـدهاثرات محلی متغیر xm است (13). در این مدل ضرایب رگرسـیونبرای کلیه نقاط به طور جداگانه محاسبه مـی شـود و ضـرایب مکـان (u ,v) بــا بــرازش حــداقل مربعــات تخمــین زده مــی شــود.
هم چنین وزن دهی بدین صورت است که داده های نزدیـک تـربــه (u, v)، وزن بــیش تــری نســبت بــه داده هــای دورتــر
۷۹

دریافت می کند (13).

نتایج
به منظور ایجاد مدل مطلوبیت زیستگاه زمستان خوابی بـا اسـتفادهاز رویکرد GLM ترکیـب هـای مختلفـی از متغیـر هـای مسـتقلزیست محیطی به کار گرفته شد و در نهایت بهترین زیرمجموعه از متغیر ها که مدل مبتنی بر آنها از اعتبار بـالایی برخـوردار بـودانتخاب شدند. تحلیلGLM انجـام شـده بـرروی چهـار متغیـرمنجربه تولید 15 مدل شـد کـه از بـین آنهـا براسـاس اخـتلافآکاییک (2 (ΔACI < محاسبه شده، تعداد دو مدل معنی دار بود.
بهترین مدل انتخـاب شـده بـر اسـاس حـداقل معیـار اطلاعـاتآکاییک، ترکیبی از سه متغیر ارتفاع، فاصله از مراکـز جمعیتـی وفاصله از منابع آبی بوده است (147/39(AIC= کـه نشـان دهنـدهبهترین مدل پیش بینی کننده در انتخاب لانه های زمستان گـذرانیخ رس قه وهای در منطق ه ک وه خ م اس تان ف ارس م ی باش د (جدول 3). نتایج آزمون والد نشـان داد کـه پارامترهـای ارتفـاع
(006/0(P= و فاصله از مراکز جمعیتی (005/0(P= بـیش تـرینتأثیر را در پیش بینی مدل مطلوبیت زیستگاه لانه گزینـی خـرسقهوه ای دارند (جدول 4).
براساس نتایج آزمون نیکویی برازش، مدل هـای بـه دسـت آمـدهدارای ارزش P بیش تر از 5 درصد مـی باشـند (36/0HL=8/71 ،P=) که نشان دهنده تناسب قابل قبول داده ها با مدل است.

۸۰
جدول 2. ماتریس همبستگی متغیر های مستقل زیست محیطی
فاصله از
منابع آبی فاصله از
مراکز جمعیتی آزیموت ارتفاع شیب فاصله از جاده متغیر
1 فاصله از جاده
1 0/75 شیب
1 0/82 0/78 ارتفاع

1 0/31 0/13 0/11 آزیموت
1 0/04 0/68 0/63 0/72 فاصله از مراکز جمعیتی
1 0/60 0/10 0/56 0/56 0/60 فاصله از منابع آبی
نتایج رگرسیون منطقی وزنی جغرافیایی
در بررسی روابـط بـین متغیـر هـای مسـتقل و انتخـاب زیسـتگاهزمستان خوابی با درنظر گرفتن سطح معنی دار پنج درصد تحلیـلرگرسیون منطقی دوتایی نشان می دهد که متغیر فاصله تـا منـابعآبی (045/ P=)، و متغیر فاصله تا مراکـز جمعیتـی (012/ (P=، در مقیاس سیمای سرزمین در بین زیستگاه های حضـور و عـدم حضور لانه های زمستان خوابی اختلاف معنی داری وجود دارد و متغیرهای ارتفاع و آزیموت رابطه معنی داری برقرار نکردنـد . بـاتوجه به اینکه انتخاب لانه های زمستان گـذرانی خـرس قهـوه ای متأثر از متغیر های فاصله از مراکز جمعیتی و منـابع آبـی اسـت،روش رگرسیون منطقی وزنی جغرافیایی دامنه تأثیرات هـر یـکاز این متغیر ها را بـرای مطلوبیـت زیسـتگاه زمسـتان خـوابی درجدول 5 نشان می دهد. نتایج آمـار توصـیفی تغییـرات ضـرایبمحلی برای متغیر فاصله از مراکز جمعیتی و فاصله از منابع آبـینشان دهنده تأثیر مقدار مثبـت ایـن دو متغیـر بـرروی مطلوبیـتزیستگاه زمستان خوابی است. یعنی با افـزایش فاصـله از مراکـزجمعیتی بر مطلوبیت زیسـتگاه افـزوده مـی شـود . هـم چنـین بـاافزایش فاصله از منابع آبی منطقـه کـه عمـدتاً در منـاطق بـاز وحاشیه ای زیستگاه قـرار دارنـد بـر مطلوبیـت زیسـتگاه افـزودهمی شود.
مقایسه بین رگرسیون منطقی وزنی جغرافیـایی و رگرسـیون منطقـی عمـومی نشـان دهن ده انحـراف بیشـتر مـدل رگرس یونمنطقی عمومی به میـزان (78/161) از مـدل رگرسـیون منطقـیوزنی جغرافیایی است (جدول 6). هم چنین مقایسه این دو مدل بر اساس معیار اطلاعاتی آکاییک نشان دهنـده برتـری رگرسـیونوزنی بر رگرسیون عمومی است. مدلی که کمتـرین مقـدارAIC را داشته باشد از قدرت پیش بینی بیش تری برخورداراست. معیار اطلاعات آکاییک برای رگرسیون منطقی وزنی جغرافیـایی برابـر
جدول 3. مدل سازی بهترین زیرگروه از متغیر های مؤثر بر مطلوبیت زیستگاه زمستان خوابی خرس قهوه ای در منطقه کوه خم استان فارس
ΔACI
ACI
درجه
آزادی متغیرهای پیش بینی کننده مدل
0/000 39/147 3 فاصله از منابع آبی فاصله ازمراکز جمعیتی ارتفاع 1
0/8 39/947 4 فاصله از منابع آبی فاصله ازمراکز جمعیتی آزیموت ارتفاع 2
3/198 42/345 2 فاصله ازمراکز جمعیتی ارتفاع 3
3/469 42/616 3 فاصله ازمراکز جمعیتی آزیموت ارتفاع 4

جدول 4. برآورد پارامترهای مدل و آزمون معنی داری ضرایب رگرسیون با استفاده از آزمون والد

P حدود اعتماد
بالا حدود اعتماد پائین آماره والد اشتباه استاندارد متغیر اثر
0/006 – 0/0009 – 0/00584 7/281 0/001255 ارتفاع
0/277 0/0182 -0/0052 1/177 0/006 آزیموت
0/005 0/0013 0/0002 7/727 0/0002 فاصله از مراکز جمعیتی
0/063 0/0025 -0/0000 3/446 0/0006 فاصله ازمنابع آبی

جدول 5. خلاصه آمار تغییر ضرایب محلی متغیر های مستقل مؤثر بر مطلوبیت زیستگاه لانه گزینی خرس قهوه ای در رگرسیون منطقی وزنی جغرافیایی

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

چارک
بالا میانه چارک
پائین حداکثر
حداقل انحراف معیار میانگین متغیر
1/24 0/77 0/77 1/25 0/77 0/23 0/97 عرض از مبدأ
2/40 1/36 1/36 2/41 1/36 0/51 1/80 فاصله از مراکز جمعیتی
2/67 1/10 1/10 2/68 1/10 0/77 1/76 فاصله از منابع آبی
با (48/487 ) و برای رگرسیون منطقی عمومی (82/647) اسـت
(جدول 7).

بحث و نتیجه گیری
در این پژوهش مدل مطلوبیت زیستگاه زمسـتان خـوابی خـرسقهوه ای در حاشیه شمالی پارک ملـی و پناهگـاه حیـات وحـش

۸۱
جدول 6. جدول انحراف رگرسیون منطقی وزنی جغرافیایی از
رگرسیون منطقی عمومی
DOF/انحراف DOF انحراف مدل
7/37 87 641/82 رگرسیون منطقی عمومی
5/56 86/28 480/04 رگرسیون منطقی وزنی
224/75 0/72 161/78 جغرافیایی
تفاوت

جدول 7. خلاصه آماره های مدل در روش رگرسیون منطقی وزنی جغرافیایی و رگرسیون منطقی عمومی
قی وزنی مدل رگرسیون منطقی عمومی مدل رگرسیون منط
جغرافیایی آماره مدل
641/82 480/04 انحراف
647/82 487/48 AIC
648/10 487/89 AICc

بختگان در منطقه کوه در اسـتان فـارس بـا اسـتفاده از رویکـردرگرسیون منطقی وزنی جغرافیایی و مدل خطی تعمیم یافته تهیه شد. با توجه به اینکه اغلب لانه هـا در ایـن منطقـه بـوده اسـتبنابراین نتایج به دست آمده ویژگی های زیستگاه زمسـتان خـوابی گونه را نیز نشان می دهد. نتایج حاصل از مدل GLM نشـان دادکه بهترین مدل پیش بینی کننده انتخاب زیستگاه زمسـتان خـوابیتوسط خرس قهوه ای مدل شماره یک بـا ترکیبـی از سـه متغیـرارتفاع، فاصله از مراکز جمعیتـی و فاصـله از منـابع آبـی اسـت.
براساس آزمون والد متغیر فاصله از منابع آبی معنی دار نبـود کـهاز نظر زیست شناختی نیز معنی دار نیست، چرا که خرس هـا درفصل زمستان در لانه هـای خـود در حـال اسـتراحت هسـتند ونیازی به منابع آبی منطقه ندارند. مطالعات انجام شده در بریتیش کلمبیا کانادا نیز نشان داد که مناطق مرتفع آلپی و مناطق جنگلـیدور از دسترس انسان بهترین پیش بینی کننده مکان های حضـورلانه های زمستان خوابی است (10). مدل شماره دو با بیش تـرین
۸۲
تعداد متغیر پیش بینـی کننـده، بـه نظـر مـی رسـد کـه از قـدرتپیش بینی بالاتری نسبت به مدل اول برخوردار باشد، اما در ایـنمدل تنها دو متغیر ارتفاع و فاصله از مراکز جمعیتی با دارا بودن مقدار آماره والد بالاتر دارای اهمیـت مـی باشـند . سـریودکین و همکاران (34) در روسیه نشان دادند که لانه های زمستان خـوابی خرس های قهوه ای نسبت به نقاط تصـادفی در ارتفـاع بـالاتریقرار داشتند و این گونه مناطق صـعب العبـور و دور از دسـترسانسان را برای زمستان گذرانی انتخاب می کند (26). نظـامی (5) در البرز مرکزی و عطایی و همکاران (3) در البرز جنوبی نشـان داده اند که خرس ها تمایل بـه اسـتفاده از زیسـتگاه هـا ی مرتفـعدارند. اگرچه در البرز جنوبی عطایی و همکاران (3) نشان دادند که متغیر شیب نقشی در پیش بینی مطلوبیـت زیسـتگاه تابسـتانهخرس قهوه ای ندارد اما نتایج ایـن مطالعـه نشـان مـی دهـد کـهمناطق صخره ای و شیب های سنگلاخی در ارتفاعات، مطلوبیـتبالایی در لانه گزینی خرس قهـوه ای دارد کـه احتمـالاً بـه دلیـلامنیت بالای آن است (2). نتایج بـه دسـت آمـده از مـدل سـازیزیستگاه لانه گزینی خرس سیاه در جنوب آپالاچیان در آمریکـانشان داده است که مناطق با شـیب بـیش از 45 درجـه بـه دلیـلمحــدودیت دسترســی انســان، بــیش تــرین تعــداد لانــه هــای زمستان خوابی را داشته است. هم چنین نتایج حاکی از آن بود که متغیر های فاصله از جاده، شیب و ارتفـاع مهمتـرین متغیـر هـایتأثیر گذار در انتخاب لانه براساس قابلیـت دسترسـی در گسـتره خانگی این گونه بوده اند. نتایج BLR تنها متغیـر هـای فاصـله ازمراکز جمعیتی و فاصله از منابع آبی را معنا دار نشـان داده اسـتکه مطابق با مدل شماره هفت در GLM است. مـدل رگرسـیونخطی تعمیم یافتـه بـه عنـوان متـداول تـرین مـدل هـای عمـومیپیش بینی انتخاب زیستگاه، رابطه بین انتخاب لانه ها و متغیر های مستقل را بـا تخمـین ضـرایب ثابـت در کـل منطقـه مطالعـاتیتوصیف می کند که در اینجا به منظور بررسی تأثیرات ناپایـداریدر روابط بین لانه های حضور و عدم حضور و عوامل مـؤثر بـرآنها مدل رگرسیون منطقی وزنی اجرا شد. نتایج GWLR نشـان
داده است که انتخاب زیستگاه از نظـر مکـانی پویـا مـی باشـد وبیانگر اهمیت تفاوت مؤلفـه هـای محلـی زیسـتگاه و ناپایـداریفضایی بـرروی رفتـار تصـمیم گیـری در انتخـاب لانـه دارد. در منطقه کوه خم تغییر پذیری مکانی در فرآیند انتخاب لانه توسـطخرس ها در مقیاس محلی تحت تأثیر آشفتگی های انسانی است.
علت اینکه با افزایش فاصله از منابع آبی بر مطلوبیـت زیسـتگاهافزوده می شود این اسـت کـه خـرس هـا در فصـل زمسـتان درلانه های خود در حال استراحت هستند و از منابع آبی منطقه که عمدتاً در حاشیه زیستگاه مرکزی (Core area) لانه گزینی قـرارگرفته اند و با شبکه جاده های محلی هم پوشانی دارنـد اجتنـابمی کنند. نتایج به دست آمده از تحلیل عاملی آشیان بوم شـناختیدر منطقه البرز جنوبی نشان دهنده وابستگی این گونـه بـه منـابعآبی در فصل گرما است و هم چنین از جاده ها نیز دوری می کنند (3 و 33). در این مطالعـه متغیـر فاصـله از مراکـز جمعیتـی درتمامی مدل های BLR ،GLM و GWLR رابطه معنـی داری را از خود نشان داده است که بیانگر اهمیت ایـن مت غیـر در مطلوبیـتزیستگاه خرس قهوه ای در مقیاس منطقه ای و ناپایـداری محلـیآن دارد. مقایسه بین مدل رگرسیون وزنی و عمـومی نشـان دادهاست که در این ناحیه انتخاب لانه های زمسـتان خـوابی توسـطخرس قهـوه ای در سرتاسـر فضـای مکـانی ناپایـدار اسـت کـه

منابع مورد استفاده
نشان دهنده اهمیت نسبی مؤلفه های زیستگاهی است که با توجه به حضور گونه در بستر زیستگاه تغییر می کند (21). با توجه بـهاینکه مهم ترین تفاوت بین تحلیل های آمار فضایی و تحلیل هـایآماری متداول آن است که در تحلیل های فضایی، عوامل فاصـلهو فضا به صورت مستقیم در محاسبات و فرمول ها وارد می شوند بنـابراین از بـین ایـن مـدل هـا، مـدل رگرسـیون منطقـی وزن یجغرافیایی به دلیل وارد کردن روابط فضایی در محاسبات خـود،ک ارآیی بیش تری در م دل س ازی داده ه ای ب وم ش ناختی دارد. در واقع، بهـره گیـری از ایـن رویکـرد مـی توانـد گـام نـوینی در درک دقیق تر و علمی تر آن دسته از متغیر های بوم شـناختی باشـد که در بستر فضا ناپایـدار مـی باشـند . هماننـدGLM محـدودیتGWR عدم توانـایی در ارزیـابی روابـط اکولـوژیکی غیرخطـیمی باشد (21). بـا توجـه بـه توانـایی رگرسـیون منطقـی وزنـیجغرافیایی در مدل سازی و تحلیل های آمار مکـانی کـه در آن ازداده های حضور و عدم حضور استفاده می شود، لـذا اسـتفاده ازآن باعث ارائه نتایج دقیق تر خواهد شد و پیشنهاد می شود کـه ازآن در ارزیابی زیستگاه سایر گونه هـای حیـات وحـش اسـتفادهشود.
کریمی، س.، ح. وارسته مرادی و ح. رضایی. 1391. مطلوبیت زیستگاه دارکوب سیاه (Dryocopus martius) در دو فصـل زمسـتانو بهار در جنگل شصت کلاته گرگان. مجله بوم شناسی کاربردی 1(1):29-15.
زارعـی ، ع. 1391. بـوم شناسـی لانـه هـای زمسـتان گـذرانی خـرس قهـوه ای(Ursus arctos syriacus) در منطقـه کـوه خـم اسـتانفارس(جنوب غربی ایران). پایان نامه کارشناسی ارشد. دانشکده محیط زیست و انرژی، دانشگاه آزاد اسلامی واحد علوم وتحقیقات تهران.
عطایی، ف.، م. کرمی و م. کابلی. 1390. مدل سازی مطلوبیت زیستگاه تابستانه خرس قهـوه ای (Ursus arctos syriacus) در منطقـهحفاظت شده البرز جنوبی. نشریه محیط زیست طبیعی، مجله منابع طبیعی، 65(23): 245-235.
غلامحسینی، ع.، ح. اسماعیلی، ح. آهنی ،آ. تیموری ،م. ابراهیمی ،ح. کمی و ح. ظهرابی.1389. بررسی اثر عوامل توپوگرافی و اقلیمی بر پراکنش خرس قهوه ای Ursus arctus (Linneaus 1758): Carnivora, Ursidae در استان فارس با استفاده از سامانه اطلاعات جغرافیایی(GIS). مجله زیست شناسی ایران 23: 233- 215.
۸۳
نظامی، ب .1387 . بررسی بوم شناسی خرس قهوه ای در محدوده امن منطقه حفاظت شده البرز مرکزی (استان مازندران ) پایان نامه کارشناسی ارشد .دانشگاه آزاد اسلامی واحد علوم وتحقیقات.
Austin, M. P. 2002. Spatial prediction of species distribution: an interface between ecological theory and statistical modeling. Ecological Modeling 157: 101-118.
.7 Beecham, J. J., D. G. Reynolds and M. G. Hornocker. 1983. Black bear denning activities and den characteristics in west-central Idaho. International Conference on Bear Research and Management. 5: 79-86.
Braunisch, V. and R. Suchant. 2007. A model for evaluating the ‘habitat potential’ of a landscape for capercaillie Tetrao urogallus: a tool for conservation planning. Wildlife biology 13: 21-33.
Carpenter, G., A. N. Gillson and J. Winter. 1993. DOMAIN: a flexible modeling procedure for mapping potential distributions of plants and animals. Biodiversity and Conservation 2: 667-680.
Ciarniello, L. M., M. S. Boyce, D. C. Heard and D. R. Seip. 2005. Denning behavior and den site selection of Grizzly bears along the Parsnip River, British Columbia, Canada. Ursus 16(1): 47-58.
Crook, A. 2001. Amulti-scale assessment of den section of Louisiana balck bear (Ursus americanus luieous) in northern and central Louisiana. M. Sc. Thesis, University of victoria.
Elith, J., C. H. Graham, R. P. Anderson, M. Dudík, S. Ferrier, A. Guisan, R. J. Hijmans, F. Huettmann, J. R. Leathwick, A. Lehmann, J. Li, L. G. Lohmann, B. A. Loiselle, G. Manion, C. Moritz, M. Nakamura, Y. Nakazawa, J. M. Overton, A. T. Peterson, S. J. Phillips, K. Richardson, R. Scachetti-Pereira, R. E. Schapire, N. J. Sobero, S. Williams, M. S. Wisz and N. E. Zimmermann. 2006. Novel methods improve prediction of species’ distribution from occurrence data. Ecography 29: 129-151.
Fotheringham, A. S., C. Brunsdon and M. E. Charlton. 2002. Geographically Weighted Regression: The analysis of spatially varying relationships, Wiley, 282 p.
Garrison, E. P. 2004. Reproductive ecology, cub survival and denning ecology of the Florida black bear. M. Sc Thesis, University of Florida.
Goldstein, M. I., L. H. Suring, R. M. Nielson and T. L. Mcdonald. 2010. Brown bear den habitat and winter recreation in South-Central Alaska. Journal of Wildlife Management 74: 35-42.
Gormley, A. M., D. M. Forsyth, P. Griffioen, M. Lindeman, D. S. L. Ramsey, M. P. Scroggie and L. Woodford. 2011. Using presence-only and presence-absence data to estimate the current and potential distributions of established invasive species. Journal of Applied Ecology 48: 25-34.
Guisan, A. and N. E. Zimmermann. 2000. Predictive habitat distribution models in ecology. Ecological modeling 135: 147-186.
Gro, C., A. Caliari, E. Dorigatti and A. Gozzi. 1998. Selection on denning caves by brown bears in Trentino, Italy. Ursus 10: 279-275.
Hirzell, A. F., V. Helfer and F. Metral. 2011. Assessing habitat-suitability models with a virtual species. Ecological Modelling 145: 111-121.
Li, X., M. Yiqing, G. Zhongxing and L. Fuyuan. 1994. Characteristics of dens and selection of denning habitat for bears in the South Xiaoxinganling Mountains, China. International Conference on Bear Research and Management 9(1): 357-362.
Mcnew, L., A. Gregory and B. Sandercock. 2012. Spatial heterogeneity in habitat selection: nest site selection by Greater Prairie-Chickens. Journal of Wildlife Management 77(4): 791-801.
Nakaya, T., S. Fotheringham, C. Brunsdon and M. Charlton. 2005. Geographically Weighted Poisson, regression for disease associative mapping. Statistics in Medicine 24: 2695-2717.
Nakaya, T. 2012. Windows application for geographically weighted regression modelling. Department of geography, Ritsumeikan university.
Nielsen, S. E., S. Herrero, M. S. Boyce, B. Benn, R. D. Mace, M. L. Gibeau and S. Jevons. 2004. Modelling the spatial distribution of human-caused grizzly bear mortalities in the central rockies ecosystem of Canada. Biological Conservation1 :02 101-.311
Palma, L., P. Beja and M. Rodgrigues. 1999. The use of sighting data to analyse Iberian lynx habitat and distribution. Journal of Appled Ecology 36(5): 812-.428
Petram, W., F. Knauer and P. Kaczensky. 2004. Human influence on the choice of winter dens by European brown bears in Slovenia. Biological conservation 119: 129-.631
Pearson, R. G. and T. P. Dawson. 2003. Predicting the impacts of climate change on the distribution of species: Are bioclimate envelope models useful? Global Ecol. Biogeography :21 361-3.17
Phillips, S. J., R. P. Anderson and R. E. Schapire. 2006. Maximum entropy modeling of species geographic distributions. Ecological Modeling 190: 231-.952
Phillips, S. J., K. S. Richardson, R. Scachetti-Pereira, R. E. Schapire, J. Soberón, S. Williams, M. S. Wisz and N. E.
۸۴
Zimmermann,. 2006. Novel methods improve prediction of species’ distributions from occurrence data. Ecography 29: 129-151.
Podruzny, Sh. R., S. Cherry, Ch. C. Schwartz and L. A. Landenburger. 2002. Grizzly bear denning and potential conflict areas in the Greater Yellow Stone Ecosystem. Ursus 13: 19-28.
Posillico, M., A. Meriggi, E. Pagnin, S. Lovari, and L. Russo. 2004. A habitat model for brown bear conservation and land use planning in central Appennines. Journal of Biological Conservation 118(2): 141-150.
Reynolds, H. V., J. A. Curatolo and R Quimby. 1976. Denning ecology of grizzly bears in Northeastern Alaska. International Conference on Bear Research and Management 3: 403-409.
Sahlen, E., O. G. Stoen and J. E. Swenson. 2011. Brown bear den site concealment in relation to human activity in Sweden. Ursus 22(2): 152-158.
Seryodkin, I. V., L. V. Kostyria, J. M. Goodrich, D. G. Miquelle, , E. N. Smirnov, L. L. Kerley, H. B. Quigley and M. G. Hornocker. 2003. Denning ecology of brown bears and Asiatic black bears in the Russian Far East. Ursus 14(2): 153-161.
Syfert, M. M., M. J. Smith and D. A. Coomes. 2013. The effects of sampling bias and model complexity on the predictive performance of maxent species distribution models. Plos One 8(2): e55158.
SYSTAT. 2009. Ver 13. 1. Copy right© Systat Software, Inc. www. systat. com.
STATISTICA (data analysis software system). 2011. version 10. Copy right© StatSoft, Inc www.statsoft.com.
Waller, B. W., J. L. Belant, B. W. Young, B. D. Leopold and S. L. Simek. 2012. Denning chronology and den characteristics of American black bears in Mississippi. International Association for Bear Research and Management. Ursus 23(1): 6-11.


پاسخ دهید