محیط زیست و توسعه فرابخشی
مجله علمی

پهنه‌بندی و شناسایی عوامل مؤثر بر وقوع تخلفات تعلیف غیرمجاز دام در پارک ملی گلستان با استفاده از رگرسیون لجستیک

نوع مقاله : مقاله علمی - پژوهشی

نویسندگان

میثم مددی 1
حمیدرضا رضایی 1
علیرضا محمدی 2
باقر نظامی بلوچی 3
مریم شهبازی 1

1 گروه محیط زیست، دانشکده شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

2 گروه علوم و مهندسی محیط زیست، دانشکده منابع طبیعی، دانشگاه جیرفت، جیرفت، ایران

3 گروه تنوع زیستی و ایمنی زیستی، پژوهشکده محیط زیست و توسعه پایدار، سازمان حفاظت محیط زیست، تهران، ایران

https://doi.org/10.22034/envj.2024.476632.1411
چکیده
مقدمه: درک صحیح از محرک‌های رفتاری انسان، یک عنصر حیاتی برای حفاظت مؤثر از زیستگاه‌ها و مناطق تحت حفاظت است. تخلفات حوزه محیط‌زیست شامل طیف گسترده‌ای از رفتارها و اقدامات همچون تخریب زیستگاه، از بین‌بردن رستنی‌ها، قطع درختان، تعلیف دام، شکار و قاچاق حیات‌وحش، ماهیگیری، تخلیه انواع زباله، پساب و پسماند، استخراج معادن و غیره است. آگاهی از این تخلفات می‌تواند به مدیران کمک کند تا منابع را روی گروه‌هایی که کمترین سازگاری با قوانین حفاظتی را دارند متمرکز و راهکارهای حفاظتی مطلوب‌تری را ارائه دهند. پارک ملی گلستان با توجه به اهمیت حفاظتی در سطح ملی و منطقه‌ای، با تنوعی از تخلفات انسانی مواجه است که خسارات عدیده فیزیکی، اکولوژیکی و اقتصادی بر آن وارد می‌کنند. از این ‌رو، تعیین دقیق مناطق مستعد ارتکاب تخلفات، می‌تواند گامی مؤثر در تبیین و افزایش درک لزوم حفاظت از این منطقه برای مردم، سیاست‌گذاران حوزه محیط‌زیست و مسؤولان سیاسی و قضایی باشد. با توجه به پیچیدگی فرایند شناسایی و مکان‌یابی تخلفات تعلیف غیرمجاز دام و تأثیرگذاری عوامل مختلف زیستگاهی و انسانی بر وقوع آن، از مدل رگرسیون لجستیک به‌منظور پهنه‌بندی جرم در این منطقه استفاده شد. اجرای این روش یک رویکرد کمی برای اندازه‌گیری جرایم و شناسایی راه‌حل‌های عملی برای کاهش جرم در منطقه مورد مطالعه ارائه می‌دهد.
مواد و روش‌ها: پارک ملی گلستان اولین پارک ملی ایران است که از سال 1336 تحت حفاظت قرار دارد. به منظور پهنه‌بندی و شناسایی عوامل مؤثر بر وقوع تخلفات تعلیف غیرمجاز دام در پارک ملی گلستان از روش رگرسیون لجستیک در محیط نرم افزار TerrSet IDRISI بهره برده شد. رگرسیون لجستیک یکی از مدل‌های مناسب جهت اجرای پهنه‌بندی است که با استفاده از داده‌های موجود، یک معادله برای پیش‌بینی و بیان تغییرات متغیر وابسته، بر اساس متغیرهای مستقل ارائه می‌دهد. این روش از برآورد حداکثر احتمال برای یافتن بهترین عواملی که مدل را برازش می‌کنند، استفاده می‌کند. معادله رگرسیونی پیش‌بینی احتمال وقوع تخلف غیرمجاز دام در مرز پارک ملی گلستان، حاصل از مدل‌سازی رگرسیون لجستیک با استفاده از متغیرهای مستقل فیزیوگرافی، پوشش گیاهی و انسانی است.
نتایج: نتایج حاصل از اجرای مدل و معادله رگرسیونی پیش‌بینی احتمال وقوع تخلف تعلیف غیرمجاز دام در داخل پارک ملی گلستان نشان داد که مؤثرترین عامل در احتمال وقوع تخلف، فاصله از جاده با ضریب 679/5- است. ارتفاع با ضریب 192/4، زبری با ضریب 051/4، فاصله از چشمه‌ها با ضریب 34/2- در درجات بعدی اهمیت قرار دارند. عامل جهت با ضریب 0015 /0 به‌عنوان کم‌اثرترین متغیر مستقل تعیین گردیده است. ضرایب لایه‌های شیب، فاصله از جاده، فاصله از پاسگاه‌های محیط‌بانی، فاصله از منابع آبی (رودخانه و چشمه)، منفی به‌دست‌آمده است که بیانگر کاهش احتمال وقوع تخلف با افزایش فاصله از متغیرها است. مقادیر شاخص Pseudo R2 برابر 2402/0، شاخص ROC برابر با 8916/0 و شاخص Chi Square نیز برابر 8447 /8493 به دست آمده است که برازش قابل‌قبول مدل را تأیید و نشان‌دهنده دقت بسیار خوب و بالای اجرای مدل و وجود رابطه قوی با مقادیر احتمال حاصل از مدل رگرسیون لجستیک است. حذف تک به تکی هر یک از متغیرهای مستقل و انجام مقایسه حساسیت‌سنجی با استفاده از شاخص‌های آماری، تأیید کننده متغیر مستقل فاصله از جاده، به‌عنوان مهم‌ترین عامل تأثیرگذار بر وقوع تخلفات چرای غیرمجاز دام بوده‌اند.
بحث: نتایج حاصل از اجرای مدل رگرسیون لجستیک، بهترین تابع برازش را جهت توصیف ارتباط بین عوامل تأثیرگذار بر انجام تخلفات تعلیف غیرمجاز دام و نیز پیش‌بینی وقوع آن ارائه داد. بر این ‌اساس، تقریباً تمام مناطق پیرامونی پارک ملی گلستان که دارای جاده‌های دسترسی هستند، مستعد حضور دامداران غیرمجاز هستند. عواملی مهمی همچون کمبود نیروهای اجرایی، نبود پاسگاه‌های حفاظتی کافی و عدم فعالیت کامل برخی پاسگاه‌های موجود نیز در تشدید بروز تخلفات چرای غیرمجاز دام بسیار اثرگذار است. از طرفی به علت عدم تعیین حریم برای مناطق چهارگانه سازمان حفاظت محیط‌زیست و تنها اتکا به مرز پیرامونی مناطق حفاظت شده به‌عنوان مرز رسمی، موجب گردیده است که دامداران غیرمجاز نیز با شناسایی زیستگاه‌های مطلوب حاشیه جاده‌های پیرامونی پارک ملی گلستان، اقدام به ورود به پارک ملی گلستان و چرای غیرمجاز دام نمایند. از این ‌رو، با شناسایی کانون‌های تخلف و افزایش کارایی گشت‌زنی در این مناطق، می‌توان تا حد زیادی از وقوع تخلفات دام غیرمجاز جلوگیری نمود و با احیا عرصه‌های تخریب یافته، به بهبود کیفیت اکوسیستم کمک کرد.

کلیدواژه‌ها

پارک ملی گلستان
تعلیف غیر مجاز دام
رگرسیون لجستیک
پهنه‌بندی تخلفات

موضوعات

  1. Akhani, H., 2023. The Illustrated Flora of Golestan National Park Iran. Tehran, Vol. 2. (In Persian with English abstract).
  2. Berk, R.A. and Bleich, J., 2013. Statistical procedures for forecasting criminal behavior: A comparative assessment. Forecasting Criminal Behavior: Research Article.
  3. Boroughani, M. and Pourhashemi, S., 2019. Susceptibility zoning of dust source areas by data mining methods over Khorasan Razavi Province. Journal of Environmental Erosion Research, 9(3), 1-22. (In Persian with English abstract).
  4. Caro, T., 2015. Roads through national parks: A successful case study. Tropical Conservation Science, 8(4), 1009-1016. doi:10.1177/194008291500800411.
  5. Chen, Z. and Song, D., 2023. Modeling landslide susceptibility based on convolutional neural network coupling with metaheuristic optimization algorithms. International Journal of Digital Earth, 16(1), 3384-3416.
  6. Chisadza, C., Clance, M., van der Merwe, F. and Yitbarek, E., 2023. Ruggedness and child health outcomes: Evidence from Burundi, Cameroon, Ethiopia and Nigeria. South African Journal of Economics, 91(4), 498–527. Available from: https://doi.org/10.1111/saje.12354.
  7. Collinson, W.J., Davies-Mostert, H.T., Roxburgh, L. and van der Ree, R., 2019. Status of road ecology research in Africa: Do we understand the impacts of roads, and how to successfully mitigate them? Frontiers in Ecology and Evolution, 7, 494451. https://doi.org/10.3389/fevo.2019.00479.
  8. Cozens, P.M., Saville, G. and Hillier, D., 2005. Crime prevention through environmental design (CPTED): A review and modern bibliography. Property Management, 23, 328–356.
  9. Faramarzi, H., Hosseini, S.M. and Gholamalifard, M., 2014. Fire hazard zoning in National Golestan Park using logistic regression and GIS. Journal of Geography and Environmental Hazards, 3(2), 73-90. doi: 10.22067/geo.v3i2.26733. (In Persian with English abstract).
  10. Faramarzi, H., Hosseini, S.M., Pourghasemi, H. and Farnaghi, M., 2018. Evaluation of the Asian highway role on fire Golestan National Park in GIS environment. Journal of Wood and Forest Science and Technology, 25(3), 33-48. doi: 10.22069/jwfst.2018.14655.1729. (In Persian with English abstract).
  11. Farashi, A., Kaboli, M. and Momeni, I., 2010. Habitat suitability modeling for wild goat Capra aegagrus in Kolah Ghazi National Park, Esfahan Province. Journal of Natural Environment. 63(1), 63-73. (In Persian with English abstract).
  12. Gavin, M.C., Solomon, J.N. and Blank, S.G., 2010. Measuring and monitoring illegal use of natural resources. Conservation Biology, 24, 89–100.
  13. Ghaemi, P. and Ghaemi, R., 2024. Bibliography of Golestan National Park (Biosphere Reserve and World Natural Heritage). Vajhegan Sirang. (In Persian with English abstract).
  14. Ghasemi, N. and Kalteh, H., 2014. Investigation of the reasons for illegal hunting and fishing in Mazanderan and Golestan provinces, and presentation of legal ways to reduce violation. Journal of Environmental Science and Technology, 1(16), 451-461. (In Persian with English abstract).
  15. Hong, Y., Connor, T., Luo, H., Bian, X., Duan, Z., Tang, Z. and Zhang, J., 2021. Spatial utilization and microhabitat selection of the snow leopard (Panthera uncia) under different livestock grazing intensities. Earth Interactions, 25, 151–159. doi: 10.1175/EI-D-21-0003.1.
  16. Jerstad Stensland, V., 2023. A data-driven problem: Exploring predictive policing with random forest crime mapping in Oslo. Master thesis, Department of Criminology and Sociology of Law, University of Oslo.
  17. John, F.A.S., Edwards-Jones, G., Gibbons, J.M. and Jones, J.P.G., 2010. Testing novel methods for assessing rule breaking in conservation. Biological Conservation, 143, 1025–1030.
  18. Khaledi, S., Derafshi, K., Mehrjunejad, A. and Gharachahi, S., 2012. Assessment of the landslide effective factors and zonation of this event using logistic regression in the GIS environment: the Taleghan Watershed case study. Journal of Geography and Environmental Hazards. 1(1), 65-82. doi: 10.22067/geo. v1i1.16523. (In Persian with English abstract).
  19. Lan, S. and Dong, Z., 2022. Incorporating vegetation type transformation with NDVI time-series to study the vegetation dynamics in Xinjiang. Sustainability, 14, 582.
  20. Laurance, W.F., Clements, G.R., Sloan, S., O'Connell, C.S., Mueller, N.D., Goosem, M., Venter, O., Edwards, D.P., Phalan, B., Balmford, A., Van Der Ree, R. and Arrea, I.B., 2014. A global strategy for road building. Nature, 513, 229–232.
  21. Lee, S. and Pradhan, B., 2007. Landslide hazard mapping at Selangor, Malaysia using frequency ratio and logistic regression models. Landslide, 4, 33-41.
  22. Dai, F.C. and Lee, C.F., 2002. Landslide Characteristics and Slope in Stability Modeling using GIS Lantau Island Hong Kong. Geomorphology, 42: 213-228.
  23. Lin, H., 2024. Unraveling crime dynamics: A spatiotemporal analysis of crime hotspots [Doctoral dissertation, Kent State University]. OhioLINK Electronic Theses and Dissertations Center.
  24. Milner-Gulland, E.J., 2012. Interactions between human behavior and ecological systems. Philosophical Transactions of the Royal Society of London. Series B: Biological Sciences, 367, 270-278.
  25. Mir Deilami, T., Shataei, S. and Kavosi, M.R., 2015. Forest fire risk zone mapping in the Golestan National Park using regression logistic method. Journal of Wood and Forest Science and Technology, 22(1), 1-16. (In Persian with English abstract).
  26. Nellemann, C., Henriksen, R., Raxter, P., Ash, N. and Mrema, E., 2014. The environmental crime crisis: Threats to sustainable development from illegal exploitation and trade in wildlife and forest resources. Available at: https://wedocs.unep.org/20.500.11822/9120.
  27. Ratcliffe, J., 2010. Crime mapping: Spatial and temporal challenges. In: Piquero, A.R. and Weisburd, D. (eds) Handbook of Quantitative Criminology. New York, NY: Springer, 5-24.
  28. Rija, A.A., 2017. Spatial pattern of illegal activities and the impact on wildlife populations in protected areas in the Serengeti ecosystem. PhD thesis, University of York.
  29. Roostaei, S., Mokhtari, D. and Khodaiae, F., 2015. The application of logistic regression in the zoning of slope instabilities on the mountain roads (case study: Dare Diz Strait). Journal of Natural Environmental Hazards, 4(6), 89-103. doi: 10.22111/jneh.2016.2525. (In Persian with English abstract).
  30. Rovero, F., Augugliaro, C., Havmøller, R.W., et al., 2020. Co-occurrence of snow leopard Panthera uncia, Siberian ibex Capra sibirica and livestock: potential relationships and effects. Oryx, 54(1), 118-124. doi:10.1017/S0030605317001685.
  31. Saed, N., 2007. The collection of environmental laws and regulations and all-round excellence of the country. Tehran. (In Persian with English abstract).
  32. Sappington, J.M., Longshore, K.M. and Thompson, D.B., 2007. Quantifying landscape ruggedness for animal habitat analysis: a case study using bighorn sheep in the Mojave Desert. Journal of Wildlife Management, 71, 1419-1426.
  33. Seddighi, H. and Ghasemi, A.R., 2023. Landslide risk modeling using logistic regression model (Case study: Chaharmahal and Bakhtiari province). Researches in Earth Sciences, 14(4), 42-60. doi: 10.48308/esrj.2023.104053. (In Persian with English abstract).
  34. Shirani, K. and Arab Ameri, A.R., 2015. Landslide hazard zonation using logistic regression method (case study: Dez-e-Oulia basin). Water and Soil Science (Journal of Science and Technology of Agriculture and Natural Resources), 19(72), 321-334. (In Persian with English abstract).
  35. Shirzad, M., 2011. Suitability of habitats of Wild Goat in Khojir National Park. Master's thesis, Islamic Azad University, Science and Research Branch. (In Persian with English abstract).
  36. Stone, R.P. and Clarke, S., 2004. Alternative livestock watering systems. Factsheet No. 04-027. Ministry of Agriculture and Food. Ontario. Canada.
  37. Tian, J., Tian, Y., Cao, Y., Wan, W. and Liu, K., 2023. Research on rice fields extraction by NDVI difference method based on Sentinel data. Sensors, 23, 5876. https://doi.org/10.3390/s23135876.
  38. Vahab Zadeh, G.H., Miraki, F.H. and Shirzadi, A., 2017. Landslide susceptibility mapping with GIS and comparison of logistic regression, frequency ratio and AHP models. Case study: the watershed Kurdistan, Chashmidar. Application of Geography Information System and Remote Sensing in Planning, 2, 11-21. (In Persian with English abstract).
  39. Wang, B., Yin, P., Bertozzi, A.L., et al., 2019. Deep learning for real-time crime forecasting and its ternarization. Chinese Annals of Mathematics, Series B, 40(6), 949-966. DOI: 10.1007/s11401-019-0168-y.
  40. Watson, J.E.M., Darling, E.S., Venter, O., Maron, M., Walston, J., Possingham, H.P. and Brooks, T.M., 2016. Bolder science needed now for protected areas. Conservation Biology, 30(2), 243-248. doi:10.1111/cobi.12645.
  41. Watson, J.E.M., Dudley, N., Segan, D.B. and Hockings, M., 2014. The performance and potential of protected areas. Nature, 515(7525), 67-73. doi:10.1038/nature13947.
  42. Wei, W., Swaisgood, R.R., Dai, Q., Yang, Z., Yuan, S., Owen, M.A., Pilfold, N.W., Yang, X., Gu, X., Zhou, H., Han, H., Zhang, J., Hong, M. and Zhang, Z.J., 2018. Giant panda distributional and habitat-use shifts in a changing landscape. Conservation Letters, 11, e12575. doi: 10.1111/conl.12575.
  43. Weisburd, D.L., Groff, E.R. and Yang, S.M., 2012. The Criminology of Place: Street Segments and Our Understanding of the Crime Problem. Oxford, UK: Oxford University Press.
  44. Wilson-Wilde, L., 2010. Wildlife crime: a global problem. Forensic Science, Medicine, and Pathology, 6(3), 221-222.
  45. Ye, C., Chen, Y. and Li, J., 2018. Investigating the influences of tree coverage and road density on property crime. ISPRS International Journal of Geo-Information, 7, 101. https://doi.org/10.3390/ijgi7030101.
محیط زیست و توسعه فرابخشی
دوره 10، شماره 87
بهار 1404
صفحه 16-36

صفحه اصلی

ارسال مقاله

تماس با ما