مقایسه تکنیک های رگرسیونی و یادگیری ماشینی در تعیین گستره جغرافیایی اسپرس کوهی (Onobrychis cornuta L.) تحت تاثیر ویژگی های محیطی و تغییر اقلیم با استفاده از مدل IPSL-CM۶A-LR

  • سال انتشار: 1402
  • محل انتشار: فصلنامه محیط شناسی، دوره: 49، شماره: 1
  • کد COI اختصاصی: JR_JESJ-49-1_007
  • زبان مقاله: فارسی
  • تعداد مشاهده: 94
دانلود فایل این مقاله

نویسندگان

زینب جعفریان

گروه مرتعداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

محدثه امیری

-گروه مرتعداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران -گروه علوم کشاورزی، دانشگاه فنی و حرفه

چکیده

پیش بینی تاثیر تغییر اقلیم بر اکوسیستم های بومی یکی از اهداف دیرینه اکولوژیست هاست و امری ضروری جهت حفاظت و مدیریت آنهاست. مدل های پراکنش گونه ای (SDM) پرکاربردترین ابزار برای پیش بینی اثرات تغییر اقلیم بر محدوده جغرافیایی گیاهان هستند. در این مطالعه، تکنیک های رگرسیونی (GLM و MARS) و یادگیری ماشینی (ANN و RF) همراه با متغیرهای محیطی برای پیش بینی پراکنش Onobrychis cornuta L. به کار رفتند. پاسخ گونه به اقلیم آینده (۲۰۷۰-۲۰۵۰) تحت سناریوهای خوش بینانه (SSP۱-۲.۶)، بدبینانه (SSP۳-۷.۰) و خیلی بدبینانه (SSP۵-۸.۵) مدل اقلیمی IPSL-CM۶A-LR از مدل های CMIP۶ بررسی شد. طبق نتایج، مدل اجماعی و سپس MARS دقیق ترین پیش بینی را داشتند. مدل ANN با اختلاف معنی دار با سایر مدل ها (۰.۰۵> p) کمترین صحت پیش بینی را داشت. آنالیز حساسیت، ارتفاع (%۲۴.۶۴)، حداکثر دمای گرمترین ماه (%۲۰.۳۱)، تغییرات فصلی دما (%۱۶.۵۷) و میانگین دامنه دمای روزانه (%۱۶) را موثرترین متغیرها بر پراکنش گونه معرفی کرد. طبق مدل اجماعی، رویشگاه مناسب گونه، ۲۷ درصد از منطقه را به خود اختصاص داده است، اما تحت اقلیم آینده، پراکنش آن کاهش خواهد یافت. سناریوی SSP۵-۸.۵ بیشترین تاثیر را بر جابجایی محدوده پراکنش گونه خواهد داشت. نقشه های پیش بینی حاصل اطلاعات ارزشمندی را برای راهکارهای حفاظتی شامل شناسایی مکان های مناسب جهت معرفی مجدد و کشت آن در چارچوب طرح های مدیریت مراتع فراهم می سازند.

کلیدواژه ها

آشیان اکولوژیک, مطلوبیت رویشگاه, تغییر اقلیم, سناریوهای SSP, مدل های CMIP۶

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.