اثر تبدیل داده ها بر تحلیل تطبیقی قوس گیری شده(DCA) در مطالعات پوشش گیاهی (مطالعه موردی: جنگل های بلوط کرمانشاه)

نمونه برداری از پوشش گیاهی یک مرحله اساسی در پژوهشهای بوم شناختی است که بیشتر با برآورد پوشش گونه ها انجام می شود. این فرآیند بیشتر شامل تبدیل داده ها برای درنظر گرفتن حضور گونه های عمومی و نادر و همچنین صفرها در مجموعه داده ها است که می تواند تاثیر زیادی بر نتایج تحلیل ها داشته باشد. تحلیل های بعدی این مجموعه داده ها با هدف یافتن الگوها و پویایی جامعه در اکوسیستم های مختلف انجام می شود. با این حال، روش بهینه تبدیل داده ها برای تحلیل های چندمتغیره همچنان موضوعی مورد بحث در میان بوم شناسان است، زیرا روش های مختلف تبدیل می توانند تفسیرهای متفاوتی از داده های بوم شناختی به همراه داشته باشند. در این مطالعه، به ارزیابی تاثیرات تبدیل های مختلف داده ها بر نتایج تحلیل تطبیقی قوس گیری شده(DCA) ، به ویژه در جنگل های بلوط (Quercus branti L.) واقع در منطقه زاگرس ایران، پرداختیم. این منطقه به خاطر تنوع زیستی منحصر به فرد و اهمیت اکولوژیکی آن، مکان ایده آلی برای چنین بررسی هایی است. برای دستیابی به اهداف پژوهش، سه منطقه جنگلی مجزا با شیب و ارتفاع از سطح دریا مشابه انتخاب کردیم تا متغیرهای محیطی مشابه باشند. نمونه برداری از پوشش گیاهی در پنج فاصله مشخص ۰، ۲۵، ۵۰، ۱۰۰ و ۱۵۰ متر، در طول سه خط نمونه که ۲۰۰ متر از یکدیگر فاصله داشتند، انجام شد. این رویکرد سیستماتیک به ما این امکان را داد تا نمای کاملی از توزیع گونه ها در سراسر مناطق جنگلی به دست آوریم. از درصد پوشش براون-بلانکه و مقیاس ون در مارل برای آماده سازی مجموعه داده ها استفاده کردیم و اطمینان حاصل کردیم که اندازه گیری ها قابل اعتماد هستند. هر مجموعه داده تحت تبدیل های مختلفی قرار گرفت، از جمله تبدیل لگاریتمی، ریشه مربع و تبدیل های نسبی عمومی. پس از آن، روشDCA  برای هر مجموعه داده تبدیل شده، اجرا شد و نتایج به دست آمده با روش پروکراستز، روشی که شباهت بین دو مجموعه داده را کمی سازی می کند، مورد مقایسه قرار گرفت. یافته ها نشان داد که هر دو مجموعه داده تبدیل شده به لگاریتم و ریشه مربع به طور قابل توجهی نتایج DCA را، با کاهش موثر تغییرات موجود در مجموعه داده، بهبود بخشیدند. نتایج روش پروکراستز نشان داد که هم خوانی بین مجموعه داده های تبدیل شده به لگاریتم و ریشه مربع و داده های خام به طور چشمگیری بالاتر از روشهای دیگر تبدیل ها ارزیابی شد. نتایج ما نشان داد که تبدیل های نسبی عمومی برای تحلیل DCA نامناسب بودند، زیرا نتوانستند روابط بوم شناختی موجود در داده ها را به خوبی نمایان کنند. بنابراین،  توصیه می کنیم که قبل از انجام تحلیل های رسته بندی، از تبدیل داده ها، به ویژه تبدیل لگاریتمی یا ریشه مربع استفاده شود. این رویکرد نه تنها قابلیت اعتماد به نتایج را بهبود می بخشد بلکه تفسیر اکولوژیکی دقیق تر را تسهیل می کند و در آخر به درک عمیق تری از پویایی جامعه در اکوسیستم های جنگلی کمک می کند.

کلیدواژه ها:

تبدیل نسبی عمومی ، تبدیل لگاریتمی ، تحلیل پروکراستز ، جنگل های زاگرس ، ریشه مربع