بررسی تاثیرگذاری متغیرهای محیطی مختلف در مدلسازی پراکنش گونه سرخدار (Taxus baccata L.) با استفاده از مدل MAXENT در جنگل های هیرکانی

  • سال انتشار: 1404
  • محل انتشار: فصلنامه پژوهش و توسعه جنگل، دوره: 11، شماره: 1
  • کد COI اختصاصی: JR_JFRD-11-1_002
  • زبان مقاله: فارسی
  • تعداد مشاهده: 14
دانلود فایل این مقاله

نویسندگان

Shadi Habibikilak

دانشجوی دکتری علوم و مدیریت جنگل دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران

Seyed Jalil Alavi

دانشیار گروه علوم و مهندسی جنگل دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران

Omid Esmailzadeh

دانشیار گروه علوم و مهندسی جنگل دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران

چکیده

مقدمه و هدف: نقشه پراکنش گونه های گیاهی نقش برجسته ای در ارزیابی حفاظت منطقه ای، توسعه برنامه ریزی و اقدامات مدیریتی دارند. مدل های پراکنش گونه ای (SDM) به­عنوان الگوریتم تحلیلی-آماری تعریف می شوند که با توجه به مشاهدات میدانی و نقشه های محیطی می توانند دامنه جغرافیایی پراکنش گونه های گیاهی را تعیین کنند. از آن جا که گونه سرخدار یکی از گونه های با ارزش جنگل های هیرکانی است و از مهم ترین درختان دیرزیست این ناحیه محسوب می شود، دستیابی به نقشه پراکنش و مناطق دارای پتانسیل حضور این گونه و مشخص کردن عوامل تاثیرگذار بر حضور این گونه در سطح جنگل های هیرکانی با هدف انجام حفاظتی از گونه های ذخیره گاهی ضرورت دارد. در میان مدل های پراکنش گونه، مدل حداکثر آنتروپی (MaxEnt) یکی از محبوب ترین مدل هایی است که مزایایی را در بین این رویکردها نشان می دهد. مدل حداکثر آنتروپی یکی از مهمترین روش ها بر اساس نقاط صرفا حضور است و کارایی خوبی را در این زمینه نشان داده است. حساسیت این روش به وجود تعداد کم نﻘاط حضور نیز کم است و با حداقل پنج نقطه حضور نیز قابلیت استفاده دارد. همچنین قادر به مدلسازی روابط پیچیده و غیر­خطی بین متغیر پاسخ و پیش بینی­کننده ها نیز هستند. با این حال، سهولت و سادگی اجرای آن است که آن را به برجسته ترین و پرکاربردترین تکنیک SDM در بررسی­های علمی سوق داده است. هدف از این پژوهش پاسخ به این سوال است که کدامیک از متغیرهای محیطی بر پراکنش سرخدار تاثیرگذار است؟مواد و روش ها: در این پژوهش ابتدا رویشگاه های اصلی سرخدار در جنگل های هیرکانی در سه استان گلستان، مازندران و گیلان شناسایی شده و تعداد ۱۶۱۴ حضور گونه سرخدار ثبت شد. سپس متغیرهای محیطی شامل متغیرهای زیست اقلیمی از پایگاه جهانی World Clime، متغیرهای محیطی از پایگاه SoilGrids و متغیرهای توپوگرافی حاصل از Dem یک کیلومتر برای منطقه مورد نظر آماده شد. برای مدلسازی، از مدل MaxEnt استفاده شد؛ به این صورت که یکبار تنها با استفاده از متغیر اقلیمی (M۱)، یکبار با ترکیب متغیر اقلیمی و توپوگرافی (M۲)، یکبار در ترکیب متغیرهای اقلیمی و خاکی (M۳) و در نهایت با تمام متغیرهای محیطی با درنظر گرفتن همبستگی موجود بین متغیرها مدل MaxEnt اجرا شد. در این پژوهش از MaxEnt بهینه با پنج ضریب منظم سازی مختلف (۰.۵، ۱، ۲، ۳ و ۴) در ترکیب با ویژگی های مختلف (L، LQ، H، LQH، LQHP) استفاده شد. همچنین، تنظیمات مدل MaxEnt بهینه بر اساس معیارهای ارزیابی وابسته به آستانه (یعنی نرخ حذف) برای یافتن بهترین شاخص­هایی که میانگین ارزیاب ها را در اعتبارسنجی به بیشینه می رسانند، استفاده شد. پس از شناسایی تنظیمات مناسب و بهینه MaxEnt، سایر گزینه های انتخاب­شده در این پژوهش شامل روش block با ۵۰۰۰ نقطه پس­زمینه است. برای ارزیابی عملکرد مدل و بهبود عملکرد از سطح زیر منحنی مشخصه عملیاتی گیرنده (AUC) به عنوان یک معیار مرسوم استفاده شد.یافته ها: نتایج نشان داد که مدل ۳ که شامل متغیرهای اقلیمی و خاکی بود کمترین مقدار AUC را داشت، درحالی­ که مدل ۲ متشکل از متغیرهای اقلیمی و توپوگرافی سبب بهبود عملکرد مدل شد و مقدار AUC از ۹۳/۰ به ۹۴/۰ افزایش یافت. نتایج نشان داد که بیشترین مقدار AUC متعلق به مدل ۴ با مقدار ۹۶/۰ بود که نشان دهنده افزایش دقت مدل در پیش بینی پس از حذف هم­خطی بین متغیرها است. همچنین بر اساس درصد سهم از میان متغیرهای زیست اقلیمی، متغیرهای bio۲، bio۳، bio۷، bio۱۸، از متغیرهای توپوگرافی ارتفاع و شیب به ترتیب در مدلسازی پراکنش گونه های سرخدار در جنگل های هیرکانی مهم ترین متغیرها بودند. این شش عامل، در مجموع ۹۰ درصد در پراکنش گونه سرخدار نقش دارند در این میان تمام متغیرهای خاکی با هم ۰۲/۱ درصد در مدلسازی پراکنش سرخدار نقش داشتند.نتیجه گیری: نتایج ما نه تنها درک ما را از نحوه عملکرد این عوامل غیرزیستی در پراکنش گونه سرخدار بهبود می بخشد، بلکه اهمیت هرکدام از متغیرهای پیش بینی­کننده بر حضور گونه در معرض خطر انقراض سرخدار را مشخص می کند. این پیش بینی کننده ها به تخمین پراکنش بالقوه درختان سرخدار در منطقه جنگلی شمال ایران کمک می کنند. این پژوهش یک مبنای علمی برای توسعه و اجرای یک برنامه حفاظتی با اولویت و هماهنگ برای حفاظت از این گونه درختی در محدوده جغرافیایی بومی آن فراهم می کند.

کلیدواژه ها

جنگل های هیرکانی, متغیرهای محیطی, مدلسازی پراکنش گونه, مطلوبیت رویشگاه

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.