مدل‎ سازی اجماعی اثرات تغییر اقلیم بر مطلوبیت رویشگاه بلندمازو (Quercus castaneifolia C. A. Mey) در منطقه رویشی هیرکانی

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 23

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IFEJ-13-2_002

تاریخ نمایه سازی: 5 خرداد 1405

چکیده مقاله:

چکیده مبسوط مقدمه و هدف: در حال حاضر تغییر اقلیم یک تهدید جدی برای بسیاری از گونه ها و در نتیجه از مهم ترین عوامل کاهش تنوع زیستی در جهان تلقی می شود. از این رو، درک نحوه تاثیرپذیری توزیع مکانی و ترکیب گونه ها از تغییرات اقلیمی، در حفاظت از بوم سازگان های طبیعی و دستیابی به توسعه پایدار حائز اهمیت است. مدل های پراکنش گونه ای از پرکاربردترین روش ها به منظور پیش بینی تاثیر تغییر اقلیم بر تغییرات پراکنش گونه های گیاهی هستند. با توجه به ارزش بوم شناختی، اقتصادی و تجاری بلندمازو (Quercus castaneifolia C. A. Mey) در جنگل های هیرکانی، هدف از انجام این مطالعه، استفاده از الگوریتم های مختلف مدل سازی به منظور شبیه سازی محدوده های اقلیمی مناسب برای تعیین مطلوبیت رویشگاه بلندمازو در شرایط فعلی اقلیم و تغییرات آن در سال های ۲۰۷۰ و ۲۱۰۰ میلادی می باشد.   مواد و روش ها: پس از تعیین نقاط حضور گونه با استفاده از داده­ های آماربرداری طرح های جنگل داری شمال کشور و طرح­ های تفصیلی استان های گلستان، مازندران و گیلان، متغیرهای زیست اقلیمی سال های ۲۰۱۳-۱۹۷۹ از پایگاه جهانی CHELSA استخراج شدند. متغیرهای زیست ­اقلیمی مربوط به سال­های ۲۰۱۹-۲۰۱۴ نیز با استفاده از تصاویر رستری بارندگی ماهانه و حداکثر و حداقل درجه حرارت ماهانه موجود در همین پایگاه داده، در نرم­افزار Idrisi TerrSet تولید شدند. سپس، میانگین وزنی این دو سری متغیرهای زیست­اقلیمی (۲۰۱۹-۱۹۷۹) در فرآیند مدلسازی لحاظ شد. علاوه بر این، متغیرهای فیزیوگرافی ارتفاع، شیب و شاخص جهت تابش خورشیدی (TRASP) مستخرج از مدل رقومی ارتفاع (DEM) نیز به عنوان ورودی فرآیند مدل سازی به کار رفتند. پس از انتخاب متغیرهای محیطی با عامل تورم واریانس (VIF)، ارتباط بین داده های رخداد گونه و نقشه متغیرهای محیطی با استفاده از نرم افزار  R ۴.۳.۱ به صورت ریاضی تعریف شد. الگوریتم های شبکه عصبی مصنوعی (ANN)، تجزیه و تحلیل طبقه بندی درختی (CTA)، مدل خطی تعمیم یافته (GLM)، رگرسیون تطبیقی چند متغیره جدا کننده (MARS)، حداکثر بی نظمی (MaxEnt) و جنگل تصادفی (RF) با استفاده از بسته Biomod۲ مورد ارزیابی قرار گرفتند. به منظور کاهش عدم قطعیت، یک چارچوب تلفیقی شامل شش مدل پراکنش گونه ای مذکور به کار رفت. از شاخص سطح زیر منحنی (AUC)، آماره مهارت حقیقی (TSS)، حساسیت (Sensitivity) و اختصاصی بودن (Specificity) برای ارزیابی عملکرد مدل ها استفاده شد. پس از تعیین میزان اهمیت متغیرهای مشارکت کننده در مدلسازی با تابع VarImp، منحنی­ های پاسخ گونه نسبت به مهم ترین متغیرها بر اساس مدل انفرادی با بیشترین کارایی ترسیم شدند. برای پیش بینی اثر تغییر اقلیم بر پراکنش گونه از مدل گردش عمومی MRI-ESM۲-۰ مربوط به پروژه مقایسه مدل های جفت شده فاز ششم (CMIP۶) تحت سناریوهای خوش بینانه (SSP۱-۲.۶) و بدبینانه (SSP۵-۸.۵) تغییر اقلیم برای بازه زمانی آینده نزدیک (۲۰۷۰-۲۰۴۱) و آینده دور (۲۱۰۰-۲۰۷۱) استفاده شد. یافته ها: بر اساس معیارهای ارزیابی، مدل های انفرادی دارای عملکرد خوبی بوده و برای ایجاد مدل اجماعی در نظر گرفته شدند. از میان مدل ها، ابتدا مدل اجماعی با آماره های TSS و AUC به ترتیب معادل ۰/۹۰۴ و ۰/۹۸۸ و سپس مدل جنگل تصادفی بیشترین کارایی را به خود اختصاص دادند. بر اساس مقادیر درصد مشارکت، بارندگی خشک­ ترین ماه سال (Bio۱۴)، میزان شیب و نوسانات فصلی بارندگی به ترتیب بیشترین سهم را در پراکنش بلندمازو و تعیین مطلوبیت رویشگاه آن داشتند. طبق مدل اجماعی، مناطق مطلوب رویشگاهی گونه در شرایط اقلیمی کنونی ۶۰ درصد از منطقه هیرکانی را در برمی گیرند. نقشه های تولید شده بیانگر مطلوبیت بالای رویشگاه بلندمازو در بخش های غربی و مرکزی منطقه هیرکانی هستند. با توجه به منحنی های عکس العمل گونه نسبت به مهم ترین متغیرهای محیطی، در رویشگاه های مطلوب، بارندگی خشک‎ ترین ماه سال حداقل ۱۰ میلی متر، تغییرات فصلی بارندگی کمتر از ۵۰، و شیب متوسط ۲۲-۲ درصد هستند. نتایج نشان دادند که در هر دو بازه زمانی و تحت هر دو سناریوی تغییر اقلیم، تغییراتی در پراکنش مکانی بلندمازو رخ خواهد داد که شدیدترین آن کاهش ۵/۲۹ درصدی محدوده اقلیمی مناسب گونه تا سال ۲۱۰۰ تحت سناریوی بدبینانه است. با مقایسه نقشه اجماعی مطلوبیت رویشگاهی کنونی و مطلوبیت رویشگاهی تحت تاثیر تغییر اقلیم، پیش بینی شد که بیشترین تغییر در مطلوبیت رویشگاهی در بخش های شرقی و جنوبی منطقه هیرکانی رخ خواهد داد. احتمالا با افزایش درجه حرارت، رویشگاه گونه از عرض های جغرافیایی یا ارتفاعات پایین تر به سمت عرض های جغرافیایی بالاتر جابجا می شود. نتیجه گیری: علی‎ رغم تفاوت در ماهیت الگوریتم های مختلف مدل­ سازی، پیش ‎بینی‎ های منتج از آن‎ ها برای بلندمازو تقریبا مشابه بودند. در این میان، جنگل تصادفی بالاترین صحت و مدل خطی تعمیم یافته کمترین صحت را در میان مدل‎های انفرادی دارا بودند. تنها مدل جنگل تصادفی توانست عملکردی معادل میانگین خروجی های چند روش مدل ‎سازی داشته باشد. رویشگاه مطلوب بلندمازو تحت سناریوی بدبینانه در هر دو بازه زمانی آینده و تحت سناریوی خوش بینانه تا سال ۲۰۷۰ کاهش خواهد یافت. بررسی اثرات احتمالی تغییر اقلیم بر پراکنش مکانی این گونه ارزشمند گیاهی به عنوان گونه مهم جنگل های هیرکانی جهت برنامه ریزی، حفاظت و مدیریت آن یک ابزار ضروری به نظر می رسد. نقشه های مطلوبیت رویشگاه می توانند به عنوان مبنایی برای طرح های احیایی جنگل ها در مناطق در معرض نابودی پیشنهاد شوند. از این رو، تهیه طرح های جامع حفاظتی با هدف کاهش آثار تغییر اقلیم بر این گونه با ارزش ضروری به‎ نظر می رسد.

نویسندگان

سارا هدایتی کلیجی

Department of Forest Sciences and Engineering, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran

سید محسن حسینی

Department of Forest Sciences and Engineering, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran

سید جلیل علوی

Department of Forest Sciences and Engineering, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran

محدثه امیری

Department of Range and Watershed Management, Faculty of Agricultural and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Adhikari, B., Subedi, S. C., Bhandari, S., Baral, K., Lamichhane, ...
  • Aertsen, W., Kint, V., van Orshoven, J., Özkan, K., & ...
  • Akbary, M., & Sayad, V. (۲۰۲۱). Analysis of climate change ...
  • Alavi, S. J., Ahmadi, K., Hosseini, S. M., Tabari Kouchaksaraei, ...
  • Amiri, M., Dargahi, D., Habashi, H., & Mohammadi, J. (۲۰۰۸). ...
  • Ardestani, E. G., Tarkesh, M., Bassiri, M., & Vahabi, M. ...
  • Babalik, A. A., Sarikaya, O., & Orucu, O. K. (۲۰۲۱). ...
  • Bellard, C., Bertelsmeier, C., Leadley, P., Thuiller, W., & Courchamp, ...
  • Bladon, A. J., Donald, P. F., Collar, N. J., Denge, ...
  • Bogoni, J. A., Percequillo, A. R., Ferraz, K. M., & ...
  • Breiman , L. (۲۰۰۱). Random forests. Machine Learning, ۵-۳۲. https://doi.org/۱۰.۱۰۲۳/A:۱۰۱۰۹۵۰۷۱۸۹۲ ...
  • Breiman, L., Friedman, F., Olshen, F., & Stone, C. (۱۹۸۴). ...
  • Dalmaris, E., Ramalho, C. E., Poot, P., Veneklaas, E. J., ...
  • Desta, F., Colbert, J. J., Rentch, J. S., & Gottschalk, ...
  • Di Cola, V., Broennimann, O., Petitpierre, B., Breiner, F. T., ...
  • Estoque, R. C., Ooba, M., Togawa, T., & Hijioka, Y. ...
  • Friedman, J. H. (۱۹۹۱). Multivariate adaptive regression splines. The annals ...
  • Gorji Bahri, Y., Kiadaliri, S., & Faraji Poul, R. A. ...
  • IPCC. (۲۰۲۱). Summary for policymakers. In: Climate Change ۲۰۲۱: The ...
  • IPCC. (۲۰۲۳). sixth assessment report (AR۶) “Climate Change ۲۰۲۳” Synthesis ...
  • Iverson, L.R., Prasad, A.M., Matthews, S.N. & Peters, M. (۲۰۰۸). ...
  • Karger, D. N., Conrad, O., Böhner, J., Kawohl, T., Kreft, ...
  • Khalatbari Limaki, M., Es-hagh Nimvari, M., Alavi, S. J., Mataji, ...
  • Khodagholi, M., Motamedi, J., & Saboohi, R. (۲۰۲۳). Effects of ...
  • Lek, S., & Guégan, J.-F. (۱۹۹۹). Artificial neural networks as ...
  • Liao, Z., Nobis, M. P., Xiong, Q., Tian, X., Wu, ...
  • López-Tirado, J., & Hidalgo, P. J. (۲۰۱۶). Predictive modelling of ...
  • López-Tirado, J. H. (۲۰۱۶). Predictive modelling of climax oak trees ...
  • Madsen, C. L., Kjær, E. D., & Ræbild, A. (۲۰۲۱). ...
  • Malekian, M., & Sadeghi, M. (۲۰۲۰). Predicting impacts of climate ...
  • Mehrnia, M., Assadi, M., & Moradi, A. (۲۰۲۲). The conservation ...
  • Moghbel Esfahani, F., Alavi, S. J., Hosseini, S. M., & ...
  • Naimi, B., Hamm, N. A., Groen, T. A., Skidmore, A. ...
  • Nelder, J. A., & Wedderburn, R. W. M. (۱۹۷۲). Generalized ...
  • Nicotra, A. B., Atkin, O. K., Bonser, S. P., Davidson, ...
  • Özcan, A. U., Gülçin, D., Tuttu, G., Velázquez, J., Ayan, ...
  • Phillips, S. J., Anderson, R. P., & Schapire, R. E. ...
  • Radmehr, A., Soosani, J., Ghalebahmani, S. M., Balapour, S., & ...
  • Sabeti, H. (۱۹۷۶). Forests, trees and shrubs of Iran. Yazd ...
  • Sagheb Talebi, K., Sajedi, T., & Pourhashemi, M. (۲۰۱۴). Forests ...
  • Shahnaseri, G., Malekian, M., & Pourmoghadam, K. (۲۰۲۳). Habitat loss ...
  • Shiravand, H., & Hosseini, S. A. (۲۰۲۰). A new evaluation ...
  • Sicard, P., Agathokleous, E., De Marco, A., & Paoletti, E. ...
  • Sierra-Morales, P., Rojas-Soto, O., Ríos-Muñoz, C. A., Ochoa-Ochoa, L. M., ...
  • Šimková, M., Vacek, S., Šimůnek, V., Vacek, Z., Cukor, J., ...
  • Stevens‐Rumann, C. S., Kemp, K. B., Higuera, P. E., Harvey, ...
  • Sun, S., Zhang, Y., Huang, D., Wang, H., Cao, Q., ...
  • Swets, J. A. (۱۹۸۸). Measuring the accuracy of diagnostic systems. ...
  • Taleshi, H., Jalali, S. G., Alavi, S. J., Hosseini, S. ...
  • Thuiller, W., Georges, D., Gueguen, M., Engler, R., & Breiner, ...
  • Thuiller, W., Lavergne, S., Roquet, C., Boulangeat, I., Lafourcade, B., ...
  • Valavi, R., Shafizadeh-Moghadam, H., Matkan, A., Shakiba, A., Mirbagheri, B., ...
  • Vannini, A., Lucero, G., Anselmi, N., & Vettraino, A. M. ...
  • نمایش کامل مراجع