پیش‌بینی پراکنش بالقوۀ کهورک (.Prosopis farcta (L در مراتع حاشیه رودخانه نیاتک سیستان

عظیمی, وحید; پیری صحراگرد, حسین; کرمی, پیمان; صابری, مرتضی

doi:10.22034/jdmal.2022.548628.1374

پیش‌بینی پراکنش بالقوۀ کهورک (.Prosopis farcta (L در مراتع حاشیه رودخانه نیاتک سیستان

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانش آموختۀ کارشناسی ارشد مرتعداری، دانشکده آب و خاک، دانشگاه زابل، زابل، ایران.

² دانشیار دانشکدۀ آب و خاک، گروه مرتع و آبخیزداری، دانشگاه زابل، زابل، ایران.

³ دانش آموختۀ دکتری محیط زیست، دانشگاه ملایر، همدان، ایران.

⁴ استادیار دانشکدۀ آب و خاک، گروه مرتع و آبخیزداری، دانشگاه زابل، زابل، ایران.

10.22034/jdmal.2022.548628.1374

چکیده

پژوهش حاضر با هدف شناخت نیازهای محیطی گونهProsopis farcta (L.) و تهیه نقشۀ پراکنش بالقوه آن با بهره‌گیری از روش‌های درخت طبقه‌بندی و رگرسیون، جنگل تصادفی و مدل تجمعی تعمیم یافته در مراتع حاشیه رودخانۀ نیاتک منطقة سیستان انجام شد. برای این منظور، داده‌های حضور گونه طی بازدید میدانی و اطلاعات عوامل محیطی با استفاده از نمونه‌برداری میدانی و مدل رقومی ارتفاع تهیه شد. در آغاز مدلسازی رویشگاه با بهره‌گیری از مدل دامنه اجرا و نقشه پیش‌بینی حاصل از این روش برای تهیه نقاط شبه عدم حضور استفاده شد. مدل‌سازی پراکنش گونه با روش‌های جنگل تصادفی، درخت طبقه‌بندی و رگرسیون و روش تجمعی تعمیم یافته انجام شد. ارزیابی دقّت مدل‌های با معیار سطح زیر منحنی انجام شد. نتایج نشان داد که مدل جنگل تصادفی با مقدار سطح زیر منحنی 0.98 دارای بیشترین دقّت پیش‌بینی است. پس از این روش، به‌ترتیب مدل‌های جمعی تعمیم یافته و درخت طبقه‌بندی و رگرسیون قرارگرفت. بیشترین و کمترین مقدار تطابق با شاخص کاپا به‌ترتیب مقدار 0.75 و 0.43 به مدل جنگل تصادفی و مدل جمعی تعمیم یافته اختصاص دارد. نتایج بررسی اهمیت متغیرها نشان داد که در مقیاس مورد بررسی، عوامل مرتبط با خاک و فاصله از رودخانه در مقایسه با دیگر عوامل، تأثیر بیشتری در پراکنش گونه مذکور دارند، به‌نحوی که در تمامی مدل‌های مورد استفاده متغیرهای درجۀ اسیدیته و هدایت الکتریکی به‌عنوان متغیرهای مهمتر شناسایی شد. در مجموع، با توجه به اینکه قسمتهای مرکز و حاشیه رودخانه نیاتک دارای بیشترین مطلوبیت برای انتشار گونه کهورک هستند، پیشنهاد می‌گردد طرح‌های توسعه رویشگاه‌های گونه Prosopis farcta در این مناطق برنامه‌ریزی شود.

کلیدواژه‌ها

20.1001.1.24763985.1401.10.1.4.8

موضوعات

پوشش گیاهی

مراجع

Barbet-Massin, M., Jiguet, F., Albert, C. H., & Thuiller, W. (2012). Selecting pseudo-absences for species distribution models: how, where and how many? Methods in Ecology and Evolution, 3(2), 327-338.
Breiman, L., Cutler, A. (2004). Random Forests. Department of Statistics: University of Berkeley.
Coudun, C. H., & Gégout, J. C. (2006). The derivation of species response curves with Gaussian logistic regression models is sensitive to sampling intensity and curve characteristics. Ecological Modelling, 199,164-175.
Dobrowski, S. Z., Thorne, J. H., Greenberg, J. A., Safford, H. D., Mynsberge, A. R., Crimmins, S. M., & Swanson, A. K. (2011). Modeling plant ranges over 75 years of climate change in California, USA: temporal transferability and species traits. Ecological Monographs, 81(2), 241-257.
El-Amier, Y. A. (2016). Vegetation structure and soil characteristics of five common geophytes in desert of Egypt. Basic and Applied Science, 3, 172-186.
Elith, J., 2017. (2017). Invasive species: risk assessment and management. Cambridge: Cambridge University Press.
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google earth engine: planetary-scale geospatial analysis for everyone. Remote Sensing Environment, 202, 18-27.
Guisan, A., & Thuiller, W. (2005). Predicting species distribution: offering more than simple habitat models. Ecology Letter, 8, 993- 1009.
Haidarian Aghakhani, M., Tamartash, R., Jafarian, Z., Tarkesh Esfahani, M., & Tatian, M. R. (2017). Forecasts of climate change effects on Amygdalus scoparia potential distribution by using ensemble modeling in Central Zagros. RS and GIS for Natural Resources, 8(3), 1-14. (in Farsi)
Henderson, E. B., Ohmann, J. L., Gregory, M. J., Roberts, H. M., & Zald, H. (2014). Species distribution modelling for plant communities: stacked single species or multivariate modelling approaches? Applied Vegetation Science, 17(3), 516-527.
Hengl, T., Nussbaum, M., Wright, M. N., Heuvelink, G. B., & Gräler, B. (2018). Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables. Peer Journals, Life and Environment, 6, 1-49.‏
Jafari, M., Zare Chahouki, M. A., & Tavili. A., & Kouhandel A. (2007). Soil-vegetation relationships in rangelands of Qom province, Pajouhesh –va- Sazandegi, 19(3), 110-116. (in Farsi)
Jafarian , Z., & Kargar, M. (2017). Distribution modeling of protective and valuable plant species in the tourist area of Polour using generalized linear model (GLM) and generalized additive model (GAM), Geography and Development Iranian Journal, 15(46), 117-132. (in Farsi)
Jahantigh, M. (2017). Study on relations of vegetation and soil in river banks of dryland regions‎. Plant Ecosystem Conservation, 4(9), 181-194. (in Farsi)
Javadi, S.A., Khanarmooyi, A., & Jafari, M. (2016). Investigation of relationship between vegetation factors and soil properties (Case Study: Khojir National Park). Rangeland and Watershed Management, 69(2), 353-366. (in Farsi)
Kargar, M., Jafarian, Z., Tamartash., & Alavi, S. J. (2017). Comparison of non-parametric and parametric species distribution models (SDM) in determining the habitat of dominant rangeland species (Case study: Khetteh Riz Rangelands). Range and Desert Research, 25(3), 512-523. (in Farsi)
Karimi, Gh., Heidari Sharif abad, H., & Assareh, M. H. (2005). The effects of salinity stress on seed germination, seedling growth and proline content in Atriplex verrucifera, Rangeland and Forest Plant Breeding and Gentic Research, 12(2), 419-432. (in Farsi)
Keyghobadi, M., Piri Sahragard, H., Pahlavan Rad, M. R., Karami, P., Yari, R. (2020). Application of generalized additive model (GAM) and classification and regression tree (CART) to estimate the potential habitat distribution of rangeland plant species (Case study: Khazri Rangelands of Beyaz Plain, Southern Khorasan). Range and Desert Research, 27(3), 561-576. (in Farsi)
Kozak, K. H., Graham, C. H., & Wiens, J. J. (2008). Integrating GIS-based environmental data into evolutionary biology. Trends in Ecology and Evolution, 23(3), 141-48.
Liu, C., White, M., & Newell, G. (2011). Measuring and comparing the accuracy of species distribution models with presence–absence data. Ecography, 34, 232-243.
Mahmoudi A. A., Zahedi Gh., & Etemad, V. (2013). The investigation on the relationship between soil physical and chemical properties and succulence of natural and planted saxaul (Haloxylon spp) (Case study: Hosseinabad plain, Southern Khorasan province). Forest, 4(4), 289-299. (in Farsi)
McCune,, & Keon, D. (2002). Equations for potential annual direct incident radiation and heat load. Vegetation Science, 13(4), 603-606.
McCullagh, P., & Nelder, J. A. (1989). Generalized linear models. Chapman and Hall. 2nd edition: London.
Milanesi, P., Holderegger, R., Caniglia, R., Fabbri, E., & Randi, E. (2016). Different habitat suitability models yield different least-cost path distances for landscape genetic analysis. Basic and Applied Ecology, 17(1), 61-71.
Morovati, M., Karami, P., Bahadori Amjas, F. (2020). Accessing habitat suitability and connectivity for the westernmost population of Asian black bear (Ursus thibetanus gedrosianus, Blanford, 1877) based on climate changes scenarios in Iran. PloS ONE, 15(11), 1-22.
Peters, J., Baets, B. D., Verhoest, N. E. C., Samson, R., Degroeve, S., & Becker, P. D. (2007). Random forests as a tool for ecohydrological distribution modelling. Ecological Modelling, 207(2-4), 304-18.
Peterson, A.T., Sober J., Pearson, R. G., Anderson, R. P., Martinez-Meyer, E., Nakamura, M., & Bastos, M. (2011). Ecological niches and geographic distributions. New Jersey: Princeton University Press.
Piri Sahragard, H., Ajorlo, M., & Karami, P. (2018). Modeling habitat suitability of range plant species using random forest method in arid mountainous rangelands. Mountain Science, 15(10), 2159- 2171.‏
Piri Sahragard, H., & Zare Chahouki, M. A. (2015). Modeling of Artemisia sieberi Besser habitat distribution using maximum entropy method in desert rangelands. Rangeland Science, 6(2), 93-101.‏
Piri, H., & Ansari, H. (2013). Study of Sistan plain drought and its impact on wetlands international Hamoon. Wetlands, 4(15), 63-74. (in Farsi)
Schaefer, H. (2019). Predicting spawning habitat for lake whitefish coregonus clupeaformis and cisco coregonus artedi in the Lake Erie and Lake Ontario regions using classification and regression tree (CART) and random forest models. Doctoral dissertation, University of Michigan: Michigan.
Sutton, L.J., & Puschendorf, R. (2020). Climatic niche of the Saker Falcon Falco cherrug: predicted new areas to direct population surveys in Central Asia. Ibis, 162(1), 27-41.
Wang, H. H., Wonkka, C.L., Treglia, M. L., Grant, W. E., Smeins, F. E., & Rogers, W. E. (2015). Species distribution modeling for conservation of an endangered endemic orchid. AoB PLANTS, 7, 39.
Williams, J. N., Seo, C., Thorne, J., Nelson, J. K., Erwin, S., O’Brien, J. M., & Schwartz, M. W. (2009). Using species distribution models to predict new occurrences for rare plants. Diversity and Distributions, 15(4), 565-576.
Zare Chahouki M. A., Piri Sahragard, H., & Naghilou, M. (2016). Determination of occurrence optimal thresholds in the predictive models of plant species distribution (Case study: Rangelands of Nir region of Yazd province). Desert Ecosystem Engineering Journal, 5(10), 1-12. (in Farsi)
Zare Chahouki, M. A., & Piri Sahragard, H. (2016). Maxent modelling for distribution of plant species habitats of rangelands (Iran). Polish Journal of Ecology, 64(4), 453-467.
Zhang, K., Yongzhong, S., Wang, T., & T. (2016). Soil properties and herbaceous characteristics in an age sequence of Haloxylon ammodendron plantations in an oasis-desert ecotone of northwestern China. Arid Land, 8(6), 960-972.