| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شماره‌ها | 3,272 |
| تعداد مقالات | 36,149 |
| تعداد مشاهده مقاله | 55,713,297 |
| تعداد دریافت فایل اصل مقاله | 94,492,170 |
مدل‌سازی پراکنش حرا (.Avicennia marina (Forssk.) Vierh) در جنگل‌های ماندابی خمیر و قشم با استفاده از مدل بیشینه آنتروپی (MaxEnt) | ||
| تحقیقات جنگل و صنوبر ایران | ||
| مقاله 2، دوره 32، شماره 2 - شماره پیاپی 96، شهریور 1403، صفحه 97-111 اصل مقاله (609.3 K) | ||
| نوع مقاله: علمی- پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijfpr.2024.364460.2140 | ||
| نویسندگان | ||
| پروانه سبحانی1؛ افشین دانه کار* 2 | ||
| 1پژوهشگر پسادکتری، گروه محیط زیست، دانشگاه تهران، دانشکده منابع طبیعی، کرج، ایران | ||
| 2نویسنده مسئول، استاد، گروه محیط زیست، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| سابقه و هدف: طی دهه‌های اخیر، جنگل‌های مانگرو (Mangrove forests) خمیر و قشم به‌علت روند تغییرات ناشی از توسعه انواع فعالیت‌های انسانی (ازجمله احداث اسکله‌ها، بنادر تجاری و گردشگری، سرشاخه‌زنی و توسعه بی‌برنامه گردشگری) در حال تخریب هستند. از طرفی، این جنگل‌ها در کنار خدمات ارزنده بوم‌سازگانی با توسعه بی‌رویه و بدون برنامه‌ریزی و نیز کم‌توجهی جوامع محلی مواجه شده است، بنابراین درک پراکنش مکانی گونه‌های گیاهی در این منطقه، اهمیت زیادی در برنامه‌ریزی صحیح و افزایش حفاظـت از این ذخایر ارزشمند زیستی دارد. به این منظور هدف از پژوهش پیش‌‌رو، شناسایی مناطق مناسب و مدل‌سازی حضور حرا (Avicennia marina (Forssk.) Vierh.) در جنگل‌های مانگرو خمیر و قشم به منظور احیا و پراکنش مناسب این گونه درختی است. مواد و روش‌ها: در پژوهش پیش‌‌رو، نقشه مطلوبیت رویشگاه حرا با استفاده از مدل‌سازی MaxEnt تهیه شد. بدین ترتیب، 234 نقطه تصادفی با استفاده از سیستم موقعیت‌یاب جهانی (GPS) ثبت شد. به‌منظور بررسی پراکنش مکانی حرا، برخی عوامل محیطی مؤثر بر انتشار جغرافیایی این گونه ارزیابی شد. در این راستا از نرم‌افزار ArcGIS 10.8 برای تولید نقشه‌ها و متغیرهای محیطی استفاده شد. متغیرهای محیطی براساس مبانی نظری، پژوهش‌های پیشین و نیز نظر متخصصان و کارشناسان انتخاب شدند. 18 متغیر اقلیمی و پنج متغیر فیزیکی مؤثر بر پراکنش حرا به‌عنوان متغیرهای محیطی در مدل MaxEnt استفاده شدند. متغیرهای فیزیکی شامل بیشینه ارتفاع موج، شیب ساحل، نوسان‌های جزرومدی، شوری آب و جنس کرانه (شنی- ماسه‌ای، گلی و پس‌کرانه‌ای (شنی)) بودند. همه لایه‌ها با مرز و اندازه یکسان به فرمت ASCII و با اندازه سلول یک کیلومتر تهیه شدند. پس از آماده‌سازی لایه‌ها از نرم‌افزار MaxEnt 3.4.4 برای انجام مدل‌سازی و پیش‌بینی استفاده شد. نتایج: سطح زیرمنحنی به‌دست‌آمده براساس الگوریتم بیشینه آنتروپی قدرت پیش‌بینی عالی را برای حضور حرا در منطقه نشان داد. بر اساس نتایج، مدل بیشینه آنتروپی با قابلیت عالی می‌تواند مناطق مطلوب و نامطلوب را از یکدیگر تفکیک کند. همچنین، همپوشانی داده‌های تعلیمی و آزمون نیز تأییدکننده نتایج مدل است. سهم تأثیرگذاری هریک از متغیرهای محیطی در مدل نشان داد که بیشترین اثرگذاری در بین این متغیرها به بیشینه ارتفاع موج، درجه‌حرارت متوسط سالانه، نوسان‌های جزرومدی و شوری آب تعلق داشتند. به‌طورکلی، دو متغیر بیشینه ارتفاع موج و درجه‌حرارت متوسط سالانه، بیشترین سهم را در پراکنش حرا به‌خود اختصاص دادند، درحالی‌که متغیر کمینه درجه‌حرارت سردترین ماه سال، کمترین اثر را در بین متغیرهای محیطی مورد مطالعه داشت. مطابق نتایج به‌دست‌آمده از منحنی‌های پاسخ گونه به متغیرهای محیطی، بیشینه ارتفاع موج (یک تا دو متری) و درجه‌حرارت متوسط سالانه (8/26 درجه سانتی‌گراد) مهم‌ترین متغیرهای مستقل مدل هستند که رابطه آن‌ها با احتمال حضور حرا معکوس است. به‌این‌معنی که با افزایش ارتفاع موج و درجه‌حرارت متوسط سالانه، احتمال حضور این گونه در منطقه مورد مطالعه کاهش می‌یابد. درنهایت، نقشه مطلوبیت حضور حرا در جنگل‌های مانگرو خمیر و قشم نشان داد که بیشینه مطلوبیت حضور این گونه در منطقه مورد مطالعه به نواحی با کمینه ارتفاع موج و در معرض نوسان‌های کمتر جزرومد تعلق دارد. همچنین، پهنه‌های مطلوب برای حضور و توسعه حرا در رویشگاه‌های مانگرو خمیر و قشم شامل نواحی شمالی جزایر خورخوران، جزیره مردو و شمال‌شرق رویشگاه خمیر- لشتغان هستند. به‌طورکلی، این گونه اغلب در مناطقی پراکنش دارد که ارتفاع موج و نوسان‌های سطح آب اندک است. نتیجه‌گیری کلی: نتایج به‌دست‌آمده در این پژوهش، اطلاعات کلیدی و مهمی را در راستای سطح تأثیرپذیری حرا نسبت به متغیرهای محیطی نشان می‌دهد. این آگاهی، یک راهبرد مهم برای حفاظت از تنوع زیستی و ذخایر ارزشمند این گونه درختی در جنگل‌های مانگرو خمیر و قشم است. از طرفی، نقشه مطلوبیت حضور حرا به‌عنوان اطلاعات پایه برای کاشت و یا احیا رویشگاه‌های طبیعی آن از اهمیت ویژه و کاربردی برخوردار است. | ||
| کلیدواژه‌ها | ||
| جنگل مانگرو؛ خمیر و قشم؛ متغیر محیطی؛ مدل‌سازی | ||
| عنوان مقاله [English] | ||
| Modeling the distribution of i>Avicennia marina (Forssk.) Vierh. in the Khamir and Qeshm mangrove forests, Iran using the maximum entropy model (MaxEnt) | ||
| نویسندگان [English] | ||
| P. Sobhani1؛ A. Danehkar2 | ||
| 1Postdoctoral researcher, Department of Environmental Science, Natural Resources Faculty, University of Tehran, Karaj, Iran | ||
| 2Corresponding author, Professor, Department of Environmental Science, Natural Resources Faculty, University of Tehran, Karaj, Iran | ||
| چکیده [English] | ||
| Background and objectives: In recent decades, the Khamir and Qeshm mangrove forests in southern Iran have suffered significant destruction due to various human activities, including the construction of docks, commercial and tourism ports, deforestation, and unplanned tourism development. These forests, which provide valuable ecosystem services, have faced indiscriminate and unplanned development, as well as insufficient attention from local communities. Therefore, understanding the spatial distribution of plant species in this area is crucial for effective planning and enhancing the protection of these valuable biological resources. This study aims to identify suitable areas and model the presence of the mangrove tree species Avicennia marina (Forssk.) Vierh. in the Khamir and Qeshm mangrove forests to facilitate the restoration and proper distribution of this species. Methodology: The habitat suitability map for A. marina was prepared using MaxEnt modeling. A total of 234 points were randomly recorded using the Global Positioning System (GPS). To investigate the spatial distribution of A. marina, various environmental factors affecting its geographical distribution were analyzed using ArcGIS 10.8 software to generate maps and environmental variables. The environmental variables were selected based on theoretical foundations, previous studies, and expert opinions. The model included 18 climatic variables and 5 physical variables affecting the distribution of A. marina. The physical variables included maximum wave height, beach slope, tidal fluctuations, water salinity, and beach material (sandy-gravel, muddy, back beach (sand material)). All layers were prepared in ASCII format with a cell size of 1 km, and MaxEnt 3.4.4 software was used for modeling. Results: The area under the curve (AUC) obtained from the MaxEnt algorithm indicated excellent predictive power for the presence of A. marina in the study area, demonstrating the model’s ability to distinguish between suitable and unsuitable areas. The overlap of training and test data also confirmed the model’s accuracy. The contribution analysis of each environmental variable in the model showed that maximum wave height, annual average temperature, tidal fluctuations, and water salinity were the most influential variables. Specifically, maximum wave height and annual average temperature had the largest influence on the distribution of A. marina, while the minimum temperature of the coldest month had the least effect. The response curves indicated that maximum wave height (1 to 2 m) and average annual temperature (26.8°C) were the most important independent variables, with an inverse relationship to the probability of A. marina presence. As wave height and average annual temperature increased, the probability of species presence decreased. The suitability map for A. marina in the Khamir and Qeshm mangrove forests showed that the highest suitability was in areas with minimal wave height and less exposure to tidal fluctuations. Favorable areas for the presence and development of A. marina included the northern areas of Khorkhoran Islands, Mardove Island, and the northeast of the Khamir-Lashtghan habitat. In general, the species was more dispersed in areas with low wave height and minimal water level fluctuations. Conclusion: The study provides key information on the impact of environmental variables on the distribution of A. marina, offering an important strategy for protecting the biodiversity and valuable resources of the species in the Khamir and Qeshm mangrove forests. The suitability map serves as essential information for planting and reviving these natural habitats. | ||
| کلیدواژه‌ها [English] | ||
| Environmental variable, Khamir and Qeshm, mangrove forest, modeling | ||
| مراجع | ||
|
- Adla, K., Dejan, K., Neira, D. and Dragana, Š., 2022. Degradation of ecosystems and loss of ecosystem services: 281-327. In: Prata, J.C., Ribeiro, A.I. and Rocha-Santos, T. (Eds.). One Health: Integrated Approach to 21st Century Challenges to Health. Academic Press, London, United Kingdom, 350p.
- Ahmadi, M., Hemami, M.R., Kaboli, M. and Shabani, F., 2023. MaxEnt brings comparable results when the input data are being completed; Model parameterization of four species distribution models. Ecology and Evolution, 13(2): e9827.
- Akram, H., Hussain, S., Mazumdar, P., Chua, K.O., Butt, T.E. and Harikrishna, J.A., 2023. Mangrove health: A review of functions, threats, and challenges associated with mangrove management practices. Forests, 14(9): 1698.
- Alatawi, A.S., Gilbert, F. and Reader, T., 2020. Modelling terrestrial reptile species richness, distributions and habitat suitability in Saudi Arabia. Journal of Arid Environments, 178: 104153.
- Aljahdali, M.O., Alhassan, A.B. and Zhang, Z., 2021. Environmental factors causing stress in Avicennia marina mangrove in Rabigh Lagoon along the red sea: based on a multi-approach study. Frontiers in Marine Science, 8: 646993.
- Al-Qthanin, R.N. and Alharbi, S.A., 2020. Spatial structure and genetic variation of a mangrove species (Avicennia marina (Forssk.) Vierh) in the Farasan Archipelago. Forests, 11(12): 1287.
- Behrouzi Khorgou, S., Parvaresh, H., Moslehi, M. and Khalil Ariya, A., 2022. Effects of desalination sewage on some vegetative characteristics of grey mangrove seedlings (Avicennia marina Forssk. Vierh). Iranian Journal of Forest, 14(3): 329-340 382p (In Persian with English summary).
- Danehkar, A., Azizi Jalilian, M., Lotfikhah, S., Frouzd, M., Davar, L., Samadi, B., … and Khodam Astaneh Hossein. A.R., 2019. Action plan for the integrated management of the coastal area of Bandar Khmer city. Review plan of studies of integrated management of coastal areas of Hormozgan province, Ports and Maritime Organization, Iran Structural Consulting Engineers, Tehran, 382p (In Persian with English summary).
- Delfan, N. and Ghodrati Shojaei, M., 2021. A review of the impacts of climate change on mangrove ecosystems. Iranian Journal of Biology, 5(10): 111-116 (In Persian with English summary).
- Duan, R.Y., Kong, X.Q., Huang, M.Y., Fan, W.Y. and Wang, Z.G., 2014. The predictive performance and stability of six species distribution models. PloS ONE, 9(11): e112764.
- Elith, J., Graham, C.H., Anderson, R.P., Dudík, M., Ferrier, S., Guisan, A. and Zimmermann, N., 2006. Novel methods improve prediction of species’ distributions from occurrence data. Ecography, 29(2): 129-151.
- Erfanifard, Y. and Lotfi Nasirabad, M., 2023. Mapping mangrove forest extent in Iran using Sentinel-2 imagery. Iranian Journal of Forest and Poplar Research, 31(2): 98-112 (In Persian with English summary).
- Ghayoumi, R., Ebrahimi, E., Hosseini Tayefeh, F. and Keshtkar, M., 2019. Predicting the effects of climate change on the distribution of mangrove forests in Iran using the maximum entropy model. Journal of RS and GIS for Natural Resources, 10(2): 34-47 (In Persian with English summary).
- Gillis, L.G., Hortua, D.A.S., Zimmer, M., Jennerjahn, T.C. and Herbeck, L.S., 2019. Interactive effects of temperature and nutrients on mangrove seedling growth and implications for establishment. Marine Environmental Research, 151: 104750 (In Persian with English summary).
- Hirzel, A.H., Hausser, J., Chessel, D. and Perrin, N., 2002. Ecological‐niche factor analysis: how to compute habitat‐suitability maps without absence data? Ecology, 83(7): 2027-2036.
- Holder, A.M., Markarian, A., Doyle, J.M. and Olson, J.R., 2020. Predicting geographic distributions of fishes in remote stream networks using maximum entropy modeling and landscape characterizations. Ecological Modelling, 433: 109231.
- Hu, W., Wang, Y., Zhang, D., Yu, W., Chen, G., Xie, T., … and Chen, B., 2020. Mapping the potential of mangrove forest restoration based on species distribution models: A case study in China. Science of The Total Environment, 748: 142321.
- Kaky, E. and Gilbert, F., 2016. Using species distribution models to assess the importance of Egypt's protected areas for the conservation of medicinal plants. Journal of Arid Environments, 135: 140-146.
- Khoorani, A., Biniaz, M. and Amiri, H.R., 2015. Investigating the changes of mangrove forests between Khamir port and Gheshmiseland and its correlation with climatic elements. Journal of Aquatic Ecology, 5(2): 100-111 (In Persian with English summary).
- Krauss, K.W. and Osland, M.J., 2020. Tropical cyclones and the organization of mangrove forests: a review. Annals of Botany, 125(2): 213-234.
- Lee, S.Y., Hamilton, S., Barbier, E.B., Primavera, J. and Lewis, R.R., 2019. Better restoration policies are needed to conserve mangrove ecosystems. Nature Ecology & Evolution, 3(6): 870-872.
- Mirjalili, S.A., Jaberalansar, Z. and Ghavampour, M.A., 2022. Modeling the distribution of Tamarix ramosissima Ledeb. in Isfahan Province based on Maximum Entropy Model (MAXENT). Journal of Arid Biome, 11(2): 45-55 (In Persian with English summary).
- Mirzaeizadeh, V., Mahdavi, A., Naji, H. and Ahmadi, H., 2023. Modeling the distribution of species Pistacia atlantica in Ilam Province using MaxEnt Methods. Ecology of Iranian Forests, 10(20): 129-139 (In Persian with English summary).
- Paulson Institute, 2020. Research report on mangrove protection and restoration strategy in China. Available at: https://paulsoninstitute.org.cn/wpcontent/uploads/2020/06/%E4%B8%AD%E5%9B%BD%E7%BA%A2%E6%A0%91%E6%9E%97%E4%BF%9D%E6%8A%A4%E4%B8%8E%E6%81%A2%E5%A4%8D%E6%88%98%E7%95%A5%E7%A0%94%E7%A9%B6%E6%8A%A5%E5%91%8A%E2%80%94%E6%91%98%E8%A6%81%E7%89%88.pdf
- Petrosian, H., Daneh Kar, A., Ashrafi, S. and Feghhi, J., 2016. Investigating environmental factors for locating mangrove ex-situ conservation zones using GIS spatial techniques and the logistic regression algorithm in mangrove forests in Iran. Polish Journal of Environmental Studies, 25(5): 2097-2106.
- Phillips, S.J., Anderson, R.P., Dudík, M., Schapire, R.E. and Blair, M.E., 2017. Opening the black box: An open‐source release of Maxent. Ecography, 40(7): 887-893.
- Qin, A., Liu, B., Guo, Q., Bussmann, R.W., Ma, F., Jian, Z. and Pei, S., 2017. Maxent modeling for predicting impacts of climate change on the potential distribution of Thuja sutchuenensis Franch., an extremely endangered conifer from southwestern China. Global Ecology and Conservation, 10: 139-146.
- Rahman, A.U., Khan, S.M., Ahmad, Z., Alamri, S., Hashem, M., Ilyas, M., and Shahab Ali, S., 2021. -Impact of multiple environmental factors on species abundance in various forest layers using an integrative modeling approach. Global Ecology and Conservation, 29: e01712.
- Rivera-Monroy, V.H., Zhao, X., Wang, H. and Xue, Z.G., 2022. Are existing modeling tools useful to evaluate outcomes in mangrove restoration and rehabilitation projects? A minireview. Forests, 13(10): 1638.
- Rodríguez-Medina, K., Yañez-Arenas, C., Peterson, A. T., Euán Ávila, J. and Herrera-Silveira, J., 2020. Evaluating the capacity of species distribution modeling to predict the geographic distribution of the mangrove community in Mexico. PloS One, 15(8): e0237701.
- Rudianto, R., Bengen, D.G. and Kurniawan, F., 2020. Causes and effects of mangrove ecosystem damage on carbon stocks and absorption in East Java, Indonesia. Sustainability, 12(24): 10319.
- Sabbar, A.A. and Al-Saadi, S.A.A.M., 2023. The effect of environmental variables on the distribution of some submerged aquatic plants eastern Al-Hammar and Al-Chebiyesh. IOP Conference Series: Earth and Environmental Science, 1215(1): 012025.
- Safiari, Sh. and Nasouri, M., 2008. Mangrove Forests Development. Hormozgan Natural Resources and Watershed Administration, Forests, Range and Watershed Management Organization, Tehran, Iran, 498p (In Persian with English summary).
- Sahana, M., Areendran, G. and Sajjad, H., 2022. Assessment of suitable habitat of mangrove species for prioritizing restoration in coastal ecosystem of Sundarban Biosphere Reserve, India. Scientific Reports, 12(1): 20997.
- Sobhani, P. and Danehkar, A., 2023a. Assessment of environmental hazards and vulnerability of Hara protected area using DPSIR model. Environmental Hazards Management, 10(3): 215-232 (In Persian with English summary).
- Sobhani, P. and Danehkar, A., 2023b. Estimation of nature tourism carrying capacity in the mangrove forests of Khamir and Qeshm. Iranian Journal of Forest, 15(4): 377-392 (In Persian with English summary).
- Sobhani, P. and Danehkar, A., 2023c. Natural features and management areas of Khamir and Gheshm mangrove forests. Journal of Iran Nature, 8(4): 97-112 (In Persian with English summary).
- Sobhani, P., and Danehkar, A., 2024. The trend of land use changes and the level of ecological risk in the Hara Protected Area. Sustainable Development of Geographical Environment, 5(9): 1-19 (In Persian with English summary).
- Spiers, J.A., Oatham, M.P., Rostant, L.V. and Farrell, A.D., 2018. Applying species distribution modelling to improving conservation based decisions: a gap analysis of Trinidad and Tobago’s endemic vascular plants. Biodiversity and Conservation, 27: 2931-2949 (In Persian with English summary).
- Wang, W., Fu, H., Lee, S.Y., Fan, H. and Wang, M., 2020. Can strict protection stop the decline of mangrove ecosystems in China? From rapid destruction to rampant degradation. Forests, 11(1): 55.
- Wen, D., Hong, M., Wang, H., Cao, Q., Zhou, W., Wang, X. and Zhang, Y., 2023. Spatiotemporal dynamics and potential restoration of mangroves in Circum-Xinying-Bay region, Hainan Province, China. Journal of Sea Research, 193: 102368.
- Worthington, T.A., Andradi-Brown, D.A., Bhargava, R., Buelow, C., Bunting, P., Duncan, C., … and Spalding, M., 2020. Harnessing big data to support the conservation and rehabilitation of mangrove forests globally. One Earth, 2(5): 429-443.
- Yando, E.S., Sloey, T.M., Dahdouh-Guebas, F., Rogers, K., Abuchahla, G.M.O, Cannicci, S., … and Friess, D.A., 2021. Conceptualizing ecosystem degradation using mangrove forests as a model system. Biological Conservation, 263: 109355. | ||
|
آمار تعداد مشاهده مقاله: 789 تعداد دریافت فایل اصل مقاله: 518 |
||