| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 82 |
| تعداد شماره‌ها | 3,036 |
| تعداد مقالات | 33,984 |
| تعداد مشاهده مقاله | 45,765,620 |
| تعداد دریافت فایل اصل مقاله | 77,188,888 |
مدل‌سازی رویشگاه مناسب انجیلی (.Parrotia persica (DC.) C.A.Mey) در جنگل های هیرکانی با استفاده از عوامل محیطی | ||
| تحقیقات جنگل و صنوبر ایران | ||
| مقاله 4، دوره 33، شماره 1 - شماره پیاپی 99، فروردین 1404، صفحه 50-68 اصل مقاله (2.15 M) | ||
| نوع مقاله: علمی- پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijfpr.2024.366708.2173 | ||
| نویسندگان | ||
| حامد اسدی* 1؛ حمید جلیلوند2؛ محیا تفضلی3؛ سیده فاطمه حسینی4 | ||
| 1نویسنده مسئول، استادیار، گروه علوم و مهندسی جنگل، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران | ||
| 2استاد، گروه علوم و مهندسی جنگل، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران | ||
| 3دانش‌‌آموخته دکتری، گروه علوم و مهندسی جنگل، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران | ||
| 4دانشجوی دکتری جنگل‌شناسی و اکولوژی جنگل، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران | ||
| چکیده | ||
| سابقه و هدف: انجیلی (.Parrotia persica (DC.) C.A.Mey) گونه انحصاری جنگلهای هیرکانی است. در طبقه‌بندی اخیرِ وضعیت حفاظت گونهها توسط اتحادیه جهانی حفاظت از طبیعت (IUCN)، این گونه در طبقه نزدیک خطر قرار دارد. با‌توجه‌به اهمیت حفاظت از انجیلی در حفظ ذخایر ژنتیکی، اولین‌قدم در اجرای شیوه‌‌های حفاظت و حمایت آن، شناسایی رویشگاه مناسب آن است. مدلهای پراکنش گونهای (Species Distribution Models) یک روش پرکاربرد برای پیشبینی و یافتن رویشگاههای مناسب برای کاشت گیاهان است، بنابراین هدف از اجرای پژوهش پیش‌رو، استفاده از مدلهای پراکنش گونهای بر پایه الگوریتم‌های یادگیری با استفاده از متغیرهای توپوگرافی، خاکی و اقلیمی برای پیشبینی رویشگاه مناسب انجیلی بود. مواد و روش‌‌ها: این پژوهش برای کل سطح جنگلهای هیرکانی کشور انجام شد. به این منظور از بانک داده‌‌های آماربرداری جنگلهای شمال کشور که شامل موقعیت جغرافیایی، ارتفاع از سطح دریا، شیب، جهت جغرافیایی، قطر برابر سینه، نوع گونه و ارتفاع درختان برای هر قطعه‌نمونه است، استفاده شد. داده‌‌های هواشناسی شامل مقدار بارش و دما از پروژه POWER مربوط به سازمان ملی هوانوردی و فضایی ایالات متحده آمریکا (NASA Power) تهیه شد. داده‌‌های خاک (چگالی ظاهری، درصد شن، سیلت و رس، اسیدیته، درصد نیتروژن و کربن آلی) نیز برای هر قطعه‌نمونه از پایگاه داده بانک جهانی SoilGrids 2.0 تهیه شد. شاخص‌های رطوبت توپوگرافی (TWI)، موقعیت توپوگرافی (TPI) و انحنای توپوگرافی با استفاده از ابزار تحلیل فضایی در نرمافزار ArcGIS 10.8 محاسبه شد. پس از تهیه داده‌‌های حضور-غیاب گونهها و نیز داده‌‌های محیطی، پراکنش انجیلی در جنگل هیرکانی با استفاده از پنج مدل شامل جنگل تصادفی، ماشین بردار پشتیبان، k نزدیک‌‌ترین همسایه، مدل خطی تعمیم‌یافته و بیشینه آنتروپی پیشبینی شد. الگوریتم‌های مدل‌سازی در بسته dismo برای مدل بیشینه آنتروپی و بسته caret برای مدلهای دیگر در نرمافزار R پیاده‌سازی شدند. اهمیت نسبی متغیرها برای مدل بیشینه آنتروپی با استفاده از بسته dismotools و برای مدلهای دیگر با استفاده از بسته caret محاسبه شد. برای ارزیابی عملکرد مدل‌ها در تخمین حضور یا عدم حضور انجیلی، از تکنیک اعتبارسنجی متقاطع استفاده شد. سپس، آماره سطح زیرمنحنی برای ارزیابی عملکرد هر مدل به‌کار برده شد. نتایج: به‌طورکلی و براساس یافته‌های به‌دست‌آمده، مقدار سطح زیرمنحنی برای مدل جنگل تصادفی (87/0)، بیشتر از مدلهای دیگر بود. نتایج بررسی اهمیت نسبی متغیرها نشان داد که ارتفاع از سطح دریا، مهمترین عامل برای پیشبینی حضور انجیلی با استفاده از همه مدلهای مورد مطالعه بود، درحالی‌که درصد شن خاک و مقدار بارش به‌عنوان دومین متغیر مهم به‌ترتیب توسط مدل جنگل تصادفی و بیشینه آنتروپی شناسایی شدند. متوسط دمای هوا، دومین متغیر مهم شناسایی‌شده توسط مدلهای ماشین بردار پشتیبان، k نزدیک‌‌ترین همسایه و خطی تعمیم‌یافته بود. نتایج تهیه نقشه‌‌های پهنه‌‌بندی نشان داد که انجیلی، احتمال حضور بیشتری (بیشتر از 70 درصد) در ارتفاع‌‌های پایینِ مناطق شرقی و مرکزی جنگلهای هیرکانی دارد، درحالی‌که احتمال حضور آن در بخش‌‌های غربی جنگلهای هیرکانی بسیار اندک است. نتیجه‌‌گیری کلی: مطابق نتایج به‌دست‌آمده، همه مدلهای مورد استفاده، عملکرد مناسبی در پیشبینی پراکنش انجیلی داشتند، اما بهترین عملکرد به مدل جنگل تصادفی تعلق داشت. همچنین، ارتفاع از سطح دریا و دما، مهمترین عوامل مؤثر بر پراکنش این گونه در جنگلهای هیرکانی هستند. بیشترین احتمال حضور این گونه در قسمت‌‌های مرکزی و ارتفاع‌‌های پایین پیشبینی شد. به‌طورکلی در رویشگاههای مطلوب با شناسایی درختان مادری مناسب و با اجرای عملیات پرورشی و حمایتی کارآمد می‌توان احتمال حفظ زادآوری این گونه را افزایش داد. همچنین، بخش‌‌هایی از رویشگاههای مناسبِ شناسایی‌شده که کمترین تخریب در آن‌ها رخ داده است را می‌توان به‌عنوان ذخیره‌‌گاه این گونه در نظر گرفت. | ||
| کلیدواژه‌ها | ||
| عوامل توپوگرافی؛ مدل بیشینه آنتروپی؛ مدل پراکنش گونهای؛ مدل جنگل تصادفی | ||
| عنوان مقاله [English] | ||
| Modeling suitable habitats of Parrotia persica (DC.) C.A.Mey. in the Hyrcanian Forests using environmental factors | ||
| نویسندگان [English] | ||
| Hamed Asadi1؛ Hamid Jalilvand2؛ Mahya Tafazoli3؛ Seyedeh Fatemeh Hosseini4 | ||
| 1Corresponding author, Assistant Prof., Department of Forest Science and Engineering, Faculty of Natural Resources, Sari Agricultural Sciences and Natural Resources University, Sari, Iran | ||
| 2Prof., Department of Forest Science and Engineering, Faculty of Natural Resources, Sari Agricultural Sciences and Natural Resources University, Sari, Iran | ||
| 3Ph.D. in Forest Soil Science, Department of Forest Science and Engineering, Faculty of Natural Resources, Sari Agricultural Sciences and Natural Resources University, Sari, Iran | ||
| 4Ph.D. Student of Silviculture and Forest Ecology, Faculty of Natural Resources, Sari Agricultural Sciences and Natural Resources University, Sari, Iran | ||
| چکیده [English] | ||
| Background and objectives: Parrotia persica (DC.) C.A. Mey., endemic to the Hyrcanian forests of Iran, has been classified as Near Threatened in the latest conservation status assessment by the International Union for Conservation of Nature (IUCN). Given the importance of this species in preserving genetic diversity, identifying its suitable habitat is a critical first step in the implementation of conservation and management strategies. As species distribution models are widely used for predicting and identifying suitable planting habitats, the objective of this study was to apply such models, based on machine learning algorithms and environmental variables including topography, soil, and climate, to predict suitable habitats for P. persica. Methodology: The study was conducted across the entire Hyrcanian forest region in Iran. Forest inventory data from northern Iran were used, including coordinates, altitude, slope, aspect, diameter at breast height, species type, and tree height for each sample plot. Meteorological data (precipitation and temperature) were obtained from the NASA POWER project. Soil variables, including bulk density, sand, silt, clay percentages, pH, nitrogen content, and organic carbon, were extracted from SoilGrids 2.0. Topographic indices such as the Topographic Wetness Index (TWI), Topographic Position Index (TPI), and curvature were derived in a GIS environment. After compiling presence-absence data and environmental variables, five modeling algorithms were applied to predict the distribution of P. persica: Random Forest, Support Vector Machine, k-Nearest Neighbor, Generalized Linear Model, and Maximum Entropy. The Maximum Entropy model was implemented using the dismo package, and the other models were run using the caret package in R. Variable importance was assessed using dismotools for Maximum Entropy and caret for the remaining models. Model performance was evaluated using cross-validation, and the area under the curve (AUC) statistic was used to assess predictive accuracy. Results: Among all models, the Random Forest algorithm had the highest AUC value (0.87), indicating the best performance. Altitude emerged as the most influential factor in predicting P. persica distribution across all models. The Random Forest and Maximum Entropy models identified soil sand percentage and precipitation, respectively, as the second most important variables. In contrast, Support Vector Machine, k-Nearest Neighbor, and Generalized Linear Models identified average air temperature as the second most important factor. Interpolated probability maps indicated a high likelihood of P. persica presence (over 70%) in low-altitude regions of the eastern and central Hyrcanian forests, while its presence was predicted to be very low in the western regions. Conclusion: All models demonstrated acceptable accuracy in predicting P. persica distribution, with the Random Forest model outperforming the others. Altitude and temperature were the most critical variables influencing its distribution. The highest presence probability was predicted in low-altitude, central parts of the Hyrcanian forests. These findings suggest the feasibility of identifying suitable mother trees and enhancing reproduction success through targeted breeding and silvicultural practices. Additionally, relatively undisturbed areas within suitable habitats could be designated as conservation reserves for this species. | ||
| کلیدواژه‌ها [English] | ||
| Maximum entropy model, random forest model, species distribution model, topographic factors | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 249 تعداد دریافت فایل اصل مقاله: 52 |
||