بررسی نقش عوامل توپوگرافی در پیش‌بینی مکانی گونه‌های گیاهی با استفاده از رگرسیون لجستیک (مطالعه موردی: جنگل باغ شادی، هرات، یزد)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد جنگلداری، دانشگاه یزد

2 استادیار گروه جنگلداری، دانشگاه یزد

3 استادیار گروه محیط زیست، دانشگاه یزد

4 دانشیار گروه محیط زیست، دانشگاه یزد

10.29252/aridbiom.7.1.1

چکیده

به منظور بررسی رابطه متغیرهای شیب، جهت و ارتفاع در پیش‌بینی مکانی گونه‌های درختی و درختچ ه­ای در جنگل‌های خشک جنوب استان یزد، تعداد 125 قطعه نمونه به صورت تصادفی بلوکی در پنج زیرحوضه منطقه مورد مطالعه برداشت شد. ضمن ثبت متغیرهای توپوگرافی، حضور یا عدم حضور گونه­ های مختلف به همراه فراوانی آنها بررسی شد. تحلیل رگرسیون لجستیک در مورد داده­ ها انجام و در مواردی که مدل معنی­ دار بود، معادله مناسب معرفی گردید. بر اساس احتمالات به دست آمده از رگرسیون لجستیک، نقشه توزیع مکانی برای گونه­های مختلف ترسیم و با مشاهدات میدانی مقایسه گردید. برای بررسی صحت نقشه­ها از 20 درصد داده­ها که به همین منظور کنار گذاشته شده بودند استفاده شد. بر این اساس، صحت برای گونه­ های مورد بررسی متفاوت بوده و در بازه 90-85 درصد به دست آمد. در آخر روابط میان متغیرهای توپوگرافی و حضور گونه­ ها تجزیه و تحلیل شد. نتایج نشان داد که ارتفاع از سطح دریا مهم­ترین عامل در پیش­ بینی مکانی گونه­ های گیاهی در منطقه است و بین 16 تا 46 درصد تغییرات حضور گونه ­ها را پیش­بینی می­ کند، هرچند شیب و جهت برای حضور در مدل­ ها مناسب نبودند. باتوجه به آستانه­ های مشخص شده، گونه­ های کیکم و ارژن برای کاشت در ارتفاعات بالاتر و گونه­ تنگرس برای کاشت در ارتفاعات پایین منطقه می­توانند مدنظر قرار گیرند.

کلیدواژه‌ها


[1]. Agresti A. (2007). An introduction to categorical data analysis (Second Edition). John Wiley & Sons, 400 p.
[2]. Alvani Nezhad, S. (1999). Investigation of effective factors for distribution of Amygdalus scoparia in two regions of Fars province, Master of Science Dissertation, Department of Forestry, Faculty of Natural Resources, Tarbiat Modares University, Tehran, 134p (in Farsi).
[3]. Austin, M.P., Nicholls, A.O., and Margules, C.R., (1990). Measurement of the realized qualitative niche: Environmental niches of five eucalyptus species. Journal of Ecological Monographs, 60 (2): 161-177.
[4]. Bagheri, R., Shataee, Sh. (2010). Modeling forest areas decreases, using logistic regression (case study: Chehl-Chay catchment, Golestan province). Iranian Journal of Forest, 3(2): 243-252, (in Farsi).
[5]. Bio, A.M.F., Becker, P.D., Bie, E.D., Huybrechts, W., & M. Wassen. (2002). Prediction of plant species distribution in lowland river valleys in Belgium: Modeling species response of site conditions. Journal of Biodiversity and Conservation, 11: 2189-2216.
 
[6]. Barry, S., & Elith, J., (2006). Error and uncertainty in habitat models. Journal of Applied Ecology, 43 (3): 413–423.
[7]. Carter G.M., Stolen, E.D., & Breininger, D.R.  (2006). A rapid approach to modeling species–habitat relationships. Journal of Biological Conservation, 127: 237 –244.
[8]. Davarpanah, G., Fattahi, M., Golmohammadi, M., Aghajanlu, F., Hajighaderi T., Tarasi, J. (2009). Investigation on effective factors influencing distribution of wild pistachio species at Zanjan province. Iranian Journal of Forest and Poplar Research, 1(17): 33-50, (in Farsi).
[9]. Ghanbari, F., Shataee Joybari Sh., Azim Mohseni, M., Habashi, H. (2011). Application of topography and logistic regression in forest type spatial prediction. Application of Topography and Logistic Regression in Forest Type Spatial Prediction, 1(19): 27-41, (in Farsi).
[10].Goodarzi, Gh.R., Sagheb-Talebi, Kh. and Ahmadloo, F. (2012). The study of effective factors on Almond (Amygdalus scoparia Spach.) distribation in Markazi province. Iranian Journal of Forest, 4(3): 209-220 (in Farsi).
[11]. Guisan, A., & Zimmermann, N.E. (2000). Predictive Habitat Distribution Models in Ecology. Ecological Modeling, 135: 147-186.
[12]. Guisan A., Weiss, S.B., & Weiss, A.D. (1999). GLM versus CCA spatial modeling of plant species distribution (abstract-GEOBASE). Plant Ecology, 143(1): 107-122.
[13]. Jafarian, Z., Arzani, H., Jafari, M., Zahedi, G.H., and Azarnivand, H. (2012). Etermination of relationships between dominant plant species with environmental factors and satellite data using logistic regression (case study: Rineh Rangeland, Mazandaran province). Iranian journal of Range and Desert Reseach, 3(19): 371-383, (in Farsi).
[14]. Jafarian, Z., Arzani H., Jafari M., Zahedi GH., Azarnivand H. (2012). Mapping Spatial Prediction of Plant Species Using Logistic Regression (Case Study: in Rineh Rangeland; Damavand Mountain), Natural Geography Researches, 79: 1-18, (in Farsi).
[15]. Jongman, R.H.G.; Ter. Break, C.J.F., & Van Tongeren, O.F.R. (1987). Data analysis in community and landscape ecology. Cambridge University Press, Wageningen, 86-212.
[16]. Lassueur T., Joost, S.,Randin, C.F. (2006). Very high resolution digital elevation models: Do they improve models of plant species distribution. Journal of Ecological Modeling, 198: 139-153.
 [17]. Latimer A.M., Shanshan, Wu., Gelfand, A.E., & Silander, J.A. (2005). Building statistical models to analyze species distributions. Department of Ecology and Evolutionary Biology, University of Connecticut, 16:33-50.
[18]. McCune B. (2004). Nonparametric multiplicative for habitat modeling. Oregan state university, USA, 17:819-830.
[19]. Miller, J., & Franklin, J. (2002). Modeling the distribution of four vegetation alliances using generalized linear models and classification trees with spatial dependence. Journal of Ecological Modelling, 157(2-3): 227-247.
[20]. Miller, J., (2005). Incorporating spatial dependence in predictive vegetation models: Residual Interpolation Methods. The Professional Geographer, 57(2): 169 184.
[21]. Miller, J., & Franklin, J. (2006). Explicitly incorporating spatial dependence in predictive vegetation models in the form of explanatory variables: a Mojave Desert case study. Journal of Geographical Systems, 8 (4): 411–435.
[22]. Rahmani, Sh., Ebrahimi, A., Davoodian Dehkordi, A. (2013). Producing the map for predicting vegetattion cover in mountain areas of Sabz-Kooh, using digital elevation model. Journal of Rangeland and Veterinary, 1(66): 89-109, (in Farsi).
[23]. Safaee M., Tarkesh M., Basiri, M., Bashari, H. (2013). Determining the potential habitat of Astragalus verus Olivier using the geostatistical and logistic regression methods. Arid Biome, 1(3): 42-55, (in Farsi).
[24]. Saki M., Tarkesh M., Vahhabi, M.R. (2011). Aplication of tree logistic regression model in determining proper site for Astragalus verus. Applied Ecology, 1(2): 27-37, (in Farsi).
[25]. Schwab, A.J. (2007). Solving standard binary logistic regression problems, The University of Texas at Austin, School of Social Work, 25 p.
[26]. Wu, H., & Huffer, F.W. (1997). Modeling the distribution of plant species using the autologistic regression model. Journal of Ecological Statistics, 4:49-64
[27]. Zare Chahouki, M.A., Jafari, M., Azarnivand, H., Shafizadeh, M. (2007). Comparison of modelling techniques for predicting the probability of species presence in arid and semi-arid rangelands (Case study: Poshtkouh region of Yazd province). Journal of Rangelands, 1(4): 342-356, (in Farsi).
[28]. Zare Chahouki, M.A., Jafari, M., Azarnivand H., Moghadam M., Farahpoor M., Shafizadeh, M. (2007). Application of logistic regression to study the relationship between presence of plant species and environmental factors. Pajouhesh & Sazandegi, 76: 136-143, (in Farsi).