نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیات علمی دانشکده منابع طبیعی دانشگاه تهران

2 دانشگاه تهران

چکیده

هدف از این پژوهش مدلسازی پراکنش رویشگاه گونه‌های گیاهی مراتع اشتهارد با استفاده از روش رگرسیون لجستیک است. ابتدا بر اساس نقشه‌های شیب و ارتفاع و تصاویر ماهواره‌ای واحدهای همگن تعیین شد. در هر واحد، سه ترانسکت 750 متری به روش تصادفی- سیستماتیک مستقر شد و در ابتدا و انتهای هر ترانسکت پروفیل خاک حفر و نمونه‌برداری از دو عمق 20–0 و 80-20 سانتی‌متر انجام شد، سپس متغیرهای خاک شامل سنگریزه، رس، سیلت، شن، آهک، ماده آلی، اسیدیته و هدایت الکتریکی در آزمایشگاه اندازه‌گیری شد. همچنین برای ثبت حضور و عدم حضور گونه‌های گیاهی در طول هر ترانسکت 15 پلات مستقر شد. اندازه پلات‌ نمونه‌برداری با توجه به نوع و پراکنش گونه‌های گیاهی به روش سطح حداقل، سطح مستطیلی شکل 2 مترمربعی تعیین گردید. در گام بعد رابطه رگرسیونی بین عوامل محیطی حضور رویشگاه‌ها با استفاده از نرم-افزار SPSS بدست آمد. نقشه عوامل محیطی با روش درونیابی کریجینگ نیز در محیط نرم‌افزارGIS تهیه شد. در نهایت رابطه رگرسیونی بدست آمده برای حضور هر رویشگاه بر نقشه‌های عوامل محیطی موثر اعمال شد و نقشه پیش‌بینی هر رویشگاه تهیه شد. میزان تطابق بین نقشه‌های پیش‌بینی و نقشه واقعی رویشگاه‌ها با استفاده از ضریب کاپا بررسی شد. تطابق بین نقشه واقعی و نقشه پیش‌بینی حاصل از مدل برای رویشگاهHalocnemum strobilaceum در سطح خوب (66/0K=) ، برای رویشگاه‌Artemisia sieberi در سطح متوسط (46/0K=) و برای رویشگاه Artemisia sieber- Stipa barbata‏ نیز در سطح متوسط (53/0K=)، برای رویشگاه ‌ Artemisia sieberi- Salsola richteri‏ضعیف (29/0K=) ارزیابی شده‌است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Habitat distribution modeling of some plant species using logistic regression in the semi-arid rangelands. (Case study: Eshtehard rangelands)

چکیده [English]

The aim of this study is habitat species distribution modeling using logistic regression in Eshtehard rangelands. Homogeneous units was determined based on the slope and elevation maps and satellite images. Per unit, three transects with a length of 750 meters was established according to systematic-random method. At the beginning and end of each transect soil profile was dug, Sampling was done from the depths 0-20 and 20-80. Soil variables including gravel, clay,sand, silt, lime, organic matter, pH and electrical conductivity was measured. Also for recording the presence or absence of plant species, 15 plots was established along each transect. Size of plot sampling was determined rectangular area 2 square meters according to the type and distribution of plant species with minimum area. In the next step regression relationship between environmental factors and presence of habitat using SPSS software was obtained.The map of variables was produced by Kriging interpolation method in GIS software. The regression equation related to the presence of any type were applied on maps of effective environmental factors, and prediction map produced for each habitat. The correspondence between the predicted and actual maps was assessed using the kappa coefficient. Correspondence between the predicted and actual maps was assessed for habitat Halocnemum strobilaceum in good level (k=0/66), for habitat of Artemisia sieberi in intermediate level (k=0/46), for Artemisia sieber- Stipa barbata‏ in intermediate level too (K=0/54) and for habitat of Artemisia sieberi- Salsola richteri‏ in poor level (k=0/29).

کلیدواژه‌ها [English]

  • Habitat distribution modeling
  • Logistic regression
  • Eshtehard rangelands
  • Prediction map

مدلسازی پراکنش رویشگاه گونه­های گیاهی با روش رگرسیون لجستیک در مراتع نیمه­خشک (مطالعه موردی: مراتع اشتهارد)

محمد­علی زارع چاهوکی* و نرگس ناصری حصار 

کرج، دانشگاه تهران، دانشکده منابع طبیعی

تاریخ دریافت: 24/9/93                تاریخ پذیرش: 24/11/95 

چکیده

هدف از این پژوهش مدلسازی پراکنش رویشگاه گونه­های گیاهی در مراتع اشتهارد با استفاده از روش رگرسیون لجستیک بود. ابتدا بر اساس نقشه­های شیب و ارتفاع در مقیاس 1:25000 و تصاویر ماهواره­ای، واحدهای همگن تعیین شد. در هر واحد، سه ترانسکت 750 متری به روش تصادفی- سیستماتیک مستقر شد و در ابتدا و انتهای هر ترانسکت پروفیل خاک حفر و نمونه­برداری از دو عمق 20–0 و 80-20 سانتی‌متر انجام شد، سپس متغیرهای خاک شامل سنگریزه، رس، سیلت، شن، آهک، ماده آلی، اسیدیته و هدایت الکتریکی در آزمایشگاه اندازه­گیری گردید. همچنین برای ثبت حضور و عدم حضور گونه­های گیاهی در طول هر ترانسکت 15 پلات مستقر شد. اندازه پلات­ نمونه­برداری با توجه به نوع و پراکنش گونه­های گیاهی به روش سطح حداقل، سطح مستطیلی شکل 2 مترمربعی تعیین گردید. در گام بعد رابطه رگرسیون لجستیک بین عوامل محیطی حضور رویشگاه­ها با استفاده از نرم­افزار  SPSS بدست آمد. نقشه عوامل محیطی با روش درونیابی کریجینگ نیز در محیط نرم­افزارGIS  تهیه شد. در نهایت رابطه رگرسیونی بدست آمده برای حضور هر رویشگاه بر نقشه­های عوامل محیطی مؤثر اعمال شد و نقشه پیش­بینی هر رویشگاه تهیه شد. میزان تطابق بین نقشه­های پیش­بینی و نقشه واقعی رویشگاه­ها با استفاده از ضریب کاپا بررسی شد. تطابق بین نقشه واقعی و نقشه پیش­بینی حاصل از مدل برای رویشگاهHalocnemum strobilaceum  در سطح خوب (66/0K=)، برای رویشگاه ­Artemisia sieberi در سطح متوسط (46/0K=)، برای رویشگاه Artemisia sieber- Stipa barbata‏ نیز در سطح متوسط (53/0K=) و برای رویشگاه ­ Artemisia sieberi- Salsola richteriضعیف (29/0K=) ارزیابی شده­است.

واژه­های کلیدی: مدلسازی پراکنش رویشگاه، رگرسیون لجستیک، مراتع اشتهارد، نقشه پیش­بینی. 

* نویسنده مسئول، تلفن: 02632249313 ، پست الکترونیکی: mazare@ut.ac.ir

مقدمه

 

حضور گونه­های گیاهی در یک منطقه برآیند عوامل محیطی، نیازهای بوم­شناسی هر گونه و دامنه بردباری گونه نسبت به عوامل محیطی مهم در هر رویشگاه است. مدلسازی پیش­بینی پوشش گیاهی بر اساس ارتباط بین پراکنش پوشش گیاهی و متغیرهای محیطی مؤثر تعریف می­شود. از آنجایی که مدل­های پیش­بینی به درک نیازهای رویشگاه گونه­ها و پیش­بینی توزیع پتانسیل گونه­ها کمک می­کنند، می­توانند برای مدیریت توزیع گونه­ها، ارزیابی اثرات زیست محیطی ناشی از عوامل مختلف (آلودگی، تغییرات آب و هوا) و مدیریت گونه­های در معرض خطر انقراض استفاده ­شوند (14). این مدل­ها مشاهدات میدانی را به مجموعه­ای از متغیرهای محیطی که احتمالا منعکس کننده برخی از عوامل کلیدی رویشگاه هستند مثل آب و هوا، توپوگرافی، ویژگی­های خاک، زمین‌شناسی و یا پوشش زمین مرتبط می­کنند و در نهایت پیش­بینی­های مکانی را که نشان­دهنده مناسب بودن منطقه برای گونه­ها و جوامع و یا تنوع زیستی هدف است، ارائه می­دهند (15).

رگرسیون لجستیک به عنوان یکی از روش­های مدلسازی پیش­بینی پراکنش گونه­های گیاهی، مدل احتمالاتی بین حضور پوشش گیاهی (به عنوان متغیر وابسته) و عوامل مؤثر بر آن (به عنوان متغیر مستقل) را با استفاده از روش حداکثر درستنمایی برازش می­دهد و به‌کمک تابع احتمالاتی مرتبط با رگرسیون لجستیک، احتمالاتی از صفر تا یک به دست می­آید که مقدار صفر احتمال عدم حضور و مقدار یک احتمال 100 درصد حضور است (17). از مهمترین مزیت­های روش رگرسیون لجستیک استفاده از داده­های حضور و غیاب برای مدلسازی است که برخلاف سایر فاکتورهای گیاهی (تراکم، تاج پوشش و تولید) اندازه­گیری آن بسیار ساده است (7).

ازجمله پژوهش­هایی که از مدل رگرسیون لجستیک برای پیش­بینی پراکنش گونه­ها استفاده شده می­توان به موارد زیر اشاره کرد: در مطالعه­ای در جنوب سوئیس اطلاعات مربوط به ۱۱۷ گونه گیاهی در ۱۲۵ سایت جمع­آوری شد و در هر سایت عوامل ارتفاع، شیب و جهت مطالعه شد. سپس با استفاده از روش رگرسیون لجستیک احتمال حضور هر گونه گیاهی پیش­بینی گردید. نتایج حاصل نشان داد که پارامترهای شیب و جهت بیشترین همبستگی را با حضور گونه­های گیاهی دارند (18). در مراتع حوض سلطان قم نیز با استفاده از روش رگرسیون لجستیک پراکنش گونه­های گیاهی مدلسازی شد. در این پژوهش پس از تهیه نقشه پیش­بینی، آستانه بهینه حضور نیز برای هر یک از گونه­های گیاهی با استفاده از رویکرد ترکیبی حساسیت و اختصاصیت برابر تعیین شد. در نهایت میزان تطابق نقشه پیش­بینی با واقعی از طریق ضریب کاپا ارزیابی شد. نتایج نشان داد که میزان تطابق نقشه­های حاصل از مدل و نقشه واقعی از سطح ضعیف (ضریب کاپای 34/0) تا خیلی خوب (ضریب کاپای 72/0) برای رویشگاه­های مختلف نوسان دارد (1). در مطالعه­ای دیگر رویشگاه بالقوه گونه Astragalus verus با استفاده از داده­های حضور و غیاب این گونه از ۱۰۰ سایت (شامل ۵۰ سایت حضور و ۵۰ سایت غیاب) و نقشه فاکتورهای محیطی از قبیل فیزیوگرافی (شیب، جهت، ارتفاع)، اقلیم (دما، بارش و ...) و خاک (اسیدیته، هدایت الکتریکی و ...) با روش رگرسیون لجستیک مدلسازی شد. ارزیابی مدل با استفاده از مجموعه داده­های مستقل، ضریب کاپای 78/0 و با استفاده از سطح زیر منحنی پلات­های ROC مقدار 93/0 را نشان داد که بیانگر توان بالای مدل رگرسیون لجستیک درختی در تولید نقشه پراکنش گونه Astragalus verus در مقیاس محلی می‌باشد (7). پژوهشگرانی نیز مدلسازی پراکنش گونه­های گیاهی مراتع شرق سمنان را بر اساس عوامل خاک و توپوگرافی با روش رگرسیون لوجستیک انجام دادند و پس از تهیه نقشه پیش­بینی رویشگاه­ها از شاخص کاپا برای بررسی میزان تطابق نقشه­ها با واقعیت استفاده کردند (4). در پژوهشی در جنوب غربی اسپانیا با استفاده از رگرسیون لجستیک متغیرهای فیزیوگرافی، بارندگی، درجه حرارت و داد­ه­های مربوط به سنگ­شناسی را در تهیه مدل پراکنش مکانی بلوط چوب پنبه­ای (Quercus suber)مورد بررسی قرار دادند (15). مدل‌سازی مطلوبیت رویشگاه گونة Agropyron intermedium با روش تحلیل عاملی آشیان بوم‌شناختی در مراتع طالقان میانی انجام شد (6).

هدف از این پژوهش، ارائه روابط رگرسیونی چند متغیره برای رویشگاه گونه­های گیاهی مراتع اشتهارد با به‌کارگیری عوامل خاکی و توپوگرافی و تهیه نقشه پیش­بینی پراکنش این رویشگاه­هاست. شناخت عوامل محیطی مؤثر بر پراکنش پوشش گیاهی می­تواند در زمینه آشنایی با سازگاری گونه­های بومی و بکارگیری آنها در برنامه های اصلاح و احیاء مراتع، کارآمد باشد.

مواد و روشها

معرفی منطقه مورد مطالعه: منطقه مورد مطالعه با مساحت 3/2318 هکتار بخشی از مراتع شهرستان اشتهارد در جنوب غربی استان البرز است که در محدوده جغرافیایی 35 درجه و 41 دقیقه تا 35 درجه و 45 دقیقه شمالی و طول جغرافیایی 50 درجه و 33 دقیقه تا 50 درجه و 38 دقیقه شرقی و در ارتفاع 1129 تا 1378 متر از سطح دریا قرار گرفته است.

جمع­آوری داده­ها: ابتدا بر اساس نقشه­های شیب و ارتفاع به دست آمده از نقشه مدل رقومی ارتفاع با دقت 10 متر و همچنین با استفاده از تصاویر ماهواره­ای نقشه واحدهای همگن تهیه شد. انتخاب محل نمونه­برداری در هر واحد به گونه­ای بود که گونه­های معرف هر تیپ رویشی را دربربگیرد و پوشش گیاهی نسبتا همگنی داشته باشد. همچنین به علت اثرات حاشیه­ای مناطق صنعتی و زمین­های کشاورزی و مناطق مسکونی از نمونه­برداری در نزدیکی این مناطق خودداری شد. در هر واحد همگن سه ترانسکت 750 متری، دو ترانسکت در طول مهمترین گرادیان‌های محیطی (ارتفاع، جهت و شیب) و یک ترانسکت عمود بر آن دو ترانسکت مستقر گردید. در طول هر ترانسکت 15 پلات، به فاصله 50 متر قرار داده شد، که به دلیل زیاد بودن طول دامنه و تغییر شرایط محیطی این فاصله مد‌‌ نظر قرار گرفت. بدین ترتیب در هر واحد همگن 45 عدد پلات مستقر گردید. اندازه پلات­های نمونه برداری با توجه به نوع و پراکنش گونه­های گیاهی به روش سطح­ حداقل، سطح مستطیلی شکل 2 متر مربعی تعیین گردید. در هر پلات نوع و تعداد گونه­های گیاهی و درصد پوشش آنها ثبت شد. برای نمونه­برداری از خاک، در ابتدا و انتهای هر ترانسکت پروفیل خاک حفر شد. با توجه به عمق خاک و عمق مؤثر ریشه­دوانی گونه‌های موردمطالعه دو عمق نمونه­برداری 20–0 و 80-20 سانتی‌متر انتخاب گردید. سپس متغیرهای خاک شامل سنگریزه، رس، شن، سیلت، آهک، ماده آلی، اسیدیته و هدایت الکتریکی اندازه­گیری شد که به‌همراه روش اندازه­گیری در جدول 1 آورده شده است. همچنین در هر واحد نمونه­برداری طول و عرض جغرافیایی، شیب، جهت و ارتفاع از سطح دریا نیز تعیین شد.  

جدول 1- فهرست متغیرهای محیطی با علامت اختصاری بکار رفته در تحلیل­ها

ردیف

روش اندازه‌گیری

ویژگی

علامت

واحد اندازه‌گیری

1

هیدرومتری

رس

Clay

درصد

 

هیدرومتری

شن

Sand

درصد

2

هیدرومتری

سیلت

Silt

درصد

3

هیدرومتری

سنگریزه

Gr

درصد

4

کلسیمتری

آهک

Lime

درصد

5

عصاره گل اشباع الکتریکی

هدایت الکتریکی

EC

دسی زیمنس بر متر

6

pH متر

اسیدیته

pH

-

7

-

شیب

Slope

درصد

8

-

ارتفاع از سطح دریا

Abs

متر

9

والکی و بلاک

ماده آلی

OM

درصد

در تهیه نقشه پیش­بینی پوشش گیاهی علاوه بر مقدار عددی عوامل محیطی، نقشه این عوامل نیز موردنیاز است. به همین دلیل نقشه فاکتورهای خاک با روش درونیابی کریجینگ با نرم افزار GIS نسخه 3/9 تهیه شد (5). همچنین نقشه شیب و ارتفاع از نقشه رقومی ارتفاع با دقت 10 متر بدست آمد.

در این مطالعه متغیرهای وابسته، داده­های حضور و عدم­حضور تیپ­های رویشی هستند که با کد صفر و یک مشخص می­شوند و متغیرهای مستقل شامل خصوصیات خاک و توپوگرافی می­باشد. برای استفاده از این روش، ابتدا وجود هم­خطی چندگانه از طریق محاسبه عامل تورم واریانس (VIF) بین متغیرهای مستقل مورد بررسی قرار گرفت. به دلیل اینکه مقدار عامل تورم واریانس برای تمام متغیرها کمتر از 10 بود، در نتیجه متغیرهای مستقل دارای هم­خطی چندگانه نبودند. سپس رابطه بین حضور و عدم حضور رویشگاه­ها و فاکتورهای محیطی با استفاده از روش رگرسیون لجستیک در نرم­افزار SPSS نسخه 19 بدست آمد (3). برای آزمون مدل­های به‌دست آمده از آماره هوسمر و لمشاو استفاده شد که از طریق رابطه زیر محاسبه می­گردد (17):

 

رابطه (1):

H=

که در این رابطه، Og، Eg و Ng به‌ترتیب نشان‌دهنده مقادیر مشاهده شده، مقادیر مورد انتظار و مشاهدات و G تعداد گروه­هاست. Ngنیز متوسط احتمال پیش­بینی شده حضور است.

پس از بدست آوردن مدل پیش­بینی پوشش گیاهی از طریق عوامل محیطی، این مدل­های آماری با استفاده از روش­های زمین آمار و سیستم اطلاعات جغرافیایی و اعمال ضرایب مربوط به هر یک از متغیرهای محیطی بر روی نقشه­های این عوامل در نرم­افزار GIS نسخه 3/9  تبدیل به نقشه پیش­بینی رویشگاه گونه­های گیاهی شد (2،1 و 4). نقشه خروجی حاصل از مدل شامل مقادیر احتمال حضور بین صفر تا یک برای رویشگاه موردنظر است، که در این پژوهش احتمال حضور 5/0- 0 به‌عنوان عدم حضور رویشگاه و 1- 5/0 را به‌عنوان حضور رویشگاه در نظر گرفته شد و نقشه خروجی نهایی بر اساس این دو طبقه حضور و عدم­حضور برای هر رویشگاه تعریف شد. 

میزان تطابق نقشه پیش­بینی تهیه شده با نقشه واقعی پوشش گیاهی نیز با استفاده از ضریب کاپا در نرم افزار Idrisi  نسخه 16 محاسبه شد. از این ضریب در بسیاری از مطالعات پیش­بینی رویشگاه گونه­های گیاهی استفاده شده است (22،19،1 و 23). ضریب کاپا بیانگر تطابق مقادیر پیش­بینی شده و مقادیر مشاهده شده می­باشد و مقدار آن از صفر تا یک تغییر می­کند و هر چه به یک نزدیکتر باشد نشان­دهنده تطابق بیشتر بین مقادیر واقعی و مقادیر پیش­بینی است.

نتایج

رابطه­های 2 تا 5 نتایج حاصل از مدل رگرسیون لجستیک بین حضور و عدم حضور رویشگاه­ها و عوامل محیطی است. طبق رابطه 2 حضور رویشگاه Stipa barbata- Artemisia sieberi با سنگریزه عمق اول نسبت مستقیم و با ارتفاع و شن عمق دوم نسبت عکس دارد. پس از این رویشگاه، رویشگاه نسبتا خالصی از Artemisia sieberi است که طبق معادله به‌دست آمده این گونه با ماده­آلی عمق اول و ارتفاع و هدایت الکتریکی عمق دوم نسبت عکس دارد. در رویشگاه بعدی این گونه همراه با Salsola richteriمشاهده می­شود. احتمال حضور این رویشگاه طبق معادله فوق با افزایش درصد سنگریزه و هدایت الکتریکی عمق دوم، کاهش می­یابد. رویشگاه بعدی در پایین‌دست منطقه و حاشیه رودخانه رودشور، رویشگاه Halocnemum strobilaceum است. بررسی رابطه رگرسیون لجستیک نشان­دهنده همبستگی بین حضور این رویشگاه با درصد آهک و سنگریزه است. این رابطه به گونه­ای است که افزایش این عوامل، کاهش احتمال حضور این گونه را در پی دارد.

 

 

رابطه (2):

 

 

 

رابطه (3):

 

 

رابطه (4):

p

 

رابطه (5):

 

*: 1 و 2 نشان­دهنده مقادیر فاکتورهای خاک در عمق­های اول و دوم خاک است.

 

بالا بودن مقدار آماره هوسمر و لمشاو (HL) نشان­دهنده تطابق بیشتر است. بررسی معنا­داری هر یک از این مدل­ها با ضرایب تشخیص و آمارهHL ، بیانگر معنا­داری این روابط در سطح یک درصد است و نشان­دهنده تطابق خوب رابطه لجستیک با داده­هاست (جدول 2).

جدول 2- آماره‌های مربوط به رگرسیون لجستیک برای پیش­بینی حضور رویشگاه

رویشگاه‌های گیاهی

R2

مقدار HL

Artemisia sieberi

836/0

**65/0

Artemisia sieber- Stipa barbata

827/0

**88/0

Halocnemum strobilaceum

799/0

**99/0

Artemisia sieberi- Salsola richteri

571/0

**1

**: معناداری در سطح یک درصد

در گام بعد نقشه عوامل خاک با روش درونیابی کریجینک با استفاده از نرم­افزار GIS تهیه شد که نقشه هدایت الکتریکی عمق دوم برای نمونه در شکل 1 آورده شده است. ضرایب مربوط به هر متغیر بر اساس رابطه­های رگرسیونی به دست آمده در لایه­های محیطی در محیط  GISاعمال و نقشه پیش­بینی برای هر یک از رویشگاه­ها تهیه شد. سپس نقشه نهایی پیش­بینی بر اساس دو طبقه حضور رویشگاه با مقادیر احتمال 5/0-0 و عدم حضور رویشگاه با مقادیر احتمال 1-5/0 تهیه شد. این نقشه­ها برای مقایسه همراه با نقشه واقعی پوشش گیاهی در شکل­های 2 تا 5 آورده شده است.

بحث و نتیجه‌گیری

بررسی دقت مدل پیش­بینی رگرسیون لجستیک با استفاده از ضریب کاپای به دست آمده حاکی از آن است که تطابق بین نقشه واقعی و نقشه پیش­بینی حاصل از مدل برای رویشگاه H. strobilaceum در سطح خوب، برای رویشگاه­های A. sieberi و –S. barbata A. sieberi در سطح متوسط، برای رویشگاه ­ S. richteri‏-A. sieberi ضعیف ارزیابی شده­است.

با توجه به عوامل وارد شده به مدل­های رگرسیون لجستیک، ارتفاع، سنگریزه، شن، هدایت الکتریکی، ماده آلی و آهک مؤثرترین عوامل در پراکنش رویشگاه­های منطقه مورد مطالعه هستند. این عوامل بیشترین تأثیر را در پراکنش گونه­های گیاهی منطقه دارند ولی میزان اثر هر یک از این متغیرها در حضور رویشگاه­های مختلف، متفاوت است. رابطه رگرسیون لجستیک برای رویشگاه H. strobilaceum نشان­دهنده همبستگی بین حضور این رویشگاه با درصد آهک و سنگریزه است. این رابطه به گونه­ای است که افزایش این عوامل، کاهش احتمال حضور گونه را در پی دارد. با توجه به ضریب کاپای بالای به دست آمده برای این رویشگاه، می­توان گفت مدل برای رویشگاه مذکور موفق عمل کرده و با دقت بالایی پیش­بینی انجام شده است. برای رویشگاه A. sieberi – S. barbata عوامل ارتفاع از سطح دریا و سنگریزه و شن عمق 80-20 وارد رابطه رگرسیونی با حضور رویشگاه شده­اند که با سنگریزه رابطه مستقیم و با ارتفاع و شن رابطه معکوس دارد. در بررسی آت­اکولوژی استیپا به ریزبافت بودن خاک رویشگاه­های استیپا در استان تهران اشاره شد (9). در مناطق بیابانی گونه­های علفی با مقاومت به خشکی پایین، اغلب بر روی خاک­های ریزدانه گسترش دارند (12). برای رویشگاه A. sieberi رابطه رگرسیون لجستیک نشان­دهنده همبستگی بین حضور رویشگاه و متغیرهای ارتفاع از سطح دریا، هدایت الکتریکی عمق دوم و ماده آلی عمق اول است، به‌طوری‌که با ارتفاع و هدایت الکتریکی نسبت معکوس و با ماده آلی نسبت مستقیم دارد. میزان هدایت الکتریکی بیانگر میزان شوری است. شوری زیاد خاک باعث سمیت و بهم خوردن تعادل یونی می­شود که روی فعل و انفعالات حیاتی بذر اثر می­گذارد و باعث جلوگیری از جوانه­زنی بذر و کاهش احتمال حضور گیاهان می­شود (8). پژوهشگری در تحلیل پوشش گیاهی مراتع ندوشن، افزایش شوری خاک را از علل کاهش حضور گونه A. sieberi در ترکیب جوامع گیاهی منطقه می­داند (10). براساس نتایج تجزیه‌وتحلیل رگرسیون لجستیک، می­توان گفت که درصد سنگریزه مؤثرترین عامل در پراکنش تیپ­های مورد بررسی در منطقه موردتحقیق بوده است. زیرا این عامل به استثنای تیپ  Artemisia sieberiدر سه تیپ دیگر وارد مدل شده­است. تحقیقات بسیاری اثرات مثبت میزان سنگریزه سطحی بر پوشش گیاهی مناطق خشک را نشان دادند (11 و 20).

مدل رگرسیون لجستیک برای پیش­بینی رویشگاه­هایی که شرایط ویژه و منحصر به فردی دارند، نتیجه بهتری ارائه می­دهد و برای گونه­هایی که دامنه بوم­شناسی وسیعی دارند مدلی قوی ارائه نمی­دهد (21). گونه A. sieberi دامنه رویشگاهی وسیعی دارد و نقشه­های پیش­بینی حاصل از رگرسیون لجستیک برای سه رویشگاهی که گونه درمنه دشتی گونه غالب آنها بوده است تطابق متوسط و ضعیفی با واقعیت دارد که این نتیجه با نتایج سایر پژوهشگران نیز مطابقت دارد (1 و 23). هدف از این پژوهش بررسی امکان تعیین الگوی پراکنش رویشگاه­ها بر اساس الگوی پراکنش عوامل محیطی مؤثر و در نهایت دستیابی به مدل­ پیش­بینی توزیع مکانی برای رویشگاه گونه­های مورد مطالعه با استفاده از روش رگرسیون لجستیک بود. بر اساس نتایج به‌دست آمده، رگرسیون لجستیک توانسته ارتباط بین حضور رویشگاه­ها و عوامل محیطی مؤثر را به خوبی تعیین کند. روش رگرسیون لجستیک از کاربردی­ترین روش­های مدلسازی پراکنش گونه­های گیاهی است که پژوهشگران بسیاری آن را روش مناسبی برای مدلسازی و در نهایت تهیه نقشه پیش­بینی گونه­های گیاهی معرفی کردند (13،2 و 14).

طبق نتایج این پژوهش می­توان گفت با تعیین عوامل مؤثر بر حضور هر تیپ گیاهی، در مطالعات بعدی می­توان فقط مطالعه را با دقت بیشتری بر روی همین عوامل محیطی متمرکز کرد و از صرف زمان و هزینه برای سایر عوامل جلوگیری کرد. نقشه­های پیش­بینی حاصل از مدل رگرسیون لجستیک که در واقع نقشه پتانسیل پراکنش رویشگاه‌هاست می­تواند نقش مهمی در پیشنهاد گونه­های سازگار با شرایط فیزیوگرافی مختلف در برنامه­های احیای مرتع داشته باشد، همچنین می‌تواند تعیین مناطقی با پتانسیل رویش گونه­های با ارزش دارویی- صنعتی و یا گونه­های نادر و در حال انقراض استفاده شود.

  1. پیری صحراگرد، ح.، زارع چاهوکی، م .ع.، آذرنیوند، ح.، 1393. مدل سازی پراکنش گونه­های گیاهی در مراتع غرب حوض سلطان استان قم با روش رگرسیون لوجستیک. نشریه مرتعداری. جلد اول، شماره1: 113-94.
  2. جعفریان، ز.، ارزانی، ح.، جعفری، م.، زاهدی، ق.، آذرنیوند، ح. 1391. تهیّه نقشه پیش­بینی مکانی گونه­های گیاهی با استفاده از رگرسیون لجستیک (مطالعه­ی موردی: مراتع رینه، کوه دماوند)، نشریه پژوهش­های جغرافیای طبیعی، شماره 79: 18-1.
  3. زارع چاهوکی، م.ع.، جعفری، م.، آذرنیوند، ح.، مقدم، م.ر.، فرحپور، م.، شفیع زاده، م.،  1386. کاربرد روش رگرسیون لجستیک در بررسی رابطه بین حضور گونه های گیاهی با عوامل محیطی در مراتع پشتکوه استان یزد، پژوهش و سازندگی در منابع طبیعی، شماره 76: صفحه143-136.
  4. زارع چاهوکی، م.ع.، خلاصی اهوازی، ل.، آذرنیوند، ح.، 1393. مدلسازی پراکنش گونه­های گیاهی بر اساس عوامل خاک و توپوگرافی با استفاده از روش رگرسیون لوجستیک در مراتع شرق سمنان. نشریه مرتع و آبخیزداری، نشریه منابع طبیعی ایران، دوره 67. شماره1: 59-45.
  5. زارع چاهوکی، م.، زارع ارنانی،م.، زارع چاهوکی،ا.، خلاصی اهوازی،ل. 1389. کاربرد روش­های آمار مکانی در مدلهای پیش­بینی رویشگاه گونه­های گیاهی. فصلنامه علمی پژوهشی خشک بوم. سال اول. شماره یک. صفحه 23-13.
  6. عباسی، م. و زارع چاهوکی، م.ع. 1395. مدل‌سازی مطلوبیت رویشگاه گونة Agropyron intermedium با روش تحلیل عاملی آشیان بوم‌شناختی (ENFA) (مطالعه موردی: مراتع طالقان میانی). مجله پژوهشهای گیاهی، پذیرفته شده 3:.
  7. ساکی، م.، ترکش، م.، بصیری، م.، وهابی، م. 1391. کاربرد مدل رگرسیون لجستیک درختی در تعیین رویشگاه بالقوه گونه گیاهی گون زرد Astragalus verus. اکولوژی کاربردی، سال اول، شماره2 : 27-37.
  8. سرمدنیا، غ . 1375 . تکنولوژی بذر (ترجمه)، چاپ دوم، انتشارات جهاد دانشگاهی مشهد.
  9. فراهانی، ا.، شاهمرادی، ا.ع.، زارع کیا، ص.، آژیر، ف. 1387. آت­اکولوژی گونه مرتعی Stipa barbata در استان تهران. فصلنامة تحقیقات مرتع و بیابان ایران.15(1):94-86.
  10. نادری، ح.1387. ارزیابی پوشش گیاهی در ارتباط با متغیرهای توپوگرافی و خصوصیات فیزیکو- شیمیایی خاک و چرا در مراتع ندوشن، استان یزد. پایان­نامه کارشناسی ارشد. دانشگاه تربیت مدرس. 150 صفحه.
    1. Abd El-Ghani, M.M., Amer, W.M., 2003. Soil-Vegetation Relationships in a Coastal Desert Plain of Soutern Sinai, Egypt. Journal of Arid Environments, 55: 607-628.
    2. Birkeland, P.W., Machette, M.N., Haller, K., 1991. Soils as a tool for applied Quaternary geology. Miscellaneous publication 91-3, Utah Geological and Mineral Survey, Utah Department of Natural Resources.
    3. 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.
    4. Guisan, A., Thuiller, W., 2005. Predicting species distribution: offering more than simple habitat models. Ecology Letter, 8: 993-1009.
    5. Hidalgo, P.J., Marin, J.M., Quijada, J., Moreira, J.M., 2008. A spatial distribution model of cork oak (Quercus suber) in southwestern Spain: A suitable tool for reforestation. Forest Ecology and Management, 255: 25–34.
    6. Hirzel, A., Hausser, H., Chessel, D., Perrin, N., 2002. Ecological niche factor analysis: How to compute habitat-suitability maps without absence data. Ecology, 83: 2027-2036.
    7. Homser, D.W., Lemeshows, J.R., 1989. Applied logistic regression. Wiley, New York. 582p.
    8. Lassueur, T.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.
    9. Liu, C., Berry, P.M., Dawson, T.P., Pearson, R.G., 2005. Selecting Thresholds of Occurrence in the Prediction of Species Distribution. Echography, 28: 358-393.
    10. Mostafa, A., Zaghloul, M., 1996. Environment and Vegetation in the Montane Saint Catherine. Journal of Arid Environment, 34: 331-349.
    11. Wiser, S.K., Robert, K.P., Peter, S.W. 1998. Prediction of rare-plant occurrence: A southern Appalachian example. Ecological Applications, 8 (4): 909–920.
    12. Robertson, M.P., Peter, C.I., Villet, M.H., Ripley, B.S., 2003. Comparing models for predicting species’ potential distributions: a case study using correlative and mechanistic predictive modelling techniques. Ecological Modelling, 164: 153–167.
    13. Zare Chahouki, M.A., Azarnivand, H., Jafari, M., Tavili, A., 2010. Multivariate Statistical Methods as a Tool for Model-Based Prediction of Vegetation Types. Russian Journal of Ecology, 41(1): 84-94.