نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار دانشکده منابع طبیعی دانشگاه تربیت مدرس

2 دانشجوی کارشناسی ارشد جنگلداری، دانشکده منابع طبیعی دانشگاه تربیت مدرس

3 دانشجوی دکتری جنگلداری، دانشکده تربیت مدرس

چکیده

تحقیق حاضر در نظر دارد تا کیفیت شاخص‌های تشابه قطعه نمونه-گروه در اختصاص قطعات‌نمونه به جوامع‌گیاهی را با استفاده از شاخص‌های ارزیاب مبتنی بر گروه و گونه مورد تجزیه و تحلیل قرار داده و مناسب‌ترین روش را ارائه دهد. برای این منظور از داده‌های بانک اطلاعاتی پوشش‌گیاهی شمشاد هیرکانی در دو استان گلستان و مازندران (تعداد 437 رولوه) استفاده شد. با استفاده از نتایج تلفیقی دو روش TWINSPAN معمولی و اصلاح‌شده به همراه نتایج تحلیل خوشه‌ای، تعداد 11 گروه گیاهی طبقه‌بندی شد. گروه‌های حاصله به عنوان گروه‌های اولیه در محاسبه شاخص‌های تشابه قطعه‌نمونه- گروه مد نظر قرار گرفتند. پس از گروه‌بندی، نخست درجه اجتماع‌پذیری گونه- گروه با استفاده از شاخص تعلقه فی اصلاح‌شده برآورد شده و سپس با بکارگیری 6 شاخص تشابه قطعه نمونه- گروه اقدام به تخصیص دوباره قطعات نمونه به گروه‌های 11 گانه ‌شد. نتایج نشان داد که گروه‌های حاصل از شاخص تشابه TPFI از نظر همه شاخص های ارزیابی مورد نظر (به غیر از دو شاخص کالینسکی و انحصارگرایی) نسبت به بقیه 5 شاخص تشابه قطعه‌نمونه- گروه از کیفیت مطلوب‌تری برخوردار است. نتایج تحلیل PCA در ارتباط با مقادیر شاخص‌های ارزیابی نشان داد شاخص غیرهندسی گونه‌های معرف یا ISA به همراه دو شاخص هندسی ضریب همبستگی بیسیریال نقطه‌ای و ضریب پارتانا به ترتیب اهمیت به عنوان مهمترین شاخص‌ها محسوب می‌شوند. به طور کلی نتایج تحقیق حاضر تصریح می‌کند استفاده از روش مدل مجموع شاخص تعلقه فی در تخصیص قطعات‌نمونه به گروه‌های از قبل طبقه‌بندی شده نسبت به پنج روش فروانی شاخص تشابه قطعه‌نمونه- گروه در اولویت می‌باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Assessing of similarity indices for the assignment of the plots to the plant communities of an existing phytosociological classification

چکیده [English]

In this paper, we evaluate quality of several similarity indices for assignment of new releve to vegetation units, using geometric and non-geometric based evaluators. For this purpose, Buxus hyrcana dataset (437 releves) that belong to Mazandaran and Golestan provinces in Hyrcanian forests was used. 11 vegetation units as a primary groups produced by combination results of TWINSPAN, Modified TWINSPAN and cluster analysis. All of 437 releve were re-assigned to 11 primary groups by six similarity indices indices that consider Phi fidelity index. With the exception of Calinski and Uniqueness evaluators, classification resulting from TPFI similarity index had the highest values of evaluators. Results of PCA analysis showed that ISA evaluator as a non-geometric evaluator with two geometric evaluators consist of PBC and PARTANA are the most important evaluators. Totally, the results of this study revealed that among six similarity indices, TPFI to be an effective one for assignment of new releve to vegetation units.

کلیدواژه‌ها [English]

  • vegetation communities
  • similarity indices of site –groups
  • geometric and non-geometric evaluators

ارزیابی شاخص­های تشابه در اختصاص قطعات­نمونه به جوامع گیاهی از قبل طبقه­بندی شده 

امید اسماعیل­زاده*، رزگار داروند و حامد اسدی 

نور، دانشگاه تربیت مدرس، گروه جنگلداری، دانشکده منابع طبیعی

تاریخ دریافت: 25/11/94              تاریخ پذیرش: 19/4/95

چکیده 

تحقیق حاضر در نظر دارد تا کیفیت شاخص­های تشابه قطعه نمونه-گروه در اختصاص قطعات ­نمونه به جوامع­گیاهی را با استفاده از شاخص­های ارزیاب مبتنی بر گروه و گونه مورد تجزیه و تحلیل قرار داده و مناسب­ترین روش را ارائه دهد. برای این منظور از داده­های بانک اطلاعاتی پوشش­گیاهی شمشاد هیرکانی در دو استان گلستان و مازندران (تعداد 437 رولوه) استفاده شد. با استفاده از نتایج تلفیقی دو روش TWINSPAN معمولی و اصلاح­شده به همراه نتایج تحلیل خوشه­ای، تعداد 11 گروه گیاهی طبقه­بندی شد. گروه­های حاصله به عنوان گروه­های اولیه در محاسبه شاخص­های تشابه قطعه­نمونه- گروه مد نظر قرار گرفتند. پس از گروه­بندی، نخست درجه اجتماع­پذیری گونه- گروه با استفاده از شاخص تعلقه فی اصلاح­شده برآورد شده و سپس با بکارگیری 6 شاخص تشابه قطعه نمونه- گروه اقدام به تخصیص دوباره قطعات نمونه به گروه­های 11 گانه ­شد. نتایج نشان داد که گروه­های حاصل از شاخص تشابه TPFI از نظر همه شاخص های ارزیابی مورد نظر (به غیر از دو شاخص کالینسکی و انحصارگرایی) نسبت به بقیه 5 شاخص تشابه قطعه­نمونه- گروه از کیفیت مطلوب­تری برخوردار است. نتایج تحلیل PCA در ارتباط با مقادیر شاخص­های ارزیابی نشان داد شاخص غیرهندسی گونه­های معرف یا ISA به همراه دو شاخص هندسی ضریب همبستگی بیسیریال نقطه­ای و ضریب پارتانا به ترتیب اهمیت به عنوان مهمترین شاخص­ها محسوب می­شوند. به طور کلی نتایج تحقیق حاضر تصریح می­کند استفاده از روش مدل مجموع شاخص تعلقه فی در تخصیص قطعات­نمونه به گروه­های از قبل طبقه­بندی شده نسبت به پنج روش فروانی شاخص تشابه قطعه­نمونه- گروه در اولویت می­باشد.

واژه های کلیدی: جوامع گیاهی، شاخص تشابه قطعه­نمونه- گروه، شاخص­های ارزیابی هندسی و غیر هندسی

* نویسنده مسئول، تلفن: 3-4453101-011 ، پست الکترونیکی: oesmailzadeh@modares.ac.ir

مقدمه

 

متخصیصن اکولوژی جوامع گیاهی و محققین پوشش گیاهی به طور معمول از طیف گسترده­ای از روش­های عددی طبقه­بندی را برای تجزیه و تحلیل جوامع گیاهی استفاده می­کنند (22). اجرای دوباره یک روش طبقه­بندی پس از اضافه شدن یک سری از قطعات­نمونه جدید ممکن است منجر به ایجاد تغییرات اساسی در تعداد گروه­ها و عضویت­پذیری قطعات ­نمونه قبلی به گروه­های موجود شود (11 و 34). این مسئله به عنوان یک رویکرد منفی در فرآیند طبقه­بندی جوامع گیاهی مطرح می­باشد. چون با اضافه شدن سری جدید قطعات­نمونه به پایگاه اطلاعاتی داده و در نتیجه اجرای مجدد فرآیند طبقه­بندی، نتایج مختلفی از گروه­بندی ارائه می­شود که هر کدام از آن ممکن است تشابه اندکی با گروه­های گیاهی استاندارد (تایید شده) در سطح منطقه­ای یا بین­المللی نشان دهند (24). این ویژگی سبب می‍شود تا استفاده از نتایج یک طبقه­بندی نظارت شده مناسب در یک منطقه (طبقه­بندی که گروه­های آن همخوانی مناسبی را با واقعیت رویشگاهی نشان داده و کیفیت آن مورد تایید می­باشد) با محدودیت مواجه شده و امکان بهره­گیری از نتایج آنها به دلیل تغییر در عضویت­پذیری قطعات­نمونه از پیش طبقه­بندی شده مقدور نمی­باشد.

 به طور کلی اعتقاد بر این است که در یک سیستم طبقه­بندی اکولوژیک جامع باید امکان اضافه شدن قطعات­نمونه جدید به همراه بازیابی گروه­های از قبل تعیین شده فراهم باشد (37 و 33). از اینرو طبقه­بندی جوامع گیاهی نیازمند روش­های عددی مناسب به منظور تخصیص قطعات نمونه جدید (قطعات­نمونه­ای که پس از فرآیند طبقه­بندی و تفکیک جوامع گیاهی از سطح منطقه برداشت شدند) به جوامع موجود (که قبلا در نتیجه کاربرد روش­های طبقه­بندی شناسایی و معرفی شدند) می­باشد (35).

Tichy (31) براساس پایایی نسبی(Constancy) و وفور(Abundance) گونه‌های گیاهی و با استفاده از شاخص اجتماع‌پذیری گونه- گروه (وفاداری) فی (Phi fidelity index)، پنج روش شاخص فراوانی (Frequency index) یا FQI، شاخص تعلقه مثبت (Positive fidelity index) یا PFDI، شاخص تلفیقی فراوانی- تعلقه مثبت (Frequency- Positive fidelity index) یا FPFI، شاخص تعلقه منفی (Negative fidelity index) یا NFDI و شاخص تلفیقی فراوانی- تعلقه کلی (Frequency- Global Fidelity index) یا FGFI را به منظور تعیین میزان اجتماع‌پذیری هر یک از قطعات نمونه به جوامع گیاهی موجود (که قبلاً در نتیجه کاربرد روش‌های طبقه‌بندی ارائه شدند) معرفی کرد. Dai (14) نیز با استفاده از مقادیر ارزش معرف گونه­ها و توسعه روش مدل مجموع ارزش شاخص(Total Indicator Value Model) یا TIVM، یک روش جدید تخصیص قطعه­نمونه- گروه را معرفی کرد. اسماعیل­زاده و اسدی (12) با استناد به اینکه روش فی تعدیل شده (32) به دلیل سهولت اجرا (برآورد فقط بر اساس داده های حضور و غیاب) و ارائه مقادیر منفی درجه وفاداری گونه­ها از استقبال بیشتری در تعیین گونه­های معرف به ویژه تعیین گونه­های تفریقی در طبقه­بندی سلسله مراتبی بروان بلانه توسط جامعه شناسان گیاهی برخوردار است، شاخص مجموع شاخص تعلقه فی (Total Phi Fidelity Index) یا TPFI را به عنوان یک روش جدید اجتماع­پذیری قطعه­نمونه-گروه توسعه دادند.

شاخص­های تخصیص قطعه نمونه-گروه صرف نظر از اینکه بر مبنای کدام روش تعیین درجه اجتماع­پذیری گونه-گروه و یا روش ریاضی تعریف می­شوند همانند روش­های مختلف طبقه­بندی منجر به ارائه ماتریس قطعه­نمونه-گروه شده از اینرو نتایج آنها را می­توان با استفاده از روش­های مختلف ارزیابی کیفیت طبقه­بندی، اعتبار سنجی کرد (1). به طور کلی روش­های عددی ارزیابی طبقه­بندی در قالب دو گروه ارزیابی داخلی (Internal) و خارجی (External) ارائه می‍شوند (6).

روش­های ارزیابی خارجی، کیفیت هر یک از روش­های طبقه­بندی حاصله را با نتایج گروه­های از قبل طبقه­بندی شده، مورد مقایسه قرار می­دهد. در مقابل روش­های ارزیابی داخلی، کیفیت هر یک از روش­های طبقه­بندی را بر اساس روابط موجود در هر یک از خوشه­ها (گروه­ها) ارائه می­دهد. ارزیابی­های داخلی مشتمل بر دو گروه هندسی (Geometric) و غیرهندسی (Non- geometric) می­باشند. ارزیابی­های هندسی روش­هایی هستند که ارزیابی کیفیت طبقه­بندی را بر مبنای روابط هندسی (فاصله) قطعات نمونه در درون و بین خوشه­ها (گروه­ها) انجام می­دهد. در مقابل روش های غیر هندسی ارزیابی کیفیت طبقه­بندی را بر مبنای پراکنش گونه­های گیاهی ارائه می­دهد (6). در واقع در روش­های هندسی، محاسبات بر مبنای مقادیر عددی هر یک از قطعات نمونه انجام می­پذیرد این در حالی است که در روش­های غیر هندسی مثل روش ارزش معرف یا Indval (18)، محاسبات بر مبنای مقادیر عددی هر یک از  گونه­های گیاهی انجام می­شود. از اینرو به روش­های ارزیابی هندسی و غیر هندسی به ترتیب روش­های ارزیاب مبتنی بر گروه (Community- based) و گونه (Species- based) نیز اطلاق می­شود (25).

تحقیق حاضر در نظر دارد تا با استفاده از نتایج طبقه­بندی فلوریستیکی رویشگاه­های شمشاد هیرکانی در دو استان مازندران و گلستان به عنوان گروه­های اکولوژیک موجود (که بر اساس نتایج تلفیقی دو روش عددی طبقه­بندی شامل تحلیل خوشه ای و تحلیل گونه­های معرف دو طرفه (Two way indicator species analysis) معمولی یا TWINSPAN و اصلاح شده(Modified TWINSPAN) انجام شده است) و بهره­گیری از تعدادی شاخص­های ارزیابی داخلی و خارجی طبقه­بندی، کیفیت نتایج شاخص­های تخصیص قطعه نمونه-گروه ارائه شده توسط Tichy (31) و اسماعیل زاده و اسدی (12) را در اختصاص قطعات نمونه جدید به جوامع گیاهی از قبل تعیین شده مورد تجزیه و تحلیل قرار داده و مناسب­ترین روش را ارائه دهد.

مواد و روشها

پایگاه اطلاعاتی داده: در این پژوهش از داده­های بانک اطلاعاتی پوشش گیاهی شمشاد هیرکانی استفاده شد. این بانک اطلاعاتی مشتمل بر تعداد 437 رولوه از رویشگاه­های شمشاد در استان شمال گلستان و مازندران است که در سال­های 1388 تا 1393 به روش­ براون بلانکه (1964) برداشت شد. رولوه­ها با مساحت 400 متر مربع با رعایت اصل توده معرف از شرقی­ترین منطقه پراکنش شمشاد هیرکانی در ذخیره­گاه چشمه­بلبل بندرگز تا لیره­سر تنکابن در غرب استان مازندران و از دامنه ارتفاعی 50 متر از سطح دریا در ذخیره­گاه جنگلی سی­سنگان تا 175 متر از سطح دریا در منطقه فریم برداشت شد.

طبقه­بندی گروه­های گیاهی: با استفاده از نتایج تلفیقی دو روش TWINSPAN معمولی و اصلاح شده (27) به همراه نتایج تحلیل خوشه­ای تعداد 11 گروه گیاهی طبقه­بندی شد. آن دسته از قطعات­نمونه که مطابق سه روش در یک گروه قرار نگرفتند از طریق تحلیل ممیزی و بر اساس داده­های متغیر­های محیطی و نمایش همزمان گروه­ها در نمودار رج­بندی تحلیل تطبیقی نااریب یا DCA به گروه­های مزبور تخصیص یافتند. هر دو روش TWINSPAN با بهره‌گیری از بسته نرم­افزاری 7 Juice (30) براساس مقادیر درصد تاج‌پوشش گونه­ها و بر مبنای سطوح قطع 100- 75- 50- 25- 5/12- 5- 5/2- 1- (صفر) 0 انجام شد. روش اصلاح­شده آن نیز با استفاده از معیار تنوع شاخص واریانس کل (Total inertia) انجام شد (27). گروه­های حاصله به عنوان گروه­های اولیه یا از قبل تعیین شده در محاسبه شاخص­های تشابه یا تخصیص قطعه­نمونه- گروه مد نظر قرار گرفتند.

اجتماع­پذیری گونه- گروه و قطعه­نمونه- گروه: پس از گروه­بندی، اجتماع­پذیری گونه- گروه (گروه­های اولیه) با استفاده از شاخص تعلقه فی اصلاح شده (32) انجام شد. سپس با استفاده از مقادیر شاخص تعلقه فی که 1- تا 1+ متغیر است و بکارگیری 6 شاخص تشابه قطعه نمونه- گروه (جدول 1) اقدام به تخصیص دوباره قطعات نمونه به گروه های 11 گانه می­شود. بالاترین مقدار عددی هریک از شاخص­های تشابه قطعه­نمونه- گروه هر یک از رولوه­ها در هر یک از گروه­های گیاهی موجود در منطقه بیانگر اختصاص آن رولوه­ها به گروه گیاهی مزبور می باشد. بر این اساس تعداد 6 سری گروه­بندی جدید (برمبنای تعداد 6 شاخص تشابه قطعه­نمونه- گروه) ارائه ­شد.

 

جدول 1- شاخص های تشابه قطعه نمونه-گروه مورد

شاخص

توضیحات 

منبع

فرمول 

فروانی نسبی

 = مجموع فراوانی یا پایایی نسبی ترکیب گیاهی موجود که در هر رولوه (R) حضور دارند؛ = مجموع مقادیر فراوانی یا پایایی نسبی کلیه گونه هایی که در هر گروه گیاهی (C) حضور دارند. دامنه این شاخص از 0 تا 100 است.

(10)

 

تعلقه مثبت

روش محاسبه این شاخص کاملا شبیه روش محاسبه شاخص فراوانی می باشد با این تفاوت که بجای مقادیر فراوانی از مقادیر مثبت ضرایب تعلقه فی استفاده می­شود. دامنه این شاخص از 0 تا 100 است.

(10)

 

تعلقه منفی

محاسبه شاخص تعلقه منفی کاملا شبیه شاخص تعلقه مثبت می باشد با این تفاوت که در محاسبه آن فقط ضرایب تعلقه منفی مد نظر قرار می گیرند. دامنه این شاخص از 100-  تا است.

(10)

 

تلفیقی فراوانی- تعلقه مثبت

این شاخص میانگین دو شاخص فروانی و تعلقه مثبت را ارائه می­دهد. دامنه این شاخص از 0 تا 100 است.

(10)

FPFI    = 100 × (FQI + PFDI )/2

تلفیقی فراوانی- تعلقه کلی

این شاخص با استفاده از سه مولفه فراوانی، تعلقه مثبت و منفی محاسبه می شود.  دامنه این شاخص از 50- تا 100 می باشد.

(10)

FGFI =100 × (FQI + PFDI + NFDI)/3

مجموع شاخص تعلقه فی

Ai= ارزش معرف گونه i در گروه k؛ Ci= درصد تاج پوشش گونه i در قطعه­نمونه j

(12)

 


شاخص­های ارزیابی کیفیت طبقه­بندی: پس از تهیه ماتریس قطعه­نمونه- گروه با استفاده از 6 معیار تشابه قطعه­نمونه، کیفیت نتایج هر یک از شاخص­های شش­گانه تشابه قطعه­نمونه- گروه با استفاده از دو سری از شاخص­های اعتبارسنجی داخلی و خارجی، ارزیابی شد. با استفاده از ایده جدول توافقی و بهره­گیری از آزمون نیکویی برازش مربع کای با اعمال ضریب تصحیح یتس (5)، میزان انطباق نتایج 6 سری از گروه­بندی­های حاصله با نتایج گروه­بندی اولیه برآورد شد(12). نتایج ماتریس قطعه­نمونه- گروه هریک از 6 شاخص تشابه قطعه­نمونه- گروه، انطباق بالاتری را با ماتریس قطعه­نمونه- گروه حاصل از نتیجه طبقه­بندی اولیه نشان دهد، به عنوان مناسب­ترین شاخص تشابه قطعه­نمونه- گروه معرفی می­شود. این روش ارزیابی به عنوان یک روش خارجی ارزیابی کیفیت طبقه­بندی محسوب می­شود (24). همچنین از شاخص­های فاصله­ای C-Index، ضریب پارتانا (Partana ratio)، ضریب همبستگی بیسریال نقطه­ای (Point biserial correlation) و شاخص کالینسکی و هاراباس (Calinski and Harabas) که بر اساس تشابه درون گروهی و برون گروهی قطعات­نمونه عمل می­کنند به عنوان شاخص­های ارزیابی داخلی هندسی و از شاخص­های تمایزی (Sharpness)، انحصاری (Uniquness)، قدرت تفکیک گونه­های معرف (Crispness)، شاخص ارزش معرف (Indicator species analysis) یا ISA، شاخص کاهش همپوشانی درجه پایای گونه­های معرف در گروه­ها یا ISAMIC و شاخص همپوشانی آشیان بوم­شناختی موریسیتا (Morisita’s index of niche overlap) به عنوان شاخص­های ارزیابی داخلی غیرهندسی استفاده شد (جدول 2).

 

جدول 2- شاخص های هندسی (الف) و غیر هندسی (ب) ارزیابی داخلی کیفیت طبقه­بندی

الف) شاخص­های هندسی

ضریب همبستگی بیسریال نقطه­ای (25)

 

D= ماتریس فاصله قطعات­نمونه موجود در بانک اطلاعاتی؛ B= ماتریس عضویت­پذیری مشابه قطعات­نمونه در گروه­های مشابه (اگر دو قطعه­نمونه مربوط به یک گروه شوند عدد صفر و در غیر این صورت عدد یک به خود می­گیرند). توجه: مقادیر بالای این شاخص وضعیت مناسب گروه­بندی را دلالت می­کند.

PBC=Corr (D, B)

ضریب پارتانا (26)

P= شاخص پارتانا؛ N= تعداد پلات­های موجود در بانک اطلاعاتی؛ C= تعداد گروه­ها؛ Nz= تعداد قطعات­نمونه در Z امین گروه (z=1,2,….)؛ W= عضویت­پذیری بنابراین وقتی Wi  باWj برابر نیست نشان دهنده این است که قطعات نمونه iوj مربوط به گروه مختلف می­باشد. Sij= تشابه قطعات iوj

توجه: مقدار بالای شاخص پارتانا وضعیت مناسب گروه­بندی را دلالت می­کند.

 

C-Index (27)

برای محاسبه dmin و dmax در فرمول C-Index فرض می­شود که p تعداد جفت قطعات­نمونه است که در گروه مشابه قرار می­گیرد ازاین رو dmin تعداد جفت قطعات­نمونه با کمترین فاصله و dmax تعداد جفت قطعات­نمونه با بیشترین فاصله را نشان می­دهند. در واقع مقدار این شاخص بیانگر کمترین شاخص عدم تشابه درون گروهی می­باشد بنابراین هرجه مقدار عددی شاخص C_Index بیشتر باشد اختلاف درون گروهی کمتر است.

 

شاخص کالینسکی و هاراباس (28)

BGSS= مجموع مجذور فاصله درون گروهی خوشه­ها؛ WGSS= مجموع مجذور فاصله بین گروهی خوشه­ها؛ N= تعداد گونه­ها؛ K=نعداد خوشه­ها؛  توجه: مقادیر بالای این شاخص وضعیت مناسب گروه­بندی را دلالت می­کند.

 

ب) شاخص­های غیر هندسی

انحصارگرایی (29)

یک اجتماع گیاهی زمانی منحصر است که هیچ‌یک از گونه‌های معرف آن در دیگر گروه‌های گیاهی به‌عنوان گونۀ معرف مطرح نباشد.

= تعلقه گونۀ i در واحد رویشی؛  = تعلقه گونۀ i در واحد رویشی k

   و

تمایزی (29)

مقدار بالای این شاخص زمانی به­دست می‌آید که یک اجتماع گیاهی، تعداد زیادی گونۀ معرف با درجة فی بالا داشته باشد.

 

قدرت تفکیک گونه های معرف (30)

f(o)i= فراوانی مشاهده شده؛ f(e)i= فراوانی مورد انتظار

 

تعداد گونه­های معرف 05/0=a (19 و 31)

IV= شاخص ارزش معرف ؛ RA= فروانی گونه j در گروه k؛ RF= حضور و غیاب گونه j در گروه k؛ توجه: مقادیر بالای این شاخص وضعیت مناسب گروه­بندی را دلالت می­کند.

 

میانگین مقادیر p-value (19)

IV= شاخص ارزش معرف ؛ RA= فروانی گونه j در گروه k؛ RF= حضور و غیاب گونه j در گروه k؛ توجه: مقادیر پایین این شاخص وضعیت مناسب گروه­بندی را دلالت می­کند.

 

کاهش همپوشانی درجه پایای گونه­های معرف در گروه­ها یا ISAMIC  (26)

I= متوسط مقدار شاخصISAMIC؛ Cik = پایایی گونه i در گروه k؛ G= تعداد گروه ها؛ N= تعداد گونه­ها

توجه: مقادیر بالای این شاخص وضعیت مناسب گروه­بندی را دلالت می­کند.

 

     

 

آنالیز تشابه (Anosim) (13) نیز به منظور بررسی معنی­داری طبقه­بندی حاصله از نتایج 6 شاخص تشابه مورد استفاده قرار گرفت به عبارت دیگر با استفاده از  این آنالیز،  معنی­داری گروه­های حاصله از طبقه­بندی از نقطه نظر اختلاف ترکیب گونه­ای ارزیابی شد. شاخص­های تشابه قطعه نمونه-گروه ارائه شده توسط Tichy (31) و آزمون­های مربوط به معیار­های ارزیابی انحصارگرایی، تمایزی و قدرت تفکیک گونه­های معرف با استفاده از بسته نرم افزاری 7 Juice انجام شد. شاخص تشابه TPFI (12) و همچنین ارزیابی دیگر معیار­ها با استفاده از زبان برنامه نویسی RStudio  انجام شد.

به منظور مقایسه نتایج شاخص­های ارزیابی از تحلیل مولفه اصلی یا PCA استفاده شد. برای این منظور در هریک از سطوح طبقه­بندی دارنگاره گروه­های گیاهی منطقه (از سطح قطع اول که منجر به ایجاد 2 گروه می­شود تا سطح قطع نهم که منجر به ایجاد 10 گروه می­شود) مقدار عددی هریک از شاخص­ها برآورد شد. مقادیر عددی هریک از شاخص­های مزبور در هر سطح طبقه­بندی به عنوان یک تکرار از آن شاخص مد نظر قرار گرفت. از اینرو یک ماتریس شاخص­های ارزیاب طبقه­بندی- تعداد سطح طبقه­بندی (11 شاخص × 9 سطح) به عنوان ماتریس اولیه ایجاد شده و در PCA مورد استفاده قرار گرفت. ماتریس داده­ها به منظور حذف اثر اریبی ناشی از متفاوت بودن مقادیر عددی شاخص­های ارزیابی با استفاده از روش تبدیل نسبی بر مبنای مقدار بیشینه استاندارد شد. در انتخاب مهمترین مولفه­ها از آماره بروکن- استیک (Brocken stick) و درصد تبیین واریانس (Percentage of explained variance) استفاده شد (9) همچنین میزان همبستگی هریک از شاخص­ها با مولفه­های PCA مورد تجزیه و تحلیل قرار گرفت.

نتایج 

شکل 1 دارنگاره طبقه­بندی گروه­های اکولوژیک شمشاد بر اساس مقادیر درصد تاج‌پوشش گونه­های 437 قطعه نمونه با استفاده از نتایج تلفیقی دو روش TWINSPAN معمولی و اصلاح­شده (با استفاده از شاخص ناهمگنی واریانس) و بر مبنای سطوح قطع 100- 75- 50- 25- 5/12- 5- 5/2- 1- (صفر) 0  را نشان می­دهد. بطوریکه مشاهده می شود در سطح قطع 7 تعداد 11 گروه اکولوژیک قابل تفکیک و تمایز است. شماره گروه­ها به همراه اندازه آنها (تعداد قطعه نمونه) در بخش پایینی دارنگاره طبقه­بندی مشخص است.

 

 

 

 

سطح قطع

 

11

(47)

 

10

(24)

 

9

(39)

 

8

(34)

 

7

(44)

 

6

(49)

 

5

(43)

 

4

(82)

 

3

(39)

 

2

(21)

 

1

(15)

 

 

 

 

 

 


شکل 1- دارنگاره طبقه­بندی گروه­های اکولوژیک شمشاد استان­های گلستان و مازندران

 

بر اساس هر یک از شاخص­های اجتماع­پذیری قطعه­نمونه-گروه، کلیه 437 رولوه به طبقه­بندی اولیه دوباره اختصاص یافت. جدول 3 عضویت­پذیری مشابه رولوه­ها در گروه­های گیاهی حاصله از شاخص­های تشابه قطعه­نمون- گروه با گروه­های اکولوژیک منطقه را نشان می­دهد. از میان شاخص­های مزبور، شاخص TPFI با 3/59 درصد دارای بیشترین تطابق بوده و بقیه روش­ها FGFI (46/14)، NFDI (46/14)، PFDI (38/17)، FPFI (08/18) و FQI (08/18) در رتبه­های بعدی قرار گرفتند. جدول 4 ارزیابی طبقه­بندی های شاخص های تشابه قطعه نمونه-گروه را بر اساس معیار­های هندسی و غیر هندسی نشان می­دهد. نتایج ارزیابی طبقه­بندی های مختلف توسط شاخص­های مزبور نشان داد که گروه­های اکولوژیک حاصل از شاخص تشابه TPFI از نظر شاخص­های تمایزی، قدرت تفکیک گونه­های معرف و همچنین معیار­های ضریب پارتانا، ضریب همبستگی بیسریال نقطه­ای، موریسیتا، C-index، ISAMIC، تعداد گونه­های معرف و میانگین مقادیر p-value دارای بیشترین مقدار است. همچنین گروه­های اکولوژیک حاصل از شاخص تشابه PFDI از نظر شاخص انحصارگرایی و معیار کالینسکی دارای بهترین گروه­بندی است. نتایج طبقه­بندی حاصله از شاخص تشابه FGFI در همه شاخص­ها و معیارهای ارزیابی دارای کمترین مقدار است و گروه­های گیاهی حاصل از شاخص FPFI از نظر تمامی ارزیاب ها در جایگاه دوم قرار دارد.

نتایج تحلیل تشابه (جدول 5) نشان داد که گروه­های حاصله از شاخص تشابه TPFI دارای بیشترین نسبت اختلاف بین­گروهی به اختلاف درون­گروهی (4974/0) در مقایسه با گروه­های حاصله از دیگر شاخص­ها تشابه قطعه نمونه-گروه می­باشد.

 

 

جدول 3- فراوانی همسویی نتایج طبقه­بندی شاخص­های تشابه قطعه­نمونه- گروه با گروه­های اکولوژیک

تعداد قطعه­نمونه

FGFI

NFDI

FPFI

PFDI

FQI

TPFI

گروه­های اکولوژیک

15

1

1

3

3

3

15

1

21

0

0

0

0

0

20

2

39

8

8

0

0

0

33

3

82

25

25

15

38

15

53

4

43

14

14

0

9

0

40

5

49

1

1

24

6

24

10

6

44

6

6

6

0

6

15

7

34

2

2

0

0

0

20

8

39

3

3

2

3

2

18

9

24

9

9

9

13

9

0

10

47

1

1

26

14

26

26

11

درصد انطباق با گروه­های اکولوژیک

46/14 

46/14 

08/18 

38/17 

08/18 

3/59 

 

 

جدول 4- مقادیر عددی معیارهای ارزیابی داخلی (الف: هندسی و ب: غیرهندسی) کیفیت طبقه­بندی در گروه­های حاصل از شاخص­های تشابه

معیارهای ارزیابی

FGFI

NFDI

FPFI

PFDI

FQI

TPFI

الف) هندسی

ضریب پارتانا

02/1

03/1

02/1

03/1

02/1

14/1 

ضریب همبستگی بیسریال نقطه­ای

04/0

05/0

04/0

04/0

05/0

26/0

* (C-Index)-1

37/0

35/0

37/0

37/0

35/0

2/0

شاخص کالینسکی و هاراباس

5771/0

5771/0

6432/0

8771/0

6432/0

6344/0

ب)غیر هندسی

تمایزی

18/9

25/9

14/14

15

14

45/20 

انحصارگرایی

13/11

61/11

61/11

61/11

61/11

15/11

قدرت تفکیک گونه­های معرف

64/49

35/50

89/82

77/87

89/82

37/147

* (موریسیتا)- 1

7/0

67/0

66/0

7/0

68/0

47/0

کاهش همپوشانی درجه پایای گونه­های معرف در گروه­ها یا ISAMIC

7605/0

761/0

7678/0

7696/0

7678/0

811/0

تعداد گونه­های معرف 05/0=a

33

32

55

54

55

67

میانگین مقادیر p-value

1300/0

1331/0

0782/0

0714/0

0780/0

0131/0

* از آنجایی که مقادیر عددی کمتر، برای دو معیار C-Index و موریسیتا در یک روش طبقه­بندی برخلاف دیگر ارزیاب­ها، بیانگر شرایط مطلوب­تر آن روش طبقه­بندی است، مقادیر عددی ارزیابی گزارش شده برای این دو شاخص از عدد یک تفریق شد تا اینکه نتایج تمامی ارزیاب ها همسو باشند.

جدول 5- نتایج آنالیز تشابه ANOSIM  طبقه بندی های شاخص­های تشابه قطعه نمونه- گروه

شاخص­های تشابه

FPFI

FQI

TPFI

FGFI

NFDI

PFDI

آماره R

1439/0

1439/0

4974/0

09242/0

0911/0

1581/0

معنی داری

001/0>p

001/0>p

001/0>p

001/0>p

001/0>p

001/0>p

 

 

در تجزیه به مولفه­های اصلی در ارتباط با مقادیر شاخص­های ارزیابی در هر یک از سطوح طبقه­بندی (از بالاترین سطح قطع دارنگاره یعنی تشکیل 2 گروه تا سطح قطع هفتم و تشکیل 11 گروه) مشخص شد که بیش از 77 درصد از تغییرات مربوط به شاخص­های ارزیابی توسط دو محور اول توجیه می­شود (جدول 6). بنابراین شاخص­هایی که با این دو محور همبستگی دارند (05/0>p) را می­توان به عنوان مهمترین شاخص­ها مدنظر قرار داد. از این نظر شاخص­های ISA ( میانگین مقادیر معنی­داری)، ضریب همبستگی بیسریال نقطه­ای، ضریب پارتانا، ISA (تعداد گونه­های معرف)، شاخص کالینسکی و هاراباس، کاهش همپوشانی درجه پایای گونه­های معرف در گروه­ها یا ISAMIC، تمایزی و انحصارگرایی به ترتیب اهمیت به عنوان مهمترین شاخص­ها معرفی می­شوند (شکل 2). در این رابطه اهمیت سه شاخص (C-Index)-1، (موریسیتا)- 1 و قدرت تفکیک گونه­های معرف به دلیل همبستگی پایینی که با دو مولفه اول تحلیل PCA نشان دادند نسبت به بقیه شاخص­ها در سطح کمی ارزیابی شد.

 

جدول 6- مقادیر ویژه و درصد واریانس توجیه شده محورهای PCA و همبستگی آنها با شاخص­های ارزیاب

متغیر­ها

علامت اختصاری

محور 1

محور 2

محور 3

محور 4

ضریب پارتانا

Partana 

** 96/0

ns 252/0

ns 04/0

ns 044/0

ضریب همبستگی بیسریال نقطه­ای

PBC

** 973/0

**223/0

ns 081/0

ns 016/0

(C-Index)-1

1-C.Index

ns 656/0

ns 245/0-

ns 055/0-

**705/0-

شاخص کالینسکی و هاراباس

Calinski & Harabas

ns347/0

**929/0-

ns 088/0

ns 021/0

تمایزی

 Sharpness

**768/0-

ns 268/0

ns 568/0

ns 015/0-

انحصارگرایی

Uniquness

ns 344/0-

**733/0

ns 003/0

ns 035/0-

قدرت تفکیک گونه های معرف

 Crispness

ns 397/0

ns 407/0

ns 640/0

ns 202/0-

(موریسیتا)- 1

1-Morisita

ns 0

ns 360/0

**798/0

ns 061/0

کاهش همپوشانی درجه پایای گونه­های معرف در گروه­ها

ISAMIC

**775/0-

ns 340/0-

ns 454/0-

ns 084/0-

تعداد گونه­های معرف

ISA- sig.indicator

**934/0

ns 325/0

ns 072/0

ns 107/0

میانگین مقادیر p-value

ISA-p.value

**978/0-

ns 113/0-

ns 126/0

ns 018/0-

مقادیر ویژه

 

791/5

764/2

197/1

578/0

آماره بروکن- استیک

 

02/3

02/2

52/1

187/1

درصد تبیین واریانس

 

65/52

13/25

88/10

26/5

درصد تجمعی تبیین واریانس

 

65/52

78/77

66/88

92/93

*و **به ترتیب نشان‌دهنده معنی­دار بودن در سطح 05/0و 01/0 است و ns معنی­دار نبودن را نشان می­دهد.

 

شکل 2- نمودار تجزیه به مولفه­های اصلی مقادیر شاخص­های ارزیابی در هر یک از سطوح طبقه­بندی

(نماد لوزی شکل، سطوح قطع در دارنگاره طبقه­بندی گروه­های گیاهی منطقه را نشان می­دهد؛  فهرست علامت اختصاری شاخص­های ارزیابی در جدول 5 ارائه شد)

 

نمایش همبستگی شاخص­های ارزیابی در امتداد دو محور اول و دوم نشان می­دهد که شاخص­های ISA (تعداد گونه معرف)، کاهش همپوشانی درجه پایای گونه­های معرف در گروه­ها یا ISAMIC و تمایزی همبستگی منفی را با محور اول نشان داده در حالی که شاخص­های ISA (متوسط معنی­داری)، پارتانا و ضریب همبستگی بیسریال نقطه­ای یا PBC همبستگی مثبتی را با محور اول نشان می­دهد از این نظر می­توان اظهار داشت که صرف نظر از نوع همبستگی (مثبت یا منفی) با افزایش تعداد گروه­ها، مقادیر سه شاخص تعداد گونه معرف، پارتانا و ضریب PBC کاهش یافته و این در حالی است که مقادیر دو شاخص ISA (متوسط معنی­داری) و ISAMIC در گروه­ها افزایش می­یابد. در این رابطه شاخص انحصارگرایی همبستگی بالایی را در سطح قطع اول و دوم طبقه­بندی نشان داده و شاخص کالینسکی و هارباراس نیز در سطوح میانی (سطوح 3، 4 و 5) طبقه­یندی حاوی بالاترین مقدار عددی می­باشد. شایان ذکر است اگرچه دو شاخص (C-Index)-1 و (موریسیتا)- 1 به ترتیب همبستگی نسبتا خوبی را به ترتیب با دو محور چهارم و سوم نشان دادند اما با توجه به اینکه این دو مولفه شرط آزمون بروکن- استیک را احراز نکردند از اینرو نتایج آنها در برآورد درصد تبیین واریانس مد نظر قرار نگرفت.

بحث

نتایج تحقیق حاضر نشان داد از میان 6 شاخص تشابه قطعه­نمونه- گروه مورد بررسی ، استفاده از روش مدل مجموع شاخص تعلقه فی یا TPFI (2) در تخصیص قطعات­نمونه به گروه­های از قبل طبقه­بندی شده نسبت به پنج روش فروانی شاخص تشابه قطعه­نمونه- گروه (31) به دلیل ارائه بهترین عملکرد طبقه­بندی در اولویت می­باشد. بالا بودن کیفیت نتایج طبقه­بندی حاصله از روش TPFI می­تواند به دلیل بهره­گیری از معیار درصد تاج­پوشش گونه­ها به همراه مقادیر تعلقه آنها باشد این درحالی است که در بقیه روش­ها فقط از معیار حضور- غیاب گونه­ها استفاده می­شود. بهره­گیری از معیار کمی درصد تاج پوشش گونه­ها سبب می­شود تا در محاسبه درجه اختصاص یک قطعه نمونه به یک گروه، سهم اثر گزاری هر یک از گونه­ها در هر قطعه نمونه به صورت مشابه نبوده بلکه هر گونه گیاهی به نسبت درصد تاج پوشش خود که تابعی از درجه مطلوبیت رویشگاهی برآن گونه محسوب می­شود (افزایش درصد پوشش یک گونه نشانگر تامین شدن نیاز های اکولوژیک آن گونه است) در این ارزیابی موثر باشد. به دیگر سخن وزن­دار کردن مقادیر درجه وفاداری گونه-گروه بر اساس درصد تاج پوشش گونه­ها در روش TPFI سبب می­شود تا در تخصیص یک قطعه­نمونه به یک گروه گیاهی، میزان تاثیرگذاری مقادیر تعلقه گونه­های گیاهی آن قطعه­نمونه به گروه­های موجود برحسب مقادیر درصد تاج­پوشش آنها انجام شود. در این رابطه گونه­هایی که با درصد تاج پوشش بیشتری در هر قطعه نمونه حضور می­یابند نسبت به گونه­هایی که با درصد تاج­پوشش کمتری در آن قطعه نمونه حضور می­یابند از سهم بیشتری در این ارزیابی برخوردار می­­باشند. از اینرو نتایح حاصله از این روش (مبتنی بر درجه وفور گونه­ها) نسبت به روش­های مبتنی بر فروانی از اعتبار بیشتری برخوردار است.

اگرچه این نتیجه گیری برای نخستین بار ارائه شده و مبنای مقایسه­ای برای آن وجود ندارد ولی مرور منابع دلالت بر آن دارد که وزن­دار کردن مقادیر عددی خصوصیات فیزیکی و شیمیایی خام با استفاده از معیار کمی درصد تاج­پوشش گونه­ها در برآورد بهینه رشد گیاهی (28، 20 و 17) و اندازه­گیری غیرمستقیم فاکتور­های محیطی در هر قطعه­نمونه (7) نتایج بسیار مطلوب­تری را نسبت به روش­های حسابی آن (بهره­گیری از معیار حضور و غیاب گونه) به همراه خواهد داشت. در این رابطه Willner و همکاران (36) نیز اعتقاد دارد که استفاده از داده­های کمی درصد تاج­پوشش برای تطبیق رولوه­های جدید به واحدهای گیاهی از قبل طبقه­بندی شده از ضرورت بالایی برخوردار است Willner و همکاران (36) در مقایسه روش­های آماری تعیین تعلقه و روش­های غیر آماری پایای نسبی (Constancy Ratio)  CR و مجموع درصد تاج­پوشش نسبی (Total Constancy Ratio) یا TCR نشان دادند که کیفیت دو روش CR و TCR که در آنها میزان تعلقه گونه- گروه با استفاده از ترکیب دو معیار درصد تاج­پوشش و درجه پایایی گونه­ها انجام می­شود نه تنها قابل مقایسه با نتایج شاخص­های آماری تعیین تعلقه می­باشد بلکه گاهی نتایج مناسب­تری نیز ارائه می­دهد.

مقایسه پنج روش فراوانی شاخص تشابه نیز نشان داد که گروه­های حاصله از روش FPFI نسبت به بقیه روش­ها از کیفیت مطلوب­تری برخوردار بوده و در این رابطه گروه­های حاصله از دو روش NFDI و FGFI پایین­ترین مقادیر ضرایب ارزیابی را به خود اختصاص دادند. گروه­های حاصل از دو روش FQI و PFDI نیز رفتار متوسطی را از خود نشان دادند. پایین بودن کیفیت طبقه­بندی در دو روش NFDI و FGFI می­تواند به خاطر استفاده از مقادیر منفی تعلقه گونه­ها در محاسبه درجه تخصیص قطعات نمونه به گروه­های گیاهی موجود باشد (31). استفاده از مقادیر تعلقه منفی از یک سو در روش NFDI سبب می­شود تا به وضعیت تعلقه گونه­ها در گروه هدف هیچ توجهی نشده ولی بلعکس به مقدار تعلقه آنها در گروه­های غیر هدف توجه می­شود. این درحالی است که در شکل­گیری هر گروه گیاهی (گروه هدف) توجه به مقادیر تعلقه گونه­ها در آن گروه سبب می­شود تا گروه­بندی با کیفیت مطلوب­تری انجام شود (15) از سوی دیگر استفاده از مقادیر تعلقه منفی در روش FGFI سبب می­شود تا میزان تاثیرگذاری مقادیر تعلقه مثبت گونه­ها (به دلیل جمع شدن با مقادیر منفی آن) کاهش یابد. این مسئله سبب می­شود تا کیفیت دو روش NFDI و FGFI نسبت به روش­های FQI و PFDI که در آنها مقادیر منفی تعلقه مد نظر قرار نمی­گیرد در سطح پایین­تری ارزیابی شود.

مناسب بودن کیفیت نتایج گروه­بندی حاصله از شاخص تشابه FPFI نسبت به دو روش FQI و PFDI می­تواند به دلیل ساختار این شاخص باشد که ترکیبی از  دو شاخص FQI (که بر مبنای فراوانی نسبی گونه­ها شکل گرفته است و در آن به مقادیر تعلقه گونه­ها توجهی نمی­شود) و شاخص PFDI (که بر مبنای مقادیر مثبت تعلقه گونه­ها شکل گرفته و به فراوانی گونه­ها توجهی نمی­شود) را شامل می­شود (31) در واقع استفاده از شاخص FPFI سبب می­شود تا ضمن توجه به مقادیر درجه تعلقه گونه­ها در گروه هدف (تعلقه مثبت) به مقادیر درجه فراوانی آنها نیز توجه شود. لحاظ شدن درجه فراوانی گونه­ها سبب می­شود تا از اهمیت گونه­هایی که اگرچه با فراوانی کم در گروه هدف حضور می­یابند ولی به دلیل عدم حضور در گروه غیر هدف حاوی مقادیر عددی بالای تعلقه در گروه هدف می­شوند کاهش یابد (16) این مسئله سبب می­شود تا سهم تاثیرگذاری این گونه­ها در محاسبه درجه تخصیص قطعه­نمونه- گروه کمتر شده و کیفیت نتایج ارتقا یابد.

مقایسه نتایج شاخص­های ارزیابی بررسی شده در این تحقیق با استفاده از تحلیل PCA نشان داد که نتایج دو شاخص PBC و پارتانا که بر اساس حداقل اختلاف درون گروهی و حداکثر اختلاف بین گروهی هر یک از گروه­ها محاسبه شده و به عنوان شاخص­های ارزیاب هندسی محسوب می­شوند با نتایج شاخص غیرهندسی ISA (تعداد گونه معرف) همبستگی بالایی را نشان می­دهند که این مسئله همسویی نتایج این دو شاخص ارزیاب هندسی و غیرهندسی کیفیت طبقه­بندی را دلالت می­کند. در این رابطه همبستگی بالای دو شاخص ISA (متوسط مقادیر معنی­داری) و شاخص کاهش درجه همپوشانی پایایی گونه­های معرف در گروه­ها یا ISAMIC که به ترتیب به عنوان شاخص­های غیرهندسی و هندسی محسوب می­شوند نیز تاییدی بر دلالت مزبور می­باشد. 

همبستگی منفی دو شاخص ISA (متوسط معنی داری) و ISAMIC با 3 شاخص PBC، پارتانا و ISA (بر اساس تعداد گونه معرف) بالا بودن کیفیت طبقه­بندی جوامع­گیاهی منطقه را تبیین می­سازد. چون بالا بودن مقادیر عددی دو شاخص PBC و پارتانا بیانگر بالا بودن قدرت تفکیک گروه­ها (اختلاف درون گروهی کم ولی اختلاف بین گروهی بالا) می­باشد (6). از سوی دیگر بالا بودن کیفیت طبقه­بندی گروه­های گیاهی (بالا بودن  شاخص PBC و پارتانا) سبب می­شود تا مقادیر اجتماع­پذیری یا تعلقه گونه- گروه به دلیل کاهش درجه تشابه اکولوژیک گروه­های گیاهی افزایش یافته از اینرو تعداد گونه­های معرف (بالا رفتن شاخص ISA بر اساس تعداد گونه معرف) افزایش می­یابد. کاهش درجه تشابه اکولوژیک گروه­های گیاهی همچنین سبب می­شود تا از یک سو از وقوع مشترک گونه­ها در گروه­های مختلف کاسته شود که این مسئله کاهش مقدار عددی شاخص ISAMIC را به همراه خواهد داشت و از سوی دیگر سبب می­شود تا در فرآیند تصادفی­سازی به منظور انجام آزمون معنی­داری مونت- کارلو (که تعیین گونه معرف به روش ارزش معرف منوط به اجرای این آزمون می­باشد) مقادیر عددی ارزش شاخص گونه­ها در گروه­های تصادفی همواره در سطح پایین­تری نسبت به گروه هدف باشد از اینرو مقدار عددی آماره p-value کاهش یابد (14).

نتایج این تحقیق همچنان نشان داد که مقادیر شاخص های ISA (در هر دو حالت تعداد گونه معرف و متوسط معنی داری)، پارتانا، PBC و ISAMIC همبستگی بالایی را با سطوح پایین طبقه بندی (7، 21 و 9) نشان می دهند این در حالی است که شاخص های انحصارگرایی و تمایزی همبستگی نسبتا بالایی را با سطوح بالایی طبقه بندی (1 و 2) نشان می دهند. در واقع نتایج تحقیق حاضر از این نظر نشان می­دهد که اولا: با افزایش تعداد سطوح طبقه­بندی، میزان تشابه گونه ای بین گروهی به دلیل کوچک­تر شدن گروه­ها و در نتیجه کاهش میزان اختلاف بین گروهی آنها، افزایش یافته و از اینرو مقدار عددی دو شاخص تمایزی و انحصار گرایی که به شدت تحت تاثیر حضور گونه های مشترک در گروه های مورد بررسی می باشد کاهش می یابد. ثانیا: تعداد 9 سطح طبقه بندی و ایجاد 11 گروه گیاهی که در نتیجه تلفیق دارنگاره چند روش عددی خوشه ای به TWINSPAN معمولی و اصلاح شده ارائه شده است قابل تایید می باشد.

به طور کلی نتایج این تحقیق به روشنی نشان داد که استفاده از هر دو سری از شاخص­های هندسی و غیرهندسی در ارزیابی کیفیت طبقه­بندی گروه مطرح بوده و از این نظر هیچ کدام از دو سری از شاخص­ها نسبت به دیگری برتری نداشته و لذا در مطالعات با هدف ارزیابی عددی گروه­ها، هر دو سری از ارزیابی­ها باید مدنظر قرار بگیرند. ولی به طور کلی می­توان اظهار داشت  که استفاده از شاخص غیر هندسی ISA با هر دو رویکرد (متوسط مقادیر معنی داری و تعداد گونه معرف) به همراه شاخص های PBC، پارتانا و کالینسکی و هاراباس به عنوان شاخص های هندسی را می­توان به عنوان مهمترین شاخص­های ارزیابی کیفیت طبقه بندی قلمداد کرد. این در حالی است که Aho و همکاران (6) اعتقاد داشتند کاربرد شاخص پارتانا به دلیل همبستگی مناسبی که با بقیه شاخص­های ارزیاب هندسی نظیر، متوسط شاخص سیلووت، C-index، گاما و PBC ارائه می­کند از اولویت بیشتری به منظور ارزیابی کیفیت طبقه­بندی گروه­های حاصله از چندین روش عددی طبقه­بندی شامل TWINSPANT، PAM، خوشه­ای (روش خوشه­یندی واریانس حداقل) و خوشه ای (با استفاده از شاخص B انعطاف پذیر) برخوردار است. آنها همچنین در تعیین مناسب­ترین شاخص ارزیاب غیر هندسی نشان دادند اگرچه که کیفیت هر یک از شاخص های غیر­هندسی در گروه­های حاصله از هر یک از روش­های طبقه­بندی متفاوت می­باشد ولی استفاده از دو شاخص ISAMIC و شاخص پراکندگی موریسیتا نسبت به هر دو شاخص ISA در اولویت می­باشد که از این نظر با نتایج تحقیق حاضر همخوانی ندارد.

نتایج تحقیق حاضر همچنین نشان داد مدل مجموع شاخص تعلقه فی که برای نخستین بار توسط اسماعیل­زاده و اسدی (2) بر اساس نتایج تلفیقی داده­های کیفی شاخص فی گونه­های گیاهی هر قطعه نمونه در هر گروه به همراه داده­های درصد تاج پوشش آنها ارائه شده است می­تواند به عنوان یک شاخص عددی نسبت به شاخص­های تشابه موجود که فقط بر مبنای مقادیر داده­های کیفی درجه فروانی و یا تعلقه فی محاسبه می­شوند از کیفیت مناسب تری برخوردار بوده از اینرو همانند دیگر شاخص­ها استفاده از آنها را می­توان برای 3 هدف: 1) اختصاص قطعات نمونه جدید به گروه­های از قبل طبقه بندی شده 2) بهبود نتایج کیفیت طبقه بندی (2 و 3) و 3) بازبینی مجدد طبقه­بندی­های قبلی (16) بکار گرفت.

1- اسدی، ح.، و همکاران.، 1395. ارزیابی شاخص­های مختلف اجتماع­پذیری گونه-گروه در طبقه­بندی پوشش­گیاهی، مجله تحقیقات جنگل و صنوبر ایران.

2- اسماعیل‌زاده، ا.، اسدی، ح.، 1393. معرفی مدل مجموع شاخص تعلقه فی (TPFIM) در تجزیه و تحلیل گروه­های اکولوژیک گیاهی، مجله جنگل ایران، 6 (2): 242-225.

3- اسماعیل‌زاده، ا.، نور محمدی، ک.، 1395. معرفی مدل مجموع ارزش گونه شاخص (TIVM) در طبقه­­بندی گروه­های اکولوژیک، مجله پژوهش­های گیاهی.

4- طهماسبی، پ.، 1390. رج­بندی (تجزیه و تحلیل چند متغیره در علوم محیطی و منابع­طبیعی). انتشارات دانشگاه شهرکرد، 181 ص.

5- مصداقی م.، 1380. توصیف و تحلیل پوشش‌گیاهی، (ترجمه)، جهاد دانشگاهی دانشگاه فردوسی مشهد، 287ص.

 

6- Aho, K., D.W. Roberts., and T. Weaver., 2008. Using geometric and non-geometric internal evaluators to compare eight vegetation classification methods. J. Veg. Sci, 19: 549-562.

7- Balkovič, J., Kollár, J., & Šimonovič, V., 2012. Experience with using Ellenberg’s R indicator values in Slovakia: Oligotrophic and mesotrophic submontane broad-leaved forests. Biologia, 67(3): 474-482.‏

8- Brogden, H.E., 1949. A new coefficient: application to biserial correlation and to estimation of selective efficiency. Psychometrika, 14: 169-182.

9- Bruelheide, H., & Chytry, M., 2000. Towards unification of national vegetation classifications: a comparison of two methods for analysis of large data sets. Journal of Vegetation Science, 11: 295–306.

10- Calinski, T., and Harabasz, J.,  1974. A dendrite method for cluster analysis. Communications in Statistics, 3, no. 1:1-27

11- Cern, a, L., & Chytr, y, M., 2005. Supervised classification of plant communities with artificial neural networks. Journal of Vegetation Science, 16: 407–414.

12- Chytry, M., and Tichy, L., 2003. Diagnostic, constant and dominant species of vegetation classes and alliances of the Czech Republic: a statistical revision. Brno, 153 p.

13- Clarke, K.R., 1993. Non-parametric multivariate analysis of changes in community structure. Australian Journal of Ecology, 18: 117-143.

14- Dai,  x., Page B., Duffy, K. j., 2006. Indicator value analysis as a group prediction technique in community classification, South A‌frican journal of Botany, 72(4): 589-595.

15- DeCaceres, M., and Legendre, P. 2009. Associations between species and groups of sites: indices and statistical inference. Ecology, 90(12): 3566-3574.

16- DeCaceres, M., Font, X., and Oliva, F., 2008. Assessing species diagnostic value in large data sets: A comparison between phi coefficient and Ochiai index. Journal of Vegetation Science, 19(6): 779-788.

17-  Desgraupes, B., 2013. Clustering indices. University of Paris Ouest-Lab Modal’X, 1, 34.

18- Dufrene, M., Legendre P., 1997. Species assemblages and indicator species: the need for a flexible asymmetrical approach. Ecological Monographs, 67(3): 345-366.

19- Hubert, L.J., & Levin, J.R., 1976. A general framework for assessing categorical clustering in free recall. Psychology Bulletin, 83: 1072-1080.

20- Käfer, J., & Witte, J. P. M., 2004. Cover‐weighted averaging of indicator values in vegetation analyses. Journal of Vegetation science, 15(5): 647-652.‏

21- Koleff, P., Gaston, K.J., Lennon, J.J., 2003. Measuring beta diversity forpresence–absence data. J. Anim. Ecol, 72, 367–382.

22- Legendre, P., & Legendre, L., 2012. Numerical ecology, 3rd ed. Elsevier, Amsterdam, NL.

23- McCune, B., and Grace, J.B., 2002. Analysis of Ecological Communities. MjM Software Design, Oregon, USA.

24- R.L. Boyce, P.C. Ellison Choosing the best similarity index when performing fuzzy set ordination on binary data Journal of Vegetation Science, 12 (2001), pp. 711–720

25- Roberts, D. W., 2015. Vegetation classification by two new iterative reallocation optimization algorithms. Plant Ecology, 216(5), 741-758.‏

26- Roberts, D., 2005. Vegetation classification in R, for labdsv ver. 1.1-1, vegetation ecology package. http://www.cran.r-project. org. unpubl.

27- Rolecek J., Tichy L., Zeleny D., Chytry M., 2009. Modified TWINSPAN classification in which the hierarchy respects cluster heterogeneity. Journal of Vagatation Science, 20(4): 596.

28- Schaffers, A. P., & Sýkora, K. V., 2000. Reliability of Ellenberg indicator values for moisture, nitrogen and soil reaction: a comparison with field measurements. Journal of Vegetation science, 11(2): 225-244.‏

29- Sokal, R. R., and Rohlf , F. J., 1995. Biometry. Freeman and Company, New York.

30-  Tichý, L. (2002). JUICE, software for vegetation classification. Journal of vegetation Science, 13 (3): 451-453.

31- Tichy, L., 2005. New similarity indices for the assignment of relev_es to the vegetation units of an existing phytosociological classification. Plant Ecology, 179: 67–72.

32- Tichy, L., and Chytry, M., 2006. Statistical determination of diagnostic species for site groups of unequal size. Journal of Vegetation Science, 17(6): 809-818.

33- Tichy, L., Chytry, M., & Botta-Dukat, Z., 2014. Semi-supervised classification of vegetation :preserving the good old units and searching for new ones. Journal of Vegetation Science, 25: 1504–1512

34- Tichy, L., Chytry, M., & Smarda, P., 2011. Evaluating the stability of the classification of community data. Ecography, 34: 807–813.

35- van Tongeren, O., Gremmen, N., & Hennekens, S., 2008. Assignment of relev_es to pre-defined classes by supervised clustering of plant communities using a new composite index. Journal of Vegetation Science, 19: 525–536.

36- Willner, W., Tichy L., Chytry M., 2009. Effects of different fidelity measures and contexts on the determination of diagnostic species, Journal of Vegetation Science, 20(1): 130-137

37- Wiser, S.K., & De Caceres, M., 2013. Updating vegetation classifications: an example with New Zealand’s woody vegetation. Journal of Vegetation Science, 24: 80–93.