Journal of Plant Research (Iranian Journal of Biology)

Predictive modeling of plant species habitat distribution using logistic regression (A case study in western Taftan, Khash City)

Document Type : Research Paper

Author

Range and Watershed Dept., University of Zabol, Zabol, I.R. of Iran

Abstract

The present study aimed to predictive modelling of plant species habitats distribution and preparation of predictive distribution maps of plant species using logistic regression.Vegetation sampling was carried out by random-systematic method where along four transects in the length of 150- 200 m established With regard to the type of the species, the quadrat size was determined by the minimal area method which ranged from 2 to 25 m2 and sample size was determined 40-60 quadrats by considering the changes in vegetation and statistical method. In order to soil sampling,soil sampling was performed by digging of eight soil profiles and sampling 0-30 and 30-80 cm depths. Habitats distribution was modeled using logistic regression and SPSS software. Predictive maps of plant habitat distribution were prepared using relevant models. Based on predictive obtained model, soil texture, soil organic matter in upper soil, percent of gypsum in subsoil, lime percent in upper soil, soli acidity (pH) in subsoil, type of geological formation, degree of slope and altitude were most effective variables in habitat distribution of plant communities. Based on Kappa value the agreement of predicted and observed maps was exellent for the habitats of A. scoparia, A. aucheri, and for the habitats of H. persicum , Z. eurypterum and A. sieberi was good and poor respectively. Results show that logistic regression could provide high predictive accuracy model for species that have unique habitat condition such as A. scoparia and A. aucheri in comparison with species that have wide ecological amplitude such as A. sieberi.

Keywords

Main Subjects

مدل­سازی پیش­بینی پراکنش رویشگاه گونه­های گیاهی با روش رگرسیون لوجستیک (مطالعه موردی: مراتع غرب تفتان، شهرستان خاش)  

حسین پیری صحراگرد

زابل، دانشگاه زابل، دانشکده آب و خاک، گروه مرتع و آبخیزداری

تاریخ دریافت: 15/3/95                                تاریخ پذیرش: 11/7/95

چکیده

ارائه مدل پیش­بینی پراکنش رویشگاه گونه­های گیاهی و تهیه نقشه پیش­بینی پراکنش هر یک از رویشگاه­ها با روش رگرسیون لوجستیک از اهداف این پژوهش بود. برای این منظور، بعد از تعیین واحدهای همگن بوم­شناختی با استفاده از نقشه­های پایه منطقه مورد مطالعه، نمونه­برداری از پوشش گیاهی در هر رویشگاه به روش تصادفی- سیستماتیک از طریق پلات‌گذاری در امتداد 4 خط­نمونه 150 و200 متری انجام شد. سطح قطعات­نمونه با توجه به نوع گونه‌های موجود، به روش سطح­حداقل بین 2 تا 25 متر­مربع و تعداد آنها با توجه به تغییرات پوشش گیاهی و روش آماری 40 تا 60 قطعه­نمونه تعیین شد. برای نمونه­برداری از خاک نیز در هر رویشگاه، هشت پروفیل حفر و از دو عمق 30-0 و60-30 سانتی­متری نمونه­برداری انجام شد. مدل‌سازی پراکنش رویشگاه­ها به روش رگرسیون لوجستیک و با استفاده از نرم­افزار SPSS انجام شد. نقشه­های پیش­بینی رویشگاه گونه­های گیاهی، با استفاده از مدل­های حاصل ساخته شد. بر اساس مدل­های پیش­بینی، بافت خاک، درصد ماده آلی­ عمق اول، درصد گچ عمق دوم، درصد آهک عمق اول، اسیدیته عمق دوم، نوع سازند زمین­شناسی، درصد شیب و ارتفاع بیشترین نقش را در پراکنش رویشگاه­های مورد مطالعه دارند. بر اساس مقادیر شاخص کاپا، میزان تطابق نقشه­های پیش­بینی حاصل با نقشه واقعی برای رویشگاه­ A. aucheri و A. scoparia، عالی؛ برای رویشگاه­های H. persicum وZ. eurypterum ، خوب و برای رویشگاه A. sieberi ضعیف ارزیابی شد. نتایج نشان می­دهد که روش رگرسیون لوجستیک قادر است که برای رویشگاه گونه­­هایA. aucheri  و A. scoparia که دارای شرایط رویشگاهی منحصر به­فردی است مدل پیش­بینی دقیقی فراهم آورد، اما برای رویشگاه A. sieberi، به دلیل دامنه بوم­شناختی گسترده، دقّت مدل‌ پیش­بینی حاصل از  این روش پایین­ بود.

واژه‌های کلیدی: مدل پیش­بینی، زمین­آمار، رگرسیون لوجستیک، تفتان، شاخص کاپا

نویسنده مسئول، تلفن: 09155427534،  پست الکترونیکی: hpirys@uoz.ac.ir

مقدمه

 

در سالهای اخیر بهره­گیری از روش­های آماری در مدلسازی استاتیک پوشش گیاهی، بمنظور برقراری ارتباط بین پراکنش پوشش گیاهی و عوامل محیطی تأثیرگذار افزایش یافته است. این روش­ها می­تواند با ارتباط­دادن اطلاعات مربوط به وقوع گونه­های معرف با متغیرهای محیطی مرتبط، شرایط محیطی مناسب برای هر گونه را برآورد و آن را به‌صورت یک مدل پیش­بینی ارائه نماید. بنابراین ساخت مدل‌های پیش­بینی دقیق برای مکان‌های مختلف، بمنظور مشخص­کردن پاسخ دقیق گونه­ها به شرایط محیطی در آن مکان، پیش­بینی احتمال حضور گونه­ها و ارزیابی عدم قطعیّت در نتایج مدل‌سازی ضروری است (34). بدلیل توانایی مدل‌های پیش­بینی رویشگاه در کشف روابط بین وقوع گونه­ها و شرایط محیطی، این مدل‌ها ابزاری مهم در بوم­شناسی هستند (21، 43). تکرار در استفاده از این مدلهای پیش­بینی، برای ارزیابی دقّت پیش­بینی مدل، یکی از نکات مهم در مدل­سازی پیش­بینی پراکنش گونه­های گیاهی است (45).

رگرسیون لوجستیک بعنوان یکی از کاربردی­ترین روش­ها در بررسی ارتباط بین یک یا چند متغیر مستقل با یک متغیر پاسخ دوسطحی مطرح است و در مواردی که بررسی همبستگی مکانی در پراکنش گونه­ها مدنظر است، با کاربرد رگرسیون لوجستیک و داده­های اسمی دوسطحی نتایج بهتری حاصل می­شود (24). علاوه بر این، روش رگرسیون لوجستیک در مواردی که انواع مختلفی از خطاهای ساختاری مربوط به حضور و غیاب گونه­ها در مدل­سازی پیش­بینی پراکنش گونه­های گیاهی وجود دارد، نسبت به روش­های دیگر در اولویت است (42). بدلیل ماهیت طبقه‌بندی متغیرهای پاسخ در مدل‌های رگرسیون لوجستیک، برای تبدیل روابط غیرخطی به روابط خطی می‌توان از تبدیل لگاریتمی استفاده نمود که به مدل حاصل، مدل لگاریتم طبیعی یا لجیت گفته می‌شود (27، 28). بهمین دلیل استفاده از این روش برای تهیه مدل­های پیش­بینی پراکنش گونه­ها در مقیاس منطقه­ای بمنظور استفاده در برنامه­های حفاظتی بسرعت در حال توسعه است (25). البته در این روش تجربه و تخصص در انتخاب متغیرهای مناسب، جهت دست­یابی به یک مدل مناسب بسیار مهم است (40).

در استفاده از مدل­های پیش­بینی پراکنش گونه­های گیاهی منطقی­بودن شکل منحنی پاسخ مورد استفاده، برای بررسی رابطه بین پراکنش گونه­ها و متغیرهای محیطی ضروری است. زیرا این امکان وجود دارد که حتی در صورت بالابودن دقّت پیش­بینی مدل، شکل منحنی پاسخ ارائه­شده توسط مدل از نظر بوم­شناختی منطقی نباشد (36). برای نمونه، برازش معادلات چندجمله­ای دارای توان سه برای متغیرهای پیش­بینی دارای منحنی پاسخ نامتوازن (اریب) و ارزش عددی  پایین مناسب است، اما استفاده از این­گونه معادلات در شرایطی که ارزش عددی متغیرهای پیش­بینی­کننده بالا است، احتمال رخداد گونه­ها را بیشتر از واقعیت برآورد می­کند که این امر بدلیل نقطه عطف دوم در منحنی پاسخ گونه به عوامل محیطی است (21). بنابراین، با توجه غیرخطی بودن رابطة بین گونه‌ها با عوامل محیطی و مستقل­بودن خطای هر مشاهده از سایر مشاهدات، استفاده از روش رگرسیون لوجستیک با این نوع تحقیقات متناسب است(9، 11).

Lassueur و همکاران (2006) در نواحی جنوبی سوئیس با استفاده از اطلاعات مربوط به 117 گونه گیاهی در 125 رویشگاه و خصوصیات مربوط به ارتفاع، شیب و جهت برای این رویشگاه­ها، احتمال حضور گونه‌های گیاهی را با استفاده از روش رگرسیون لوجستیک پیش‌بینی کردند. نتایج نشان داد که پارامترهای شیب و جهت بیشترین همبستگی را با اکثر گونه‌های گیاهی دارند و روش رگرسیون لوجستیک، روش مناسبی برای برآورد پراکنش گونه­های گیاهی است. زارع­چاهوکی و همکاران (1392) با استفاده از روش رگرسیون لوجستیک مدل­سازی پراکنش گونه­های گیاهی را در مراتع سمنان انجام دادند و نتیجه گرفتند که مدل رگرسیون لوجستیک برای پیش­بینی پراکنش رویشگاه­هایی که شرایط ویژه­ای دارند، با نقشه واقعی بهتر تطبیق دارد. پیری­­صحراگرد و همکاران (2015) نیز با مقایسه عملکرد سه روش رگرسیون لوجستیک، آنتروپی­حداکثر و پرسپترون چندلایه در مدل­سازی پیش­بینی پراکنش گونه­های گیاهی نتیجه گرفتند در صورتی­که متغیرهای پیش­بینی­کننده بدرستی انتخاب شود، روش رگرسیون لوجستیک قادر است حدود جغرافیایی پراکنش گونه­هایی با آشیان بوم­شناختی محدود را بخوبی برآورد کند. علاوه بر مطالعات فوق محققین دیگری نیز از روش رگرسیون لوجستیک برای تهیه نقشه پیش­بینی پراکنش رویشگاه­ گونه­های گیاهی استفاده کرده­اند و به نتایج تقریباً یکسانی در مورد توانایی این روش در تهیه نقشه پوشش گیاهی دست یافته­اند (13، 24، 30، 31، 32).

یکی از نکات مهم دیگر در مدل­سازی پیش­بینی پراکنش گونه­های گیاهی این است که اغلب این روش­ها، احتمال حضور گونه­های گیاهی را به­شکل سطوح احتمالاتی پیوسته برآورد می­کنند که برای استفاده بهتر از نتایج این مدل­ها برای  اهداف مدیریتی، ضروری است که با مدنظر قرار دادن هدف مدل­سازی، فراوانی گونه­های مورد بررسی و کیفیت مدل پیش­بینی حد آستانه بهینه­حضور گونه­های گیاهی تعیین گردد و نقشه­های پیوسته حضور به نقشه­های طبقه­بندی­شده یا نقشه­های حضور و غیاب گونه­ها تبدیل شوند (19،40، 46). علاوه بر این، بدلیل وجود ساختار مکانی در برخی از خصوصیات خاک، استفاده از روش­های آمار مکانی با دقّت بالا، بمنظور تهیه نقشه دقیق متغیرهای وارد­شده به مدل پیش­بینی، از ملزومات استفاده مؤثر از روش­های مختلف مورد استفاده در مدل­سازی پیش­بینی رویشگاه گونه­های گیاهی است (4، 11).

با توجه لزوم تکرار در استفاده از روش­های مدل­سازی بمنظور ارزیابی عملکرد پیش­بینی این روش­ها در مناطق مختلف آب و هوایی بمنظور ارائه مدل­های عمومی با فاصله اطمینان مشخص و استفاده از این نتایج در برنامه­های اصلاح مراتع، پژوهش حاضر با هدف ارزیابی قابلیت روش رگرسیون لوجستیک در شناخت متغیرهای محیطی تأثیرگذار بر پراکنش گونه­ها، تحلیل بوم­شناختی رابطه بین این متغیرها با پراکنش گونه­ها و تهیه نقشه پیش­بینی پراکنش بالقوه گونه­ها در مراتع غرب تفتان در شهرستان خاش انجام شد.

مواد و روشها

معرفی منطقه مورد مطالعه: منطقه موردمطالعهبا وسعت 64000 هکتار در قسمت غربی قله تفتان در حدود جغرافیایی ′′35 ′20 º28 تا ′′39 ′42 º28 طول شرقی و ′′36 ′39 º60  تا ′′19 58 º60  عرض شمالی واقع شده است (شکل 1).

 

 

 

شکل 1- موقعیت منطقه مورد مطالعه در شهرستان خاش، استان سیستان و بلوچستان و کشور ایران


پست­ترین و مرتفع­ترین نقطه منطقه بترتیب 1400 و2800 متر از سطح دریا ارتفاع دارد. از نظر ژئومورفولوژی، منطقه عرصه­ای دشتی- کوهستانی است. میانگینبارندگیسالانهمنطقهبسته بهشرایطارتفاعی،از160تا350میلی­مترمتغیربودهو بارشبرفووقوعیخبنداندرزمستاننیزمتداولاست (14). از گونه­های گیاهی که در منطقه تشکیل تیپ گیاهی داده­اند می­توان به گونه­های Haloxylon persicum، Artemisia sieberi، Amygdalus scoparia،Zygophyllum eurypterum  و از گونه­های همراه هم می­توان به گونه­های Hamada salicornica، Cousinia stocksi  و Artemisia santolina اشاره کرد. برخی از ویژگی­های  مربوط به رویشگاه­های مورد بررسی در جدول شماره 1 آمده است.


جدول 1-  برخی از ویژگی­های تیپ­های گیاهی مطالعه شده در مراتع غرب  تفتان

ردیف

نام تیپ گیاهی

نشانه روی نقشه

تاج پوشش (درصد)

شیب (درصد)

ارتفاع از سطح دریا( متر)

اقلیم

بارندگی

 (میلی­متر)

1

Haloxylon persicum 

Ha.pe 

25-20

3-1

1500-1400

خشک

190-160

2

Zygophyllum eurypterum 

Zy.eu 

30-25

5-3

1700-1500

خشک

190-160

3

Artemisia sieberi 

Ar.si 

35-25

15-5

1900-1700

خشک

190-160

4

Amygdalus  scoparia 

Am.sc 

30-20

40-30

2200-1900

نیمه­خشک

350-200

5

Artemisia aucheri

Ar.au 

50-40

60-40

2800-2200

نیمه­خشک

350-200


جمع­آوری اطلاعات مربوط به پوشش گیاهی و عوامل محیطی: بمنظور شناخت عوامل محیطی مؤثر در پراکنش گونه­های گیاهی و ارائه مدل­های پیش­بینی پراکنش، عوامل محیطی با استفاده از ابزارهایی مانند نقشه مدل رقومی ارتفاع و نقشه زمین­شناسی، با مقیاس 1:25000، مطالعات میدانی و آزمایشگاهی کمّی شد. برای انجام مطالعات میدانی، نقشه واحدهای نمونه‌برداری از تلفیق نقشه‌های شکل زمین و زمین‌شناسی تهیه شد. در هر رویشگاه، نمونه‌برداری از پوشش  گیاهی با روش تصادفی- سیستماتیک از طریق پلات‌گذاری در امتداد 4 خط ­نمونه 150 تا 200 متری انجام شد. طول خطوط ­نمونه در هر رویشگاه با توجه به شرایط منطقه و تراکم پوشش گیاهی و اندازه نمونه نیز با توجه به تغییرات پوشش گیاهی و روش آماری کوکران تعیین شد. همچنین سطح قطعات­نمونه نیز با توجه به نوع گونه‌های موجود، تراکم پوشش آنها و خصوصیات موردنظر برای اندازه­گیری، بین 2 تا 25 مترمربع مشخص شد (جدول 2).

 

جدول 2- طول خط نمونه، فاصله بین پلات‌ها، تعداد قطعات نمونه و سطح مناسب قطعات نمونه در تیپ‌های گیاهی مطالعه شده در مراتع غرب  تفتان

سطح  قطعات نمونه‌ (مترمربع) 

تعداد قطعات نمونه

فاصله بین قطعات نمونه

(متر)

طول خط نمونه (متر)

 

تیپ گیاهی 

ردیف 

25 

40

20  

200  

Ha. pe

1 

4 

40

20 

200  

Zy. eu

2 

2 

60

10 

150 

Ar. si

3 

25 

60

10 

150 

Am. sc

4 

2 

60

10 

150 

Ar. au

5

 

در هر قطعه­نمونه نوع و تعداد گونه‌های گیاهی و درصد پوشش آنها ثبت شد. برای نمونه­برداری از خاک نیز در هر رویشگاه، هشت پروفیل حفر و از دو عمق 30-0 و 60-30 سانتی­متری و در مجموع 40 نمونه خاک جمع­آوری شد. بعد از انتقال نمونه­ها به آزمایشگاه، خصوصیات مورد نظر شامل سنگریزه، آهک، اسیدیته، هدایت الکتریکی، رطوبت قابل­دسترس، ماده آلی، گچ، شن، سیلت، رس و رطوبت اشباع با روش­های استاندارد اندازه­گیری شد (7). علاوه بر این، در هر واحد نمونه­برداری علاوه بر ثبت داده‌های مربوط به پوشش گیاهی (نام گونه­های گیاهی و درصد تاج پوشش آنها)؛ اطلاعات مربوط به مرزهای جغرافیایی رویشگاه­ها، شیب، جهت و ارتفاع و نوع سازند­زمین­شناسی هم ثبت شد.

تجزیه و تحلیل داده­ها و تهیه نقشه پیش­بینی پراکنش گونه­های  گیاهی: در این پژوهش بمنظور بررسی رابطه بین تک­­تک گونه­ها با عوامل محیطی و ارائه مدل پیش­بینی خاص هر گونة­ گیاهی از رگرسیون لوجستیک استفاده شد. متغیرهای مستقل مورد بررسی شامل خصوصیات خاک، نوع سازندزمین­شناسی و متغیرهای مربوط به فیزیوگرافی بود. حضور و غیاب گونه­ها نیز بعنوان متغیر پاسخ در نظر گرفته شد. بمنظور دست­یابی به بهترین ترکیب از متغیرهای پیش­بینی در مدل رگرسیون لوجستیک از روش پیشرو (Forward:LR) استفاده شد که نوعی روش گام به گام است (11، 44). در  این روش ورود متغیرها به مدل بر اساس معنی­داری آماره نسبت درست­نمایی و خروج متغیرها از  تحلیل بر اساس احتمال این آماره و با توجه به برآوردهای حداکثر درست­نمایی جزیی یا تفکیکی انجام می­شود (10). شاخص کمّی عامل تورم واریانس (Variance Inflation Factor) نیز بمنظور بررسی وجود هم­خطی چندگانه بین متغیرهای مستقل مورد بررسی قرار گرفت (11). بدلیل کمتربودن مقدار این شاخص از ده، مشخص شد که بین متغیرهای مستقل هم­خطی چندگانه وجود ندارد. همچنین برای ارزیابی مدل­های پیش­بینی حاصل از رگرسیون لوجستیک از آزمون نیکویی برازش مدل هوسمر و لمشاو استفاده شد(2000). بعد از تولید مدل­های پراکنش گونه‌های گیاهی، بدلیل اینکه برای تهیه نقشه پیش­بینی رویشگاه تهیه نقشه تمام عوامل موجود در مدل ضروری است، بنابراین نقشه ارتفاع از سطح دریا و شیب از نقشه رقومی ارتفاع و نقشه خصوصیات خاک هم با استفاده از روش زمین­آمار تهیه شد. بدلیل تفاوت در دقّت روش­های مختلف زمین­آمار و لزوم انتخاب دقیق­ترین روش جهت تهیه نقشه خصوصیات خاک از روش تقاطعی استفاده شد. در مرحله بعد، با استفاده از دو پارامتر آماری میانگین انحراف خطا (Mean Bias Error) و میانگین مطلق خطا (Mean absolute Error) روش دقیق­تر جهت درون­یابی تعیین شد. برای طبقه­بندی میزان وابستگی مکانی متغیرها نیز از نسبت C/C+C0  استفاده شد که بر اساس این نسبت متغیرها از نظر وابستگی مکانی در سه سطح ضعیف، متوسط و قوی قرار می­گیرند (جدول3). بعد از تهیه نقشه عوامل مورد نظر، با بهره‌گیری از مدل‌های به­دست آمده و اعمال ضرایب مربوط به هر متغیر بر لایه اطلاعاتی مربوطه در سیستم اطلاعات جغرافیایی، نقشة پیش‌بینی رویشگاه گونه‌های گیاهی تهیه شد.

جدول 3- تعیین وابستگی مکانی متغیرها (22).

کلاس وابستگی  مکانی

C/C+C0 نسبت

ضعیف

X<25/0

متوسط

25/0

قوی

X>75/0

تعیین حدود آستانه بهینه حضور گونه­های گیاهی و بررسی میزان انطباق نقشه­های واقعی و پیش­بینی: برای تعیین آستانه بهینه حضور گونه­های گیاهی از روش پیشنهادی میلر (2005) استفاده شد. بر اساس این روش، در مرحله اول نقشه احتمال حضور در سطوح احتمال 1/0، 2/0، 3/0، 4/0، 5/0، 6/0، 7/0، 8/0، 9/0 و 1 تهیه شد و سپس تطابق این نقشه­ها با نقشه واقعی مورد مقایسه قرار گرفت. در  مرحله بعد، با استفاده از نسبت­های حاصل برای هر کدام از پارامترهای مربوط به حساسیّت، اختصاصیّت و صحّت­کلی مدل نموداری تهیه شد. بر اساس این نمودار، آستانه بهینه حضور برای هر گونه نقطه­ای است که در آن نقطه، این سه خط همدیگر را قطع می­کنند (37). بعد از تعیین آستانه بهینه، نقشه پیوسته احتمالاتی گونه­ها بر اساس این آستانه بهینه طبقه­بندی شد و میزان تطابق نقشه پیش‌بینی با نقشه واقعی با استفاده از شاخص کاپا (κ) مورد بررسی قرار گرفت (رابطه 1). مقادیر a، b، c و d در  این رابطه بر اساس جدول  توافقی 2*2 تعیین می­شود ( جدول 4). این شاخص بهترین و مشهورترین شاخص برای ارزیابی کارایی مدل­های پیش­بینی است (34). طبقه­بندی شاخص کاپا که بر اساس آن میزان توافق بین مقادیر پیش­بینی شده و واقعی مشخص می­شود در جدول شماره 5 آمده است (9).

جدول 4- جدول توافقی 2*2 برای محاسبه پارامترهای لازم برای محاسبه شاخص کاپا

_

نقشه پیش­بینی  

+

 

 

c

a

+

 

 

نقشه واقعی

d

b

_

 

+: حضور گونه                          -: غیاب گونه

جدول 5-  طبقه­بندی مقادیر شاخص کاپا

ردیف

مقدار کاپا

توافق بین مقادیر پیش­بینی و واقعی

1

05/0>

عدم توافق

2

20/0-05/0

خیلی ضعیف

3

40/0-20/0

ضعیف

4

55/0-40/0

متوسط

5

70/0-55/0

خوب

6

85/0-70/0

خیلی­خوب

7

99/0-85/0

عالی

8

00/1-99/0

کامل

 

رابطه (1)  14 خ؛=a+dn-a+ba+c+c+dd+bn21-a+ba+c+c+dd+bn2">

نتایج

بررسی رابطه بین حضور گونه‌های گیاهی و عوامل محیطی: رابطه­های رگرسیونی مربوط به رویشگاه­های مورد بررسی، در رابطه­های 2 تا 6 ارائه شده است. با توجه به معنی­دار بودن آماره هوسمر و لمشاو برای همه مدل­های بدست آمده، می­توان نتیجه گرفت که مدل­های لوجستیک حاصل، تطابق خوبی با داده­ها دارد و معنی­دار است (جدول 6).

بر اساس رابطه 2، در رویشگاه H. persicumدرصد شن و

ماده آلی عمق صفر تا 30 سانتی­متری دارای بیشترین تأثیرگذاری در پراکنش رویشگاه این گونه هستند. به­عبارت دیگر حضور این گونه با بافت سبک خاک و ماده آلی ارتباط مستقیم دارد.

جدول 6- آماره­های مربوط به مدل رگرسیون لوجستیک برای پیش­بینی حضور گونه‌های گیاهی

شماره

رویشگاه

R2

مقدارHL

1

Ha.pe 

86/0

99/0

2

Zy.eu 

70/0

1

3

Ar.si 

87/0

1

4

Am.sc 

77/0

99/0

5

Ar.au

89/0

1

با افزایش درصد گچ در عمق 30 تا 60 سانتی­متری و همچنین سیلت در عمق صفر تا 30 سانتی­متری احتمال حضور گونه Z. eurypterum افزایش یافته است، بطوری­که با توجه به رابطه 3 می­توان بیان داشت حضور این گونه با این دو عامل رابطه مستقیم دارد. این در حالی است که حضور گونه A. sieberiبا آهک و اسیدیته عمق صفر تا 30 سانتی­متری ارتباط مستقیم دارد (رابطه 4). با حرکت به سمت بالادست منطقه مورد مطالعه، میزان ارتفاع و شیب افزایش می­یابد به­گونه­ای که در رویشگاه A. scoparia علاوه بر تغییر در نوع سازند زمین­شناسی، درصد شن در عمق صفر تا 30 سانتی­متری و درصد شیب به عنوان مهمترین متغیرها هستند و وارد مدل رگرسیونی مربوط به این رویشگاه شده­اند. با توجه به رابطه 5، حضور این گونه با درصد شیب و درصد شن ارتباط مستقیم دارد. همچنین، عوامل ارتفاع از سطح دریا و درصد آهک عمق اول خاک دارای تأثیر بیشتری در مدل پیش­بینی مربوط  به رویشگاه A. aucheri  است. بر اساس رابطه 6، حضور این گونه گیاهی با ارتفاع از سطح دریا و درصد آهک در عمق صفر تا 30 سانتی­متری  خاک رابطه مستقیم دارد.

رابطه (2) 

14 "> 14PHa.pe=Exp(58/0Sand1+33/0 Abs-028/0 Om1 + 88/2)1+Exp(58/0Sand1+33/0 Abs-028/0 Om1 + 88/2)">

 رابطه (3)

14PZe.eu=Exp(52/1Gyps2+431/0 Silt1+57/6)1+Exp(52/1Gyps2+431/0 Silt1+57/6)">

رابطه (4)

14PAr.si=Exp(64/0 Lime1+23/18 pH2-64/14)1+Exp(64/0 Lime1+23/18 pH2-64/14)">

رابطه (5)

14 "> 14PAm.sc=Exp(68 /0 Geo + 44 /0Sand1+32/0Slope-058/4)1+Exp(68 /0 Geo + 44 /0Sand1+32/0Slope-058/4)"> رابطه (6)

14PAr.au=Exp(34/4Abs-36/0Lime1+26/11)1+Exp(34/4Abs-36/0Lime1+26/11)">  

ارائه نقشه پیش‌بینی پراکنش رویشگاه گونه­های گیاهی: بدلیل اینکه برای تهیه نقشه پیش­بینی رویشگاه تهیه نقشه تمام عوامل موجود در مدل ضروری است، بنابراین نقشه ارتفاع از سطح دریا و شیب از مدل رقومی ارتفاع و نقشه خصوصیات خاک هم با استفاده از روش­های زمین­آمار تهیه شد. بر اساس نتایج، برای متغیرهای درصد آهک، اسیدیته، درصد گچ، درصد سیلت و درصد ماده آلی بدلیل مقدار خطا و انحراف کمتر، روش درون­یابی کریجینگ بعنوان روش درون­یابی دقیق­تر انتخاب شد و تنها در مورد متغیر درصد شن، روش میانگین متحرک وزن­دار دارای خطا و انحراف کمتری بود و از این روش برای تهیه نقشه مربوط به این متغیر استفاده شد (جدول 7). اجزای مربوط به تغییرنمای (واریوگرام) خصوصیات خاک ارزیابی­شده برای تولید نقشه در جدول 8 آمده­ است. برای نمونه، شکل 2 نقشه درصد آهک عمق اول خاک را نشان می­دهد که دارای ساختار مکانی قوی است.

 

جدول 7- ارزیابی میزان خطا و انحراف روش­های مورد استفاده برای درون­یابی خصوصیات خاک وارد شده به مدل­های رگرسیون لوجستیک

خصوصیت خاک

عمق

 معیار ارزیابی

 

 روش  درون­یابی

 

کریجینگ نقطه ای

کریجینگ بلوکی

میانگین متحرک وزندار

 درصد آهک

30-0

MAE

2854/2

2751/2

3255/2

 

 

MBE

01833/0-

01974/0-

02451/0

اسیدیته

60-30

MAE

09004/0

09153/0

09524/0

 

 

MBE

0031/0-

0032/0-

0154/0-

 درصد گچ

60-30

MAE

0098/0

01233/0

6192/0

 

 

MBE

0022/0

0025/0-

1065/0

 درصد شن

30-0

MAE

2192/10

4521/9

4578/8

 

 

MBE

1596/0

14856/0

0514/0

 درصد سیلت

30-0

MAE

3132/5

7190/4

6421/5

 

 

MBE

32662/0-

20929/0-

3375/0-

 درصد ماده آلی

30-0

MAE

6429/1

6222/1

7841/1

 

 

MBE

0090/0

0091/0

0125/0


ارزیابی میزان انطباق نقشه­های پیش­بینی و نقشه­های واقعیت زمینی: نتایج حاصل از مقایسه نقشه­های پیش­بینی بدست آمده با نقشه­های واقعی پوشش می­دهد که بر اساس مقادیر شاخص کاپای محاسبه­شده، بیشترین (95/0) و کمترین (39/0) میزان تطابق، بترتیب مربوط به رویشگاه­های­  A.aucheri  و A. sieberiاست. میزان توافق برای دیگر رویشگاه­ها نیز در جدول 5 آمده­است. نقشه پیش­بینی و واقعی مربوط به رویشگاه­های مورد بررسی در شکل 3 آمده است.

 

 

شکل 2-  نقشه درصد آهک عمق اول ( عمق 0 تا 30 سانتی­متری) خاک در مراتع غرب تفتان 

جدول 8- اجزای مربوط به پارامترهای تغییرنما برای متغیرهای خاک انتخاب­شده برای تولید نقشه

متغیر

عمق

مدل واریوگرام

اثر قطعه­ای

سقف

دامنه تأثیر

ساختار مکانی (درصد)

کلاس وابستگی مکانی

آهک

30-0

کروی

07/4

88/20

5380

80/0

قوی

 اسیدیته

60-30

کروی

0

05/0

21100

83/0

قوی

گچ

60-30

کروی

1/0

76/0

1770

95/0

قوی

سیلت

30-0

کروی

20/1

75

4250

98/0

قوی

 ماده الی

30-0

کروی

03/0

07/0

7000

 

52/0

متوسط


جدول9 - تعیین آستانه بهینه حضور و میزان توافق بین نقشه­های پیش­بینی و واقعی با استفاده از شاخص کاپا

ردیف

تیپ گیاهی

آستانه بهینه حضور

ضریب کاپا

توافق بین مقادیر پیش­بینی و واقعی

1

Ha.pe 

5/0

62/0

خوب

2

Zy.eu 

3/0

58/0

خوب

3

Ar.si 

3/0

39/0

ضعیف

4

Am.sc 

3/0

86/0

عالی

5

Ar.au

3/0

95/0

عالی


بحث و نتیجه­گیری

نتایج حاصل از این پژوهش نشان می­دهد که در قسمت پایین­دست منطقه مورد مطالعه که سه رویشگاه
 H. persicum ، Z. eurypterum  و A. sieberi در آن محدوده قرار دارند نقش خصوصیات مربوط به خاک مانند بافت خاک، درصد ماده آلی خاک، گچ، آهک و میزان اسیدیته خاک در پراکنش گونه­های گیاهی بیشتر است.

 

 

شکل3- نقشه واقعی و پیش­بینی رویشگاه­های مورد مطالعه در مراتع غرب تفتان (نقشه پیش­بینی با رنگ سبز نشان داده شده است).

 

این در حالی است که در قسمت مرتفع منطقه که دو رویشگاه A. aucheri  و A. scoparia را در خود جای داده­است، علاوه بر خصوصیات مربوط به خاک (میزان شن، آهک خاک و نوع سازند زمین­شناسی)، عوامل مربوط به فیزیوگرافی مانند درصدشیب و همچنین ارتفاع از سطح دریا نیز در استقرار گونه­های گیاهی نقش داشته و به مدل پیش­بینی مربوط به این رویشگاه­ها وارد شده است. بعبارت دیگر، در منطقه موردمطالعه دو دسته از عوامل محیطی شامل عوامل ادافیکی (خصوصیات خاک و سازند زمین­شناسی) و خصوصیات فیزیوگرافی (شیب، ارتفاع) دارای نقش مهمتری در پراکنش گونه­های گیاهی هستند. همچنین بررسی میزان انطباق نقشه­های پیش­بینی با نقشه­های واقعیت زمینی نشان می­دهد که میزان تطابق نقشه­های پیش­بینی حاصل با نقشه واقعی برای رویشگاه­ A. aucheri و A. scoparia، عالی (بترتیب 95/0 و 86/0)؛ برای رویشگاه­هایH. persicum  و Z. eurypterum ، خوب (بترتیب 62/0 و 58/0) و برای رویشگاه  A. sieberi  ضعیف (39/0) است (جدول 5).

بر اساس این نتایج، مدل رگرسیون لوجستیک حاصل برای رویشگاه­هایA. aucheri  و A. scoparia از دقّت خوبی برخوردار بوده است و توانسته بخوبی متغیرهای مهم و تأثیرگذار در رویشگاه این گونه­ها را شناسایی کند. علاوه بر این، لایه­های مربوط به متغیرهای واردشده به مدل برای این دو گونه دارای دقّت بالایی بوده و این امر منجر به انجام پیش­بینی با خطای کم شده است. بررسی مدل رگرسیونی مربوط به رویشگاه A. aucheri   نشان می­دهد که احتمال رخداد این گونه با ارتفاع از سطح دریا (2700-3000 متر) و میزان آهک در عمق صفر تا 30 سانتی­متری خاک (5/0-7/0 درصد) رابطه قوی داشته و می­توان این عوامل را بعنوان عوامل معرف این رویشگاه دانست. ارتفاع از سطح دریا بعنوان یکی از عوامل محدودکننده در پراکنش گونه­های گیاهی است، زیرا هر یک از گونه­های گیاهی با توجه به نیازهای بوم­شناختی خود، توانایی استقرار در یک محدوده ارتفاعی خاص را دارند. بنابراین افزایش یا کاهش ارتفاع می­تواند باعث تناسب یا عدم تناسب رویشگاه برای استقرار گونه­های گیاهی شود (15، 47). علاوه بر این، ارتفاع از سطح دریا می­تواند از طریق تأثیر بر خصوصیات خاک مانند عمق خاک، رطوبت و مقدار ماده آلی خاک، استقرار گیاهان را در یک رویشگاه محدود نماید (5، 12،22). تأثیر ارتفاع بر پراکنش این گونه در مطالعات دیگری نیز گزارش شده ­است (29، 38، 40). آهک نیز بعنوان یکی از خصوصیات مهم می­تواند از طریق تأثیر بر اسیدیته خاک و در نهایت قابلیت جذب مواد غذایی در پراکنش گیاهان تأثیرگذار باشد (4). همسو با یافته این پژوهش، آذرنیوند و همکاران (1382) هم درصد آهک را بعنوان یکی از عوامل مؤثر در پراکنش این گونه معرفی کرده­اند. علاوه بر این، تأثیر توأم ارتفاع از سطح دریا بهمراه میزان آهک خاک در پراکنش رویشگاه این گونه در مراتع پشتکوه استان یزد نیز گزارش شده است (9، 29).

بر اساس مدل رگرسیونی مربوط به رویشگاه A. scoparia، مهمترین متغیرها در پراکنش این رویشگاه، متغیرهای نوع سازند زمین­شناسی، درصد شن عمق صفر تا 30 سانتی­متری (77-53 درصد) و همچنین درصد شیب دامنه (40-30 درصد) است. بعبارت دیگر سازند زمین­شناسی، بافت سبک خاک و درصد بالای شیب عوامل معرف رویشگاه این گونه هستند. با توجه به نقشه زمین­شناسی منطقه، سازند زمین­شناسی مربوط به رویشگاه این گونه، سازند آذرین از نوع آندزیتی است. مشاهدات میدانی نیز نشان می­دهد که استقرار این گونه در مراتع غرب تفتان تحت تأثیر نوع سازند زمین­شناسی است، بطوری‌که این گونه منحصراً روی رخنمون­هایی از سازند آذرین (آندزیتی) مشاهده می­شود. تأثیر نوع سازند زمین­شناسی در پراکنش این گونه در مطالعات دیگری نیز گزارش شده است (6، 18). همچنین گزارش شده است که این گونه در مراتع استان قم بر روی سازند آذرین از نوع بازالتی استقرار یافته است (5). ویژگی­های فیزیکی خاک مانند درصد شن نیز از عوامل مهم در استقرار این گونه است بطوری که این گونه در منطقه مورد مطالعه در خاک­هایی با بافت متوسط تا سبک و میزان سنگریزه فراوان (71-51 درصد) استقرار می­یابد. این نتایج با یافته گودرزی و همکاران (1391) و همچنین پیری­صحراگرد و همکاران (1394) مبنی بر استقرار این گونه در خاک­هایی با بافت متوسط تا سبک و مقادیر شن بالا همخوانی دارد. همچنین عامل شیب نیز بعنوان یکی از عوامل تأثیرگذار بر پراکنش و استقرار این گونه بوده و به مدل پیش­بینی مربوط به این گونه وارد شده است. بدیهی است که درصد شیب می­تواند از طریق تأثیر بر گرادیان رطوبتی خاک، بر تکامل و عمق خاک تأثیر گذارد و در نهایت با محدودکردن عمق ریشه­دوانی گیاهان، استقرار گیاهان را محدود سازد(20). در تأیید یافته این پژوهش، مطالعات زیادی اثر درصد شیب را در پراکنش گونه­های گیاهی مورد تأکید قرار داده­اند (5، 38، 39).

بررسی مدل رگرسیون لوجستیک حاصل برای رویشگاه H. persicum نیز نشان­دهنده همبستگی وقوع این رویشگاه با درصد شن و ماده آلی در عمق صفر تا 30 سانتی­متری خاک است، بگونه­ای که می­توان سبک­بودن بافت خاک (82-78 درصد) و زیادبودن ماده آلی در لایه سطحی خاک (85/0-68/0 درصد) را بعنوان عوامل معرف رویشگاه این گونه معرفی کرد. گزارش شده­است که خصوصیات فیزیکی خاک مانند بافت خاک دارای تأثیر زیادی بر پراکنش گونه زردتاغ هستند (17). علاوه بر این، اختصاصی (1382) نیز اثر بافت خاک را بر استقرار گونه­های مختلف تاغ مورد تأکید قرار داده است. واضح است که در خاک­هایی با مقادیر شن زیاد بدلیل نفوذپذیری بالا امکان نفوذ باران به اعماق خاک وجود دارد، از سوی دیگر بعلت ضعیف­بودن نیروی صعود مویینه­ای آب در خاک­هایی با مقادیر شن بالا، آب ذخیره­شده در این خاک­ها از دسترس عوامل تبخیرکننده حفظ شده ودر دسترس گیاه باقی می­ماند (16). بهمین دلیل خاک­های با بافت سبک، آب قابل دسترس را به راحتی و به مقدار مناسب در اختیار گیاه قرار می­دهند و بستر را برای رشد گیاه فراهم می­کنند (15). ماده آلی نیز یکی از عوامل اصلی در ایجاد و تشکیل ساختمان خاک بوده و باعث افزایش نفوذپذیری خاک می­شود. از سوی دیگر، بدلیل غنی­بودن مواد آلی از ازت و امکان جذب سطحی زیاد عناصر و مواد غذایی، بالا بودن مقدار ماده آلی نقش مهمی در افزایش ظرفیت تبادلی عناصر ودر نهایت حاصلخیزی خاک ایفا می­کند (3، 8، 49). در تأیید یافته این پژوهش گزارش شده­است که درصد ماده آلی در لایه سطحی خاک تاغ­زارها زیاد است (16). این امر می­تواند ناشی از تبادل زیاد این مواد از طریق اندام­های هوایی درختچه­های تاغ  باشد (2).

 مدل پیش­بینی مربوط به گونه Z. eurypterum نیز نشان می­دهد که علاوه بر درصد سیلت خاک، متغیر درصد گچ در  عمق 30 تا 60 سانتی­متری (85/2- 2/0 درصد) نیز دارای اهمیّت زیادی در استقرار این گونه در رویشگاه مورد مطالعه است. غنی­بودن گچ از منابع کلسیم و سولفور، قابل حل­بودن این عناصر و در نهایت سهولت دسترسی به این عناصر برای گیاه، باعث مساعدشدن شرایط برای رشد این گونه گیاهی می­شود،  زیرا گونه‌  Z. eurypterum از گیاهان گچ‌دوست بوده که بدلیل ظرفیت بالای نگهداری آب و وجود عناصر غذایی قابل دسترس از رشد و شادابی مطلوبی نسبت به گونه‌های گیاهی دیگر برخوردار است (25). در تأیید این یافته، تأثیر میزان گچ خاک در استقرار گونه Z. eurypterum  در مراتع استان سمنان مورد تأکید قرار گرفته و این گونه بعنوان شاخص خاک­های گچی معرفی شده است (11).

نتایج حاصل از مدل‌سازی پیش‌بینی رویشگاه A. sieberi نیز نشان می­دهد که میزان آهک در عمق صفر تا 30 سانتی­متری (12-5 درصد) و اسیدیته عمق 30 تا 60 سانتی­متری خاک (23/8 – 8/7) بیشترین نقش را در حضور این گونه دارند و می­توان آهک و اسیدیته را بعنوان دو عامل معرف رویشگاه این گونه معرفی کرد، بطوری­که با افزایش میزان آهک و همچنین افزایش اسیدیته، احتمال حضور این گونه افزایش یافته و شرایط برای استقرار این رویشگاه مناسب می­شود. وارد نشدن متغیر ارتفاع به مدل پیش­بینی مربوط به این گونه نشان می­دهد که بر خلاف گونه A. aucheri ، این گونه در یک دامنه گسترده­تر ارتفاعی رشد و استقرار پیدا کند (29). تأثیر خصوصیات خاک نظیر مقدار آهک خاک و همچنین اسیدیته خاک در پراکنش این گونه در  قم و سمنان نیز گزارش شده است (41، 48). 

با توجه به نتایج حاصل از این پژوهش می­توان گفت که روش رگرسیون لوجستیک می­تواند پراکنش بالقوه گونه­هایی که دامنه پراکنش محدودتری دارند یا به عبارت دیگر در یک دامنه محدود از عوامل محیطی رشد می­کنند و آشیان بوم­شناختی منحصر بفردی دارند (مانند رویشگاه­های A. aucheri   و A. scoparia) را با دقّت بالایی برآورد کند. همسو با نتایج این پژوهش گزارش شده­است که گستردگی آشیان بوم­شناختی گونه­های گیاهی تأثیرمنفی روی دقّت مدل­های حاصل از روش رگرسیون لوجستیک دارد (9، 11، 27، 40).همچنین بدلیل این­که در این روش ترکیب مناسب متغیرهای پیش­بینی کننده از اهمیّت زیادی برخوردار است و می­تواند عملکرد پیش­بینی مدل را تحت تأثیر قرار دهد، از این رو انتخاب روش ورود متغیرها به مدل پیش­بینی، برای انتخاب بهترین ترکیب متغیرهای پیش­بینی­کننده از اهمیّت زیادی برخوردار است که در این مطالعه از روش پیشرو بعنوان یکی از روش­های گام به گام استفاده شد (11)، هر چند تجربه و تخصص در انتخاب متغیرهای مورد بررسی در این روش از اهمیّت زیادی برخوردار است و می­تواند دقت نتایج را تحت تأثیر قرار دهد.

تشابه برخی از گونه­های مورد بررسی در این پژوهش با پژوهش­های انجام شده در مراتع استان قم، سمنان و یزد (مانندA. aucheri ، A. scoparia، A. sieberi  و Z. eurypterum) و مقایسه نتایج پژوهش حاضر با نتایج مطالعات انجام­شده نشان می­دهد که بین متغیرهای تأثیرگذار در پراکنش این گونه­ها یا متغیرهای وارد شده به مدلهای پیش­بینی در مناطق مورد بررسی تا حدود زیادی تشابه وجود دارد، از سوی دیگر دقّت نقشه­های پیش­بینی مبتنی بر مدل رگرسیون لوجستیک در گونه­های ذکرشده نیز تا حد زیادی با یکدیگر مشابهت دارد، بطوری که می­توان بیان داشت که در مناطق مورد بررسی، روش رگرسیون لوجستیک توانسته است متغیرهای تأثیرگذار بر پراکنش گونه­ها را تقریباً با دقّت یکسانی شناسایی کند، از این­رو می­توان از این مدل­های پیش­بینی جهت برآورد حدود جغرافیایی پراکنش این گونه­ها در مقیاس­های وسیع­تر از مقیاس مورد مطالعه استفاده کرد و از نتایج حاصل جهت انجام فعالیت­های اصلاحی جهت احیای پوشش گیاهی مراتع بهره برد.

سپاسگزاری

این پژوهش در قالب طرح پژوهشی شماره 94-40 و با حمایت مالی دانشگاه زابل انجام شده است. بدین وسیله از معاونت پژوهشی و فناوری دانشگاه زابل سپاسگزاری می­شود.

1- آذرنیوند، ح.، جعفری، م.، مقدم، م، جلیلی، ع.، زارع چاهوکی، م.ع. 1382. بررسی تأثیر خصوصیات خاک و تغییر ارتفاع بر پراکنش دو گونه درمنه (Artemisia) (مطالعه موردی: مراتع مناطق ورد آورد، گرمسارو سمنان) مجله منابع طبیعی ایران، 56 (2-1) 93-100.
2- ﺍﺧﺘﺼﺎﺻﻲ، ﻡ.ﺭ. ۱۳۸۲. ﺗﻌﻴﻴﻦ ﺣﺪﺍﻗﻞ ﺍﻧﺒﻮﻫﻲ ﻧﻬﺎﻝ ﺗﺎﻍ ﺟﻬﺖ ﻃﺮﺍﺣﻲ ﺑﺎﺩﺷﻜﻦﻫﺎﻱ ﺩﺭﺧﺘﻲ ﻭ ﻛﻨﺘﺮﻝ ﻓﺮﺳﺎﻳﺶ ﺑﺎﺩﻱ ﺩﺭ ﺷﺮﺍﻳﻂ ﺍﻳﺮﺍﻥ ﻣﺮﻛﺰﻱ. ﻣﺠﻤﻮﻋﻪ ﻣﻘﺎﻻﺕ ﻫﻤﺎﻳﺶ ﻣﻠﻲ ﺗﺎﻍ ﻭ ﺗﺎﻏﻜﺎﺭﻱ ﺩﺭ ﺍﻳﺮﺍﻥ. ﻛﺮﻣﺎﻥ ۲-۳.
3- اکبریان، محمد، 1379. بررسی رابطه بین برخی گونه­های شاخص مرتعی با خصوصیات فیزیکی و شیمیایی خاک در اکوسیستم­های مناطق خشک، پژوهش موردی: منطقه اللهیار قم، پایان­نامة کارشناسی ارشد مرتعداری، دانشکدة منابع طبیعی، دانشگاه تهران، 115 ص.
4- پیری­صحراگرد، ح.، زارع چاهوکی، م.ع .، آذرنیوند، ح. 1392. مدل­سازی پراکنش گونه­های گیاهی در مراتع غرب حوض­سلطان استان قم با روش رگرسیون لوجستیک، نشریه مرتعداری، دانشگاه علوم کشاورزی و منابع­طبیعی دانشگاه گرگان، 1(1): 94-113.
5- پیری­صحراگرد، ح.، زارع­چاهوکی، م. ع.، آذرنیوند، ح. 1394. کاربرد روش رگرسیون لوجستیک در تهیه نقشه پیش­بینی  پراکنش رویشگاه گونه­های  گیاهی (مطالعه موردی: مراتع بخش خلجستان استان قم)، نشریه علمی پژوهشی مرتع، 9 (3):  222-234.
6- توکلی­نکو، ح.، پورمیدانی، ع.، ادنانی، س. م.، ثاقب طالبی، خ. 1390. بررسی رویشگاه­های بادامک (Amygdalus scoparia Spach) در استان قم به منظور دستیابی به عوامل اصلی اکولوژیک در ظهور آنها. فصلنامة علمی- پژوهشی تحقیقات جنگل و صنوبر ایران. 19(4): 523-542.
7- جعفری حقیقی، م. 1382. روش­های تجزیه خاک: نمونه برداری و تجزیه های مهم فیزیکی و شیمیایی، با تاکید بر اصل تئوری و کاربردی. انتشارات دانشگاه تهران، 236 صفحه.
 8- جعفری، ج.، طبری کوچکسرایی، م.، حسینی، س.م.، کوچ، ی. 1394. تأثیر فاکتورهای  خاک روی  تنوع  زیستی  گیاهی گروه گونه­های اکولوژیک در جنگل حفاظت­شده خراسان شمالی، مجله پژوهش­های گیاهی (مجله زیست­شناسی  ایران)، 28 (1): 179-190.
9- زارع­چاهوکی، م. ع.، 1385. مدل‌سازی پراکنش گونه‌های گیاهی مراتع مناطق خشک و نیمه‌خشک. رساله دکتری مرتعداری، دانشکده منابع طبیعی دانشگاه تهران، 180 صفحه.
10- زارع­چاهوکی، م. ع.، 1389. تجزیه و تحلیل داده­ها در پژوهش­های منابع­طبیعی با نرم­افزار SPSS. انتشارات جهاد دانشگاهی، 310 صفحه.
11- زارع­چاهوکی، م.ع.، خلاصی اهوازی، ل.، آذرنیوند، ح، 1392. مدل­سازی پراکنش گونه­های گیاهی بر اساس عوامل خاک و توپوگرافی با استفاده از روش رگرسیون لوجستیک در مراتع شرق سمنان. نشریه مرتع و آبخیزداری، 67(1): 45-59.
12- زارع­چاهوکی، م.ع.، حسینی، م.، طویلی، ع. 1394. بررسی عوامل مؤثر بر تغییرات تنوع گونه­ای در مراتع  طالقان میانی (مطالعة موردی: مراتع اطراف روستای وشته)، مجله پژوهش­های گیاهی (مجله زیست­شناسی  ایران)، 28 (2): 307-315.
13- زارع گاریزی، آ.، بردی شیخ، و.، سعدالدین، ا.، سلمان ماهینی، ع. 1390. کاربرد روش رگرسیون لجستیک در مدل­سازی الگوی مکانی احتمال تغییر پوشش گیاهی (مطالعه موردی: آبخیز چهل­چای گلستان). فصلنامه علمی-پژوهشی فضای جغرافیایی. دانشگاه آزاد اسلامی واحد اهر، 12 (37): 55-68.
14- ریگی، م.، نارویی، ع. 1385. طرح مدیریت بیابان در منطقه خاش، اداره کل منابع طبیعی و آبخیزداری استان سیستان و بلوچستان، 104 صفحه.
15- گودرزی، غ.، ثاقب­طالبی، خ.، احمدلو، ف. 1391. بررسی عوامل مؤثر در پراکنش گونة بادامک (Amygdalus scoparia Spach) در استان مرکزی، مجلة جنگل ایران، 4(3): 209-220.
16- محمودی، ع.، زاهدی امیری، ق.ا.، اعتماد، و. بررسی ارتباط ویژگی­های فیزیکی و شیمیایی خاک با شادابی گونة تاغ در تاغ­زارهای طبیعی و دست کاشت (مطالعة موردی: دشت حسین­آباد، استان خراسان جنوبی)، مجله جنگل ایران، 4(4): 289-299.
17- ﻣﺨﺘﺎﺭﻱ، ﻙ.، ﺝ. ﺧﻮﺍجه ﺩﻳﻨﻲ.، ﺡ. ﺧﺎﺩﻣﻲ. ۱۳۸۲. ﺭﺍﺑﻄﻪ ﺭﺷﺪ ﮔﻴﺎﻩ ﺯﺭﺩﺗﺎﻍ ﺑﺎ ﺧﺼﻮﺻﻴﺎﺕ ﺧﺎﻙ ﺩﺭ ﺍﺑﻮﺯﻳﺪآﺑﺎﺩ ﻛﺎﺷــﺎﻥ. ﻣﺠﻤﻮﻋﻪ ﻣﻘﺎﻻﺕ ﻫﻤﺎﻳﺶ ﻣﻠﻲ ﺗﺎﻍ ﻭ ﺗﺎﻍﻛﺎﺭﻱ ﺩﺭ ﺍﻳﺮﺍﻥ. ﻛﺮﻣﺎﻥ: ۱۰.
 
18-Alberghina, O., 1978.The wild Almond, Amygdalus webii, of south west Sicily, Tecnicaagricola, 30(6): 385-393.
19- Araujo, M.B., Williams, P.H., Fuller, R.J. 2002. Dynamics of extinction and the selection of nature reserves. Proceedings of the Royal Society London - Biological Series B269 pp. 1971-1980.
20- Ashcroft, M.B. 2006. A method for improving landscape scale temperature predictions and the implications for vegetation modeling. Ecological Modelling, 197: 394–404.
21- Austin, M. 2007. Species distribution models and ecological theory: A critical assessment and some possible new approaches. Ecological modeling, 1-19.
22- Austin, M.P., Belbinb, L., Meyers, J.A., Dohertya, M.D., Luotoc, M. 2006. Evaluation of statistical models used for predicting plant species distributions: Role of artificial data and theory. Ecological Modelling 199(2):197-216.
23- Cambardella, C.A., Moorman, T.B., Novak, J.M., Parkin, T.B., Karlen, D.L., Turco, R.F., Konopka, A.E. 1994. Field–scale variability of soil properties in Central lowa soils. Soil Science Society. American Journal 58: 1501-1511.
24- Carl, J., Ku, I. 2007. Analyzing spatial autocorrelation in species distributions using Gaussian and logit models. Ecological Modelling, 207: 159-170.
25- Carter, G.M., Stolen, E.D., Breininger, D.R. 2006. A rapid approach to modeling species–habitat relationships. Biological conservation. 127: 237 -244.
26- Grichar, W.J., Besler, B.A., Jaks, A.J., Brewer, K.D., McFarland, M.L. 2000. Comparison of agricultural gypsum with power plant by-product gypsum for south Texas potato production. Texas J. Agric. Nat. Resour. 13: 120-128.
27- Guisan, A., Zimmermann, N.E. 2000. Predictive habitat distribution models in ecology. Ecological Modelling 135, 147-186.
28- Hosmer, D.W.,  Lemeshow, S. 2000. Applied Logistic Regression. Wiley, New York, 307 pp.
29- Hosseini, S. Z., Kappas. M., Zare Chahouki. M. A., Gerold, G.,  Erasmi. S.,  Rafiei Emam, A. 2013. Modelling potential habitats for Artemisia sieberi and Artemisia aucheri in Poshtkouh area, central Iran using the maximum entropy model and geostatistics, Ecological Informatics 18: 61-68.
30- Jafarian, G., Arzani, H., Jafari, M., Azarnivand, H. 2011. Preparation Spatial prediction map of species using logistic regression.Natural Geography Research, 79: (1-18).
31- Khalasi Ahvazi, L., Zare Chahouki, M.A., Ghorbannezhad, F. 2012. Comparing Discriminant Analysis, Ecological Niche Factor Analysis and Logistic Regression Methods for Geographic Distribution Modelling of Eurotia ceratoides (L.) C. A. Mey. Journal of Rangeland Science, 3(1): 45-57.
32- khalasi Hashimoto, H., Natuhara, Y. and Morimoto, Y. 2005. A habitat model for Parus major minor using a logistic regression model for the urban area of Osaka, Japan. Landscape and Urban Planning, 70: 245-250.
33- Lassueur, T., Joost, S.P., Randin, C.F. 2006. Very high resolution digital elevation models: do they improve models of plant species distribution? Ecological Modelling 198:139–153.
34- Latimer, A.M., Wu, S.S., Gelfand, A.E., Silander, J.A. 2006. Building statistical models to analyze species distributions. Ecological Applications, 16: 33-50.
35- Liu, C., Berry, P. M., Dawson, T. P., Pearson, R.G. 2005. Selecting thresholds of occurrence in the prediction of species distributions, Ecography, 28:385-393.
36- Maggini, R., Lehmann, A., Zimmerman, N., Guisan, A. 2006. Improving generalized regression analysis for spatial predictions of forest communities. Journal of Biogeography, 1729-1749.
37- Miller J., 2005. Incorporating spatial dependence in predictive vegetation models: Residual Interpolation Methods, The Professional Geographer, 57(2): 169 -184.
38- Mohtashamnia, S., Zahedi, Gh., Arzani, H. 2011. Multivariate Analysis of Rangeland Vegetation in Relation to Edaphical and Physiographical Factors. Procedia Environmental Sciences, 7: 305–310.
39- Munishi, P.K.T., Temu, R.P.C., Soka, G. 2011. Plant communities and tree species associations in a Miombo ecosystem in the Lake Rukwa basin, Southern Tanzania: Implications for conservation. Journal of Ecology and the Natural Environment. 3(2): 63-71.
40- Piri Sahragard, H., M.A. Zare Chahouki. 2015. An evaluation of predictive habitat models performance of plant species in Hoze soltan rangelands of Qom province. Ecological Modelling309-310: 64-71.
41- Piri Sahragard, H., Zare Chahouki, M.A.  2016. Modeling of Artemisia sieberi Besser Habitat Distribution Using Maximum Entropy Method in Desert Rangelands, Journal of Rangeland Science, 6(2): 93- 101.
42- Rushton, S.P., Ormerod, S.J. Kerby, G. 2004. New paradigms for modelling species distributions? Journal of Applied Ecology 41:193-200.
43- Segurado, P., Araújo, M. 2004. An evaluation of methods for modelling species distributions. Journal of Biogeography 31: 1555–69.
44- Sumarga, E. 2011. A comparison of  logistic regression,  geostatistics  and  Maxent for  distribution  modelling of  a  forest  endemic. Msc thesis. University of  twente. 74 Pp.
45- Termansen, M., Mcclean, C.J, Preston, C.D .2006. The use of genetic algorithms and Bayesian classification to model species distributions. Ecological Modelling, 192, 410–424.
46- Wilson, K.A., Westphal, M. I., Possingham, H. P., Elith, J. 2005. Sensitivity of conservation planning to different approaches to using predicted species distribution data. Biological Conservation 122: 99–112.
47- Zare Chahouki, M.A., Khalasi Ahvazi, L., Azarnivand, H. 2010. Environmental factors affecting distribution of vegetation communities in Iranian Rangelands.VEGETOS Journal, 23(2): 1-15.
48- Zare Chahouki, M. A., Khalasi Ahvazi, L., Azarnivand, H. 2012. Comparison of three modeling approaches for predicting plant species distribution in mountainous scrub vegetation (Semnan rangelands, Iran), Polish journal of ecology 60 (2): 105-117.
49- Zhenghu, D., Hanglang, X. Xinrong, Zhibao, L.D., Gang, W. 2004. Evolution of soil properties on stabilized sands in the Tengger Desert, China, Geomorphology, 59: 237-24.
Journal of Plant Research (Iranian Journal of Biology)
Volume 30, Issue 4
March 2018
Pages 792-806
  • Receive Date: 04 June 2016
  • Revise Date: 17 June 2016
  • Accept Date: 02 October 2016