مدل سازی پیش‌بینی پراکنش رویشگاه گونه بادامک (Amygdalus scoparia Spach) در مراتع موشکیه استان قم

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه زابل

2 دانشکده منابع طبیعی دانشگاه تهران

چکیده

پژوهش حاضر با هدف مقایسۀ کارایی روش‌های رگرسیون لجستیک، آنتروپی حداکثر و پرسپترون چندلایه در ارائۀ مدل پیش‌بینی پراکنش رویشگاه گونۀ بادامک (Amygdalus scoparia) در مراتع استان قم انجام گرفت. برای این منظور، بعد از شناسایی رویشگاه‌های خالص این گونه، نمونه‌برداری از پوشش گیاهی به‌روش تصادفی- منظم انجام گرفت. برای نمونه‌برداری از خاک رویشگاه، هشت پروفیل حفر و از دو عمق 30-0 و 60-30 سانتی‌متری نمونه‌برداری شد. بعد از اندازه‌گیری خصوصیات خاک و تهیۀ لایه‌های مربوط به خصوصیات فیزیوگرافی (شیب، جهت، ارتفاع)، زمین‌شناسی و خصوصیات فیزیکی و شیمیایی خاک، مدلسازی پیش‌بینی پراکنش انجام گرفت و نقشۀ پیش‌بینی رویشگاه گونۀ مورد مطالعه تهیه شد. در مرحلۀ بعد، میزان تطابق نقشۀ پیش‌بینی حاصل و نقشۀ واقعی رویشگاه بررسی شد. براساس مقادیر ضریب کاپای محاسبه‌شده، مدل رگرسیون لجستیک توانسته است پراکنش رویشگاه گونۀ مورد مطالعه را در سطح عالی (ضریب کاپای 91/0) پیش‌بینی کند؛ این در حالی است که نقشۀ پیش‌بینی حاصل از روش پرسپترون چندلایه و آنتروپی حداکثر دارای تطابق خیلی خوب (به‌ترتیب ضریب کاپای 85/0 و 8/0) با نقشۀ واقعی بود. این نتایج نشان می‌دهد که روش رگرسیون لجستیک در برآورد دامنۀ پراکنش رویشگاه این گونه در مقایسه با دو روش دیگر، از دقت بیشتری برخوردار است. براساس مدل رگرسیون لجستیک، نوع سازند زمین‌شناسی (سازند آذرین) و مقدار سنگریزۀ عمق اول خاک، مؤثرترین عوامل در حضور این گونه در رویشگاه مورد مطالعه‌اند. این نتایج گویای آن است که در انتخاب روش بهینۀ مدلسازی، علاوه بر قابلیت‌های هر روش، باید به دامنۀ آشیان بوم‌شناختی گونه‌های مورد مطالعه نیز توجه ویژه شود.

کلیدواژه‌ها


عنوان مقاله [English]

Predictive habitat distribution modeling of Amygdalus scoparia Spach in Moshakieh rangelands of Qom Province

چکیده [English]

This study aims at comparing the performance of logistic regression, maximum entropy, and multilayer perceptron techniques in preparing the predictive habitat distribution map of Amygdalus scoparia in rangelands of Qom province. For this purpose, vegetation sampling was done using random systematic methods after identifying pure habitats of this species. For soil sampling, eight profiles were excavated and two samples were taken from 0-30 and 30-80 cm depth. After analyzing the soil characteristics in the laboratory and generating the layers of physiographic characteristics (slope, aspect, and elevation), geology and physical and chemical characteristic of soil, predictive habitat distribution modeling was performed. Then the accuracy of generated map was evaluated by kappa. Based on the calculated kappa coefficient, logistic regression model was able to predict the habitat distribution of studied species at the excellent level (kappa= 0.91). Meanwhile, predictive maps derived from maximum entropy and multi-layer perceptron had very good aggrement with actual map (kappa 0.85 and 0.8, respectively). These results indicate that the logistic regression model is more accurate than other methods for predicting the distribution of this species due to specific circumstances. Based on logistic regression model, geological formation (Igneous formations) and soil gravel amount are the most influential factors effecting the the presence of this species in this habitat. These results indicate that in order to select the optimal modeling approach, it should be given special attention to the ecological niche of the species studied in addition to the capabilities of each method.

کلیدواژه‌ها [English]

  • Amygdalus scoparia
  • Predictive distribution
  • Multi-Layer Perceptron
  • Logistic regression
  • Machine learning method
  • Rangelands of Qom