مدل‌سازی پراکنش گونه‌های گیاهی حفاظتی و با ارزش در منطقه‌ی توریستی پلور با استفاده از مدل خطّی تعمیم یافته (GLM) و مدل جمعی تعمیم یافته (GAM)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار علوم مرتع، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری

2 دانش‌آموخته دکتری علوم مرتع، دانشگاه علوم کشاورزی و منابع طبیعی ساری

چکیده

مدل­های پیش­بینی پراکنش جغرافیایی گونه­های گیاهی از مدل­ها استاتیک و احتمالی هستند و روابط ریاضی حاکم بر توزیع جغرافیایی یک گونه‌ی معین را با محیط فعلی آنها و عوامل مهم محیطی مؤثر بر پراکنش گونه­ها مشخص می­کنند. هدف تحقیق حاضر کارایی مدل خطّی تعمیم‌یافته (GLM) و مدل جمعی تعمیم یافته (GAM) و مقایسه‌ی آنها در تعیین روابط بین پوشش گیاهی و عوامل محیطی در منطقه‌ی توریستی پلور است. نمونه­برداری با روش طبقه‌بندی-تصادفی مساوی صورت گرفت. پنج‌گونه‌ی غالب شناسایی شده در منطقه عبارتند از Astragalus ochrodeucus، Ferula gumosa، Thymus kotschyanus، Onobrychis Cornata و Agropyron Sp. عوامل محیطی مورد مطالعه شامل عوامل خاکی (13 مورد)، عوامل توپوگرافی (3 مورد) و عوامل اقلیمی (3 مورد) بودند. همه آنالیز­­ها در بسته Presence-Absence و GRASP در نرم‌افزار R انجام شد. برای بررسی ارزیابی مدل­ها از روش Ten-fold در بسته (caret) استفاده گردید. همچنین برای ارزیابی عملکرد پیش­بینی مدل از ضرایب آماری AUC،AIC، RMSE و  R2استفاده شد. نتایج نشان داد که بالاترین  R2در مدل GLMمربوط به حضور گونه Agropyron Spبه میزان 98/0 بوده است. کمترین RMSE و  AICنیز به ترتیب با میزان 29/0 و 12 مربوط به گونه Astragalus ochrodeucus­بود. در مدل  GAMنیز بالاترینR2به‌گونه Thymus kotschyanus­ به میزان 88/0 تعلق داشت. همچنین کمترین RMSE و  AICمربوط به گونه­هایAstragalus ochrodeucus و Ferula gumosaبه میزان 22/0 و 12/18 بودند. هم­چنین بالاترین AUC در مدل  GLMبه گونه Onobrychis Cornata و در مدل  GAMبه گونه Agropyron Sp به‌ میزان 86/0 تعلق داشتند. با توجه به ارزش حفاظتی و با ارزش گونه­های گیاهی مورد مطالعه از نتایج این مدل­ها می­توان در برنامه­های حفاظتی و اصلاحی منطقه‌ی توریستی استفاده کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Distribution Modeling of Protective and Valuable Plant Species in the Tourist Area of Polour Using Generalized Linear Model (GLM) and Generalized Additive Model(GAM)

نویسندگان [English]

  • Zeinab Jafarian 1
  • Mansoureh Kargar 2
چکیده [English]

The prediction models of geographical distribution of the  plant species are probabilistic and static models. They determinate the mathematical equations governing on geographical distribution of species with their current environment and environmental factors effective on the distribution of species. The aim of the current Study is to review the performance of Generalized Linear Model (GLM) and Generalized Additive Model )GAM(in determination of the relationship between vegetation and environmental factors in Polour rangeland. Stratified random sampling method was used. Five dominant species include Astragalus ochrodeucus, Ferula gumosa, Thymus kotschyanus,Onobrychis Cornata and Agropyron Sp were identified. the studied environmental factors were including 13 soil characteristics, 3 topographic factors and 3 climatic factors. The analyses were performed using Presence-Absence and GRASP package of R software. Also for evaluating the performance of prediction model , the statistical coefficients including AUC, AIC, RMSE and R2 were used. The results showed that the highest R2 in GLM model is related to presence of Agropyron Sp with 0.98 and also the lowest RMSE and AIC is related to Astragalus ochrodeucus with 0.29 and 12 respectively. Also in GAM model the highest R2 is related to Thymus kotschyanus with 0.98 and the lowest RMSE and AIC is related to Astragalus ochrodeucus and Ferula gumosa with 0.22 and 18.12 respectively. .. Also the highest AUC in GLM model is related to Onobrychis Cornata and in GAM model is related to Agropyron Sp with 0.86.Given the value of protecting and valuable plant species studied, the results of these models can be used in programs of conservation and improvement of the tourist area.

کلیدواژه‌ها [English]

  • Environment Factors
  • Generalized Additive Model (GAM)
  • Generalized Linear Model (GLM)
  • Polour rangelands

منابع

-    آذرنیوند، حسین؛ محمدعلی زارع چاهوکی (1389). بوم‌شناسی مرتع، انتشارات دانشگاه تهران. صفحه 345.

-    جعفریان، زینب؛ منصوره کارگر (1391).  تعیین عوامل محیطی مؤثر بر گروه گونه­های اکولوژیک با استفاده از روش رگرسیون لجستیک در مراتع پلور، نشریه علوم محیطی. 10. صفحات 118-107.

-    جعفریان، زینب؛ حسین ارزانی؛ قوام‌الدین زاهدی؛ حسین آذرنیوند (1389). کاربرد آنالیز تشخیص برای تعیین ارتباط بین عوامل محیطی و پراکنش گونه­های گیاهی در مراتع پلور با کمک تصاویر ماهواره­ای، پژوهش‌های آبخیزداری. 23 (3). صفحات 71-64.

-    جعفری، محمد؛ محمد علی زارع چاهوکی؛ علی طویلی (1385). بررسی ارتباط بین خصوصیات خاک و پراکنش گونه‌های گیاهی در مراتع قم، نشریه پژوهش و سازندگی در منابع طبیعی 11. صفحات 133-118.

-    جعفری‌حقیقی، محمد (1382). روش‌های تجزیه و تحلیل فیزیکی و شیمیایی نمونه­های خاک (با تأکید بر نظریه و کاربرد)، انتشارات ضحی. صفحه 236.

-  زارع چاهوکی، محمدعلی؛ محمد جعفری ؛ حسین آذرنیوند؛ مژگان شفیع‌زاده (1386). مقایسه تکنیک‌های مدل‌سازی برای پیش‌بینی گونه‌های گیاهی در مراتع خشک و نیمه خشک، مجله مرتع. 4.صفحات 356-342.

-  زارع چاهوکی، محمد علی؛ لیلا خلاصی اهوازی؛ حسین آذرنیوند (1393). مدل‌سازی پراکنش گونه‌های گیاهی بر اساس فاکتورهای خاک و توپوگرافی با استفاده از رگرسیون لجستیک در مراتع شرق سمنان، مجله مرتع و آبخیزداری . 67(1). 59-45.

-    ساکی، مژگان؛ مصطفی ترکش؛ مهدی بصیری؛ محمدرضا وهابی(1391).تعیین رویشگاه بالقوه گونه گیاهی گون‌زرد (Astragalus verus) با استفاده ازمدل رگرسیون‌‌‌لجستیک‌ درختی(LRT)،مجله اکولوژی کاربردی.1.صفحات37-27.

-    عباسی،محبوبه؛محمدعلی‌زارع‌چاهوکی(1393).مدل‌سازی پراکنش‌مکانیStipa barbataوAgropyron intermedium  با استفاده از شبکه عصبی مصنوعی در مراتع میانی طالقان، مجله تحقیقات منابع طبیعی تجدید شونده. 5. صفحات 57-47.

-    قاضی‌مرادی، مژگان (1393). مد‌‌ل‌سازی رویشگاه بالقوه کمای ییلاقی با استفاده از مدل‌های BBN و GAM در منطقه فریدون شهر اصفهان، پایان‌نامه کارشناسی ارشد دانشگاه صنعتی اصفهان. صفحه 121.

-    صالحی، مسعود؛ حبیبه وزیری نسب؛ معصومه خوشگام؛ نسرین رفعتی(1391). بکارگیری مدل جمعی ‏تعمیم‏یافته در تعیین نوع ارتباط عوامل خطر رتینوپاتی در بیماران دیابتی شهر تهران. 119. صفحات 21-11.

-    صفایی، مژده (1391). مدل‌سازی رویشگاه بالقوه گونه گیاهی گون‌زرد با استفاده از دو روش تحلیل عاملی آشیان اکولوژیک (ENFA) و رگرسیون لجستیک (LR) در منطقه فریدون شهر استان اصفهان، پایان‌نامه کارشناسی ارشد مرتع‌داری. دانشگاه صنعتی اصفهان. صفحه 107 .

-    Aertsena W., Kinta V., Orshovena J., Özkanb, K., and Muysa, B (2010). Comparison and ranking of different modelling techniques for prediction of site index in Mediterranean mountain forests. Ecological Modeling. 221, 1119–1130.

-    Abd El-Ghani and Wafa, M. A (2003). Soil-vegetation relationships in coastal desert plain of southern Sinai, Egypt. Journal of Arid Environment. 55, 607-628.

-    Brown, G (1994). Predicting Vegetation types at tree line using topography and biophysical disturbance variables. Journal of Vegetation Science. 5, 641-656.

-    Comstock, J. P. and Ehleringer, J. R (1992).Plant adaptation in the Great Basin and Colorado Plateau. Naturalist 21:43-52.

-    Coudun C., Gegout, J. C., Piedallu, C. and Rameau, J. C (2006). Soil nutritional factors improve models of plant species distribution: an illustration with Acer campestre (L.) in France. Journal of Biogeography. 33, 1750–1763.

-    Dubuis, A (2013) Predicting spatial patterns of plant biodiversity: from species to communities. Thesis ph.D. 295p.

-    Dubuis A., Giovanettina S., Pellisier L., Pottier  J.,Vittoz, P., and Gusian, A (2013). a. Improving the prediction of plant species distribution and community composition by adding edaphic to topo-climatic variable. Journal of vegetation Science. 24, 593-606.

-    Freeman, E. A. and Moisen, G (2008). Presence Absence: An R Package for Presence Absence Analysis.Journal of Statistical Software.23(11),1-31.

-    Guisan, A., and Zimmermann, R. E (2000). Predictive habitat distribution models in ecology. Ecological Modelling.135, 147–186.

-    Hastie, T. and Tibshirani, R (1990). Non-parametric logistic and proportional odds regression. Applied statistics. 260-276.

-    Hanspach J., Kuhn I., Pompe S., and Klotz, S (2011). Predictive performance of plant species distribution models depends on species traits. Perspectives in plant ecology, Evaluation and Systematic.1-8.

-    He. M.Z., J.G. Zheng, X.R. Li and Qian, Y.L (2007). Environmental factors affecting vegetation composition in the Alxa Plateau, China. Journal of Arid Environment.69, 473-489.

-    Hengl T., Sierdsema, H., Radovi, A. and Dilo, A (2009). Spatial prediction of species distributions from occurrence-only records: combining point pattern analysis, ENFA and regression-kriging. Ecological Modeling. 220, 3133-3222.

-    Herreraa B. J., J. Camposa, B, Finegana and Alvarado, A (2004). Factors affecting site productivity of a Costa Rican secondary rain forest in relation to Vochysia ferruginea, a commercially valuable canopy tree species. Forest Ecology and Management. 118(1), 73-81.

-    Hirzel A. and Guisan, A (2002). Which is the optimal sampling strategy for habitat suitability modeling? Ecological Modeling. 157, 331-341.

-    Jensen, M., P. Jeff, A. James, Barber and Patric, S (2001).Spatial Modeling of Rangeland Potential Vegetation Environments. Journal of Range Management. 54 (5), 528-536.

-    Lehmann, A., Overton, J. M. C. and Leathwick, J. R (2002). GRASP: generalized regression analysis and spatial prediction. Ecological modeling. 157(2), 189-207.

-    Pinke G., R. Pal and Botta–Dukat, Z (2010). Effect of environmental factors on weed species composition of cereal and stubble fields in western Hungary. Journal of Biology. 5(2), 283-292.

-    R Development Core Team (2007). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org/.

-    Tarkesh, M. and Gottfried, J (2012). Comparison of six correlative models in predictive vegetation mapping on a local scale. Environ Ecol Stat.

- Villers-Ruiz, L., I. Trejo-Vazquez and Lipez-Blanco, J (2003). Dry vegetation in relation to the physical environment in the Baja California Peninsula, Mexico. Journal of Vegetation Science. 14, 517-524.