تعداد نشریات | 27 |
تعداد شمارهها | 364 |
تعداد مقالات | 3,222 |
تعداد مشاهده مقاله | 4,739,877 |
تعداد دریافت فایل اصل مقاله | 3,237,716 |
تعیین مناطق مستعد رویش گونة ریواس (Rhume ribes L.) در استان خراسان رضوی با استفاده از مدلهای ماشین بردار | ||
مدل سازی و مدیریت آب و خاک | ||
مقاله 5، دوره 4، شماره 3، شهریور 1403، صفحه 75-94 اصل مقاله (4.05 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2023.12726.1276 | ||
نویسندگان | ||
جواد مومنی دمنه1؛ سیدمحمد تاج بخش* 2؛ جلیل احمدی3؛ علی اکبر صفدری4 | ||
1دانشآموختة دکتری، گروه مهندسی منابع طبیعی، دانشکدة کشاورزی و منابع طبیعی، دانشگاه هرمزگان، هرمزگان، ایران | ||
2دانشیار، گروه مرتع و آبخیزداری، دانشکدة منابع طبیعی، دانشگاه بیرجند، بیرجند، ایران | ||
3دانشجوی دکتری، گروه احیاء مناطق خشک و کوهستانی، دانشکدة منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
4دانشآموختة کارشناسی ارشد، گروه احیاء مناطق خشک و کوهستانی، دانشکدة منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
چکیده | ||
در سالهای اخیر با توسعة فناوریهای رایانهای، سیستمهای دورسنجی، نرمافزارها و مدلهای مختلف پیشبینی آشیان بومشناختی گونههای مختلف گیاهی و جانوری فراهم آمده است. هدف از این پژوهش، شناسایی مهمترین عوامل محیطی مؤثر بر پراکنش و تعیین گسترۀ رشد گونة ریواس با قابلیت بهرهبرداری در استان خراسان رضوی است. برای این منظور 68 متغیر محیطی شامل خصوصیات خاک (45 مورد)، عوامل توپوگرافی (چهار مورد) و عوامل اقلیمی (19 مورد) بهعنوان متغیرهای پیشبینی ابتدا مورد تحلیل همبستگی قرار گرفته و متغیرهای دارای همبستگی زیاد (بالای 80 درصد) حذف شدند. با توجه به وسعت زیاد خراسان رضوی نمونهبرداری نقاط حضور، طی دورة زمانی 1401-1400 انجام شد که در مجموع 232 نقطة حضور از هشت منطقه با استفاده از سامانة موقعیتیاب جهانی (GPS) بهعنوان نقاط حضور ثبت شد. سپس کلیة دادههای محیطی و نقاط حضور در نرمافزار R با استفاده از مدلهای پکیج بایومد 2 (Maximum Entropy، GLM، FDA، GBM، GAM،CAT،ANN، SRE، MARS، RF) برای تعیین روابط بین پوشش گیاهی و عوامل محیطی در زمان حال پیشبینی شد. ارزیابی صحت مدلها با استفاده از مقادیر شاخصهای KAPPA، TSS و ROC بررسی و تحلیل شدند. نتایج نشان داد براساس شاخصهای ارزیابی در زمان حال، مدل جنگل تصادفی (RF) با صحت 5/95 درصد بهعنوان بهترین مدل مشخص شد. همچنین، اهمیت نسبی در مدل برگزیده و متغیرهایی که بیشترین تأثیر را داشتهاند شامل: مدل رقومی ارتفاع (DEM)، میانگین دامنة دمای روزانه (BIO 2)، جمع بارش سالانه (BIO 12)، میانگین دمای پربارانترین سه ماه متوالی سال (BIO 8) و میزان شن در عمق 30-15 سانتیمتر از سطح خاک (Sand 15-30) هستند که نشاندهندة تأثیر زیاد عوامل اقلیمی بر پراکنش این گونه است و در مرحلة بعد ارتفاع از سطح دریا و عوامل خاکشناسی بیشترین تأثیر را دارند. بیشترین تراکم گونة ریواس شامل شهرستانهای باخرز، تربتجام، تایباد، زاوه، خواف و رشتخوار بهصورت نواری در مرز آنها و در غرب استان در مرز شهرستانهای کوه سرخ و نیشابور و در شمال استان در مرز شهرستانهای بینالود و زبرخان و مشهد و در جنوب استان در شهرستان گناباد بهصورت محدود گسترش داشته است. از نتایج حاصل از این پژوهش میتوان برای اصلاح، حفاظت، بهرهبرداری اقتصادی و گسترش رویشگاه گونة ریواس استفاده نمود. | ||
کلیدواژهها | ||
تغییر اقلیم؛ سنجش از دور؛ مناطق خشک؛ مدلسازی مطلوبیت زیستگاه؛ ماشین بردار | ||
مراجع | ||
Abdollahi, J., Arzani, H., Naderi, H., & Arab Zade, M.R. (2012). Effect of precipitation and high temperature variability on forage production of some plant species in the Yazd steppe rangelands during the period of 2000-2008 (Case study: Ernan region). Journal of Arid Biome, 2(1), 58-69. doi: 20.1001.1.2008790.1391.2.1.5.0. [In Persian] Barnes, P.W., & Harrison, A.T. (1982). Species distribution and community organization in a Nebraska sandhills mixed prairie as influenced by plant/soil-water relationships. Oecologia, 52, 192-201. doi:10.1007/BF00363836 Bellard, C., Bertelsmeier, C., Leadley, P., Thuiller, W., & Courchamp, F. (2012). Impacts of climate change on the future of biodiversity. Ecology Letters, 15(4), 365-377. doi:10.1111/j.1461-0248.2011.01736.x Chaves, P.P., Ruokolainen, K., & Tuomisto, H. (2022). Impact of spatial configuration of training data on the performance of Amazonian tree species distribution models. Forest Ecology and Management, 504, 119838. doi:10.1016/j.foreco.2021.119838 Cheng, Y.Y., Chan, P.P., & Qiu, Z.W. (2012). Random forest based ensemble system for short term load forecasting. In 2012 International Conference On Machine Learning And Cybernetics, 1(52-56). IEEE. doi:10.1109/ICMLC.2012.6358885 Dai, G., Ding, K., Cao, Q., Xu, T., He, F., Liu, S., & Ju, W. (2019). Emodin suppresses growth and invasion of colorectal cancer cells by inhibiting VEGFR2. European Journal of Pharmacology, 859, 172525. doi:10.1016/j.ejphar.2019.172525 Damaneh, J.M., Ahmadi, J., Rahmanian, S., Sadeghi, S.M.M., Nasiri, V., & Borz, S.A. (2022). Prediction of wild pistachio ecological niche using machine learning models. Ecological Informatics, 72, 101907. doi:10.1016/j.ecoinf.2022.101907 Díaz-Varela, R.A., Colombo, R., Meroni, M., Calvo-Iglesias, M.S., Buffoni, A., & Tagliaferri, A. (2010). Spatio-temporal analysis of alpine ecotones: A spatial explicit model targeting altitudinal vegetation shifts. Ecological Modelling, 221(4), 621-633. doi:10.1016/j.ecolmodel.2009.11.010 Elith, J., Phillips, S. J., Hastie, T., Dudík, M., Chee, Y.E., & Yates, C.J. (2011). A statistical explanation of MaxEnt for ecologists. Diversity and distributions, 17(1), 43-57. doi;10.1111/j.1472-4642.2010.00725.x Ernakovich, J.G., Hopping, K.A., Berdanier, A.B., Simpson, R.T., Kachergis, E.J., Steltzer, H., & Wallenstein, M.D. (2014). Predicted responses of arctic and alpine ecosystems to altered seasonality under climate change. Global Change Biology, 20(10), 3256-3269. doi:10.1111/gcb.12568 Fallah Huseini, H., Heshmat, R., Mohseni, F., Jamshidi, A., Alavi, S., Ahvasi, M., & Larijani, B. (2008). The Efficacy of Rheum Ribes L. stalk extract on lipid profile in hypercholesterolemic type ii diabetic patients: a randomized, double-blind, placebo - controlled, clinical trial. Journal of Medicinal Plants, 7(27), 92-97. http://jmp.ir/article-1-443-en.html. [In Persian] Fallah Huseini, H., Larijani, B., Fakhrzadeh, H., Akhondzadeh, S., Radjabipour, B., Toliat, T., & Heshmat, R. (2004). The efficacy of silymarin on hypercholrsterolemic type II diabetic patients. Iranian Journal of Diabetes and Lipid Disorders, 3(2), 201-206. http://ijdld.tums.ac.ir/article-1-447-fa.html. [In Persian] Feeley, K.J., Silman, M.R., Bush, M.B., Farfan, W., Cabrera, K.G., Malhi, Y., Meir, P., Revilla, S.N., , Quisiyupanqui, M.N.R., & Saatchi, S. (2011). Upslope migration of Andean trees. Journal of Biogeography, 38(4), 783-791. doi:10.1111/j.1365-2699.2010.02444.x Fielding, A.H., & Bell, J.F. (1997). A review of methods for the assessment of prediction errors in conservation presence/absence models. Environmental Conservation, 24(1), 38-49. doi:10.1017/S0376892997000088 Flagmeier, M., Long, D.G., Genney, D.R., Hollingsworth, P.M., Ross, L.C., & Woodin, S. J. (2014). Fifty years of vegetation change in oceanic-montane liverwort-rich heath in Scotland. Plant Ecology & Diversity, 7(3), 457-470. doi:10.1080/17550874.2013.817487 Galton, F. (1892). Finger prints (No. 57490-57492). Macmillan and Company. https://scholar.google.com/scholar_lookup?title=Finger%20prints%20%28No.%2057490-57492%29&publication_year=1892&author=Galton%2CF Guisan, A., & Thuiller, W. (2005). Predicting species distribution: offering more than simple habitat models. Ecology Letters, 8(9), 993-1009. doi:10.1111/j.1461-0248.2005.00792.x Guo, Y., Li, X., Zhao, Z., Wei, H., Gao, B., & Gu, W. (2017). Prediction of the potential geographic distribution of the ectomycorrhizal mushroom Tricholoma matsutake under multiple climate change scenarios. Scientific reports, 7(1), 46221. doi:10.1038/srep46221 Haidarian Aghakhani, M., Tamartash, R., Jafarian, Z., Tarkesh Esfahani, M., & Tatian, M.R. (2017). Forecasts of climate change effects on Amygdalus scoparia potential distribution by using ensemble modeling in Central Zagros. Journal of RS and GIS for Natural Resources, 8(3), 1-14. dor:20.1001.1.26767082.1396.8.3.1.8. [In Persian] Helm, A., Hanski, I., & Pärtel, M. (2006). Slow response of plant species richness to habitat loss and fragmentation. Ecology letters, 9(1), 72-77. doi:10.1111/j.1461-0248.2005.00841.x Hu, B., Zhang, H., Meng, X., Wang, F., & Wang, P. (2014). Aloe-emodin from rhubarb (Rheum rhabarbarum) inhibits lipopolysaccharide-induced inflammatory responses in RAW264. 7 macrophages. Journal of Ethnopharmacology, 153(3), 846-853. doi:10.1016/j.jep.2014.03.059 Jafari, A., Taheri, G., Baradaran, B., & Bahrami, A. R. (2012). Rheum khorasanicum (Polygonaceae), a new species from Iran. In Annales Botanici Fennici, 49(4), 255-258. doi:10.5735/085.049.0406 Jarvie, S., & Svenning, J.C. (2018). Using species distribution modelling to determine opportunities for trophic rewilding under future scenarios of climate change. Philosophical Transactions of the Royal Society B: Biological Sciences, 373(1761), 20170446. doi:10.1098/rstb.2017.0446 Kargar, M., Jafarian, Z., Tamartash, R., & Alavi, S. J. (2018). Comparison of non-parametric and parametric species distribution models (SDM) in determining the habitat of dominant rangeland species (case study: Khetteh Riz Rangelands). Iranian Journal of Range and Desert Research, 25(3), 512-521. doi: 10.22092/ijrdr.2018.117794. [In Persian Koch, O., De Avila, A.L., Heinen, H., & Albrecht, A. T. (2022). Retreat of major European Tree species distribution under climate change—minor natives to the rescue?. Sustainability, 14(9), 5213. doi:10.3390/su14095213 Kumari, N., Srivastava, A., & Dumka, U.C. (2021). A Long-Term Spatiotemporal Analysis of Vegetation Greenness over the Himalayan Region Using Google Earth Engine. Climate, 9(7), 109. doi:10.3390/cli9070109 Kwon, H.C., Kim, T.Y., Lee, C.M., Lee, K.S., & Lee, K.K. (2019). Active compound chrysophanol of Cassia tora seeds suppresses heat-induced lipogenesis via inactivation of JNK/p38 MAPK signaling in human sebocytes. Lipids in Health and Disease, 18(1), 1-8. doi:10.1186/s12944-019-1072-x Li, A., Gao, Z., Mao, Z. (Eds.).(1998). Flora of China; Science Press: Beijing, China, Momeni Damaneh, J., Esmaeilpour, Y., Gholami, H., & Farashi, A. (2021). Properly predict the growth of (Ferula assa-foetida L.) in northeastern Iran using the maximum entropy model. Iranian Journal of Range and Desrt Research, 28(3), 578-592 doi:10.22092/IJRDR.2021.125016. [In Persian] Momeni Damaneh, J., Esmaeilpour, Y., Gholami, H., & Farrashi, A. (2022b). Predicting the geographical distribution of the genus Ferula (Ferula spp.) using habitat suitability modeling (Case study: Razavi and North Khorasan Provinces). Ecosystem Management, 2(1), 25-35. doi: 10.22034/emj.2022.252812. [In Persian] Momeni Damaneh, J., Esmaeilpour, Y., Gholami, H., & Farashi, A. (2022). Prediction of potential habitats of Astracantha gossypina (Fisch.) Using the maximum entropy model in regional scale. Journal of Plant Ecosystem Conservation, 9(19), 217-236. http://pec.gonbad.ac.ir/article-1-737-en.html. [In Persian] Momeni Damaneh, J., Tajbakhsh, S. M., Ahmadi, J., & Safdari, A.A. (2022a). Comparison of species distribution models in determining the habitat landscape of Pistacia vera L. specie in Razavi Khorasan province. Water and Soil Management and Modeling. 3(4), 77-92 doi:10.22098/mmws.2022.11698.1160. [In Persian] Mozaffarian V. (2007). dictionary of Iranian plant names. Tehran: Farhange Moaser. 457–457 [In Persian] Naqishbandi, A.M., Josefsen, K., Pedersen, M.E., & Jäger, A.K. (2009). Hypoglycemic activity of Iraqi Rheum ribes root extract. Pharmaceutical biology, 47(5), 380-383. doi:10.1080/13880200902748478 Oksanen, J., & Minchin, P.R. (2002). Continuum theory revisited: What shape are species responses along ecological gradients?. Ecological Modelling, 157(2-3), 119-129. doi:10.1016/S0304-3800(02)00190-4 Piri Sahragard, H., & Pahlavan-Rad, M.R. (2020). Prediction of soil properties using random forest with sparse data in a semi-active volcanic mountain. Eurasian Soil Science, 53, 1222-1233. doi:10.1134/S1064229320090136 Polechová, J., & Storch, D. (2008). Ecological niche. Encyclopedia of Ecology, 2, 1088-1097. Pouyan, S., Rahmanian, S., Amindin, A., & Pourghasemi, H.R. (2022). Spatial and seasonal modeling of the land surface temperature using random forest. In Computers in Earth and Environmental Sciences (221-234). doi:10.1016/B978-0-323-89861-4.00035-X Rahmanian, S., Pouyan, S., Karami, S., & Pourghasemi, H.R. (2022). Predictive habitat suitability models for Teucrium polium L. using boosted regression trees. In Computers in Earth and Environmental Sciences, 245-254. doi:10.1016/B978-0-323-89861-4.00029-4 Renner, I.W., & Warton, D.I. (2013). Equivalence of MAXENT and Poisson point process models for species distribution modeling in ecology. Biometrics, 69(1), 274-281. doi:10.1111/j.1541-0420.2012.01824.x Sarhangzadeh, J. (2019). Habitat suitability modeling for Juniper (Juniperus foetidissima) in Arasbaran Biosphere Reserve. Forest Research and Development, 5(1), 93-112. doi:10.30466/JFRD.2019.120689. [In Persian] Smeeton, N.C. (1985). Early history of the kappa statistic. Biometrics, 41, 795. Sproull, G.J., Quigley, M.F., Sher, A., & González, E. (2015). Long‐term changes in composition, diversity and distribution patterns in four herbaceous plant communities along an elevational gradient. Journal of Vegetation Science, 26(3), 552-563. doi:10.1111/jvs.12264 Sun, J., Luo, J.W., Yao, W.J., Luo, X.T., Su, C.L., & Wei, Y.H. (2019). Effect of emodin on gut microbiota of rats with acute kidney failure. Zhongguo Zhong yao za zhi= Zhongguo zhongyao zazhi= China journal of Chinese materia medica, 44(4), 758-764. doi:10.19540/j.cnki.cjcmm.20181105.002 Swets, J.A. (1988). Measuring the accuracy of diagnostic systems. Science, 240(4857), 1285-1293. doi:10.1126/science.3287615 Thuiller, W. (2014). Editorial commentary on ‘BIOMOD–optimizing predictions of species distributions and projecting potential future shifts under global change’. Global change biology, 20(12), 3591-3592. doi:10.1111/gcb.12728 Thuiller, W., Lafourcade, B., Engler, R., & Araújo, M.B. (2009). BIOMOD–a platform for ensemble forecasting of species distributions. Ecography, 32(3), 369-373. doi:10.1111/j.1600-0587.2008.05742.x Walther, G.R., Post, E., Convey, P., Menzel, A., Parmesan, C., Beebee, T. J., Fromentin, J.M, Hoegh-Guldberg, O., & Bairlein, F. (2002). Ecological responses to recent climate change. Nature, 416(6879), 389-395. doi.org/10.1038/416389a Wani, I.A., Khan, S., Verma, S., Al-Misned, F.A., Shafik, H.M., & El-Serehy, H.A. (2022). Predicting habitat suitability and niche dynamics of Dactylorhiza hatagirea and Rheum webbianum in the Himalaya under projected climate change. Scientific Reports, 12(1), 13205. doi:10.1038/s41598-022-16837-5 Zarabi, M., Haghdadi, R., & Yousefi, H. (2017). Habitat utility modeling of organic (wild) pistachios (Pistacia vera) using Maximum Entropy Method (MaxEnt) in Sarakhs Forest Area (Gonbadli in Khorasan province). Iranian journal of Ecohydrology, 4(3), 817-824. doi:10.22059/IJE.2017.62636. [In Persian] Zare Chahouki, M.A., & abbasi, M. (2018). Habitat prediction model medicinal species of Rheum ribes L. with Maximum Entropy model in Chahtorsh rangeland of the Yazd province. Journal of Range and Watershed Managment, 71(2), 379-391. doi:10.22059/jrwm.2018.200398.968. [In Persian] Zarkami, R., Ahmadi, M., & Abedini, A. (2021). Modelling habitat preferences of water hyacinth (Eichhornia crassipes) in some wetlands of Guilan province. Journal of Plant Research (Iranian Journal of Biology), 34(2), 275-286. doi:20.1001.1.23832592.1400.34.2.1.0 [In Persian]
| ||
آمار تعداد مشاهده مقاله: 514 تعداد دریافت فایل اصل مقاله: 156 |