پیش‌بینی اثر تغییر اقلیم بر رویشگاه بالقوه استپی بیابانی (stipa hohenackeriana trin & rupr) در زاگرس مرکزی

گونه گیاهی استپی بیابانی (stipa hohenackeriana) از نظر تولید علوفه و حفاظت خاک از اهمیت ویژه‌ای برخوردار است. در این مطالعه، اثر تغییر اقلیم آینده بر پراکنش جغرافیایی این گونه در استان چهارمحال و بختیاری واقع در منطقه زاگرس مرکزی پیش‌بینی شده است. به این منظور، تعداد 122 داده حضور گونه با استفاده از سیستم موقعیت‌یاب جهانی (gps) ثبت شد و همراه با 9 متغیر محیطی شامل متغیرهای زیست اقلیمی، فیزیوگرافی و پوشش/کاربری سرزمین در مدل‌سازی مورد استفاده قرار گرفتند. رویکرد مدل‌سازی اجماعی شامل مدل‌بی‌نظمی بیشینه، شبکه عصبی مصنوعی، روش افزایشی تعمیم‌یافته، مدل خطی تعمیم‌یافته، تحلیل ممیزی انعطاف‌پذیر، جنگل تصادفی و رگرسیون چند متغیره تطبیقی استفاده شد. پیش‌بینی آینده برای سال‌های 2050 و 2070 و بر اساس چهار سناریوی افزایش گازهای گلخانه‌ایrcp2.6 ،rcp4.5 ،rcp6 و rcp8.5 و مدل گردش عمومی mricgcm3 انجام شد. یافته‌ها نشان داد که حدود 22.37 درصد از محدوده مورد مطالعه در شرایط اقلیمی امروزی به عنوان رویشگاه‌های مطلوب گونه استپی بیابانی شناسایی شد. موثرترین متغیرها در مطلوبیت رویشگاه گونه مورد مطالعه، به ترتیب میانگین دمای پربارش‌ترین فصل سال، تغییرات فصلی بارندگی و شاخص هم‌دمایی بودند. پیش‌بینی می‌شود که به واسطه تغییر اقلیم، به ترتیب کمترین و بیشترین سطح رویشگاه نامناسب شده در حدود 18.72 درصد (rcp2.6) در سال 2050 تا 42.87 درصد (rcp8.5) در سال 2070 خواهد بود. مدل جنگل تصادفی به عنوان قابل‌اعتمادترین مدل، در بین هفت مدل مورد بررسی تعیین شد. مناطق تعیین شده به عنوان رویشگاه مناسب در این مطالعه می‌تواند برای معرفی مجدد و استقرار استپی بیابانی مورد توجه قرار گیرند.

Predicting the impact of climate change on potential habitats of Stipa hohenackeriana Trin & Rupr in Central Zagros

Stipa hohenackeriana in terms of forage production and soil protection is especially important. In this study, was predicted the potential effects of climate change on the future geography distribution of this species in Chaharmahal va Bakhtiari province located in Central Zagros region. To do this, 122 species presence point of this species is collected by GPS, along with 9 environmental variables including bioclimatic, physiographic and land cover/land use variables were used. Ensemble methods were used to predict S. hohenackeriana distribution including the Generalized Linear Model (GLM), Artificial Neural Network (ANN), Generalized Boosting Method (GBM), Flexible Discriminant Analysis (FDA), Multivariate Adaptive Regression Splines (MARS), Maximum Entropy (MaxEnt) and Random Forest (RF). The future projections were made for both year 2050 and 2070 with four Representative Concentration Pathways (RCPs) scenario (2.6, 4.5, 6 and 8.5) and general circulation model MRICGCM3. Our findings show that estimated suitable habitats of the species covers about 22.37% of the study area for the S. hohenackeriana. The mean temperature of the wettest quarter, Precipitation Seasonality and Isothermality had the greatest effects on the species rsquo; distribution in the study area. Due to climate change, the least and most decline of suitable habitats of 18.72% (RCP2.6) to 42.87% (RCP8.5) may occur by 2050 and 2070, respectively. Based on the assessments, Random Forest was determined to be the most reliable model among the seven models studied. The region mapped in the study as suitable habitats rsquo; for the species could be effective for the reestablishment and reintroduction of S. hohenackeriana species.