مدلسازی رویشگاه درمنه نقره‌ای (artemisia austriaca) در مراتع استان اردبیل

سابقه و هدف: با توجه به لزوم تعیین تناسب رویشگاه در ارائه پیشنهادات اصلاحی در برنامه‌های بیولوژیک، پیش‌بینی رویشگاه مطلوب گونه‌های گیاهی با اهمیت و ارزشمند در دانش بومی و آکادمیک به‌عنوان یکی از موارد مهم در اصلاح و توسعه مراتع مطرح است. امروزه روش‌های مختلف مدلسازی در این ارتباط مورد توجه قرار گرفته است. این امر می‌تواند علاوه بر یافتن عوامل مهم تاثیرگذار در استقرار و پراکنش گونه، گرایش ترجیحی آن را نسبت به عوامل محیطی مشخص نماید. بنابراین، این مطالعه با هدف تهیه نقشه پیش‌بینی رویشگاه گونه درمنه نقره‌ای (artemisia austriaca) از جمله گونه‌های مرتعی و دارویی مهم در سطح مراتع استان اردبیل با روش‌های یادگیری ماشین انجام شد.مواد و روش: در سطح مراتع استان اردبیل 675 سایت نمونه‌برداری از مناطق حضور و عدم‌حضور گونه مورد مطالعه طی سال‌های 1397 تا 1400 مورد توجه قرار گرفت. دو دسته عوامل محیطی شامل متغیرهای زیست اقلیمی و متغیرهای توپوگرافیکی شامل شاخص‌های اولیه و ثانویه توپوگرافیکی در ارتباط با حضور گونه مورد بررسی قرار گرفتند. نقشه‌های تمامی عوامل محیطی در محیط سیستم اطلاعات جغرافیایی با 70 درصد داده‌ها تهیه و همپوشان شدند. پیش‌بینی حضور گونه a. austriaca با چهار روش؛ مدل خطی تعمیم یافته (generalized linear model/ glm)، مدل جمعی تعمیم‌یافته (generalized additive model/gam)، مدل جنگل تصادفی (random forest/rf) و مدل رگرسیون تقویت شده تعمیم‌یافته (generalized boosted model/gbm) در محیط نرم‌افزار r انجام شد. آنالیز اهمیت متغیرهای محیطی برای مدل‌ها در بسته biomode2 انجام شد. برای ارزیابی مدل‌ها از 30 درصد داده‌های گونه و سه آماره سطح زیر منحنی (area under curve/auc)، کاپا (kappa) و آماره مهارت واقعی (true skill statistics/tss) استفاده شد.نتایج: نتایج مدلسازی‌ها نشان داد که متغیر بارش در سردترین فصل (bio19) در هر چهار روش مورد مطالعه، موثرترین متغیر در انتشار گونه a. austriaca بود. در روش glm، متغیرهای دمای فصلی (bio4) و شاخص موقعیت توپوگرافیکی (tpi) نیز به‌عنوان عامل موثر بر حضور گونه درمنه نقره‌ای به‌دست آمد. در مدل rf به‌ترتیب bio19 و بارش فصلی (bio15) و در مدل gbm نیز متغیرهای bio19، بارش مرطوب‌ترین ماه (bio13) و bio15 مهم‌ترین متغیرها در حضور گونه معرفی شدند. همچنین در مدل gam نتایج بیانگر این مطلب است که به‌ترتیب متغیرهای ارتفاع از سطح دریا، bio19، bio15 و دمای فصلی (bio4) بیشترین اهمیت را در پراکنش گونه درمنه نقره‌ای دارند. مقایسه عملکرد مدل‌ها نشان داد که مدل gbm با auc 97/0، شاخص کاپای 8/0 و tss 886/0 بهترین مدل در بین مدل‌های مورد مطالعه است و پس از آن، مدل جنگل تصادفی با شاخص زیر منحنی 96/0، کاپای 79/0 و tss برابر 86/0 مدل دوم مورد تایید در این ارتباط است.نتیجه‌گیری: نتایج این تحقیق نشان داد که مدل‌های مورد مطالعه به‌ویژه مدل gbm و rf قادرند رویشگاه مطلوب درمنه نقره‌ای را در سطح مراتع استان اردبیل با صحت قابل قبولی پیش‌بینی نمایند. براساس نتایج حاصل از مدل‌های مذکور، عوامل اقلیمی تاثیر بیشتری بر حضور a. austriaca در سطح استان اردبیل دارد. استفاده از نتایج این تحقیق و تحقیقات مشابه، اهمیت زیادی در تهیه شناسنامه رویشگاهی هر گونه گیاهی و پیشنهاد گونه‌های بومی مناسب جهت اصلاح مراتع دارد و در نهایت می‌توان با استفاده از عوامل محیطی هر منطقه، احتمال موفقیت یا شکست استقرار گونه‌های گیاهی را پیش‌بینی نمود. چرا که یکی از شرایط اصلی در موفقیت یا عدم موفقیت این گونه عملیات، انطباق آن‌ها با نیازهای گونه پیشنهادی برای هر منطقه است. 

modeling artemisia austriaca habitat in ardabil province rangelands

background and objectives: due to the need to determine the suitability of the habitat in providing emendation suggestions in biological programs, predicting the optimal habitat of important and valuable plant species in local and academic knowledge is considered one of the important matters in the rangeland’s improvement and development. nowadays, different modeling methods have been considered in this field. in addition to finding important influencing factors in the establishment and distribution of the species, this can determine its preferential tendency towards environmental factors. therefore, this study was carried out with the aim of preparing a habitat prediction map of the artemisia austriaca species, which is important from the point of view of both local people and experts of the region and has multi-purpose values, at the level of rangelands of ardabil province with machine learning methods.methodology: in the rangelands of ardabil province, 675 sampling sites from the presence and absence of studied species were considered from 2018 to 2021. two categories of environmental factors including bioclimatic variables and topographic variables, including primary and secondary topographic indicators were investigated in relation to the presence of the species. maps of all environmental factors were prepared with 70% of the data and overlapped in geographic information software. predicting the presence of a. austriaca with four methods; generalized linear model (glm), generalized cumulative model (gam), random forest model (rf), and generalized boosted regression model (gbm) were performed in r software environment. the analysis of the importance of environmental variables for the models was done in the biomode2 package. to evaluate the models, 30% of species data and three statistics of the area under the curve (auc), kappa, and true skill statistic (tss) were used. results: the modeling results showed that the precipitation variable in the coldest season (bio19) was the most effective variable in the spread of a. austriaca species in all four studied methods. in the glm method, the variables of seasonal temperature (bio4) and topographic position index (tpi) were also found to be effective factors in the presence of the a. austriaca species. in the rf model, respectively, bio19 and seasonal precipitation (bio15), and in the gbm model, the variables bio19, precipitation of the wettest month (bio13), and bio15 were introduced as the most important variables in the presence of the species. also, in the gam model, the results showed that the variables of altitude above sea level, bio19, bio15, and bio4 are the most important in the distribution of the species in the a. austriaca. comparing the performance of the models showed that the gbm model with auc 0.97, kappa index 0.8, and tss 0.886 is the best model among the studied models, followed by the random forest model with the index under the curve 0.96, kappa 0.79, and tss equal to 0.86 is the second model approved in this connection.conclusion: the results of this research showed that the studied models, especially the gbm and rf models, are able to predict the optimal habitat of the a. austriaca in the rangelands of ardabil province with acceptable accuracy. based on the results of the mentioned models, climatic factors have a greater effect on the occurrence of a. austriaca in ardabil province. the use of the results of this and similar research is essential in preparing the habitat identification of any plant species and suggesting suitable native species for the improvement of rangelands. finally, using the environmental factors of each region, the probability for the success or failure of the establishment of plant species can be predicted. because one of the main conditions in the success or failure of such operations is their adaptation to the needs of the suggested species in that area.