مدلسازی پراکنش گونه ارس (juniperus excelsa m.bieb.) با استفاده از مدل‌های رگرسیون تطبیقی چند متغیره اسپیلاین و مدل خطی تعمیم‌یافته در جنوب استان اردبیل و بخش شمالی استان زنجان

سابقه و هدف: داده‌های سنجش از دوری با ماهیت فراگیر و قابل دسترس داده‎های بزرگ و بروز بودن داده‌های مکانی، شناخت تعاملات گیاه و محیط را تسهیل می‌کند. ادغام چنین اطلاعاتی در مدل‌های پراکنش گونه‌ها می‌تواند منجر به تولید نقشه جهانی از پراکنش گونه شده و در حفظ و احیا گونه موثر باشد. هدف از این پژوهش تعیین پیش‌بینی کننده‌های سنجش از دور شامل شاخص‌های اقلیمی، شاخص‌های اولیه و ثانویه توپوگرافی و شاخص‌های سنجش از دوری برای پیش‌بینی پراکنش گونه ارس (j. excelsa) در سطح شهرستان‌های‌ خلخال اردبیل و بخش شمالی استان زنجان است.مواد و روش: منطقه مورد مطالعه شامل‌ شهرستان خلخال در جنوب استان اردبیل و بخش شمالی استان زنجان (شامل سه شهرستان زنجان، طارم و بخش شمال شرقی شهرستان ماهنشان) با مساحت حدود 1036742 هکتار است. در ابتدا با استفاده از نقشه کاربری اراضی و طی چندین مرحله بازدیدهای میدانی اولیه از منطقه مورد مطالعه محل‌های دارای راه دسترسی مناسب برای ثبت نمونه انتخاب شد سپس با پیمایش عرصه‌ای مختصات طول و عرض جغرافیایی نقاط حضور و عدم حضور گونه ارس (j. excelsa) با استفاده از (gps) ثبت شد. جمعاً تعداد 1577 (نقطه حضور و نقطه غیاب) برای گونه ‌به ثبت رسید. در هنگام ثبت نقاط حضور برای اجتناب از اریب ناشی از نمونه‌برداری سعی شد مناطقی به‌عنوان محل حضور در نظر گرفته شوند که علاوه بر غالیبت گونه حداقل یک لکه به مساحت یک کیلومترمربع را تحت پوشش قرار داده باشد، همچنین نمونه‌برداری از یکدیگر حداقل یک کیلومتر فاصله داشتند. به‌منظور کاهش خودهمبستگی و اریب داده‌های حضور از جعبه ابزار sdm و روش چند فاصله در نرم‌افزار arcgis استفاده شد. ایجاد نقاط شبه غیاب نیز به‌صورت تصادفی با استفاده از ابزار random selection در نرم‌افزار arcgis  با فواصل تقریبی 1 کیلومتری انجام شد. بازبینی موقعیت نقاط غیاب ثبت شده به جهت حصول اطمینان از غیاب گونه، با بازدید میدانی انجام شد. با استفاده از نقشه‌های توپوگرافی 1:25000 نقشه مدل نقشه رقومی ارتفاع با استفاده از ابزار spatial analyst در نرم‌افزار arcgis و سپس نقشه شیب و جهت جغرافیایی تهیه شد. جهت تهیه لایه بارش و دما از اطلاعات برگرفته از تصاویر ماهواره‌ای با قدرت تفکیک زمانی بالا (فواصل تصویربرداری کوتاه) استفاده شد. با استفاده از نرم‌افزار envi، چهار شاخص سنجش از دوری (شاخص جهانی پایش محیطی (gemi)، شاخص سطح برگی (lai)، شاخص آب اختلاف نرمال‌شده اصلاحی (mndwi) و شاخص مقاومت اتمسفری قابل مشاهده (vari)) محاسبه و لایه رستری آن تهیه شد. پس از تهیه لایه‌های متغیرهای مورد بررسی مدل‌سازی رگرسیون تطبیقی چند متغیره اسپیلاین و مدل خطی تعمیم‌یافته در نرم‌افزار (sahm) انجام شد.نتایج: سطح زیر منحنی در مدل‌ خطی تعمیم یافته (967/0) و در رگرسیون تطبیقی چندمتغیره اسپیلاین (984/0) بود که برای هر دو مدل در سطح عالی طبقه‌بندی می‌شود. مهمترین متغیرهای موثر در روش مدل خطی تعمیم یافته به‌ترتیب شاخص مقاومت اتمسفری قابل مشاهده، شیب، دما، مدل رقومی ارتفاع، شاخص سطح برگی، شاخص آب اختلاف نرمال شده اصلاحی، بارندگی سالانه و شاخص پایش جهانی محیط‌زیست است. مهمترین متغیرهای موثر در روش رگرسیون تطبیقی به‌ترتیب شاخص مقاومت اتمسفری قابل مشاهده، بارندگی سالانه، مدل رقومی ارتفاع، شیب، شاخص آب اختلاف نرمال شده اصلاحی، دما، شاخص سطح برگی، شاخص پایش جهانی محیط‌زیست و جهت است. زیستگاه مطلوب برای حضور گونه در روش خطی تعمیم یافته 349569 هکتار (7/33 درصد از کل منطقه) و در روش رگرسیون تطبیقی چندمتغیره اسپیلاین 340610 هکتار (8/32 درصد از کل منطقه)  برآورد گردید. حداقل ارتفاع زیستگاه گونه 450 متر و حداکثر ارتفاع آن 2800 متر است. با افزایش درصد شیب احتمال حضور گونه افزایش و سپس روند ثابتی دارد. احتمال حضور گونه در بازه بارندگی 300 تا 800 میلی‌متر و در بازه دمایی 6 تا 18 درجه سانتی‌گراد وجود دارد. براساس شاخص جهانی پایش محیط‌زیست بیشترین حضور گونه در مقدار 18/0 و کمترین در 24/0 است. بیشترین احتمال حضور در شاخص سطح برگی صفر و کمترین در 05/0 تا 15/0 مشاهده شد. شاخص آب اختلاف نرمال شده اصلاحی از 5/0- تا 1/0- روند ثابت و پس از آن احتمال حضور کاهش می‌یابد. احتمال پراکنش گونه با افزایش شاخص مقاومت اتمسفری قابل مشاهده از 18/0- افزایش و در بازه 18/0- تا 3/0 روند تقریباً ثابتی دارد.نتیجه‌گیری: مدل‌های مختلف به‌دلیل برخورداری از الگوریتم‌های متفاوت نتایج متفاوتی به‌دست می‌دهند. بنابراین استفاده از چند روش پیش‌بینی به جای استفاده از یک روش قابل اعتمادتر است. مدل‌های ارائه شده در این مطالعه فقط در محدوده شرایط رویشگاهی منطقه مورد مطالعه صادق است و برای مناطق دیگر باید آنها را در چند منطقه با گونه گیاهی مشابه آزمون کرد تا میزان تبعیت مدل را سنجید. 

modeling the distribution of juniper species (juniperus excelsa m.bieb.) using multivariate adaptive regression splines (mars) and generalized linear model (glm) in southern ardabil and northern zanjan provinces

background and objectives: remote sensing data, with its comprehensive and accessible nature, facilitates the understanding of plant-environment interactions. integrating such information into species distribution models can create global maps of species distributions and aid in their conservation and restoration. this research aims to determine the remote sensing predictors—including climatic, topographic, and remote sensing indices—to predict the distribution of j. excelsa in khalkhal county, ardabil province, and northern zanjan province.methodology: the study area includes khalkhal county in southern ardabil province and the northern parts of zanjan province (zanjan, tarem, and the northeastern part of mahenshan), covering approximately 1,036,742 hectares. suitable locations were selected for sampling based on a land use map and preliminary field surveys. coordinates of j. excelsa presence and absence were recorded using gps, resulting in 1,577 recorded points. areas with at least one square kilometer of dominance and sampling sites at least one kilometer apart were considered. to reduce sampling bias and autocorrelation, sdm toolbox and multi-distance methods in arcgis software were used. pseudo-absence points were created randomly using the random selection tool in arcgis, with approximately 1 km intervals, and verified through field visits. digital elevation model, slope, and aspect maps were prepared using topographic maps at a 1:25000 scale and the spatial analyst tool in arcgis. precipitation and temperature layers were prepared using satellite images with high temporal resolution. remote sensing indices (gemi, lai, mndwi, and vari) were calculated and rasterized using envi software. mars and glm models were performed in sahm software.results: the area under the curve (auc) was 0.967 for glm and 0.984 for mars, indicating excellent model performance. key variables for glm included vari, slope, temperature, digital elevation model, lai, mndwi, annual precipitation, and gemi indices. for mars, important variables were vari, annual precipitation, digital elevation model, slope, mndwi, temperature, lai, gemi, and aspect. suitable habitats for j. excelsa were estimated to be 349,569 hectares (33.7% of the area) by glm and 340,610 hectares (32.8% of the area) by mars. habitat elevation ranged from 450 to 2800 meters, with species presence increasing with slope percentage. species presence was observed within precipitation ranges of 300 to 800 mm and temperatures between 6 to 18°c. gemi index showed highest presence at 0.18 and lowest at 0.24. lai index indicated highest presence at 0 and lowest between 0.05 to 0.15. mndwi index remained constant from -0.5 to -0.1, then decreased. vari index showed increasing presence from -0.18 and remained constant from -0.18 to 0.3.conclusion: due to the different algorithms used, it is more reliable to employ multiple prediction methods rather than a single one. the models presented are valid within the study area’s habitat conditions and should be tested in other similar regions for validation.