پیش‌بینی پراکنش گونه artemisia sieberi besser تحت تاثیر تغییر اقلیم در مراتع استپی و نیمهاستپی ایران تورانی

درک تاثیر تغییر اقلیم روی پراکنش گونه های گیاهی برای مدیریت و حفاظت پایدار از مراتع به ویژه در بوم نظام های مناطق خشک و نیمه خشک که به دلیل حساسیت و شکنندگی در برابر تغییرهای اقلیمی، به سادگی در معرض بیابانی شدن قرار می گیرند، ضروری است. به دلیل پیچیدگی سامانه های طبیعی و پدیده تغییر اقلیم، برای درک تاثیر تغییر اقلیم بر آشیان بالقوه گونه ها مدل های پراکنش گونه ای به کار می روند. در بررسی حاضر از پنج خوارزمیک (الگوریتم) مدل سازی از قبیلشبکه عصبی مصنوعی، بوستینگ تعمیم یافته، تحلیل طبقه بندی درختی، رگرسیون تطبیقی چند متغیره و بیشینه بی نظمی برای پیش بینی پراکنش فعلی و آینده گونه artemisia sieberi besser در منطقه ایران مرکزی استفاده شد. پس از ایجاد مدل اجماعی به صورت میانگین احتمال پیش بینی شده پراکنش حاصل از مدل های مجزا، سناریوهای انتشار گازهای گلخانه ای بدبینانه و خوش بینانه مدل های اقلیمی ccsm4 و noresm1me مربوط به سال های 2050 و 2070 برای بررسی روند تغییرات زمانیمکانی پراکنش ارزیابی شد. برای این منظور لایه های عوامل محیطی شامل 6 متغیر زیست اقلیمی و دو متغیر فیزیوگرافی به عنوان ورودی مدل های پراکنش گونه ای به کار رفت. از بین متغیرهای محیطی، ارتفاع، مجموع بارندگی سالانه، شاخص ایزوترمالیتی و شیب بیشترین تاثیر را در تناسب رویشگاه گونه داشتند. ارزیابی مدل سازی نشان داد که مدل بوستینگ تعمیم یافته نسبت به سایر مدل ها و پیش بینی اجماعی نسبت به مدل های مجزا پیش بینی درست تری برای تعیین رویشگاه اقلیمی داشت. بیشترین احتمال حضور گونه در مناطق دشتی و کم شیب با ارتفاع 2000-1000 متر و بارندگی سالانه 200-100 میلیمتر است. بررسی سناریوهای تغییر اقلیم نشان داد که در سال 2070 نسبت به 2050، رویشگاه گونه به مقدار زیادتری کاهش خواهد یافت که گسترش مناطق بیابانی را به دنبال خواهد داشت. نتایج پژوهش حاضر می تواند برای برنامه ریزی های حفظ رویشگاه درمنه دشتی از بیابانی شدن و همچنین احیاء و بازسازی آن در بخش وسیعی از کشور به کار رود.

Predicting the Distribution of Artemisia Sieberi Besser under Climate Change in the Steppe and SemiSteppe of IranTouranian Region

Understanding the effect of climate change on distribution of plant species is essential for sustainable management and conservation of rangelands, especially in arid and semiarid ecosystems which are vulnerable to desertification, because of their sensitivity and frangibility to climate change. Due to the complexity of natural systems and phenomenon of climate change, species distribution models are used to understand the impact of climate change on potential niche of species. In this study, five modeling algorithms including artificial neural network, generalized boosting method, classification tree analysis, multivariate adaptive regression splines and maximum entropy were used to predict current and future distribution of Artemisia sieberi Besser in Central Iran. First, the ensemble model as the average predicted probability of single models’ occurrence was created. Next, pessimistic (RCP 8.5) and optimistic (RCP 2.6) scenarios of CCSM4 and NorESM1ME climate models for the years of 2050 and 2070 were evaluated to assess the trend in spatiotemporal variations of distribution. For this purpose, layers of environmental factors including six bioclimatic and two physiographic variables were used as inputs of species distribution models. Among the environmental variables, altitude, annual precipitation, isothermality, and slope had the most impact on the habitat suitability. Modeling evaluation indicated that the generalized boosting model had better predictions of climatic habitats than other models, and ensemble model than single models. Maximum probability of species presence was determined in plains and low slope areas at altitude of 10002000 m and annual precipitation of 100200 mm. Analysis of the climate change scenarios showed that, the species habitat would be decreased in 2070 more than 2050, leading to the expansion of desert areas. The results can be used for planning to combat desertification in the habitat of Artemisia sieberi, as well as its restoration and rehabilitation in the vast regions of Iran.