پیش‌بینی پراکنش رویشگاه بالقوه گونه artemisia sieberi besser با استفاده از روش های داده‌محور در مراتع پشتکوه استان یزد

پژوهش حاضر با هدف مدل سازی پراکنش رویشگاه بالقوه و شناخت نیازهای بوم شناختی گونه a. sieberi با استفاده از مدل های درخت طبقه بندی و رگرسیون و جمعی تعمیم یافته، در مراتع پشتکوه استان یزد در مرکز ایران انجام شد. برای این منظور، رویشگاه های خالص این گونه مشخص و اطلاعات مربوط به حضور گونه گیاهی با استفاده از روش تصادفی- سیستماتیک جمع آوری شد. لایه های مربوط به متغیرهای محیطی (متغیرهای خاکی و فیزیوگرافیک) با استفاده از زمین آمار و نقشه رقومی ارتفاع با اندازه پیکسل 30×30 متر تهیه شد. مدل سازی پراکنش گونه با استفاده از مدل های درخت طبقه بندی و رگرسیون و جمعی تعمیم یافته در محیط نرم افزار r.3.3.1 انجام شد. عملکرد پیش بینی مدل ها با استفاده از آماره سطح زیر منحنی ; ارزیابی شد. علاوه بر این، حد آستانه بهینه حضور گونه نیز بر اساس آماره واقعی مهارت تعیین شد. صحت طبقه بندی نقشه حضور و عدم حضور با استفاده از شاخص کاپا بررسی شد. بر اساس نتایج، مدل درخت طبقه بندی و رگرسیون در مقایسه با جمعی تعمیم یافته عملکرد پیش بینی بهتری از خود نشان داد (مقدار سطح زیر منحنی به ترتیب 0.97 و 0.89). همچنین بر اساس مقادیر ضریب کاپای حاصل، مقدار ضریب کاپا مربوط به مدل درخت طبقه بندی و رگرسیون بیشتر از مدل جمعی تعمیم یافته بود (به ترتیب 0.9 و 0.88). این مطالعه نشان می دهد که مدل درخت طبقه بندی و رگرسیون در مقایسه با مدل جمعی تعمیم یافته در برآورد دامنه پراکنش رویشگاه گونه a. sieberi از دقّت بالاتری برخوردار است. تحلیل اهمیت متغیرها نیز نشان داد که متغیرهای هدایت الکتریکی و اسیدیته عمق اول خاک، دارای بیشترین تاثیر در پراکنش گونه a. sieberi هستند. به طور کلی می توان نتیجه گرفت که استفاده از روش های داده محور مثل روش درخت طبقه بندی و رگرسیون، می تواند در برآورد دقیق پراکنش رویشگاه بالقوه گونه های گیاهی در مقیاس محلی مفید باشد. بنابراین، کاربرد این روش ها جهت معرفی گونه های مناسب در طرح های احیاء پوشش گیاهی در مراتع مناطق بیابانی ایران پیشنهاد می شود.

prediction of potential habitat distribution of artemisia sieberi besser using data-driven methods in poshtkouh rangelands of yazd province

the present study aimed to model potential habitat distribution of a. sieberi, and its ecological requirements using generalized ;additive ;model (gam) and classification and regression tree (cart) in in the poshtkouh rangelands of yazd province. for this purpose, pure habitats of the species was delineated and the species presence data was recorded by the systematic-randomize sampling method. using dem and geostatistical method, digital layers of environmental variables (soil and physiographic variables) were prepared with the same spatial resolution (pixel size 30×30 meter). plant distribution modeling was conducted using cart and gam models in the r.3.3.1 software environment. the prediction performance of the models was evaluated by the auc (area under the curve) in addition, the tss (true skill statistic) was used to determine the optimal threshold limitof species presence. the classification accuracy of the presence/ absence map was investigated using the kappa index. based on the results, the cart model had a better predictive performance than the gam ;models (auc=0.97 and 0.89, respectively). furthermore, the kappa coefficient of the cart model was higher than gam, based on the obtained kappa coefficient values (0.97 and 0.89, respectively). this study concludes that the cart model were more accurate in estimating the distribution range of a. sieberi in comparison with the gam model. the analysis of the importance of variables showed that the electrical conductivity (ec) and acidity (ph) of the first soil depth had the highest effect on the distribution of a. sieberi. in general, it can be concluded that application of data-driven methods, such as cart model, can be useful for accurate estimation of the potential habitat distribution of plant species on a local scale. therefore, the application of these models to introduce the suitable species in vegetation reclamation plans of iran’s desert rangelands is recommended.