تهیه ی نقشه متغیرهای زیست اقلیمی استان لرستان با استفاده از تکنیک های زمین آماری و رگرسیونی

متغیرهای زیست اقلیمی، یکی از مهم ترین متغیرهای محیطی می باشند که در تهیه نقشه و مدل سازی پراکنش گونه ها جهت مدیریت و حفاظت پوشش گیاهی و کشت گونه ها مورد استفاده قرار می گیرند. در این تحقیق به منظور تهیه نقشه های زیست اقلیمی، با استفاده از روش های زمین آمار (کریجینگ و کوکریجینگ) و مدل رگرسیون خطی چندگانه داده های بلند مدت اقلیمی 49 ایستگاه هواشناسی از سال 1331 تا 1396 برای استخراج 19 متغیر زیست اقلیمی در استان لرستان مورد بررسی قرار گرفت. برای انتخاب بهترین مدل درون یابی از نسبت همبستگی استفاده شد. همچنین برای ارزیابی و صحت روش درون یابی از ارزیابی متقابل استفاده گردید. جهت انتخاب بهترین روش درون یابی از دو شاخص ریشه میانگین مربعات خطا (rmse) و ریشه دوم میانگین استاندارد شده خطا (rmsse) استفاده شد. براساس نتایج بدلیل خطای کمتر مقادیر ریشه میانگین مربعات خطا و ریشه دوم میانگین استاندارد شده خطا روش کریجینگ برای bio4، bio5، bio7، bio12، bio13، bio15، bio16، bio17، bio18، روش کوکریجینگ برای bio1، bio2، bio3، bio6، bio8، bio9، bio10 و bio11 و روش رگرسیون خطی چندگانه برای bio19 به عنوان بهترین روش درون یابی برای رسم نقشه های زیست اقلیمی بدست آمد. براساس نتایج این پژوهش استفاده از متغیر کمکی ارتفاع، عوامل جغرافیایی و اقلیمی می تواند دقت ارزیابی روش های درون یابی را افزایش دهد و در ایجاد نقشه های دقیق متغیرهای زیست اقلیمی جهت مدل سازی پراکنش گونه ای استفاده شود.

Mapping Bioclimatic Variables Using Geostatistical and Regression Techniques in Lorestan Province

Bioclimatic variables are one of the most important environmental variables that used in mapping and species distribution modeling for the management and conservation of vegetation and species cultivation. In order to provide bioclimatic maps, longterm climate data of 49 weather stations were used during the years 1952 to 2017 to extract 19 bioclimatic variables. Geostatistics methods (Kriging and Cokriging) and Multiple Linear Regression model were used to create 19 bioclimatic variables in Lorestan Province. Correlation ratio was used to select the best interpolation model. Also, Crossvalidation was used to validate the interpolation method. Root Mean Square Error (RMSE) and the Root Mean Square Standardized Error (RMSSE) were used to select the best interpolation method. Based on the results, the best interpolation method for maping Bio4, Bio5, Bio7, Bio12, Bio13, Bio15, Bio16, Bio17 was Kriging method due to lower error values of RMSE and RMSSE for and Bio18 and the best interpolation method for maping of Bio1, Bio2, Bio3, Bio6, Bio8, Bio9, Bio10, and Bio11 was Cokriging method. Multiple Linear Regression model was also the best interpolation method for Bio19. Based on the results of this study, the use of an elevation auxiliary variable and climatic factor can increase the accuracy of the evaluation of interpolation methods to create accurate maps for modeling of species distribution.