مدلسازی مطلوبیت رویشگاه گونه راش شرقی (fagus orientalis) در جنگلهای هیرکانی

مدل سازی پراکنش مکانی رویشگاه گونه های گیاهی برپایه خصوصیات بوم شناختی برای پیش بینی درک پراکنش مکانی گونه های گیاهی که نقش برجسته ای در ارزیابی حفاظت منطقه ای و توسعه برنامه ریزی دارند، موجب شناخت عوامل بوم شناختی اثرگذار بر آنها خواهد شد. گونه راش (fagus orientalis)یکی از گونه‌های با ارزش در جنگل‌های هیرکانی است و از مهم‌ترین درختان رطوبت پسند این ناحیه محسوب می‌شود. این پژوهش در راستای دستیابی به مناطق دارای پتانسیل بالای حضور این گونه درختی طراحی شد. در این تحقیق از اطلاعات و داده‌های آماربرداری و تیپ‌بندی کتابچه طرح‌های جنگلداری شمال کشور که در آن حضور گونه راش ثبت شده است استفاده گردید. همچنین به منظور مدلسازی این گونه از 5 روش مدل‌سازی متداول در تهیه نقشه مطلوبیت رویشگاه ، یعنی مدل‌های خطی تعمیم‌یافته، مدل جمعی تعمیم‌یافته، استفاده شد. مدل‌های مورد استفاده توسط معیارهای سطح زیر منحنی مورد ارزیابی قرار گرفتند و نتایج نشان که بیشترین مقدار سطح زیر منحنی مربوط به مدل جنگل-تصادفی بوده و این مدل دارای بهترین عملکرد می‌باشد.

modeling habitat suitability of the beech species (fagus orientalis) in hyrcanian forests

modeling the habitat spatial distribution of plant species based on ecological characteristics to predict the understanding of the spatial distribution of plant species that play a prominent role in the evaluation of regional protection and development planning will lead to the recognition of the ecological factors affecting them. beech species (fagus orientalis) is one of the valuable species in hyrcanian forests and is considered one of the most important moisture-friendly trees in this area. this research was designed in order to reach areas with high potential for the presence of this tree species. in this research, the information and data of statistics and typification of the book of forestry plans in the north of the country, where the presence of beech species was recorded, were used. also, in order to model this species, 5 common modeling methods were used in preparing the habitat suitability map, that is, generalized linear models, generalized collective model. the models used were evaluated by the criteria of the area under the curve and the results show that the highest value of the area under the curve is related to the random forest model and this model has the best performance.