Modeling of  Acacia tortilis (Forssk.) Hayne habitat  suitability using maximum entropy method in Hormozgan province

madahi nejad, cyrus; Esmaeilpour, Yahya; Rezai, Marziyeh

doi:10.30495/girs.2023.688847

Manuscript ID : GIRS-2112-1958 (R2) Visit : 427 Page: 38 - 52

10.30495/girs.2023.688847

Article Type: Original Research

Modeling of Acacia tortilis (Forssk.) Hayne habitat suitability using maximum entropy method in Hormozgan province

Subject Areas : Applications in biodiversity conservation and management

cyrus madahi nejad ¹ , Yahya Esmaeilpour ² , Marziyeh Rezai ³

1 - Ph.D. Candidate of Combatting desertification, Natural Resources Engineering Department, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Hormozgan, Iran
2 - Assistant Professor, Department of Natural Resources Engineering, Faculty of Agriculture and Natural Resources, Hormozgan University, Bandar Abbas
3 - Assistant Professor of Natural Resources Engineering, University of Hormozgan, Bandar Abbas, Iran

Received: 2021-12-27 Accepted : 2022-02-04 Published : 2023-03-21

Keywords: Climatic factors, Acacia tortilis (Forssk. Hayne), Maximum Entropy, Habitat suitability,

Abstract :

Factors affecting the distribution of plant species include climate, soil properties, topography, land use, and total biological relationships. Climate is one of the most important factors in the distribution of plant species. The present study was conducted to predict the geographical distribution of Acacia tortilis (Forssk. Hayne), to find important environmental factors and to investigate the tolerance of the species to environmental factors in Hormozgan province. According to the purpose, vegetation information and habitat factors such as elevation, climate, geology and soil were collected. Vegetation sampling was done randomly-systematically by plotting along 4 transects of 200-1000 m. Map of environmental variables was prepared using GIS. Then, prediction maps related to species distribution were prepared using entropy modeling method. The accuracy of the obtained prediction models was evaluated using AUC statistics. In general, the results showed that the variables of total rainfall in the hottest season, seasonal changes of rainfall (coefficient of variation), total rainfall of the lowest rainfall of the year, average temperature of the driest season, average of the warmest season are the most important climatic characteristics. They affect the distribution of Acacia tortilis (Forssk. Hayne).characteristics. They affect the distribution of Acacia tortilis (Forssk. Hayne).The results of this study can solve the problems facing habitat management. In fact, when a species is threatened by habitat destruction, by recognizing the factors to which the species is highly dependent, conservation plans can be proposed according to the habitat needs of the species.

References:

1. Allen, A. W., Jordan, P. A., & Terrell, J. W. 1987. Habitat suitability index models: moose, Lake Superior region (Vol. 82). US Department of the Interior, Fish and Wildlife Service, Research and Development.‏
2. Anand, V., Oinam, B., & Singh, I. H. 2021. Predicting the current and future potential spatial distribution of endangered Rucervus eldii eldii (Sangai) using MaxEnt model. Environmental Monitoring and Assessment, 193(3), 147.‏
3. Bhandari, M.S., Shankhwar, R., Maikhuri, S., Pandey, S., Meena, R.K., Ginwal, H.S., Kant, R., Rawat, P.S., Martins-Ferreira, M.A.C. and Silveira, L.H.C., 2021. Prediction of ecological and geological niches of Salvadora oleoides in arid zones of India: causes and consequences of global warming. Arabian Journal of Geosciences, 14(6), pp.1-18.
4. Du, Z., He, Y., Wang, H., Wang, C. and Duan, Y., 2021. Potential geographical distribution and habitat shift of the genus Ammopiptanthus in China under current and future climate change based on the MaxEnt model. Journal of Arid Environments, 184, p.104328.
5. Ebrahimi, M. Piri Sahragard, H. madahinejad, c. 2015. Modeling the habitat suitability of plant species using MaxEnt method in Jiroft plain. MS.c Thesis, Zabol University, Faculty of Natural Resources (in Persian).
6. Edgar, P., and Bird, D.R. 2006: Action Plan for the Conservation of the Meadow Viper (Vipera ursinii) in Europe. Convention on the Conservation of European Wildlife and Natural Habitats Standing Committee, 26th meeting, Strasbourg, 27-29.
7. Emtehani, M.H. 2003. Native acacias of Iran. 1sd edn, Yazd University Press, Yazd, Iran, 122 pp (In Persian).
8. Teimoori Asl, S., Naghipour, A. A., Ashrafzadeh, M. R., & Haidarian Aga Khani, M. 2020. Predicting the effects of the climate change on the geographical distribution of Astragalus verus Olivier in the Central Zagros region. Journal of RS and GIS for Natural Resources, 11(2), 68-85 (In Persian).
9. Khalil, T., Asad, S. A., Khubaib, N., Baig, A., Atif, S., Umar, M., ... & Baig, S. (2021). Climate change and potential distribution of potato (Solanum tuberosum) crop cultivation in Pakistan using Maxent. AIMS Agriculture and Food, 6(2), 663-676.‏
10. Kong, F., Tang, L., He, H., Yang, F., Tao, J. and Wang, W., 2021. Assessing the impact of climate change on the distribution of Osmanthus fragrans using Maxent. Environmental Science and Pollution Research, pp.1-9.
11. Kumar, S., and Stohlgren, T. 2009. Maxent modeling for predicting suitable habitat for threatened and endangered tree Canacomyrica monticola in New Caledonia Journal of Ecology and Natural Environment. 1(4): 094-098.
12. Khanum, R., Mumtaz, A.S. and Kumar, S., 2013. Predicting impacts of climate change on medicinal asclepiads of Pakistan using Maxent modeling. Acta Oecologica, 49, pp.23-31.
13. Loth, P.E., Boer, W.F.de, Heitkönig, I.M.A. and Prins, H.H.T., 2005. Germination strategy of the East Africa savanna tree Acacia tortilis. Journal of Tropical Ecology, 21: 509-517
14. Mechergui, K., Altamimi, A. S., Jaouadi, W., Naghmouchi, S., & El Wellani, S. 2021. Modelling current and future potential distributions of Vachellia tortilis (Forssk.) Hayne subsp. raddiana (Savi.) Brenan var. raddiana under climate change in Tunisia. African Journal of Ecology, 59(4), 944-958.‏
15. Mgaywa, W. J. (2018). Influence of environmental variables on the distribution of selected tree species in lake Manyara upper catchment, northern-Tanzania (Doctoral dissertation, Sokoine University of Agriculture).‏
16. Naghiloo, M., Jafari, M., Tahmoures, M., Kohandel, A., & Hamedanian, F. 2010. An Investigation on Relationships between Soil Physiochemical Attributes and Vegetation Cover for DeterminingIndex Species in Savoj-bolagh Region. Journal of Range and Watershed Managment, 63(1), 119-11, (in Persian).
17. Phillips, S. J., Dudík, M., & Schapire, R. E. 2004. A maximum entropy approach to species distribution modeling. In Proceedings of the twenty-first international conference on Machine learning (p. 83).‏
18. Purohit, S. and Rawat, N., 2021. MaxEnt modeling to predict the current and future distribution of Clerodendrum infortunatum L. under climate change scenarios in Dehradun district, India. Modeling Earth Systems and Environment, pp.1-13.
19. Qayyumi, R., Ebrahimi, A., Hosseini Taifeh, F, Keshtkar, M. 2019. Predicting the effects of climate change on the distribution of mangrove forests in Iran using the maximum entropy model, Remote Sensing and GIS in Natural Resources, 10 (2), pp. 34-47. (in Persian)
20. Saha, A., Rahman, S., & Alam, S. 2021. Modeling current and future potential distributions of desert locust Schistocerca gregaria (Forskål) under climate change scenarios using MaxEnt. Journal of Asia-Pacific Biodiversity, 14(3), 399-409.‏
21. Scott, J.M., P.J. Heglund., M.L. Morrison., J.B. Haufler., M.G. Raphael, W.A. Wall and F.B. Samson, 2002. Predicting Species Occurrences: Issues of Accuracy and Scale. Island Press, Washington DC.
22. Sinclair, S. J., White, M. D., & Newell, G. R. 2010. How useful are species distribution models for managing biodiversity under future climates? Ecology and Society, 15(1).‏
23. Teymouri Asl, S., Naghipour Borj, A., Ashrafzadeh, M., Heidarian Agakhani, M. 2020. Predicting the Consequences of Climate Change on the Geographical Distribution of Yellow Astragalus (Astragalus verus Olivier) in the Central Zagros', Remote Sensing and Geographic Information System in Natural Resources, 11 (2), pp. 68-85 (in Persian).
24. Wei, B., Wang, R., Hou, K., Wang, X. and Wu, W., 2018. Predicting the current and future cultivation regions of Carthamus tinctorius L. using MaxEnt model under climate change in China. Global Ecology and Conservation, 16, p.e00477.
25. Zare Chahouki, M.A., Khalasi Ahvazi, L. and Azrnivand, H. 2012. Comparison of three modelin approaches for predictiong species distribution in mountainous scrub vegetation (Semnan rangelands, Iran). Polish Journal of Ecology, 60(2): 105-117.
26. Zarinkamar, F. 1996. Investigation of anatomical and ecological characteristics of 14 species of Astragalus spp. Research Institute of Range and Forest, 98p.
27. Zhang, H., & Zhao, H. 2021. Study on rare and endangered plants under climate: maxent modeling for identifying hot spots in northwest China. Cerne, 27, e-102667.‏
28. Zhao, Y., Deng, X., Xiang, W., Chen, L. and Ouyang, S., 2021. Predicting potential suitable habitats of Chinese fir under current and future climatic scenarios based on Maxent model. Ecological Informatics, 64, p.101393.
29. Zhao, Y., Zhao, M., Zhang, L., Wang, C. and Xu, Y., 2021. Predicting Possible Distribution of Tea (Camellia sinensis L.) under Climate Change Scenarios Using MaxEnt Model in China. Agriculture, 11(11), p.1122.

Full-Text:

مدل‌سازی مطلوبیت رویشگاه گبر (Acacia tortilis (Forssk.) Hayne) با استفاده از روش حداکثر آنتروپی در استان هرمزگان

چکیده

از عوامل مؤثر بر پراکنش گونه‌های گیاهی می‌توان از اقلیم، خصوصیات خاک، توپوگرافی، کاربری اراضی و مجموع ارتباطات زیستی نام برد؛ که اقلیم یکی از مهم‌ترین عوامل مؤثر در پراکنش گونه‌های گیاهی است. پژوهش حاضر به‌منظور پیش‌بینی پراكنش جغرافیایی گونه گبر (Acacia tortilis (Forssk.) Hayne)، يافتن عوامل محيطي مهم و بررسي دامنة تحمل گونهها نسبت به عوامل محیطی در استان هرمزگان انجام شد. با توجه به هدف، اطلاعات پوشش گياهي و عوامل رويشگاهي از قبيل پستی‌وبلندی، اقليم، زمین‌شناسی و خاك جمع‌آوری شد. نمونه‌برداری از پوشش گياهي به روش تصادفي- سيستماتيك از طريق پلاتگذاري در امتداد 4 ترانسكت 1000 -200 متري انجام شد. نقشة متغيرهاي محيطي با استفاده از سيستم اطلاعات جغرافيايي تهيه شد. سپس نقشههاي پيشبيني مربوط به پراكنش گونه با استفاده از روش مدل‌سازی آنتروپي حداكثر تهيه شد. دقّت مدلهای پیش‌بینی حاصل با استفاده از آماره AUC مورد ارزيابي قرار گرفت. به‌طورکلی نتايج نشان داد، متغيرهاي مجموع بارندگی گرم‌ترین فصل سال، تغییرات فصلی بارندگی ( ضریب تغییرات)، مجموع بارندگی کم بارشترین فصل سال، میانگین دمای خشکترین فصل سال، میانگین گرم‌ترین فصل سال، از مهم‌ترین ویژگی‌های اقلیمی تأثیرگذار بر پراکنش گونه گبر (Acacia tortilis (Forssk.) Hayne) هستند. نتایج این تحقیق مي‌تواند راهگشای مشكلات پيش ‌روي مديريت رویشگاه باشد. درواقع هرگاه گونه‌اي در اثر تخريب زيستگاه دچار تهديد شود، با شناخت عواملي كه گونه به آن‌ها وابستگي شديدي دارد، می‌توان طرحهاي حفاظتي با توجه به نیازهای زیستگاهی گونه ارائه كرد

واژه‌های کلیدی: مطلوبیت رویشگاه، گبر، حداکثر آنتروپی، عوامل اقلیمی

مقدمه

برای بررسی و مدیریت جامع و بهینه اکوسیستمهای گیاهی باید شناخت کامل از اجزا آن و درک درستی از روابط آن‌ها با یکدیگر داشت و ارتباط بومشناختی موجود در طبیعت را که شامل عوامل پستی‌وبلندی، خاک، اقلیم، پوشش گیاهی و موجودات زنده است را شناخت. بااین‌حال تعداد زیاد اجزاء اکوسیستمهای گیاهی و وجود متغیرهای زیاد باعث پیچیدگی در برآورد روابط آن‌ها و اتلاف هزینه و زمان می‌شود. بهمنظور مطالعه آسانتر و با درصد خطای قابل‌قبول، در مطالعات اجمالی می‌توان عامل و متغیرها را کاهش داد و روابط بین پوشش گیاهی و این عوامل پی برد و از آن در مدیریت اکوسیستم استفاده کرد(12).

تغييرات روزافزون در گستره اكوسيستمهاي گیاهی باعث شده است كه مدلسازي مكاني پوشش گياهي به دليل نياز مديران منابع طبیعی به تهيه نقشههاي دقيق از پراكنش گونههاي مختلف گياهي، به امري عادي براي مديران اين منابع تبديل شود (15).

گونه Acacia tortilis (Forssk.) Hayne يا گَبر، گونه درختي از تیره Fabaceae بوده و در مناطق گرم و خشك رويش دارد. پراكنش آن در جهان شامل اغلب كشورهاي آفريقايي، شبه‌جزیره عربستان و ايران ميباشد. اين گونه گرماي شديد و دوره خشكي بيش از 8 ماه را به تحمل خوبي ميكند(9)

از فواید این درختچه می‌توان به داشتن چوب محكم و بادوام، بالا بودن ارزش كالري، توليد زغال، جذب زنبورعسل، استفاده در كشت تلفيقي، خوراك دام‌ها به‌ویژه شتر، كنترل ماسهزارهاي روان به‌عنوان بادشكن حفاظتي و مأمني براي حیات‌وحش نام برد.

اين گونه يكي از ارزشمندترين درختان مناطق جنوبي كشور به‌ویژه هرمزگان ميباشد كه از اهميت زیست‌محیطی، اكولوژيك و اقتصادي برخوردار بوده و توان استقرار در عرصههاي گرم، خشك، كم باران و خاك باکیفیت پائين را دارد. تغييرات عوامل اكولوژيك ناشي از فعاليتهاي صنعتي و پروژه‌های عمراني، بهرهبرداري از آب و تخريب بعضي از عرصههاي رويشگاهي حيات اين گونه را به خطر انداخته است. بنابراين با توجه به خطرات ذکرشده حفظ و حراست از اين گونه ارزشمند در اولويت قرار دارد(5).

مدل‌های ﭘﺮاﻛﻨﺶ گونه‌ای (Species Distribution Models ) ﭘﺮﻛﺎرﺑﺮدﺗﺮﻳﻦ روش‌ها به‌منظور پیش‌بینی اﺛﺮ ﺗﻐﻴﻴﺮ اﻗﻠﻴﻢ ﺑﺮ تغییرات ﭘﺮاﻛﻨﺶ گونه‌های ﮔﻴﺎﻫﻲ ﻫﺴﺘﻨﺪ(16).

با استفاده از مدل‌سازی پيشبيني توزيع جغرافيايي می‌توان در يك محدودة مشخص، مناطقي را كه قادر است نيازمنديهاي مربوط به آشيان بومشناختي گونهها را برآورده سازد، مشخص كرد يا بخشي از پراكنش پتانسيل گونهها را برآورد كرد(17).

بدون شك عوامل محيطي در پراكنش گونه‌ها مؤثر هستند. هدف اصلي در این گونه مطالعات نیز تعیین مهمترين متغيرهای اثرگذار در پراكنش گونه مي‌باشد. استفاده از نتايج اين مطالعات مي‌تواند راهگشای مشكلات پيش ‌روي مديريت رویشگاه باشد. درواقع هرگاه گونه‌اي در اثر تخريب زيستگاه دچار تهديد شود، با شناخت عواملي كه گونه به آن‌ها وابستگي شديدي دارد، می‌توان طرحهاي حفاظتي با توجه به نیازهای زیستگاهی گونه ارائه كرد(3).

تحلیل رابطه بین گونه و محیط همواره مسئله مهمی در بوم‌شناسی بوده است. پیشرفت ابزار تحلیل آماری و توسعه نرم‌افزارهای سامانه اطلاعات جغرافیایی (GIS) منجر به توسعه مدل‌های پیش‌بینیکننده مطلوبیت رویشگاه گونه‌ها شده است. این مدل‌ها می‌تواند پراکنش رویشگاه‌های مطلوب گونه در سطح منطقه را پیش‌بینی کنند(7).

گرم شدن آب‌وهوا باعث تغییرات اساسی در الگوهای محیطی زمانی و مکانی شده است. مطالعه نقاط گرم گیاهان نادر و در معرض خطر در شمال غربی چین تحت تغییرات آب‌وهوایی پیش‌بینی شده می‌تواند مرجع علمی برای بازسازی و بازسازی این زیستگاه‌های تخریب‌شده و همچنین بهبود سیستم حفاظتی در شمال غربی چین باشد. بر اساس الگوریتم MaxEnt، 813 منطقه حضور و 11 متغیر عوامل محیطی گیاهان نادر و در معرض خطر در شمال غربی چین مشخص شد. این مطالعه تغییرات نقاط مختلف تنوع زیستی گیاهان کمیاب و در معرض خطر را در شمال غربی چین تحت تغییرات آب‌وهوایی پیش‌بینی شده مشخص کرد. نتایج نشان داد که: (1) دقت پیش‌بینی مدل MaxEnt زیاد است، مساحت زیر منحنی 876/0 AUC بوده و مجموع مساحت مناسب برای توزیع جغرافیایی بالقوه گیاهان کمیاب و در خطر انقراض در شمال غربی چین 137.96 × 104 کیلومترمربع است، عمدتاً شامل سین کیانگ غربی و جنوب غربی، گانسو جنوبی، بخش‌هایی از استان چینگهای شرقی و جنوبی و استان شانشی جنوبی. (2) ارتفاع، دما و بارش عوامل اصلی محیطی هستند که بر نقاط گرم گیاهان کمیاب و در معرض خطر در شمال غربی چین تأثیر می‌گذارند. (3) تحت چهار سناریوی تغییر آب‌وهوا در آینده، با افزایش سناریوهای انتشار از اجباری کم به زیاد، سین کیانگ آشکارترین نقطه از دست دادن نقاط گرم گیاهان نادر و در معرض خطر در شمال غربی چین را دارد و آشکارترین افزایش آن در استان‌های چینگهای و گانسو رخ می‌دهد(19)

عوامل مؤثر بر پراکنش گونه‌های در خطر انقراض Ammopiptanthus mongolicus و Ammopiptanthus nanus، در چین بررسی شد این گونه‌ها عمدتاً در مناطق خشک و نیمه‌خشک شمال غربی چین توزیع می‌شوند. آن‌ها نقش مهمی در اکوسیستم‌ها دارند و داروهای گیاهی ارزشمندی هستند. بااین‌حال، در سال‌های اخیر، تغییرات آب‌وهوایی جهانی و دخالت انسان منجر به کاهش شدید توزیع جغرافیایی جنس گونه Ammopiptanthus شده است. از مدل MaxEnt برای پیش‌بینی محدوده زیستگاه جغرافیایی بالقوه این جنس استفاده شد. نتایج نشان داد سه عامل بارندگی سردترین فصل، دما فصلی و بارندگی مرطوب‌ترین ماه مهم‌ترین عوامل هستند(3).

مدل‌هایی که توزیع جغرافیایی بالقوه گونه‌ها را ارزیابی می‌کنند، می‌توانند با انواع کاربردهای مهم در زیست‌شناسی حفاظتی مورداستفاده قرار گیرند. Osmanthus fragrans دارای ارزش تزئینی، آشپزی و دارویی بالایی است و به‌طور گسترده‌ای در محوطه‌سازی مورداستفاده قرار می‌گیرد. بااین‌حال، زیستگاه ترجیحی آن و عوامل محیطی که پراکندگی آن را تعیین می‌کنند تا حد زیادی ناشناخته مانده است. عوامل محیطی که مناسب بودن آن را شکل می‌دهند نیز نیاز به تجزیه‌وتحلیل دارند. بر اساس 89 وقوع و 30 متغیر محیطی، با مدل Maxent برای زیستگاه‌های مناسب کنونی و آینده برای O. fragrans ساخته است. نتایج نشان می‌دهد که فصلی بارندگی (8/18)، محدوده دمای سالانه (1/13) و میانگین محدوده دمای روزانه (5/12) مهم‌ترین عواملی هستند که برای تفسیر نیازهای محیطی برای این مورداستفاده می‌شوند. گونه‌ها. زیستگاه‌های بسیار مناسب برای O. fragrans عمدتاً در جنوب غربی جیانگ سو، جنوب آنهویی، شانگهای، ژجیانگ، فوجیان، گوانگدونگ شمالی، گوانگشی، هونان جنوبی، جنوبی هوبئی، سیچوان و تایوان توزیع شد(10).

مهم‌ترین عوامل مؤثر بر پراکنش گونه اکاسیا ترتلیس در تونس مورد بررسی قرار گرفت برای این منظور از روش مکسنت استفاده شد نتایج آزمون جک نایف نشان داد که مهم‌ترین عوامل تأثیرگذار به ترتیب عبارت‌اند از میزان بارش در خشکترین فصل، میانگین دمای مرطوب‌ترین فصل، بارش فصلی و بارندگی مرطوب‌ترین ماه بودند(13).

مهمترین عوامل موثر بر پراکنش گونه Camellia sinensis L در چین مورد بررسی قرار گرفت برای این منظور از روش مکسنت استفاده شد. نتایج نشان داد که مهمترین عوامل تاثیر گذار به ترتیب مجموع بارندگی سالانه bio12 ، حداقل دمای سردترین ماه bio6 ، مجموع بارندگی کم بارشترین ماه bio14، مجموع بارندگی گرم‌ترین فصل سال bio18 هستند(24).

پژوهش حاضر به‌منظور پیش‌بینی پراكنش جغرافیایی گونه گبر (Acacia tortilis (Forssk.) Hayne)، مشخص نمودن میزان پتانسیل هر یک از مناطق جهت استقرار، يافتن ترتیب عوامل محيطي مهم و بررسي دامنة تحمل گونهها نسبت به عوامل محیطی در استان هرمزگان انجام شد. تا به حال چنین مطالعه ای در مورد این گونه در این منطقه انجام نشده است.

پیش بینی اثرات تغییرات آب و هوایی بر آسکلپیادهای دارویی پاکستان با استفاده از مدل سازی Maxent مورد بررسی قرار گرفت نتایج نشان داد برای گونه P. spiralis متغیرهای مجموع بارندگی پربارشترین ماه bio13، تغییرات فصلی بارندگی ( ضریب تغییرات)bio15 ، تغییرات فصلی دما (انحراف معیار *)100bio4، میانگین پر بارشترین فصل سال bio8 ، مهمترین عوامل بودند. برای گونه T. hirsute مهمترین عوامل تغییرات فصلی دما (انحراف معیار *)100 bio4، میانگین دمای سالانه bio1 , مجموع بارندگی گرم‌ترین فصل سال , bio18 مجموع بارندگی کم بارشترین ماه bio14 , هستند. برای گونه V. arnottianum مهمترین عوامل مجموع بارندگی سالانه bio12 ، تغییرات فصلی دما (انحراف معیار *100) bio4 ، میانگین گرم‌ترین فصل سال bio10 بودند.

پیش بینی مناطق کشت فعلی و آینده Carthamus tinctorius L. با استفاده از مدل MaxEnt تحت تغییرات آب و هوا در چین مورد بررسی قرار گرفت نتایج نشان داد دمای حداکثر و بارندگی گرم ترین فصل سال مهمترین عوامل در پراکنش این گونه هستند..

ﻣﻮاد و روش‌ها

ﮔﻮﻧﻪ و ﻣﻨﻄﻘﺔ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ

استان هرمزگان در حدفاصل بین مختصات جغرافیایی ۲۵ درجه و ۲۴ دقیقه تا ۲۸ درجه و ۵۷ دقیقه عرض شمالی و ۵۳ درجه و ۴۱ دقیقه تا ۵۹ درجه و ۱۵ دقیقه طول شرقی از نصف‌النهار گرینویچ واقع‌شده است. این استان حدود ۶۸ هزار کیلومتر مساحت دارد. هرمزگان از جهت شمال و شمال شرقی با استان کرمان، غرب و شمال غربی با استان‌های فارس و بوشهر از شرق با سیستان و بلوچستان همسایه بوده و جنوب آن را آب‌های گرم خلیج‌فارس و دریای عمان در نواری به طول تقریبی ۹۰۰ کیلومتر دربرگرفته است.

$C:\Users\Seven\Desktop\ایران.jpg$

$C:\Users\Seven\Desktop\02.jpg$

ﺷﻜﻞ 1. ﻣﻮﻗﻌﻴﺖ اﺳﺘﺎن هرمزگان در ﻛﺸﻮر اﻳﺮان

Location of Hormozgan province in Iran Fig. 1-

مطالعات مدل‌سازی مطلوبیت زیستگاه در مورد گونه‌های گیاهی در یک دهه گذشته گسترش چشمگیری داشته و مراحل و روش‌شناسی این تحقیقات از ادبیات غنی برخوردار است. بر همین اساس گام‌های انجام تحقیق حاضر با استفاده از منابع معتبر طراحی و اجرا شد. ابتدا با بازدید میدانی از منطقه رویشگاه‌های موجود شناسایی شد. سپس مختصات مناطق حضور گونه با جی‌پی‌اس برداشت شد. در این مطالعه داده های دوره زمانی پایه(حال حاضر) شامل میانگین سال های 1990-1960 در نظر گرفته شد. لایه مدل رقومی ارتفاع(DEM) و دما و بارش ماهانه با قدرت تفکیک پذیری 30 ثانیه arc-seconds به صورت ریز مقیاس شده از پایگاه اﻃﻼﻋﺎﺗﻲ www.worldclim.org) Worldclim) اﺧﺬ ﮔﺮدﻳﺪ(22). از ﻧﻘﺸﻪ ﻣﺪل رﻗﻮﻣﻲ ارﺗﻔﺎع در ﻣﺤﻴﻂ ﺳﺎﻣﺎﻧﻪ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﻴﺎﻳﻲ، نقشه‌های درﺻﺪ ﺷﻴﺐ و ﺟﻬﺖ ﺷﻴﺐ ﺗﻮﻟﻴﺪ ﺷﺪ و به‌عنوان ﻣﺘﻐﻴﺮﻫﺎي ﻓﻴﺰﻳﻮﮔﺮاﻓﻲ مورداستفاده ﻗﺮار ﮔﺮﻓﺖ. ﻛﻞ لایه‌های ﻣﺤﻴﻄﻲ از ﻧﻈﺮ ﻣﺤﺪوده، ﺗﻌﺪاد ﭘﻴﻜﺴﻞ و ﺳﻴﺴﺘﻢ ﺗﺼﻮﻳﺮ در نرم‌افزار ArcGIS یکسان‌سازی ﮔﺮدﻳﺪﻧﺪ (17). به‌منظور مدل‌سازی مطلوبیت رویشگاه از روش آنتروپی استفاده شد (24و25). آنتروپی در نظریه اطلاعات یک مفهوم پایه‌ای است. آنتروپی معیاری است که به ما نشان می‌دهد که چه گزینههایی در انتخاب یا بروز یک رویداد نقش دارد؛ بنابراین توزیعی که آنتروپی بیشتر و بالاتری داشته باشد، دربرگیرنده گزینه‌ها و انتخاب‌های بیشتری است(23). این روش، یک روش چندمنظوره برای انجام پیش‌بینی یا استنتاج از داده‌های ناقص است (21). هدف این روش برآورد احتمال توزیع و پراکنش یک گونه از طریق یافت احتمال توزیعی است که دارای حداکثر آشفتگی و بی‌نظمی است برای ساخت مدل آنتروپی حداکثر، کاربر نیاز به نمونه داده‌های مربوط به گونه‌هایی که باید مورد آزمون قرار بگیرند و لایه‌های مربوط به متغیرهای محیطی با فرمت ENVI یا CSV نیاز دارد و باید یک مسیر به‌منظور ذخیره فایل مربوط به مدل و فایلهایی که دارای اطلاعات اضافی مربوط به مدل هستند، به نرم‌افزار معرفی شوند، لایه‌های مربوط به متغیرهای محیطی باید با فرمت ASCII و با فایلی که به نام asc ختم می‌شود یا با فرمت Diva-GIS و با پسوندهای grd و gri آماده شوند، بهطور پیش‌فرض همه لایه‌های موجود در مسیر نرم‌افزار در مدل‌سازی مورداستفاده قرار می‌گیرند، اما این امکان هم برای کاربر وجود دارد که یک یا چند لایه را با توجه به شرایط مورد نظر خود قبل از اجرا کردن انتخاب کند. لایه‌ها می‌توانند به‌صورت پیوسته (دارای مقادیر واقعی یا صحیح) یا طبقه‌ای (مقدار کمی مقادیر گسسته) باشند. در روش آنتروپی حداکثر برای تعیین اهمیت متغیرهای محیطی از روش جکنایف ((Jackknife استفاده می‌شود. روش جکنایف به‌عنوان یک روش ارزیابی، دارای دقت قابل‌قبول است، در این روش مدل یک‌بار با همه متغیرها اجرا می‌شود، در مرحله بعد متغیرهای محیطی بهطور متناوب از تحلیل کنار گذاشته می‌شوند و بدون اینکه بهوسیله متغیر دیگری فرایند جایگزینی صورت گیرد، مدل با استفاده از متغیرهای باقیمانده اجرا می‌شود، در مرحله سوم مدل بار دیگر بهطور جداگانه فقط با استفاده از دو گروه از متغیرها به‌عنوان مهم‌ترین متغیرها انتخاب می‌شوند. متغیری که وقتی به تنهایی به کار گرفته می‌شود، حداکثر سهم را در دست‌یابی به مدل ایفا می‌کند. برای ارزیابی نتایج مدل‌سازی متغیر آماری از تحلیل منحني مشخصه عملکرد (Receiver Operating Characteristic curve) استفاده میشود. مساحت زیر منحنی(Area Under the ROC Curve) با امتیاز 1 به معنی پیش‌بینی کامل و بدون حذف هیچ‌کدام از نقاط حضور است. AUC با مقدار 5/0 تا 7/0 نشان‌دهنده یک پیش‌بینی ضعیف و AUC بین 7/0 تا 9/0 مدل قابل‌قبول و مقدار AUC بیش از 9/0 بیانگر پیش‌بینی خوب مدل است (4).

جدول1. طبقهبندی سطح زیر منحنی AUC

Table 1. Classification of the area under the curve AUC

دامنه	طبقه‌بندی ضرایب
5/0-7/0	ضعیف
7/0-9/0	قابل‌قبول
9/0-1	خوب

جدول2. طبقهبندی لایه‌های زیست‌اقلیمی

Table 2. Classification of bioclimatic layers

نمایه متغیر	توصیف اقلیمی	نمایه متغیر	توصیف اقلیمی
BIO1	میانگین دمای سالانه	BIO11	میانگین دمای سردترین فصل سال
BIO2	میانگین دمای روزانه	BIO12	مجموع بارندگی سالانه
BIO3	شاخص همدمایی 100*(BIO2/bio7)	BIO13	مجموع بارندگی پربارشترین ماه
BIO4	تغییرات فصلی دما (انحراف معیار *100)	BIO14	مجموع بارندگی کم بارشترین ماه
BIO5	حداکثر دمای گرم‌ترین ماه	BIO15	تغییرات فصلی بارندگی ( ضریب تغییرات)
BIO6	حداقل دمای سردترین ماه	BIO16	مجموع بارندگی پربارشترین فصل سال
BIO7	دامنه دمای سالانه (bio5-bio6)	BIO17	مجموع بارندگی کم بارشترین فصل سال
BIO8	میانگین پر بارشترین فصل سال	BIO18	مجموع بارندگی گرم‌ترین فصل سال
BIO9	میانگین دمای خشکترین فصل سال	BIO19	مجموع بارندگی سردترین فصل سال
BIO10	میانگین گرم‌ترین فصل سال

نتایج

مقدار AUC و ROC در شکل 2 آورده شده است و با توجه به شکل 2 که میزان AUC را نشان میدهد. مدل قابل‌قبول است زیرا مقدار AUC بیش از 9/0 است که بیانگر پیش‌بینی خوب مدل است.

ﺷﻜﻞ 2. مقدار AUC و منحنی ROC

AUC value and ROC curve Fig. 2-

میزان اهمیت هریک از متغیرها با استفاده از آزمون جک نایف مشخص شد. آزمون جک نایف نشان داد که مهم‌ترین عوامل به ترتیب عبارت‌اند از: مجموع بارندگی گرم‌ترین فصل سال bio 18، تغییرات فصلی بارندگی ( ضریب تغییرات) 15BIO، مجموع بارندگی کم بارشترین فصل سال bio 17، میانگین دمای خشکترین فصل سال 9 BIO، میانگین گرم‌ترین فصل سال 10 BIO و دیگر عوامل از اهمیت کمتری برخوردار هستند.

$C:\Users\Seven\Desktop\khoroji resale26 aban\plots\acacia_jacknife.png$

شکل 3-نتایج آزمون جک نایف مدل‌سازی توزیع گونه Acacia tortilis

Fig. 3 Jack Knife test results Modeling the distribution of Acacia tortilis species

پتانسیل رویشگاه گبر با توجه به مدل سازی با استفاده از حداکثر انتروپی در شکل 4 آمده است. قسمت های آبی کمترین وقرمز بیشترین پتانسیل را برای استقرار گونه دارا است.

$C:\Users\Seven\Desktop\03.jpg$

شکل 4- نقشه پتانسیل توزیع گونه Acacia tortilis

Fig. 4 Map of distribution potential of Acacia tortilis species

مهمترین منحنی های پاسخ با توجه به آزمون جک نایف در شکل 5 نشان داده شده اند که عبارتند از :

(الف) مجموع بارندگی گرم‌ترین فصل سالBIO18

(ب) مجموع بارندگی کم بارشترین فصل سالBIO17

(ج) تغییرات فصلی بارندگی ( ضریب تغییرات) BIO15

$C:\Users\Seven\Desktop\خروجی 2 رساله 3 شهریور\plots\acacia_bio_17.tif.tif.png$ الف

$C:\Users\Seven\Desktop\خروجی 2 رساله 3 شهریور\plots\acacia_bio_18.tif.tif_only.png$ ب

$C:\Users\Seven\Desktop\khoroji resale26 aban\plots\acacia_bio15_only.png$ ج

شکل 5- متغیرهای مؤثر بر پراکنش گونه Acacia tortilis

Fig. 5- Variables affecting the distribution of Acacia tortilis species

مهم‌ترین متغیر تاثیر گذار بر پراکنش گونه Acacia tortilis طبق آزمون جک نایف bio18 است که عبارت است از مجموع بارندگی گرم‌ترین ماه سال و بعد از آن bio 15 یا همان تغییرات فصلی بارندگی ( ضریب تغییرات) است.

بحث و نتیجهگیری

در این پژوهش مطلوبیت رویشگاه گونه آکاسیا ترتلیس با استفاده از روش مکسنت شبیه‌سازی شد. همچنین آشیان اکولوژیک بالقوه این گونه در استان هرمزگان مشخص گردید. طبق مشاهدات به نظر میرسد قسمت جنوبی و جنوب شرقی بیشترین ارزش رویشگاهی را نسبت به سایر قسمت‌های استان هرمزگان را دارا هستند. عامل اقلیمی ممکن است به‌عنوان مهم‌ترین عامل کنترل‌کننده احیا و گسترش این زیستگاه اثر داشته باشد. مشخص نمودن میزان سهم هر متغیر در مدل به محققان کمک میکند تا متغیرهایی را که دارای تأثیر بیشتری بر احتمال وقوع گونه مدنظر دارند شناسایی کنند و این امر به صرفه‌جویی در زمان و هزینه‌ها کمک میکند و محققان تنها بر متغیرهای مهم تمرکز کنند. بررسی تحلیل‌ها این تحقیق نشان داد مجموع بارندگی گرم‌ترین فصل سال bio 18، تغییرات فصلی بارندگی ( ضریب تغییرات) 15BIO، مجموع بارندگی کم بارشترین فصل سال bio 17، میانگین دمای خشکترین فصل سال 9 BIO، میانگین گرم‌ترین فصل سال 10 BIO بیشترین تأثیر را بر پراکنش اکاسیا چتری دارند. پژوهش‌های متعددی مهم‌ترین عوامل اقلیمی را بارش و دما بیان کرده‌اند ازجمله مچرگویی و همکاران(14) مهم‌ترین عوامل مؤثر بر پراکنش گونه اکاسیا ترتلیس در تونس را میزان بارش در خشکترین فصل، میانگین دمای مرطوب‌ترین فصل، بارش فصلی و بارندگی مرطوب‌ترین ماه اعلام کردند. همچنین مگاوایا به بررسی عوامل مؤثر بر پراکنش گونه‌های جنگلی تانزانیا پرداخت که نتایج نشان داد که عوامل دمای فصلی، دمای متوسط سالانه، دمای فصل خشک، بارندگی سالانه و بارندگی فصل خشک مهم‌ترین عوامل مؤثر بر پراکنش گونه اکاسیا چتری هستند. بهاندری و همکاران به بررسی عوامل مؤثر بر پراکنش اکاسیا چتری در منطقه خشک هند پرداختند بررسی‌ها نشان داد که بارش گرم‌ترین سه ماه سال BIO18، بارش سالانه، بارش مرطوب‌ترین ماه، بارش سردترین سه ماه سال و حداکثر گرم‌ترین ماه بودند که نتایج این تحقیق را تایید مینماید. در این پژوهش با پژوهش خانوم متغییر bio15 از جمله مهمترین متغیر ها در تعیین پراکنش گونه P. spiralis است اما برای گونه های T. hirsute فقط bio18 مشترک بود و برای گونه V. arnottianum عوامل تاثیر گذار متفاوت بوده و شامل bio10, bio12, bio4,bio7 هستند. مطالعات این پژوهش با مطالعات ویو(22) همخوانی دارد و عامل bio 18 از مهمترین عوامل موثر بر پراکنش است. با توجه به این که پارامترهای مربوط به بارندگی از مهمترین عوامل تاثیر گذار بر پراکنش گونه است بنابراین میتوان با استفاده از برنامه های مدیریتی این کمبود آب را جبران کرد و رویشگاه این گونه با ارزش را گسترش داد. مگیویو2018 مهمترین عوامل موثر بر پراکنش گونه اکاسیا چتری را به ترتیب جهت شیب ، ارتفاع، میانگین دمای سالانه ،دمای فصلی، دمای خشکترین فصل سال ،بارش سالانه و بارش خشکترین فصل سال ارزیابی کرد که با این تحقیقات همخوانی دارد. همچنین برای گونه Acacia robusta مهمترین عوامل به ترتیب ارتفاع ،میانگین دمای خشکترین فصل سال، بارش خشک ترین فصل سال و درصد شیب مشخص شد که تقریبا با نتایج این پژوهش همخوانی دارد. برای گونه Albizia. Petersiana مهمترین عوامل به ترتیب ارتفاع ،میانگین دمای خشکترین فصل سال، بارش خشک ترین فصل سال و میانگین دمای سالانه تشخیص داده شد. برای گونه Celtis Africana مهمترین عوامل به ترتیب ارتفاع ،میانگین دمای خشکترین فصل سال، بارش خشک ترین فصل سال و میانگین دمای سالانه تشخیص داده شد. برای گونهEuclea divinorum مهمترین عوامل مهمترین عوامل به ترتیب ارتفاع ، ، شیب و میانگین دمای سالانه تشخیص داده شد. برای گونه Ficus sycomorous مهمترین عوامل به ترتیب میانگین دمای سالانه، شیب، ارتفاع و بارش خشک ترین فصل سال تشخیص داده شد. برای گونه Ficus thoningii مهمترین عوامل به ترتیب ارتفاع، میانگین دمای خشکترین فصل سال میانگین دمای سالانه، میانگین دمای سالانه و دمای فصلی تشخیص داده شد.

در پژوهش های آینده لازم است دیگر شرایط محیطی تاثیر گذار بر پراکنش گونه مانند خاک مورد بررسی قرار گیرند

ارتباط گونه با سایر گونه ها مورد بررسی قرار گیرد

روند پیش بینی برای سال های 2100 و 2050 با توجه به سناریوهای مختلف اقلیمی مورد بررسی قرار گیرد

با توجه به این که بارندگی در فصل کم باران و فصل گرم موثرترین عوامل محدود کننده رویشگاه اکاسیای چتری میباشند لذا برای استقرار آن نیاز به ابیاری نهال های کوچک تا زمان رسیدن به مقاومت در برابر کمبود آب است

تقدیر و تشکر

این مقاله حاصل رساله دکتری با عنوان اوت‌اکولوژی گونه Acacia tortilis (Forssk.) Hayne (گبر) در سال 1400است که با حمایت دانشگاه هرمزگان اجرا شده است.

منابع مورداستفاده

1. Anand, V., Oinam, B. and Singh, I.H., 2021. Predicting the current and future potential spatial distribution of endangered Rucervus eldii eldii (Sangai) using MaxEnt model. Environmental Monitoring and Assessment, 193(3), pp.1-17.

2. Bhandari, M.S., Shankhwar, R., Maikhuri, S., Pandey, S., Meena, R.K., Ginwal, H.S., Kant, R., Rawat, P.S., Martins-Ferreira, M.A.C. and Silveira, L.H.C., 2021. Prediction of ecological and geological niches of Salvadora oleoides in arid zones of India: causes and consequences of global warming. Arabian Journal of Geosciences, 14(6), pp.1-18.

3. Du, Z., He, Y., Wang, H., Wang, C. and Duan, Y., 2021. Potential geographical distribution and habitat shift of the genus Ammopiptanthus in China under current and future climate change based on the MaxEnt model. Journal of Arid Environments, 184, p.104328.

4. Ebrahimi, M. Piri Sahragard, H. madahinejad, c. 1394. Modeling the habitat suitability of plant species using MaxEnt method in Jiroft plain. Government - Ministry of Science, Research, and Technology - Zabol University - Faculty of Natural Resources(in persion)

5. Edgar, P., and Bird, D.R. 2006: Action Plan for the Conservation of the Meadow Viper (Vipera ursinii) in Europe. Convention on the Conservation of European Wildlife and Natural Habitats Standing Committee, 26th meeting, Strasbourg, 27-29.

6. Ellenberg, H., Weber, H.E., and Dull, R. 1992. Zeigerweret Von Pflanzen in Mitteleuropa. Verlag Erich Goltze KG, 262P.

7. Emtehani, M.H., 2003. Native Acacia Species in Iran.Yazd University Pub., Yazd. potential distribution by using ensemble modeling in Central Zagros. Journal of RS and GIS for Natural Resources, 8(3): 1-14. (In Persian)

8. Jacqmain, H., and Belanger, L,. 2005 Habitat suitability index models:moose, lake superior region washingto, Canadian Journal of Forest Research, 38(12): 3120-3132.

9. Khalil, T., Asad, S.A., Khubaib, N., Baig, A., Atif, S., Umar, M., Kropp, J.P., Pradhan, P. and Baig, S., 2021. Climate change and potential distribution of potato (Solanum tuberosum) crop cultivation in Pakistan using Maxent. AIMS Agriculture and Food, 6(2), pp.663-676.

10. Kong, F., Tang, L., He, H., Yang, F., Tao, J. and Wang, W., 2021. Assessing the impact of climate change on the distribution of Osmanthus fragrans using Maxent. Environmental Science and Pollution Research, pp.1-9.

11. Kumar, S., and Stohlgren, T. 2009. Maxent modeling for predicting suitable habitat for threatened and endangered tree Canacomyrica monticola in New Caledonia Journal of Ecology and Natural Environment. 1(4): 094-098.

12. Khanum, R., Mumtaz, A.S. and Kumar, S., 2013. Predicting impacts of climate change on medicinal asclepiads of Pakistan using Maxent modeling. Acta Oecologica, 49, pp.23-31.

13. Loth, P.E., Boer, W.F.de, Heitkönig, I.M.A. and Prins, H.H.T., 2005. Germination strategy of the EastAfrica savanna tree Acacia tortilis. Journal of Tropical Ecology, 21: 509-517

14. Mechergui, K., Altamimi, A.S., Jaouadi, W., Naghmouchi, S. and El Wellani, S.,2021. Modelling current and future potential distributions of Vachellia tortilis (Forssk.) Hayne subsp. raddiana (Savi.) Brenan var. raddiana under climate change in Tunisia. African Journal of Ecology.

15. Mgaywa, W.J., 2018. Influence of environmental variables on the distribution of selected tree species in lake Manyara upper catchment, northern-Tanzania (Doctoral dissertation, Sokoine University of Agriculture).

16. Naqilo, M., Jafari, M., Tahmourth, M., Khandel, A., Hamedanian, F. 2010. Investigation of physicochemical properties of soil and vegetation in order to find representative plants in Savojbolagh region. Journal of Rangeland and Watershed Management, Iranian Journal of Natural Resources. (1) 63: 119-130. (in persion)

17. Phillips, S.J., Dudik, M., and Schapire, R.E., 2004. A maximum entropy approach to species distribution modeling. In: Proceedings of the 21st International Conference on Machine Learning, ACMPress, New York, pp. 655-662.

18. Purohit, S. and Rawat, N., 2021. MaxEnt modeling to predict the current and future distribution of Clerodendrum infortunatum L. under climate change scenarios in Dehradun district, India. Modeling Earth Systems and Environment, pp.1-13.

19. Qayyumi, R., Ebrahimi, A., Hosseini Taifeh, F, Keshtkar, M. (2019). 'Predicting the effects of climate change on the distribution of mangrove forests in Iran using the maximum entropy model', Remote Sensing and GIS in Natural Resources, 10 (2), pp. 34-47.(in persion)

20. Saha, A., Rahman, S. and Alam, S., 2021. Modeling current and future potential distributions of desert locust Schistocerca gregaria (Forskål) under climate change scenarios using Maxent. Journal of Asia-Pacific Biodiversity.

21. Scott, J.M., P.J. Heglund., M.L. Morrison., J.B. Haufler., M.G. Raphael, W.A. Wall and F.B. Samson, 2002. Predicting Species Occurrences: Issues of Accuracy and Scale. Island Press, Washington, DC.

22. Sinclair S, White M, Newell G. 2010. How useful are species distribution models for managing biodiversity under future climates? Ecology and Society, 15(1): 8

23. Teymouri Asl, S., Naghipour Borj, A., Ashrafzadeh, M., Heidarian Agakhani, M. (2020). 'Predicting the Consequences of Climate Change on the Geographical Distribution of Yellow Astragalus (Astragalus verus Olivier) in the Central Zagros', Remote Sensing and Geographic Information System in Natural Resources, 11 (2), pp. 68-85.(in persion)

24. Wei, B., Wang, R., Hou, K., Wang, X. and Wu, W., 2018. Predicting the current and future cultivation regions of Carthamus tinctorius L. using MaxEnt model under climate change in China. Global Ecology and Conservation, 16, p.e00477.

25. Zare Chahouki, M.A., Khalasi Ahvazi, L. and Azrnivand, H. 2012. Comparison of three modelin approaches for predictiong species distribution in mountainous scrub vegetation (Semnan rangelands, Iran). Polish Journal of Ecology, 60(2): 105-117.

26. Zarinkamar F. 1996. Investigation of anatomical and ecological characteristics of 14 species of Astragalus spp. Research Institute of Range and Forest, 98p.

27. Zhang, H. and Zhao, H., 2021. Study on rare and endangered plants under climate: maxent modeling for identifying hot spots in northwest China. CERNE, 27.

28. Zhao, Y., Deng, X., Xiang, W., Chen, L. and Ouyang, S., 2021. Predicting potential suitable habitats of Chinese fir under current and future climatic scenarios based on Maxent model. Ecological Informatics, 64, p.101393.

29. Zhao, Y., Zhao, M., Zhang, L., Wang, C. and Xu, Y., 2021. Predicting Possible Distribution of Tea (Camellia sinensis L.) under Climate Change Scenarios Using MaxEnt Model in China. Agriculture, 11(11), p.1122.

Modeling the suitability of Gabar habitat (Acacia tortilis (Forssk.) Hayne) using maximum entropy method in Hormozgan province

Abstract

Factors affecting the distribution of plant species include climate, soil properties, topography, land use, and total biological relationships. Climate is one of the most important factors in the distribution of plant species. The present study was conducted to predict the geographical distribution of Acacia tortilis (Forssk. Hayne), to find important environmental factors and to investigate the tolerance of the species to environmental factors in Hormozgan province. According to the purpose, vegetation information and habitat factors such as elevation, climate, geology and soil were collected. Vegetation sampling was done randomly-systematically by plotting along 4 transects of 200-1000 m. Map of environmental variables was prepared using GIS. Then, prediction maps related to species distribution were prepared using entropy modeling method. The accuracy of the obtained prediction models was evaluated using AUC statistics. In general, the results showed that the variables of total rainfall in the hottest season, seasonal changes of rainfall (coefficient of variation), total rainfall of the lowest rainfall of the year, average temperature of the driest season, average of the warmest season are the most important climatic characteristics. They affect the distribution of Acacia tortilis (Forssk. Hayne). The results of this study can solve the problems facing habitat management. In fact, whenever a species is threatened by habitat destruction, by recognizing the factors to which the species is highly dependent, conservation plans can be proposed according to the habitat needs of the species.

Keywords: Habitat suitability, Acacia tortilis (Forssk. Hayne), Maximum entropy, Climatic factors

مدل‌سازی مطلوبیت رویشگاه گبر (Acacia tortilis (Forssk.) Hayne) با استفاده از روش حداکثر آنتروپی در استان هرمزگان

چکیده مبسوط

برای بررسی و مدیریت جامع و بهینه اکوسیستمهای گیاهی باید شناخت کامل از اجزا آن و درک درستی از روابط آن‌ها با یکدیگر داشته باشیم و ارتباط بومشناختی موجود در طبیعت را که شامل عوامل پستی‌وبلندی، خاک، اقلیم، پوشش گیاهی و موجودات زنده است را شناخت. بااین‌حال تعداد زیاد اجزاء اکوسیستمهای گیاهی و وجود متغیرهای زیاد باعث پیچیدگی در برآورد روابط آن‌ها و اتلاف هزینه و زمان می‌شود. بهمنظور مطالعه آسانتر و با درصد خطای قابل‌قبول، در مطالعات اجمالی می‌توان عامل و متغیرها را کاهش داد و روابط بین پوشش گیاهی و این عوامل پی برد و از آن در مدیریت اکوسیستم استفاده کرد.

هدف از این پژوهش شناسایی مهمترین عوامل تاثیر گذار بر پراکنش گونه Acacia tortilis (Forssk.) Hayne تا با شناخت این عوامل بتوان برای مدیریت و احیا و گسترش رویشگاه این گونه تصمیمات مناسب اتخاذ گردد.

روش تحقیق:

مطالعات مدل‌سازی مطلوبیت زیستگاه در مورد گونه‌های گیاهی در یک دهه گذشته گسترش چشمگیری داشته و مراحل و روش‌شناسی این تحقیقات از ادبیات غنی برخوردار است. بر همین اساس گام‌های انجام تحقیق حاضر با استفاده از منابع معتبر طراحی و اجرا شد. ابتدا با بازدید میدانی از منطقه رویشگاه‌های موجود شناسایی شد. سپس مختصات مناطق حضور گونه با جی‌پی‌اس برداشت شد. در این مطالعه داده های دوره زمانی پایه(حال حاضر) شامل میانگین سال های 1990-1960 در نظر گرفته شد. لایه مدل رقومی ارتفاع(DEM) و دما و بارش ماهانه با قدرت تفکیک پذیری30 arc-seconds به صورت ریز مقیاس شده از پایگاه اﻃﻼﻋﺎﺗﻲ www.worldclim.org) Worldclim) اﺧﺬ ﮔﺮدﻳﺪ. از ﻧﻘﺸﻪ ﻣﺪل رﻗﻮﻣﻲ ارﺗﻔﺎع در ﻣﺤﻴﻂ ﺳﺎﻣﺎﻧﻪ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﻴﺎﻳﻲ، نقشه‌های درﺻﺪ ﺷﻴﺐ و ﺟﻬﺖ ﺷﻴﺐ ﺗﻮﻟﻴﺪ ﺷﺪ و به‌عنوان ﻣﺘﻐﻴﺮﻫﺎي ﻓﻴﺰﻳﻮﮔﺮاﻓﻲ مورداستفاده ﻗﺮار ﮔﺮﻓﺖ. ﻛﻞ لایه‌های ﻣﺤﻴﻄﻲ از ﻧﻈﺮ ﻣﺤﺪوده، ﺗﻌﺪاد ﭘﻴﻜﺴﻞ و ﺳﻴﺴﺘﻢ ﺗﺼﻮﻳﺮ در نرم‌افزار arcGISیکسان‌سازی ﮔﺮدﻳﺪﻧﺪ. به‌منظور مدل‌سازی مطلوبیت رویشگاه از روش آنتروپی استفاده شد. آنتروپی در نظریه اطلاعات یک مفهوم پایه‌ای است. آنتروپی معیاری است که به ما نشان می‌دهد که چه گزینههایی در انتخاب یا بروز یک رویداد نقش دارد؛ بنابراین توزیعی که آنتروپی بیشتر و بالاتری داشته باشد، دربرگیرنده گزینه‌ها و انتخاب‌های بیشتری است. این روش، یک روش چندمنظوره برای انجام پیش‌بینی یا استنتاج از داده‌های ناقص است. هدف این روش برآورد احتمال توزیع و پراکنش یک گونه از طریق یافت احتمال توزیعی است که دارای حداکثر آشفتگی و بی‌نظمی است برای ساخت مدل آنتروپی حداکثر، کاربر نیاز به نمونه داده‌های مربوط به گونه‌هایی که باید مورد آزمون قرار بگیرند و لایه‌های مربوط به متغیرهای محیطی با فرمت ENVI یا CSV نیاز دارد و باید یک مسیر به‌منظور ذخیره فایل مربوط به مدل و فایلهایی که دارای اطلاعات اضافی مربوط به مدل هستند، به نرم‌افزار معرفی شوند، لایه‌های مربوط به متغیرهای محیطی باید با فرمت ASCII و با فایلی که به نام asc ختم می‌شود یا با فرمت Diva-GIS و با پسوندهای grd و gri آماده شوند، بهطور پیش‌فرض همه لایه‌های موجود در مسیر نرم‌افزار در مدل‌سازی مورداستفاده قرار می‌گیرند، اما این امکان هم برای کاربر وجود دارد که یک یا چند لایه را با توجه به شرایط مورد نظر خود قبل از اجرا کردن انتخاب کند. لایه‌ها می‌توانند به‌صورت پیوسته (دارای مقادیر واقعی یا صحیح) یا طبقه‌ای (مقدار کمی مقادیر گسسته) باشند. در روش آنتروپی حداکثر برای تعیین اهمیت متغیرهای محیطی از روش جکنایف ((Jackknife استفاده می‌شود. روش جکنایف به‌عنوان یک روش ارزیابی، دارای دقت قابل‌قبول است، در این روش مدل یک‌بار با همه متغیرها اجرا می‌شود، در مرحله بعد متغیرهای محیطی بهطور متناوب از تحلیل کنار گذاشته می‌شوند و بدون اینکه بهوسیله متغیر دیگری فرایند جایگزینی صورت گیرد، مدل با استفاده از متغیرهای باقیمانده اجرا می‌شود، در مرحله سوم مدل بار دیگر بهطور جداگانه فقط با استفاده از دو گروه از متغیرها به‌عنوان مهم‌ترین متغیرها انتخاب می‌شوند. متغیری که وقتی کنار گذاشته می‌شود، امکان دست‌یابی به مدل مناسب کاهش می‌یابد و متغیری که وقتی به تنهایی به کار گرفته می‌شود، حداکثر سهم را در دست‌یابی به مدل ایفا می‌کند. برای ارزیابی نتایج مدل‌سازی متغیر آماری از تحلیل منحنی ویژگی عامل دریافت‌کننده منحنی (Receiver Operating Characteristic curve) است. مساحت زیر منحنی(Area Under the ROC Curve) با امتیاز 1 به معنی پیش‌بینی کامل و بدون حذف هیچ‌کدام از نقاط حضور است. AUC با مقدار 5/0 تا 7/0 نشان‌دهنده یک پیش‌بینی ضعیف و AUC بین 7/0 تا 9/0 مدل قابل‌قبول و مقدار AUC بیش از 9/0 بیانگر پیش‌بینی خوب مدل است.

نتایج و بحث: میزان اهمیت هریک از متغیرها با استفاده از آزمون جک نایف مشخص شد. آزمون جک نایف نشان داد که مهم‌ترین عوامل به ترتیب عبارت‌اند از: مجموع بارندگی گرم‌ترین فصل سال bio 18، تغییرات فصلی بارندگی ( ضریب تغییرات) 15BIO، مجموع بارندگی کم بارشترین فصل سال bio 17، میانگین دمای خشکترین فصل سال 9 BIO، میانگین گرم‌ترین فصل سال 10 BIO و دیگر عوامل از اهمیت کمتری برخوردار هستند.

نتیجهگیری:

در پژوهش های آینده لازم است دیگر شرایط محیطی تاثیر گذار بر پراکنش گونه مانند خاک مورد بررسی قرار گیرند

ارتباط گونه با سایر گونه ها مورد بررسی قرار گیرد

روند پیش بینی برای سال های 2100 و 2050 با توجه به سناریوهای مختلف اقلیمی مورد بررسی قرار گیرد

واژگان کلیدی: مطلوبیت رویشگاه، گبر، حداکثر آنتروپی، عوامل اقلیمی

Modeling the suitability of Gabar habitat (Acacia tortilis (Forssk.) Hayne) using maximum entropy method in Hormozgan province

Abstract چکیده مبسوط (حداقل 1000 کلمه)

To fully evaluate and manage plant ecosystems, we must have a thorough understanding of its components and an understanding of their relationship to each other, and the ecological relationship that exists in nature, including post-altitude factors, soil, climate, vegetation and many living organisms. Components of plant ecosystems and the presence of many variables complicate the estimation of their relationships and waste time and money. In order to study more easily and with an acceptable error rate, in overview studies, the factor and variables can be reduced and the relationship between vegetation and these factors can be understood and used in ecosystem management.

Increasing changes in the extent of plant ecosystems have made spatial modeling of vegetation become commonplace for managers of natural resources due to the need for natural resource managers to prepare accurate maps of the distribution of different plant species.

Acacia tortilis (Forssk.) Hayne is a tree species of the genus Fabaceae and grows in hot and dry areas. Its distribution in the world includes most African countries, the Arabian Peninsula and Iran. This type tolerates extreme heat and dry period of more than 8 months well.

The purpose of this study was to identify the most important factors affecting the distribution of Acacia tortilis (Forssk.) Hayne so that by recognizing these factors, appropriate decisions can be made to manage, regenerate and expand the habitat of such species.

Methods:

Habitat suitability modeling studies on plant species have expanded over the past decade and the stages and methodology of this research have a rich literature. Therefore, the steps of the present study were designed and implemented using reliable sources. Existing habitats were first identified through a field visit to the area. Then the coordinates of the species presence areas were collected by GPS. In this study, the data of the base time period (present) including the average of the years 1990-1960 were considered. Digital model elevation (DEM) layer and monthly temperature and precipitation with a resolution of 30 arc-seconds in microscale from www.worldclim.org (Worldclim) database. using dem in gis, to created slope and aspect and used all layers environment, number of piccell and system coordinates in arcGIS software. Habitat modeling using entropy method was used. Entropy is a basic concept in information theory. Entropy is a measure that shows us what options play a role in the selection or occurrence of an event; so A distribution with a higher entropy includes more options. This method is a multi-purpose method for predicting or inferring incomplete data. The purpose of this method is to estimate the probability of distribution of a species through finding the probability of distribution that has maximum turbulence and irregularity. To build the maximum entropy model, the user needs to sample data on the species to be tested and layers on environmental variables Requires ENVI or CSV format and a path to save the model file and files that contain additional model information must be introduced into the software. Layers for the environment variables must be in ASCII format with a file called asc. Finished or prepared in Diva-GIS format with grd and gri extensions.

In the entropy method, to determine the importance of environmental variables, the Jackknife method is used. The Jackknife method, as an evaluation method, has acceptable accuracy. In this method, the model is implemented once with all variables. They are excluded from the analysis and without being replaced by another variable, the model is executed using the remaining variables. In the third stage, the model is again used separately, using only two groups of variables as the most important variables. The variable that, when left out, reduces the possibility of achieving the appropriate model, and the variable, which, when used alone, plays the maximum role in achieving the model, to evaluate the modeling results of the statistical variable Curve (Receiver Operating Characteristic curve) The area under the curve (Area Under the ROC Curve) with a score of 1 means a complete forecast without removing any points of presence. AUC between 0.7 and 0.9 An acceptable heart rate and an AUC value of more than 0.9 indicate good model prediction.

Results and Discussion:

The importance of each variable was determined using Jack Knife test. Jack Knife test showed that the most important factors are: total rainfall of the warmest season of the year bio 18, seasonal changes of rainfall (coefficient of variation) 15BIO, total rainfall of the rainiest season of the year bio 17, average temperature of the driest season of the year 9 BIO , The average of the hottest season of the year 10 BIO and other factors are less important.

Conclusion:

In this study, the habitat suitability of Acacia Tertlis species was simulated using Maxent method. Also, the potential ecological nests of this species in Hormozgan province were identified. According to the observations, it seems that the southern and southeastern parts have the highest habitat value compared to other parts of Hormozgan province. Climatic factor may be the most important factor controlling the regeneration and expansion of this habitat. Determining the share of each variable in the model helps researchers identify the variables that have the greatest impact on the probability of occurrence of the species, and this saves time and money, and researchers focus only on the important variables. . The analysis showed that the total rainfall of the hottest season of the year bio 18, the seasonal variation of rainfall (coefficient of variation) 15BIO, the total rainfall of the driest season of the year bio 17, the average temperature of the driest season 9 BIO, the average warmest season 10 BIO Have on the distribution of Acacia tertlis. Numerous studies have stated that the most important climatic factors are rainfall and temperature.

Other environmental conditions affecting the distribution of species such as soil should be investigated.

The relationship of the species with other species should be investigated.

The forecast trend for the years 2100 and 2050 should be examined according to different climatic scenarios.

Due to the fact that rainfall in the low rainy season and hot season are the most effective factors limiting the habitat of Umbrella acacia, so to establish it, it is necessary to irrigate small seedlings until they reach resistance to water shortage.

Keywords: Habitat suitability, Acacia tortilis (Forssk. Hayne), Maximum entropy, Climatic factors

Links

Related Centers

Technical Support

Official pages

Share To

Article Url

Modeling of Acacia tortilis (Forssk.) Hayne habitat suitability using maximum entropy method in Hormozgan province

Sanad