Predicting the effects of the climate change on the geographical distribution of Astragalus verus Olivier in the Central Zagros region

Subject Areas : Agriculture, rangeland, watershed and forestry

Sima Teimoori Asl ¹ , Ali Asghar Naghipour ² , Mohammad Reza Ashrafzadeh ³ , Maryam Haidarian Aga Khani ⁴

1 - MSc. Student of Range Management, Faculty of Natural Resources and Earth Science, Shahrekord University, Shahrekord, Iran
2 - Assistant Professor, Department of Natural Engineering, Faculty of Natural Resources and Earth Sciences, Shahrekord University, Shahrekord, Iran
3 - Assistant Professor, Department of Fisheries and Environmental, Faculty of Natural Resources and Earth Sciences, Shahrekord University, Shahrekord, Iran
4 - PhD. of Rangeland Sciences, Faculty of Natural Resources, Sari Agricultural Sciences and Natural Resources University, Sari, Iran

Received: 2020-03-13 Accepted : 2020-05-06 Published : 2020-06-21

Keywords: Ensemble modeling, Species distribution modeling, Representative concentration pathways (RCPs), Chaharmahal va Bakhtiari province,

Abstract :

Background and ObjectiveClimate, soil characteristics, topography, land use, and biological relationships at various scales are the most important influencing factors on distribution and ecological niches of species. The climate is one of the most important determinants of plant distribution. Therefore throughout the past ecological history, climate change has had profound consequences on the current conditions of the world's ecosystems, including the existing distribution of species. Changes in the distribution of one species in a given geographical area due to the climate change can lead to shifting the presence regions of that species toward higher elevation that leads up to vegetative restriction or even extinction of the species. Shifting, or changing the geographical distribution of species is a strategy to be resistant to the climate change. Therefore, in order to protect the key ecological and valuable plant species, it is necessary to determine suitable habitats via identifying the most important environmental and human factors affecting the species presence in the current and future conditions. Astragalus L. (Fabaceae) is a genus widely distributed throughout the temperate regions. The Astragalus verus Olivier is a small, valuable shrub with many branches. In addition to its protective role from the point of view of the soil, this species has medicinal and industrial values. In recent decades, the geographical range of the A. verus variety has been significantly declined due to factors such as land degradation and over utilization. Despite the national importance of the Astragalus genus, so far little research has been done on the consequences of the climate change on the distribution of species of this genus. The present study was conducted to accomplish the following objectives; 1) To identify suitable habitats and determin the geographical distribution of A. verus in Central Zagros in the current situation; 2) to predict of the consequences of climate change by 2050 and 2070 under different scenarios on geographical distribution of A. verus; 3) to determin the most important factors affecting the distribution of this species. distribution of A. verus; 3) to determin the most important factors affecting the distribution of this species. Materials and Methods This study was carried out in Chaharmahal and Bakhtiari province in an area about 1.65 million hectare thai is totally located in Central Zagros region. Extensive field studies were integrated to collect geographical coordinates of the presence point (112 points) of this species by using Global Positioning System (GPS) throughout Chaharmahal and Bakhtiari province. Bioclimatic (bio1–bio19), Physiographic variables (elevation, aspect, and slope) and land cover/land variables were used for modeling. Before modeling, two methods of Pearson correlation analysis and Variance Inflation Factor (VIF) were used to check out the correlation between the various environmental variables. In order to model, 19 environmental variables including bioclimatic variables, physiography and land cover / land use were applied to model the distribution based on correlation analysis. Variables with Pearson’s correlation coefficient, r2<±0.8, VIF<3) were selected. Finally and after the omission of the layers having high correlation, nine variables were used for modeling. In order to predict the distribution of the suitable habitats of the Astragalus verus Olivier, Biomad2 software package in R environment (3.1.2 version) was used. In this study, ensemble methods including Maximum Entropy (MaxEnt), Artificial Neural Network (ANN), Generalized Boosting Method (GBM), the Generalized Linear Model (GLM), Flexible Discriminant Analysis (FDA), Random Forest (RF) and Multivariate Adaptive Regression Splines (MARS) were used to estimate the suitable habitats. We used 80% of the occurrence points as training data for model calibration and 20% of the rest of the data set to evaluate the predition of the models. Prediction of the geographical distribution of the Astragalus verus Olivier in the future (years 2050 and 2070) was made based on four scenarios of the increase in the greenhouse gases (Representative Concentration Pathways; RCPs) RCP2.6, RCP4.5, RCP6, RCP8.5 in general circulation model MRI-CGCM3. Model performance was assessed by using the area under the receiver operating curve (AUC) and the true skill statistic (TSS). Results and Discussion Our results revealed that the most effective variables in desirability of the study species habitat were the isothermality, mean temperature of the wettest season of the year and seasonal precipitation variables respectively. In keeping with the findings, the Astragalus verus Olivier mostly exists in habitats with Isothermality (bio3) from + 36.8 to + 39.7 °C, Mean Temperature of the Wettest season of the year (bio8) from - 2 to + 3.5 °C, and seasonal precipitation variables (bio15) from 100 to 112 mm and the Annual Precipitation of 280 mm to 490 mm. Based on the results of modeling of current conditions, in comparison to the other regions, northeast and east of the province had the most habitat importance for the Astragalus verus Olivier. Our findings show that about 27.43% of the study area was identified as suitable habitats for the Astragalus verus Olivier. Prediction of the geographical distribution of the Astragalus verus Olivier in the future (years 2050 and 2070) was made based on four scenarios of the increase in the greenhouse gases (Representative Concentration Pathways; RCPs) RCP2.6, RCP4.5, RCP6, RCP8.5 in general circulation model MRI-CGCM3. Based on the future projections were made for the year 2050 and 2070 with four Representative Concentration Pathways (RCPs) scenario (2.6, 4.5, 6 and 8.5) and general circulation model MRI-CGCM3. In keeping with our findings, climate change can have significant consequences for the Astragalus verus Olivier suitable habitats in the study area. Based on various senarios, about 45.70 percent (year 2050, RCP2.6) to 89.88 percent (year 2070, RCP8.5) of the current habitats for the Astragalus verus Olivier will be unsuitable due to the climate change by 2050 and 2070. While in the same period of time, about 1.58 (RCP8.5, 2050) to 13.19 percent (RCP2.6, 2070) may be added to the suitable habitats of this species in areas with higher elevation. According to all scenarios, the suitable habitats of this species will decrease in all habitats, especially in areas with lower elevation. The climate change consequences especially the probability of decling and shifting the geographical range of the plant species in various habitats of Iran especially in the central Zagros and also in Central Iran range are predicted. Assessments showed that the models had acceptable accuracy and Random Forest model was determined as the most reliable model to predict the distribution of this species. Conclusion Generally, this study indicated that ensemble model might predict the potential distribution of the Astragalus verus Olivier with a relatively high accuracy (AUC= 0.92 and TSS= 0.79). The scenarios used in this study predict the probability of the shift of the geographical range of the studied species under climate change scenarios of 2050 and 2070. According to the results, it seems that the suitable habitat extent of the Astragalus verus Olivier in the study area has been decreased and will shit toward the higher elevation. Although land degradation and over utilization may be considered as two important factors in habitat degradation of this species but this study highlights the importance the effects of climate change on the distribution of the Astragalus verus Olivier. As a result of the severe and inappropriate harvest of the Astragalus verus Olivier, the range of its distribution and density has decreased in some areas, which has increased the intensity of phenomena such as soil erosion. This issue requires a double attention of the managers and experts of natural resources to the Astragalus verus Olivier and the other species with similar performance in ecosystems having importance from the view point of economic productivity as well as their ability to conserve the soil.

References:

Abbasian M, Moghim S, Abrishamchi A. 2019. Performance of the general circulation models in simulating temperature and precipitation over Iran. Theoretical and Applied Climatology, 135(3): 1465-1483. doi:https://doi.org/10.1007/s00704-018-2456-y.

Abolmaali MR, Tarkesh M, Bashari H. 2018a. MaxEnt modeling for predicting suitable habitats and identifying the effects of climate change on a threatened species, Daphne mucronata, in central Iran. Ecological Informatics, 43: 116-123. doi:https://doi.org/10.1016/j.ecoinf.2017.10.002.

Abolmaali MR, Tarkesh M, Bashari H. 2017b. Assessing impacts of climate change on endangered Kelossia odoratissima Mozaff species distribution using Generalized Additive Model. Journal of Natural Environment, 70(2): 243-254. (In Persian)

Ahmad R, Khuroo AA, Charles B, Hamid M, Rashid I, Aravind NA. 2019. Global distribution modelling, invasion risk assessment and niche dynamics of Leucanthemum vulgare (Ox-eye Daisy) under climate change. Scientific Reports, 9(1): 1-15. doi:https://doi.org/10.1038/s41598-019-47859-1.

Ali Akbari M, Jafari MR, Saadatfar A. 2011. Determining Potential Site for Astragalus verus with Combination of GIS and Remote Sensing. Journal of RS and GIS for Natural Resources, 1(1): 15-29. (In Persian)

Allouche O, Tsoar A, Kadmon R. 2006. Assessing the accuracy of species distribution models: prevalence, kappa and the true skill statistic (TSS). Journal of Applied Ecology 43: 1223–1232. doi:https://doi.org/10.1111/j.1365-2664.2006.01214.x.

Al-Qaddi N, Vessella F, Stephan J, Al-Eisawi D, Schirone B. 2016. Current and future suitability areas of kermes oak (Quercus coccifera L.) in the Levant under climate change. Regional Environmental Change, 17: 143-156. doi:https://doi.org/10.1007/s10113-016-0987-2.

Amici V, Marcantonio M, La Porta N, Rocchini D. 2017. A multi-temporal approach in MaxEnt modelling: A new frontier for land use/land cover change detection. Ecological Informatics, 40: 40-49. doi:https://doi.org/10.1016/j.ecoinf.2017.04.005.

Amiri M, Tarkesh M, Jafari R. 2019. Predicting the Climatic Ecological Niche of Artemisia aucheri Boiss in Central Iran using Species Distribution Modeling. Iranian Journal of Applied Ecology, 8(2): 61-79. (In Persian)

Ashrafzadeh MR, Naghipour AA, Haidarian M, Khorozyan I. 2019a. Modeling the response of an endangered flagship predator to climate change in Iran. Mammal Research, 64(1): 39-51. doi:10.1007/s13364-018-0384-y.

Ashrafzadeh MR, Naghipour AA, Haidarian M, Kusza S, Pilliod DS. 2019b. Effects of climate change on habitat and connectivity for populations of a vulnerable, endemic salamander in Iran. Global Ecology and Conservation, 19: e00637. doi:https://doi.org/10.1016/j.gecco.2019.e00637.

Attorre F, Abeli T, Bacchetta G, Farcomeni A, Fenu G, De Sanctis M, Gargano D, Peruzzi L, Montagnani C, Rossi G, Conti F, Orsenigo S. 2018a. How to include the impact of climate change in the extinction risk assessment of policy plant species? Journal for Nature Conservation, 44: 43-49. doi:https://doi.org/10.1016/j.jnc.2018.06.004.

Attorre F, Alfò M, De Sanctis M, Francesconi F, Valenti R, Vitale M, Bruno F. 2011b. Evaluating the effects of climate change on tree species abundance and distribution in the Italian peninsula. Applied Vegetation Science, 14(2): 242-255. doi:https://doi.org/10.1111/j.1654-109X.2010.01114.x.

Benito Garzón M, Sánchez de Dios R, Sainz Ollero H. 2008. Effects of climate change on the distribution of Iberian tree species. Applied Vegetation Science, 11(2): 169-178. doi:https://doi.org/10.3170/2008-7-18348.

Borna F, Tamartash R, Tatian M, Gholami V. 2017. Habitat potential modeling of Astragalus gossypinus using ecological niche factor analysis and logistic regression (Case study: summer rangelands of Baladeh, Nour), Journal of RS and GIS for Natural Resources, 7(4): 45-61. (In Persian)

Byeon D-h, Jung S, Lee W-H. 2018. Review of CLIMEX and MaxEnt for studying species distribution in South Korea. Journal of Asia-Pacific Biodiversity, 11(3): 325-333. doi:https://doi.org/10.1016/j.japb.2018.06.002.

Chahouki MAZ, Sahragard HP. 2016. Maxent modelling for distribution of plant species habitats of rangelands (Iran). Polish Journal of Ecology, 64(4): 453-467. doi:https://doi.org/10.3161/15052249PJE2016.64.4.002.

Cheng L, Lek S, Lek-Ang S, Li Z. 2012. Predicting fish assemblages and diversity in shallow lakes in the Yangtze River basin. Limnologica, 42(2): 127-136. doi:https://doi.org/10.1016/j.limno.2011.09.007.

Ghahremaninejad F, Bagheri A, Maassoumi AA. 2012. Two new species of Astragalus L. sect. Incani DC.(Fabaceae) from the Zanjan province (Iran). Adansonia, 34(1): 59-65. doi:https://doi.org/10.5252/a2012n1a6.

Guisan A, Zimmermann NE. 2000. Predictive habitat distribution models in ecology. Ecological Modelling, 135(2): 147-186. doi:https://doi.org/10.1016/S0304-3800(00)00354-9.

Haidarian, M. 2018. Predicting the impact of climate change on spatial distribution of ecologically important plant species In the Central Zagros. Ph.D. thesis of Rangeland Sciences, Sari Agricultural Sciences and Natural Resources University, 250p. (In Persian)

Haidarian Aghakhani M, Tamartash R, Jafarian Z, Tarkesh Esfahani M, Tatian M. 2017a. Forecasts of climate change effects on Amygdalus scoparia potential distribution by using ensemble modeling in Central Zagros. Journal of RS and GIS for Natural Resources, 8(3): 1-14. (In Persian)

Haidarian Aghakhani M, Tamartash R, Jafarian Z, Tarkesh Esfahani M, Tatian M. 2017b. Predicting the impacts of climate change on Persian oak (Quercus brantii) using species distribution modelling in Central Zagros for conservation planning. Journal of Environmental Studies, 43: 497-511. (In Persian)

Hao T, Elith J, Guillera-Arroita G, Lahoz-Monfort JJ. 2019. A review of evidence about use and performance of species distribution modelling ensembles like BIOMOD. Diversity and Distributions, 25(5): 839-852. doi:https://doi.org/10.1111/ddi.12892.

Hodd RL, Bourke D, Skeffington MS. 2014. Projected range contractions of European protected oceanic montane plant communities: focus on climate change impacts is essential for their future conservation. PloS one, 9(4). doi:https://doi.org/10.1371/journal.pone.0095147.

Hutchinson GE. 1957. Cold spring harbor symposium on quantitative biology. Concluding remarks, 22: 415-427.

Kaky E, Gilbert F. 2016. Using species distribution models to assess the importance of Egypt's protected areas for the conservation of medicinal plants. Journal of Arid Environments, 135: 140-146. doi:https://doi.org/10.1016/j.jaridenv.2016.09.001.

Khodagholi M, Saboohi R. 2019. Delineating changes in climatic variables and its impact on the Astragalus verus Olivier habitats in Isfahan Province. Journal of Range and Watershed Management, 72(2): 359-374. (In Persian)

Lin CT. Chiu CA. 2019. The Relic Trochodendron aralioides Siebold & Zucc.(Trochodendraceae) in Taiwan: Ensemble distribution modeling and climate change impacts. Forests, 10(1): 7. https://doi.org/10.3390/f10010007.

McSweeney CF, Jones RG, Lee RW, Rowell DP. 2015. Selecting CMIP5 GCMs for downscaling over multiple regions. Climate Dynamics, 44: 3237-3260. https://doi.org/10.1007/s00382-014-2418-8.

Naghipour AA, Haidarian M, Sangoony H. 2019a. Predicting the impact of climate change on the distribution of Pistacia atlantica in the Central Zagros. Journal of Plant Ecosystem Conservation, 6(13): 197-214. (In Persian)

Naghipour AA, Ostovar Z, Asadi E. 2019b. The Influence of Climate Change on distribution of an Endangered Medicinal Plant (Fritillaria Imperialis L.) in Central Zagros. Journal of Rangeland Science, 9(2): 159-171.

Pachauri RK, Allen MR, Barros V, Broome J, Cramer W, Christ R, Church J, Clarke L, Dahe Q, Dasgupta P. 2014. Climate change 2014: synthesis Report. Contribution of working groups I, II and III to the fifth assessment report of the intergovernmental panel on climate change, IPCC, 153p.

Potta S. 2004. Application of Stochastic Downscaling Techniques to Global Climate Model Data for Regional Climate Prediction, MSc. Faculty of the Louisiana State University and Agricultural and Mechanical College, Sri Venkateswara University, 153p.

Rana SK, Rana HK, Ghimire SK, Shrestha KK, Ranjitkar S. 2017. Predicting the impact of climate change on the distribution of two threatened Himalayan medicinal plants of Liliaceae in Nepal. Journal of Mountain Science, 14: 558-570. https://doi.org/10.1007/s11629-015-3822-1.

Rios J, Waterman P. 1997. A review of the pharmacology and toxicology of Astragalus. PhototherapyResearch, 11: 411-418. https://doi.org/10.1002/(SICI)1099-1573(199709).

Safaei M, Tarkesh M, Bashari H, Bassiri M. 2018. Modeling potential habitat of Astragalus verus Olivier for conservation decisions: A comparison of three correlative models. Flora, 242: 61-69. doi:https://doi.org/10.1016/j.flora.2018.03.001.

Sahragard HP, Chahouki MAZ. 2015. An evaluation of predictive habitat models performance of plant species in Hoze soltan rangelands of Qom province. Ecological Modelling, 309-310: 64-71. doi:https://doi.org/10.1016/j.ecolmodel.2015.04.005.

Saki M, Tarkesh M, Bassiri M, Vahabii M R. 2013. Application of Logistic Regression Tree Model in Determining Habitat Distribution of Astragalus verus. Iranian Journal of Applied Ecology, 2013: 1 (2) :27-38. (In Persian)

Sangoony H, Karimzadeh H, Vahabi M, Tarkesh esfahani M. 2014a. Determining the potential habitat of Astragalus gossypinus Fischer in west region of Isfahan, using ecological niche factor analysis. Journal of RS and GIS for Natural Resources, 5(2: 1-13. (In Persian)

Sangoony H, Vahabi MR, Tarkesh M, Soltani S. 2016b. Range shift of Bromus tomentellus Boiss. as a reaction to climate change in Central Zagros, Iran. Applied Ecology and Environmental Research, 14(4): 85-100. doi:https://dx.doi.org/10.15666/aeer/1404_085100.

Silvertown J. 2004. Plant coexistence and the niche. Trends in Ecology & Evolution, 19(11): 605-611. doi:https://doi.org/10.1016/j.tree.2004.09.003.

Tarkesh M, Jetschke G. 2016. Investigation of current and future potential distribution of Astragalus gossypinus in Central Iran using species distribution modelling. Arabian Journal of Geosciences, 9(1): 80. doi:10.1007/s12517-015-2071-5.

Thuiller W, Georges D, Engler R, Breiner F, Georges MD, Thuiller CW. 2016. Package ‘Biomod2’. https://cran.r-project.org/package=biomod2.

Tilman D, Lehman C. 2001. Human-caused environmental change: impacts on plant diversity and evolution. Proceedings of the National Academy of Sciences, 98(10): 5433-5440.

Vahabi MR, Basiri M, Moghadam MR, Masoumi AA. 2007. Determination of the most effective habitat indices for evaluation of tragacanth sites in Isfahan Province. Iranian Journal of Natural Resources, 59:1013-1029. (In Persian)

Wei B, Wang R, Hou K, Wang X, 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: e00477. doi:https://doi.org/10.1016/j.gecco.2018.e00477.

Woodward FI. 1987. Climate and Plant Distribution. Cambridge University Press, Cambridge. 174p.

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

Zhang X, Li G, Du S. 2018. Simulating the potential distribution of Elaeagnus angustifolia L. based on climatic constraints in China. Ecological Engineering, 113: 27-34. doi:https://doi.org/10.1016/j.ecoleng.2018.01.009.

Full-Text:



 

 

پیش‌بینی پیامدهای تغییر اقلیم بر پراکنش جغرافیایی گون زرد (Astragalus verus Olivier) در زاگرس مرکزی

 

 

چکیده

مدل‌های پراکنش گونه‌ای به طور گسترده برای ارزیابی پیامدهای تغییر اقلیم بر پراکنش گونه‌های گیاهی مهم بوم‌شناختی استفاده شده‌اند. این مطالعه، با هدف پیش‌بینی اثرات تغییر اقلیم بر پراکنش جغرافیایی گون زرد در منطقه زاگرس مرکزی و با استفاده از رویکرد مدل‌سازی اجماعی با تلفیق هفت مدل پراکنش گونه‌ای انجام شد. به این منظور، تعداد 112 داده حضور گونه همراه با 23 متغیر محیطی شامل متغیرهای زیست اقلیمی، فیزیوگرافی و پوشش/کاربری سرزمین مورد توجه قرار گرفتند. بر اساس نتایج، حدود 43/27 درصد از محدوده مورد مطالعه به عنوان رویشگاه‌های مطلوب گون زرد شناسایی شد. موثرترین متغیرها در مطلوبیت رویشگاه گونه مورد مطالعه، به ترتیب شاخص هم‌دمایی، ميانگين دماي پربارش‌ترين فصل سال و تغییرات فصلی بارندگی بودند. پیش‌بینی پراکنش جغرافیایی گون زرد در آینده (سال‌های 2050 و 2070) بر اساس چهار سناریوی افزایش گازهای گلخانه‌ایRCP2.6 ،RCP4.5 ،RCP6  وRCP8.5  در مدل گردش عمومی MRI-CGCM3 انجام شد. بر اساس یافته‌ها، به نظر می‌رسد در حدود 70/45 تا 88/89 درصد از رویشگاه‌های مناسب گون زرد به واسطه تغییر اقلیم تا سال‌های 2050 و 2070 کاهش خواهد یافت. بر اساس نتایج، پیش‌بینی می‌شود که گون زرد به طور متوسط در حدود 76/92 متر به سمت ارتفاعات بالاتر جابجا شود. به منظور انتخاب مطمئن‌ترین مدل برای پیش‌بینی گونه‌ها، دقت نقشه‌ها مورد بررسی قرار گرفت. ارزیابی‌ها نشان داد که همه مدل‌ها از عملکرد قابل قبولی برخوردار بودند و مدل جنگل تصادفی، کارآمدترین مدل برای پیش‌بینی پراکنش گونه تعیین شد. پیش‌بینی تغییرات آتی در رویشگاه مناسب گون زرد امکان تهیه طرح‌های مدیریتی و حفاظتی از این گونه با ارزش را در اختیار کارشناسان قرار می‌دهد.

 

واژه‌های کلیدی: چهارمحال و بختیاری، مدل‌سازی پراکنش گونه‌ای، Biomod2، مدل‌سازی اجماعی.

 

 

 

 

 

 

 

 

 

 

 

 

 

مقدمه

مجموعه شرایطی که گونه بتواند در آن زندگی کند و به صورت موفق، بقا و تولیدمثل داشته باشد، آشیان اکولوژیک گونه نامیده می‌شود (26). آشیان اکولوژیک نقش مهمی در توضیح منشأ گونه، پایداری، پراکنش و توانایی رقابتی آن دارد (42). اقلیم، ویژگی‌های خاک، توپوگرافی، کاربری سرزمین و مجموعه روابط زیستی مهمترین عوامل موثر در پراکنش و آشیان بوم‌شناختی گونه‌ها در مقیاس‌های مختلف هستند (48). در این میان، اقلیم یکی از مهم‌ترین عوامل تعیین کننده پراکنش گیاهان محسوب می‌شود. بنابراین، تغییر اقلیم پیامدهای گسترده‌ای بر شرایط اکوسیستم‌های جهان و از جمله پراکنش گونه‌ها داشته است (16). تغییر در پراکنش یک گونه در یک محدوده جغرافیایی معین به واسطه تغییر اقلیم می‌تواند منجر به جابجایی مناطق حضور آن گونه به ارتفاعات بالاتر شود که این روند ممکن است ایجاد محدودیت رویشی و یا حتی انقراض گونه را در پی داشته باشد. جابجایی یا تغییر پراکنش جغرافیایی گونه‌ها، یک استراتژی برای پایدار ماندن در برابر تغییر اقلیم است (35). علاوه بر این، فعالیت‌های انسانی باعث تکه تکه شدن رویشگاه‌ها و احتمالاً شدت گرفتن پیامدهای منفی تغییر اقلیم می‌شود (45). اثرات روزافزون این عوامل محیطی و فعالیت‌های انسانی بر گیاهان، ضرورت شناسایی مناطق حضور گونه‌های با ارزش را به منظور تدوین و اجرای رویکردهای حفاظتی و احیا افزایش می‌دهد (15، 27 و 40). بنابراین، تعیین رویشگاه‌های مناسب و شناسایی مهمترین عوامل محیطی و انسانی موثر بر حضور گونه‌ها در شرایط فعلی و آینده به منظور حفاظت از گونه‌های مهم بوم‌شناختی و ارزشمند گیاهی ضروری است (12).

 مدل‌های پراکنش گونه‌ای (SDM) مکان‌های بالقوه حضور گونه‌ها را با توجه به شرایط محیطی که گونه در آن حضور دارد پیش‌بینی می‌نمایند (20). همچنین، مدل‌های پراکنش گونه‌ای با پیش‌بینی اثرات تغییر شرایط محیطی از جمله تغییر اقلیم، اهمیت زیادی در توسعه رویکردهای کارآمد مدیریتی و حفاظتی دارند (8). پژوهش‌های متعدد نشان داده‌اند که استفاده از الگوریتم‌های مختلف در فرایند مدل‌سازی ممکن است نتایج و پیش‌بینی‌های متفاوتی را به دست دهند. بنابراین، شناسایی و انتخاب یک الگوریتم مناسب، بسیار دشوار و اما مهم است (38). برای غلبه بر این محدودیت‌ها، یک راه حل علمی، استفاده هم‌زمان از چندین الگوریتم در چهارچوب مدل‌سازی اجماعی است، که از طیف گسترده‌ای از رویکردها برای مقایسه الگوریتم‌های مختلف مدل‌سازی استفاده می‌کند (4).

جنس گون (Astragalus) از تیره نخود (Fabaceae) پراکنش به نسبت گسترده‌ای در مناطق معتدله جهان دارد (36). ایران به عنوان مرکز اصلی گونه‌های مختلف جنس گون به شمار می‌رود. تا کنون بیش از 800 گونه از جنس گون در کشور شناسایی شده است، که در حدود 60 درصد آنها بومی ایران هستند و 11 درصد از فهرست گیاهان کشور را تشکیل می‌دهند (19). گون زرد (Astragalus verus Olivier) درختچه‌ای کوچک و با ارزش است که دارای شاخه‌های بسیار زیاد است. این گونه علاوه بر نقش حفاظتی، دارای ارزش‌های دارویی و صنعتی است (6). این گونه نوعی کتیرا (صمغ) طبیعی تولید می‌کند که در صنایع مختلف مانند داروسازی، آرایشی، زیبایی و رنگ پارچه مورد استفاده قرار می‌گیرد. ایران، با تولید بیش از 50 درصد کتیرای جهان، به عنوان مهم‌ترین کشور تولید کننده کتیرا شناخته می‌شود (46). در دهه‌های اخیر، گستره جغرافیایی گون زرد به واسطه عواملی مانند تخریب سرزمین و برداشت بیش از حد به طور قابل توجهی کاهش یافته است (37).

با وجود اهمیت جنس گون در کشور، تاکنون پژوهش‌های اندکی در زمینه پیامدهای تغییر اقلیم بر پراکنش گونه‌های این جنس به انجام رسیده است. به عنوان نمونه، ترکش و جتشکه (43) اثرات بالقوه تغییر اقلیم را بر پراکنش جغرافیایی گونه A. gossypinus در استان اصفهان بررسی نمودند. یافته‌های آنها نشان داده است که گستره پراکنش جغرافیایی گونه مورد مطالعه علاوه بر کاهش، احتمالاً به سمت شمال شرق استان جابجا خواهد شد. حیدریان (21) پیامدهای تغییر اقلیم (تا سال‌های 2050 و 2070) را بر پراکنش گون‌ گزي (A. adscendens) در زاگرس مرکزی بررسی نمود. این مطالعه برآورد نموده است که علاوه بر کاهش بین 5/72 تا 7/89 درصدی وسعت رويشگاه گون گزی، گستره جغرافیایی این گونه به طور متوسط در حدود 50 تا 90 متر به ارتفاعات بالاتر جابحا خواهد شد. در مطالعه‌ای دیگر، صفایی و همکاران (37) رویشگاه بالقوه گون زرد را با استفاده از سه مدل همبستگی در غرب استان اصفهان تعیین نمودند. ایشان بر اهمیت رویکرد مدل‌سازی به منظور شناسایی مناطق مطلوب جهت احیاء و حفاظت از گونه‌های بومی باارزش و در معرض خطر تاکید نمودند.

 مطالعه حاضر به منظور دست‌یابی به اهداف زیر به انجام رسیده است: 1) شناسایی رویشگاه‌های مناسب و تعیین پراکنش جغرافیایی گون زرد در زاگرس مرکزی در شرایط حال حاضر؛ 2) پیش‌بینی پیامدهای تغییر اقلیم تا سال‌های 2050 و 2070 تحت سناریوهای مختلف بر پراکنش جغرافیایی گون زرد؛ 3) تعیین مهمترین عوامل موثر بر پراکنش این گونه.

 

روش تحقیق

منطقه مورد مطالعه

مطالعه حاضر در استان چهارمحال و بختياري با مساحتي حدود 65/1 ميليون هکتار که تقریباً تمام آن در منطقه زاگرس مرکزي قرار گرفته، انجام شد (شکل 1). این استان از نظر تنوع زیستی و ارزش اکولوژیکی اهمیت بالایی دارد. دامنه ارتفاعی در این استان بین 783 تا 4178 متر از سطح دریا متغیر است و بیش از 85 درصد مساحت آن را کوه‌ها و تپه‌‌ها پوشانده‌اند. ميانگين دماي سالانه از 5 درجه سانتي‌گراد در بخش‌هاي مرکزي تا 16 درجه سانتي‌گراد در بخش‌هاي غربي متغير بوده و ميانگين دماي استان حدود 10 درجه سانتي‌گراد است. بارش متوسط سالانه این استان حدود 560 میلی‌متر است و این بارش‌ها در مناطق مرتفع عمدتاً به صورت برف است (31).

 

شکل1. موقعیت منطقه مطالعاتی (استان چهارمحال و بختیاری) به همراه توزیع نقاط مورد استفاده حضور گون زرد در این مطالعه

Fig 1. Location of the study area (Chaharmahal va Bakhtiari province) and distribution of A. verus presence sites used in this study

 

جمع‌آوری داده‌های حضور گونه

تعداد 112 نقطه حضور گون زرد بر اساس بازدیدهای گسترده میدانی و با استفاده از سیستم موقعیت‌یاب جهانی (GPS) در سراسر استان چهارمحال و بختیاری جمع‌آوری شد. در هنگام ثبت نقاط حضور گونه، سعی شد مناطقی به عنوان محل حضور در نظر گرفته شوند که حداقل یک لکه به مساحت یک کیلومتر مربع را تحت پوشش قرار داده باشد. به منظور کاهش خودهمبستگی مکانی، نقاط حضور تکراری در فاصله کمتر از یک کیلومتر حذف شدند. در نهایت، با توجه به شرایط ذکر شده، 73 نقطه برای مدل‌سازی پراکنش گونه استفاده شد.

 

متغیرهای محیطی

در مطالعه حاضر، مدل‌سازی‌ها در دوره زمانی پایه (حال حاضر) و دو دوره زمانی آینده (سال‌های 2050 و 2070) انجام شد. تعداد 19 متغیر زیست اقلیمی مشتق شده از دما و بارش (Bio1-Bio19) و لایه مدل رقومی ارتفاع (DEM) منطقه مورد مطالعه به صورت ریز مقیاس شده با دقت 30 ثانیه (حدود یک کیلومتر) از پایگاه اطلاعاتی Worldclim (www.worldclim.org) دریافت شد. داده‌های دانلود شده متغیرهای اقلیمی (Bio1-Bio19) برای زمان حال حاضر مربوط به میانگین دوره زمانی 2000-1970 بوده و برای سال 2050 میانه سال‌های 2060-2040 و برای سال 2070 میانه سال‌های 2080-2060 می‌باشد. با استفاده از نقشه مدل رقومی ارتفاع در محیط سامانه اطلاعات جغرافیایی (GIS)، نقشه‌های درصد شیب و جهت شیب تولید شد و به همراه ارتفاع به عنوان متغیرهای فیزیوگرافی مورد استفاده قرار گرفت. همچنین، داده‌های پوشش/کاربری سرزمین از لایه تهیه شده توسط سازمان جنگل‌ها، مراتع و آبخیزداری کشور استخراج شد. تمامی لايه‌هاي محيطي از نظر محدوده، تعداد پيکسل و سيستم تصوير در نرم‌افزار ArcGIS® 10.3 يکسان‌سازي شدند. پیش از اجرای مدل‌سازی، برای بررسی هم‌خطی بین متغیرهای محیطی مختلف از دو روش تجزیه و تحلیل همبستگی پیرسون و شاخص تورم واریانس (VIF) استفاده شد. متغیرهایی با ضریب همبستگی پیرسون (8/0R2 <) و VIF<3 انتخاب شدند. در نهایت و پس از حذف لایه‌های دارای همبستگی بالا، تعداد نه متغیر در مدل‌سازی استفاده شدند (جدول 2).

 

مدل‌سازی

به منظور پیش‌بینی پراکنش رویشگاه‌های مطلوب گون زرد از بسته نرم‌افزاری Biomod2 (44) در محیط R (نسخه 3.1.2) استفاده شد. در مطالعه حاضر از مدل‌های آنتروپی بیشینه (Maxent)، شبکه عصبی مصنوعی (ANN)، روش افزایشی تعمیم‌یافته (GBM)، مدل خطی تعمیم‌یافته (GLM)، تحلیل ممیزی انعطاف‌پذیر (FDA)، جنگل تصادفی (RF) و رگرسیون چند متغیره تطبیقی (MARS) برای برآورد رویشگاه‌های مطلوب استفاده شد. رویکرد پیش‌بینی اجماعی می‌تواند الگوی قوی‌تری ایجاد کند و بر عدم قطعیت‌‌های ناشی از تفسیر نتایج از مدل‌های فردی غلبه کند (24). به علت این که تمامی مدل‌های مورد استفاده به داده‌های زمینه‌ای (مانند نقاط عدم حضور کاذب) نیاز دارند، به صورت تصادفی تعداد نقطه زمینه‌ای برابر با نقاط حضور گونه در گستره مورد مطالعه و در خارج از سلول‌های حضور ایجاد شد. برای بالا بردن دقت و کارایی مدل، هر کدام از مدل‌ها با 10 بار تکرار انجام شد. برای واسنجی مدل‌ها، 80 درصد نقاط حضور به عنوان داده‌های تعلیمی و 20 درصد باقیمانده برای ارزیابی پیش‌بینی مدل‌ها استفاده شدند. عملکرد مدل‌ها با استفاده از ناحیه زیر منحنی (AUC) و آماره TSS ارزیابی شدند (5). سطح مشارکت (اهمیت) متغیرهای مختلف در مدل‌های توزیع گونه برآورد شد. در نهایت، مدل تلفیقی با استفاده از متوسط وزن مدل‌های انفرادی برای تمامی ارزش‌های ارزیابی شده اجرا شد (44). به منظور برآورد اثر تغییر اقلیم بر توزیع جغرافیایی گونه مورد مطالعه، ابتدا از یک سطح بحرانی (بر اساس معیار ROC) (44) برای طبقه‌‌‌بندی نقشه مطلوبیت رویشگاه به دو طبقه مطلوب و نامطلوب استفاده شد. سپس، وسعت رویشگاه‌های جدید و رویشگاه‌های نامناسب شده به دلیل تغییر اقلیم در سال‌های 2050 و 2070 در سناریوهای مختلف برآورد شدند. تمامی نقشه‌ها با استفاده از نرم افزار ArcGIS® 10.3 تهیه شدند.

مدل‌های گردش عمومی ابزارهایی قابل اعتماد و قدرتمند برای افزایش درک عوامل مؤثر بر اقلیم و بهبود توانایی پیش‌بینی الگوهای اقلیمی آینده هستند (33). در این مطالعه، از مدل MRI-CGCM3 (موسسه تحقیقات هواشناسی، ژاپن) استفاده شد. این مدل به عنوان یکی از بهترین مدل‌ها برای پیش‌بینی تغییرات اقلیمی منطقه‌ای در ایران پیشنهاد شده است و دقت بیشتری نسبت به سایر مدل‌های گردش عمومی به منظور شبیه سازی داده‌های اقلیمی در سراسر کشور دارد (1). RCPs (Representative Concentration Pathways) سناریوهای تغییر اقلیم هستند که به منظور استفاده در ورودی مدل گردش عمومی جو تدوین شده‌اند و نشان دهنده روند غلظت‌های مختلف گازهای گلخانه‌ای شامل دی‌اکسیدکربن، بخار آب، اکسیدهای ازت، متان و ازن هستند که این روندها در گزارش ارزیابی پنجم در سال 2014 پذیرفته شده‌اند (33). در این مطالعه از چهار سناریو RCP2.6، RCP4.5، RCP6 و RCP8.5 استفاده شد. مدل اجماعی به منظور پیش بینی توزیع آینده گون زرد در سال‌های 2050 و 2070 یر اساس چهار سناریوی افزایش گازهای گلخانه‌ای ذکر شده و مدل گردش عمومی MRI-CGCM3 تهیه شد.

 

نتایج

مدل‌ها بر اساس معیار TSS (71/0<) در رتبه‌های خوب تا عالی قرار گرفتند. همچنین، بر اساس شاخص AUC (87/0<)، همه مدل‌ها با درجه خوب تا عالی ارزیابی شدند (جدول 1). مدل‌های جنگل تصادفی، افزایشی تعمیم‌یافته و شبکه عصبی مصنوعی به ترتیب بالاترین ارزش‌های AUC و  TSSرا به خود اختصاص دادند. بر اساس نتایج حاصل از مدل‌سازی اجماعی، در حدود 43/27 درصد (37/4535 کیلومتر مربع) از مساحت استان چهارمحال و بختیاری می‌تواند به عنوان رویشگاه مطلوب گون زرد در نظر گرفته شود. شکل 2 رویشگاه‌های مطلوب امروزی گون زرد را بر اساس رویکرد اجماعی مدل‌های مختلف در استان چهارمحال و بختیاری نشان می‌دهد.

 

جدول 1. برآورد سطح زیر منحنی (AUC) و TSS در مدل‌های مختلف اجرا شده

Table 1. Estimation of the area under curve (AUC) and the true skill statistic (TSS) in different performed models

شاخص‌ها Model parameters	RF	GLM	MaxEnt	ANN	GBM	FDA	MARS	میانگین Avrage
AUC	0.99	0.88	0.87	0.95	0.98	0.87	0.90	0.92
TSS	0.98	0.67	0.74	0.83	0.97	0.60	0.71	0.79

 

سهم نسبی (اهمیت) هر یک از متغیرهای وارد شده به مدل در پیش‌بینی مناطق مطلوب برای حضور گونه گون زرد در جدول 2 آورده شده است. نتایج نشان داد که به ترتیب، شاخص هم‌دمایی، ميانگين دماي پربارش‌ترين فصل سال، تغییرات فصلی بارندگی، مجموع بارندگی سالانه، مجموع بارندگی کم‌بارش‌ترین فصل سال و تغییرات فصلی دما بیشترین سهم را در تعیین مطلوبیت رویشگاه گونه گون زرد داشتند (جدول 2). شاخص هم‌دمایی، ميانگين دماي پربارش‌ترين فصل سال و تغییرات فصلی بارندگی، با همدیگر در حدود 47 درصد تغییرات پراکنش گونه را توجیه ‌نمودند و بیشترین سهم را در تعیین مطلوبیت رویشگاه گونه داشتند.

بر اساس یافته‌ها، بیشترین احتمال حضور گون زرد در هم‌دمایی 8/36 تا 7/39 درجه سانتی‌گراد، ميانگين دماي 2- تا 5/3 درجه سانتی‌گراد در پربارش‌ترين فصل سال، تغییرات فصلی بارندگی 100 تا 112 میلی‌متر، و مجموع بارندگی سالیانه 280 تا 490 میلی‌متر برآورد شد (شکل 3). کمینه و بیشینه ارتفاع حضور گونه مورد مطالعه به ترتیب 1654 و3052 متر از سطح دریا است.

 

 

 

جدول 2. متغیرهای مورد استفاده در مدل‌سازی رویشگاه‌های مطلوب گون زرد و اهمیت نسبی آنها

Table 2. The variables used to modelling of the suitable habitat of A. verus and relative importance of them

متغیرهای محیطی Variables	عنوان به انگلیسی Abbreviation and description	اهمیت نسبی Relative importance
شاخص هم‌دمایی	Bio3-Isothermality (BIO2/BIO7) (* 100)	17.86
ميانگين دماي پربارش‌ترين فصل سال	Bio8- Mean Temperature of the Wettest Quarter	15.06
تغییرات فصلی بارندگی	Bio15- Precipitation Seasonality (Coefficient of Variation)	14.11
مجموع بارندگی سالانه	Bio12- Annual Precipitation	12.64
مجموع بارندگی کم‌بارش‌ترین فصل سال	Bio17- Precipitation of the Driest Quarter	12.25
تغییرات فصلی دما	Bio4- Temperature Seasonality (standard deviation *100)	12.23
جهت جغرافیایی	Aspect	7.51
شیب	Slope	4.66
پوشش /کاربری سرزمین	Land cover/Land use	3.68

 

 

شکل 2. نقشه رویشگاه مطلوب امروزی گونه گون زرد در استان چهارمحال و بختیاری با استفاده از رویکرد اجماعی

Figure 2. current suitable habitat of A. verus in Chaharmahal and Bakhtiari province using an ensemble approach

 

 

شکل 3. احتمال حضور گونه گون زرد در امتداد متغیرهای موثر بر اساس مدل RF در استان چهارمحال و بختیاری

Fig 3. Figure 3. probability of as.verus presence along effective variables based on RF model in Chaharmahal and Bakhtiari province

بر اساس یافته‌ها، تغییر اقلیم می‌تواند پیامدهای قابل توجهی بر رویشگاه‌های مطلوب گون زرد در استان وارد سازد. بر اساس سناریوهای مختلف، بین 70/45 درصد (RCP2.6، سال 2050) تا 88/89 درصد (RCP8.5، سال 2070) از رویشگاه‌های امروزی گون زرد تا سال‌های 2050 و 2070 به واسطه تغییر اقلیم نامطلوب خواهد شد (جدول 3). بر اساس تمامی سناریوها، رویشگاه‌های مطلوب این گونه در اغلب گستره حضورش به ویژه در مناطق با ارتفاع کمتر کاهش خواهد یافت. در حالی که در همین دوره زمانی در حدود 58/1 (RCP8.5، سال 2070) تا 19/13 درصد (RCP2.6، سال 2070) به رویشگاه‌های مطلوب این گونه در مناطق با ارتفاع بیشتر اضافه خواهد شد. بر اساس مدل‌های گردش عمومی و سناریوهای مختلف، مدل اجماعی پیش بینی می‌کند که گستره‌های جدید به ویژه در ارتفاع‌های بالا به رویشگاه‌های مطلوب اضافه خواهد شد (شکل‌های 4 و 5، جدول 3). به طور خلاصه، نرخ خالص از دست رفتن رویشگاه مطلوب گون زرد در آینده بین 62/34 درصد (RCP2.6، سال 2070) تا 30/88 درصد (RCP8.5، سال 2070) برآورد شد. بر اساس یافته‌ها، سناریو RCP8.5 نسبت به سه سناریوی دیگر اثرات شدیدتری بر گستره رویشگاه‌های مطلوب گون زرد در منطقه مورد مطالعه خواهد داشت.

تمامی سناریوهای تغییر اقلیمی، جابجایی رویشگاه‌های مطلوب گون زرد را به سمت ارتفاعات بالاتر به طور میانگین در حدود 76/92 متر پیش‌بینی نمودند. بر این اساس، میانگین ارتفاع رویشگاه‌های مطلوب امروزی گونه 76/2346 متر بود که پیش‌بینی می‌شود به 52/2439 متر در آینده جابجا شود.

 

 

 

جدول 3. تغییر در وسعت رویشگاه‌های مطلوب (کیلومتر مربع) گون زرد تا سال‌های 2050 و 2070 تحت سناريو‌هاي اقليمي مختلف و مدل گردش عمومی MRI- CGCM3 

Table 3. Changes in the area of suitable habitat of A. verus (km2) by 2050 and 2070 under different climate change scenarios, within the general circulation models MRI- CGCM3

سناريو Scenario	حضور پايدار Stable presence (km2)	غياب پايدار Stable absence (km2)	رویشگاه از دست رفته Habitat loss			رویشگاه جدید Habitat gain		تغييرات در رویشگاه  (درصد) Habitat change (%)
			مساحت (km2)	درصد (%)		مساحت (km2)	درصد (%)
سال 2050
سناريو RCP2.6	2462.91	11563.68	2072.45	45.70		432.95	9.55	-36.15
سناريو RCP4.5	1323.03	11875.80	3212.34	70.83		120.88	2.67	-68.16
سناريو RCP6	1579.43	11428.20	2955.94	65.18		568.48	12.53	-52.64
سناريو  RCP8.5	939.16	11916.10	3596.21	79.29		80.58	1.78	-77.52
سال 2070
سناريو RCP2.6	2366.96	10414.64	2168.40	47.81		1582.00	13.19	-34.62
سناريو RCP4.5	616.72	11218.41	3918.65	86.40		778.22	6.49	-79.92
سناريو RCP6	1261.10	11173.78	3274.26	72.19		778.22	6.86	-34.62
سناريو  RCP8.5	459.07	11807.20	4076.30	89.88		189.43	1.58	-88.30

 

 

 

شکل 4. تغییر در رویشگاه‌های مطلوب گون زرد از شرایط اقلیمی امروزی تا آینده (سال 2050) حاصل از مدل اجماعی و بر اساس مدل گردش عمومی MRI-CGCM3 با چهار سناریو: الف) RCP2.6، ب) RCP4.5، پ) RCP6، ت) RCP8.5

Fig. 5. Changes in the suitable habitat of A. verus from current climatic conditions to future climatic conditions (year 2050) resulting from ensemble model and based on general circulation model (MRI-CGCM3) with four RCP scenarios RCP2.6 (a), RCP4.5 (b), RCP6 (c), and RCP8.5 (d)

 

 

 

 

شکل 5. تغيير در رویشگاه‌های مطلوب گون زرد از شرایط اقلیمی امروزی تا آینده (سال2070) حاصل از مدل اجماعی و بر اساس مدل گردش عمومی MRI-CGCM3 با چهار سناریو: الف) RCP2.6، ب) RCP4.5، پ) RCP6، ت) RCP8.5

Fig 5. Changes in the suitable habitat of A. verus from current climatic conditions to future climatic conditions (year 2070) resulting from ensemble model and based on general circulation model (MRI-CGCM3) with four RCP scenarios RCP2.6 (a), RCP4.5 (b), RCP6 (c), and RCP8.5 (d)

 

بحث و نتیجه‌گیری 

در این پژوهش، رویشگاه‌های مطلوب امروزی گون زرد در محدوده استان چهارمحال و بختیاری در گستره زاگرس مرکزی مدل‌سازی شد و برآوردهایی از پیامدهای تغییر اقلیم تا سال‌های 2050 و 2070 بر پراکنش این گونه به دست آمد. بر اساس یافته‌ها، در حدود 43/27 درصد (37/4535 کیلومتر مربع) از مساحت استان چهارمحال و بختیاری به عنوان رویشگاه مطلوب گون زرد برآورد شد. به نظر می‌رسد بخش‌های شمال شرقی و شرق استان (از جمله شهرستان‌های بروجن، شهرکرد، بن) در مقایسه با سایر مناطق از اهمیت رویشگاهی بیشتری برای گون زرد برخوردار هستند. البته باید عنوان نمود که در مطالعه حاضر، آشیان اکولوژیک بالقوه اقلیمی گون زرد تعیین شده است که می‌تواند از آشیان اکولوژیک واقعی این گونه متفاوت باشد. به هر حال، عوامل اقلیمی ممکن است به عنوان مهمترین عوامل کنترل کننده احیاء و گسترش جمعیت‌های طبیعی، بر زیستایی این جمعیت‌ها اثرگذار باشند (50).

بر اساس یافته‌ها، پیش‌بینی می‌شود که بخش وسیعی از رویشگاه‌های مطلوب امروزی گون زرد به ویژه در مناطق با ارتفاع کمتر به واسطه تغییر اقلیم تا سال‌های 2050 و 2070، نامطلوب خواهد شد. بر اساس سناریوهای مختلف اقلیمی، بین 70/45 درصد (RCP2.6، سال 2050) تا 88/89 درصد (RCP8.5، سال 2070) از رویشگاه‌های امروزی گون زرد به واسطه تغییر اقلیم نامطلوب می‌شود. احتمالاً در همین دوره زمانی در حدود 5/1 درصد (سناريو  RCP8.5سال 2070) تا 13 درصد (سناريو  RCP2.6سال 2070) به رویشگاه‌های مطلوب (با توجه به شرایط اقلیمی) این گونه به ویژه در مناطق با ارتفاع بالاتر افزوده خواهد شد. بر اساس یافته‌ها، سناریو RCP8.5 نسبت به سه سناریوی دیگر اثرات شدیدتری بر گستره رویشگاه‌های مطلوب گون زرد خواهد داشت. این موضوع با توجه به شدت تغییرات اقلیمی در این سناریو قابل پیش‌بینی بود. علاوه بر تغییر اقلیم، عوامل دیگری همچون بهره‌برداری غیراصولی، تغییر کاربری سرزمین و آتش سوزی نیز به شدت بر بقا و پایداری این گونه گیاهی تأثیر می‌گذارند. به طور کلی، مجموعه سناریوهای مورد استفاده در این پژوهش بر احتمال رخداد یک روند مشخص کاهشی در گستره رویشگاهی گون زرد تا سال‌های 2050 و 2070 اشاره دارند. با این وجود، همانند بسیاری پژوهش‌های دیگر (از جمله 47)، نتایج برخی سناریوها (سناریوی RCP6 در سال‌های 2050 و 2070) روند یکسانی را در کاهش میزان گستره رویشگاهی مطلوب گونه مورد مطالعه نشان نمی‌دهند، که این نتایج ممکن است تحت تاثیر عوامل مختلفی حاصل شده باشند. از جمله این عوامل می‌توان به نقش متغیرهای محیطی مورد استفاده در مدل‌ها به عنوان یک منبع عدم قطعیت اشاره نمود (47). علاوه بر این، مدل‌های اقلیمی IPCC به طور مبهم بر ادامه روند گرمایش جهانی اشاره دارند، اما عدم قطعیت‌ها درباره میزان و سرعت این روند بسیار زیاد است (30 و 47).

تمامی سناریوهای تغییر اقلیم، احتمال جابجایی گستره رویشگاه‌های مناسب گون زرد را به سمت ارتفاعات بالاتر در حدود 76/92 متر پیش‌بینی می‌کنند. علت این جابجایی، به تاثیرگذاری شرایط اقلیمی (بارندگی و دما) بر رویشگاه گون زرد مربوط است که باعث می‌شود مناطق کم‌ارتفاع‌تر برای این گونه نامناسب شود (7، 10، 13 و 26). پیامدهای تغییر اقلیم، به ویژه احتمال کاهش و جابجایی گستره جغرافیایی گونه‌های گیاهی در رویشگاه‌های مختلف کشور، از جمله در زاگرس مرکزی در رابطه با گونه‌های Astragalus adscendens، (21)، Bromus tomentellus (41)، Quercus brantii (23) Pistacia atlantica (31) و همچنین، در گستره ایران مرکزی در رابطه با گونه‌های Astragalus gossypinus (43) و Daphne mucronata (2) پیش‌بینی شده است. 

بر اساس یافته‌ها، مدل‌ جنگل تصادفی و پس از آن مدل افزایشی تعمیم‌یافته بهترین پیش‌بینی را داشتند و قابل‌اعتمادترین مدل‌ها برای پیش‌بینی پراکنش گون زرد تعیین شدند. مطالعات قبلي نيز بر قابلیت بالای مدل جنگل تصادفی در مقایسه با مدل‌های دیگر در مدل‌سازی پراکنش گونه‌ای تاکید نموده‌اند (از جمله: 10، 11، 14، 18، 22 و 29). 

تعیین درصد سهم هر متغیر در مدل، به محققان این امکان را می‌دهد تا متغیرهایی را که دارای تأثیر بیشتری بر احتمال وقوع گونه‌های مختلف گیاهی هستند، مورد شناسایی قرار دهند. بنابراین، محققان قادر خواهند بود با صرفه‌جویی در هزینه و زمان ، دقت مدل‌های پیش بینی را افزایش داده و تنها بر متغیرهای مهم متمرکز شوند (23). بر اساس تحلیل‌ها، شاخص هم‌دمایی، ميانگين دماي پربارش‌ترين فصل سال و تغییرات فصلی بارندگی بیشترین مشارکت نسبی را در عملکرد مدل اجماعی داشتند. در پژوهش‌های متعدد، عوامل دمایی به عنوان مهمترین عوامل موثر بر پراکنش گونه مورد مطالعه شناسایی شده‌اند (3، 9، 22 و 32). خداقلی و همکاران (28)، تغییرات اقلیمی و تأثیر آن بر رویشگاه‌های گون زرد در استان اصفهان را مورد مطالعه قرار دادند. این محققان دمای سرمایشی را مهمترین عامل موثر بر رویشگاه‌های گون زرد پیشنهاد نمودند. همچنین ساکی و همکاران (39) دما را مهم‌ترین عامل محیطی موثر در پراکنش گون زرد دانستند.  ترکش و جتشکه (43) نیز در مدل‌سازی اثرات بالقوه تغییر اقلیم بر گونه A. gossypinus ميانگين دماي پربارش‌ترين فصل سال را به عنوان عامل مهمی در پراکنش گونه مورد مطالعه در ایران مرکزی پیشنهاد نمودند. همچنین، اثر دما بر تولید کتیرای جنس گون مورد بررسی قرار گرفته و نتایج نشان داده که کاهش رطوبت و افزایش حرارت محیط اثر نامطلوبی بر تولید کتیرای استحصالی از گونه‌های گون دارد و حتی موجب عدم تولید کتیرا در بعضی از گونه‌های مولد می‌شود (49).

بر اساس یافته‌ها، احتمال وقوع گونه گون زرد در ميانگين دماي پربارش‌ترين فصل سال 2- تا 5/3 درجه سانتی‌گراد، تغییرات فصلی بارندگی 100 تا 112 میلی‌متر، هم‌دمایی 8/36 تا 7/39 درجه سانتی‌گراد و مجموع بارندگی سالیانه 280 تا 490 میلی‌متر حداکثر می‌باشد. وهابی و همکاران (46) در مطالعه خود در استان اصفهان، حداقل بارندگی رویشگاه گون زرد را 100 میلی متر گزارش نمودند. صفایی و همکاران (37) میانگین بارندگی سالانه رویشگاه‌های گون زرد در مراتع شهرستان فریدونشهر استان اصفهان را از 395 میلی‌متر تا حداکثر 554 میلی‌متر تعیین نمودند. همچنین، این محققان، شرایط مطلوب رویشگاهی گون زرد را شامل ميانگين دماي پربارش‌ترين فصل سال بین 9/0- تا 14/1 درجه سانتی‌گراد، تغییرات فصلی بارندگی 58/26 تا 49 میلی‌متر و هم‌دمایی 53/19 تا 56/23 درجه سانتی‌گراد گزارش نمودند. کمینه و بیشینه ارتفاع حضور گونه مورد مطالعه به ترتیب 1654 و 3052 متر از سطح دریا برآورد شد. وهابی و همکاران (46) نیز دامنه ارتفاعی گونه گون زرد در مراتع استان اصفهان را 1500 تا 3000 میلی‌متر ذکر نمودند. 

به طور کلی، این مطالعه نشان می‌دهد که مدل اجماعی می‌تواند پراکنش بالقوه گون زرد را با دقت بالا پیش‌بینی نماید. سناریوهای مورد استفاده در این پژوهش، احتمال جابجایی گستره جغرافیایی گونه مورد مطالعه را تحت تغییر اقلیم  تا سال‌های 2050 و 2070 پیش‌بینی می‌کند. بر اساس نتایج، به نظر می‌رسد که وسعت رویشگاه مطلوب گون زرد در محدوده مورد مطالعه، کاهش یافته و به سمت ارتفاعات بالاتر جابجا خواهد شد. اگر چه تخریب سرزمین و برداشت بیش از حد احتمالاً به عنوان دو عامل مهم تخریب رویشگاه این گونه می‌توانند مورد توجه قرار گیرند (37)، اما این مطالعه اهمیت پیامدهای تغییر اقلیم بر پراکنش گون زرد را برجسته می‌سازد. امروزه، در نتیجه بهره‌برداری شدید و غیراصولی از گون زرد، گستره پراکنش و تراکم آن در برخی مناطق کاهش یافته است که این روند بر شدت پدیده‌هایی نظیر فرسایش خاک افزوده است. این موضوع ضرورت توجه مدیران و کارشناسان منابع طبیعی به گون زرد و دیگر گونه‌های با عملکرد مشابه در اکوسیستم‌ها که ضمن توانایی حفاظت از خاک، از نظر تولیدات اقتصادی نیز حائز اهمیت هستند را دوچندان می‌نماید.  نقشه‌های رویشگاه‌ مطلوب امروزی و آینده برای گون زرد که در این پژوهش تهیه شده می‌تواند در تدوین و اجرای برنامه‌ها و طرح‌های مدیریتی و حفاظتی این گونه و سایر گونه‌های مشابه مورد استفاده قرار گیرد. مناطقی که در این مطالعه به عنوان رویشگاه مناسب تعیین شدند می‌توانند برای استقرار و معرفی مجدد گون زرد مورد توجه قرار گیرند.

 

منابع مورد استفاده

1.       Abbasian M, Moghim S, Abrishamchi, A. 2019. Performance of the general circulation models in simulating temperature and precipitation over Iran. Theoretical and Applied Climatology, 135(3-4): 1465-1483.

2.       Abolmaali MR, Tarkesh M, Bashari H. 2017a. Maxent modeling for predicting suitable habitats and identifying the effects of climate change on a threatened species, Daphne mucronata, in central Iran. Ecological Informatics, 43: 116-123.

3.       Abolmaali MR, Tarkesh M, Bashari H. 2017b. Assessing impacts of climate change on endangered Kelossia odoratissima Mozaff species distribution using Generalized Additive Model. Journal of Natural Environment, 70(2): 243-254. (In Persian)

4.       Ahmad R, Khuroo AA, Charles B, Hamid M, Rashid I, Aravind NA. 2019. Global distribution modelling, invasion risk assessment and niche dynamics of Leucanthemum vulgare (Ox-eye Daisy) under climate change. Scientific Reports, 9(1): 1-15.

5.       Ali Akbari M, Jafari MR, Saadatfar A. 2011. Determining Potential Site for Astragalus verus with Combination of GIS and Remote Sensing. Journal of RS and GIS for Natural Resources, 1(1): 15-29. (In Persian)

6.       Allouche O, Tsoar A, Kadmon R. 2006. Assessing the accuracy of species distribution models: prevalence, kappa and the true skill statistic (TSS). Journal of Applied Ecology 43: 1223–1232.

7.       Al-Qaddi N, Vessella F, Stephan J, Al-Eisawi D, Schirone B. 2016. Current and future suitability areas of kermes oak (Quercus coccifera L.) in the Levant under climate change. Regional Environmental Change, 17: 143-156.

8.       Amici V, Marcantonio M, La Porta N, Rocchini D. 2017. A multi-temporal approach in MaxEnt modelling: A new frontier for land use/land cover change detection. Ecological Informatics, 40: 40-49.

9.       Amiri M, Tarkesh M, Jafari R. 2019. Predicting the Climatic Ecological Niche of Artemisia aucheri Boiss in Central Iran using Species Distribution Modeling. Iranian Journal of Applied Ecology, 8(2): 61-79. (In Persian)

10.       Ashrafzadeh MR, Naghipour AA, Haidarian M, Khorozyan I. 2019a. Modeling the response of an endangered flagship predator to climate change in Iran. Mammal Research, 64(1): 1-13.

11.       Ashrafzadeh MR, Naghipour AA, Haidarian M, Kusza S, Pilliod DS. 2019b. Effects of climate change on habitat and connectivity for populations of a vulnerable, endemic salamander in Iran. Global Ecology and Conservation, 19: e00637.

12.       Attorre F, Abeli T, Bacchetta G, Farcomeni A, Fenu G, De Sanctis M, Gargano D, Peruzzi L, Montagnani C, Rossi G, Conti F, Orsenigo S. 2018. How to include the impact of climate change in the extinction risk assessment of policy plant species? Journal for nature conservation. 44: 43-49.

13.       Attorre F, Alfò M, De Sanctis M, Francesconi F, Valenti R, Vitale M, Bruno F. 2011. Evaluating the effects of climate change on tree species abundance and distribution in the Italian peninsula. Applied Vegetation Science, 14: 242-255.

14.       Benito Garzón M, Sánchez de Dios R, Sainz Ollero H. 2008. Effects of climate change on the distribution of Iberian tree species. Applied Vegetation Science, 11: 169-178.

15.       Borna F, Tamartash R, Tatian M, Gholami V. 2017. Habitat potential modeling of Astragalus gossypinus using ecological niche factor analysis and logistic regression (Case study: summer rangelands of Baladeh, Nour), Journal of RS and GIS for Natural Resources, 7(4): 45-61. (In Persian)

16.       Byeon D, Jung S, Lee WH. 2018. Review of CLIMEX and MaxEnt for studying species distribution in South Korea. Journal of Asia-Pacific Biodiversity, 11(3): 325-333.

17.       Chahouki MAZ, Sahragard HP. 2016. Maxent Modelling for Distribution of Plant Species Habitats of Rangelands (Iran). Polish Journal of Ecology, 64(4): 453-467.

18.       Cheng L, Lek S, Lek-Ang S, Li Z. 2012. Predicting fish assemblages and diversity in shallow lakes in the Yangtze River basin. Limnologica, 42 (2): 127–136.

19.       Ghahremaninejad F, Bagheri A, Maassoumi AA. 2012. Two new species of Astragalus l. Sect. Incani dc. (Fabaceae) from the Zanjan province (Iran). Adansonia, 34(1): 59-66.

20.       Guisan A, Zimmermann NE. 2000. Predictive habitat distribution models in ecology. Ecological Modelling, 135: 147-186.

21.       Haidarian, M. 2018. Predicting the impact of climate change on spatial distribution of ecologically important plant species In the Central Zagros. Ph.D. thesis of Rangeland Sciences, Sari Agricultural Sciences and Natural Resources University, 250p. (In Persian)

22.       Haidarian Aghakhani M, Tamartash R, Jafarian Z, Tarkesh Esfahani M, Tatian M. 2017a. Forecasts of climate change effects on Amygdalus scoparia potential distribution by using ensemble modeling in Central Zagros. Journal of RS and GIS for Natural Resources, 8(3): 1-14. (In Persian)

23.       Haidarian Aghakhani M, Tamartash R, Jafarian Z, Tarkesh Esfahani M, Tatian M. 2017b. Predicting the impacts of climate change on Persian oak (Quercus brantii) using species distribution modelling in Central Zagros for conservation planning. Journal of Environmental Studies, 43: 497-511. (In Persian)

24.       Hao T, Elith J, Guillera‐Arroita G, Lahoz‐Monfort JJ. 2019. A review of evidence about use and performance of species distribution modelling ensembles like BIOMOD. Diversity and Distributions, 25(5): 839-852.

25.       Hodd RL, Bourke D, Skeffington MS. 2014. Projected range contractions of European protected oceanic montane plant communities: Focus on climate change impacts is essential for their future conservation. PloS one, 9(4): e95147.

26.       Hutchinson GE. 1957. Concluding remarks. Cold Spring Harbor Symp Quantative Biology, 22: 415-427.

27.       Kaky E, Gilbert F. 2016. Using species distribution models to assess the importance of Egypt's protected areas for the conservation of medicinal plants. Journal of Arid Environments, 135: 140-146.

28.       Khodagholi M, Saboohi R. 2019. Delineating changes in climatic variables and its impact on the Astragalus verus Olivier habitats in Isfahan Province. Journal of Range and Watershed Management, 72(2): 359-374. (In Persian)

29.       Lin CT. Chiu CA. 2019. The Relic Trochodendron aralioides Siebold & Zucc.(Trochodendraceae) in Taiwan: Ensemble distribution modeling and climate change impacts. Forests, 10(1): 7.

30.       McSweeney CF, Jones RG, Lee RW, Rowell DP. 2015. Selecting CMIP5 GCMs for downscaling over multiple regions. Climate Dynamics, 44: 3237-3260.

31.       Naghipour AA, Haidarian M, Sangoony H. 2019a. Predicting the impact of climate change on the distribution of Pistacia atlantica in the Central Zagros. Journal of Plant Ecosystem Conservation, 6 (13): 197-214. (In Persian)

32.       Naghipour AA, Ostovar Z, Asadi E. 2019b. The Influence of Climate Change on distribution of an Endangered Medicinal Plant (Fritillaria Imperialis L.) in Central Zagros. Journal of Rangeland Science, 9(2): 159-171.

33.       Pachauri RK, Allen MR, Barros V, Broome J, Cramer W, Christ R, Church J, Clarke L, Dahe Q, Dasgupta P. 2014. Climate change 2014: synthesis Report. Contribution of working groups I, II and III to the fifth assessment report of the intergovernmental panel on climate change, IPCC, 153p.

34.       Potta S. 2004. Application of Stochastic Downscaling Techniques to Global Climate Model Data for Regional Climate Prediction, MSc. Faculty of the Louisiana State University and Agricultural and Mechanical College, Sri Venkateswara University, 153p.

35.       Rana SK, Rana HK, Ghimire SK, Shrestha KK, Ranjitkar S. 2017. Predicting the impact of climate change on the distribution of two threatened Himalayan medicinal plants of Liliaceae in Nepal. Journal of Mountain Science, 14: 558-570.

36.       Rios J, Waterman P. 1997. A review of the pharmacology and toxicology of Astragalus. Phototherapy Research, 11: 411-418. 

37.       Safaei M, Tarkesh M, Bashari H, Bassiri M. 2018. Modeling potential habitat of Astragalus verus Olivier for conservation decisions: A comparison of three correlative models. Flora, 242: 61-69.

38.       Sahragard HP, Chahouki MAZ. 2015. An evaluation of predictive habitat models performance of plant species in Hoze soltan rangelands of Qom province. Ecological Modelling, 309-310: 64-71.

39.       Saki M, Tarkesh M, Bassiri M, Vahabii M R. 2013. Application of Logistic Regression Tree Model in Determining Habitat Distribution of Astragalus verus. Iranian Journal of Applied Ecology, 2013: 1 (2) :27-38. (In Persian) 

40.       Sangoony H, Karimzadeh H, Vahabi M, Tarkesh esfahani M. 2014. Determining the potential habitat of Astragalus gossypinus Fischer in west region of Isfahan, using ecological niche factor analysis. Journal of RS and GIS for Natural Resources, 5(2: 1-13. (In Persian)

41.       Sangoony H, Vahabi MR, Tarkesh M, Soltani S. 2016. Range shift of Bromus tomentellus Boiss. as a reaction to climate change in Central Zagros, Iran. Applied Ecology and Environmental Research, 14(4): 85-100.

42.       Silvertown J. 2004. Plant coexistence and the niche. Trends in Ecology and Evolution, 19: 605-611.

43.       Tarkesh M, Jetschke G. 2016. Investigation of current and future potential distribution of Astragalus gossypinus in Central Iran using species distribution modelling. Arabian Journal of Geosciences, 9(1): 1-11.

44.       Thuiller W, Georges D, Engler R, Breiner F, Georges MD, Thuiller CW. 2016. Package ‘biomod2’. https://cran.r-project.org/package=biomod2.

45.       Tilman D, Lehman C. 2001. Human-caused environmental change: impacts on plant diversity and evolution. Proceedings of the National Academy of Sciences, 98(10): 5433-5440.

46.       Vahabi MR, Basiri M, Moghadam MR, Masoumi AA. 2007. Determination of the most effective habitat indices for evaluation of tragacanth sites in Isfahan Province. Iranian Journal of Natural Resources, 59:1013-1029. (In Persian)

47.       Wei B, Wang R, Hou K, Wang X, 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.

48.       Woodward FI. 1987. Climate and Plant Distribution. Cambridge University Press, Cambridge.

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

50.       Zhang X, Li G, Du S. 2018. Simulating the potential distribution of Elaeagnus angustifolia L. based on climatic constraints in China. Ecological Engineering, 113: 27-34.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Predicting the effects of climate change on the geographical distribution of Astragalus verus Olivier in the region Central Zagros, Iran

 

Abstract

Species distribution models have been widely used to assess the effects of climate change on the distribution of ecologically important plant species. In this study, we used the ensemble predictions based on seven species distribution models to predict the geographical distribution of Astragalus verus in the central Zagros region under climate change. For this purpose, 112 species presence data along with 23 environmental variables including bioclimatic, physiographic and land cover/land use variables were used. Our findings show that estimated suitable habitats of the species covers about 27.43% of the study area for the A. verus. Our results revealed that the Isothermality, mean temperature of the wettest quarter and precipitation seasonality, had the greatest effects on the species’ distribution of the study area. The future projections were made for the year 2050 and 2070 with four Representative Concentration Pathways (RCPs) scenario (2.6, 4.5, 6 and 8.5) and general circulation model MRI-CGCM3. Due to climate change a decline of suitable habitats of 45.70% to 89.88% may occur by 2050 and 2070, respectively. In keeping with the results, A. verus is predicted to shift toward higher elevation on average was about 92.76 meters. To find the most reliable model for prediction, the accuracy of the maps was assessed. The results showed that functioning of all models was acceptable while Random Forest model was the most efficient one. Predicting the future changes in suitable habitat for A. verus in the future will allow more reliable planning and management of this valuable species for experts.

 

Keywords: Chaharmahal va Bakhtiari province, Species distribution modeling, Biomod2, Ensemble modeling.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

پیش‌بینی پیامدهای تغییر اقلیم بر پراکنش جغرافیایی گون زرد (Astragalus verus Olivier) در زاگرس مرکزی 

 

چکیده مبسوط 

طرح مسئله: اقلیم، ویژگی‌های خاک، توپوگرافی، کاربری سرزمین و مجموعه روابط زیستی مهمترین عوامل موثر در پراکنش و آشیان بوم‌شناختی گونه‌ها در مقیاس‌های مختلف هستند. در این میان، اقلیم یکی از مهم‌ترین عوامل تعیین کننده پراکنش گیاهان محسوب می‌شود. بنابراین، تغییر اقلیم پیامدهای گسترده‌ای بر شرایط اکوسیستم‌های جهان و از جمله پراکنش گونه‌ها داشته است. تغییر در پراکنش یک گونه در یک محدوده جغرافیایی معین به واسطه تغییر اقلیم می‌تواند منجر به جابجایی مناطق حضور آن گونه به ارتفاعات بالاتر شود که این روند ممکن است ایجاد محدودیت رویشی و یا حتی انقراض گونه را در پی داشته باشد. جابجایی یا تغییر پراکنش جغرافیایی گونه‌ها، یک استراتژی برای پایدار ماندن در برابر تغییر اقلیم است. بنابراین، تعیین رویشگاه‌های مناسب و شناسایی مهمترین عوامل محیطی و انسانی موثر بر حضور گونه‌ها در شرایط فعلی و آینده به منظور حفاظت از گونه‌های مهم بوم‌شناختی و ارزشمند گیاهی ضروری است. جنس گون (Astragalus) از تیره نخود (Fabaceae) پراکنش به نسبت گسترده‌ای در مناطق معتدله جهان دارد. گون زرد (Astragalus verus Olivier) درختچه‌ای کوچک و با ارزش است که دارای شاخه‌های بسیار زیاد است. این گونه علاوه بر نقش حفاظتی، دارای ارزش‌های دارویی و صنعتی است. در دهه‌های اخیر، گستره جغرافیایی گون زرد به واسطه عواملی مانند تخریب سرزمین و برداشت بیش از حد به طور قابل توجهی کاهش یافته است.

هدف: با وجود اهمیت جنس گون در کشور، تاکنون پژوهش‌های اندکی در زمینه پیامدهای تغییر اقلیم بر پراکنش گونه‌های این جنس به انجام رسیده است. مطالعه حاضر به منظور دست‌یابی به اهداف زیر به انجام رسیده است: 1) شناسایی رویشگاه‌های مناسب و تعیین پراکنش جغرافیایی گون زرد در زاگرس مرکزی در شرایط حال حاضر؛ 2) پیش‌بینی پیامدهای تغییر اقلیم تا سال‌های 2050 و 2070 تحت سناریوهای مختلف بر پراکنش جغرافیایی گون زرد؛ 3) تعیین مهمترین عوامل موثر بر پراکنش این گونه.

روش تحقیق: مطالعه حاضر در استان چهارمحال و بختياري با مساحتي حدود 65/1 ميليون هکتار که تقریباً تمام آن در منطقه زاگرس مرکزي قرار گرفته، انجام شد. تعداد 112 نقطه حضور گون زرد بر اساس بازدیدهای گسترده میدانی و با استفاده از سیستم موقعیت‌یاب جهانی (GPS) در سراسر استان چهارمحال و بختیاری جمع‌آوری شد. به منظور مدل¬سازی، 19 متغیر محیطی شامل متغیرهای زیست اقلیمی، فیزیوگرافی و پوشش/کاربری سرزمین مورد استفاده قرار گرفتند. پیش از اجرای مدل‌سازی، برای بررسی هم‌خطی بین متغیرهای محیطی مختلف از دو روش تجزیه و تحلیل همبستگی پیرسون و شاخص تورم واریانس (VIF) استفاده شد. متغیرهایی با ضریب همبستگی پیرسون (8/0R2<) و VIF<3 انتخاب شدند. در نهایت و پس از حذف لایه‌های دارای همبستگی بالا، تعداد نه متغیر در مدل‌سازی استفاده شدند. به منظور پیش‌بینی پراکنش رویشگاه‌های مطلوب گون زرد از بسته نرم‌افزاری Biomod2 در محیط R (نسخه 3.1.2) استفاده شد. در مطالعه حاضر از مدل‌های آنتروپی بیشینه (Maxent)، شبکه عصبی مصنوعی (ANN)، روش افزایشی تعمیم‌یافته (GBM)، مدل خطی تعمیم‌یافته (GLM)، تحلیل ممیزی انعطاف‌پذیر (FDA)، جنگل تصادفی (RF) و رگرسیون چند متغیره تطبیقی (MARS) برای برآورد رویشگاه‌های مطلوب استفاده شد. برای واسنجی مدل‌ها، 80 درصد نقاط حضور به عنوان داده‌های تعلیمی و 20 درصد باقیمانده برای ارزیابی پیش‌بینی مدل‌ها استفاده شدند. پیش‌بینی پراکنش جغرافیایی گون زرد در آینده (سال‌های 2050 و 2070) بر اساس چهار سناریوی افزایش گازهای گلخانه‌ایRCP2.6 ،RCP4.5 ، RCP6 وRCP8.5  و تحت مدل گردش عمومی MRI-CGCM3 انجام شد. عملکرد مدل‌ها نیز با استفاده از ناحیه زیر منحنی (AUC) و آماره TSS ارزیابی شدند.

نتایج و بحث: نتایج نشان داد که موثرترین متغیرها در مطلوبیت رویشگاه گونه مورد مطالعه، به ترتیب شاخص هم‌دمایی، ميانگين دماي پربارش‌ترين فصل سال و تغییرات فصلی بارندگی بودند. بر اساس یافته‌ها، بیشترین احتمال حضور گون زرد در هم‌دمایی 8/36 تا 7/39 درجه سانتی‌گراد، ميانگين دماي 2- تا 5/3 درجه سانتی‌گراد در پربارش‌ترين فصل سال، تغییرات فصلی بارندگی 100 تا 112 میلی‌متر، و مجموع بارندگی سالیانه 280 تا 490 میلی‌متر برآورد شد. به نظر می‌رسد بخش‌های شمال شرقی و شرق استان در مقایسه با سایر مناطق از اهمیت رویشگاهی بیشتری برای گون زرد برخوردار هستند. بر اساس نتایج، حدود 43/27 درصد از محدوده مورد مطالعه به عنوان رویشگاه‌های مطلوب گون زرد شناسایی شد. پیش‌بینی پراکنش جغرافیایی گون زرد در آینده (سال‌های 2050 و 2070) بر اساس چهار سناریوی افزایش گازهای گلخانه‌ایRCP2.6 ،RCP4.5 ،RCP6  وRCP8.5  در مدل گردش عمومی MRI-CGCM3 انجام شد. بر اساس یافته‌ها، تغییر اقلیم می‌تواند پیامدهای قابل توجهی بر رویشگاه‌های مطلوب گون زرد در استان وارد سازد. بر اساس سناریوهای مختلف، بین 70/45 درصد (RCP2.6، سال 2050) تا 88/89 درصد (RCP8.5، سال 2070) از رویشگاه‌های امروزی گون زرد تا سال‌های 2050 و 2070 به واسطه تغییر اقلیم نامطلوب خواهد شد. بر اساس تمامی سناریوها، رویشگاه‌های مطلوب این گونه در اغلب گستره حضورش به ویژه در مناطق با ارتفاع کمتر کاهش خواهد یافت. پیامدهای تغییر اقلیم، به ویژه احتمال کاهش و جابجایی گستره جغرافیایی گونه‌های گیاهی در رویشگاه‌های مختلف کشور، از جمله در زاگرس مرکزی و همچنین، در گستره ایران مرکزی پیش‌بینی شده است. در حالی که در همین دوره زمانی در حدود 58/1 (RCP8.5، سال 2070) تا 19/13 درصد (RCP2.6، سال 2070) به رویشگاه‌های مطلوب این گونه در مناطق با ارتفاع بیشتر اضافه خواهد شد. ارزیابی‌ها نشان داد که مدل‌ها از درستی و دقت قابل قبولی برخوردار بودند و مدل جنگل تصادفی، قابل‌اعتمادترین مدل برای پیش‌بینی پراکنش گونه تعیین شد. 

نتیجه‌گیری: به طور کلی، این مطالعه نشان می‌دهد که مدل اجماعی می‌تواند پراکنش بالقوه گون زرد را با دقت بالا (92/0= AUC و 79/0=TSS) پیش‌بینی نماید. سناریوهای مورد استفاده در این پژوهش، احتمال جابجایی گستره جغرافیایی گونه مورد مطالعه را تحت تغییر اقلیم  تا سال‌های 2050 و 2070 پیش‌بینی می‌کند. بر اساس نتایج، به نظر می‌رسد که وسعت رویشگاه مطلوب گون زرد در محدوده مورد مطالعه، کاهش یافته و به سمت ارتفاعات بالاتر جابجا خواهد شد. اگر چه تخریب سرزمین و برداشت بیش از حد احتمالاً به عنوان دو عامل مهم تخریب رویشگاه این گونه می‌توانند مورد توجه قرار گیرند، اما این مطالعه اهمیت پیامدهای تغییر اقلیم بر پراکنش گون زرد را برجسته می‌سازد. امروزه، در نتیجه بهره‌برداری شدید و غیراصولی از گون زرد، گستره پراکنش و تراکم آن در برخی مناطق کاهش یافته است که این روند بر شدت پدیده‌هایی نظیر فرسایش خاک افزوده است. این موضوع ضرورت توجه مدیران و کارشناسان منابع طبیعی به گون زرد و دیگر گونه‌های با عملکرد مشابه در اکوسیستم‌ها که ضمن توانایی حفاظت از خاک، از نظر تولیدات اقتصادی نیز حائز اهمیت هستند را دوچندان می‌نماید. نقشه‌های رویشگاه‌ مطلوب امروزی و آینده برای گون زرد که در این پژوهش تهیه شده می‌تواند در تدوین و اجرای برنامه‌ها و طرح‌های مدیریتی و حفاظتی این گونه و سایر گونه‌های مشابه مورد استفاده قرار گیرد. مناطقی که در این مطالعه به عنوان رویشگاه مناسب تعیین شدند می‌توانند برای استقرار و معرفی مجدد گون زرد مورد توجه قرار گیرند.

واژگان کلیدی: چهارمحال و بختیاری، مدل‌سازی پراکنش گونه‌ای، Biomod2، مدل‌سازی اجماعی.

 

 

 

 

 

 

Predicting the effects of climate change on the geographical distribution of Astragalus verus Olivier in the region Central Zagros, Iran 

 

Abstract

 

Statement of the Problem: Climate, soil characteristics, topography, land use, and biological relationships at various scales are the most important influencing factors on distribution and ecological niches of species. The climate is one of the most important determinants of plant distribution. Throughout the past ecological history, climate change has had profound consequences on the current conditions of the world's ecosystems, including the existing distribution of species. These changes in distribution of the species for a given geographical area due to climate change can lead to shifting toward higher elevation that ends up with restricting vegetative or even extinction of the species. Shifting, or changing the geographical distribution of species is a common adaptation strategy to stay alive. Therefore, in order to protect key ecological and valuable plant species, it is necessary to study suitable habitats via identifying the most important environmental and human factors affecting the species in the current and future conditions. Astragalus L. (Fabaceae) is a genus widely distributed throughout the temperate regions. The Astragalus verus Olivier is a small, valuable shrub with many branches. In addition to its protective role from the point of view of soil, this species has medicinal and industrial values. In recent decades, due to factors such as land degradation and over utilization the geographical range of the A. verus variety has been declined.

Purpose: Despite the national importance of the Astragalus genus, so far little research has been done on the consequences of climate change on the distribution of species of this genus. The present study was conducted to accomplish the following objectives: 1) To identify suitable habitats and determin the geographical distribution of A. verus in Central Zagros in the current situation; 2) to predict of the consequences of climate change by 2050 and 2070 under different scenarios on geographical distribution of A. verus; 3) to determin the most important factors affecting the distribution of this species..

 

Methodology: The studied region covers an area of 1.6 million hectares in total in Chaharmahal va Bakhtiari Province, a state located in Central Zagros. Field studies were integrated to collect geographical coordinates of the presence point (112 points) of this species using GPS. Bioclimatic (bio1–bio19), Physiographic variables (elevation, aspect, and slope) and land cover/land variables were used. Pearson test and VIF was used to check out the correlation between the variables and exclude exceptionally correlated ones (Pearson’s correlation coefficient, r2<±0.8, VIF<3). Six bioclimatic (bio3, bio4, bio 8, bio12, bio15, and bio17), two topographic (slope and aspect) and land cover/land use variables were applied to model the distribution based on correlation analysis. Ensemble methods were used to predict A. verus distribution including the Generalized Linear Model (GLM), Artificial Neural Network (ANN), Generalized Boosting Method (GBM), Flexible Discriminant Analysis (FDA), Multivariate Adaptive Regression Splines (MARS), Maximum Entropy (MaxEnt) and Random Forest (RF). All models were generated using Biomod2 package in R v. 3.1.2. We used 80% of the occurrence points as training data for model calibration and the rest 20% of data set to evaluate the performance of model's predictive. The future projections were made for both year 2050 and 2070 with four Representative Concentration Pathways (RCPs) scenario (2.6, 4.5, 6 and 8.5) and general circulation model MRI-CGCM3. Model performance was assessed using the area under the receiver operating curve (AUC) and the true skill statistic (TSS).

 

Results and discussion: Our results revealed that the Isothermality, Mean Temperature of the Wettest Quarter and Precipitation Seasonality, had the greatest effects on the species’ distribution of the study area. The response curves showed that A. verus mostly exists in habitats with Isothermality (bio3) from + 36.8 to + 39.7 °C, Mean Temperature of the Wettest Quarter (bio8) from - 2 to + 3.5 °C, and Precipitation Seasonality (bio15) from 100 to 112 mm and Annual Precipitation of 280 mm to 490 mm. Based on the results of modeling of current conditions, north and northeast of the province was determined as most suitable regions for A. verus. Our findings show that estimated suitable habitats of the species covers about 27.43% of the study area for the A. verus. Based on the future projections were made for the year 2050 and 2070 with four Representative Concentration Pathways (RCPs) scenario (2.6, 4.5, 6 and 8.5) and general circulation model MRI-CGCM3, climate change could have significant consequences for the A. verus habitats in the study area. Due to climate change a decline of suitable habitats of 45.70% to 89.88% may occur by 2050 and 2070, respectively. According to all scenarios, the suitable habitats of this species will decrease in all habitats, especially in areas with lower elevation. Based on the modelling results the average elevation of suitable areas 2250 m above sea level. In keeping with the results, A. verus is predicted to shift toward higher elevation on average was about 92.76 meters. The foretold decline in the suitable habitats and shift toward the higher elevation of this species was in consistent with the results of similar studies of the different habitats of the country, especially in the central Zagros and Central Iran. While in the same period of time, about 1.58 (RCP8.5, 2070) to 13.19 percent (RCP2.6, 2070) may be gained to the suitable habitats of this species in areas with higher elevation. To find the most reliable model for species prediction, the accuracy of the maps was assessed. The results showed that functioning of all models was acceptable while Random Forest model was the most efficient one.. 

 

Conclusion: The results of the study indicated that ensemble modeling by Biomod2 might predict the current potential distribution of A. verus with a relatively high accuracy (AUC= 0.92 and TSS= 0.79). The scenarios used in this study to predict the shift of the geographical range of the studied species under climate change scenario's of 2050 and 2070. According to the simulated maps, A. verus is expected to decrease the area of current distribution and shift toward a higher elevation under both 2050 and 2070. Although land degradation and over utilization may be considered as two important factors in habitat degradation. This study highlights the importance the effect of climate change on the geographical plant species distribution. As a result of the severe and inappropriate harvest of A. verus, the range of distribution and density has decreased in some areas, which has increased the intensity of degrading phenomena such as soil erosion. This requires a double attention on conservation of natural resource and also A. verus and other species. Beside its economic productivity, mangers most regard the role of the plant on the ecosystem as an important measure in terms of soil conservation. Hence, both the current and predicted suitable map for the A. verus that have been developed in this study can be used for management and conservation programs of this species and other similar species. The mapped region as ‘suitable habitats’ for the species could be effective for the re-establishment and re-introduction of A. verus species under current and future scenarios.

 

Keywords: Chaharmahal va Bakhtiari province, Species distribution modeling, Biomod2, Ensemble modeling,

 

 

1

 

---