كاربرد روش‌هاي آمار مكاني در مدل‌هاي پيش‌بيني رويشگاه گونه‌هاي گياهي

Application of spatial statistical methods in predictive models of plant species habitat

هدف از اين پژوهش، بررسي كارآيي روش هاي آمار مكاني در تهيه نقشه خصوصيات خاك براي استفاده در مدل هاي پيش بيني رويشگاه است. به اين منظور، نمونه‌برداري از پوشش گياهي به روش تصادفي- سيستماتيك از طريق پلات‌گذاري در امتداد 3 تا 5 ترانسكت 500-300 متري انجام شد. سطح پلات‌ها با توجه به نوع گونه‌هاي موجود به روش سطح حداقل بين 2 تا 100 متر مربع و تعداد آنها با توجه به تغييرات پوشش گياهي و روش آماري 30 تا50 پلات تعيين شد. همچنين بر اساس نقشه واحدهاي نمونه‌برداري، 120 پروفيل خاك حفر و از دو عمق 30-0 سانتي متر و 80-30 سانتي‌متر نمونه خاك برداشت شد. خصوصيات خاك شامل سنگريزه، بافت، رطوبت اشباع، رطوبت در دسترس، آهك، گچ، ماده آلي، اسيديته، هدايت الكتريكي و املاح محلول (سديم، كلسيم، منيزيم، پتاسيم، كلر، كربنات، بي‌كربنات و سولفات) مورد اندازه‌گيري و آزمايش قرار گرفت. بعد از جمع‌آوري داده‌ها با استفاده از رگرسيون لجستيك، رابطه بين حضور گونه Crnulaca monachantha با عوامل محيطي بررسي شد. براي تهيه نقشه پيش‌بيني رويشگاه اين گونه گياهي، ابتدا نقشه خصوصيات خاك با استفاده از روش‌هاي كريجينگ نقطه اي، وزن دهي معكوس فاصله و وزن دهي نرمال فاصله در محيط نرم‌افزارهاي GS+ و Arc GIS تهيه شد. براي ارزيابي دقت نتايج، از روش اعتبارسنجي متقابل (cross validation) با كمك دو پارامتر آماري ميانگين انحراف خطا و ميانگين مطلق خطا استفاده گرديد. نتايج نشان داد كه روش كريجينگ نقطه‌اي در متغير سنگريزه عمق اول (يعني 0 تا 30 سانتي متر) با خطاي 56/1 و انحراف 048/0 و گچ با خطاي 176/0 و انحراف 006/0 دسي زيمنس بر متر، دقت بالاتري نسبت به ديگر روش هاي مورد استفاده دارد. در نهايت با اعمال رابطه رگرسيون لجستيك به‌دست آمده بر لايه‌هاي اطلاعاتي، نقشه پيش بيني رويشگاه گونه C. monachanthaتهيه شد كه دقت آن با ضريب كاپاي 98/0 خوب ارزيابي شد.

The main objective of the study is application of spatial statistics as a tool for model-based prediction of vegetation types. Method of selecting Samples was systematic-randomized. Quadrate size was determined for each vegetation type using the minimal area method; hence suitable quadrate size for different species ranged from 1 2m to 10 10m (i. e., 2-100 m2). Within each unit, 3-5 parallel transects with 300 to 500 m long, each containing 30-50 quadrates (according to the vegetation variations) were established. Soil samples were taken at soil depth of 0-30 and 30-80 cm at the starting and ending points of each transect. Measured soil properties include gravel, texture, available soil moisture, saturation moisture, organic matter, lime, gypsum, pH, electrical conductivity and soluble ions (such as Na+, K+, Mg2+, Ca2+, Cl-, , and ). Logistic Regression (LR) technique was applied for predictive modeling of Cornulaca monachantha. To map soil characteristics, spatial statistical methods of point-Kriging, Normal Distance Weighting and Inverse Distance Weighting were used to predict soil factors using GS+ and ArcGIS softwares. Finally, cross validation technique were used to compare the above mentioned methods by considering the statistical parameters of MAE and MBE. It can be concluded that the point Kriging method is the best method among the others in all of the factors. Results show that the point Kriging method by MAE of 1.56 and MBE of -0.048 in gypsum, and gravel factor by MAE of 0.176 and MBE of 0.006 (0-30 cm depth) is better than the others and the sampling method is effective in accuracy of geostatistical method. Predictive map of C. monachantha which has narrow amplitude, with Kappa coefficient of 0.98, has high accuracy in accordance with the actual vegetation map prepared for the study area.