تعيين آستانه بهينه حضور در مدل‌هاي پيش‌بيني پراكنش گونه‌هاي گياهي (مطالعه موردي: مراتع منطقه نير استان يزد)

Determination of Occurrence Optimal Thresholds in the Predictive Models of Plant Species Distribution (Case study: Rangelands of Nir region of Yazd province)

پژوهش حاضر با هدف تعيين آستانه بهينه حضور در مدل‌هاي پيش‌بيني پراكنش گونه‌هاي گياهي در مراتع منطقه نير استان يزد انجام شد. بدين‌ منظور، بعد از تعيين واحدهاي همگن نمونه‌برداري با استفاده از نقشه رقومي ارتفاع و نقشه زمين‌شناسي با مقياس 1:25000، نمونه‌برداري از پوشش گياهي به روش تصادفي- سيستماتيك از طريق پلات‌گذاري در امتداد 3 تا 5 ترانسكت ?00-?00 متري انجام شد. براي نمونه‌برداري از خاك نيز در هر رويشگاه هشت پروفيل حفر و از دو عمق 0-?? و?0-?0 سانتي‌متري نمونه گرفته شد و خصوصيات خاك شامل سنگريزه، بافت، رطوبت اشباع، رطوبت قابل‌دسترس، آهك، گچ، ماده آلي، اسيديته، هدايت الكتريكي و املاح محلول مورد اندازه‌گيري قرار گرفت. مدل‌سازي پيش‌بيني پراكنش گونه‌هاي گياهي با استفاده از روش‌هاي رگرسيون لوجستيك، آنتروپي حداكثر و شبكه‌هاي عصبي مصنوعي انجام شد. بعد از تهيه نقشه‌هاي پيش‌بيني هر گونه گياهي، آستانه بهينه حضور گونه‌هاي گياهي با استفاده از رويكرد تركيبي حساسيت و اختصاصيت برابر و رويكرد حداكثرسازي كاپا تعيين و ميزان انطباق نقشه‌هاي واقعي و پيش‌بيني با اندازه‌گيري ضريب كاپا مورد ارزيابي قرار گرفت. براساس نتايج، دقت نقشه‌هاي پيش‌بيني حاصل از روش‌هاي مختلف مدل‌سازي متفاوت است. بيشترين ميزان تطابق در بين نقشه‌هاي حاصل از روش رگرسيون لوجستيك، آنتروپي ‌حداكثر و روش شبكه‌ عصبي ‌مصنوعي به‌ترتيب به رويشگاه‌هاي C. monacantha (k=0/9)، (k=0/93) R. ribes-A. sieberi و S. rosmarinus (k=0/86) تعلق دارد. اين نتايج گوياي آن است كه آستانه بهينه حضور در مدل‌هاي پيش‌بيني پراكنش گونه‌هاي گياهي با توجه به توانايي متفاوت مدل‌هاي پيش‌بيني در تمايز حضور و عدم‌حضور گونه‌ها متفاوت است، بنابراين ضروري است در تعيين آستانه بهينه حضور، علاوه بر هدف پژوهش و فراواني گونه‌هاي مورد مطالعه، كيفيت مدل‌هاي پيش‌بيني نيز مدنظر قرار گيرد.

The current study addresses determination of occurrence optimal thresholds of predictive models of plant species distribution in Nir rangelands of Yazd province. Accordingly, after determination of homogeneous units using digital elevation model and geology maps with scale 1:25000, vegetation sampling was carried out using random systematic method via plots which establishment across 3-5 transects with 300-500 m lengths. In order to sample the soil at each habitat, eight holes was drilled and samples were taken from 0-30 and 30-80 cm depths. Measured soil properties included gravel, texture, available moisture, saturation moisture, organic matter, lime, gypsum, pH, electrical conductivity and soluble ions. Plant distribution modeling was conducted using LR, the MaxEnt and ANN. After preparation of predictive maps of plant species habitat, an occurrence optimal threshold was determined using sensitivity-specificity equality approach and Kappa maximization approach for each plant species. Then, the compliance of classified maps with real maps cover was measured using the kappa coefficient. Based on obtained results, accuracy of predictive maps derived from different methods is different from each other. Among derived maps from LR, MaxEnt and ANN methods, the highest compliance belonged to the C. monacantha (?= 0.9), R. ribes-A. sieberi (?= 0.93) and S. rosmarinus (?= 0.93), respectively. These results indicate that due to differences in the discriminatory ability of the model to classification of the presence or absence, occurrence optimal thresholds of plant species is different in various species, therefore, in order to determination of occurrence optimal thresholds, quality of predictive models should be considered in addition to the research objective and abundance of studied species