تعیین آستانۀ بهینۀ حضور در مدل‌های پیش‌بینی پراکنش گونه‌های گیاهی (مطالعۀ موردی: مراتع منطقۀ نیر استان یزد)

نویسندگان

1 دانشگاه تهران

2 دانشگاه زابل

چکیده

پژوهش حاضر با هدف تعیین آستانۀ بهینۀ حضور در مدل‌های پیش‌بینی پراکنش گونه‌های گیاهی در مراتع منطقۀ نیر استان یزد انجام شد. بدین‌ منظور، بعد از تعیین واحدهای همگن نمونه‌برداری با استفاده از نقشۀ رقومی ارتفاع و نقشۀ زمین‌شناسی با مقیاس 1:25000، نمونه‌برداری از پوشش گیاهی به روش تصادفی- سیستماتیک از طریق پلات‌گذاری در امتداد 3 تا 5 ترانسکت ۳00-۵00 متری انجام شد. برای نمونه‌برداری از خاک نیز در هر رویشگاه هشت پروفیل حفر و از دو عمق 0-۳۰ و۳0-۸0 سانتی‌متری نمونه گرفته شد و خصوصیات خاک شامل سنگریزه، بافت، رطوبت اشباع، رطوبت قابل‌دسترس، آهک، گچ، مادۀ آلی، اسیدیته، هدایت الکتریکی و املاح محلول مورد اندازه‌گیری قرار گرفت. مدل‌سازی پیش‌بینی پراکنش گونه‌های گیاهی با استفاده از روش‌های رگرسیون لوجستیک، آنتروپی حداکثر و شبکه‌های عصبی مصنوعی انجام شد. بعد از تهیۀ نقشه‌های پیش‌بینی هر گونۀ گیاهی، آستانۀ بهینۀ حضور گونه‌های گیاهی با استفاده از رویکرد ترکیبی حساسیت و اختصاصیت برابر و رویکرد حداکثرسازی کاپا تعیین و میزان انطباق نقشه‌های واقعی و پیش‌بینی با اندازه‌گیری ضریب کاپا مورد ارزیابی قرار گرفت. براساس نتایج، دقت نقشه‌های پیش‌بینی حاصل از روش‌های مختلف مدل‌سازی متفاوت است. بیشترین میزان تطابق در بین نقشه‌های حاصل از روش رگرسیون لوجستیک، آنتروپی ‌حداکثر و روش شبکۀ‌ عصبی ‌مصنوعی به‌ترتیب به رویشگاه‌های C. monacantha (k=0/9)، (k=0/93) R. ribes-A. sieberi و S. rosmarinus (k=0/86) تعلق دارد. این نتایج گویای آن است که آستانۀ بهینۀ حضور در مدل‌های پیش‌بینی پراکنش گونه‌های گیاهی با توجه به توانایی متفاوت مدل‌های پیش‌بینی در تمایز حضور و عدم‌حضور گونه‌ها متفاوت است، بنابراین ضروری است در تعیین آستانۀ بهینۀ حضور، علاوه بر هدف پژوهش و فراوانی گونه‌های مورد مطالعه، کیفیت مدل‌های پیش‌بینی نیز مدنظر قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

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

نویسندگان [English]

  • Mohamad Ali Zare Chahouki 1
  • Hosein Piry Sahragard 2
  • Mohsen Naghilou 1
1
2
چکیده [English]

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 (κ= 0.9), R. ribes-A. sieberi (κ= 0.93) and S. rosmarinus (κ= 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

کلیدواژه‌ها [English]

  • Occurrence optimal thresholds
  • Sensitivity-specificity equality approach
  • Kappa maximization approach
  • Rangelands of Nir
  • Plant distribution modeling
  1. 1. Araujo, M.B., Williams, P.H., Fuller, R.J., 2002. "Dynamics of extinction and the selection of nature reserves. Proceedings of the Royal Society London" - Biological Series B269, 1971-1980.
  2. 2. Carter, G.M., Stolen, E.D., Breininger, D.R., 2006. A rapid approach to modeling species–habitat relationships. Biological conservation 127, 237 -244.
  3. 3. Cumming, G.S., 2000. Using habitat models to map diversity: pan-African species richness of ticks (Acri:lxodida). Journal of biogeography 27, 425-/440.
  4. 4. D’heygere, T., Gorthals, P. L. M., De Pauw, N., 2003. Use of genetic algorithms to select input variables in decision tree models for the prediction of benthic macro invertebrates. Ecological modeling 160, 291-/300.
  5. 5. Cawsey, E.M., Austin, M.P., Baker, B.L., 2002. Regional vegetation mapping in Australia: a case study in the practical use of statistical modelling. Biodiversity and Conservation 11 (22), 39–74.
  6. 6. Fielding, A.H., Haworth, P.F., 1995. Testing the generality of bird-habitat models. conservation biology 9, 1446–1481.
  7. 7. Fielding, A.H., Bell, J.F., 1997. A review of methods for the assessment of prediction errors in conservation presence- absence models. Environmental Conservation 24, 38-49.
  8. 8. Freeman, E.A., Moisen, G.G., 2008. A comparison of the performance of threshold criteria for binary classification in terms of predicted prevalence and kappa. Ecological modeling 217, 48–58.
  9. 9. Hosmer, D.W. Lemeshow, S., 2000. Applied Logistic Regression. Wiley, New York, 307 pp.
  10. 10. Liu, C., Berry, P. M., Dawson, T. P., Pearson, R.G., 2005. Selecting thresholds of occurrence in the prediction of species distributions, Ecography 28, 385-393.
  11. 11. Luoto, M., Hjort, J., 2005. Downscaling of coarse-grained geomorphological data.Earth Surf. Process. Landf 33, 75–89.
  12. 12. Loiselle, B.A., Howell, C.A., Graham, C.H., Goerck, J., Brooks, T., Smith, K.G., Williams, P.H., 2003. Avoiding pitfalls of distribution models, Ecological Modelling 148, 1-13.
  13. 13. Manel, S., Dias, J.M., Buckton, S.T., Ormerod, S.J., 1999. Alternative methods for predicting species distributions: an illustration with Himalayan river birds. Journal of Applied Ecology 36, 734-747.
  14. 14. Manel, S., Williams, H.C., Ormerod, S.J., 2001. Evaluating presence–absence models in ecology: the need to account for prevalence. Journal of Applied Ecology 38, 921–931.
  15. 15. Miller, J., Franklin, J., 2002. Modeling the distribution of four vegetation alliances using generalized linear models and classification trees with spatial dependence. Ecological Modelling 157(2-3), 227-247.
  16. 16. Piri sahragard, H., 2014. Evaluation of statistical models efficiency to predict the distribution of plant Species, (Case study: Qum Province Rangelands), PhD thesis of range management, Faculty of Natural Resources, University of Tehran, 157 pp.
  17. 17. Piri sahragard, H., Zare Chahouki, M.A. Gholami, H., 2015a. Predictive distribution models for determination of optimal threshold of plant species in central Iran. Range Management & Agroforestry 36 (2), 146-150.
  18. 18. Piri sahragard, H., Zare Chahouki, M.A., 2015b. An evaluation of predictive habitat models performance of plant species in Hoze soltan rangelands of Qom province. Ecological Modelling 309-310, 64-71.
  19. 19. Rondinini, C., Wilson, K.A., Boitani, L., Grantham, H., Possingham, P., 2006. Tradeoffs of different types of species occurrence data for use in systematic conservation planning. Ecology Letters 9, 1136–1145.
  20. 20. Segurado, P., Araújo, M., 2004. An evaluation of methods for modelling species distributions. Journal of biogeography 31, 1555–1569.
  21. 21. Stockwell, D.R.B., Peterson, A.T., 2002. Effects of sample size on accuracy of species using species distribution models in conservation planning. Conservation Biology 17 (6), 1591-1600.
  22. Elith, J., 2005. Sensitivity of conservation planning to different approaches to using predicted species distribution data. Biological Conservation 122, 99-112.
  23. Zare Chahouki, M.A., Azarnivand, H., Jafari, M., Tavili, A., 2010. Multivariate Statistical Methods as a Tool for Model-Based Prediction of Vegetation Types, Russian Journal of Ecology, 41(1), 84-94.
  24. Zare Chahouki, M.A., Khalasi Ahvazi, L., Azarnivand, H., 2012. Comparison of three modeling approaches for predicting plant species distribution in mountainous scrub vegetation (Semnan rangelands, Iran), Polish Journal of ecology 60 (2), 105-117.
  25. Zare Chahouki, M.A. and J. Esfanjani, 2015. Predicting potential distribution of plant species by modeling techniques in southern rangelands of Golestan, Iran. Range Management and Agroforestry 36(1): 66-71.