این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
حفاظت زیست بوم گیاهان، جلد ۱۱، شماره ۲۳، صفحات ۱۸۳-۲۰۶
عنوان فارسی مدل‌سازی رویشگاه گونه ارس (Juniperus excelsa M.Bieb.) با استفاده از سنجش از دور در استان‌های اردبیل و زنجان
چکیده فارسی مقاله داده‌های سنجش از دور توانایی بالایی برای نشان دادن ویژگی‌های زیستگاه و استفاده در مدل‌های توزیع گونه‌ها فراهم می‌کند. هدف از این مطالعه تعیین مهمترین پیش‌بینی کننده‌های سنجش از دور شامل شاخص‌های اقلیمی (بارندگی و درجه حرارت)، شاخص‌های اولیه و ثانویه توپوگرافی (ارتفاع، شیب، جهت، شاخص موقعیت توپوگرافی (TPI) و شاخص ناهمواری زمین (TRI)) و شاخص‌های سنجش از دوری (شاخص جهانی پایش محیطی (GEMI)، شاخص سطح برگی (LAI)، شاخص آب اختلاف نرمال شده اصلاحی (MNDWI)، شاخص نسبت ساده اصلاح شده (MSR)، شاخص نسبت سوختگی نرمال شده (NBR) و شاخص مقاومت اتمسفری قابل مشاهده (VARI)) با استفاده از دو مدل توزیع گونه (درخت رگرسیون تقویت شده و جنگل تصادفی) برای پیش‌بینی حضور گونه ارس (Juniperus excelsa M.Bieb.) در سطح شهرستان خلخال استان اردبیل و بخش شمالی استان زنجان با استفاده از نرم‌افزار SAHM است. ارزیابی مدل‌های پیش‌بینی با استفاده از سطح زیرمنحنی نشان داد برای هر دو مدل درخت رگرسیون تقویت شده (991/0) و مدل جنگل تصادفی (974/0) در سطح عالی قرار می‌گیرد. مهم‌ترین متغیرهای مؤثر بر مطلوبیت زیستگاه براساس روش درخت رگرسیون تقویت شده به‌ترتیب شامل متغیرهای بارندگی سالانه، شیب، مدل رقومی ارتفاع، دما، شاخص پایش جهانی محیط‌زیست و شاخص ناهمواری است. مهم‌ترین متغیرهای مؤثر بر مطلوبیت زیستگاه براساس روش جنگل تصادفی به‌ترتیب شامل بارندگی سالانه، مدل رقومی ارتفاع، شاخص جهانی پایش محیط‌زیست، شیب، شاخص مقاومت اتمسفری قابل مشاهده، دما، شاخص نسبت ساده اصلاح شده، شاخص ناهمواری زمین، شاخص موقعیت توپوگرافی، شاخص نسبت سوختگی نرمال شده، شاخص آب اختلاف نرمال شده اصلاحی، شاخص سطح برگی و جهت شیب است. مناطق تعیین شده به عنوان رویشگاه مناسب در این مطالعه می‌تواند در تدوین برنامه‌های مدیریتی با هدف ارزیابی رویشگاه‌های مستعد، امکان حفاظت، تکثیر و پرورش این گونه مورد استفاده قرار گیرد. با توجه به اینکه انتخاب روش مدل‌سازی، منبع اصلی تغییرپذیری در پیش‌بینی‌هاست و انتخاب بهترین مدل پیش‌بینی ساده نیست، بنابراین استفاده از ترکیبی از این مدل‌ها به‌جای تکیه به خروجی‌های حاصل از یک مدل مجزا پیشنهاد می‌گردد.
 
کلیدواژه‌های فارسی مقاله درخت رگرسیون تقویت شده، جنگل تصادفی، شاخص‌های سنجش از دوری
عنوان انگلیسی Modeling species habitats of Juniperus excelsa M.Bieb. using remote sensing and geographic information system in Ardabil and Zanjan province
چکیده انگلیسی مقاله Remote sensing data provide a high ability to represent habitat characteristics and use in species distribution models. The purpose of this study is to determine the most important of remote sensing predictors, including climatic indices (precipitation and temperature), primary and secondary topographic indices (elevation, slope, direction, Topographic Position Index (TPI) and Terrain Roughness Index (TRI) and remote sensing indices (Global Environmental Monitoring Index (GEMI), Leaf Area Index (LAI), Modified Normalized Difference Water Index (MNDWI), Modified Simple Ratio Index (MSR), Normalized Burn Ratio Index (NBR) and Visible Atmospherically Resistant Index (VARI)) using two species distribution models (Boosted Regression Tree and Random Forest) to predict the presence of J. excelsa in Khalkhal County of Ardabil province and northern part of Zanjan province using SAHM software. The evaluation of prediction models using AUC chart (Area under curve) showed that it is at an excellent level for both the BRT model (0.991) and the RF model (0.974). The most important affecting habitat desirability based on the BRT method include annual precipitation, slope, digital elevation model, temperature, GEMI index and TRI index variables respectively. The most important variables affecting habitat desirability based on the RF method, respectively, include annual precipitation, digital elevation model, GEMI index, slope, VARI index, temperature, MSR index, TRI index, TPI index, NBR index, MNDWI index, LAI index and aspect. The region mapped in the study as suitable habitats’ for the species could be used in the planning strategies with the aim of evaluating the susceptible habitats, the possibility of conservation, reproduction and breeding. Considering that the modeling method choice is the main source of variability in predictions and choosing the best prediction model is not simple, therefore, it is suggested to use a combination of these models instead of relying on the outputs of a single model.
 
کلیدواژه‌های انگلیسی مقاله Boosted Regression Tree, Random Forest, Remote sensing indices
نویسندگان مقاله آزاد کاکه ممی | Azad Kakehmami
University of Mohaghegh Ardabili
دانشگاه محقق اردبیلی

اردوان قربانی | Ardavan Ghorbani
University of Mohaghegh Ardabili
دانشگاه محقق اردبیلی

مهدی معمری | Mehdi Moameri
University of Mohaghegh Ardabili
دانشگاه محقق اردبیلی

اباذر اسمغلی عوری | Abazar Esmali Ouri
University of Mohaghegh Ardabili
دانشگاه محقق اردبیلی

زینب حزباوی | Zeinab Hazbavi
University of Mohaghegh Ardabili
دانشگاه محقق اردبیلی

سحر غفاری | Sahar Ghafari
University of Mohaghegh Ardabili
دانشگاه محقق اردبیلی

نشانی اینترنتی http://pec.gonbad.ac.ir/browse.php?a_code=A-10-816-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات