تهيه ي نقشه متغيرهاي زيست اقليمي استان لرستان با استفاده از تكنيك هاي زمين آماري و رگرسيوني

Mapping Bioclimatic Variables Using Geostatistical and Regression Techniques in Lorestan Province

متغيرهاي زيست ­اقليمي، يكي از مهم ­ترين متغيرهاي محيطي مي ­باشند كه در تهيه نقشه و مدل­ سازي پراكنش گونه­ ها جهت مديريت و حفاظت پوشش گياهي و كشت گونه ­ها مورد استفاده قرار مي­ گيرند. در اين تحقيق به منظور تهيه نقشه­ هاي زيست­اقليمي، با استفاده از روش­ هاي زمين­ آمار (كريجينگ و كوكريجينگ) و مدل رگرسيون خطي چندگانه داده­ هاي بلند­مدت اقليمي 49 ايستگاه هواشناسي از سال 1331 تا 1396 براي استخراج 19 متغير زيست ­اقليمي در استان لرستان مورد بررسي قرار گرفت. براي انتخاب بهترين مدل درون­يابي از نسبت همبستگي استفاده شد. همچنين براي ارزيابي و صحت روش درون ­يابي از ارزيابي متقابل استفاده گرديد. جهت انتخاب بهترين روش درون­يابي از دو شاخص ريشه ميانگين مربعات خطا (RMSE) و ريشه دوم ميانگين استاندارد شده خطا (RMSSE) استفاده شد. براساس نتايج بدليل خطاي كمتر مقادير ريشه ميانگين مربعات خطا و ريشه دوم ميانگين استاندارد شده خطا روش كريجينگ براي Bio4، Bio5، Bio7، Bio12، Bio13، Bio15، Bio16، Bio17، Bio18، روش كوكريجينگ براي Bio1، Bio2، Bio3، Bio6، Bio8، Bio9، Bio10 و Bio11 و روش رگرسيون خطي چندگانه براي Bio19 به عنوان بهترين روش درون­ يابي براي رسم نقشه ­هاي زيست ­اقليمي بدست آمد. براساس نتايج اين پژوهش استفاده از متغير كمكي ارتفاع، عوامل جغرافيايي و اقليمي مي ­تواند دقت ارزيابي روش­ هاي درون ­يابي را افزايش دهد و در ايجاد نقشه ­هاي دقيق متغيرهاي زيست­ اقليمي جهت مدل ­سازي پراكنش گونه­ اي استفاده شود.

Bioclimatic variables are one of the most important environmental variables that used in mapping and species distribution modeling for the management and conservation of vegetation and species cultivation. In order to provide bioclimatic maps, long-term climate data of 49 weather stations were used during the years 1952 to 2017 to extract 19 bioclimatic variables. Geostatistics methods (Kriging and Cokriging) and Multiple Linear Regression model were used to create 19 bioclimatic variables in Lorestan Province. Correlation ratio was used to select the best interpolation model. Also, Cross-validation was used to validate the interpolation method. Root Mean Square Error (RMSE) and the Root Mean Square Standardized Error (RMSSE) were used to select the best interpolation method. Based on the results, the best interpolation method for maping Bio4, Bio5, Bio7, Bio12, Bio13, Bio15, Bio16, Bio17 was Kriging method due to lower error values of RMSE and RMSSE for and Bio18 and the best interpolation method for maping of Bio1, Bio2, Bio3, Bio6, Bio8, Bio9, Bio10, and Bio11 was Cokriging method. Multiple Linear Regression model was also the best interpolation method for Bio19. Based on the results of this study, the use of an elevation auxiliary variable and climatic factor can increase the accuracy of the evaluation of interpolation methods to create accurate maps for modeling of species distribution.