مقايسه تكنيك هاي رگرسيوني و يادگيري ماشيني در تعيين گستره جغرافيايي اسپرس كوهي (.Onobrychis cornuta L) تحت تأثير ويژگي هاي محيطي و تغيير اقليم با استفاده از مدل IPSL-CM6A-LR

پيش بيني تأثير تغيير اقليم بر اكوسيستم هاي بومي يكي از اهداف ديرينه اكولوژيست هاست و امري ضروري جهت حفاظت و مديريت آنهاست. مدل هاي پراكنش گونه اي (SDM) پركاربردترين ابزار براي پيش بيني اثرات تغيير اقليم بر محدوده جغرافيايي گياهان هستند. در اين مطالعه، تكنيك هاي رگرسيوني (GLM و MARS) و يادگيري ماشيني (ANN و RF) همراه با متغيرهاي محيطي براي پيش بيني پراكنش Onobrychis cornuta L. به كار رفتند. پاسخ گونه به اقليم آينده (2070-2050) تحت سناريوهاي خوش بينانه (SSP1-2.6)، بدبينانه (SSP3-7.0) و خيلي بدبينانه (SSP5-8.5) مدل اقليمي IPSL-CM6A-LR از مدل هاي CMIP6 بررسي شد. طبق نتايج، مدل اجماعي و سپس MARS دقيق ترين پيش بيني را داشتند. مدل ANN با اختلاف معني دار با ساير مدل ها (0.05 gt;p) كمترين صحت پيش بيني را داشت. آناليز حساسيت، ارتفاع (%24.64)، حداكثر دماي گرمترين ماه (%20.31)، تغييرات فصلي دما (%16.57) و ميانگين دامنه دماي روزانه (%16) را مؤثرترين متغيرها بر پراكنش گونه معرفي كرد. طبق مدل اجماعي، رويشگاه مناسب گونه، 27 درصد از منطقه را به خود اختصاص داده است، اما تحت اقليم آينده، پراكنش آن كاهش خواهد يافت. سناريوي SSP5-8.5 بيشترين تأثير را بر جابجايي محدوده پراكنش گونه خواهد داشت. نقشه هاي پيش بيني حاصل اطلاعات ارزشمندي را براي راهكارهاي حفاظتي شامل شناسايي مكان هاي مناسب جهت معرفي مجدد و كشت آن در چارچوب طرح هاي مديريت مراتع فراهم مي سازند.