مدل سازي پيشبيني پراكنش رويشگاه گونه هاي گياهي با روش رگرسيون لوجستيك(مطالعه موردي: مراتع غرب تفتان، شهرستان خاش)

(Predictive modeling of plant species habitat distribution using logistic regression (A case study in western Taftan, Khash City

ارائه مدل پيش‌بيني پراكنش رويشگاه گونه‌هاي گياهي و تهيه نقشه پيش‌بيني پراكنش هر يك از رويشگاه‌ها با روش رگرسيون لوجستيك از اهداف اين پژوهش بود. نمونه‌برداري از پوشش گياهي در هر رويشگاه به روش تصادفي- تعييسيستماتيك از طريق پلات‌گذاري در امتداد 4 خط‌نمونه 150 و200 متري انجام شد. سطح قطعات‌نمونه با توجه به نوع گونه‌هاي موجود، به‌ روش سطح حداقل بين 2 تا 25 متر‌مربع و تعداد آنها با توجه به تغييرات پوشش گياهي و روش آماري 40 تا 60 قطعه-نمونه تعيين شد. براي نمونه‌برداري از خاك نيز در هر رويشگاه، هشت پروفيل حفر و از دو عمق 30-0 و 60-30 سانتي-متري نمونه‌برداري شد. مدل‌سازي پراكنش رويشگاه‌ها به روش رگرسيون لوجستيك و با استفاده از نرم‌افزار SPSS انجام شد. نقشه‌هاي پيش‌بيني رويشگاه گونه‌هاي گياهي، با استفاده از مدل‌هاي حاصل ساخته شد. بر اساس مدل‌هاي پيش‌بيني، بافت خاك، درصد ماده آلي‌ عمق اول، درصد گچ عمق دوم، درصد آهك عمق اول، اسيديته عمق دوم، نوع سازند زمين-شناسي، درصد شيب و ارتفاع بيشترين نقش را در پراكنش رويشگاه‌هاي مورد مطالعه دارند. ميزان تطابق نقشه‌هاي پيش‌بيني حاصل با نقشه واقعي براي رويشگاه‌ A. aucheri و A. scoparia، عالي؛ براي رويشگاه‌هاي H. persicum وZ. eurypterum ، خوب و براي رويشگاه A. sieberi ضعيف ارزيابي شد. نتايج نشان مي‌دهد كه روش رگرسيون لوجستيك lمي تواند براي رويشگاه گونه‌‌هايA. aucheri و A. scoparia كه داراي شرايط رويشگاهي منحصر به‌فردي است مدل پيش‌بيني دقيقي فراهم آورد، اما براي رويشگاه A. sieberi، به دليل دامنه بوم-شناختي گسترده، دقّت مدل‌ پيش‌بيني حاصل از اين روش پايين‌ بود.

The present study aimed to predictive modelling of plant species habitats distribution and preparation of predictive distribution maps of plant species using logistic regression.Vegetation sampling was carried out by random-systematic method where along four transects in the length of 150- 200 m established With regard to the type of the species, the quadrat size was determined by the minimal area method which ranged from 2 to 25 m2 and sample size was determined 40-60 quadrats by considering the changes in vegetation and statistical method. In order to soil sampling,soil sampling was performed by digging of eight soil profiles and sampling 0-30 and 30-80 cm depths. Habitats distribution was modeled using logistic regression and SPSS software. Predictive maps of plant habitat distribution were prepared using relevant models. Based on predictive obtained model, soil texture, soil organic matter in upper soil, percent of gypsum in subsoil, lime percent in upper soil, soli acidity (pH) in subsoil, type of geological formation, degree of slope and altitude were most effective variables in habitat distribution of plant communities. Based on Kappa value the agreement of predicted and observed maps was exellent for the habitats of A. scoparia, A. aucheri, and for the habitats of H. persicum , Z. eurypterum and A. sieberi was good and poor respectively. Results show that logistic regression could provide high predictive accuracy model for species that have unique habitat condition such as A. scoparia and A. aucheri in comparison with species that have wide ecological amplitude such as A. sieberi.