مدلسازي مطلوبيت رويشگاه گونه راش شرقي (Fagus orientalis) در جنگلهاي هيركاني

Modeling habitat suitability of the beech species (Fagus orientalis) in Hyrcanian forests

مدل سازي پـراكنش مكـاني رويشـگاه گونـه هـاي گياهي برپايه خصوصيات بوم شناختي براي پيش بينـي درك پراكنش مكاني گونه هاي گياهي كه نقش برجسـته اي در ارزيـابي حفاظـت منطقـه اي و توسـعه برنامه ريزي دارند، موجب شناخت عوامل بوم شـناختي اثرگذار بر آنها خواهد شد. گونه راش (Fagus orientalis)يكي از گونه‌هاي با ارزش در جنگل‌هاي هيركاني است و از مهم‌ترين درختان رطوبت پسند اين ناحيه محسوب مي‌شود. اين پژوهش در راستاي دستيابي به مناطق داراي پتانسيل بالاي حضور اين گونه درختي طراحي شد. در اين تحقيق از اطلاعات و داده‌هاي آماربرداري و تيپ‌بندي كتابچه طرح‌هاي جنگلداري شمال كشور كه در آن حضور گونه راش ثبت شده است استفاده گرديد. همچنين به منظور مدلسازي اين گونه از 5 روش مدل‌سازي متداول در تهيه نقشه مطلوبيت رويشگاه ، يعني مدل‌هاي خطي تعميم‌يافته، مدل جمعي تعميم‌يافته، استفاده شد. مدل‌هاي مورد استفاده توسط معيارهاي سطح زير منحني مورد ارزيابي قرار گرفتند و نتايج نشان كه بيشترين مقدار سطح زير منحني مربوط به مدل جنگل-تصادفي بوده و اين مدل داراي بهترين عملكرد مي‌باشد.

Modeling the habitat spatial distribution of plant species based on ecological characteristics to predict the understanding of the spatial distribution of plant species that play a prominent role in the evaluation of regional protection and development planning will lead to the recognition of the ecological factors affecting them. Beech species (Fagus orientalis) is one of the valuable species in Hyrcanian forests and is considered one of the most important moisture-friendly trees in this area. This research was designed in order to reach areas with high potential for the presence of this tree species. In this research, the information and data of statistics and typification of the book of forestry plans in the north of the country, where the presence of beech species was recorded, were used. Also, in order to model this species, 5 common modeling methods were used in preparing the habitat suitability map, that is, generalized linear models, generalized collective model. The models used were evaluated by the criteria of the area under the curve and the results show that the highest value of the area under the curve is related to the random forest model and this model has the best performance.