۵۵
مقدمه
1268732170556

Downloaded from ijae.iut.ac.ir at 16:18 IRST on Saturday October 28th 2017

Downloaded from ijae.iut.ac.ir at 16:18 IRST on Saturday October 28th 2017

مدلهاي پیشبینی کننـده توزیـع گونـههـا (SDMs) بـا تعیـینفاکتورهاي موثر بر حضور و مطلوبیت زیستگاه گونه، ابزار مهمی در تصمیمگیريهاي حفاظتی تنوع زیستی به شمار میروند. ایـنمدلها ارتباط اکولوژي، زیست جغرافیا و حفاظـت گونـههـا را فراهم میکننـد (4 و 15). تـا کنـون مـدلهـاي متنـوعی بـراي پیشبینی پراکنش گونهها معرفی شده است کـه تفـاوت آنهـا رامیتوان در الگوریتمهاي آماري استفاده شده، نوع دادههاي وارد شده به مدل و فرضیات بهکار گرفته شده در هر مدل بیان کـرد .
روش مدلسـازي زیسـت- اقلیمـی (8)، BRT ،(9) DOMAIN(10) آشیان بومشناختی (14) بیشینه آنتروپی (19) مهمتـرین روش هـايمدلسازي پراکنش گونهها بشمار میروند. متغیرهاي زیست اقلیمی یکی از مهمترین متغیرهاي محیطی بوده کـه در اکثـر مطالعـاتمدلسازي پراکنش گونـه هـا اسـتفاده مـیشـوند (13، 15 و24).
تغییرات اقلیمی با ایجـاد محـدودیتهـاي فیزیولـوژیکی نقـشمهمی در پراکنش گونههاي گیاهی و جانوري دارد (5). ارتبـاطبین اقلیم و توزیع گونهها در یک سیماي سرزمین به سازگاريهـاي محلی گونهها، موانع انتشار و میزان دسترسی گونه به زیسـتگاه ، بستگی دارد. متغیرهاي زیست اقلیمـی از مقـادیر دمـا و بـارش ماهیانه استخراج میشوند و معنی داري زیستی بیشتري، نسـبت به متغیرهاي اقلیمی دارند. این متغیرها شامل رونـدهاي سـالانه، رژیم و حدود آستانه یا فاکتورهاي محدودکننـده محـیط زیسـتی میباشـند (6). در بیشـتر مطالعـاتی کـه تـا کنـون در رابطـه بـا مدلسازي زیستگاه گونهها استفاده شدهاست از 19 متغیر زیست اقلیمی وبگاه اقلیم جهـانی (Worldclim) اسـتفاده شـده اسـت
(13، 15 و 24).
بخش زیادي از مساحت کشور را سه اسـتان یـزد، اصـفهان وکرمان بهخود اختصاص دادهاند که جزء مناطق با اقلـیم خشـک ونیمهخشک طبقهبندي مـی شـوند و زیسـتگاههـاي بیابـانی بخـشوسیعی از این مناطق را پوشانده است. با وجـود محـدودیتهـايمحیطی زیاد، تنوع گونههاي گیاهی و جانوري این بخـش از کشـوربالا بوده و گونههاي کلیـ دي بسـیاري از جملـه یوزپلنـگ آسـیاي
۵۶
(Gazella subgutturosa) آهویـــایرانی،(Acinonyx jubatus)
،جبیــر(Gazell bennetti)، هــوبره (Chlamydotis undulata)، کاراکال (Caracal caracal) و گـور ایرانـی (Equus onager) در این بخش از کشور زیست میکنند. متاسفانه در سالهاي اخیـربهدلیل افزایش دخالتهاي انسـانی، جمعیـت بسـیاري از ایـنگونهها بهشدت کاهش یافتهاست. این موضوع اهمیت مطالعات علمی در خصوص عوامل موثر بر توزیع گونههاي این بخش از کشور را دوچندان میکنـد . عوامـل اقلیمـی بـه خصـوص دمـا وبارندگی عامل محدود کننـده پـراکنش گونـههـاي جـانوري وگیاهی زیستبومهاي این مناطق معرفی میشوند. لذا استفاده از فاکتورهاي اقلیمی در مدلسازي پراکنش گونههاي جـانوري درزیستبومهاي بیابانی مرکز کشور از اهمیت بهسزایی برخوردار است. از آنجا کـه در کشـور مـا تـا کنـون در رابطـه بـا نحـوهاستخراج و درونیابی دادههاي زیست اقلیمی بهمنظـور کـاربرداین متغیرها در مدلهاي پیشبینیکننده توزیع گونهها، مطالعات چندانی صورت نگرفتهاست، بههمینمنظور این مطالعه با هدف تعیین بهترین روش درونیابی دادههاي زیستاقلیمـی در مرکـزکشور بهمنظور کاربرد این دادهها در مدلسازي پـراکنش گونـه-هاي این مناطق اجرا شد. براي ساخت لایههاي زیستاقلیمـی از دادههـاي هواشناسـی 26 ایسـتگاه سـینوپتیک مرکـز کشـور (اصفهان، یـزد و کرمـان ) در طـی سـال هـاي 1950 تـا 2010 استفاده شد.
در یک تقسیمبندي کلی میتوان روشهاي درونیابی را به
3 دسته روشهاي تصادفی، قطعی و دیگر روشها تقسیم بندي کرد (22). انتخاب روش مناسب جهت تهیه نقشههاي پیوسته از متغیرهاي زیست اقلیمی از مسائل اساسی در تهیه این نقشـه هـا بهشمار میرود که بستگی به ماهیت دادههـا، مقیـاس مکـانی وزمانی دادههـا و تعـداد نقـاط معلـوم دارد. ارزیـابی روش هـايدرونیابی از سه طریق تکه تکه کردن دادهها (Data splitting)، ارزیابی متقابل (Cross validation) و محاسبه واریانس کریجینگ (Kriging variance) امکانپذیر است. نادي و همکاران (3) در مطالعهاي در استان خوزستان به مقایسـه روش هـاي درونیـابی دادههاي اقلیمی پرداختنـد و بهتـرین روش را روش رگرسـیونکریجینگ معرفی کردند. فـاطمی و یـزدانپنـاه (2) بـه ارزیـابیروشهاي مختلف میانیابی بهمنظـور بـرآورد دادههـاي بـارشاصــفهان پرداختنــد و روش رگرســیون بــارش، ارتفــاع، طــولجغرافیایی را بهترین روش معرفی کردند. اسـمیت و همکـاران(23) روش IDW را براي مناطقی که تعداد دادههاي معلوم زیاد نباشد را روش مناسبی براي درونیابی معرفی کردند.

مواد و رو شها
منطقه موردمطالعه، دادههاي اقلیمـی و اسـتخراج متغیرهـايزیست اقلیمی

شکل ۱. پراکندگی ايستگاههای سينوپتيک بر روی نقشه رقومی ارتفاع در محدوده مورد مطالعه
منطقه موردمطالعه شامل سه استان مرکزي کشور (یزد، کرمـان، اصفهان) میباشد. محدوده ارتفاعی بین 100 تا 4473 متر متغیر است. به دلیل دقـت و کیفیـت آمـار هواشناسـی ایسـتگاههـايسینوپتبک، در این پژوهش از دادههاي ماهانه دمـا و بـارش 26 ایستگاه سینوپتیک در محدوده موردمطالعـه در طـی سـال هـاي 1950 تا 2010 استفاده شد. در شکل 1 محدوده مورد مطالعه و موقعیت ایستگاههاي سینوپتیک بر روي نقشه توپوگرافی منطقـه نشان داده شدهاست. تغییرات ارتفاعی ایستگاههاي موردنظر بین 470 تا 2290 متغیر است که نشان میدهد در برخـی از منـاطق موردمطالعه ایستگاه هواشناسی وجود ندارد. بهمنظور اسـتخراج دادههاي زیسـت اقلیمـی، ابتـدا دادههـاي ماهانـه دمـا و بـارش بهصورت دادههاي نرمال اقلیمی تعریف شـد . سـپس 20 متغیـر زیست اقلیمی از دادههاي ماهانه دما و بارش استخراج شد (17، جدول 1). در شاخصهاي زیسـت اقلیمـی فصـلی، فصـل بـه صورت بازههاي زمانی سه ماهه تعریف شد. لذا این شاخصها براي تمامی ترکیبهاي متوالی سه ماهه محاسبه و بعد از آن بسته به نوع شاخص مورد نظر حداقل یا حداکثر شاخص انتخاب شد.
1268732170556

Downloaded from ijae.iut.ac.ir at 16:18 IRST on Saturday October 28th 2017

Downloaded from ijae.iut.ac.ir at 16:18 IRST on Saturday October 28th 2017

جهت تعیین شاخصهاي فصلی براي ماههاي آخر سال (بهمـن و اسفند)، تعریف دوره سه ماهه با استفاده از ماههاي اول سـال انجام گرفت. براي محاسبه متوسـط سـالانه دامنـه روزانـه دمـا (2Bio) از نوسانات دمایی ثبت شده در یک ماه استفاده شد. در این رویکرد استفاده از متوسطهاي ماهانه از نظر ریاضـی برابـربا محاسبه دامنه دمـا بـراي هـر روز از مـاه اسـت (17). متغیـرزیسـتاقلیمـی رژیـم دمـا (10Bio و11Bio)، بـه دو صـورت ضریب تغییرات و انحرافمعیار تعریف شد. در محاسـبه رژیـمبارش بر اساس ضریب تغییرات، بهمنظـور جلـوگیري از اعـدادمنفی و یا صفر در مخرج معادله، دادههاي دمایی بهصورت درجه کلوین وارد معادله شد.
۵۷

تجزيه و تحليل دادهها
بررسی توزیع، همبستگی و رگرسیون متغیرها قبل از انتخاب روش مناسب بـراي درونیـابی دادههـاي دمـا و بارش سـالانه، بـه بررسـی و تجزیـه وتحلیـل توصـیفی دادههـا پرداخته شد، بدین منظور ابتدا شاخصههاي آمار توصیفی براي هر دو متغیر دماي سالانه و بارش محاسبه شد. نرمال بودن دادهها با استفاده از آزمون کولموگروف- اسمیرنوف یک نمونهاي و ترسیم
۵۸
جدول ۱. نحوه محاسبه ۲۰ متغير زيست اقليمی از دادههای ماهانه دما و بارش
493903-372596

0472079

Downloaded from ijae.iut.ac.ir at 16:18 IRST on Saturday October 28th 2017

Downloaded from ijae.iut.ac.ir at 16:18 IRST on Saturday October 28th 2017

5507991161563

دماي متوسط سالانه بارش سالانه
متوسط سالانه دامنه روزانه بارش مرطوبترین
حداقل دماي سردترین ماه رژیم بارش
محاسبه محاسبه
i =3
i= ماه؛ Tmax= ميانگين ماهانه حداکثر دمای روزانه؛ Tmin= ميانگين ماهانه حداقل دمای روزانه؛ PPT= بارش کل ماهانه؛ Tavgi- ميانگين دمای ماهانه
نمودار q-q بررسی شـد . بـه منظـور محاسـبه معادلـه رگرسـیون بارندگی با ارتفاع و همچنین دماي سالانه با ارتفاع ابتدا ضریب همبستگی محاسبه شد و سپس معادله رگرسیونی ترسیم شد.

بررسی نیم تغییرنما، روند و همبستگی مکانی متغیرها ارتباط بین گشتاور اینرسی، نمودار پراکندگی دادهها و فاصله بین جفت نقاط (h) موسوم به نیمتغییرنما (Semivariogram) است که یکی از مهمترین روشهاي تحلیل و بررسی همبستگی مکانی دادههاي اقلیمی بهشمار میرود. معادله 1 رابطه نیم تغییرنما را نشان میدهد. در این معاله γ(h) مقدار نیم تغییرنما براي جفت نقاطی است که به فاصله h از هم قرار دارند. n(h) تعداد زوج نقاطی است که به فاصله h از هم قرار دارند.Z (xi) مقدار مشاهده شده متغیر x در موقعیت i وz
(xi+h) مقدار مشاهدهاي متغیر در h از xi است
γ(h) =2 1 ∑in [z(xi) z(xi h− + )]2 n(h) =1 [1]
بهمنظور محاسبه میزان وزن اختصاص داده شده به هر ایسـتگاه در روش کریجینگ و همچنین همبستگی مکانی و روند متغیرها، نیم تغییرنما بر اساس سه مدل کروي، گوسی و نمـایی ترسـیمشد. از آنجا که شبکه ایستگاههـا بـهصـورت نـامنظم در سـطحمنطقه مورد مطالعه پراکنده شده بود، لذا انتخاب گـام (Lap) در نـرم افـزارGIS بـر اسـاس متوسـط فاصـله بـین نقـاط و نـیمتغییرنماي بدون جهت صورت گرفت.
وجود یا عدم وجود روند در دادهها با استفاده از ترسیم نیم تغییرنما بررسی شد. بهمنظور انتخاب مناسبترین مدل برازش داده شده به نیم تغییرنماي تجربی از اعتبارسنجی متقاطع استفاده شد. بدین منظور، مدلهاي مختلف با پارامترهاي متفاوت انتخاب و هر یک از مدلها که پس از اجراي روش کریجینگ داراي خطاي برآورد کمتري بود بهعنوان مدل بهینه نیم تغییرنما انتخاب شد.

انتخاب روش درونیابی بـراي داده هـاي اقلیمـی و زیسـتاقلیمی
انتخاب بهترین روش درونیابی در واقـع نـوعی آزمـون هزینـه منفعت بین کـارایی و پیچیـدگی مـدل اسـت . اکثـر روشهـاي درونیابی از یا رابطه 2 بـراي محاسـبه نقـاط مجهـول اسـتفاده میکنند. تفـاوت هـاي روشهـاي مختلـف درونیـابی ، در وزن اختصاص داده شده (λ i ) به هر ایستگاه است. در ایـن مطالعـه از روشهاي IDW، کریجینگ، کوکریجینگ، کریجینگ با روند خارجی و پنج روش توابع شعاع محور براي مدلسازي مکـانی دادههاي اقلیمی و زیست اقیمی استفاده شد
Z* =∑n λiZ(x )i [3]
i=1
ارزیابی روشهاي درونیابی بهمنظور انتخاب بهتـری ن روش براي دادههاي اقلیمی و زیستاقلیمی
از روش اعتبارسنجی متقاطع براي ارزیابی روشهاي مختلف درونیابی استفاده شد. در این روش براي هر یک از نقاط مشاهده شده، برآورد تخمینی با بهکارگیري روش درونیابی موردنظر انجام میگیرد. معیارهاي مختلفی براي مقایسه مقادیر مشاهدهاي و برآورد شده وجود دارد که در این مطالعه از دو روش میانگین انحراف خطا (MBE) و ریشه دوم مربع میانگین خطا (RMSE) استفاده شد.

بررسی امکان سنجی اجراي روشهاي درونیابی و بهینهسازي پارامترها در هر روش
بهمنظور امکان استفاده از هر یک از 9 مـدل بـه بررسـی رونـد،همبستگی مکانی و ناهمسانگـردي داده هـا پرداختـه شـد و درنهایت مدلهاي قابل اجرا انتخاب شدند. توان فاصله (Power)، تعداد نقـاط همسـایگی (Neighbor point)، شـعاع همسـایگی (Neighbor distance) و پارامتر هموارسازي از جمله مهمترین پارامترهایی بودند که قبل از اجراي مدل، بهینهسـازي شـدند . از روش اعتبارسنجی متقاطع پارامترهـاي هـر مـدل بهینـهشـده وپارامتري که کمترین میزان خطا را داشت بهعنوان پـارامتر بهینـهآن مدل انتخاب شد.

روش معکوس فاصله وزنی
در روش IDW که از جمله روشهاي زمین آمار قطعـی اسـت،مقدار نقاط مجهول (0S) از طریق ترکیب خطی نقاط معلوم (Si) در اطراف نقطه مجهول با استفاده از رابطه 3 محاسبه شد.
Z(S )0 = λ∑miZ(S )i [3]
1268732170556

Downloaded from ijae.iut.ac.ir at 16:18 IRST on Saturday October 28th 2017

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

Downloaded from ijae.iut.ac.ir at 16:18 IRST on Saturday October 28th 2017

وزن هر نقطه معلوم (l i ) بر اساس فاصله آن تا نز 1دی=iکترین
۵۹
1268732170556

Downloaded from ijae.iut.ac.ir at 16:18 IRST on Saturday October 28th 2017

Downloaded from ijae.iut.ac.ir at 16:18 IRST on Saturday October 28th 2017

نقطه معلوم بعدي با استفاده از یک تابع فاصلهاي غیرخطی زیر محاسبه شد (رابطه 4) (23).
326136195639

λ =imdi−0p, ∑m λ =i 1 [4]
303784-7461

pi=1
0
در رابطه 4، di0 فاصله بین نقطه معلوم تا نقطه مجهول1 =iرا نشان میدهد. از روش IDW تا کنون در رابطـه بـا مطالعـات اقلیمـیزیادي استفاده شده است (7 و 18). روش IDW براي منـاطقیکه تعداد دادههاي معلوم زیاد نباشد، روش مناسبی اسـت (22). بهدلیل گستردگی منطقه موردمطالعه و پراکندگی کم ایستگاههاي هواشناســی در مرکــز کشــور، از ایــن روش بــراي درون یــابی متغیرهاي زیستاقلیمی استفاده شد. قبل از اجـراي مـدل، سـه پارامتر توان فاصله، شعاع همسایگی و نقاط همسایگی با استفاده از روش ارزیابی متقاطع بهینه شد.

روش کریجینگ، کریجینگ با روند خارجی و کوکریجینگ روش کریجینگ با روند خارجی در مواردي استفاده میشود که متغیر اصلی با یک متغیر کمکی، ارتباط مکانی خطی داشته باشد. در این روش نخست روند موجود در دادهها با استفاده از نیم تغییرنما محاسبه شد. براي اجراي روش کوکریجینگ نیم تغییرنماي متغیر کمکی (ارتفاع) و نیم تغییرنماي متقابل متغیر اصلی و متغیر کمکی نیز ترسیم گردید.

روش توابع شعاع محور( RBF)
قبل از اجراي روش RBF پارامترهاي این روش بهینه شدند.در این مطالعه پنج مدل مختلف از RBF مورد ارزیابی قرار گرفت و بر اساس میزان ریشه دوم میانگین مربع خطا و همچنین میانگین انحراف خطا بهترین مدل RBF براي درونیابی دو متغیر دما و بارندگی انتخاب شد. تمامی آنالیزهاي آماري با استفاده از نرم افزار SPSS و درونیابی دادهها در محیط Arc GIS انجام شد.

نتایج
تجزیه و تحلیل دادههاي بارش سالانه و دماي میانگین سالانه آمارههاي توصیفی 20 متغیر زیست اقلیمی در منطقه موردمطالعه ۶۰
در جدول 2 نشان داده شدهاست. نتایج بررسی نرمال بودن داده-ها نشان داد که هر دو متغیـر بارنـدگی سـالانه (792/0KS P =) و دماي متوسط سالانه (692/0KS P =) از توزیع نرمـال پیـروي
میکنند (شکل 2). نتایج بررسی هـمبسـتگی نشـان داد کـه بـین متوسـط دمـاي سـالانه و ارتفـاع (00/0R =0/926 ، P=) در منطقـه مورد- مطالعه هـم بسـتگی معنـیداري وجـود دارد . امـا میـزان هـم- بستگی بـین بارنـدگی و ارتفـاع (01/0R =0/483 ، P=) چنـدانزیاد نبود همچنین معادله گرادیـان بارنـدگی و ارتفـاع (X 07/0 +33/36 Y=) و گرادیــان دمــا و ارتفــاع (X 007/0+ 20/28 Y=)بدست آمد.

بررسی نیم تغییرنما، روند و همبستگی مکانی متغیرها نتایج محاسبه نیم تغییر نماي بدون جهت براي سه مدل گوسی، نمایی و کروي در جدول 3 آورده شده است. بـر اسـاس روش ارزیابی متقابل، مدل نمایی کمترین میزان خطا را بـراي هـر دو متغیر دما و بارش نشان داد. لذا از این مدل بـراي انجـام روش کریجینگ استفاده شد. بعـد از بهینـه کـردن بهتـرین مـدل نـیم تغییرنما، ترسیم نیم تغیرنما براي دو متغیـر دمـا و بارنـدگی بـر اساس مدل نمایی انجام شد (شکل 3). همـان طـور کـه در ایـن شکل نشان داده شده است، ترسیم نیم تغییرنماي تجربی نشـان از وجود همبستگی مکـانی در دو متغیـر دمـا و بارنـدگی دارد.
علاوه بر این، شیب کم نیم تغییرنما در نزدیک مبدأ، وجود همبستگی مکانی را تائید میکند. از طرف دیگر، با توجه به اینکـه میـزان نیم تغییرنما با افزایش فاصله، افزایش و سپس به سـقف معینـی میرسد، عدم وجود روند و یا ارتباط خطی مستقیم بـین متغیـراصلی و کمکی در دو متغیر دما و بارندگی مشهود است. بـه منظـور بررسی امکان استفاده از مدل کوکریجینگ، نیم تغییرنماي متقابل بارندگی و ارتفاع و همچنین دما و ارتفاع ترسیم شد (شکل 3).
دما و ارتفاع در نیم تغییرنما همبستگی مکانی نشان دادنـد، لـذا امکان استفاده از روش کوکریجینگ وجود داشت، بهدل یـل عـدم وجود همبستگی مکانی بین بارندگی و ارتفاع امکان اسـتفاده از روش کوکریجینگ در محدوده موردمطالعه وجود نداشت.
1268732170556

Downloaded from ijae.iut.ac.ir at 16:18 IRST on Saturday October 28th 2017

Downloaded from ijae.iut.ac.ir at 16:18 IRST on Saturday October 28th 2017

جدول 2. میانگین، میانه، مینیمم و ماکزیمم 20 متغیر زیستاقلیمی در محدوده مورد مطالعه (°C)
میانه میانگین ماکزیمم مینیمم توصیف متغیر
17/59 17/90 26/89 10/93 دماي متوسط سالانه Bio١٠
14/54 14/59 17/79 9/45 متوسط سالانه دامنه روزانه دما Bio٢٠
37/72 37/58 45/76 26/44 ایزوترمالی (همدمایی) Bio٣٠
39/03 38/76 42/75 34/67 دامنه سالانه دما Bio۴٠
37/67 37/72 44/08 31/01 حداکثر دماي گرمترین ماه Bio۵٠
-1/15 -1/04 8/55 -8/11 حداقل دماي سردترین ماه Bio۶٠
126/16 134/37 328/98 51/45 بارش سالانه Bio٧٠
24/34 28/47 62/75 12/16 بارش مرطوبترین ماه Bio٨٠
0/14 0/35 1/32 0/00 بارش خشکترین ماه Bio٩٠
8/95 8/93 10/13 7/99 رژیم دما (انحراف معیار) Bio١٠
3/09 3/07 3/47 2/76 رژیم دما (ضریب تغییرات) Bio١١
85/39 87/82 111/58 75/41 رژیم بارش Bio١٢
59/58 67/71 145/72 26/08 بارش سردترین فصل Bio١٣
1/45 2/22 11/12 0/11 بارش خشکترین فصل Bio١۴
28/01 28/73 36/52 22/16 میانگین دماي گرم ترین فصل Bio١۵


دیدگاهتان را بنویسید