مدل سازی رویشگاه بالقوه گونه گیاهی کما (Ferula ovina Boiss.) با استفاده از مدل ژنتیک الگوریتم در فریدون شهر استان اصفهان
Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 257
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJMAPR-31-6_006
تاریخ نمایه سازی: 17 مهر 1400
Abstract:
به دلیل عدم کفایت اطلاعات در مورد پراکنش گونه های گیاهی و جانوری، استفاده از مدل سازی برای پیش بینی پراکنش گونه ها در سال های اخیر افزایش یافته است. به این منظور طیف گسترده ای از تکنیک های مدل سازی ابداع شده است. در پژوهش حاضر با استفاده از عوامل محیطی و داده های رخداد گونه کما (Ferula ovina Boiss.) و با بکارگیری مدل ژنتیک الگوریتم نقشه پراکنش این گونه تهیه شد. داده های رخداد گونه (۱۳۷ سایت) با استفاده از روش تصادفی طبقه بندی شده انتخاب گردید و کلیه لایه های محیطی اعم از لایه های فیزیوگرافی (شیب، جهت و ارتفاع مستخرج از نقشه رقومی ارتفاع)، لایه های محیطی خاک و لایه های اقلیمی با اندازه پیکسل ۷۰×۷۰ متر از روشهای میان یابی در محیط نرم افزار Arc GIS تهیه شد. کلیه اطلاعات حاصل به وسیله نرم افزار Desktop Garp مورد تجزیه و تحلیل قرار گرفت و نقشه پراکنش گونه کما تولید گردید. ارزیابی مدل با استفاده از شاخص سطح زیر منحنی ROC (۷۶۶/۰) بیانگر عملکرد خوب مدل می باشد. همچنین براساس نتایج حاصل از تحلیل حساسیت، دو فاکتور میزان سیلت و ارتفاع، مهمترین پارامترهای تاثیرگذار بر پراکنش گونه کما تعیین شد. از مدل مذکور می توان در تفسیر روابط گونه و محیط، تعیین مکان های با قابلیت بالای حفاظتی و همچنین تعیین مکان های مناسب برای احیای گونه کما و بررسی سناریوهای تغییر اقلیم و مدیریت استفاده کرد.
Keywords:
Authors
راضیه شهسوارزاده
دانش آموخته کارشناسی ارشد، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان، ایران
مصطفی ترکش
استادیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان، ایران
زهرا رحمتی
دانش آموخته کارشناسی ارشد، رشته مرتع داری، دانشگاه صنعتی اصفهان، ایران
مهسا قاضی مرادی
دانش آموخته کارشناسی ارشد، رشته مرتع داری، دانشگاه صنعتی اصفهان، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :