پیش‌بینی پیامدهای تغییر اقلیم بر پراکنش جغرافیایی گون زرد (Astragalus verus Olivier) در زاگرس مرکزی

سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی

مقاله 4، دوره 11، شماره 2 - شماره پیاپی 39، تیر 1399، صفحه 68-85   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/girs.2020.674655

نویسندگان

سیما طیموری اصل¹؛ علی اصغر نقی پور برج^{* 2}؛ محمدرضا اشرف زاده³؛ مریم حیدریان آقاخانی⁴

¹دانشجوی کارشناسی ارشد علوم و مهندسی مرتع، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران

²استادیار گروه مهندسی طبیعت، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران

³استادیار گروه شیلات و محیط زیست، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران

⁴دانش آموخته دکتری علوم مرتع، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

چکیده

پیشینه و هدف اقلیم، ویژگی‌های خاک، توپوگرافی، کاربری سرزمین و مجموعه روابط زیستی مهم‌ترین عوامل مؤثر در پراکنش و آشیان بوم‌شناختی گونه‌ها در مقیاس‌های مختلف هستند. در این میان، اقلیم یکی از مهم‌ترین عوامل تعیین‌کننده پراکنش گیاهان محسوب می‌شود. بنابراین، تغییر اقلیم پیامدهای گسترده‌ای بر شرایط اکوسیستم‌های جهان و ازجمله پراکنش گونه‌ها داشته است. تغییر در پراکنش یک‌گونه در یک محدوده جغرافیایی معین به‌واسطه تغییر اقلیم می‌تواند منجر به جابجایی مناطق حضور آن‌گونه به ارتفاعات بالاتر شود که این روند ممکن است ایجاد محدودیت رویشی و یا حتی انقراض گونه را در پی داشته باشد. جابجایی یا تغییر پراکنش جغرافیایی گونه‌ها، یک استراتژی برای پایدار ماندن در برابر تغییر اقلیم است. بنابراین، تعیین رویشگاه‌های مناسب و شناسایی مهم‌ترین عوامل محیطی و انسانی مؤثر بر حضور گونه‌ها در شرایط فعلی و آینده به‌منظور حفاظت از گونه‌های مهم بوم‌شناختی و ارزشمند گیاهی ضروری است. جنس گون (Astragalus) از تیره نخود (Fabaceae) پراکنش به نسبت گسترده‌ای در مناطق معتدله جهان دارد. گون زرد (Astragalus verus Olivier) درختچه‌ای کوچک و باارزش است که دارای شاخه‌های بسیار زیاد است. این‌گونه علاوه بر نقش حفاظتی، دارای ارزش‌های دارویی و صنعتی است. در دهه‌های اخیر، گستره جغرافیایی گون زرد به‌واسطه عواملی مانند تخریب سرزمین و برداشت بیش‌ازحد به‌طور قابل‌توجهی کاهش ‌یافته است. باوجود اهمیت جنس گون در کشور، تاکنون پژوهش‌های اندکی درزمینۀ پیامدهای تغییر اقلیم بر پراکنش گونه‌های این جنس به انجام رسیده است. مطالعه حاضر به‌منظور دست‌یابی به اهداف زیر به انجام رسیده است: 1) شناسایی رویشگاه‌های مناسب و تعیین پراکنش جغرافیایی گون زرد در زاگرس مرکزی در شرایط حال حاضر؛ 2) پیش‌بینی پیامدهای تغییر اقلیم تا سال‌های 2050 و 2070 تحت سناریوهای مختلف بر پراکنش جغرافیایی گون زرد؛ 3) تعیین مهم‌ترین عوامل مؤثر بر پراکنش این‌گونه.
مواد و روش­ ها مطالعه حاضر در استان چهارمحال و بختیاری با مساحتی حدود 1.65 میلیون هکتار که تقریباً تمام آن در منطقه زاگرس مرکزی قرارگرفته، انجام شد. تعداد 112 نقطه حضور گون زرد بر اساس بازدیدهای گسترده میدانی و با استفاده از سیستم موقعیت‌یاب جهانی (GPS) در سراسر استان چهارمحال و بختیاری جمع‌آوری شد. به‌منظور مدل­سازی، 19 متغیر محیطی شامل متغیرهای زیست‌اقلیمی، فیزیوگرافی و پوشش/کاربری سرزمین مورداستفاده قرار گرفتند. پیش از اجرای مدل‌سازی، برای بررسی هم‌خطی بین متغیرهای محیطی مختلف از دو روش تجزیه‌وتحلیل همبستگی پیرسون و شاخص تورم واریانس (VIF) استفاده شد. متغیرهایی با ضریب همبستگی پیرسون (R²<0.8) و VIF انتخاب شدند. درنهایت و پس از حذف لایه‌های دارای همبستگی بالا، تعداد نه متغیر در مدل‌سازی استفاده شدند. به‌منظور پیش‌بینی پراکنش رویشگاه‌های مطلوب گون زرد از بسته نرم‌افزاری Biomod2 در محیط R (نسخه 3.1.2) استفاده شد. در مطالعه حاضر از مدل‌های آنتروپی بیشینه (Maxent)، شبکه عصبی مصنوعی (ANN)، روش افزایشی تعمیم‌یافته (GBM)، مدل خطی تعمیم‌یافته (GLM)، تحلیل ممیزی انعطاف‌پذیر (FDA)، جنگل تصادفی (RF) و رگرسیون چند متغیره تطبیقی (MARS) برای برآورد رویشگاه‌های مطلوب استفاده شد. برای واسنجی مدل‌ها، 80 درصد نقاط حضور به‌عنوان داده‌های تعلیمی و 20 درصد باقیمانده برای ارزیابی پیش‌بینی مدل‌ها استفاده شدند. پیش‌بینی پراکنش جغرافیایی گون زرد در آینده (سال‌های 2050 و 2070) بر اساس چهار سناریوی افزایش گازهای گلخانه‌ایRCP2.6،RCP4.5، RCP6 و RCP8.5 و تحت مدل گردش عمومی MRI-CGCM3 انجام شد. عملکرد مدل‌ها نیز با استفاده از ناحیه زیر منحنی (AUC) و آماره TSS ارزیابی شدند.
 
نتایج و بحث نتایج نشان داد که مؤثرترین متغیرها در مطلوبیت رویشگاه گونه موردمطالعه، به ترتیب شاخص هم‌دمایی، میانگین دمای پربارش‌ترین فصل سال و تغییرات فصلی بارندگی بودند. بر اساس یافته‌ها، بیشترین احتمال حضور گون زرد در هم‌دمایی 36.8 تا 39.7 درجه سانتی‌گراد، میانگین دمای 2- تا 3.5 درجه سانتی‌گراد در پربارش‌ترین فصل سال، تغییرات فصلی بارندگی 100 تا 112 میلی‌متر، و مجموع بارندگی سالیانه 280 تا 490 میلی‌متر برآورد شد. به نظر می‌رسد بخش‌های شمال شرقی و شرق استان در مقایسه با سایر مناطق از اهمیت رویشگاهی بیشتری برای گون زرد برخوردار هستند. بر اساس نتایج، حدود 27.43 درصد از محدوده موردمطالعه به‌عنوان رویشگاه‌های مطلوب گون زرد شناسایی شد. پیش‌بینی پراکنش جغرافیایی گون زرد در آینده (سال‌های 2050 و 2070) بر اساس چهار سناریوی افزایش گازهای گلخانه‌ای (خطوط سیر غلظت‌های گازهای گلخانه‌ای RCPs)RCP2.6 ، RCP4.5،RCP6  وRCP8.5  در مدل گردش عمومی MRI-CGCM3 انجام شد. بر اساس یافته‌ها، تغییر اقلیم می‌تواند پیامدهای قابل‌توجهی بر رویشگاه‌های مطلوب گون زرد در استان وارد سازد. بر اساس سناریوهای مختلف، بین 45.70 درصد (RCP2.6، سال 2050) تا 89.88 درصد (RCP8.5، سال 2070) از رویشگاه‌های امروزی گون زرد تا سال‌های 2050 و 2070 به‌واسطه تغییر اقلیم نامطلوب خواهد شد. درحالی‌که در همین دوره زمانی در حدود 1.58 (RCP8.5، سال 2050) تا 13.19 درصد (RCP2.6، سال 2070) به رویشگاه‌های مطلوب این‌گونه در مناطق با ارتفاع بیشتر اضافه خواهد شد. بر اساس تمامی سناریوها، رویشگاه‌های مطلوب این‌گونه در اغلب گستره حضورش به‌ویژه در مناطق با ارتفاع کمتر کاهش خواهد یافت. پیامدهای تغییر اقلیم، به‌ویژه احتمال کاهش و جابجایی گستره جغرافیایی گونه‌های گیاهی در رویشگاه‌های مختلف کشور، ازجمله در زاگرس مرکزی و همچنین، در گستره ایران مرکزی پیش‌بینی‌شده است. ارزیابی‌ها نشان داد که مدل‌ها از درستی و دقت قابل قبولی برخوردار بودند و مدل جنگل تصادفی، قابل‌اعتمادترین مدل برای پیش‌بینی پراکنش گونه تعیین شد.
نتیجه ­گیری این مطالعه نشان می‌دهد که مدل اجماعی می‌تواند پراکنش بالقوه گون زرد را با دقت بالا (0.92=AUC و 0.79=TSS) پیش‌بینی نماید. سناریوهای مورداستفاده در این پژوهش، احتمال جابجایی گستره جغرافیایی گونه موردمطالعه را تحت تغییر اقلیم تا سال‌های 2050 و 2070 پیش‌بینی می‌کند. بر اساس نتایج، به نظر می‌رسد که وسعت رویشگاه مطلوب گون زرد در محدوده موردمطالعه، کاهش‌یافته و به سمت ارتفاعات بالاتر جابجا خواهد شد. اگرچه تخریب سرزمین و برداشت بیش‌ازحد احتمالاً به‌عنوان دو عامل مهم تخریب رویشگاه این‌گونه می‌توانند موردتوجه قرار گیرند، اما این مطالعه اهمیت پیامدهای تغییر اقلیم بر پراکنش گون زرد را برجسته می‌سازد. امروزه، درنتیجه بهره‌برداری شدید و غیراصولی از گون زرد، گستره پراکنش و تراکم آن در برخی مناطق کاهش‌یافته است که این روند برشدت پدیده‌هایی نظیر فرسایش خاک افزوده است. این موضوع ضرورت توجه مدیران و کارشناسان منابع طبیعی به گون زرد و دیگرگونه‌های با عملکرد مشابه در اکوسیستم‌ها که ضمن توانایی حفاظت از خاک، ازنظر تولیدات اقتصادی نیز حائز اهمیت هستند را دوچندان می‌نماید.

کلیدواژه‌ها

چهارمحال و بختیاری؛ مدل‌سازی پراکنش گونه‌ای؛ خطوط سیر غلظت‌های گازهای گلخانه‌ای؛ مدل‌سازی اجماعی

مراجع

Abbasian M, Moghim S, Abrishamchi A. 2019. Performance of the general circulation models in simulating temperature and precipitation over Iran. Theoretical and Applied Climatology, 135(3): 1465-1483. doi:https://doi.org/10.1007/s00704-018-2456-y.

Abolmaali MR, Tarkesh M, Bashari H. 2018a. MaxEnt modeling for predicting suitable habitats and identifying the effects of climate change on a threatened species, Daphne mucronata, in central Iran. Ecological Informatics, 43: 116-123. doi:https://doi.org/10.1016/j.ecoinf.2017.10.002.

Abolmaali MR, Tarkesh M, Bashari H. 2017b. Assessing impacts of climate change on endangered Kelossia odoratissima Mozaff species distribution using Generalized Additive Model. Journal of Natural Environment, 70(2): 243-254. (In Persian)

Ahmad R, Khuroo AA, Charles B, Hamid M, Rashid I, Aravind NA. 2019. Global distribution modelling, invasion risk assessment and niche dynamics of Leucanthemum vulgare (Ox-eye Daisy) under climate change. Scientific Reports, 9(1): 1-15. doi:https://doi.org/10.1038/s41598-019-47859-1.

Ali Akbari M, Jafari MR, Saadatfar A. 2011. Determining Potential Site for Astragalus verus with Combination of GIS and Remote Sensing. Journal of RS and GIS for Natural Resources, 1(1): 15-29. (In Persian)

Allouche O, Tsoar A, Kadmon R. 2006. Assessing the accuracy of species distribution models: prevalence, kappa and the true skill statistic (TSS). Journal of Applied Ecology 43: 1223–1232. doi:https://doi.org/10.1111/j.1365-2664.2006.01214.x.

Al-Qaddi N, Vessella F, Stephan J, Al-Eisawi D, Schirone B. 2016. Current and future suitability areas of kermes oak (Quercus coccifera L.) in the Levant under climate change. Regional Environmental Change, 17: 143-156. doi:https://doi.org/10.1007/s10113-016-0987-2.

Amici V, Marcantonio M, La Porta N, Rocchini D. 2017. A multi-temporal approach in MaxEnt modelling: A new frontier for land use/land cover change detection. Ecological Informatics, 40: 40-49. doi:https://doi.org/10.1016/j.ecoinf.2017.04.005.

Amiri M, Tarkesh M, Jafari R. 2019. Predicting the Climatic Ecological Niche of Artemisia aucheri Boiss in Central Iran using Species Distribution Modeling. Iranian Journal of Applied Ecology, 8(2): 61-79. (In Persian)

Ashrafzadeh MR, Naghipour AA, Haidarian M, Khorozyan I. 2019a. Modeling the response of an endangered flagship predator to climate change in Iran. Mammal Research, 64(1): 39-51. doi:10.1007/s13364-018-0384-y.

Ashrafzadeh MR, Naghipour AA, Haidarian M, Kusza S, Pilliod DS. 2019b. Effects of climate change on habitat and connectivity for populations of a vulnerable, endemic salamander in Iran. Global Ecology and Conservation, 19: e00637. doi:https://doi.org/10.1016/j.gecco.2019.e00637.

Attorre F, Abeli T, Bacchetta G, Farcomeni A, Fenu G, De Sanctis M, Gargano D, Peruzzi L, Montagnani C, Rossi G, Conti F, Orsenigo S. 2018a. How to include the impact of climate change in the extinction risk assessment of policy plant species? Journal for Nature Conservation, 44: 43-49. doi:https://doi.org/10.1016/j.jnc.2018.06.004.

Attorre F, Alfò M, De Sanctis M, Francesconi F, Valenti R, Vitale M, Bruno F. 2011b. Evaluating the effects of climate change on tree species abundance and distribution in the Italian peninsula. Applied Vegetation Science, 14(2): 242-255. doi:https://doi.org/10.1111/j.1654-109X.2010.01114.x.

Benito Garzón M, Sánchez de Dios R, Sainz Ollero H. 2008. Effects of climate change on the distribution of Iberian tree species. Applied Vegetation Science, 11(2): 169-178. doi:https://doi.org/10.3170/2008-7-18348.

Borna F, Tamartash R, Tatian M, Gholami V. 2017. Habitat potential modeling of Astragalus gossypinus using ecological niche factor analysis and logistic regression (Case study: summer rangelands of Baladeh, Nour), Journal of RS and GIS for Natural Resources, 7(4): 45-61. (In Persian)

Byeon D-h, Jung S, Lee W-H. 2018. Review of CLIMEX and MaxEnt for studying species distribution in South Korea. Journal of Asia-Pacific Biodiversity, 11(3): 325-333. doi:https://doi.org/10.1016/j.japb.2018.06.002.

Chahouki MAZ, Sahragard HP. 2016. Maxent modelling for distribution of plant species habitats of rangelands (Iran). Polish Journal of Ecology, 64(4): 453-467. doi:https://doi.org/10.3161/15052249PJE2016.64.4.002.

Cheng L, Lek S, Lek-Ang S, Li Z. 2012. Predicting fish assemblages and diversity in shallow lakes in the Yangtze River basin. Limnologica, 42(2): 127-136. doi:https://doi.org/10.1016/j.limno.2011.09.007.

Ghahremaninejad F, Bagheri A, Maassoumi AA. 2012. Two new species of Astragalus L. sect. Incani DC.(Fabaceae) from the Zanjan province (Iran). Adansonia, 34(1): 59-65. doi:https://doi.org/10.5252/a2012n1a6.

Guisan A, Zimmermann NE. 2000. Predictive habitat distribution models in ecology. Ecological Modelling, 135(2): 147-186. doi:https://doi.org/10.1016/S0304-3800(00)00354-9.

Haidarian, M. 2018. Predicting the impact of climate change on spatial distribution of ecologically important plant species In the Central Zagros. Ph.D. thesis of Rangeland Sciences, Sari Agricultural Sciences and Natural Resources University, 250p. (In Persian)

Haidarian Aghakhani M, Tamartash R, Jafarian Z, Tarkesh Esfahani M, Tatian M. 2017a. Forecasts of climate change effects on Amygdalus scoparia potential distribution by using ensemble modeling in Central Zagros. Journal of RS and GIS for Natural Resources, 8(3): 1-14. (In Persian)

Haidarian Aghakhani M, Tamartash R, Jafarian Z, Tarkesh Esfahani M, Tatian M. 2017b. Predicting the impacts of climate change on Persian oak (Quercus brantii) using species distribution modelling in Central Zagros for conservation planning. Journal of Environmental Studies, 43: 497-511. (In Persian)

Hao T, Elith J, Guillera-Arroita G, Lahoz-Monfort JJ. 2019. A review of evidence about use and performance of species distribution modelling ensembles like BIOMOD. Diversity and Distributions, 25(5): 839-852. doi:https://doi.org/10.1111/ddi.12892.

Hodd RL, Bourke D, Skeffington MS. 2014. Projected range contractions of European protected oceanic montane plant communities: focus on climate change impacts is essential for their future conservation. PloS one, 9(4). doi:https://doi.org/10.1371/journal.pone.0095147.

Hutchinson GE. 1957. Cold spring harbor symposium on quantitative biology. Concluding remarks, 22: 415-427.

Kaky E, Gilbert F. 2016. Using species distribution models to assess the importance of Egypt's protected areas for the conservation of medicinal plants. Journal of Arid Environments, 135: 140-146. doi:https://doi.org/10.1016/j.jaridenv.2016.09.001.

Khodagholi M, Saboohi R. 2019. Delineating changes in climatic variables and its impact on the Astragalus verus Olivier habitats in Isfahan Province. Journal of Range and Watershed Management, 72(2): 359-374. (In Persian)

Lin CT. Chiu CA. 2019. The Relic Trochodendron aralioides Siebold & Zucc.(Trochodendraceae) in Taiwan: Ensemble distribution modeling and climate change impacts. Forests, 10(1): 7. https://doi.org/10.3390/f10010007.

McSweeney CF, Jones RG, Lee RW, Rowell DP. 2015. Selecting CMIP5 GCMs for downscaling over multiple regions. Climate Dynamics, 44: 3237-3260. https://doi.org/10.1007/s00382-014-2418-8.

Naghipour AA, Haidarian M, Sangoony H. 2019a. Predicting the impact of climate change on the distribution of Pistacia atlantica in the Central Zagros. Journal of Plant Ecosystem Conservation, 6(13): 197-214. (In Persian)

Naghipour AA, Ostovar Z, Asadi E. 2019b. The Influence of Climate Change on distribution of an Endangered Medicinal Plant (Fritillaria Imperialis L.) in Central Zagros. Journal of Rangeland Science, 9(2): 159-171.

Pachauri RK, Allen MR, Barros V, Broome J, Cramer W, Christ R, Church J, Clarke L, Dahe Q, Dasgupta P. 2014. Climate change 2014: synthesis Report. Contribution of working groups I, II and III to the fifth assessment report of the intergovernmental panel on climate change, IPCC, 153p.

Potta S. 2004. Application of Stochastic Downscaling Techniques to Global Climate Model Data for Regional Climate Prediction, MSc. Faculty of the Louisiana State University and Agricultural and Mechanical College, Sri Venkateswara University, 153p.

Rana SK, Rana HK, Ghimire SK, Shrestha KK, Ranjitkar S. 2017. Predicting the impact of climate change on the distribution of two threatened Himalayan medicinal plants of Liliaceae in Nepal. Journal of Mountain Science, 14: 558-570. https://doi.org/10.1007/s11629-015-3822-1.

Rios J, Waterman P. 1997. A review of the pharmacology and toxicology of Astragalus. PhototherapyResearch, 11: 411-418. https://doi.org/10.1002/(SICI)1099-1573(199709).

Safaei M, Tarkesh M, Bashari H, Bassiri M. 2018. Modeling potential habitat of Astragalus verus Olivier for conservation decisions: A comparison of three correlative models. Flora, 242: 61-69. doi:https://doi.org/10.1016/j.flora.2018.03.001.

Sahragard HP, Chahouki MAZ. 2015. An evaluation of predictive habitat models performance of plant species in Hoze soltan rangelands of Qom province. Ecological Modelling, 309-310: 64-71. doi:https://doi.org/10.1016/j.ecolmodel.2015.04.005.

Saki M, Tarkesh M, Bassiri M, Vahabii M R. 2013. Application of Logistic Regression Tree Model in Determining Habitat Distribution of Astragalus verus. Iranian Journal of Applied Ecology, 2013: 1 (2) :27-38. (In Persian)

Sangoony H, Karimzadeh H, Vahabi M, Tarkesh esfahani M. 2014a. Determining the potential habitat of Astragalus gossypinus Fischer in west region of Isfahan, using ecological niche factor analysis. Journal of RS and GIS for Natural Resources, 5(2: 1-13. (In Persian)

Sangoony H, Vahabi MR, Tarkesh M, Soltani S. 2016b. Range shift of Bromus tomentellus Boiss. as a reaction to climate change in Central Zagros, Iran. Applied Ecology and Environmental Research, 14(4): 85-100. doi:https://dx.doi.org/10.15666/aeer/1404_085100.

Silvertown J. 2004. Plant coexistence and the niche. Trends in Ecology & Evolution, 19(11): 605-611. doi:https://doi.org/10.1016/j.tree.2004.09.003.

Tarkesh M, Jetschke G. 2016. Investigation of current and future potential distribution of Astragalus gossypinus in Central Iran using species distribution modelling. Arabian Journal of Geosciences, 9(1): 80. doi:10.1007/s12517-015-2071-5.

Thuiller W, Georges D, Engler R, Breiner F, Georges MD, Thuiller CW. 2016. Package ‘Biomod2’. https://cran.r-project.org/package=biomod2.

Tilman D, Lehman C. 2001. Human-caused environmental change: impacts on plant diversity and evolution. Proceedings of the National Academy of Sciences, 98(10): 5433-5440.

Vahabi MR, Basiri M, Moghadam MR, Masoumi AA. 2007. Determination of the most effective habitat indices for evaluation of tragacanth sites in Isfahan Province. Iranian Journal of Natural Resources, 59:1013-1029. (In Persian)

Wei B, Wang R, Hou K, Wang X, Wu W. 2018. Predicting the current and future cultivation regions of Carthamus tinctorius L. using MaxEnt model under climate change in China. Global Ecology and Conservation, 16: e00477. doi:https://doi.org/10.1016/j.gecco.2018.e00477.

Woodward FI. 1987. Climate and Plant Distribution. Cambridge University Press, Cambridge. 174p.

Zarinkamar F. 1996. Investigation of anatomical and ecological characteristics of 14 species of Astragalus spp. Research Institute of Range and Forest, 98p.

Zhang X, Li G, Du S. 2018. Simulating the potential distribution of Elaeagnus angustifolia L. based on climatic constraints in China. Ecological Engineering, 113: 27-34. doi:https://doi.org/10.1016/j.ecoleng.2018.01.009.