
تعداد نشریات | 13 |
تعداد شمارهها | 166 |
تعداد مقالات | 1,625 |
تعداد مشاهده مقاله | 2,638,544 |
تعداد دریافت فایل اصل مقاله | 2,163,895 |
ارزیابی صحت دادههای اقلیمی پایگاههای اطلاعاتی WorldClim و Chelsa در سه استان شمالی کشور | ||
پژوهش و توسعه جنگل | ||
دوره 11، شماره 1، خرداد 1404، صفحه 109-132 اصل مقاله (2.86 M) | ||
نوع مقاله: علمی - پژوهشی | ||
شناسه دیجیتال (DOI): 10.30466/jfrd.2025.55648.1743 | ||
نویسندگان | ||
عارف حسابی1؛ سید جلیل علوی* 2؛ امید اسماعیل زاده2 | ||
1دانشجوی دکتری علوم و مهندسی جنگل، گرایش مدیریت جنگل، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، مازندران، ایران. | ||
2دانشیار گروه علوم و مهندسی جنگل، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، مازندران، ایران | ||
چکیده | ||
مقدمه و هدف: دادههای محیطی و اقلیمی یکی از مهمترین منابع ورودی برای مدلسازی پراکنش و تهیه نقشه مطلوبیت زیستگاه گونههای جانوری و گیاهی محسوب میشوند. با توجه به نقش کلیدی اقلیم در کنترل تمایز پوشش گیاهی در مقیاس منطقهای، استفاده از دادههای آبوهوایی دقیق و با وضوح مکانی بالا، در صورت وجود طبقهبندی آماری کارآمد، میتواند جایگزین مناسبی برای ارزیابی محدودیتها، آستانهها و پراکنش بالقوه جنگلها در یک چشمانداز وسیع باشد. هدف از این پژوهش، ارزیابی صحت دادههای دو پایگاه اطلاعاتی WorldClim و Chelsa در مقایسه با دادههای ایستگاههای هواشناسی واقع در محدوده جنگلهای هیرکانی است. مواد و روشها: در این بررسی، ابتدا دادههای اقلیمی دو پایگاه اطلاعاتی WorldClim و Chelsa بهترتیب برای دو بازه زمانی (2000-1970) و (2010-1980) دریافت شد. سپس، دادههای مربوط به ایستگاههای سینوپتیک در سه استان گیلان، مازندران و گلستان، که درمجموع شامل 38 ایستگاه است، تحلیل شد. برای استخراج مقادیر هر Bio در مکانهای ایستگاهها، از نرمافزار R استفاده شد. در این راستا، از میان 19 متغیر زیستاقلیمی، Bio1 و Bio12 که بهترتیب نشاندهنده میانگین دمای سالانه و مجموع بارندگی سالانه هستند، برای مقایسه با دادههای ایستگاهها انتخاب و مورد تحلیل قرار گرفتند. یافتهها: نتایج نشان داد که دادههای بارندگی هر دو پایگاه با دادههای ایستگاههای هواشناسی تطابق نسبی دارند، اما تفاوتهایی نیز مشاهده شد. مقایسه دادههای بارندگی Chelsa با ایستگاههای زمینی نشاندهنده الگوی پیچیدهای از همخوانی و تفاوتها است. با وجود ضریب همبستگی بالای 84/0 که بیانگر ارتباط قوی بین دادههای Chelsa و مشاهدات زمینی است، آزمون t زوجی نشان داد که دادههای پایگاه Chelsa بهطور سیستماتیک مقادیر بارش را کمتر از مقدار واقعی برآورد میکند. نتایج مقایسه دادههای بارندگی WorldClim با ایستگاههای هواشناسی نشاندهنده همخوانی قابل توجهی بین این دو مجموعه داده است. ضریب همبستگی 85/0 و عدم وجود تفاوت معنیدار در آزمون t زوجی، بیانگر ارتباط قوی و تطابق خوب دادههای بارندگی WorldClim با مشاهدات زمینی است. نتایج این پژوهش حاکی از آن است که همبستگی بین دادههای دمای سالانه پایگاه Chelsa و ایستگاهها برابر با 91/0 است، در حالی که این مقدار برای WorldClim برابر با 65/0 میباشد. این یافتهها نشاندهنده صحت بالاتر دادههای دمای سالانه Chelsa نسبت به WorldClim در منطقه مورد بررسی است. نتایج این پژوهش نشان میدهد که پایگاه Chelsa در برآورد دمای سالانه در منطقه مورد بررسی عملکرد بسیار بهتری نسبت به WorldClim دارد. بنابراین، پیشنهاد میشود که در پژوهشهای مرتبط با دما در این منطقه، دادههای پایگاه Chelsa و در پژوهشهای مرتبط با بارندگی در این منطقه، دادههای پایگاه WorldClim مورد استفاده قرار گیرند. نتیجهگیری: نتایج این پژوهش نشان میدهد که پایگاههای اطلاعاتی WorldClim و Chelsa از دقت قابل قبولی بهترتیب برای متغیرهای بارندگی و دما برخوردار هستند و در بسیاری از موارد تطابق خوبی با دادههای ایستگاههای سینوپتیک نشان دادهاند. با این حال، برخی اختلافات به دلیل تفاوت در روشهای درونیابی، تفکیک مکانی، و ترکیب منابع داده رخ داده که در مناطق با تغییرات ناگهانی اقلیمی برجستهتر است. با توجه به در دسترس بودن گسترده دادههای WorldClim و Chelsa، این منابع میتوانند بهعنوان جایگزینی مناسب برای ایستگاههای زمینی در مدلسازی پراکنش گونهای و سایر تحلیلهای زیستمحیطی مورد استفاده قرار گیرند. بدین ترتیب، استفاده از دادههای این دو پایگاه میتواند بهویژه در بررسیهای بومشناسی، مدیریت منابع طبیعی و مدلسازیهای اقلیمی نقش مؤثری ایفا کند. این پژوهش، بهطور کلی نشان میدهد که پایگاههای دادهای جهانی میتوانند ابزارهای ارزشمندی برای بررسی در مناطقی با کمبود دادههای محلی باشند. برای پژوهشهای آتی، پیشنهاد میشود که دقت و کارایی این دادهها در مناطق مختلف بررسی شود و از دادههای پایگاههای مورد بررسی در مدلسازیهای پراکنش گونهای و تحلیلهای اقلیمی در مناطقی که فاقد ایستگاههای هواشناسی هستند، استفاده شود. همچنین، پایش دقیقتر دادهها و ارتقای روشهای درونیابی میتواند به افزایش دقت و قابلیت اعتماد این پایگاهها کمک کند. در نهایت، انتخاب پایگاه داده مناسب برای هر متغیر اقلیمی با توجه به نتایج این پژوهش میتواند به بهبود کیفیت بررسیهای آتی در منطقه مورد پژوهش کمک کند. | ||
کلیدواژهها | ||
ایستگاههای هواشناسی؛ جنگلهای هیرکانی؛ صحتسنجی دادهها؛ متغیرهای اقلیمی؛ میانگین دمای سالانه | ||
مراجع | ||
Abdollahnejad, A., Panagiotidis, D., Shataee Joybari, S., and Surový, P., Prediction of dominant forest tree species using quickbird and environmental data. Forests 2017, 8(2), 42. Ahmadi, K., Hosseini, S. M., Tabari, M., & Nouri, Z. Modeling the potential habitat of English yew (Taxus baccata L.) in the Hyrcanian forests of Iran. Forest Research and Development 2019, 5(4), 513-525. Amiri, M., Tarkesh, M., Jafari, R., Jetschke, G., Bioclimatic variables from precipitation and temperature records vs. remote sensing-based bioclimatic variables: Which side can perform better in species distribution modeling? Ecological informatics 2020, 57, 101060. Bazzato, E., Rosati, L., Canu, S., Fiori, M., Farris, E., Marignani, M., High spatial resolution bioclimatic variables to support ecological modelling in a Mediterranean biodiversity hotspot. Ecological Modelling 2021, 441, 109354. Bellard, C., Thuiller, W., Leroy, B., Genovesi, P., Bakkenes, M., &Courchamp, F., Will climate change promote future invasions? Global Change Biology 2013, 19(12), 3740–3748.https://doi.org/10.1111/gcb.12344. Berry, P.M.; Dawson, T.P.; Harrison, P.A.; Pearson, R.G., Modelling potential impacts of climate change on the bioclimatic envelope of species in Britain and Ireland. Global ecology and biogeography 2002, 11, 453–462. Caldwell, A. R. SimplyAgree: An R package and jamovi Module for Simplifying Agreement and Reliability Analyses. Journal of Open-Source Software, 2022, 7(71), 4148. Datta, A., Schweiger, O., Kühn, I., Origin of climatic data can determine the transferability of species distribution models. NeoBiota 2020, 59: 61–76. Duan, Z., Bastiaanssen, W. G. M., & Liu, J., Monthly and annual validation of TRMM Mulitisatellite Precipitation Analysis (TMPA) products in the Caspian Sea Region for the period 1999–2003. IEEE International Geoscience and Remote Sensing Symposium 2012, 3696-3699. Elith J, Leathwick JR., Species Distribution Models: ecological explanation and prediction across space and time. Annual Review of Ecology, Evolution, and Systematics 2009, 40: 677–697. Fick, S. E., Hijmans, R. J., WorldClim 2: new 1‐km spatial resolution climate surfaces for global land areas. International journal of climatology 2017, 37(12), 4302-4315. Guisan, A., Thuiller, W., Zimmermann, N. E., Habitat suitability and distribution models: With applications in R. Cambridge University Press 2017, https://books.google.com/books?hl=en&lr=&id=rYswDwAAQBAJ&oi=fnd&pg=PR12&dq=Habitat+suitability+and+distribution+models:+With+applications+in+R.+&ots=IUjSmA82zO&sig=h09sZbrQ3gQWrEeNsSjVLdnWOJk#v=onepage&q&f=false Heikkinen, R. K., Luoto, M., Araújo, M. B., Virkkala, R., Thuiller, W., Sykes, M. T., Methods and uncertainties in bioclimatic envelope modelling under climate change. Progress in Physical Geography 2006, 30(6), 751-777. Hijmans R. _terra: Spatial Data Analysis_. R package version 1.7-83, 2024 <https://CRAN.R-project.org/package=terra>. H. Wickham. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York, 2016. J.M. Bland, D.G. Altman Statistical methods for assessing agreement between two methods of clinical measurement Lancet, 1986, pp. 307-310 Karger, D. N., Conrad, O., Böhner, J., Kawohl, T., Kreft, H., Soria-Auza, R. W., Zimmermann, N.E., Linder, H.P. Kessler, M., Climatologies at high resolution for the earth’s land surface areas. Scientific data 2017, 4(1), 1-20. Keikhosravi Kiany, M.S., S.A. Masoodian, Balling Jr, R.C., Montazeri, M., Evaluation of the TRMM 3B42 product for extreme precipitation analysis over southwestern Iran. Advances in Space Research 2020, 66(9): 2094-2112. Lawrence, I., & Lin, K. A concordance correlation coefficient to evaluate reproducibility. Biometrics, 1989, 255-268. Lin, H. Y., Li, C. F., Chen, T. Y., Hsieh, C. F., Wang, G., Wang, T., Hu, J. M., Climate‐based approach for modeling the distribution of montane forest vegetation in Taiwan. Applied vegetation science 2020, 23(2), 239-253. Moghbel Esfahani, F., Alavi, S. J., Hosseini, S. M., & Tabari Kochaksarai, M. Determining the habitat suitability of Quercus castaneifolia CA Mey In order to plan restoration using species distribution modeling. Forest Research and Development 2023, 9(3), 419-436. Moradi, G., Reviewing Richness of Woody Species in Northern Forests of Iran and Temperate Broadleaf Forests of Central Europe. Human & Environment 2021, 19(2), 75-90. (In Persian) Naseri Karimvand, S., Poursartip, L., Moradi, M., & Soosani, J. Dynamic Effects of climate variables (temperature and precipitation) on the annual diameter growth of Iranian oak (Quercus brantti Lindl). Forest Research and Development 2016, 2(1), 63-71. Newbold, T., Future effects of climate and land-use change on terrestrial vertebrate community diversity under different scenarios. Proceedings of the Royal Society B 2018, 285(1881), 20180792. Nogués-Bravo, D., Ohlemüller, R., Batra, P., & Araújo, M. B., Climate predictors of late Quaternary extinctions. International Journal of Organic Evolution 2010, 64(8), 2442–2449. Patiño, J., Collart, F., Vanderpoorten, A., Martin‐Esquivel, J. L., Naranjo‐Cigala, A., Mirolo, S., Karger, D. N., Spatial resolution impacts projected plant responses to climate change on topographically complex islands. Diversity and Distributions 2023, 29(10), 1245-1262. Pauca-Tanco, G. A., Arias-Enríquez, J. F., Quispe-Turpo, J. D. P., High-Resolution Bioclimatic Surfaces for Southern Peru: An Approach to Climate Reality for Biological Conservation. Journal of Climate 2023, 11(5), 96. Pearman, P. B., Guisan, A., Broennimann, O., Randin, C. F., Niche dynamics in space and time. Trends in Ecology & Evolution 2008, 23(3), 149–158. R Core Team., R: A Language and Environment for Statistical Computing_. R Foundation for Statistical Computing, Vienna, Austria. 2024, <https://www.R-project.org/>. Rodríguez-Rey, M., Jiménez-Valverde, A., Differing sensitivity of species distribution modelling algorithms to climate data source. Ecological Informatics 2024, 79, 102387. Tavosi, M., Vafakhah, M., Moosavi, V., Assessing the accuracy of rainfall data from TRMM satellite in Taleghan watershed. Journal of Watershed Management Research 2022, 13(25), 11-20. (In Persian) Thuiller, W., Araujo, M. B., Lavorel, S., Do we need land-cover data to model species distributions in Europe?. Journal of Biogeography 2004, 31(3), 353–361. Velazco, S.J.E., Rose, M.B., Andrade, A.F.A., Minoli, I., Franklin, J. flexsdm: An R package for supporting a comprehensive and flexible species distribution modelling workflow. Methods in Ecology and Evolution, 2022, 13(8) 1661-1669. Wango, T. J., Musiega, D., Mundia, C. N., Assessing the suitability of the WorldClim dataset for ecological studies in Southern Kenya. Journal of Geographic Information System 2018, 10, 643-658. Yosefzadeh, H., Tabari, M., Hosseinzadeh Colagar, A., Assadi, M., Sattarian, A., Zare, H. Variation in Leaf Morphology of Tilia spp. of in Hyrcanian forests. Taxonomy and Biosystematics 2010, 2(3), 11-24. (In Persian) | ||
آمار تعداد مشاهده مقاله: 388 تعداد دریافت فایل اصل مقاله: 83 |