نقشه برداری بالقوه زیستگاه
مطالعه موردی ۱۱- نقشه برداری بالقوه زیستگاه
اصطلاح “زیستگاه” به طرق مختلف در مطالعات زیست محیطی مورد استفاده قرار گرفته است. اسپلربرگ (۱۹۹۲) زیستگاه را “محل یا ناحیه مورد استفاده توسط جمعیت موجودات و محل زندگی آنها” تعریف کرد. ترکیبات مختلف نور، هوا، آب و خاک، همراه با تغییرات توپوگرافی و آب و هوا، زیستگاه های متفاوتی را ایجاد می کند. به عنوان مثال منطقه سایه دار گونه های بیشتری از درختان و درختچه ها را نسبت به یک منطقه آفتابی نگهداری می کند، خاک فقیر تنها از گیاهان خاصی حمایت می کند و خاک غنی رشد بیشتری را ایجاد می کند. اکثر گیاهان و حیوانات بسیار تخصصی هستند و می توانند تنها در یک زیستگاه بسیار خاص که شرایط مناسب آنها است زنده بمانند. مثلا حرا در باتلاقهای متراکم و شور در امتداد ساحل رخ می دهد و خطوط ساحلی کم انرژی را تحت تأثیر قرار می دهد که اغلب گونه های دیگر را حذف می کند. Reedbuck، بوش باک اوریبی و بسیاری از حیوانات سم دار دیگر به علفزارهایی وابسته هستند که علف های فراوانی را که رژیم غذایی آنها را تشکیل می دهد، فراهم می کند.
نقشه برداری پتانسیل زیستگاه شامل استفاده از تکنیک های مدل سازی آماری و فضایی برای ایجاد روابط تجربی بین توزیع فضایی گونه ها و شرایط زیستگاه است. بر این اساس، پیش‌بینی و توضیح الگوهای جغرافیایی و تنوع در پراکنش گونه‌ها، یا نقشه‌برداری از تغییرات احتمالی گونه‌ها و تنوع زیستی تحت تغییرات آب و هوایی (مثلاً تغییر اقلیم) انجام شده است.
شکل ۱۰-۱۲ فرایند تجزیه و تحلیل پویایی جمعیت کرم ریشه ذرت غربی در داکوتای جنوبی، ایالات متحده
نقشه برداری بالقوه زیستگاه نوعی مدل سازی توزیع گونه ها است. آن شامل ایجاد نقشه های توزیع گونه های بالقوه با ارتباط توزیع گونه های شناخته شده با توزیع مکانی زیستگاه یا متغیرهای محیطی است. سرشماری بسیاری از گونه های حیات وحش به دلیل تراکم جمعیت کم و درک ضعیف ما از شیوه زندگی آنها بسیار دشوار است. برای چنین گونه هایی، استنباط توزیع احتمالی بسیار ساده تر از اندازه گیری مستقیم آنها است. نقشه برداری بالقوه از زیستگاه به طور گسترده ای به عنوان جزء مهم در برنامه ریزی حفاظت شناخته شده است. این به ویژه در حوزه گونه ها و مدیریت اکوسیستم مفید است، جایی که شناسایی و حفاظت از مناطق دارای تنوع بیولوژیکی بالا در اولویت های فوری قرار گرفته اند، اما در آنجا که مجموعه داده های گونه ها اغلب محدود یا فاقد آن هستند.
توزیع مکانی گونه ها توسط طیف وسیعی از عوامل بیوتیک و غیر زنده تنظیم می شود. این عوامل را می توان به سه نوع منبع، مستقیم و غیر مستقیم طبقه بندی کرد (آستین و اسمیت، ۱۹۸۹). متغیرهای منابع عبارتند از ماده و انرژی مصرفی گیاهان یا حیوانات، از جمله مواد مغذی، آب، نور و غذا می باشد. متغیرهای مستقیم پارامترهای محیطی هستند که مصرف نمی شوند مانند pH خاک، دما، بارش و تابش. متغیرهای غیر مستقیم هیچ ارتباط فیزیولوژیکی مستقیمی با گونه ندارند مانند ارتفاع، شیب، جنبه و زمین شناسی که به رسمیت شناخته شده است که متغیرهای غیرمستقیم به سادگی قابل اندازه گیری هستند و با الگوهای مشاهده شده گونه ها همبستگی خوبی دارند ( گیوسان و زیمرمان، ۲۰۰۰). بنابراین اینها اغلب برای مدل سازی و پیش بینی توزیع گونه ها استفاده می شوند. به خصوص استفاده از متغیرهای غیر مستقیم ممکن است پیش بینی های بهتری برای مدل سازی توزیع بالقوه گونه ها در مقیاس مکانی کوچک و در توپوگرافی پیچیده ارائه دهد ( گیوسان و زیمرمان، ۲۰۰۰). مشخص شده است که پارامترهای توپوگرافی در چنین مواردی قدرت پیش بینی خوبی دارند ( گیوسان و همکاران، ۲۰۰۰). داده های مربوط به منابع، متغیرهای مستقیم و غیر مستقیم به بهترین نحو در GIS ذخیره و ویرایش می شوند. با GIS، نقشه برداری بالقوه زیستگاه به طور کلی شامل پنج مرحله است:
- مفهوم سازی – توصیف ترجیحات بالقوه زیستگاه گونه های مورد نظر بر اساس ادبیات علمی و دانش و تخصص کارشناسان، فرموله کردن فرضیه های کاری در مورد روابط گونه-محیط و انتخاب تفکیک مکانی- زمانی، مقیاس مکانی و گستره جغرافیایی مناسب برای مطالعه.
- آماده‌سازی داده‌ها – شناسایی نیازهای داده و منابع داده، ارزیابی داده‌های موجود و گمشده، ارزیابی ارتباط متغیرهای محیطی (پیش‌بینی‌کننده‌ها) برای گونه‌های هدف در داده‌های مورد نظر. مقیاس، شناسایی یک استراتژی نمونه گیری مناسب برای جمع آوری داده های مشاهده گونه ها و استفاده از GIS برای پردازش و دستکاری داده ها.
- انتخاب مدل – شناسایی مناسب ترین روش(های) برای مدل سازی و شناسایی روش ها یا آمار مورد نیاز برای ارزیابی دقت پیش بینی مدل(ها).
- پیش بینی مکانی – تهیه داده های ورودی (مشاهدات و داده های محیطی)، پیوند روش (های) مدلسازی انتخاب شده با GIS، پارامترسازی مدل (ها)، پیاده سازی مدل (ها) در محیط GIS و نگاشت نتایج پیش بینی کننده.
- اعتبار سنجی مدل – آزمایش مدل (ها) با داده های مشاهده شده مستقل. اکثر تکنیک های مدل سازی برای نقشه برداری بالقوه زیستگاه از نظر ماهیت آماری هستند و امکان پیش بینی احتمال وقوع را در مکانی که هیچ گونه اطلاعات در دسترس نیست، میسر می سازد. رایج ترین تکنیک های آماری شامل رگرسیون، تکنیک های طبقه بندی ، پاکت های محیطی، روش های بیزی و شبکه های عصبی است ( گیوسان و زیمرمان، ۲۰۰۰). رایت و همکاران (۲۰۱۱) مطالعه موردی در مورد استفاده از وزن شواهد با GIS (به بخش ۹-۴ مراجعه کنید) را برای پیش بینی توزیع مکانی بالقوه لیونمای دندان دار (Leionema bilobum subsp. serrulatum) در محدوده Strzelecki در ویکتوریا ، استرالیا ارائه کرد.
لیونمای دندانه دار یکی از چهار زیرگونه Leionema bilobum از خانواده Rutaceae است. این گونه ضعیف بررسی شده است که در ویکتوریا کمیاب در نظر گرفته می شود. هیچ دانش ثبت شده دقیقی از فیزیولوژی و رفتار این گونه (مانند پراکندگی بذر، مهاجرت و سازگاری) وجود ندارد. لیونمای دندانه دار شبیه درختچه متراکم یا درخت کوچک است (شکل ۱۰-۱۳). متوسط ارتفاع مشاهده شده در محدوده Strzelecki حدود ۲٫۵ متر و حداکثر ارتفاع تقریباً ۵/۳-۳ متر است . برگها به شکل بیضوی مستطیلی یا باریک هستند، طول آنها در حدود ۵۲-۱۶ میلی متر و عرض آنها ۸-۴ میلی متر است. این گونه عمدتاً در بخش‌های جنوبی ارتفاعات شرقی و ارتفاعات گیپسلند ویکتوریا یافت می‌شود. منطقه مورد مطالعه محدود به بخش کوچکی از محدوده Strzelecki در West Gippsland بود (شکل ۱۰-۱۴) مساحتی معادل ۲۵×۳۰ کیلومتر مربع را پوشش می دهد.
مشاهده شده است که این گونه در جنگل مرطوب اسکلروفیل یا جنگل باز ساحلی، اغلب در دامنه های شیب دار رشد می کند. مشاهدات میدانی نشان داد که به نظر می رسد وقوع لیونمای دندانه دار در این منطقه به اختلال بستگی دارد، به ویژه در نزدیکی یا در داخل جنگل های مزارع که بطور دوره ای برداشت می شوند. همچنین به نظر می‌رسد این گونه‌ها مناطق باز در معرض نور خورشید را ترجیح می‌دهند، جایی که یک تاج پوشش کم در نزدیکی یا درون مناطق جنگلی وجود دارد. به دلیل عدم درک کافی از گیاه شناسی عمومی و فیزیولوژی لیونمای دندانی، از متغیرهای محیطی غیرمستقیم، به ویژه متغیرهای توپوگرافی، در مدلسازی پیش‌بینی‌کننده استفاده شد. توپوگرافی نه تنها بر رطوبت خاک، بلکه به طور غیرمستقیم بر pH خاک نیز تأثیر می گذارد. بنابراین، ارتفاع، شیب، جهت، شاخص رطوبت، فاصله تا آب، فاصله تا مناطق کاشت و طبقات پوشش گیاهی اکولوژیکی در این مطالعه موردی به‌عنوان عوامل محیطی اصلی که به طور بالقوه بر رشد و در نتیجه توزیع لیونمای دندانه‌دار تأثیر می‌گذارند، انتخاب شدند.
شکل ۱۰-۱۳ لیونمای دندانه دار (مثل یک درختچه انبوه یا درخت کوچک) ( ماتئوسز اوکیوروسکی)
شکل ۱۰-۱۴منطقه مورد مطالعه نقشه برداری بالقوه زیستگاه در محدوده Strzelecki ، ویکتوریا
داده‌های حضور لیونمای دندان‌دار در محدوده‌های Strzelecki از HVP Plantations Pty Ltd و دو بررسی صحرایی به‌دست آمد. HVP سی و سه رکورد از مکان‌هایی که لیونمای دندان‌دار رخ می‌دهد ارائه کرد. این سایت‌ها در طول کار میدانی تأیید شدند و سه سایت دیگر در دور اول کار میدانی شناسایی شدند. با استفاده از GPS Trimble GeoXH با دقت ۱۰ سانتی متر، مرزهای ضخامت لئونما دندانه دار ترسیم شد. برای اهداف مدل سازی، مرکز هر مستعمره ضخیم برای شناسایی محل هر سایت استفاده شد. این سی و شش سایت به عنوان سایت های آموزشی در مدل سازی پیش بینی استفاده شد. در بررسی میدانی چهارده محل جدید برای بروز لیونمای دندان دار در ناحیه مدل شده مشخص شد. علاوه بر این ، HVP نه رکورد دیگر ارائه کرد. این بیست و سه سایت به عنوان سایت های کنترل برای اعتبار سنجی مدل مورد استفاده قرار گرفت. این دو نظرسنجی توسط یک کارگر میدانی HVP که با پوشش گیاهی منطقه آگاه بود و بر اساس دانش میدانی از مکانهای احتمالی گونه ها ، مکانها را به طور تصادفی برای بازدید انتخاب کرد، هدایت شد. بنابراین سایتهای آموزش و کنترل را می توان نمونه های تصادفی در نظر گرفت.
در این مطالعه، DEM 10 متری برای استخراج شاخص‌های توپوگرافی برای مدلسازی، از جمله شیب، جنبه و شاخص رطوبت استفاده شد (به بخش ۷-۴ مراجعه کنید). لایه داده طبقات پوشش گیاهی اکولوژیکی (EVC) بدست آمد. هر EVC یک یا چند اجتماع گیاهی را نشان می دهد که در انواع مشابهی از محیط ها اتفاق می افتد و تمایل به واکنش های اکولوژیکی مشابه به عوامل محیطی مانند اختلال (برای مثال آتش سوزی) نشان می دهد. EVC ها می توانند به عنوان راهنمای توزیع گونه ها یا گروه های مختلف گونه مورد استفاده قرار گیرند. لایه داده هیدرولوژی برای تجزیه و تحلیل مجاورت نهرها و دیگر اجسام آبی مورد استفاده قرار گرفت. لایه داده جنگل ارائه شده توسط HVP اطلاعاتی را در مورد جنگل های بومی و مزرعه ارائه می دهد. این اطلاعات به عنوان نماینده اختلال مربوط به جنگلکاری در مزارع مورد استفاده قرار گرفت.
ArcGIS و ArcSDM (کادر ۹-۵ را ببینید) برای ایجاد روابط مکانی بین گونه ها و متغیرهای محیطی ذکر شده در بالا و پیش بینی احتمال وقوع گونه در مکان های مختلف از طریق مدل سازی WofE استفاده شد. شکل ۱۰-۱۵روند حل را نشان می دهد. در نتیجه از هفت عامل محیطی در نظر گرفته شده چهار عامل محیطی از جمله جنبه، ارتفاع، فاصله تا آب و مجاورت با مناطق مزارع، با وقوع مشاهده شده لیونمای دندانه دار مرتبط بوده و دارای قدرت پیش بینی قابل توجهی برای برآورد توزیع مکانی گونه ها هستند.
شکل ۱۰-۱۵ فرآیند حل برای پیش‌بینی توزیع مکانی بالقوه لیونمای دندانه‌دار
توزیع مکانی بالقوه لیونمای دندانه دار در منطقه مورد مطالعه با استفاده از احتمالات خلفی وجود گونه ها بر اساس چهار عامل محیطی که دارای قدرت پیش بینی هستند ، در چهار دسته طبقه بندی شده است : پتانسیل بالا، پتانسیل متوسط، پتانسیل کم و نامشخص، همانطور که در بخش ۹-۴ شکل ۱۰-۱۶ نتایج مدل سازی را نشان می دهد. بر اساس تجزیه و تحلیل نتایج، حدود ۱۰ درصد از منطقه مورد مطالعه به عنوان زیستگاه بالقوه بالقوه برای لیونمای دندانه دار پیش بینی شده بود که نادر بودن گونه ها را در منطقه برجسته می کند. این مناطق دارای ارتفاع متوسط ۳۹۵ متر (بین ۳۳۶ متر تا ۵۵۵ متر)، میانگین فاصله تا آب ۹۸۳ متر، متوسط فاصله تا کاشت ۱۲۰ متر و جنبه غالب جنوب غربی است. حدود ۳۵ درصد از منطقه مورد مطالعه به عنوان زیستگاه متوسط و کم پتانسیل برای لیونمای دندان دار پیش بینی شده بود. بیش از ۵۵ درصد از منطقه مورد مطالعه نامشخص در نظر گرفته شد. مناطق نامشخص به طور کلی بیش از ۶۸۰ متر دورتر از مناطق مزارع با جنبه شمال غربی یا شمالی واقع شده اند. مناطق با پتانسیل متوسط تمایل به سمت جنوب غربی دارند، در حالی که مناطق با پتانسیل پایین احتمالاً جنبه جنوب یا جنوب شرقی دارند.
هر دو اعتبار مدل با سایتهای آموزشی و کنترل و حقیقت‌یابی زمینی انجام شده در این زمینه نشان می‌دهد که نتایج مدلسازی معتبر هستند، و توزیع فضایی پیش‌بینی‌شده نشانه مفیدی از زیستگاه بالقوه مناسب برای لیونما دندان‌دار ارائه می‌دهد. با این حال، مانند سایر روش‌های مدلسازی پیش‌بینی‌کننده، WofE نمی‌تواند نمایش کاملی از توزیع واقعی و دقیق گونه‌ها ارائه دهد. اکوسیستم ها بسیار پیچیده و ناهمگن هستند و مدل سازی دقیق در هر جنبه از زمان و مکان بسیار دشوار است (گیوسان و زیمرمان، ۲۰۰۰). مدل WofE برای توزیع لیونمای دندانه دار توسعه یافته در این مطالعه موردی به دلیل فقدان داده های محیطی کافی و تعداد محدودی از رخدادهای شناخته شده این گونه محدود بود. درک بیشتری از فیزیولوژی و رفتار گونه مورد نیاز است و مجموعه داده های بیشتری (مانند خاک، وجود سرخس و گونه های طبقه بالایی) برای قوی تر کردن مدل مورد نیاز است. همچنین گنجاندن جنبه‌های دینامیکی جانشینی گونه‌ها در مدل غیرممکن است. علاوه بر این، مدل WofE توزیع شبیه‌سازی شده را از مشاهدات میدانی (بر اساس مجموعه داده‌های میدان تجربی) به جای محدودیت‌های فیزیولوژیکی نظری پیش‌بینی کرد. بنابراین توزیع فضایی بالقوه پیش‌بینی‌شده در داخل محفظه تحقق‌یافته لیونمای دندانه‌دار است، تابعی از عملکرد فیزیولوژیکی و محدودیت‌های اکوسیستم گونه نیست و نمی‌تواند در شرایط تغییر محیطی به کار رود. با این وجود، مدل WofE در شناسایی شرایط زیستگاه کلیدی لیونمای دندان‌دار و پیش‌بینی مناطقی که احتمال وجود گونه‌ها در آنها وجود دارد، مفید بوده است، به نحوی که در گذشته امکان‌پذیر نبوده است. نتایج نه تنها برخی از درک نیازهای زیستگاه گونه را ارائه می دهد، بلکه مجموعه جدیدی از داده ها را در مورد گونه برای توسعه استراتژی هایی برای حفاظت و مدیریت آن ارائه می دهد.
شکل ۱۰-۱۶ توزیع مکانی بالقوه لیونمای دندانه دار
بدون دیدگاه