قابلیت انتقال فضایی انواع پوشش گیاهی در مدل های پراکنش بر اساس بررسی های نمونه از یک منطقه آلپ

نقشه برداری پوشش گیاهی با استفاده از بررسی های میدانی گران است. مدل‌سازی توزیع، بر اساس بررسی‌های نمونه، ممکن است بر این چالش غلبه کند. ما آزمایش کردیم که آیا مدل‌های آموزش‌دیده از بررسی‌های نمونه می‌توانند برای پیش‌بینی توزیع انواع پوشش گیاهی در نواحی همسایگی مورد استفاده قرار گیرند و قابلیت انتقال فضایی چقدر قابل اعتماد است. ما همچنین آزمایش کردیم که آیا باید از عدم تشابه اکولوژیکی یا فاصله فضایی برای پیش‌بینی عملکرد مدل‌سازی استفاده کنیم. مدل‌های حداکثر آنتروپی برای سه نوع پوشش گیاهی بر اساس نقشه پوشش گیاهی در یک رشته کوه اجرا شد. متغیرهای محیطی به صورت معکوس انتخاب شدند، پیچیدگی مدل پایین نگه داشته شد. مدل‌ها بر اساس نقاطی از بخش کوچکی از هر سایت مطالعه، به کل سایت‌ها منتقل شده و سپس برای عملکرد آزمایش می‌شوند. فاصله محیطی با استفاده از تجزیه و تحلیل مؤلفه های اصلی آزمایش شد. همه مدل‌ها مقادیر بالای AUC تصحیح نشده داشتند. توانایی پیش‌بینی صحیح حضور کم بود. توانایی پیش بینی صحیح غیبت ها بالا بود. توانایی انتقال مدل توزیع به فاصله محیطی بستگی دارد نه فاصله مکانی.

کلید واژه ها

بررسی چارچوب منطقه , فاصله اکولوژیکی , GIS , داده های ارزیابی مستقل , مدلسازی حداکثر آنتروپی , نقشه برداری پوشش گیاهی

1. مقدمه

مدل‌سازی توزیع (DM)، با هدف مدل‌سازی توزیع پتانسیل یک هدف با مرتبط کردن توزیع آن به متغیرهای محیطی (EV)، در دهه‌های گذشته گسترش یافته است و به طور فزاینده‌ای برای پیش‌بینی‌های فضایی در اکولوژی کاربردی استفاده می‌شود [ 1 ] [ 2 ] . بر خلاف مدل‌های مکانیکی مبتنی بر فرآیند که برای شبیه‌سازی الگوهای پوشش گیاهی گذشته، فعلی و آینده استفاده می‌شوند [ 3 ]، روش‌های DM همبستگی هستند و بنابراین کمتر به روابط علی وابسته هستند [ 4 ]. اکثر مطالعات DM به سطح گونه ها می پردازند، اما روش های DM نیز اغلب در مطالعاتی که بر سطح پوشش گیاهی، زیستگاه یا نوع طبیعت تمرکز دارند استفاده می شود [ 5 ] [ 6 ] [ 7 ]] و همچنین سطوح بالاتر مانند مناطق فلورستیکی یا چشم انداز [ 8 ] [ 9 ] . در این مقاله، به چالش‌های DM در سطح نوع پوشش گیاهی می‌پردازیم.

انواع پوشش گیاهی نهادهای کم و بیش پایدار جوامع گیاهی را نشان می‌دهند که با فیزیوگنومی، ترکیب گونه‌های گیاهی، گونه‌های شاخص یا ترکیبی از هر سه مشخص می‌شوند و تحت تأثیر تعدادی از فرآیندهای اکولوژیکی در طول زمان و مکان هستند [ 10 ] [ 11 ]. هر نوع پوشش گیاهی یک فضای اکولوژیکی منحصر به فرد را منعکس می کند که فرآیندهای اکولوژیکی را که الگوی پوشش گیاهی را در مقیاس فضایی سیستم نقشه برداری کاربردی ساختار می دهد، خلاصه می کند [ 12 ].] . یک نوع پوشش گیاهی که از نظر اکولوژیکی به خوبی تعریف شده است معمولاً در مکان‌های اکولوژیکی مشابه در سراسر یک حوزه جغرافیایی مشخص یافت می‌شود. بنابراین یک نقشه پوشش گیاهی یک تعمیم فضایی از ساختار پوشش گیاهی را نشان می‌دهد که بر اساس انواع از پیش تعریف‌شده طبقه‌بندی می‌شود که قصد دارند فرآیندهای اکولوژیکی زیربنایی را در مقیاس فضایی معین منعکس کنند [ 6 ].

همه روش‌های DM بر اساس نقاط حضور صریح فضایی هستند، اما برخی از روش‌ها شامل نقاط غیبت نیز هستند (مانند GLM و GAM). با این حال، EV ها همیشه به صورت نقشه های دیوار به دیوار، با وضوح (اندازه دانه) و وسعت مشخص ظاهر می شوند [ 13 ]. بنابراین هدف DM برازش یک مدل با استفاده از نقاط صریح فضایی و EVها برای ارائه پیش‌بینی‌های دیوار به دیوار از توزیع بالقوه هدف است. در این مطالعه، ما یک روش فقط حضوری (PO) را اجرا می‌کنیم که اغلب برای مدل‌سازی حداکثر آنتروپی DM استفاده می‌شود [ 14 ].

تنها بخش های کوچکی از زمین از طریق بررسی های میدانی نقشه برداری شده است [ 11 ]. از سوی دیگر، تعداد نقشه‌های پوشش زمین دیوار به دیوار با مقیاس درشت با کلاس‌های کمتر بر اساس سنجش از دور (RS) در سه دهه گذشته به شدت افزایش یافته است [ 15 ] [ 16 ]. روش‌های RS تاکنون قادر به ترسیم انواع پوشش گیاهی با توجه به دقت و سطح اطلاعات به دست آمده برای بسیاری از اهداف مدیریت تنوع زیستی نبوده‌اند [ 17 ] [ 18 ].] . این به ویژه برای مناطق کوهستانی در عرض های جغرافیایی بالا که توپوگرافی، زاویه کم خورشید، ابرهای مکرر و یک فصل رشد کوتاه ترکیب می شوند و RS را دشوار می کنند صادق است. بسیاری از نقشه‌برداری‌های دقیق کنونی از انواع پوشش گیاهی، جنگل و مناظر با بررسی قاب‌های منطقه با استفاده از کار میدانی و/یا تفسیر عکس هوایی انجام می‌شود [ 19 ] [ 20 ] [ 21 ] [ 22 ].

از آنجایی که بررسی‌های قاب منطقه عمدتاً از نمونه‌های نماینده تشکیل شده‌اند، استفاده‌های امروزی عمدتاً به اهداف آماری غیرمکانی و تخمین‌های منابع منطقه محدود می‌شود، به عنوان مثال استفاده از روش‌های تخمین مساحت کوچک [ 23 ] [ 24 ]. با این حال، بررسی‌های قاب منطقه همچنین می‌توانند به عنوان مکان‌های آموزشی DM برای انواع پوشش گیاهی عمل کنند، اگر دانش قابلیت انتقال فضایی پیش‌بینی‌های DM به خوبی توسط مطالعات تجربی تثبیت شود و خطاها و عدم قطعیت‌ها [ 25 ] [ 26 ] [ 27 ] به خوبی تفسیر شوند.

هدف اصلی برای این مطالعه ارزیابی قابلیت انتقال فضایی DMs آموزش داده شده توسط نقاط PO نمونه از نقشه های پوشش گیاهی بررسی بود. به طور خاص تر، ما تصمیم گرفتیم چالش های زیر را تجزیه و تحلیل کنیم: آیا می توانیم از DM، مجهز به MaxEnt و آموزش داده شده با نقاط PO ایجاد شده از یک بررسی طرح-نمونه شبکه ای، برای پیش بینی توزیع انواع پوشش گیاهی در نواحی همسایگی (مناطق خارج از طرح آموزشی) استفاده کنیم. )؟ قابلیت انتقال فضایی DM در مواجهه با داده های ارزیابی مستقل چقدر قابل اعتماد است؟ چگونه و چرا عملکرد پیش‌بینی به عنوان پاسخی به افزایش فاصله فضایی یا اکولوژیکی از کرت‌های آموزشی (در یک حوزه فضایی) در هنگام اعمال DM کاهش می‌یابد؟ بر اساس شاخص‌های محیطی که مناطقی با اندازه مشابه نقشه‌های پیمایشی را نشان می‌دهند، اما در فاصله‌های فضایی فزاینده قرار دارند،

2. مواد و روشها

2.1. منطقه مطالعه

منطقه مورد مطالعه 941 کیلومتر مربع ^از منطقه کوه Rondane در جنوب مرکزی نروژ را پوشش می دهد (مرکز مختصات 548857N/686140E، در WGS84/UTM32N). توپوگرافی از فلات های کوهستانی مواج ملایم تا قله های بلند آلپ و دامنه ارتفاعات از 441 تا 2176 متر مربع متفاوت است. و میانگین بارندگی سالانه 842 میلی متر (2005-2011) می باشد. سنگ بستر کاملاً تحت سلطه سنگهای اسیدی پرکامبرین است که تا حدی توسط لایه های نازک و ناپیوسته تایل یخبندان پوشیده شده است [ 28 ]. پوشش گیاهی آلپی-بورئیال منطقه مورد مطالعه منعکس کننده آب و هوای قاره ای و ارتفاع متغیر است [ 29 ]. خط جنگل اقلیمی به 1200 متر از سطح زمین می رسد [ 30]، اما منطقه شمالی شمالی به طور منظم در زیر حدود 1000 متر ارتفاع ظاهر می شود

2.2. نقشه پوشش گیاهی

نقشه پوشش گیاهی منطقه مورد مطالعه با استفاده از نتایج پروژه های نقشه برداری انجام شده بین سال های 1980 و 1992 در یک نقشه بدون درز گردآوری شد [ 31 ]. دستورالعمل نقشه برداری عملاً در طول دوره پروژه بدون تغییر باقی ماند [ 32 ] [ 33 ]. در راهنمای میدانی، دستورالعمل های مفصلی برای تعدادی از جنبه های دشوار وجود دارد [ 34] . طبقه بندی بر اساس ترکیبی از ترکیب گونه های همگن، گونه های شاخص و چهره شناسی پوشش گیاهی بود. نقشه‌برداری با کار میدانی گسترده تأیید شد و اخیراً با استفاده از عکس‌های اورتوفوتو با وضوح بالا از سال 2010 به‌روزرسانی شد. این نقشه شامل 28 نوع پوشش گیاهی و 7 نوع پوشش زمین دیگر است (پیوست 1). نقشه بدون درز به فرمت شطرنجی با وضوح 10 متر تبدیل شد و با یک مدل ارتفاع رقومی (DEM) با وضوح مساوی ملحق شد.

2.3. اهداف نوع پوشش گیاهی

سه نوع پوشش گیاهی به عنوان اهداف انتخاب شدند. بوته های کوتوله، مراتع و حصارهای بلند. انتخاب بر اساس سه شرط بود. شیوع واگرا در منطقه مورد مطالعه (نادر، متوسط ​​و گسترده)، یک الگوی توزیع گسترده، و در نهایت بوم شناسی واگرا مربوط به EV های معروفی که می توان برای آنها پروکسی تولید کرد. گرمای بوته ای کوتوله در سرتاسر منطقه مورد مطالعه بسیار رایج است، در حالی که فنس به طور گسترده پراکنده است، اما به طور کلی با شیوع کمتر و وقوع کمتر است. علفزارهای بلند نسبتاً کمیاب هستند و در امتداد مناطق باریک پراکنده به نظر می رسند.

2.4. طراحی مطالعه

منطقه مورد مطالعه توسط یک شبکه با واحدهای آماری اولیه (PSU) 1500 متر × 600 متر، هر یک 0.9 کیلومتر مربع پوشش ^داده شده است. این شبکه مطابق با بررسی چارچوب منطقه نروژی از پوشش زمین و منابع زمین بیرونی است [ 21 ]. سه نوع پوشش گیاهی به طور مستقل در طول مطالعه تحت درمان قرار گرفتند.

برای هر نوع پوشش گیاهی، پنج سایت به طور تصادفی در منطقه مورد مطالعه قرار گرفتند، اما برای جلوگیری از همپوشانی فضایی در هر نوع پوشش گیاهی هدف، محدود شدند. هر سایت 10500 متر × 9600 متر (100.8 کیلومتر مربع ⁾ بود که از یک ماتریس 7 × 16 PSU تشکیل شده بود. یک PSU تصادفی، شامل نوع پوشش گیاهی هدف، در یکی از گوشه های سایت به عنوان مدل PSU انتخاب شد ( شکل 1 ).

بر اساس مدل PSU دو ترانسکت در امتداد لبه بیرونی سایت ها در دو جهت ایجاد شد که منجر به 105 PSU آزمایشی برای هر نوع پوشش گیاهی شد.

مجموعه‌ای از نقاط آموزشی PO از نقشه پوشش گیاهی، یک مجموعه از نوع پوشش گیاهی هدف برای هر یک از مدل‌های مختلف PSU تولید شد. برای جلوگیری از خودهمبستگی فضایی، نقاط آموزشی از شبکه ای با اندازه مش 20×20 متر استخراج شد [ 35 ]. با این حال، نقاطی که شامل انواع پوشش گیاهی در چند ضلعی‌های موزاییکی یا در چندضلعی‌هایی با علائم اضافی که از اکوسیستم متفاوتی نسبت به نوع پوشش گیاهی مورد نظر برای مدل‌سازی سرچشمه می‌گیرند، حذف شدند (پیوست 2).

داده‌های ارزیابی حضور و غیاب از نقشه پوشش گیاهی برای هر PSU با استفاده از شبکه‌ای با اندازه مش 10×10 متر تولید شد.

برای هر PSU مدل داده‌های زیر موجود است: نقاط PO آموزشی مورد استفاده برای مدل‌سازی، نقاط حضور-غیاب (PA) مورد استفاده برای ارزیابی، مجموعه‌ای از EVs، و یک DM بر اساس خروجی MaxEnt. به جز نقاط آموزشی، مجموعه داده های مشابهی برای همه PSU های آزمایشی تهیه شد. هر PSU در مجموع شامل 9000 نقطه است که با PA و ویژگی های EVs نسبت داده می شود.

2.5. متغیرهای محیطی (EV)

یک DEM و ده EV مشتق شده از DEM در این مطالعه استفاده شد ( جدول 1 ). EVهای مشتق شده در ArcGIS ^® 10.1 با استفاده از تجزیه و تحلیل فضایی تولید شدند. این EV ها به طور گسترده در مطالعات اکولوژیکی استفاده می شوند [ 36 ]، و در مطالعات قبلی به عنوان مرتبط با DM انواع پوشش گیاهی گزارش شده اند [ 6 ] [ 37 ]. وضوح تصویر EVs 10×10 متر است. Aspect به عنوان یک متغیر ترتیبی استفاده شد، همه EV های دیگر پیوسته بودند.

EVs برای همبستگی (Pearson’s r) مورد آزمایش قرار گرفتند و فقط EVهای کمتر از 0.7 ± در DM های نهایی مورد استفاده قرار گرفتند (پیوست 3).

2.6. روش مدلسازی توزیع

مدل‌سازی حداکثر آنتروپی (MaxEnt نسخه 3.3.3k، https://www.cs.princeton.edu/~schapire/maxent/ ) در این مطالعه استفاده شد. این روش به عنوان یک روش یادگیری ماشینی [ 38 ] توصیف می شود، اما می تواند به عنوان روش حداکثر احتمال نیز توضیح داده شود [ 39 ]. بر اساس سوابق PO از یک هدف خاص و EVs برای منطقه مورد مطالعه، MaxEnt یک مدل پیش‌بینی برای توزیع هدف با استفاده از EVs در سلول‌های حضوری به عنوان پشتیبانی کمکی ایجاد می‌کند [ 40 ] [ 41 ].

انواع پوشش گیاهی با استفاده از استراتژی‌های مدل‌سازی معمول MaxEnt که به عنوان مثال در [ 42 ] توضیح داده شده است، مدل‌سازی و برون‌یابی شدند. تنظیمات پیش‌فرض تحت تأثیر قرار گرفتند و ما در تلاش برای مدل‌هایی بودیم که تناقض بین: 1) تعداد کم پارامترها را با حذف ویژگی‌هایی که منجر به لامبدا بالا می‌شد، 2) مقادیر بالای AUC آموزشی تا حد ممکن و 3) کمترین EVs در صورت نیاز را متعادل می‌کردند. بدون حذف متغیرهایی که برای مدل‌سازی انواع پوشش گیاهی مهم هستند. هدف این بود که مدل های مقرون به صرفه MaxEnt برای قابلیت انتقال فضایی مناسب باشند [ 40 ] [ 42 ].

بر اساس تجربیات با مجموعه داده، فقط ویژگی های خطی و درجه دوم [ 14 ] [ 38 ] [ 41 ] مجاز بودند. این مانع از نصب بیش از حد مدل ها شد. مدل‌های مناسب برای تعداد نمونه‌های مختلف پس‌زمینه مقایسه شد و تعداد نقاط پس‌زمینه روی 1000 تنظیم شد. پس از آزمایش گزینه‌های مختلف، ضریب منظم‌سازی روی 0 تنظیم شد. تنها با دو ویژگی و تعداد نسبتاً زیاد امتیاز آموزشی ( جدول 2 ) این مورد را قابل قبول یافتیم. بازرسی بصری منحنی های پاسخ نیز منحنی های صاف را نشان داد. برای تمام تنظیمات دیگر از مقادیر پیش فرض استفاده کردیم.

یک انتخاب گام به گام به عقب با استفاده از مساحت زیر مقادیر منحنی (AUC) [ 38 ]، درصد سهم EVs به مدل و jackknife برای انتخاب EVs موجود در مدل‌های نهایی استفاده شد [ 39 ] [ 43 ].

حداکثر حساسیت تمرین به اضافه ویژگی، بر اساس فرمت خروجی لجستیک [ 14 ]، به دو دلیل به عنوان قانون آستانه استفاده شد. برای ایجاد یک نقشه پوشش گیاهی که حضور یا عدم حضور را برای همه مکان‌ها از همه انواع پوشش گیاهی [ 12 ] [ 44 ] و به عنوان بخشی از فرآیند ارزیابی مدل ارائه می‌کند. حداکثر حساسیت تمرینی به علاوه ویژگی بر اساس نتایج چندین مطالعه دیگر انتخاب شد [ 7 ] [ 45 ] [ 46 ]. تمام احتمال نسبی حضور پیش‌بینی‌شده (RPPP) بالاتر از آستانه، نوع پوشش گیاهی داده شده در نظر گرفته شد و امتیاز طبقه‌بندی صحیح بر اساس نقاط حضور و غیاب محاسبه شد.

همانطور که در بالا توضیح داده شد، یک مدل MaxEnt برای هر یک از پانزده مکان مطالعه مختلف نصب شد. مدل‌های MaxEnt از PSUs مدل‌های مختلف برای نمایش (قابلیت انتقال) به مناطق آزمایش مجاور با استفاده از EVs ثبت‌شده برای ناحیه دوم مورد استفاده قرار گرفتند.

2.7. ارزیابی قابلیت انتقال فضایی

خروجی مدل از MaxEnt در برابر داده‌های ارزیابی PA از نقشه پوشش گیاهی دیوار به دیوار، با وضوح مشابه با داده‌های مدل از MaxEnt ارزیابی شد.

دقت مدل بر اساس چهار دسته محاسبه شد. غیاب پیش بینی شده صحیح، غیبت پیش بینی شده نادرست، حضور پیش بینی شده صحیح و حضور پیش بینی شده نادرست. دقت مدل‌های MaxEnt به عنوان درصد غیبت و حضور پیش‌بینی‌شده صحیح در برابر غیاب و حضور واقعی محاسبه شد. دقت طبقه‌بندی و میزان خطا توسط یک ماتریس سردرگمی با استفاده از تعداد کل نقاط در چهار دسته مختلف برای هر یک از سه نوع پوشش گیاهی مختلف محاسبه شد.

ما آزمایش کردیم که آیا DM می تواند برای پیش بینی عدم حضور و حضور برای سه نوع پوشش گیاهی با استفاده از فاصله خطای استاندارد ± (SE) استفاده شود. فرضیه صفر (H0) این بود که درصد هر یک از چهار دسته مورد استفاده برای ارزیابی مدل‌های MaxEnt صفر است.

تفاوت بالقوه در دقت پیش‌بینی عدم حضور و حضور با فاصله اطمینان 95% (CI) تفاوت بین غیاب پیش‌بینی‌شده صحیح و حضور پیش‌بینی‌شده صحیح مورد آزمایش قرار گرفت.

2.8. فاصله اکولوژیکی

فاصله اکولوژیکی بر اساس خودروهای الکتریکی مورد استفاده در مدل‌های MaxEnt برای مناطق مختلف مورد مطالعه بود ( جدول 2 ). معیارهای عدم تشابه بر اساس نتایج حاصل از تجزیه و تحلیل مؤلفه اصلی (PCA) [ 47 ] به عنوان معیاری برای شباهت اکولوژیکی بین PSU های آزمایشی و PSU مدل استفاده شد.

PCA یک روش تنظیم غیرمستقیم است که هدف آن بازسازی داده های پیچیده در قالبی قابل مدیریت است [ 48 ]. برای PCA ما فقط EVهای مورد استفاده در مدل MaxEnt را برای هر نوع پوشش گیاهی گنجاندیم، و نتوانستیم اثرات قوس یا نعل اسبی قانع کننده را تشخیص دهیم [ 49 ]. EV های مختلف واحدهای اندازه گیری شده را نشان می دهند

مقیاس‌های نابرابر، بنابراین همه متغیرها را با استفاده از تقسیم بر انحراف استاندارد آنها نرمال کردیم. علاوه بر این، ما از مقیاس‌های ارزش ویژه استفاده کردیم، بیضی‌های غلظت 95 درصد را برای هر PSU ایجاد کردیم (سایت به سایت اجرا می‌شود) و از اطلاعات آن بیضی‌ها در تحلیل‌های بیشتر عدم شباهت بین PSUها استفاده کردیم. ما از معیارهای 95 درصد بیضی که دو محور اول PCA را نشان می‌دهند، استفاده کردیم. به معنی x و میانگین y.

برای بیان عدم تشابه بین PSUهای ارائه شده توسط PCAها، از معیارهای استاندارد فاصله و عدم تشابه اقلیدسی استفاده کردیم [ 48 ].

2.9. ارزیابی فاصله اکولوژیکی و فضایی

انسجام بین پیش بینی ها / پیش بینی های صحیح و فاصله اکولوژیکی و فضایی مورد تجزیه و تحلیل قرار گرفت. فاصله فضایی به عنوان فاصله اقلیدسی بین نقطه میانی PSU مدل و نقطه میانی هر یک از PSU های آزمایشی تنظیم شد. فاصله اکولوژیکی در فصل فوق توضیح داده شده است. همبستگی بین حضور پیش‌بینی‌شده برای سه نوع پوشش گیاهی مختلف و فاصله اکولوژیکی و فضایی با استفاده از تحلیل رگرسیون خطی مورد تجزیه و تحلیل قرار گرفت. داده‌های حضور و غیاب پیش‌بینی‌شده درست به همین روش تحلیل شدند.

3. نتایج

3.1. توضیحات مدل ها

یک مدل برای هر یک از سایت های مطالعه مختلف برازش داده شد. بین دو تا پنج EV مختلف استفاده شده است، برای جزئیات بیشتر در مورد پارامترهای مدل به جدول 2 مراجعه کنید.

یک ارتباط بین تعداد نقاط تمرین و مقدار تمرین-AUC مشاهده شد، با کاهش مقدار تمرین-AUC با افزایش تعداد نقاط تمرین (R2 ⁼ 0.69، p = 1.1e-4) (پیوست 4) ).

حضور پیش‌بینی‌شده انواع به‌طور گسترده‌ای بین PSUs در داخل سایت‌های مطالعه متفاوت بود. میانگین درصد پوشش پیش‌بینی‌شده برای درختچه‌های پاکوتاه 19 درصد از سایت‌های مورد مطالعه، و میانگین درصد پوشش پیش‌بینی‌شده برای علف‌زار و مرغزار به‌ترتیب 26 درصد و 16 درصد بود. مقدار حضور پیش‌بینی‌شده برای سه نوع پوشش گیاهی مختلف از 0٪ تا > 98٪ پوشش PSUs آزمایشی (پیوست 5) متغیر بود.

3.2. ارزیابی قابلیت انتقال فضایی

درصد غیبت پیش‌بینی‌شده تأیید شده به‌عنوان صحیح برای همه انواع پوشش گیاهی بالا است. 90.0 درصد برای درختچه‌های کوتوله، 96.9 درصد برای چمن‌زارهای بلند و 97.7 درصد برای فنس. درصد حضور پیش‌بینی‌شده تأیید شده به‌عنوان صحیح کم است. 23.4% برای درختچه‌های کوتوله، 1.9% برای علفزارهای بلند و 6.1% برای فنس ( جدول 3 ؛ ضمیمه 6). دقت طبقه‌بندی بر اساس ماتریس سردرگمی بین 76% و 84% برای سه نوع پوشش گیاهی مختلف متفاوت است.

H0 برای غیاب های پیش بینی شده صحیح و حضور های پیش بینی شده نادرست رد شد، اما برای حضور پیش بینی شده صحیح رد نشد، به عنوان مثال ± SE شامل صفر است. تفاوت معنی داری بین عملکرد مدل بین صحت پیش بینی عدم حضور و حضور برای همه تیپ های گیاهی وجود دارد. 95% فاصله اطمینان (CI) حاشیه بین مقادیر غیبت به درستی پیش بینی شده است.

3.3. پیش بینی انواع پوشش گیاهی در مقابل فاصله اکولوژیکی و فضایی

رگرسیون بین میزان حضور پیش بینی شده و فاصله اکولوژیکی و فضایی در شکل 2 ارائه شده است . رابطه مقدار غیبت پیش بینی شده برعکس رابطه مقدار حضور پیش بینی شده است.

تمایل کلی این است که تعداد حضور پیش بینی شده با افزایش فاصله اکولوژیکی کاهش می یابد. از سوی دیگر افزایش فاصله مکانی بر تعداد حضورهای پیش بینی شده تأثیری ندارد. رگرسیون برای حضور پیش‌بینی‌شده در مقابل فاصله زیست‌محیطی معنی‌دار است (005/0>p) برای خرچنگ بوته‌های کوتوله و فنس. با این حال، تمایل برای کاهش میزان حضور پیش‌بینی‌شده با افزایش فاصله اکولوژیکی نیز برای علفزار بلند فورب دیده می‌شود (07/0=p). رگرسیون برای تعداد حضور پیش‌بینی‌شده در مقابل فاصله مکانی برای علفزار و مرغزار معنی‌دار نیست. روندی وجود دارد (02/0 = p) که تعداد حضور پیش‌بینی‌شده با افزایش فاصله از مدل PSU برای گرمای درختچه‌های کوتوله کاهش می‌یابد.

برای رایج‌ترین نوع، گرمای بوته‌ای کوتوله، رگرسیون خطی بین حضور طبقه‌بندی‌شده صحیح در برابر فاصله اکولوژیکی و فضایی قابل‌توجه است (005/0p<). با کاهش میزان حضور صحیح طبقه بندی شده با افزایش فاصله اکولوژیکی یا فضایی ( شکل 3 ).

الگوی غیبت پیش‌بینی‌شده صحیح کمتر واضح است. این یک روند به سمت یک همبستگی مثبت بین غیاب پیش بینی شده صحیح و فاصله اکولوژیکی است (ص

< 0.05)، اما هیچ ارتباطی بین غیاب پیش بینی شده صحیح و فاصله مکانی وجود ندارد.

تعداد غیاب پیش‌بینی‌شده درست برای علفزار بلند تنها تمایل ضعیفی را برای همبستگی با فاصله اکولوژیکی نشان می‌دهد (p <0.1) و هیچ ارتباطی با فاصله مکانی (پیوست 7) ندارد. حضور پیش‌بینی‌شده درست همبستگی منفی معنی‌داری را با فاصله اکولوژیکی و فضایی نشان می‌دهد (005/0 ≤ P).

بین تعداد غیبت طبقه بندی شده صحیح و فاصله اکولوژیکی و فضایی برای فن (پیوست 8) همبستگی مثبت معنی داری (005/0p<) وجود دارد. یک روند برای همبستگی منفی بین تعداد حضور صحیح پیش بینی شده و فاصله اکولوژیکی و فضایی دیده می شود (P <0.1).

4. بحث

4.1. قابلیت انتقال فضایی انواع پوشش گیاهی با استفاده از DM

مدل‌های توزیع منجر به مقادیر AUC آموزشی نسبتاً بالایی شدند. به پیروی از Araujo، Pearson، Thuiller و Erhard [ 50 ]، همه DM های حاصل باید به عنوان دارای توانایی پیش بینی خوب تفسیر شوند. در یک تنظیم درون یابی، نسبت تصادفی نقاط PO می تواند به عنوان مجموعه داده های آزمون برای ارزیابی مدل استفاده شود [ 41 ]] . در مطالعات انتقال پذیری فضایی، یعنی در یک محیط برون یابی، چنین آزمایشی امکان پذیر نیست، زیرا هیچ نقطه PO در مناطق پیش بینی شده وجود ندارد. با فقدان داده‌های ارزیابی، نمی‌توان چیزی قطعی در مورد قابلیت انتقال مدل‌ها بیان کرد، با توجه به اینکه ارزش‌های AUC آموزشی فقط توانایی یک مدل را برای توضیح توزیع امتیازهای آموزشی گزارش می‌کنند. هنگامی که با نقاط ارزیابی مستقل PA از مناطق محله پیش‌بینی‌شده مواجه می‌شویم، نتایج چندین جنبه مهم را نشان می‌دهند، اما ابتدا باید در مورد طراحی DM خاص مورد استفاده در این مطالعه بحث کنیم.

4.2. تنظیم صحنه برای قابلیت انتقال فضایی در DM

مشروط بر اینکه هدف از قابلیت انتقال فضایی در مطالعات DM طرح رابطه اهداف به EVها از یک منطقه آگاه به یک منطقه ناآگاه باشد، پیش نیاز اجتناب از برازش بیش از حد مدل است [ 51 ]. به نظر می رسد این یک بیانیه کلی برای قابلیت انتقال زمانی در DM [ 52 ] [ 53 ] [ 54 ] نیز معتبر باشد. بنابراین، به جای حداکثر کردن تناسب با نقاط PO آموزشی خاص هر PSU، تناسب و پیچیدگی مدل را کاهش دادیم. در مطالعات انتقال پذیری، چنین انتخاب هایی به دانش پیشینی با روش DM [ 14 ]، اکولوژی هدف و تغییرات محیطی در منطقه برای طرح ریزی بستگی دارد [ 27 ]] . با نگاهی به گذشته، با توجه به نتایج اجرای نکات ارزیابی PA، البته اذعان اینکه تغییرات در برازش مدل یا قوانین آستانه باینری می‌تواند نتایج را بهبود بخشد، غیرمشکل است. با این حال، ما هیچ گونه اصلاحات پسینی را با توجه به نتایج وارد نکرده‌ایم، زیرا هدف آزمایش قابلیت انتقال فضایی با استفاده از یک مجموعه داده واقعی و یک نقطه عزیمت واقعی برای DM بود، نه آموزش برای «بهترین» تنظیم مدل‌سازی به عنوان یک روش تکراری. فرآیند [ 55 ] .

4.3. عدم تشابه اکولوژیکی – نه فاصله فضایی

یک فرض اساسی در تحلیل فضایی (sensu lato) اولین قانون جغرافیای توبلر است [ 56 ] [ 57 ]. بنابراین پیش از این، ما انتظار کاهش تدریجی عملکرد DM را با افزایش فاصله از PSU های آموزشی، مطابق با نتایج سایر مطالعات [به عنوان مثال [ 51 ]] داشتیم.

در این مطالعه، نسبت کلی حضورهای پیش‌بینی‌شده با افزایش فاصله فضایی تغییر چندانی نکرد ( شکل 2 )، اما تنوع بالا بود. تنوع بالا نشان دهنده گردش محیطی بالا در داخل و در بین PSU ها است که با فاصله اکولوژیکی ارائه شده توسط PCA بهتر توصیف شد. بنابراین، به جای تعریف حوزه(های) منسجم فضایی برای طرح DM در مقیاس منطقه ای به جهانی [به عنوان مثال 51]، عدم تشابه اکولوژیکی در هر سلول باید دامنه(های) منسجم اکولوژیکی را تعریف کند ( شکل 4 ). توصیه می‌کنیم تمام سلول‌هایی را که از نظر اکولوژیکی در مقایسه با اکولوژی محل تمرین بسیار متفاوت هستند، صرف نظر از فاصله مکانی حذف کنید.

Elith، Kearney و Phillips [ 58 ] نسبت به استفاده از DM در مناطق جدید محیطی خارج از محدوده ارزش های آموزشی با اجرای معیار تشابه محیطی (MESS) هشدار دادند. ما از تغییر در امتداد دو محور اول PCA برای استخراج ساختاری ترین تازگی محیطی استفاده کردیم، که در DM اغلب توسط تعداد بسیار محدودی از EVs [ 35 ] به خوبی توصیف می شود، تا قابلیت انتقال فضایی را ارزیابی کنیم. روش‌ها تفاوت‌هایی دارند، اما به نظر ما، همبستگی قوی بین سلول‌های پیش‌بینی‌شده درست و فاصله اکولوژیکی در مطالعه ما، قویاً از هشدار Elith و همکاران پشتیبانی می‌کند. [ 58 ] و دیگران [ 59 ] .

4.4. مقابله با DM ها با داده های ارزیابی مستقل PA

مواجهه با پیش‌بینی‌ها با داده‌های ارزیابی مستقل نشان می‌دهد که ویژگی بالا، اما حساسیت پایین است. دقت طبقه‌بندی کل برای سه نوع پوشش گیاهی نسبتاً بالا است ( جدول 3 )، که ما قضاوت می‌کنیم که نتیجه ویژگی بالا و مناطق بزرگ با عدم وجود اهداف است. با توجه به اینکه DM ها مناطق حضور واقعی را شناسایی می کنند، باید یک نتیجه منطقی باشد که بتواند مناطق حضور واقعی را نیز شناسایی کند. با این حال، نتایج ما به این واقعیت اشاره دارد که ما یک مدل سازی دقیق از غیبت داریم، اما یک مدل سازی غیر دقیق از

حضور بنابراین DM ما را به مناطق مرتبط با حضور بالقوه هدایت می کند، اما با دقت مکانی پایین. اگر یک قاعده آستانه باینری متفاوت را پیاده‌سازی می‌کردیم و تنظیمات مدل یکسانی را حفظ می‌کردیم، مقادیر RPPP و نتایج DM تغییر نمی‌کردند، اما می‌توانست نسبت‌های غیاب و حضور پیش‌بینی‌شده را متفاوت نشان دهد. با داشتن نتایج آزمون مستقل، همبستگی منفی بین میزان حضور درست پیش‌بینی‌شده و فاصله اکولوژیکی و فضایی، امکان استفاده از یک قانون آستانه باینری را فراهم می‌کند که حساسیت مدل‌ها را افزایش می‌دهد. با این حال، بدون آزمون مستقل، ما نمی‌دانستیم کدام یک از قوانین آستانه باینری را اجرا کنیم.

اثرات فاصله اکولوژیکی و فضایی زمانی تغییر می کند که پیش بینی ها با داده های ارزیابی مستقل روبرو شوند. حضور درست پیش بینی شده برای همه انواع با فاصله اکولوژیکی و همچنین فضایی همبستگی منفی دارد. چنین الگوی واضحی برای غیبت پیش بینی شده به درستی مشاهده نمی شود. همبستگی بین حضور پیش بینی شده و فواصل اکولوژیکی و فضایی ( شکل 2 ) تصویری را بر اساس مدل های MaxEnt به تنهایی ارائه می دهد. خودروهای برقی و داده های آموزشی وضعیت واقعی، زمانی که داده‌های مدل با داده‌های ارزیابی مواجه می‌شوند، تصویر پیچیده‌تری را نشان می‌دهد که در آن عوامل زیست‌محیطی کشف‌نشده بر نتایج تأثیر می‌گذارند. فقدان انواع پوشش گیاهی را می توان به عنوان یک گروه متنوع در نظر گرفت، در حالی که حضور همگن تر است.

4.5. منابع خطا و عدم قطعیت

اگرچه EV های توپوگرافی مشتق شده از DEM ها برای مطالعات DM بسیار مفید هستند [ 1 ] و نشان داده اند که توزیع محلی برخی از انواع پوشش گیاهی را توضیح می دهند [ 6 ] [ 60 ]، آنها کل امضای اکولوژیکی مورد نیاز برای پیش بینی را نشان نمی دهند. انواع پوشش گیاهی مورد نظر در غیاب داده‌های آب و هوایی با وضوح بالا، ما از ارتفاع به‌عنوان یک پروکسی آب و هوای جمعی استفاده کرده‌ایم، که به خوبی از عدم قطعیت‌های مربوط به استفاده از این EV مخدوش‌کننده آگاه هستیم [ 61 ]] . ما معتقدیم که DM ارائه شده در این مطالعه می‌تواند با افزودن چندین EV مربوطه، مانند پوشش برف، دما، بارش (sensu lato)، و درشت مغذی‌های خاک، بهبود یابد. با این حال، این خودروهای الکتریکی در دسترس نبودند یا فقط با وضوح نامربوط در دسترس بودند. برای هدف DM، ما تصدیق می‌کنیم که چندین خودروی الکتریکی گمشده می‌توانستند تناسب مدل درجا را بهبود بخشند، اما به احتمال زیاد قابلیت انتقال فضایی را بهبود نمی‌بخشند. منبع اصلی خطا برای انتقال فضایی DM ها به نظر ما عدم تنوع محیطی است که توسط نقاط PO آموزشی در رابطه با محیط متنوع تر در منطقه در نظر گرفته شده برای طرح ریزی نشان داده شده است.

نتایج کلی برای سه نوع پوشش گیاهی همخوان بود، اما برخی از تفاوت‌ها مشخص شد. تیپ گیاهی رایج محلی در بین انواع پوشش گیاهی آزمایش شده بهترین عملکرد را داشت. پراکندگی فنس ها به صورت خوشه ای است و پوشش کل نسبتاً کم است. گرمای بوته ای کوتوله رایج ترین نوع پوشش گیاهی است، هم از نظر وسعت و هم از نظر پراکندگی، و تنوع داخلی آن زیاد است [ 62 ]. برون یابی نوع پوشش گیاهی به یک نتیجه متوسط ​​دست یافت، اما با دقت بیشتری نسبت به مطالعات قبلی [ 6 ] مدلسازی شد. علفزار فورب بلند نادر به صورت محلی و کلی منجر به کمترین دقت مدل شد و تا حد زیادی بیش از حد برآورد شد. ما دو دلیل اصلی را برای این امر تصدیق می کنیم. اولین؛ نوع پوشش گیاهی به مقدار زیادی مواد مغذی و رطوبت خاک نیاز دارد [ 33] . دومین؛ این احتمال وجود دارد که نوع پوشش گیاهی دارای شیوع بسیار کم باشد که نمی توان به طور دقیق پیش بینی کرد. بر اساس تنها سه نوع پوشش گیاهی با شیوع و اکولوژی متفاوت، ما در مورد نتیجه گیری بیش از حد کلی هشدار می دهیم.

4.6. مفهوم عملی

در این مطالعه ما فقط قابلیت انتقال محلی یک DM را بر اساس داده‌های بررسی نمونه آزمایش کرده‌ایم. نتایج از قصد اولیه ما برای استفاده از چارچوب DM به عنوان جایگزینی برای نقشه برداری پوشش گیاهی پشتیبانی نمی کند، زیرا مدل ها در تشخیص غیاب بهتر از حضور بودند. با این حال، اگر داده‌های بررسی نمونه به‌عنوان بخش عملی DM برای نقشه‌برداری پوشش گیاهی اجرا شود، داده‌های حضور از تمام قطعات بررسی نمونه‌برداری شده به طور همزمان فعال می‌شوند. این به معنای تغییر از DM بر اساس برون یابی فضایی محلی sensu stricto، به DM بر اساس درونیابی در میان قطعات در داخل محدوده است. این رویکرد جایگزین چندین سؤال تحقیقاتی جدید را مطرح می کند که باید به آنها پرداخته شود، مانند؛ تراکم (یا اندازه) کرت های بررسی به اندازه کافی زیاد است که هم کل و هم تغییرات محیطی مداوم انواع پوشش گیاهی را در محدوده نشان دهد، و گونه های گیاهی کمیاب هستند که در فضا (توزیع غیر تصادفی) به خوبی در شبکه بندی نمایش داده شده اند. بررسی نمونه قبل از اینکه بتوان در مورد اجرای DM به عنوان روشی برای نقشه برداری پوشش گیاهی بر اساس داده های بررسی قاب منطقه نتیجه گیری کرد، این سؤالات باید مورد بررسی قرار گیرند.

5. نتیجه گیری ها

این مطالعه چندین جنبه از احتیاط را نشان داده است که باید در هنگام استفاده از DMs از انواع پوشش گیاهی، آموزش دیده با داده های بررسی و مجهز به MaxEnt، برای انتقال پذیری فضایی مورد استفاده قرار گیرد:

・ بررسی چارچوب منطقه از انواع پوشش گیاهی، که در آن قطعه نمونه فرض می شود نماینده یک حوزه فضایی بزرگتر است، باید با احتیاط در مطالعات انتقال پذیری با استفاده از DM استفاده شود.

・ نقاط PO آموزش باید معرف تغییرات محیطی در منطقه در نظر گرفته شده برای طرح ریزی باشد.

・ پارامترسازی، انتخاب EVs و مشخصات مدل بر توانایی انتقال DM تاثیر می گذارد. بر اساس توانایی کم در مدل سازی صحیح حضور. ما معتقدیم که عدم تناسب بر نتایج تأثیر می گذارد. بنابراین مهم است که تناسب مدل و پیچیدگی را بین دو هدف متضاد متعادل کنیم: فعال کردن پیش‌بینی فضایی DM (تناسب مدل کم)، اما در عین حال، حفظ قابلیت پیش‌بینی‌پذیری بالا (تناسب مدل بالا).

・ قابلیت انتقال DM ها به فاصله فضایی بستگی ندارد، اما به خوبی با PCA-شاخص های فاصله اکولوژیکی در بین سایت های آزمایش همبستگی دارد. بنابراین چالش قابلیت انتقال DM در درجه اول تعریف یک حوزه فضایی نیست، بلکه موضوع تعریف یک حوزه اکولوژیکی مناسب برای طرح ریزی فضایی است.

・ قابلیت اطمینان یک DM پیش‌بینی‌شده فضایی تنها زمانی می‌تواند به طور کامل مورد بررسی قرار گیرد که در برابر داده‌های ارزیابی مستقل آزمایش شود. مقادیر AUC آموزشی از DM ها، تخمین خوبی از عملکرد مدل سازی واقعی ارائه نمی دهد.

این تحقیق عمداً به بررسی داده‌های یک بررسی قاب منطقه موجود از انواع پوشش گیاهی با توجه به قابلیت انتقال فضایی DM مجهز به MaxEnt محدود شد. با این حال، تمرکز بر روی داده‌های نوع پوشش گیاهی، روش DM، EVs و مقیاس فضایی، تنها بخش خاصی از چالش‌های موجود در قابلیت انتقال DM را فراهم می‌کند. با این وجود، از آنجایی که نقشه‌های پوشش گیاهی با کیفیت بالا به عنوان ابزاری کلیدی برای مدیریت طبیعت باقی می‌ماند [ 43 ]، و نقشه‌برداری کار میدانی زمان‌بر و پرهزینه است، ما نیاز به درک بهتری از نحوه مدل‌سازی توزیع انواع پوشش گیاهی از داده‌های موجود داریم، مانند بررسی قاب منطقه [ 21] . تکنیک‌های مدل‌سازی فضایی، مانند روش‌های DM (مثلا MaxEnt)، به طور فزاینده‌ای در دسترس محققان هستند و باید برای بررسی پتانسیل مدل‌سازی توزیع انواع پوشش گیاهی در مناطقی که هنوز با روش‌های سنتی نقشه‌برداری نشده‌اند، استفاده شوند [ 6 ].

منابع

 

[ 1 ]	Guisan، A. و Zimmermann، NE (2000) مدل های توزیع زیستگاه پیش بینی در اکولوژی. مدلسازی اکولوژیک، 135، 147-186. https://doi.org/10.1016/s0304-3800(00)00354-9
[ 2 ]	Yackulic, CB, Chandler, R., Zipkin, EF, Royle, JA, Nichols, JD, Grant, EHC and Veran, S. (2013) مدلسازی فقط حضوری با استفاده از MAXENT: چه زمانی می توانیم به استنتاج ها اعتماد کنیم؟ روشها در بوم شناسی و تکامل، 4، 236-243. https://doi.org/10.1111/2041-210x.12004
[ 3 ]	Scheiter, S., Langan, L. and Higgins, SI (2013) نسل بعدی مدل‌های گیاهی پویا جهانی: یادگیری از بوم‌شناسی جامعه. گیاه شناس جدید، 198، 957-969. https://doi.org/10.1111/nph.12210
[ 4 ]	دورمن، سی اف، شیمانسکی، اس جی، کابرال، جی.، چویین، آی.، گراهام، سی.، هارتیگ، اف.، کرنی، ام.، مورین، ایکس، رومرمن، سی، شرودر، بی و سینگر، A. (2012) همبستگی و فرآیند در مدل های توزیع گونه ها: عروسی دوگانگی. مجله جغرافیای زیستی، 39، 2119-2131. https://doi.org/10.1111/j.1365-2699.2011.02659.x
[ 5 ]	Miller, J., Franklin, J. and Aspinall, R. (2007) ادغام وابستگی فضایی در مدل‌های پوشش گیاهی پیش‌بینی‌کننده. مدلسازی اکولوژیک، 202، 225-242. https://doi.org/10.1016/j.ecolmodel.2006.12.012
[ 6 ]	Ullerud, HA, Bryn, A. and Klanderud, K. (2016) مدل‌سازی توزیع انواع گیاهی در اکوتون شمالی-آلپی. علوم گیاهی کاربردی، 19، 528-540. https://doi.org/10.1111/avsc.12236
[ 7 ]	وبر، TC (2011) مدل سازی حداکثر آنتروپی توزیع جنگل های جنگلی بالغ در چهار ایالت ایالات متحده. اکولوژی و مدیریت جنگل، 261، 779-788. https://doi.org/10.1016/j.foreco.2010.12.009
[ 8 ]	Moriondo, M., Jones, GV, Bois, B., Dibari, C., Ferrise, R., Trombi, G. and Bindi, M. (2013) تغییرات پیش بینی شده مناطق شراب در پاسخ به تغییرات آب و هوایی. تغییرات آب و هوایی، 119، 825-839. https://doi.org/10.1007/s10584-013-0739-y
[ 9 ]	Zhang, M.-G., Zhou, Z.-K., Chen, W.-Y., Silk, JWF, Cannon, CH and Raes, CH (2012) با استفاده از مدلسازی توزیع گونه ها برای بهبود حفاظت و برنامه ریزی کاربری زمین یوننان، چین حفاظت زیستی، 153، 257-264. https://doi.org/10.1016/j.biocon.2012.04.023
[ 10 ]	Biondi, E., Feoli, E. and Zuccarello, V. (2004) مدلسازی پاسخهای محیطی انجمنهای گیاهی: مروری بر برخی مفاهیم حیاتی در مطالعه گیاهی. بررسی های انتقادی در علوم گیاهی، 23، 149-156. https://doi.org/10.1080/07352680490433277
[ 11 ]	Millington, AC and Alexander, RW (2000) نقشه برداری گیاهی در سه دهه آخر قرن بیستم. در: Alexander, RW and Millington, AC, Eds., Vegetation Mapping, John Wiley & Sons, Chichester, 321-331.
[ 12 ]	پدروتی، اف (2013) نقشه برداری گیاه و گیاه. اسپرینگر ورلاگ، هایدلبرگ. https://doi.org/10.1007/978-3-642-30235-0
[ 13 ]	Yackulic، CB و Ginsberg، JR (2016) مقیاس بندی محدوده های جغرافیایی: مفاهیمی برای مدل های توزیع گونه ها. بوم شناسی منظر، 31، 1195-1208. https://doi.org/10.1007/s10980-015-0333-y
[ 14 ]	Merow, C., Smith, MJ and Silander, JA (2013) راهنمای عملی MaxEnt برای مدل‌سازی توزیع گونه‌ها: چه می‌کند و چرا ورودی‌ها و تنظیمات مهم هستند. اکوگرافی، 36، 1-12. https://doi.org/10.1111/j.1600-0587.2013.07872.x
[ 15 ]	Hussain, M., Chen, D., Cheng, A., Wei, H. and Stanley, D. (2013) تشخیص تغییر از تصاویر سنجش از راه دور: از رویکردهای مبتنی بر پیکسل به رویکردهای مبتنی بر شی. ISPRS مجله فتوگرامتری و سنجش از دور، 80، 91-106. https://doi.org/10.1016/j.isprsjprs.2013.03.006
[ 16 ]	Walker, DA, Raynolds, MK, Daniels, FJA, Einarsson, E., Elvebakk, A., Gould, WA, Katenin, AE, Kholod, SS, Markon, CJ and Yurtsev, BA (2005) The Circumpolar Arctic Vegetation Map. مجله علوم گیاهی، 16، 267-282. https://doi.org/10.1111/j.1654-1103.2005.tb02365.x
[ 17 ]	Ihse، M. (2007) عکاسی هوایی مادون قرمز رنگی به عنوان ابزاری برای نقشه برداری گیاهی و تشخیص تغییر در مطالعات زیست محیطی اکوسیستم های شمال اروپا: مروری. مجله جغرافیای نروژی، 61، 170-191. https://doi.org/10.1080/00291950701709317
[ 18 ]	Lindgaard, A. and Henriksen, S. (2011) فهرست قرمز نروژی 2011 برای اکوسیستم ها و انواع زیستگاه. مرکز اطلاعات تنوع زیستی نروژ، تروندهایم.
[ 19 ]	Dramstad, WE, Fjellstad, WJ, Strand, GH, Mathiesen, HF, Engan, G. and Stokland, JN (2002) توسعه و اجرای برنامه نظارت نروژی برای مناظر کشاورزی. مجله مدیریت محیط زیست، 64، 49-63. https://doi.org/10.1006/jema.2001.0503
[ 20 ]	Gallego, FJ and Delincé, J. (2010) بررسی آماری استفاده از زمین و منطقه پوششی-قاب. در: Benedetti, R., Bee, M., Espa, G. and Piersimoni, F., Eds., Agricultural Survey Methods, Wiley, Chichester, 149-168. https://doi.org/10.1002/9780470665480.ch10
[ 21 ]	استرند، G.-H. (2013) بررسی چارچوب منطقه نروژی پوشش زمین و منابع زمین بیرونی. مجله جغرافیای نروژی، 67، 24-35. https://doi.org/10.1080/00291951.2012.760001
[ 22 ]	Timonen, J., Siitonen, J., Gustafsson, L., Kotiaho, J., Stokland, J., Sverdrup-Thygeson, A. and Mokkonen, M. (2010) زیستگاه های کلیدی وودلند در اروپای شمالی: مفاهیم، ​​موجودی و حفاظت. مجله تحقیقات جنگل اسکاندیناوی، 25، 309-324. https://doi.org/10.1080/02827581.2010.497160
[ 23 ]	Gallego, FJ and Bamps, C. (2008) با استفاده از پوشش زمین CORINE و بررسی نقطه ای LUCAS برای تخمین مساحت. مجله بین المللی مشاهده کاربردی زمین و اطلاعات جغرافیایی، 10، 467-475. https://doi.org/10.1016/j.jag.2007.11.001
[ 24 ]	استرند، G.-H. و Aune-Lundberg، L. (2012) برآورد مساحت کوچک آمار پوشش زمین توسط پس از طبقه بندی یک بررسی چارچوب منطقه ملی. جغرافیای کاربردی، 32، 546-555. https://doi.org/10.1016/j.apgeog.2011.06.006
[ 25 ]	Jiménez-Valverde, A., Ecevedo, P., Barbosa, AM, Lobo, JM and Real, R. (2013) ظرفیت تبعیض در مدل های توزیع گونه ها به نمایندگی حوزه محیطی بستگی دارد. اکولوژی جهانی و جغرافیای زیستی، 22، 508-516. https://doi.org/10.1111/geb.12007
[ 26 ]	Thuiller, W., Brotons, L., Araujo, MB and Lavorel, S. (2004) اثرات محدود کردن دامنه داده های محیطی به توزیع گونه های فعلی و آینده پروژه. بوم نگاری، 27، 165-172. https://doi.org/10.1111/j.0906-7590.2004.03673.x
[ 27 ]	Wiens, JA, Stralberg, D., Jongsomjit, D., Howell, CA and Snyder, MA (2009) Niches, Models, and Climate Change: Assessing the Supptions and Uncertainties. مجموعه مقالات آکادمی ملی علوم، 106، 19729-19736. https://doi.org/10.1073/pnas.0901639106
[ 28 ]	Ramberg, IB, Bryhni, I. and Nøttvedt, A. (2007) The Making of a Land: Geology of Norway. انجمن زمین شناسی نروژ، تروندهایم.
[ 29 ]	Bakkestuen, V., Erikstad, L. and Halvorsen, R. (2008) مدل های گام-کمتر برای تنوع محیطی منطقه ای در نروژ. مجله جغرافیای زیستی، 35، 1906-1922. https://doi.org/10.1111/j.1365-2699.2008.01941.x
[ 30 ]	Aas, B. and Faarlund, T. (2000) محدودیت های جنگلی و کمربند توس زیر آلپ در شمال اروپا با تمرکز بر نروژ. AmS-Varia، 37، 103-147.
[ 31 ]	Rekdal, Y. (1994) Vegetasjonskart, Rondane nasjonalpark. Korrigert utgave [نقشه گیاهی، پارک ملی Rondane. ویرایش تصحیح شده]. موسسه نروژی فهرست زمین، Ås.
[ 32 ]	Larsson, J. (1974) Vegetasjonskartlegging M 1:50000. Inventering av arealressurser [نقشه برداری گیاهی در مقیاس 1:50000. فهرست منابع منطقه]. Jorddirektoratet، Ås.
[ 33 ]	Rekdal, Y. and Larsson, JY (2005) Veiledning i vegetasjonskartlegging [راهنمای دستورالعمل در نقشه برداری گیاهی] (گزارش شماره 5). موسسه نروژی فهرست زمین، Ås. https://www.skogoglandskap.no/filearchive/Rapport_05_05.pdf
[ 34 ]	Bryn, A., Kristoffersen, HP, Angeloff, M., Nystuen, I., Aune-Lundberg, L., Endresen, D., Svindseth, C. and Rekdal, Y. (2015) محل جمع آوری گونه های گیاهی در نروژ به عنوان بخشی از برنامه نقشه برداری پوشش گیاهی بررسی. داده ها به طور خلاصه، 5، 589-594. https://doi.org/10.1016/j.dib.2015.10.014
[ 35 ]	Halvorsen, R., Mazzoni, S., Dirksen, JW, Næsset, E., Gobakken, T. and Ohlson, M. (2016) انتخاب روش انتخاب مدل و همبستگی خودکار فضایی داده های حضور برای مدلسازی توزیع توسط MaxEnt چقدر مهم است. ? مدلسازی اکولوژیک، 328، 108-118. https://doi.org/10.1016/j.ecolmodel.2016.02.021
[ 36 ]	Huggett, R. and Cheesman, J. (2002) Topography and the Environment. پرنتیس هال، هارلو.
[ 37 ]	همسینگ، L.Ø. و Bryn، A. (2012) سه روش برای مدل‌سازی پوشش گیاهی طبیعی بالقوه (PNV) در مقایسه: مطالعه موردی روش‌شناختی از نروژ جنوبی مرکزی. مجله جغرافیای نروژی، 66، 11-29. https://doi.org/10.1080/00291951.2011.644321
[ 38 ]	فیلیپس، SJ، اندرسون، RP و Schapire، RE (2006) مدل‌سازی حداکثر آنتروپی توزیع‌های جغرافیایی گونه‌ها. مدلسازی اکولوژیک، 190، 231-259. https://doi.org/10.1016/j.ecolmodel.2005.03.026
[ 39 ]	Halvorsen, R., Mazzoni, S., Bryn, A. and Bakkestuen, V. (2014) فرصتهایی برای تمرین مدلسازی توزیع بهبودیافته از طریق تفسیر حداکثر احتمال دقیق MaxEnt. بوم نگاری، 38، 172-183. https://doi.org/10.1111/ecog.00565
[ 40 ]	Elith, J., Phillips, SJ, Hastie, T., Dudik, M., Chee, YE and Yates, CJ (2011) توضیح آماری MaxEnt برای بوم شناسان. تنوع و توزیع، 17، 43-57. https://doi.org/10.1111/j.1472-4642.2010.00725.x
[ 41 ]	فیلیپس، اس‌جی و دودیک، ام. (2008) مدل‌سازی توزیع گونه‌ها با Maxent: توسعه‌های جدید و یک ارزیابی جامع. بوم نگاری، 31، 161-175.
[ 42 ]	Merow, C., Smith, MJ, Edwards, TC, Guisan, A., McMahon, SM, Norman, S., Thuiller, W., Wüest, RO, Zimmermann, NE and Elith, J. (2014) What Do We سود از سادگی در مقابل پیچیدگی در مدل های توزیع گونه ها؟ بوم نگاری، 37، 1267-1281. https://doi.org/10.1111/ecog.00845
[ 43 ]	فرانکلین، جی (2009) توزیع گونه های نقشه برداری: استنتاج و پیش بینی فضایی. انتشارات دانشگاه کمبریج، کمبریج. https://doi.org/10.1017/cbo9780511810602
[ 44 ]	Küchler, AW and Zonneveld, IS (1988) نقشه برداری گیاهی. کلوور، دوردرخت. https://doi.org/10.1007/978-94-009-3083-4
[ 45 ]	Jimenez-Valverde, A. and Lobo, JM (2007) معیارهای آستانه برای تبدیل احتمال حضور گونه ها به هر دو یا حضور-غیبت. Acta Oecologica, 31, 361-369. https://doi.org/10.1016/j.actao.2007.02.001
[ 46 ]	لیو، سی.، وایت، ام. و نیوول، جی (2013) انتخاب آستانه برای پیش‌بینی وقوع گونه‌ها با داده‌های فقط حضوری. مجله جغرافیای زیستی، 40، 778-789. https://doi.org/10.1111/jbi.12058
[ 47 ]	باغبان، M. (2014) بوم شناسی جامعه. روش های تحلیلی با استفاده از R و Excel. انتشارات Pelagic، Exeter.
[ 48 ]	کربس، سی جی (1998) روش شناسی اکولوژیکی. نسخه دوم، ادیسون وسلی لانگمن، منلو پارک.
[ 49 ]	Karadzic، B. (1999) در مورد کاهش روند در تحلیل مکاتبات و تجزیه و تحلیل مؤلفه اصلی. علم بوم، 6، 110-116. https://doi.org/10.1080/11956860.1999.11952201
[ 50 ]	Araujo, MB, Pearson, RG, Thuiller, W. and Erhard, M. (2005) اعتبارسنجی مدل‌های تاثیر گونه‌ها-اقلیم تحت تغییر اقلیم. زیست شناسی تغییر جهانی، 11، 1504-1513. https://doi.org/10.1111/j.1365-2486.2005.01000.x
[ 51 ]	Fernández, P., Jordano, D. and Haeger, JF (2015) زندگی در لبه مدل های توزیع گونه ها: حضور غیرمنتظره سه گونه پروانه در یک منطقه حفاظت شده در جنوب اسپانیا. مدلسازی اکولوژیکی، 312، 335-346. https://doi.org/10.1016/j.ecolmodel.2015.05.032
[ 52 ]	مورنو-آمات، ای.، متئو، آر جی، نیتو-لوژیلد، دی.، موروتا-هولم، ن.، اسونینگ، جی.-سی. و García-Amorena، I. (2015) تأثیر پیچیدگی مدل بر قابلیت انتقال متقابل زمانی در مدل‌های توزیع گونه‌های Maxent: ارزیابی با استفاده از داده‌های گیاه‌شناسی دیرینه. مدلسازی زیست محیطی، 312، 308-317. https://doi.org/10.1016/j.ecolmodel.2015.05.035
[ 53 ]	وارن، دی‌ال و سیفرت، SN (2011) مدل‌سازی طاقچه اکولوژیکی در Maxent: اهمیت پیچیدگی مدل و عملکرد معیارهای انتخاب مدل. کاربردهای زیست محیطی، 21، 335-342. https://doi.org/10.1890/10-1171.1
[ 54 ]	وارن، دی ال، رایت، AN، سیفرت، اس. تنوع و توزیع، 20، 334-343. https://doi.org/10.1111/ddi.12160
[ 55 ]	Guisan, A., Broennimann, O., Engler, R., Vust, M., Yoccoz, NG, Lehmann, A. and Zimmermann, NE (2006) با استفاده از مدل های مبتنی بر طاقچه برای بهبود نمونه برداری از گونه های نادر. زیست شناسی حفاظت، 20، 501-511. https://doi.org/10.1111/j.1523-1739.2006.00354.x
[ 56 ]	میلر، اچ جی (2004) قانون اول توبلر و تحلیل فضایی. سالنامه انجمن جغرافیدانان آمریکایی، 94، 284-289. https://doi.org/10.1111/j.1467-8306.2004.09402005.x
[ 57 ]	Tobler, WR (1970) یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. جغرافیای اقتصادی، 46، 234-240. https://doi.org/10.2307/143141
[ 58 ]	Elith, J., Kearney, M. and Phillips, S. (2010) The Art of Modeling Range-Shifting Species. روشها در بوم شناسی و تکامل، 1، 330-342. https://doi.org/10.1111/j.2041-210x.2010.00036.x
[ 59 ]	Saupe, EE, Barve, V., Myers, CE, Soberón, J., Barve, N., Hensz, CM, Peterson, AT, Owens, HL and Lira-Noriega, A. (2012) تنوع در مدل طاقچه و توزیع عملکرد: نیاز به ارزیابی پیشینی عوامل اصلی. مدلسازی اکولوژیک، 237-238، 11-22. https://doi.org/10.1016/j.ecolmodel.2012.04.001
[ 60 ]	Oddershede، A.، Svenning، J.-C. و دامگارد، سی (2015) در دسترس بودن آب تعیین شده توپوگرافی، الگوهای عملکردی جوامع گیاهی را در داخل و در سراسر انواع زیستگاه شکل می دهد. بوم شناسی گیاهی، 216، 1231-1242. https://doi.org/10.1007/s11258-015-0504-6
[ 61 ]	کورنر، سی (2007) استفاده از “ارتفاع” در تحقیقات اکولوژیکی. روندها در اکولوژی و تکامل، 22، 569-574. https://doi.org/10.1016/j.tree.2007.09.006
[ 62 ]	Aune-Lundberg، L. و Strand، G.-H. (2017) ترکیب و ساختار فضایی Heath درختچه کوتوله در نروژ. مجله جغرافیای نروژی، 71، 1-11. https://doi.org/10.1080/00291951.2017.1291536