ارزیابی مناسب بودن مجموعه داده WorldClim برای مطالعات اکولوژیکی در جنوب کنیا

تلاش های زیادی برای تولید مجموعه داده های آب و هوایی آزادانه در دسترس برای استفاده در مدل های توزیع گونه ها صورت گرفته است که محبوب ترین آنها مجموعه داده های آب و هوایی جهانی است که به عنوان WorldClim شناخته می شود. در دسترس بودن چنین مجموعه داده هایی برای دانشمندان بسیار ارزشمند است، زیرا مطالعات بسیاری در مناطق دورافتاده انجام می شود که هیچ ایستگاه هواشناسی یافت نمی شود. با این حال، بسیاری از کاربران به طور انتقادی مناسب بودن این مجموعه داده ها را برای کاربردهای خود ارزیابی نمی کنند و خطاهای مرتبط با مجموعه داده های جهانی اغلب ناچیز فرض می شود. درک اینکه یک مجموعه داده آب و هوا می‌تواند یا نمی‌تواند ارائه دهد، مستلزم آن است که کاربر دانش کاری از عوامل اساسی ایجادکننده آب و هوای فضایی در مقیاس مطالعه او داشته باشد و درک خوبی از عدم قطعیت در مجموعه داده داشته باشد. در مطالعات جغرافیایی، عدم قطعیت اغلب با درجه خطا (عدم قطعیت) یا درجه دقت (قطعیت) در داده ها توصیف می شود، و عدم قطعیت موضوعی به عدم قطعیت در اندازه گیری های انجام شده برای هر متغیر اشاره دارد، در حالی که عدم قطعیت زمانی به عدم اطمینان در دوره زمانی اشاره دارد که توسط هر متغیر نشان داده شده است. متغیر. در اینجا، ما از داده‌های اقلیمی ایستگاه‌های هواشناسی برای بررسی عوامل اقلیمی در جنوب کنیا استفاده کردیم و سپس از داده‌های ایستگاه هواشناسی برای بررسی عدم قطعیت در مجموعه داده WorldClim استفاده کردیم. نتایج نشان داد که نوزده متغیر اصلی Worldclim که به عنوان متغیرهای زیست اقلیمی شناخته می شوند، تغییرات محلی آب و هوا را در منطقه مورد مطالعه به طور دقیق به تصویر می کشند. با این حال، در حالی که متغیرهای دمای ماهانه و فصلی دوره زمانی یکسانی را در مکان‌های مختلف نشان می‌دهند، این موضوع برای متغیرهای بارش ماهانه و فصلی صادق نبود. شروع باران یک شاخص بیولوژیکی کلیدی است و دانشمندانی که پدیده های مرتبط با شروع باران را مطالعه می کنند باید تغییرات زمانی نشان داده شده در مجموعه داده WorldClim را در نظر داشته باشند.

کلید واژه ها

WorldClim , متغیرهای زیست اقلیمی , عدم قطعیت موضوعی , عدم قطعیت زمانی

1. مقدمه

این ایده که تغییرات آب و هوایی تأثیر شدیدی بر توزیع موجودات می‌گذارد قرن‌ها قدمت دارد [ 1 ] [ 2 ] [ 3 ]. آب و هوا تأثیر مستقیمی بر توزیع پوشش گیاهی دارد زیرا گیاهان قادر به فرار از آب و هوای نامساعد با پناه دادن یا مهاجرت نیستند و به مناطقی با آب و هوای مناسب محدود می شوند [ 4 ] [ 5 ]. حیوانات زمانی که به طور فعال به مناطق آب و هوایی خاص عادت می کنند، یا به طور غیرمستقیم در جایی که پراکنش حیوان با پوشش گیاهی که فقط در مناطق آب و هوایی خاص یافت می شود همبستگی مثبت دارد، مستقیماً به آب و هوا پاسخ می دهند [ 4 ]. در حالی که ادبیات در مورد اثرات آب و هوا بر توزیع ارگانیسم ها به قرن ^{پنجم باز می گردد}قرن، روش هایی برای تولید سطوح شبکه آب و هوایی برای استفاده در مدل های توزیع گونه ها (SDMs) برای اولین بار در اواسط دهه 80 منتشر شد [ 3 ]. در این دوره پیشرفت در علوم کامپیوتر ایجاد ابزارهای تخصصی [ 6 ] را برای مطالعه توزیع گونه‌ها بر اساس داده‌های توزیع گونه‌های کدگذاری‌شده و متغیرهای محیطی درون‌یابی شده امکان‌پذیر کرد [ 3 ]. اگرچه اغلب به این شکل توصیف نمی‌شوند، اما این ابزارهای تخصصی اولیه سیستم‌های اطلاعات جغرافیایی (GIS) بودند، و بسیاری از آن‌ها اکنون به‌عنوان نرم‌افزار مستقل (مانند ANUSPLIN)، به‌عنوان پسوند بسته‌های نرم‌افزاری محبوب GIS (مانند QGIS)، یا به‌عنوان تحلیل فضایی یافت می‌شوند. ابزارهای موجود در نرم افزارهای آماری محبوب (مانند CRAN R). بسته BIOCLIM، طراحی شده توسط هنری نیکس [ 3 ] [ 7] [ 8 ]، نقشه های پراکنش موجودات را با ترسیم مناطق مناسب برای عادت کردن بر اساس داده های توزیع گونه های نمونه برداری شده و متغیرهای آب و هوایی درون یابی ایجاد می کند.

تلاش های متعددی برای تولید مجموعه داده های آب و هوایی جهانی و قاره ای به صورت رایگان برای استفاده در SDM ها انجام شده است [ 7 ] [ 8 ] [ 9 ] . بسیاری از این مجموعه داده ها بر اساس متغیرهای آب و هوایی طراحی شده توسط Nix [ 3 ] است که محبوب ترین آنها مجموعه داده های آب و هوایی جهانی است که به عنوان WorldClim [ 10 ] [ 11 ] شناخته می شود. این مجموعه داده برای دانلود در اینترنت ( https://www.worldclim.org/ ) رایگان است و متغیرهای ارائه شده در مجموعه داده WorldClim که به عنوان متغیرهای زیست اقلیمی شناخته می شوند، در مطالعات مختلف اکولوژیکی استفاده شده اند [ 12] [13] [ 12 ] [ 13 ] [13]. 14] . در دسترس بودن مجموعه داده هایی مانند WorldClim برای مطالعات بیولوژیکی در مناطقی که سوابق اقلیمی پراکنده یا وجود ندارند بسیار ارزشمند است. با این حال، بسیاری از کاربران به طور انتقادی مناسب بودن این مجموعه داده ها را برای کاربردهای خود ارزیابی نمی کنند [ 15 ]، و خطاهای مرتبط با مجموعه داده های جهانی اغلب ناچیز فرض می شوند. در حالی که در گذشته مجموعه داده‌های بزرگ توسط دولت‌ها یا سازمان‌های بزرگ با استانداردهای داده به‌خوبی تنظیم شده تولید می‌شد [ 16 ]، در سال‌های اخیر اینترنت بسیاری از بازیگران غیرسنتی را قادر به انتشار و توزیع گسترده داده‌های مکانی کرده است و موضوع عدم قطعیت در این‌ها وجود دارد. مجموعه داده ها شروع به محبوبیت کرده اند [ 17 ] [ 18] . کیفیت داده ها عامل بسیار مهمی در پردازش داده های مکانی است و نیازهای داده ای کاربران از فردی به فرد دیگر، سازمانی به سازمان دیگر یا از برنامه ای به برنامه دیگر متفاوت است. به همین دلیل مسئولیت نهایی کاربر است که کیفیت و مناسب بودن داده ها را برای کاربرد خاص خود بررسی کند. داده های مکانی که برای یک کاربرد مناسب هستند لزوماً برای کاربرد دیگری مناسب نیستند [ 19 ]. حتی در مواردی که استانداردهای داده منتشر شده‌اند، درک اینکه یک مجموعه داده آب و هوا می‌تواند یا نمی‌تواند ارائه دهد، مستلزم آن است که کاربر به منظور تفسیر صحیح، دانش کاری در مورد عوامل اساسی ایجادکننده آب و هوای فضایی در مقیاس مطالعه‌اش داشته باشد. روند و عدم قطعیت در داده ها [ 15 ] .

در GIS، عدم قطعیت اغلب با درجه خطا (عدم قطعیت)، یا درجه دقت (قطعیت) در داده ها توصیف می شود [ 6 ] [ 17 ] [ 19 ]. خطاها در هر یک از داده های مکانی اجتناب ناپذیر هستند [ 19 ]، و باید به عنوان بخشی ذاتی از هر مجموعه داده مکانی شناسایی شوند. خطاها ممکن است در هر مرحله از اکتساب، تبدیل، و/یا تجزیه و تحلیل داده ها رخنه کنند [ 19 ]. علاوه بر این، GIS اغلب با لایه‌های مختلف داده‌های مکانی از منابع متعدد، جمع‌آوری‌شده با استفاده از تکنیک‌های نمونه‌گیری مختلف، کدگذاری جغرافیایی با استفاده از پیش‌بینی‌های نقشه‌های مختلف، و در مقیاس‌های مختلف توسط نویسندگان اصلی سروکار دارد. ترکیب داده های مختلف یکی از نقاط قوت GIS است [ 19]، اما دقیقاً به همین دلیل مدل های GIS اغلب دارای خطاهای پیچیده ای هستند که از جمع آوری داده ها تا تجزیه و تحلیل [ 19 ] منتشر می شود و مدل های توزیع گونه ها نیز از این قاعده مستثنی نیستند. مفهوم سازی صحیح عدم قطعیت ها در داده های فردی و همچنین انتشار نهایی عدم قطعیت ها هنگامی که داده ها برای استفاده در SDM ها ترکیب می شوند، در هنگام ارائه نتایج مدل سازی مورد توجه فزاینده ای است [ 19 ].

عدم قطعیت موضوع تحقیقات زیادی در GIS و سنجش از دور بوده است و به عنوان یکی از حوزه های اولویت در تحقیقات GIS شناخته شده است [ 17 ]. نویسندگان مختلف عدم قطعیت را در نتیجه فرآیندهای مورد استفاده در تولید داده‌های مکانی [ 6 ] [ 17 ] [ 19 ]، انتشار خطاها و عدم قطعیت در فرآیندهای مورد استفاده در تحلیل فضایی [ 18 ] [ 19 ] [ 20 ] و عدم قطعیت در نتایج مدل های فضایی [ 21 ] [ 22 ] . دالی [ 15]، در بررسی ارزیابی مجموعه داده های اقلیمی، مجموعه داده های آب و هوایی در دسترس دانشمندان را مورد بحث قرار می دهد و اهمیت آشنایی با عوامل اقلیمی را در منطقه مورد مطالعه، آشنایی با روش های درون یابی فضایی مورد استفاده برای تولید داده های اقلیمی برای منطقه مورد مطالعه، برجسته می کند. و آشنایی با خطاهای ذاتی داده های تولید شده.

در اینجا، ابتدا با ارزیابی رابطه بین فاصله یک ایستگاه هواشناسی از اقیانوس، ارتفاع آن و آب و هوای ثبت شده، رابطه بین عوامل محرک آب و هوا و آب و هوای جنوب کنیا را ارزیابی می کنیم. از مدت ها قبل گزارش شده است که بین ارتفاع ایستگاه، میزان بارندگی و دمای ثبت شده همبستگی وجود دارد [ 15 ] [ 23 ] [ 24 ]. گزارش‌ها همچنین نشان می‌دهند که بین فاصله ایستگاه‌های هواشناسی از آب‌های بزرگ و میزان بارندگی ثبت‌شده همبستگی وجود دارد [ 15 ] [ 25 ]] . دوم، ما عدم قطعیت موضوعی و در نهایت عدم قطعیت زمانی در داده‌های WorldClim برای جنوب کنیا را ارزیابی می‌کنیم. عدم قطعیت موضوعی به عدم قطعیت در اقدامات انجام شده برای هر متغیر زیست اقلیمی اشاره دارد، در حالی که عدم قطعیت زمانی به عدم قطعیت در دوره زمانی اشاره دارد که توسط هر متغیر زیست اقلیم نشان داده شده است. عدم قطعیت موضوعی معمولاً با یک یا چند معیار آماری خطا یا دقت مانند خطای استاندارد برآوردها (SEE) [ 6 ] [ 17 ] نشان داده می شود. در حالی که عدم قطعیت موضوعی در ادبیات توجه زیادی را به خود جلب کرده است [ 17 ]، عدم قطعیت در بازنمایی زمانی داده ها، که یک جنبه کلیدی هنگام در نظر گرفتن داده های اقلیمی است، مورد توجه قرار نگرفته است [ 16 ]] . زمان یک ملاحظات اکولوژیکی مهم است و شروع فصول مختلف اغلب با شرایط محیطی مرتبط است که در دسترس بودن غذا را تحت تأثیر قرار می دهد. در مناطق نیمه خشک مانند پارک ملی آمبوسلی در کنیا، مشخص شده است که سطح استرس بابون ها با فصولی که در زمان های مختلف سال رخ می دهد متفاوت است [ 26 ] [ 27 ]. مهاجرت وحشی نیز فصلی است [ 28 ]، و مسیرهای مهاجرت با زمان های مختلف سال مرتبط است. در پایگاه‌های اطلاعاتی مکانی اغلب به طور صریح به زمان پرداخته نمی‌شود، و اطلاعات زمانی اغلب حذف می‌شوند، مگر در پایگاه‌های داده‌ای که به‌صراحت برای مطالعات تاریخی یا سری‌های زمانی/تایم لپسی طراحی شده‌اند [ 16 ].

2. روش شناسی

کنیا، که تقریباً بین عرض‌های جغرافیایی 4 درجه شمالی و 4 درجه و 28 درجه شرقی و بین طول‌های جغرافیایی 34 درجه و 42 درجه شرقی واقع شده است، مرزهای خود را با تانزانیا، سودان جنوبی، سومالی، اتیوپی و اوگاندا و اقیانوس هند در لبه جنوب شرقی مشترک است. ( شکل 1 ). این کشور در منطقه همگرایی بین گرمسیری (ITCZ) قرار دارد که ویژگی های اصلی بارندگی سالانه و تغییرات فصلی آن را تعیین می کند [ 29 ] [ 30 ] [ 31 ].] . به دلیل تأثیر محلی از ویژگی های مختلف جغرافیایی، کنیا دارای مناطق زیست اقلیمی متنوعی است که شامل مناطق گرمسیری، معتدل، خشک و بیابانی است. دره ریفت، منطقه ای کم ارتفاع که با آب و هوای خشک مشخص می شود، در میان ارتفاعات با آب و هوای گرمسیری و معتدل قرار دارد. مناطق نزدیک به آب های بزرگ مانند دریاچه ویکتوریا و اقیانوس هند دارای آب و هوای موسمی استوایی هستند. این کشور همچنین دارای مناطق وسیعی است که می توان آنها را نیمه خشک، خشک و بیابانی توصیف کرد. منطقه مجاور و جنوب استوا، که در اینجا به عنوان جنوب کنیا نامیده می شود، دارای مکان های متعددی است که مورد توجه بوم شناسان قرار دارد، از جمله پارک ملی Amboseli، پارک ملی Maasai Mara، و پارک ملی نایروبی از جمله موارد دیگر. بسیاری از این سایت ها ایستگاه های هواشناسی در داخل یا نزدیک ندارند،

برای بررسی همبستگی بین آب و هوا و جغرافیای جنوب کنیا، داده‌های اقلیمی متشکل از بارش ماهانه، میانگین حداقل دمای ماهانه و میانگین حداکثر دمای ماهانه برای سال‌های 2001 تا 2012 از 11 ایستگاه هواشناسی (مومباسا، مالیندی، ووی، ماکیندو) جمع‌آوری شد. ، ماچاکوس، ناروک، ناکورو، مرو، لایکیپیا، گاریسا و کیسومو، همه توسط اداره هواشناسی کنیا (KMD) نظارت می شوند ( شکل 1 ). به دنبال توضیحات اودونل و ایگنیزیو [ 7]، 19 متغیر اصلی زیست اقلیمی برای هر ایستگاه هواشناسی محاسبه شد. یک شطرنجی با مقادیر شبکه تعیین شده توسط فاصله هر سلول شبکه از خط ساحلی کنیا با استفاده از ابزار Distance در ArcGIS 9.2 (ESRI، ایالات متحده آمریکا) تولید شد. داده های ارتفاع از وب سایت سازمان زمین شناسی ایالات متحده (USGS) دانلود شد

( https://earthexplorer.usgs.gov/ دسترسی به ۲۵ ژوئیه ۲۰۱۷) و به عنوان مجموعه داده شطرنجی به ArcGIS 9.2 وارد شد. با شناسایی مقدار شبکه ای که یک ایستگاه هواشناسی در آن قرار دارد، ارتفاع هر ایستگاه هواشناسی (ALT) و فاصله از اقیانوس هر ایستگاه هواشناسی (DIST) تعیین شد. سپس از تجزیه و تحلیل پراکندگی برای ارزیابی رابطه بین متغیرهای زیست اقلیم و جغرافیای هر ایستگاه هواشناسی (ALT و DIST) استفاده شد.

متغیرهای زیست اقلیم پیش بینی شده توسط Nix [ 3 ] الگوهای آب و هوایی متوسط ​​سالانه، الگوهای شدید ماهانه آب و هوایی و همچنین الگوهای فصلی شدید آب و هوایی را برجسته می کنند. حداکثر دمای گرم‌ترین ماه (BIO5)، حداقل دمای سردترین ماه (BIO6)، بارش مرطوب‌ترین ماه (BIO13)، و بارش خشک‌ترین ماه (BIO14) بیانگر افراط‌های آب و هوایی ماهانه است. متغیرهای زیست اقلیمی فصلی توصیف شده توسط Hijmans و همکاران. [ 10] به صورت سه ماهه محاسبه می شوند (یعنی سردترین سه ماه متوالی، گرمترین سه ماه متوالی، مرطوب ترین سه ماه متوالی و خشک ترین سه ماه متوالی). میانگین دمای مرطوب ترین سه ماهه (BIO8)، میانگین دمای خشک ترین سه ماهه (BIO9)، میانگین دمای گرم ترین سه ماهه (BIO10)، میانگین دمای سردترین چهارم (BIO11)، بارش مرطوب ترین سه ماهه (BIO16)، بارش خشک‌ترین سه‌ماهه (BIO17)، بارش گرم‌ترین سه‌ماهه (BIO18) و بارش سردترین سه‌ماهه (BIO19) بیانگر افراط‌های آب و هوایی فصلی است.

برای بررسی عدم قطعیت زمانی در مجموعه داده WorldClim، ما بر روی تولید نمودارهای زمانی متغیرهای زیست اقلیم ماهانه و فصلی مربوطه تمرکز کردیم. ادبیات نشان می‌دهد که کنیا دو فصل مرطوب را تجربه می‌کند، با بارندگی در طول «باران‌های طولانی» (مارس-مه) و همچنین در طول «باران‌های کوتاه» (اکتبر-دسامبر)، با دو فصل خشک در بین [ 29 ]. ، [ 32 ]. برای برجسته کردن توزیع افراط‌های آب و هوایی تجربه شده در هر ایستگاه هواشناسی و ارائه مقایسه با الگوهای موجود در ادبیات، نمودارهای زمانی بر اساس یک تقویم هیدرولوژیکی است که از اکتبر شروع می‌شود و در سپتامبر به پایان می‌رسد.

برای بررسی عدم قطعیت موضوعی در مجموعه داده WorldClim، داده‌های WorldClim نسخه 2.0 [ 11 ] متشکل از نوزده متغیر اصلی زیست‌اقلیمی از مخزن WorldClim (worldclim.org) دانلود شد و امتیاز هر متغیر زیست‌اقلیمی در هر ایستگاه هواشناسی مربوطه ذکر شد. از آنجایی که WorldClim 2.0 از داده‌های جمع‌آوری‌شده بین سال‌های 1970 و 2000 تولید می‌شود [ 11 ]، ما از متغیرهای زیست‌اقلیمی محاسبه‌شده از هر ایستگاه هواشناسی KMD (سال‌های 2001 تا 2012) به‌عنوان داده‌های آزمایشی استفاده کردیم و خطای استاندارد برآوردها و همبستگی را محاسبه کردیم. R ² ) بین مجموعه داده WorldClim و داده های KMD.

3. تجزیه و تحلیل

3.1. تجزیه و تحلیل الگوهای اقلیمی در جنوب کنیا

تجزیه و تحلیل نشان داد که دما در جنوب کنیا عمدتاً تحت تأثیر ارتفاع یک منطقه است، با میانگین دمای سالانه (BIO1)، حداکثر دمای گرمترین ماه (BIO5)، حداقل دمای سردترین ماه (BIO6)، میانگین دمای هوا مرطوب ترین چهارم (BIO8)، میانگین دمای خشک ترین چهارم (BIO9)، میانگین دمای گرم ترین چهارم (BIO10) و میانگین دمای سردترین چهارم (BIO11) همگی همبستگی قوی با ارتفاع (همه R2 ^> 0.9) نشان می دهند. حداکثر دمای گرمترین ماه (BIO5) نیز همبستگی قوی با ارتفاع (7/0=R2 ⁾ نشان داد ( شکل 2 ).). میانگین محدوده دمایی روزانه (BIO2)، همدما (BIO3)، فصلی بودن دما (BIO4)، و محدوده دمایی سالانه (BIO7) همگی با فاصله از اقیانوس همبستگی قوی نشان دادند (همه R2 ^> 0.6). تجزیه و تحلیل نشان داد که فاصله یک ایستگاه از اقیانوس بر بارش دریافتی تأثیر دارد. با این حال، تأثیر یکنواخت نبود و الگوهایی را نشان داد که به عنوان تأثیر متقابل بین بارندگی همرفتی و امدادی تفسیر می‌شوند ( شکل 3 ).

بارش کل سالانه (BIO12) همبستگی خوبی با فاصله ایستگاه تا اقیانوس نشان داد ( ^R2= 0.54). الگوهای بارش نشان داد که مناطق نزدیک به اقیانوس، بارش خوبی دریافت کردند و با حرکت یک نفر به داخل خشکی کاهش یافت و این را می توان به عنوان تأثیر بارندگی همرفتی تفسیر کرد. پس از طی حدود 300 کیلومتر، بارش دریافتی افزایش یافت و به آرامی با حرکت بیشتر به داخل زمین افزایش یافت و این را می توان به عنوان تأثیر بارندگی تسکین دهنده تفسیر کرد. بارش خشک ترین ماه (BIO14)، بارش مرطوب ترین فصل (BIO16)، بارش خشک ترین فصل (BIO17)، بارش سردترین فصل (BIO19) همگی الگوهای مشابهی را نشان دادند. بارش گرم‌ترین محله (BIO18) الگوی خطی را نشان می‌دهد و با دور شدن از خط ساحلی، بارش به طور پیوسته افزایش می‌یابد.

فصلی بودن بارش (BIO15) همبستگی خوبی با فاصله از اقیانوس نشان داد (R2 ⁼ 0.7)، که نشان می‌دهد هر چه بیشتر به سمت خشکی حرکت می‌کند، تغییرات بین بارش ماهانه ثبت‌شده در ایستگاه‌های هواشناسی کمتر است. ^{قابل توجه، بارش مرطوب ترین ماه (BIO13) با ارتفاع (R2 =} 0.14) و با فاصله از اقیانوس (R2 ⁼ 0.3) همبستگی ضعیفی را نشان داد .

3.2. تجزیه و تحلیل عدم قطعیت موضوعی در مجموعه داده WorldClim

مجموعه داده WorldClim همبستگی قوی با مجموعه داده KMD با شانزده متغیر را نشان داد که مقادیر همبستگی بین 0.9 – 0.99 را به ثمر رساندند. سه متغیر باقیمانده مقادیر همبستگی از 0.85 تا 0.89 را به دست آوردند. تجزیه و تحلیل خطا نشان داد که مجموعه داده WorldClim شرایط آب و هوایی را به خوبی با مقادیر SEE پایین برای همه نوزده متغیر تخمین زده است ( جدول 1 ). تجزیه و تحلیل همبستگی متقابل بین متغیرهای WorldClim نشان داد که همبستگی قوی بین متغیرها در منطقه مورد مطالعه وجود دارد، بیشتر برای یازده متغیر دمای زیست اقلیم اول (BIO1 تا BIO11). همبستگی متقاطع خوبی بین متغیرهای بارش زیست اقلیم (BIO12 تا BIO19) وجود داشت ( شکل 4 ).

3.3. تجزیه و تحلیل عدم قطعیت زمانی

تجزیه و تحلیل داده های ماهانه نشان داد که پنج ایستگاه بیشترین بارندگی را در ماه نوامبر دریافت کردند (ووی، گاریسا، ماکیندو، ماچاکوس و مرو)، چهار ایستگاه بیشترین بارندگی را در ماه آوریل (لایکیپیا، ناروک، ناکورو و کیسومو) و دو ایستگاه بیشترین بارندگی را دریافت کردند. بارش در ماه می (مومباسا و مالیندی) ( شکل 5 ).

تجزیه و تحلیل نشان داد که شش ایستگاه کمترین بارندگی را در ماه فوریه داشته اند (مالیندی، مومباسا، گاریسا، لایکیپیا، ناکورو و کیسومو)، یک ایستگاه کمترین بارندگی را در ماه جولای (مرو)، و چهار ایستگاه باقی مانده کمترین بارش را در ماه جولای (Voi, ماکیندو، ماچاکوس و ناروک). سه ایستگاه سردترین ماه خود را در ژانویه تجربه کردند (مارو، لایکیپیا و ناکورو)، شش ایستگاه سردترین ماه خود را در ژوئیه (مومباسا، گاریسا، ماکیندو، ماچاکوس، ناروک و کیسومو) و یکی سردترین ماه خود را در آگوست (Voi) تجربه کرد. و یکی در سپتامبر (مالیندی). همه ایستگاه های هواشناسی گرم ترین ماه خود را بین فوریه و مارس تجربه کردند.

تجزیه و تحلیل داده های فصلی نشان داد که پنج ایستگاه هواشناسی مرطوب ترین فصل خود را در طول “باران های کوتاه” بین اکتبر و ژانویه (Voi، Garissa، Makindu، Machakos، V و Meru) تجربه کردند، و بقیه مرطوب ترین فصل خود را در طول “باران های طولانی” تجربه کردند. بین ماه مارس و ژوئن (مالیندی، مومباسا، لایکیپیا، ناروک، ناکورو، کیسومو). مومباسا، مالیندی، لایکیپیا، ناکورو و کیسومو خشک ترین محله خود را بین دسامبر و فوریه تجربه کردند. Voi، Garissa، Makindu، Machakos، Meru و Narok خشک ترین محله خود را بین ژوئن و سپتامبر تجربه کردند. همه ایستگاه ها گرم ترین فصل خود را بین ژانویه و آوریل تجربه کردند و همه ایستگاه ها خنک ترین فصل خود را بین ماه می و سپتامبر تجربه کردند ( شکل 6 ).

4. بحث

4.1. عوامل اجباری آب و هوا در جنوب کنیا

تجزیه و تحلیل همبستگی بین داده‌های KMD آزمون و متغیرهای مستقل (DIST = فاصله از اقیانوس و ALT = ارتفاع) نشان داد که متغیرهای زیست‌اقلیمی نشان‌دهنده دما (BIO1 تا BIO11) به طور مداوم همبستگی قوی با ALT نشان می‌دهند (همه R2 > ⁹ )، و این یک نشان می دهد که ارتفاع یک عامل اقلیمی است که هنگام ارزیابی داده های اقلیمی باید در نظر گرفته شود. بطور کلی،

جدول کد هر متغیر زیست اقلیمی را نشان می دهد و توضیح کوتاهی از اطلاعات جمع آوری شده توسط هر متغیر ارائه می دهد. جدول همچنین خطای استاندارد برآوردهای محاسبه شده برای داده های WorldClim با استفاده از داده های اداره هواشناسی کنیا از سال های 2001-2012 به عنوان داده های آزمایشی و همبستگی (R ² ) بین داده های WorldClim و داده های اداره هواشناسی کنیا را نشان می دهد.

هر چه ارتفاع بالاتر باشد، یک منطقه سردتر خواهد بود و این با سایر مطالعات علمی مصادف شد [ 15 ]. هفت متغیر زیست اقلیمی نشان دهنده بارش (BIO12، BIO14، BIO15، BIO16، BIO17، BIO18 تا BIO19) همبستگی خوبی با DIST نشان دادند (همه ^R2~ 0.5 تا 0.7)، با یک متغیر زیست اقلیمی که همبستگی ضعیفی با ALT یا DIST (BIO13) نشان می دهد. برای BIO13، مقدار همبستگی کم نشان می‌دهد که تغییرات محلی در الگوهای بارش اندازه‌گیری شده توسط این متغیر پیچیده است، و به طور کامل توسط ایستگاه‌های هواشناسی KMD نمونه‌برداری شده ثبت نشده است. به طور کلی، مناطق نزدیک به اقیانوس، بارندگی بالایی را تجربه کردند، و این بارندگی به طور پیوسته با حرکت فرد به داخل کاهش می‌یابد. پس از طی 300 کیلومتر، بارش به طور پیوسته افزایش یافت و به طور پیوسته افزایش یافت. این نتایج نشان داد که بارش از یک روند جهانی پیروی می کند و به شدت تحت تأثیر تغییرات محلی ارتفاع در منطقه مورد مطالعه قرار نمی گیرد.

4.2. عدم قطعیت موضوعی

اغلب مواردی وجود دارد که در جاهایی که فعالیت حیات وحش پر جنب و جوش است، هیچ ایستگاه هواشناسی فعالی وجود ندارد، و این یک چالش برای اکولوژیست هایی است که در این مناطق مطالعه می کنند. به عنوان مثال، جنوب کنیا دارای شبکه پراکنده ای از ایستگاه های هواشناسی است که بیشتر آنها در شهرهایی با فاصله نامنظم در سراسر منطقه واقع شده اند. این یک چالش برای بوم شناسانی است که دور از شهر که ایستگاه های هواشناسی در آن قرار دارند کار می کنند. برای این دانشمندان، درون یابی یکی از گزینه هایی است که به منظور برآورد شرایط اقلیمی در سایت های مورد مطالعه خود دنبال می شود. با این حال، بسیاری از دانشمندان فاقد مهارت های لازم برای انجام درون یابی هستند. تشدید این مشکل، زمانی که داده‌های مکانی پراکنده هستند، فرضیات در مورد تغییرات اساسی که نمونه‌برداری شده‌اند و انتخاب روشی که برای درونیابی و پارامترهای آن مورد استفاده قرار می‌گیرد، می‌تواند حیاتی باشد تا از نتایج گمراه‌کننده جلوگیری شود (مانند بارو و مک‌دانل 1998). به همین دلیل، داده‌های اقلیمی شبکه‌ای که در اینترنت یافت می‌شوند، جایگزین جذابی هستند. به طور معمول، اولین نگرانی این است که داده های بارگیری شده تخمین نزدیکی از شرایط موجود در زمین ارائه دهد، یعنی عدم قطعیت موضوعی پایین باشد. نتایج تجزیه و تحلیل نشان می دهد که مجموعه داده WorldClim برآوردهای نزدیک از میانگین شرایط آب و هوایی برای سال های 2001-2012 با خطاهای استاندارد پایین برای همه متغیرهای اندازه گیری شده ارائه می دهد. این نشان می دهد که مجموعه داده WorldClim می تواند برای تخمین شرایط آب و هوایی در مناطقی که هیچ رکورد آب و هوایی در جنوب کنیا وجود ندارد استفاده شود.

4.3. عدم قطعیت زمانی

متغیرهای زیست اقلیمی فصلی توصیف شده توسط Hijmans و همکاران. [ 10] به صورت سه ماهه محاسبه می شوند و این به خوبی با الگوهای فصلی تجربه شده در آب و هوای معتدل که در آن چهار فصل متمایز (زمستان، تابستان، بهار و پاییز) به خوبی تعریف شده اند، مطابقت دارد. کنیا دو فصل مرطوب با دو فصل خشک را در میان تجربه می‌کند و تجزیه و تحلیل فصل‌های فصلی همانطور که در داده‌های WorldClim توضیح داده شده است (گرم‌ترین سه‌ماهه، سردترین سه‌ماهه، مرطوب‌ترین سه‌ماهه و خشک‌ترین سه‌ماهه) تغییرات زمانی زیادی را در الگوهای بارش فصلی نشان داد. در مقابل، تجزیه و تحلیل فصلی پایدار در الگوهای دما را نشان داد. الگوهای زمانی مشاهده شده در مرطوب ترین و خشک ترین محله ها دلالت بر سه ناحیه زمانی دارد. مناطق نزدیک به اقیانوس هند (مومباسا، مالیندی و ووی) بیشترین بارندگی (مرطوب ترین سه ماهه) را در ماه های آوریل، مه و ژوئن دریافت کردند، دوره ای که معمولاً به عنوان “باران های طولانی” شناخته می شود. مناطق دورتر از اقیانوس هند (لایکیپیا، ناروک، ناکورو و کیسومو) نیز بیشترین بارندگی را در ماه های مارس، آوریل، می و ژوئن دریافت کردند. مناطق بین (گاریسا، ماکیندو، ماچاکوس و مرو) بیشترین بارندگی را بین اکتبر و ژانویه دریافت کردند، دوره ای که به آن “باران های کوتاه” گفته می شود. توزیع زمانی خشک‌ترین محله نیز الگوی ترکیبی با مومباسا و مالیندی، نزدیک‌ترین ایستگاه‌ها به اقیانوس هند، ناکورو و کیسومو، ایستگاه‌هایی که دورتر از اقیانوس هند هستند، نشان داد که خشک‌ترین محله خود را بین دسامبر و مارس تجربه می‌کنند. Voi، Garissa، Makindu، Machakos و Meru خشک ترین فصل خود را بین ژوئن و سپتامبر تجربه کردند. Laikipia و Narok در مقایسه با ایستگاه‌های نزدیک به آن‌ها نامناسب به نظر می‌رسند. این بدان معناست که هر اشاره ای به “مرطوب ترین فصل” یک پدیده موضوعی را توصیف می کند که در زمان های مختلف در مناطق مختلف کشور رخ می دهد. به طور مشابه، ارجاع به “خشک ترین فصل” پیامدهای مکانی-زمانی خواهد داشت. به عنوان مثال، در ناکورو «خشک‌ترین فصل» به فصل دسامبر-فوریه اشاره دارد، در حالی که در ناروک «خشک‌ترین فصل» در جولای-سپتامبر تجربه می‌شود. کامبرلین و همکاران [30 ] خاطرنشان کرد که شروع فصل بارانی به صورت محلی متفاوت است، و در جاهایی که انسجام مکانی در رویدادهای بارش وجود دارد، شدت بارش تجربه شده وجود ندارد، و تجزیه و تحلیل در این کار از این یافته ها پشتیبانی می کند.

دوره ای که به عنوان “گرم ترین سه ماهه” توصیف می شود، چهار ماه در سراسر کشور طول کشید و بین ژانویه و آوریل تجربه شد. دوره توصیف شده به عنوان سردترین سه ماهه بین ژوئن و سپتامبر در همه به جز یک ایستگاه هواشناسی (کیسومو) تجربه شد. این نشان می دهد که الگوی زمانی دماهای مشاهده شده در هر ایستگاه هواشناسی در سراسر کشور متمایز و یکنواخت بوده است. الگوهای زمانی نشان‌داده‌شده در داده‌های ماهانه (گرم‌ترین ماه، سردترین ماه، مرطوب‌ترین ماه و خشک‌ترین ماه) نیز الگوهای اقلیمی پیچیده‌ای را نشان می‌دهند، بیشتر در بارش‌های تجربه‌شده در سراسر کشور. همه ایستگاه ها گرم ترین ماه خود را بین فوریه و مارس تجربه کردند. سه ایستگاه (Meru، Narok و Nakuru) سردترین ماه خود را در ژانویه تجربه کردند.32 ] . بقیه ایستگاه‌ها سردترین ماه خود را بین ژوئیه و سپتامبر تجربه می‌کنند و این با تحلیل فصلی در این اثر و ادبیات مصادف شد. Voi، Garissa، Machakos، Makindu و Meru مرطوب ترین ماه خود را در نوامبر تجربه کردند و بقیه مرطوب ترین ماه خود را بین آوریل و مه تجربه کردند. مالیندی، مومباسا، گاریسا، لایکیپیا، ناکورو و کیسومو خشک ترین ماه خود را در فوریه تجربه کردند و بقیه بین ژوئن و جولای خشک ترین ماه خود را تجربه کردند. همانطور که با تجزیه و تحلیل فصلی، تجزیه و تحلیل ماهانه نشان داد که الگوهای بارش پیچیده بودند، و مناطق مختلف بارش شدید در طول ماه های مختلف را تجربه کردند، همانطور که توسط چمبرلین و همکاران مشاهده شد. [ 30] . تجزیه و تحلیل سردترین ماه نشان داد که سه ایستگاه (Meru، Laikipia و Nakuru) سردترین ماه خود را خارج از سردترین فصل (یا فصل سرد) تجربه کردند و می توان فرض کرد که جغرافیای محلی تأثیر زیادی بر دمای تجربه شده در این سه ماه داشته است. ایستگاه های ژانویه

5. نتیجه گیری

به طور خلاصه، می‌توان نتیجه گرفت که تغییرات آب و هوایی مشاهده‌شده در جنوب کنیا تحت‌تاثیر ارتفاع فاصله از اقیانوس هند است، و تأثیر این عوامل اجباری آب و هوا به خوبی در مجموعه داده WorldClim ثبت شده است. در حالی که الگوهای دما، عمدتاً تحت تأثیر ارتفاع، تغییرات محلی قوی را نشان دادند، الگوهای بارش روندهای جهانی را نشان دادند و عمدتاً تحت تأثیر فاصله یک منطقه از اقیانوس قرار گرفتند. این مطالعه به این نتیجه رسید که مجموعه داده WorldClim از نزدیک میانگین شرایط آب و هوایی موجود در جنوب کنیا را تخمین زده است و عدم قطعیت موضوعی در هنگام استفاده از مجموعه داده WorldClim یک نگرانی عمده نیست. با این حال، عدم قطعیت زمانی در مجموعه داده، بیشتر برای متغیرهای زیست اقلیمی که جنبه‌های مختلف بارش را اندازه‌گیری می‌کنند، برای برخی نگران‌کننده خواهد بود. دانشمندانی که امیدوارند از مجموعه داده WorldClim برای مدل های توزیع گونه ها استفاده کنند، باید قبل از استفاده از مجموعه داده WorldClim در مطالعات مربوطه خود، هم ویژگی های زمانی گونه های مورد مطالعه خود و هم عدم قطعیت زمانی مجموعه داده WorldClim را در نظر بگیرند. فعالیت هایی که با فصلی بودن موجودات همراه است شامل مهاجرت و پراکندگی است و این فعالیت ها اغلب بر پراکنش گونه های مختلف تأثیر می گذارند. مهاجرت، که به عنوان یک حرکت فصلی از راه دور افراد یا گروه ها توصیف می شود، اغلب با محرک های فصلی مرتبط است. پراکندگی در حیوانات به عنوان حرکت از یک منطقه به محل تولید مثل توصیف می شود و اغلب به عوامل فصلی مرتبط است. در گیاهان پراکندگی و جوانه زنی بذر ارتباط نزدیکی با فصلی دارد و تنها زمانی رخ می دهد که شرایط آب و هوایی مساعد باشد.

منابع

[ 1 ]	Yan, H., Nix, HA, Hutchinson, MF and Booth, TH (2005) درون یابی فضایی میانگین ماهانه داده های آب و هوایی برای چین. مجله بین المللی اقلیم شناسی، 25، 1369-1379. https://doi.org/10.1002/joc.1187
[ 2 ]	Broitman، ABR، Szathary، PL، Mislan، KAS و Blanchette، CA (2018) انجمن شمال اروپا تعاملات شکارچی و طعمه Oikos تحت تغییرات آب و هوا: اهمیت زیستگاه در مقابل دمای بدن. https://www.jstor.org/stable/40235630
[ 3 ]	Booth، TH، Nix، HA، Busby، JR و Hutchinson، MF (2014) Bioclim: اولین بسته مدل‌سازی توزیع گونه‌ها، کاربردهای اولیه و ارتباط آن با اکثر مطالعات فعلی MaxEnt. تنوع و توزیع، 20، 1-9. https://doi.org/10.1111/ddi.12144
[ 4 ]	Hirzel, AH and Le Lay, G. (2008) مدلسازی مناسب زیستگاه و نظریه طاقچه. مجله اکولوژی کاربردی، 45، 1372-1381. https://doi.org/10.1111/j.1365-2664.2008.01524.x
[ 5 ]	Guisan، A.، Guisan، A.، Zimmermann، NE 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
[ 6 ]	Longley, PA, Goodchi Ld., MF, Maguire, DJ and Rhind, DW (2011) سیستم های اطلاعات جغرافیایی و علم. جان وایلی و پسران، هوبوکن.
[ 7 ]	O’Donnell، MS و Ignizio، DA (2012) پیش بینی کننده های زیست اقلیم برای حمایت از برنامه های زیست محیطی در ایالات متحده محدود. سری داده های سازمان زمین شناسی ایالات متحده، 691، 10.
[ 8 ]	Wagner, M., Trutschnig, W., Bathke, AC and Ruprecht, U. (2018) اولین رویکرد برای محاسبه متغیرهای BIOCLIM و مناطق آب و هوایی برای قطب جنوب. اقلیم شناسی نظری و کاربردی، 131، 1397-1415. https://doi.org/10.1007/s00704-017-2053-5
[ 9 ]	Perry, M. and Hollis, D. (2005) تولید مجموعه‌های داده شبکه‌ای ماهانه برای طیفی از متغیرهای آب و هوایی در بریتانیا. مجله بین المللی اقلیم شناسی، 25، 1041-1054. https://doi.org/10.1002/joc.1161
[ 10 ]	Hijmans, RJ, Cameron, SE, Parra, JL, Jones, PG and Jarvis, A. (2005) سطوح آب و هوایی درون یابی شده با وضوح بسیار بالا برای مناطق زمینی جهانی. مجله بین المللی اقلیم شناسی، 25، 1965-1978. https://doi.org/10.1002/joc.1276
[ 11 ]	Fick, SE and Hijmans, RJ (2017) WorldClim 2: سطوح جدید آب و هوایی با وضوح فضایی 1 کیلومتری برای مناطق جهانی زمین. مجله بین المللی اقلیم شناسی، 37، 4302-4315. https://doi.org/10.1002/joc.5086
[ 12 ]	Stone، OML، Laffan، SW، Curnoe، D. and Herries، AIR (2013) توزیع فضایی زیستگاه Chacma Baboon (Papio ursinus) بر اساس مدل پوششی محیطی. مجله بین المللی نخستی شناسی، 34، 407-422. https://doi.org/10.1007/s10764-013-9669-9
[ 13 ]	ویندر، آی سی (2014) جغرافیای زیستی بابون های پاپیو: تجزیه و تحلیل مبتنی بر GIS ویژگی های محدوده و تنوع. Folia Primatologica، 85، 292-318. https://doi.org/10.1159/000362545
[ 14 ]	Makori، D.، و همکاران. (2017) پیش‌بینی توزیع فضایی آفات کلیدی زنبور عسل در کنیا با استفاده از متغیرهای سنجش از راه دور و بیوکلیماتیک: مدل‌های توزیع آفات زنبور عسل کلیدی. ISPRS International Journal of Geo-Information, 6, 66. https://doi.org/10.3390/ijgi6030066
[ 15 ]	Daly, C. (2006) رهنمودهایی برای ارزیابی مناسب بودن مجموعه داده های آب و هوایی فضایی. مجله بین المللی اقلیم شناسی، 26، 707-721. https://doi.org/10.1002/joc.1322
[ 16 ]	Veregin, H. (1999) پارامترهای کیفیت داده. سیستم های اطلاعات جغرافیایی، 1، 177-189.
[ 17 ]	Foody، GM و Atkinson، PM (2002) عدم قطعیت در سنجش از دور و GIS. جان وایلی و پسران، هوبوکن. https://doi.org/10.1002/0470035269
[ 18 ]	Heuvelink، GBM (1999) انتشار خطا در مدلسازی فضایی با GIS. Geogr. Inf. سیستم جلد 1 پرنس فنی مسائل، 2، 207-217.
[ 19 ]	Devendran, A. and Lakshmanan, G. (2014) مروری بر دقت و عدم قطعیت داده‌های مکانی و تحلیل‌ها با ارجاع ویژه به مدل‌سازی شهری و هیدرولوژیکی. ISPRS Annals of Photogrammetry, Remote Sensing & Spatial Information Sciences, 2, 171-178. https://doi.org/10.5194/isprsannals-II-8-171-2014
[ 20 ]	Arbia, G., Griffith, D. and Haining, R. (1998) Error Propagation Modeling in Raster Gis: Overlay Operations. مجله بین المللی علم اطلاعات جغرافیایی، 12، 145-167. https://doi.org/10.1080/136588198241932
[ 21 ]	Suriyaprasit، M. و Shrestha، DP (2007) استخراج استفاده از زمین و عامل پوشش تاج از سنجش از دور و داده‌های میدانی در زمین‌های کوهستانی غیرقابل دسترس برای استفاده در مدل‌سازی فرسایش خاک. آرشیو بین المللی فتوگرامتری، سنجش از دور و علم اطلاعات فضایی، 37، 1747-1750.
[ 22 ]	Fielding، AH and Bell، JF (1997) مروری بر روش‌های ارزیابی خطاهای پیش‌بینی در مدل‌های حضور/غیاب حفاظتی. حفاظت از محیط زیست، 24، 38-49. https://doi.org/10.1017/S0376892997000088
[ 23 ]	مورتون، دی، دی فرایز، آر، شیمابوکورو، ی و هانسن، ام (2005) ارزیابی سریع جنگل زدایی سالانه در آمازون برزیل با استفاده از داده های MODIS. تعاملات زمین، 9، 1-22. https://doi.org/10.1175/EI139.1
[ 24 ]	بون، RB (1997) مدل‌سازی آب و هوای مین برای استفاده در تحلیل‌های اکولوژیکی در مقیاس وسیع. طبیعت شناس شمال شرقی، 4، 213-230. https://doi.org/10.2307/3858607
[ 25 ]	هیوارد، دی و کلارک، RT (1996) رابطه بین بارندگی، ارتفاع و فاصله از دریا در شبه جزیره فری تاون، سیرالئون. مجله علوم هیدرولوژیکی، 41، 377-384. https://doi.org/10.1080/02626669609491509
[ 26 ]	آلبرتز، اس سی، و همکاران. (1993) فصلی و تغییر بلند مدت در یک محیط ساوانا. کمبریج در انسان شناسی زیستی و تکاملی مطالعه کرد، 44، 157.
[ 27 ]	Gesquiere، LR، و همکاران. (2008) مقابله با یک محیط چالش برانگیز: اثرات تغییرپذیری فصلی و وضعیت تولید مثل بر غلظت گلوکوکورتیکوئید بابون های ماده (Papio cynocephalus). هورمون ها و رفتار، 54، 410-416. https://doi.org/10.1016/j.yhbeh.2008.04.007
[ 28 ]	Musiega, D. and Kazadi, S.-N. (2004) شبیه سازی الگوهای مهاجرت وحشی آفریقای شرقی با استفاده از GIS و سنجش از دور. مجله آفریقایی اکولوژی، 42، 355-362. https://doi.org/10.1111/j.1365-2028.2004.00538.x
[ 29 ]	Camberlin, P. and Okoola, RE (2003) شروع و توقف “باران های طولانی” در شرق آفریقا و تنوع بین سالانه آنها. اقلیم شناسی نظری و کاربردی، 54، 43-54.
[ 30 ]	Camberlin, P., Moron, V., Okoola, R., Philippon, N. and Gitau, W. (2009) مولفه های تغییرپذیری فصل های بارانی در شرق آفریقای استوایی: شروع، توقف، فرکانس و شدت بارش. اقلیم شناسی نظری و کاربردی، 98، 237-249. https://doi.org/10.1007/s00704-009-0113-1
[ 31 ]	Camberlin, P. and Olivier, P. (2018) رژیم های بارش ساحلی در کنیا. آنالر جغرافیایی. سری الف، جغرافیای فیزیکی، 79، 109-119. https://www.jstor.org/stable/521423 https://doi.org/10.1111/j.0435-3676.1997.00010.x
[ 32 ]	Altmann, JA, Alberts, SC and Altmann, SA (2002) شانس چشمگیر در الگوهای آب و هوایی محلی در حوضه Amboseli, کنیا. مجله آفریقایی اکولوژی، 40، 248-251. https://doi.org/10.1046/j.1365-2028.2002.00366.x