بوم‌شناسی جنگل‏‌های ایران

چکیده

مقدمه و هدف

جنگل‌زدایی تهدیدی جدی برای محیط زیست است که تنوع زیستی را کاهش داده، چرخه آب را مختل کرده و تغییرات اقلیمی را تشدید می‌کند. این پدیده نه‌تنها منابع طبیعی را از بین می‌برد، بلکه اقتصاد جوامع محلی و گردشگری را نیز تحت تأثیر قرار می‌دهد. جنگل‌های هیرکانی، یکی از ارزشمندترین زیست‌بوم‌های معتدله محسوب می‌شوند که گونه‌های گیاهی و جانوری منحصر‌به‌فردی را در خود جای داده‌اند. با این حال، تغییرات انسانی از جمله توسعه شهری، کشاورزی بی‌رویه و بهره‌برداری غیرمسئولانه، موجب تخریب شدید این جنگل‌ها شده است.

مواد و روش‌ها

در همین راستا، جنگل‌های منطقه پیمت شهرستان نور در استان مازندران نیز از این روند بی‌نصیب نمانده و تحت تأثیر این عوامل، با خطر کاهش پوشش جنگلی مواجه شده است. به‌منظور شناسایی عوامل موثر و پهنه‌بندی جنگل‌زدایی در این منطقه، 107 عرصه که با جنگل‌زدایی مواجه بود شناسایی و ثبت شد. بر این اساس مناطق دارای جنگل‌زدایی با مقدار "یک" و مناطق فاقد جنگل‌زدایی با مقدار "صفر" تعریف می‌شوند. در این پژوهش، جنگل‌زدایی به عنوان تبدیل دائمی یا بلندمدت مناطق جنگلی به زمین‌های غیرجنگلی در اثر فعالیت‌های انسانی یا اختلالات طبیعی تعریف شده است، به طوری که پوشش جنگلی در بازه زمانی معقولی قادر به بازگشت به حالت اولیه خود نیست. همچنین 14 متغیر پیشگوی موثر بر این پدیده شامل جهت شیب، شیب، ارتفاع از سطح دریا، شکل زمین، انحنای دامنه، طول شیب، اثر باد، کمینه دما، میانگین دما، بیشینه دما، بارش، فاصله از جاده، فاصله از مناطق مسکونی و نزدیکی به اراضی کشاورزی از منابع مختلف استخراج و در قالب دو تکنیک مدل خطی تعمیم‌یافته (GLM) و مدل جمعی تعمیم‌یافته (GAM) جهت مدل‌سازی استفاده شد. مدل لجستیک به عنوان یک روش توسعه‌یافته مدل رگرسیون خطی کلاسیک و مدل GAM به‌عنوان تکنیک توسعه‌یافته از مدل GLM با قابلیت تحلیل بالا در شناسایی روابط غیرخطی بین متغیرهای پیش‌بین و متغیر پاسخ، از جایگاه ویژه‌ای در مطالعات برخوردار هستند. فرآیند مدل‌سازی در GLM با انتخاب اولیه متغیرها بر اساس دانش اکولوژیکی و تحلیل همبستگی بین متغیرها آغاز شد و پس از برازش مدل اولیه، متغیرهای غیرمعنی‌دار از طریق آزمون نسبت درست‌نمایی حذف شدند تا در نهایت مدلی با بیشترین توان پیش‌بینی و کمترین خطا به دست آید. پیاده‌سازی مدل GAM نیز با انتخاب توابع هموار مناسب آغاز و با تعیین درجه آزادی بهینه برای هر تابع ادامه یافت. محاسبه ضرایب هموارسازی و ارزیابی معناداری هر تابع هموار از مراحل بعدی کار بود که در نهایت منجر به ایجاد مدلی با قدرت پیش‌بینی بالا شد. اعتبارسنجی دو مدل نیز با دو شاخص آکائیک و سطح زیر منحنی عملکرد انجام و نقشه‌های پهنه‌بندی جنگل‌زدایی برای هر مدل به صورت جداگانه انجام و نقشه‌های نهایی با رویکرد شکستگی‌های طبیعی در چهار طبقه احتمال پایین، متوسط، زیاد و خیلی زیاد تهیه گردید.

یافته‌ها

یافته‌های مدل خطی حاکی از آن بود که در مدل نهایی متغیرهای ارتفاع از سطح دریا، اثر باد، فاصله از جاده، فاصله از مناطق مسکونی و میانگین دما تأثیرات معناداری بر احتمال وقوع جنگل‌زدایی داشتند. شاخص‌های برازش مدل شامل کاهش قابل توجه انحراف از مقدار اولیه 94/207 به 68/81 و مقدار آکائیک برابر با 68/93 نشان‌دهنده برازش مطلوب مدل و توانایی بالای آن در پیش‌بینی الگوهای جنگل‌زدایی در مدل خطی بود. بر اساس نتایج مدل جمعی، متغیرهای ارتفاع از سطح دریا، اثر باد، فاصله از جاده، فاصله از مناطق مسکونی و نزدیکی به اراضی کشاورزی از مهم‌ترین عوامل مؤثر بر الگوی جنگل‌زدایی در منطقه مورد مطالعه بودند که در این میان سه متغیر مرتبط با عوامل انسانی از درصد تاثیرگذاری بالاتری برخوردار بودند. بر این اساس با افزایش فاصله نسبت به سکونتگاه‌های انسانی (6/25 درصد)، اراضی کشاورزی (1/22 درصد) و جاده‌ها (3/18 درصد)، احتمال جنگل‌زدایی کاهش یافته است. ارزیابی مدل‌ها حاکی از دقت بالاتر مدل GAM با معیار آکائیک برابر 07/21 و سطح زیر منحنی عملکرد برابر 947/0 نسبت به مدل GLM بود. خروجی نقشه‌های نهایی در هر دو مدل نیز نشان داد بیشتر سطح منطقه در طبقه با احتمال جنگل‌زدایی خیلی بالا قرار گرفته است که نشان‌دهنده شرایط بحرانی این منطقه در سال‌های پیش‌رو می‌باشد.

نتیجه‌گیری

نتایج این مطالعه که بر اساس مدل‌سازی پهنه‌بندی جنگل‌زدایی با استفاده از مدل‌های خطی و جمعی تعمیم‌یافته به دست آمده است، تأثیرات چشمگیری بر کاهش جنگل‌زدایی و مدیریت پایدار منابع جنگلی دارد. این یافته‌ها قادرند به‌عنوان ابزاری کاربردی برای تصمیم‌گیری‌های مدیریتی و برنامه‌ریزی منطقه‌ای به کار روند. با شناسایی مناطق حساس و مستعد جنگل‌زدایی، امکان اختصاص منابع و اتخاذ سیاست‌های حفاظتی به‌صورت هدفمند فراهم می‌شود. همچنین، استفاده از مدل‌های پیشرفته، مانند GAM، به دلیل توانایی آن‌ها در نمایش روابط غیرخطی و پیچیده، امکان ارائه تخمین‌های دقیق‌تر از عوامل مؤثر بر جنگل‌زدایی را فراهم می‌کند. این پهنه‌بندی می‌تواند مبنایی برای توسعه استراتژی‌های پیشگیرانه باشد؛ از جمله اعمال محدودیت‌های قانونی در مناطق بحرانی، آموزش جوامع محلی و تشویق به بهره‌برداری پایدار از منابع. علاوه بر این، نتایج نشان می‌دهند که ترکیب داده‌های محلی با مدل‌های پیشرفته جهانی می‌تواند به بهبود پیش‌بینی‌ها و افزایش اثربخشی اقدامات مدیریتی منجر شود. در نهایت، این تحقیق با ارائه بینش‌های کاربردی و علمی، نه‌تنها مدیریت جنگل‌زدایی را تقویت می‌کند، بلکه می‌تواند به عنوان الگویی برای سایر مناطق مشابه مورد استفاده قرار گیرد.