Ecology of Iranian Forests

fa مدل‎ سازی اجماعی اثرات تغییر اقلیم بر مطلوبیت رویشگاه بلندمازو (Quercus castaneifolia C. A. Mey) در منطقه رویشی هیرکانی Ensemble Modeling of the Potential Impacts of Climate Change on the Habitat Suitability of Chestnut-leaved Oak (Quercus castaneifolia C. A. Mey) in the Hyrcanian Ecoregion اکولوژی جنگل اکولوژی جنگل پژوهشي Research <div style="text-align: justify;">چکیده مبسوط مقدمه و هدف: در حال حاضر تغییر اقلیم یک تهدید جدی برای بسیاری از گونه‌ها و در نتیجه از مهم ترین عوامل کاهش تنوع زیستی در جهان تلقی می‌شود. از این‌رو، درک نحوه تأثیرپذیری توزیع مکانی و ترکیب گونه‌ها از تغییرات اقلیمی، در حفاظت از بوم‌سازگان‌های طبیعی و دستیابی به توسعه پایدار حائز اهمیت است. مدل‌های پراکنش گونه‌ای از پرکاربردترین روش‌ها به منظور پیش‌بینی تأثیر تغییر اقلیم بر تغییرات پراکنش گونه‌های گیاهی هستند. با توجه به ارزش بوم‌شناختی، اقتصادی و تجاری بلندمازو (Quercus castaneifolia C. A. Mey) در جنگل‌های هیرکانی، هدف از انجام این مطالعه، استفاده از الگوریتم‌های مختلف مدل سازی به منظور شبیه‌سازی محدوده‌های اقلیمی مناسب برای تعیین مطلوبیت رویشگاه بلندمازو در شرایط فعلی اقلیم و تغییرات آن در سال‌های 2070 و 2100 میلادی می‌باشد.   مواد و روش‌ها: پس از تعیین نقاط حضور گونه با استفاده از داده های آماربرداری طرح‌های جنگل داری شمال کشور و طرح های تفصیلی استان‌های گلستان، مازندران و گیلان، متغیرهای زیست‌اقلیمی سال‌های 2013-1979 از پایگاه جهانی CHELSA استخراج شدند. متغیرهای زیست اقلیمی مربوط به سالهای 2019-2014 نیز با استفاده از تصاویر رستری بارندگی ماهانه و حداکثر و حداقل درجه حرارت ماهانه موجود در همین پایگاه داده، در نرمافزار Idrisi TerrSet تولید شدند. سپس، میانگین وزنی این دو سری متغیرهای زیستاقلیمی (2019-1979) در فرآیند مدلسازی لحاظ شد. علاوه بر این، متغیرهای فیزیوگرافی ارتفاع، شیب و شاخص جهت تابش خورشیدی (TRASP) مستخرج از مدل رقومی ارتفاع (DEM) نیز به‌عنوان ورودی فرآیند مدل سازی به‌کار رفتند. پس از انتخاب متغیرهای محیطی با عامل تورم واریانس (VIF)، ارتباط بین داده‌های رخداد گونه و نقشه متغیرهای محیطی با استفاده از نرم‌افزار  R 4.3.1 به صورت ریاضی تعریف شد. الگوریتم‌های شبکه عصبی مصنوعی (ANN)، تجزیه و تحلیل طبقه‌بندی درختی (CTA)، مدل خطی تعمیم‌یافته (GLM)، رگرسیون تطبیقی چند متغیره جدا کننده (MARS)، حداکثر بی‌نظمی (MaxEnt) و جنگل تصادفی (RF) با استفاده از بسته Biomod2 مورد ارزیابی قرار گرفتند. به منظور کاهش عدم قطعیت، یک چارچوب تلفیقی شامل شش مدل پراکنش گونه‌ای مذکور به‌کار رفت. از شاخص سطح زیر منحنی (AUC)، آماره مهارت حقیقی (TSS)، حساسیت (Sensitivity) و اختصاصی بودن (Specificity) برای ارزیابی عملکرد مدل‌ها استفاده شد. پس از تعیین میزان اهمیت متغیرهای مشارکت‌کننده در مدلسازی با تابع VarImp، منحنی های پاسخ گونه نسبت به مهم ترین متغیرها بر اساس مدل انفرادی با بیشترین کارایی ترسیم شدند. برای پیش‌بینی اثر تغییر اقلیم بر پراکنش گونه از مدل گردش عمومی MRI-ESM2-0 مربوط به پروژه مقایسه مدل‌های جفت شده فاز ششم (CMIP6) تحت سناریوهای خوش‌بینانه (SSP1-2.6) و بدبینانه (SSP5-8.5) تغییر اقلیم برای بازه زمانی آینده نزدیک (2070-2041) و آینده دور (2100-2071) استفاده شد. یافته‌ها: بر اساس معیارهای ارزیابی، مدل‌های انفرادی دارای عملکرد خوبی بوده و برای ایجاد مدل اجماعی در نظر گرفته شدند. از میان مدل‌ها، ابتدا مدل اجماعی با آماره‌های TSS و AUC به ترتیب معادل 0/904 و 0/988 و سپس مدل جنگل تصادفی بیشترین کارایی را به خود اختصاص دادند. بر اساس مقادیر درصد مشارکت، بارندگی خشک ترین ماه سال (Bio14)، میزان شیب و نوسانات فصلی بارندگی به ترتیب بیشترین سهم را در پراکنش بلندمازو و تعیین مطلوبیت رویشگاه آن داشتند. طبق مدل اجماعی، مناطق مطلوب رویشگاهی گونه در شرایط اقلیمی کنونی 60 درصد از منطقه هیرکانی را در برمی‌گیرند. نقشه‌های تولید شده بیانگر مطلوبیت بالای رویشگاه بلندمازو در بخش‌های غربی و مرکزی منطقه هیرکانی هستند. با توجه به منحنی‌های عکس‌العمل گونه نسبت به مهم ترین متغیرهای محیطی، در رویشگاه‌های مطلوب، بارندگی خشک&lrm; ترین ماه سال حداقل 10 میلی‌متر، تغییرات فصلی بارندگی کمتر از 50، و شیب متوسط 22-2 درصد هستند. نتایج نشان دادند که در هر دو بازه زمانی و تحت هر دو سناریوی تغییر اقلیم، تغییراتی در پراکنش مکانی بلندمازو رخ خواهد داد که شدیدترین آن کاهش 5/29 درصدی محدوده اقلیمی مناسب گونه تا سال 2100 تحت سناریوی بدبینانه است. با مقایسه نقشه اجماعی مطلوبیت رویشگاهی کنونی و مطلوبیت رویشگاهی تحت تأثیر تغییر اقلیم، پیش‌بینی شد که بیشترین تغییر در مطلوبیت رویشگاهی در بخش‌های شرقی و جنوبی منطقه هیرکانی رخ خواهد داد. احتمالاً با افزایش درجه حرارت، رویشگاه گونه از عرض‌های جغرافیایی یا ارتفاعات پایین‌تر به سمت عرض‌های جغرافیایی بالاتر جابجا می‌شود. نتیجه‌گیری: علی&lrm; رغم تفاوت در ماهیّت الگوریتم‌های مختلف مدل سازی، پیش &lrm;بینی&lrm; های منتج از آن&lrm; ها برای بلندمازو تقریباً مشابه بودند. در این میان، جنگل تصادفی بالاترین صحت و مدل خطی تعمیم‌یافته کمترین صحت را در میان مدل&lrm;های انفرادی دارا بودند. تنها مدل جنگل تصادفی توانست عملکردی معادل میانگین خروجی های چند روش مدل &lrm;سازی داشته باشد. رویشگاه مطلوب بلندمازو تحت سناریوی بدبینانه در هر دو بازه زمانی آینده و تحت سناریوی خوش‌بینانه تا سال 2070 کاهش خواهد یافت. بررسی اثرات احتمالی تغییر اقلیم بر پراکنش مکانی این گونه ارزشمند گیاهی به‌عنوان گونه مهم جنگل‌های هیرکانی جهت برنامه‌ریزی، حفاظت و مدیریت آن یک ابزار ضروری به نظر می‌رسد. نقشه‌های مطلوبیت رویشگاه می‌توانند به‌عنوان مبنایی برای طرح‌های احیایی جنگل‌ها در مناطق در معرض نابودی پیشنهاد شوند. از این‌رو، تهیه طرح‌های جامع حفاظتی با هدف کاهش آثار تغییر اقلیم بر این گونه با ارزش ضروری به&lrm; نظر می‌رسد.  </div> <div style="text-align: justify;">Extended Abstract Background: Climate change is currently considered a serious threat to many species and is recognized as one of the most important factors in the global biodiversity loss. Therefore, understanding how the spatial distribution and species composition are affected by climate change is very important in protecting natural ecosystems and achieving sustainable development. Species distribution models are the most widely used methods to predict the effect of climate change on plant species distribution changes. Considering the ecological, economic, and commercial values of the chestnut-leaved oak (Quercus castaneifolia C. A. Mey) in the Hyrcanian forests, this study aims to use different modeling algorithms to simulate suitable climatic ranges to determine the habitat suitability of Q. castaneifolia in the current climatic conditions and its potential changes in 2070 and 2100. Methods: After determining the species presence using the statistical data of forestry projects in the north of Iran and the detailed plans of Golestan, Mazandaran and Gilan provinces, the bioclimatic variables of 1979-2013 were extracted from the CHELSA global database. The bioclimatic variables related to 2014-2019 were also produced in the Idrisi TerrSet software using raster images of monthly precipitation and monthly maximum and minimum temperatures available in the same database. Then, the weighted average of these two series of bioclimatic variables (1979-2019) was included in the modeling process. In addition, the elevation, slope, and solar-radiation aspect index (TRASP) as physiographic variables extracted from the Digital Elevation Model (DEM) were also used as inputs to the modeling process. After selecting the environmental variables with the Variance Inflation Factor (VIF), the relationship between the species occurrence data and the map of environmental variables was mathematically defined using the R statistical-programming software. Regression, machine learning, and classification modeling algorithms, including Artificial Neural Network (ANN), Classification Tree Analysis (CTA), Generalized Linear Model (GLM), Multiple Adaptive Regression Spline (MARS), Maximum Entropy (MaxEnt), and Random Forest (RF), were evaluated using the Biomod2 package. A unified framework, including six species distribution models, was used to reduce uncertainty. The Area under the Curve (AUC) index, True Skill Statistic (TSS), Sensitivity, and Specificity were used to evaluate the performance of the models. After determining the importance of the participating variables in the modeling with the VarImp function, the species response curves to the most important variables were drawn based on the outperformed individual model. The effect of climate change on species distribution was predicted using the MRI-ESM2-0 model of the sixth phase of climate change models (CMIP6) under two optimistic (SSP1-2.6) and pessimistic (SSP5-8.5) climate change scenarios over the near future (2041-2070) and distant future (2071-2100). <v:shape href="https://creativecommons.org/licenses/by-nc/4.0/?ref=chooser-v1" id="Picture_x0020_584154623" o:button="t" style="position:absolute; left:0; text-align:left; margin-left:5px; margin-top:85px; width:59.35pt; height:22.55pt; z-index:251659264" type="#_x0000_t75"> <v:fill o:detectmouseclick="t"> </v:fill></v:shape><v:shape id="Text_x0020_Box_x0020_83" o:gfxdata="UEsDBBQABgAIAAAAIQC75UiUBQEAAB4CAAATAAAAW0NvbnRlbnRfVHlwZXNdLnhtbKSRvU7DMBSF dyTewfKKEqcMCKEmHfgZgaE8wMW+SSwc27JvS/v23KTJgkoXFsu+P+c7Ol5vDoMTe0zZBl/LVVlJ gV4HY31Xy4/tS3EvRSbwBlzwWMsjZrlprq/W22PELHjb51r2RPFBqax7HCCXIaLnThvSAMTP1KkI +gs6VLdVdad08ISeCho1ZLN+whZ2jsTzgcsnJwldluLxNDiyagkxOquB2Knae/OLUsyEkjenmdzb mG/YhlRnCWPnb8C898bRJGtQvEOiVxjYhtLOxs8AySiT4JuDystlVV4WPeM6tK3VaILeDZxIOSsu ti/jidNGNZ3/J08yC1dNv9v8AAAA//8DAFBLAwQUAAYACAAAACEArTA/8cEAAAAyAQAACwAAAF9y ZWxzLy5yZWxzhI/NCsIwEITvgu8Q9m7TehCRpr2I4FX0AdZk2wbbJGTj39ubi6AgeJtl2G9m6vYx jeJGka13CqqiBEFOe2Ndr+B03C3WIDihMzh6RwqexNA281l9oBFTfuLBBhaZ4ljBkFLYSMl6oAm5 8IFcdjofJ0z5jL0MqC/Yk1yW5UrGTwY0X0yxNwri3lQgjs+Qk/+zfddZTVuvrxO59CNCmoj3vCwj MfaUFOjRhrPHaN4Wv0VV5OYgm1p+LW1eAAAA//8DAFBLAwQUAAYACAAAACEAqSiNRRoFAADwEgAA HwAAAGNsaXBib2FyZC9kcmF3aW5ncy9kcmF3aW5nMS54bWzsWG1uGzcQ/V+gdyD2t2Wt5JUsCVkH thylQV3HsJwDUFxKy5hLbkmuPlL0QL1GT9ZHUoplJ43RNEaAwBLsFcnZIfnmzXCGL16uK0mW3Fih VZ50DtOEcMV0IdQiT97dTFqDhFhHVUGlVjxPNtwmL09+/ukFHS0MrUvBCDQoO6J5UjpXj9pty0pe UXuoa64wNtemog5Ns2gXhq6guZLtbpr22xUVKjm5U3VOHSWNEV+hSmp2y4sxVUtqoVKy0X7Pdo2S /X/NdKSWr009ra+MXzm7XF4ZIoo8AXKKVoAoaW8HtmJoth+8tbhTsJ6bysvr+ZysYYHhoD/s9BKy yZPh8XCQ9tKoj68dYRDIen18MRmDxNFg2O31thOWbx9RwcpXX1aCZcbl4MfeEm3tF6iWn+55cLTb 9I1f35leE3Tt9u/liVujF/sKdrb1BexkidLjkqoFPzVGr0pOC+slIlBANE4UQNvNab2u2eo3XQBh 2jgd9H0j8D7um45qY91rrivif+SJ4cyFmejywrq4wJ2IB8VqKYqJkDI0zGI2loYsqcyTSfhs93RP TKoAp/avRY2xBwhiDj/msQxu8Mew083Ss+6wNekPjlvZJOu1hsfpoJV2hmfDfpoNs/PJn36BnWxU iqLg6kIovnPJTvYJ3yvBjLZ67g6ZrtognWB855Zwyk4anZKsQL9etxet9q+bTMPnc5ushOOGSFHl yeCjEB15W79SRWCIo0LG3+37yw/+Agx2z4AKbOQ54OFx62lgpKdWsfE9MzzBD6NhMrgG4pl7i39z qbEPJkWdkFKbDw/7vBwQwkhCVohmeWJ/b6jhCZFvFCg57GQZ1LnQyHrHXTTM/shsf4QqBlV54hIS f44dWnilqY1YlJgpOoHSp+DvXGzpFNfudyGtm7qN5AGdsENPeioXiMzvGxuJKNW0Zl7a1uyKuUi2 TnoMkLd22Jc4nQdCeVlnoyzMsTNYzcI4oN0iG+A1mFTCO/OEq9a7KeL/hzzp460w61dwgc/ncKPo P9gldUIRt6n5nDI485hKMTMiITVV2qIj7aYThL1u+GbpEZ4ZRoVj5YRWQvq4hw5WUmN5MHgAjNMn UMrsN1cKtIGwx9KdjHW9Cdwgf/+F/fbIL7ygGwBEfgUq7wXhDvY/JFfNTApb8oLMNmRKjSCnCyNY I11jqCRTJnBocwveFeSSxs5rbnVjfO87JcIJ7zaH/iSKfhVWwFVxRQ29/pzFO52tyX8U850aQeU9 mp2lCKFbonm6PU4zwHeHWYhP0U+9OZ+d9cd21ptSWLLS5pbgKXFuKguHbFSBg46SB5715UhKGhw1 avFYRO31j8a7tOheCvEdXPJGVAgll3xFrnVF1T0/6sKPjhCysxC2jz7xow6KiIfh+gkiK9ILKdTt GLa53aZAOIAfr0piFnSuWVNx5WJpYrg/p7SypagtTv2RT/HNm2JnjrsQbjgEl5yMdVVBnpw6Z8Ss 8S+3LvHn+7lhgpLsMEUsrrVx4M1FJNAzbb47bfYP5IP/ZI/nhOhbpG77+JMVbhRK5DzI3C1pLC4m iNMEPlYcEIZs6YAUwkYH4wch36noLSeIwWIZ/dBHaEtw64AqU7VQ5UTvk6RuTI0EE2MG9Z0rOcG9 BN6jEooQ0bVa+KcfQIGJVJ7oeWhppGhCIc/aBX+G4qZAhYgbDiOfk6onSap8ovqxvgMRpvU1iohY L8cCEBL+ZqL94K4nZGXbuyl/obTfPvkHAAD//wMAUEsDBBQABgAIAAAAIQCSfYfgHQcAAEkgAAAa AAAAY2xpcGJvYXJkL3RoZW1lL3RoZW1lMS54bWzsWUtvGzcQvhfof1jsvbFkvWIjcmDJctzEL0RK ihwpidplzF0uSMqObkVy6qVAgbTooQF666EoGqABGvTSH2PAQZv+iA65L1Ki4gdcIChsAcbu7DfD 4czszOzwzt1nEfWOMReExW2/eqviezgesTGJg7b/aLD92W3fExLFY0RZjNv+DAv/7sann9xB6yNK kiFDfDwIcYQ9EBSLddT2QymT9ZUVMQIyErdYgmN4NmE8QhJuebAy5ugEFojoymql0lyJEIn9DZAo laAehX+xFIoworyvxGAvRhGsfjCZkBHW2PFRVSHETHQp944Rbfsgc8xOBviZ9D2KhIQHbb+i//yV jTsraD1jonIJr8G3rf8yvoxhfLSq1+TBsFi0Xm/Um5uFfA2gchHXa/WavWYhTwPQaAQ7TXWxZbZW u/UMa4DSS4fsrdZWrWrhDfm1BZ03G+pn4TUolV9fwG9vd8GKFl6DUnxjAd/orHW2bPkalOKbC/hW ZXOr3rLka1BISXy0gK40mrVuvtsCMmF0xwlfa9S3W6uZ8BIF0VBEl1piwmK5LNYi9JTxbQAoIEWS xJ6cJXiCRhCTXUTJkBNvlwQhBF6CYiaAXFmtbFdq8F/96vpKexStY2RwK71AE7FAUvp4YsRJItv+ fZDqG5Czt29Pn785ff776YsXp89/zdbWoiy+HRQHJt/7n77559WX3t+//fj+5bfp0vN4YeLf/fLV uz/+/JB42HFpirPvXr978/rs+6//+vmlQ/omR0MTPiARFt4+PvEesgg26NAfD/nlOAYhIibHZhwI FCO1ikN+T4YWen+GKHLgOti242MOqcYFvDd9aincD/lUEofEB2FkAfcYox3GnVZ4oNYyzDyYxoF7 cT41cQ8ROnat3UWx5eXeNIEcS1wiuyG21DykKJYowDGWnnrGjjB27O4JIZZd98iIM8Em0ntCvA4i TpMMyNCKppJph0Tgl5lLQfC3ZZu9x16HUdeut/CxjYR3A1GH8gNMLTPeQ1OJIpfIAYqoafBdJEOX kv0ZH5m4npDg6QBT5vXGWAgXzwGH/RpOfwBpxu32PTqLbCSX5MglcxcxZiK32FE3RFHiwvZJHJrY z8URhCjyDpl0wfeY/Yaoe/ADipe6+zHBlrvPzwaPIMOaKpUBop5MucOX9zCz4rc/oxOEXalmk0dW it3kxBkdnWlghfYuxhSdoDHG3qPPHRp0WGLZvFT6fghZZQe7Aus+smNV3cdYYE83N4t5cpcIK2T7 OGBL9NmbzSWeGYojxJdJ3gevmzbvQamLXAFwQEdHJnCfQL8H8eI0yoEAGUZwL5V6GCKrgKl74Y7X Gbf8d5F3DN7Lp5YaF3gvgQdfmgcSu8nzQdsMELUWKANmgKDLcKVbYLHcX7Ko4qrZpk6+if3Slm6A 7shqeiISn9sBzfU+jf+u94EO4+yHV46X7Xr6HbdgK1ldstNZlkx25vqbZbj5rqbL+Jh8/E3NFprG hxjqyGLGuulpbnoa/3/f0yx7n286mWX9xk0n40OHcdPJZMOV6+lkyuYF+ho18EgHPXrsEy2d+kwI pX05o3hX6MGPgO+Z8TYQFZ+ebuJiCpiEcKnKHCxg4QKONI/HmfyCyLAfogSmQ1VfCQlEJjoQXsIE DI002Slb4ek02mPjdNhZrarBZlpZBZIlvdIo6DCokim62SoHeIV4rW2gB625Aor3MkoYi9lK1BxK tHKiMpIe64LRHEronV2LFmsOLW4r8bmrFrQA1QqvwAe3B5/pbb9RBxZggnkcNOdj5afU1bl3tTOv 09PLjGlFADTYeQSUnl5Tui7dntpdGmoX8LSlhBFuthLaMrrBEyF8BmfRqagXUeOyvl4rXWqpp0yh 14PQKtVo3f6QFlf1NfDN5wYam5mCxt5J22/WGhAyI5S0/QkMjeEySiB2hPrmQjSA45aR5OkLf5XM knAht5AIU4PrpJNmg4hIzD1Koravtl+4gcY6h2jdqquQED5a5dYgrXxsyoHTbSfjyQSPpOl2g6Is nd5Chk9zhfOpZr86WHGyKbi7H45PvCGd8ocIQqzRqioDjomAs4Nqas0xgcOwIpGV8TdXmLK0a55G 6RhK6YgmIcoqipnMU7hO5YU6+q6wgXGX7RkMapgkK4TDQBVY06hWNS2qRqrD0qp7PpOynJE0y5pp ZRVVNd1ZzFohLwNztrxakTe0yk0MOc2s8Gnqnk+5a3mum+sTiioBBi/s56i6FygIhmrlYpZqSuPF NKxydka1a0e+wXNUu0iRMLJ+Mxc7Z7eiRjiXA+KVKj/wzUctkCZ5X6kt7TrY3kOJNwyqbR8Ol2E4 +Ayu4HjaB9qqoq0qGlzBmTOUi/SguO1nFzkFnqeUAlPLKbUcU88p9ZzSyCmNnNLMKU3f0yeqcIqv DlN9Lz8whRqWHbBmvYV9+r/xLwAAAP//AwBQSwMEFAAGAAgAAAAhAM+3/OEEAQAA8AEAACoAAABj bGlwYm9hcmQvZHJhd2luZ3MvX3JlbHMvZHJhd2luZzEueG1sLnJlbHOskctqwzAQRfeF/oOZvSU7 lFJKZG/SQhbdlPQDVHn8INbIaFQT/30nzqINBLrpRiAJ3Tnnaluf/JjNGHkIZKBUBWRILjQDdQY+ Dq/5E2ScLDV2DIQGFmSoq/u77TuONskj7oeJM0khNtCnND1rza5Hb1mFCUlu2hC9TbKNnZ6sO9oO 9aYoHnX8nQHVVWa2bwzEfbOB7LBMMvnv7NC2g8NdcF8eKd0YoZNwoQTa2GEyoNTl5LKWSlhB38Yo /xOjF6E4DnT8QTnbsVTnIkqtM7rgvZS7djaKFTGy/lxycvpBFbqO2BrXh8AY8/kMtyq9hUaaejkl jGRXF331T9U3AAAA//8DAFBLAQItABQABgAIAAAAIQC75UiUBQEAAB4CAAATAAAAAAAAAAAAAAAA AAAAAABbQ29udGVudF9UeXBlc10ueG1sUEsBAi0AFAAGAAgAAAAhAK0wP/HBAAAAMgEAAAsAAAAA AAAAAAAAAAAANgEAAF9yZWxzLy5yZWxzUEsBAi0AFAAGAAgAAAAhAKkojUUaBQAA8BIAAB8AAAAA AAAAAAAAAAAAIAIAAGNsaXBib2FyZC9kcmF3aW5ncy9kcmF3aW5nMS54bWxQSwECLQAUAAYACAAA ACEAkn2H4B0HAABJIAAAGgAAAAAAAAAAAAAAAAB3BwAAY2xpcGJvYXJkL3RoZW1lL3RoZW1lMS54 bWxQSwECLQAUAAYACAAAACEAz7f84QQBAADwAQAAKgAAAAAAAAAAAAAAAADMDgAAY2xpcGJvYXJk L2RyYXdpbmdzL19yZWxzL2RyYXdpbmcxLnhtbC5yZWxzUEsFBgAAAAAFAAUAZwEAABgQAAAAAA== " stroked="f" style="position:absolute; left:0; text-align:left; margin-left:95px; margin-top:81px; width:359.5pt; height:30.65pt; z-index:251661312; v-text-anchor:top" type="#_x0000_t202"></v:shape> Results: Based on the evaluation criteria, the individual models had good performance and were considered to create an ensemble model. Among models, the ensemble model with TSS and AUC equal to 0.904 and 0.988, respectively, and then the RF model had the highest efficiency. Based on the contribution percentage values, precipitation of the driest month (Bio14), the slope, and precipitation seasonality (Bio15) had the largest contribution to the distribution of Q. castaneifolia and determining its habitat suitability, respectively. According to the ensemble model, the suitable habitat areas of the species in the current climatic conditions cover 60% of the Hyrcanian area. The produced maps show the high suitability of Q. castaneifolia in the western and central parts of the Hyrcanian region. According to the species response curves to the most important environmental variables, the precipitation of the driest month is at least 10 mm, the precipitation seasonality is less than 50 mm, and the average slope is 2-22% in suitable habitats. In both periods and under both climate change scenarios, there will be changes in the spatial distribution of Q. castaneifolia, and the most severe one would be a 5.29% loss in the species’ suitable climate range in 2100 under the pessimistic scenario (RCP8.5). By comparing the ensemble map of current habitat suitability and habitat suitability under the effect of climate change, it was predicted that the greatest change in habitat suitability will occur in the eastern and southern parts of the Hyrcanian region. Probably, the habitat of species will shift from lower latitudes or altitudes to higher latitudes with the increase in temperature. Conclusion: Despite the difference in the nature of different modeling algorithms, the resulting predictions were almost similar for Q. castaneifolia. Meanwhile, the RF and GLM had the highest and the lowest accuracies, respectively, among the individual models. Only the RF model could have a performance equivalent to the average output of several modeling methods. The suitable habitat of Q. castaneifolia will decrease under the pessimistic scenario in both the future time frame and under the optimistic scenario until 2070. Examining the potential effects of climate change on the spatial distribution of this valuable plant species, as an important species of Hyrcanian forests, seems to be an essential tool for its planning, conservation, and management. Habitat suitability maps can be proposed as a basis for reforestation plans in threatened areas. Therefore, it seems necessary to prepare comprehensive conservation plans aiming to reduce the effects of climate change on this valuable species.</div> آشیان بوم‌شناختی, جابجایی رویشگاه, رویکرد اجماعی, گرمایش جهانی, مطلوبیت رویشگاه Ensemble approach, Ecological niche, Global warming, Habitat suitability, Habitat shift 12 27 http://ifej.sanru.ac.ir/browse.php?a_code=A-10-55-1&slc_lang=fa&sid=1 Sara Hedayati Kaliji سارا هدایتی کلیجی sara_hedayati88@yahoo.com 100319475328460010604 100319475328460010604 No Department of Forest Sciences and Engineering, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran علوم زیستی جنگل، گروه علوم و مهندسی جنگل، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران Seyed Mohsen Hosseini سید محسن حسینی hosseini@modares.ac.ir 100319475328460010605 100319475328460010605 Yes Department of Forest Sciences and Engineering, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran گروه علوم و مهندسی جنگل، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران Seyed Jalil Alavi سید جلیل علوی sjalavi3@gmail.com 100319475328460010606 100319475328460010606 No Department of Forest Sciences and Engineering, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran گروه علوم و مهندسی جنگل، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران Mohadeseh Amiri محدثه امیری mohaddeseh.amiri@yahoo.com 100319475328460010607 100319475328460010607 No Department of Range and Watershed Management, Faculty of Agricultural and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran گروه مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران