Ecology of Iranian Forests

fa مدل‌سازی مکانی احتمال جنگل‌زدایی با استفاده از مدل‌های خطی و جمعی تعمیم‌یافته Spatial Modeling of Deforestation Probability Using Generalized Linear and Additive Models تخصصي Special پژوهشي Research چکیده مبسوط مقدمه و هدف: جنگل‌زدایی تهدیدی جدی برای محیط&lrm;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&lrm;اند. این مطالعه با هدف شناسایی عوامل اصلی مؤثر بر جنگل‌زدایی و تولید نقشه‌های پهنه‌بندی خطر به‌منظور پشتیبانی از برنامه‌ریزی‌های حفاظتی انجام شده&lrm; است. مواد و روش‌ها: در همین راستا، این مطالعه در جنگل‌های منطقه پیمت شهرستان نور در استان مازندران، به‌عنوان یکی از عرصه‌های متاثر از روند فزاینده جنگل‌زدایی، انجام شده &lrm;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" مشخص شدند. در این پژوهش، جنگل‌زدایی به&lrm;عنوان تبدیل دائمی یا بلندمدت مناطق جنگلی به زمین‌های غیرجنگلی بر اثر فعالیت‌های انسانی یا اختلالات طبیعی تعریف شده&lrm; است، به&lrm;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 روش مدل خطی تعمیم‌یافته (GLM) و مدل جمعی تعمیم‌یافته (GAM) جهت مدل‌سازی استفاده شدند. مدل لجستیک و مدل GAM به‌ترتیب به‌عنوان نسخه‌های پیشرفته‌تر رگرسیون کلاسیک و GLM، به دلیل توانایی در تحلیل روابط غیرخطی، در مطالعات زیست‌محیطی کاربرد گسترده‌ای دارند. در این پژوهش، مدل‌سازی با انتخاب متغیرها بر اساس دانش اکولوژیکی آغاز شد و با حذف عوامل غیرمعنی‌دار و تنظیم مناسب توابع هموارساز، مدلی دقیق و کم‌خطا به دست آمد. 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 شدند. قابل ذکر است که مدل‌سازی داده‌ها در محیط نرم‌افزار R نسخه 4/3/1 و تهیه نقشه‌های پهنه‌بندی در نرم‌افزارArcGIS  نسخه 10/8 انجام شد. 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 207/94 به 81/68 و مقدار آکائیک برابر با 93/68 نشان‌دهنده برازش مطلوب مدل و توانایی بالای آن در پیش‌بینی الگوهای جنگل‌زدایی در مدل خطی بودند. براساس 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 (25/6 درصد)، اراضی کشاورزی (22/1 درصد) و جاده‌ها (18/3 درصد)، احتمال جنگل‌زدایی کاهش یافته است. ارزیابی مدل‌ها حاکی از دقت بالاتر مدل GAM با معیار آکائیک برابر 21/07 و سطح زیر منحنی عملکرد برابر 0/974 نسبت به مدل GLM بود. خروجی نقشه‌های نهایی در هر دو مدل نیز نشان داد که بیشتر سطح منطقه در طبقه با احتمال جنگل‌زدایی خیلی بالا قرار گرفته است که شرایط بحرانی این منطقه را در سال‌های پیش ‌رو نشان‌ می&lrm;دهد. نتیجه‌گیری: نتایج این مطالعه که براساس مدل‌سازی پهنه‌بندی جنگل‌زدایی با استفاده از مدل‌های خطی و جمعی تعمیم‌یافته به&lrm; دست آمده&lrm; اند، تأثیرات چشم&lrm;گیری بر کاهش جنگل‌زدایی و مدیریت پایدار منابع جنگلی دارند. این یافته‌ها را می&lrm; توان به‌عنوان ابزاری کاربردی برای تصمیم‌گیری‌های مدیریتی و برنامه‌ریزی منطقه‌ای به&lrm; کار برد. 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 &lrm;دلیل توانایی آن‌ها در نمایش روابط غیرخطی و پیچیده، امکان ارائه تخمین‌های دقیق‌تر از عوامل مؤثر بر جنگل‌زدایی را فراهم می‌کند. نقشه‌های حاصل از ارزیابی خطر جنگل‌زدایی می‌توانند در تدوین راهبردهای پیشگیرانه مدیریت جنگل‌ها، از جمله وضع مقررات حفاظتی در مناطق بحرانی، آموزش و مشارکت جوامع محلی، و ترویج بهره‌برداری پایدار از منابع طبیعی نقش مؤثری ایفا کنند. علاوه &lrm;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&lrm; عنوان الگویی برای سایر مناطق مشابه مورد استفاده قرار گیرد. برای کاهش موثر جنگل‌زدایی، توصیه می‌شود که استقرار سیاست‌های حفاظتی مبتنی&lrm;بر اولویت‌بندی مناطق پرخطر، تقویت مشارکت فعال جوامع محلی در مدیریت منابع طبیعی، و بهره‌گیری از سامانه‌های پایش و ارزیابی مستمر مبتنی&lrm;بر فناوری‌های نوین سنجش از دور و مدل‌سازی پیشرفته، به‌عنوان راهبردهای کلیدی پیشگیرانه و احیایی به‌طور هم‌افزا به‌کار گرفته شوند.   Extended Abstract Background: Deforestation poses a serious threat to ecosystems by reducing biodiversity, disrupting hydrological cycles, and exacerbating climate change. In addition to undermining natural resources, it adversely impacts local economies and ecotourism. The Hyrcanian forests, among the most valuable temperate biomes, harbor numerous endemic species. However, anthropogenic pressures, such as urban expansion, unsustainable agriculture, and unregulated exploitation, have led to severe degradation of these forests. The Peymot Forest region in Noor County, Mazandaran Province, is no exception and is currently facing a significant decline in forest cover. Methods: In total, 107 deforested plots were recorded to identify key drivers and spatial patterns of deforestation in the study area. Deforested sites were coded as “1” and non-deforested sites as “0.” In this research, deforestation is defined as the permanent or long-term conversion of forested areas into non-forested land due to anthropogenic activities or natural disturbances, where forest recovery within a reasonable timeframe is improbable. Fourteen environmental and anthropogenic predictor variables—including slope aspect, slope gradient, elevation, landform shape, profile curvature, slope length, wind exposure, minimum temperature, mean temperature, maximum temperature, precipitation, distance to roads, distance to settlements, and proximity to agricultural land—were extracted from multiple sources and integrated into two statistical modeling frameworks: Generalized Linear Model (GLM) and Generalized Additive Model (GAM). GLM, an extension of classical linear regression adapted for binary outcomes, and GAM, an advanced nonparametric extension of GLM that effectively captures nonlinear relationships, were employed for spatial modeling. The GLM framework began with variable selection based on ecological knowledge and multicollinearity analysis, followed by stepwise model refinement using likelihood ratio tests to eliminate non-significant predictors. Appropriate smoothing functions were selected in the GAM approach, and optimal degrees of freedom were determined for each smoother. Model performance was enhanced through the estimation of smoothing parameters and significance testing for each smooth term. Model validation was conducted using the Akaike Information Criterion (AIC) and the Area Under the Curve (AUC) of the Receiver Operating Characteristic. Deforestation risk maps were generated for both models independently, and final susceptibility maps were classified into four risk categories (low, moderate, high, and very high) using natural breaks. Results: Results from the GLM indicated that elevation, wind exposure, distance to roads, distance to settlements, and mean temperature were statistically significant predictors of deforestation. The final model achieved a notable reduction in deviance (from 207.94 to 81.68) and an AIC value of 93.68, reflecting strong model fit and predictive capacity. According to the GAM results, the most influential factors included elevation, wind exposure, distance to roads, distance to settlements, and proximity to agricultural land,with human-related variables showing the highest contribution to deforestation probability. Specifically, increased distances from settlements (25.6%), agricultural land (22.1%), and roads (18.3%) were associated with decreased deforestation likelihood. The GAM outperformed the GLM, achieving an AIC of 21.07 and an AUC of 0.947. Final susceptibility maps from both models revealed that a substantial portion of the study area would fall within the "very high" risk category, indicating critical vulnerability in the near future. Conclusion: The findings underscore the applicability of deforestation risk modeling using GLM and GAM in supporting sustainable forest management. The outputs can serve as a decision-support tool for regional planning and targeted resource allocation. Moreover, advanced modeling frameworks, such as GAM, allow for more accurate estimation of nonlinear and complex interactions among predictors. The resulting deforestation zoning maps offer a scientific foundation for implementing proactive strategies, including legal restrictions in high-risk areas, community-based awareness programs, and the promotion of sustainable land-use practices. Integration of local data with robust global models enhances predictive performance and improves the effectiveness of policy interventions. Ultimately, this study not only contributes practical and theoretical insights into deforestation dynamics but also provides a transferable methodology for application in other ecologically sensitive regions.   برازش مدل, پهنه‌بندی, متغیر پاسخ, مدل لجستیک, معیار آکائیک Akaike Information Criterion, Deforestation Zoning, Logistic Model, Model Fitting, Response Variable 74 90 http://ifej.sanru.ac.ir/browse.php?a_code=A-10-654-1&slc_lang=fa&sid=1 Saeid Shabani سعید شعبانی s.shabani@areeo.ac.ir 100319475328460010595 100319475328460010595 Yes Research Department of Natural Resources, Golestan Agriculture and Natural Resources Research and Education Center, AREEO, Gorgan, Iran بخش تحقیقات منابع طبیعی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران Ali asghar Vahedi علی اصغر واحدی as.vahedi@areeo.ac.ir 100319475328460010596 100319475328460010596 No Research Department of Natural Resources, Mazandaran Agriculture and Natural Resources Research and Education Center, AREEO, Sari, Iran بخش تحقیقات منابع طبیعی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان مازندران، سازمان تحقیقات، آموزش و ترویج کشاورزی، ساری، ایران Behrooz Mohseni بهروز محسنی b.mohseni@areeo.ac.ir 100319475328460010597 100319475328460010597 No Research Department of Natural Resources, Golestan Agriculture and Natural Resources Research and Education Center, AREEO, Gorgan, Iran بخش تحقیقات منابع طبیعی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران