میز خدمت الکترونیک
دوره ویراستاری

  اخبار و اعلانات

 آمار

تعداد نشریات127
تعداد شماره‌ها7,119
تعداد مقالات76,512
تعداد مشاهده مقاله152,912,713
تعداد دریافت فایل اصل مقاله115,034,516
صادقی, حدیث, متین فر, حمیدرضا. (1404). تأثیر عوامل محیطی بر الگوی پراکنش Astragalus adscendens در استان لرستان با استفاده از مدل MaxEnt. , 57(4), 85-106. doi: 10.22059/jphgr.2026.406273.1007908
حدیث صادقی; حمیدرضا متین فر. "تأثیر عوامل محیطی بر الگوی پراکنش Astragalus adscendens در استان لرستان با استفاده از مدل MaxEnt". , 57, 4, 1404, 85-106. doi: 10.22059/jphgr.2026.406273.1007908
صادقی, حدیث, متین فر, حمیدرضا. (1404). 'تأثیر عوامل محیطی بر الگوی پراکنش Astragalus adscendens در استان لرستان با استفاده از مدل MaxEnt', , 57(4), pp. 85-106. doi: 10.22059/jphgr.2026.406273.1007908
صادقی, حدیث, متین فر, حمیدرضا. تأثیر عوامل محیطی بر الگوی پراکنش Astragalus adscendens در استان لرستان با استفاده از مدل MaxEnt. , 1404; 57(4): 85-106. doi: 10.22059/jphgr.2026.406273.1007908

تأثیر عوامل محیطی بر الگوی پراکنش Astragalus adscendens در استان لرستان با استفاده از مدل MaxEnt

پژوهش های جغرافیای طبیعی
دوره 57، شماره 4، دی 1404، صفحه 85-106    اصل مقاله (1.5 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2026.406273.1007908
نویسندگان
حدیث صادقی؛ حمیدرضا متین فر*
گروه علوم و مهندسی خاک، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، ایران
چکیده
شناخت الگوی پراکنش گیاهان دارویی برای درک نقش متغیرهای اقلیمی و محیطی ضروری است. در این پژوهش، پراکنش گونه گون گزی (Astragalus adscendens) به‌عنوان یکی از گونه‌های بومی استان لرستان با استفاده از مدل حداکثر آنتروپی (MaxEnt) بررسی شد. داده‌های حضور گونه از طریق نمونه‌برداری میدانی در مناطق الیگودرز، ازنا، الشتر و نورآباد طی بهار و تابستان ۱۴۰۴ جمع‌آوری گردید. نتایج نشان داد بارش فصل سرد (Bio19) با اهمیت جایگشتی%4/49 و سهم نسبی %6/26، مهم‌ترین عامل پراکنش است و بیشترین احتمال حضور در محدوده بارش ۱۰۰ تا ۱۴۰ میلی‌متر مشاهده شد. شیب زمین با اهمیت جایگشتی %8/31 دومین عامل مؤثر بود؛ شیب‌های متوسط (۳۰–۴۰ درصد) و دامنه‌های شمالی بیشترین شرایط مطلوب را داشتند. دمای بهینه حضور گونه حدود ۱۳–۱۴ درجه سلسیوس و دامنه ارتفاعی مناسب ۲۴۰۰–۲۷۰۰ متر تعیین شد. خاک‌های لومی نیز شرایط مطلوبی برای استقرار گونه فراهم کردند. به‌طورکلی، متغیرهایی چون ارتفاع، کاربری اراضی و بافت خاک نقش مکمل داشته و پراکنش گونه عمدتاً تحت تأثیر دما، بارش زمستانی و ارتفاعات شیب‌دار و برف‌گیر است. تنها ۲۷/۲ کیلومترمربع از اراضی استان، عمدتاً در شرق و جنوب شرق، دارای تناسب متوسط تا بسیار زیاد بوده و زیستگاه‌های بسیار مطلوب در ارتفاعات قالی‌کوه، تمندر و اشترانکوه قرار دارند
کلیدواژه‌ها
اقلیم؛ ایران؛ گیاهان دارویی؛ گون؛ Maxent
مراجع
  1. آذری‌نیا، روح‌اله و آریاپور، علی. (1403). مدل‌سازی پراکنش جغرافیایی رویشگاه گونه گون گزی (Astragalus adscendens) با روش آنالیز تحلیل سلسله مراتبی در منطقه ایوشان، خرم‌آباد. مدیریت اکوسیستم‌های طبیعی، 4 (1)، 20-35. https://doi: 10.22034/emj.2025.725076.
  2. عظیمی، مژگان‌السادات؛ مصداقی، منصور و فرح‌پور، مهدی. (1384). بررسی رابطه جمعیت حشره مولد گز انگبین با معیارهای گون گزی (Astragalus adscendens) در منطقه فریدون‌شهر اصفهان. نشریه تولید و فرآوری محصولات زراعی و باغی، 9 (3)، 243-253. https://doi: 20.1001.1.24763594.1384.9.3.20.2
  3. عظیمی، مژگان‌السادات؛ مصداقی، منصور؛ ریاضی، هوشنگ؛ فرح‌پور، مهدی و ایروانی، مجید. (1384). بررسی بوم‌شناختی گونه گون گزی (Astragalus adscendens) در منطقه فریدون‌شهر اصفهان. تحقیقات مرتع و بیابان ایران، 12(4)، 499–524.
  4. پاکزاد، زهرا؛ رائینی‌سرجاز، محمود و خداقلی، مرتضی. (1392). بررسی اثر عوامل اقلیمی بر گسترش رویشگاه‌های گون گزی (Astragalus adscendens)  در استان اصفهان. تحقیقات مرتع و بیابان ایران، 20(1)، 199-212. https://doi.org/10.22092/ijrdr.2013.3009
  5. حسابی، عارف؛ علوی، سید جلیل و اسماعیل‌زاده، امید. (1404). ارزیابی صحت داده‌های اقلیمی پایگاه‌های اطلاعاتی WorldClim  و Chelsa در سه استان شمالی کشور. پژوهش و توسعه جنگل، 11(1)، 109-132. https://doi.org/10.30466/jfrd.2025.55648.1743
  6. مهرنیا، محمد و معصومی، علی‌اصغر. (1396). مطالعه پراکنش گونه‌های گون (Astragalus L.) در استان لرستان. تاکسونومی و بیوسیستماتیک، 9 (32)، 65-78. https://doi.org/ 10.22108/tbj.2018.102162.1008
  7. شعبانی، نسیم؛ ترکش‌اصفهانی، مصطفی؛ رجبی‌مظهر، علیرضا؛ صلاحی‌مقدم، نفیسه؛ اکبرزاده، پیمان؛ شادمان، حسن و خوشبخت، مهدی. (1404). بررسی تغییرات پراکنش گونه گون گزی Astragalus adscendens Boiss & Hausskn در استان اصفهان تحت اثر تغییر اقلیم. تحقیقات مرتع و بیابان ایران،32 (2)، 185-200. https://doi.org/ 10.22092/ijrdr.2025.133606
  8. شعبانی، نسیم و خوشبخت، مهدی. (شهریور 1401). اثر تغییر اقلیم بر پراکنش گونه گون گزی با استفاده از مدل‌های تحلیل آشیان اکولوژیک و رگرسیون غیرپارامتریک مضربی. پنجمین همایش ملی تغییر اقلیم و تأثیر آن بر کشاورزی و محیط‌زیست، ارومیه، ایران.
  9. یاراحمدی، داریوش و بیرانوند، حجت‌اله. (1393). جغرافیای طبیعی لرستان. لرستان، انتشارات دانشگاه لرستان.
  10. Asaadi, A. & Yazdi, A. (2018). Ecological properties of medicinal plant of Hymenocrater calycinus (Boiss.) Benth. in north-eastern Khorasan, Iran. Journal of Medicinal Plants and By-products, 2, 189–198. https://doi: 10.22092/jmpb.2018.118147
  11. Azari Nia,R. & Ariapour,A. (2025). Modeling the geographical distribution of (Astragalus adscendens) habitat by Analytical Hierarchy Process in Ivshan rangelands of Lorestan province. Management of Natural Ecosystems, 4(1), 20-35. https://doi: 10.22034/emj.2025.725076 [In Persian].
  12. Azimi, M., Mesdaghi, M., & Farahpour, M. (2005). Study of the relationships of Cyamophila dicora loginova population and vegetation parameters of Astragalus adscendens in Feridounshahr, Isfahan. Journal of Science and Technology of Agriculture and Natural Resources, 9(3), 243–252. https://doi: 20.1001.1.24763594.1384.9.3.20.2 [In Persian].
  13. Azimi, M. S., Mesdaghi, M., Farahpour, M., Riazi, H., & Iravani, M. (2005). Ecological investigation of Astragalus adscendens in the Fereydunshahr region, Isfahan, Iran. Iranian Journal of Range and Desert Research, 12(4), 407–416. [In Persian].
  14. Bayik, C., Becek, K., Mekik, Ç., & Ozendi, M. (2018). On the vertical accuracy of the ALOS World 3D-30 m digital elevation model. Remote Sensing Letters, 9(6), 607–615. https://doi.org/10.1080/2150704X.2018.1453174.
  15. Boral, D., & Moktan, S. (2021). Predictive distribution modeling of Swertia bimaculata in Darjeeling-Sikkim Eastern Himalaya using MaxEnt: Current and future scenarios. Ecological Processes, 10 (26), 1–16. https://doi.org/10.1186/s13717-021-00294-5
  16. Dai, X., Wu, W., Ji, L., Tian, S., Yang, B., Guan, B., & Wu, D. (2022). MaxEnt model-based prediction of potential distributions of Parnassia wightiana (Celastraceae) in China. Biodiversity Data Journal, 10, e81073. https://doi.org/10.3897/BDJ.10.e81073.
  17. Duan, D., Li, X., Zhou, X., Xu, H., Chen, J., Zhang, B., & Zhang, X. (2025). Linking species distribution and chemistry to support the management of Saposhnikovia divaricata under global change. Scientific Reports, 15, 25026. https://doi.org/10.1038/s41598-025-09450-9.
  18. Eftekharifar, R., Kharazian, N., & Parishani, M. (2017). Investigation of flora, life form and geographical distribution of plant species in north-west of Ludab region, Kohgiluyeh and Boyer-Ahmad province, Iran. Progress in Biological Sciences, 7(2), 135–145. https://doi.org/ 10.22059/pbs.2020.275615.1329.
  19. Elith, J., Graham, H. R., Anderson, R. P., Dudik, M., Ferrier, S., Guisan, A., Hijmans, R. J. (2011). Novel methods improve prediction of species' distributions from occurrence data. Ecography, 31 (3), 228–237. https://doi.org/10.1111/j.1600-0587.2008.05742.x
  20. Haidarian, M., Tamartash, R., Jafarian, Z., Tarkesh, M., & Tatian, M. R. (2021). The effects of climate changes on the future distribution of Astragalus adscendens in Central Zagros, Iran. Journal of Rangeland Science, 11(2), 152–169.
  21. Hesabi, A., Alavi, S. J., & Esmailzadeh, O. (2025). Evaluation of the accuracy of climatic data from the WorldClim and Chelsa databases in three northern provinces of Iran. Forest Research and Development, 11(1), 109-132. https://doi.org/10.30466/jfrd.2025.55648.1743. [In Persian].
  22. Hengl, T., Consoli, D., Tian, X., Nauman, T. W., Nussbaum, M., Isik, M. S., Parente, L., Ho, Y. F., Simoes, R., Gupta, S., Samuel-Rosa, A., Zborowski Horst, T., Safanelli, J. L., & Harris, N. (2025). OpenLandMap-soildb: Global soil information at 30 m spatial resolution for 2000–2022+ based on spatiotemporal machine learning and harmonized legacy soil samples and observations. ESSD Preprint. https://doi.org/10.5194/essd-2025-336.
  23. Hosseini, N., Ghorbanpour, M., & Mostafavi, H. (2024). The influence of climate change on the future distribution of two Thymus species in Iran: MaxEnt model-based prediction. BMC Plant Biology, 24, 269. https://doi.org/10.1186/s12870-024-04965-1.
  24. Huang, X., Ma, L., Chen, Y., Zhou, H., Yao, B., & Ma, Z. (2020). Predicting the suitable geographical distribution of Sinadoxa corydalifolia under different climate change scenarios in the Three-River Region using the MaxEnt model. Plants, 9, 1015. https://doi.org/10.3390/plants9081015.
  25. Jiang, R., Zou, M., Qin, Y., Tan, G., Huang, S., Quan, H., Zhou, J., & Liao, H. (2022). Modeling of the potential geographical distribution of three Fritillaria species under climate change. Frontiers in Plant Science, 12, 749838. https://doi.org/10.3389/fpls.2021.749838.
  26. Kaky, E., Nolan, V., Alatawi, A., & Gilbert, F. (2020). A comparison between ensemble and MaxEnt species distribution modelling approaches for conservation: A case study with Egyptian medicinal plants. Ecological Informatics, 60, 101150. https://doi.org/10.1016/j.ecoinf.2020.101150
  27. Lesiv, M., Fritz, S., Dürauer, M., Georgieva, I., Buchhorn, M., Bertels, L., Tsendbazar, N., Van De Kerchove, R., Zanaga, D., Schepaschenko, D., See, L., Herold, M., Smets, B., Cherlet, M., Brink, A., & McCallum, I. (2025). A global reference data set for land cover mapping at 10 m resolution. Earth System Science Data, 17, 6149–6171. https://doi.org/10.5194/essd-17-6149-2025.
  28. Marchi, M., Sinjur, I., Bozzano, M., & Westergren, M. (2019). Evaluating WorldClim Version 1 (1961–1990) as the baseline for sustainable use of forest and environmental resources in a changing climate. Sustainability, 11(11), 3043. https://doi.org/10.3390/su11113043
  29. Matsane, W., Dhau, I., Mothapo, M. C., & Thamaga, K. H. (2025). Modelling the potential distribution of African wormwood (Artemisia afra) using a machine learning algorithm-based approach (MaxEnt) in Sekhukhune District, South Africa. Ecology and Evolution, 15, e71866. https://doi.org/10.1002/ece3.71866
  30. Mehrnia, M., & Maassoumi, A. (2017). Distribution of Astragalus spp. in Lorestan Province. Taxonomy and Biosystematics, 9(32), 65–78. https://doi.org/10.22108/tbj.2018.102162.1008. [In Persian].
  31. Merckx, B., Steyaert, M., Vanreusel, A., Vincx, M., & Vanaverbeke, J. (2011). Null models reveal preferential sampling, spatial autocorrelation and overfitting in habitat suitability modelling. Ecological Modelling, 222, 588–597. https://doi.org/10.1016/j.ecolmodel.2010.10.019
  32. Moameri, M., Azizi Kalesar, M., Ghorbani, A., Khalasi Ahvazi, L., & Abbasi Khalaki, M. (2022). Determination of effective factors on distribution of medicinal species of Vaccinium arctostaphylos L. using MaxEnt model (Case study: Namin rangelands, Ardabil, Iran). Journal of Rangeland Science, 12(4), 375–389. https://doi.org/0.30495/RS.2022.685601.
  33. Mousazade, M., Ghanbarian, G., Pourghasemi, H. R., Safaeian, R., & Cerdà, A. (2019). MaxEnt data mining technique and its comparison with a bivariate statistical model for predicting the potential distribution of Astragalus fasciculifolius Boiss. in Fars, Iran. Sustainability, 11, 3452. https://doi.org/10.3390/su11123452.
  34. Pakzad, Z., Raeini Sarjaz, M., & Khodagholi, M. (2013). Evaluation of the effects of climate factors on the distribution of the habitats of Astragalus adscendens in Isfahan province. Iranian Journal of Range and Desert Research, 20(1), 199–212. https://doi.org/10.22092/ijrdr.2013.3009. [In Persian].
  35. Piri, I., Moosavi, M., Zargham Taheri, A., Alipur, H., Shojaei, S., & Mousavi, S. A. (2019). The spatial assessment of suitable areas for medicinal species of Astragalus (Astragalus hypsogeton Bunge) using the Analytic Hierarchy Process (AHP) and Geographic Information System (GIS). The Egyptian Journal of Remote Sensing and Space Sciences, 22, 193–201. https://doi.org/10.1016/j.ejrs.2018.02.003
  36. Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190 (3–4), 231–259. https://doi.org/10.1016/j.ecolmodel.2005.03.026
  37. Russaati, B. I., & Kang, J. W. (2024). MaxEnt modeling for predicting the potential distribution of Lebrunia bushaie Staner (Clusiaceae) under different climate change scenarios in Democratic Republic of Congo. Journal of Asia-Pacific Biodiversity, 17, 1–6. https://doi.org/10.1016/j.japb.2023.06.005
  38. Shaabani, N., Tarkesh Esfahani, M., Rajabi Mazhar, A., Salahi Moghadam, N., Akbarzadeh, P., Shadman, H., & Khoshbakht, M. (2025). Study of the distributional changes of Astragalus adscendens species in Isfahan province under the impact of climate change. Iranian Journal of Range and Desert Research, 32(2), 185–200. https://doi.org/ 10.22092/ijrdr.2025.133606 [In Persian].
  39. Shabani, N., & Khoshbakht, M. (2022, September). Effects of climate change on the distribution of Astragalus gossypinus using ecological niche analysis and multiplicative nonparametric regression models. Paper presented at the 5th National Conference on Climate Change and Its Effects on Agriculture and the Environment, Urmia, Iran. [In Persian].
  40. Shen, T., Yu, H., & Wang, Y. (2021). Assessing the impacts of climate change and habitat suitability on the distribution and quality of medicinal plant using multiple information integration: Take Gentiana rigescens as an example. Ecological Indicators, 123, 107376. https://doi.org/10.1016/j.ecolind.2021.107376
  41. Tavili, A., Mirdashtvan, M., Alijani, R., Yousefi, M., & Zare, S. (2014). Effect of different treatments on improving seed germination characteristics of Astragalus adscendens and Astragalus podolobus. Journal of Rangeland Science, 4(2), 110–116.
  42. Tshabalala, T., Mutanga, O., & Abdel-Rahman, E. M. (2022). Predicting the geographical distribution shift of medicinal plants in South Africa due to climate change. Conservation, 2, 694–708. https://doi.org/10.3390/conservation2040045
  43. Wang, Y., Liu, Z., Wu, K., Peng, J., Mao, Y., Zhao, G., & Zhang, F. (2025). Predicting suitable habitats and conservation areas for Suaeda salsa using MaxEnt and Marxan models. iScience, 28(7), 112933. https://doi.org/10.1016/j.isci.2025.112933
  44. Yang, M., Sun, L., Yu, Y., Zhang, H., Malik, I., Wistuba, M., & Yu, R. (2023). Predicting the potential geographical distribution of Rhodiola L. in China under climate change scenarios. Plants, 12, 3735. https://doi.org/10.3390/plants12213735
  45. Yarahmadi, D., & Beiranvand, H. (2014). Natural Geography of Lorestan. Lorestan: Lorestan University Press. [In Persian].
  46. Zhang, K., Liu, Z., Abdukeyum, N., & Ling, Y. (2022). Potential geographical distribution of medicinal plant Ephedra sinica Stapf under climate change. Forests, 13, 2149. https://doi.org/10.3390/f13122149
  47. Zhao, R., Chu, X., He, Q., Tang, Y., Song, M., & Zhu, Z. (2020). Modeling current and future potential geographical distribution of Carpinus tientaiensis, a critically endangered species from China. Forests, 11, 774. https://doi.org/10.3390/f11070774
آمار
تعداد مشاهده مقاله: 79
تعداد دریافت فایل اصل مقاله: 6





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب