اثر تبدیل داده‌ها بر تحلیل تطبیقی قوس‌گیری‌شده(DCA) در مطالعات پوشش گیاهی (مطالعه موردی: جنگل‌های بلوط کرمانشاه)

Abstract

نمونه‌برداری از پوشش گیاهی یک مرحله اساسی در پژوهشهای بوم‌شناختی است که بیشتر با برآورد پوشش گونه‌ها انجام می‌شود. این فرآیند بیشتر شامل تبدیل داده‌ها برای درنظر گرفتن حضور گونه‌های عمومی و نادر و همچنین صفرها در مجموعه داده‌ها است که می‌تواند تأثیر زیادی بر نتایج تحلیل‌ها داشته باشد. تحلیل‌های بعدی این مجموعه داده‌ها با هدف یافتن الگوها و پویایی جامعه در اکوسیستم‌های مختلف انجام می‌شود. با این حال، روش بهینه تبدیل داده‌ها برای تحلیل های چندمتغیره همچنان موضوعی مورد بحث در میان بوم شناسان است، زیرا روش‌های مختلف تبدیل می‌توانند تفسیرهای متفاوتی از داده‌های بوم شناختی به همراه داشته باشند. در این مطالعه، به ارزیابی تأثیرات تبدیل‌های مختلف داده‌ها بر نتایج تحلیل تطبیقی قوس‌گیری‌شده(DCA) ، به‌ویژه در جنگل‌های بلوط (Quercus branti L.) واقع در منطقه زاگرس ایران، پرداختیم. این منطقه به خاطر تنوع زیستی منحصر به فرد و اهمیت اکولوژیکی‌ آن، مکان ایده‌آلی برای چنین بررسی‌هایی است. برای دستیابی به اهداف پژوهش، سه منطقه جنگلی مجزا با شیب‌ و ارتفاع از سطح دریا مشابه انتخاب کردیم تا متغیرهای محیطی مشابه باشند. نمونه‌برداری از پوشش گیاهی در پنج فاصله مشخص ۰، ۲۵، ۵۰، ۱۰۰ و ۱۵۰ متر، در طول سه خط نمونه که ۲۰۰ متر از یکدیگر فاصله داشتند، انجام شد. این رویکرد سیستماتیک به ما این امکان را داد تا نمای کاملی از توزیع گونه‌ها در سراسر مناطق جنگلی به دست آوریم. از درصد پوشش براون-بلانکه و مقیاس ون در مارل برای آماده‌سازی مجموعه داده‌ها استفاده کردیم و اطمینان حاصل کردیم که اندازه‌گیری‌ها قابل اعتماد هستند. هر مجموعه داده تحت تبدیل‌های مختلفی قرار گرفت، از جمله تبدیل لگاریتمی، ریشه مربع و تبدیل‌های نسبی عمومی. پس از آن، روشDCA برای هر مجموعه داده تبدیل شده، اجرا شد و نتایج به‌دست‌آمده با روش پروکراستز، روشی که شباهت بین دو مجموعه داده را کمی‌سازی می‌کند، مورد مقایسه قرار گرفت. یافته‌ها نشان داد که هر دو مجموعه داده تبدیل‌شده به لگاریتم و ریشه مربع به‌طور قابل توجهی نتایج DCA را، با کاهش مؤثر تغییرات موجود در مجموعه داده، بهبود بخشیدند. نتایج روش پروکراستز نشان داد که هم‌خوانی بین مجموعه داده‌های تبدیل‌شده به لگاریتم و ریشه مربع و داده‌های خام به‌طور چشمگیری بالاتر از روشهای دیگر تبدیل‌ها ارزیابی‌شد. نتایج ما نشان داد که تبدیل‌های نسبی عمومی برای تحلیل DCA نامناسب بودند، زیرا نتوانستند روابط بوم شناختی موجود در داده ها را به‌خوبی نمایان کنند. بنابراین، توصیه می‌کنیم که قبل از انجام تحلیل‌های رسته بندی، از تبدیل‌ داده ها، به‌ویژه تبدیل لگاریتمی یا ریشه مربع استفاده شود. این رویکرد نه تنها قابلیت اعتماد به نتایج را بهبود می‌بخشد بلکه تفسیر اکولوژیکی دقیق‌تر را تسهیل می‌کند و در آخر به درک عمیق‌تری از پویایی جامعه در اکوسیستم‌های جنگلی کمک می‌کند.