توصيفگر ها :
اكوسيستم , پيوند از دور , توليد خالص اوليه موديس , مناطق زيست اقليمي , مدلسازي , انسو
چكيده فارسي :
توليد خالص اوليه يكي از فاكتورهاي اصلي براي ارزيابي شرايط و عملكرد اكوسيستم‌ها مي‌باشد. از سوي ديگر اين متغير مي‌تواند تحت تأثير عوامل مختلف اقليمي و انساني قرار گيرد. بنابراين پايش و شناخت عوامل موثر بر اين متغير در اكوسيستم‌هاي مختلف به ويژه در مناطق خشك و نيمه‌خشك مي‌تواند به مديريت بهينه و كاهش اثرات سوء آنها تا حد زيادي كمك كند. از اين حيث در پژوهش حاضر سعي شد تا با استفاده از تكنيك‌هاي آماري جديد و انعطاف‌پذير مدل‌هاي رگرسيوني خطي و تجمعي تعميم يافته، تأثيرپذيري و ميزان توجيه‌پذيري توليد خالص اوليه چهارده منطقه زيست اقليمي كشور از تغييرات مكانيسم‌هاي اقيانوسي اتمسفري مورد بررسي قرار گيرد. براي نيل به اين هدف اطلاعات مربوط به توليد خالص اوليه مناطق زيست اقليمي كشور از توليدات سنجنده موديس براي مقياس‌هاي زماني ماهانه، فصلي و سالانه طي دوره سال‌هاي 2000 تا 2016 به عنوان متغير وابسته استخراج شد. همچنين اطلاعات مربوط به ده شاخص اقيانوسي اتمسفري كه بازگو كننده متغيرهاي هادي براي بسياري از تغييرات اقليمي و آب و هوايي در نقاط مختلف كره زمين هستند، از سايت سازمان ملي اقيانوسي اتمسفري (NOAA) اخذ گرديد. شاخص‌هاي اقيانوسي اتمسفري مورد پژوهش در اين تحقيق شامل شاخص نوسان جنوبي (SOI)، شاخص‌هاي دماي اقيانوس آرام (Nino1.2, Nino3, Nino3.4, Nino4)، نوسان قطب شمال (AO)، نوسان قطب جنوب (AAO)، نوسان چند دهه‌اي اطلس شمالي (AMO)، نوسان اطلس شمالي (NAO) و نوسان مديترانه غربي (WMO) مي‌باشند. پس از جمع‌آوري داده‌ها براي تمامي متغيرهاي مستقل و وابسته الگوي تغييرات و شرايط فصلي آنها و همچنين روند و نقطه آغاز روند مورد تحليل قرار گرفت. پس آن به كمك تحليل همبستگي، رگرسيون گام به گام، آماره‌هاي اطلاعات آكائيك و بيزين و استنباط‌هاي نموداري براي تغييرات توليد خالص اوليه ماهانه، فصلي و سالانه هريك از مناطق زيست اقليمي مورد مطالعه بهترين مدل رگرسيوني بر اساس شاخص‌هاي اقيانوسي اتمسفري با تأكيد بر انواع روابط خطي و غيرخطي و پيش شرط‌هاي مدلسازي ارائه شد. نتايج نشان داد كه توليد خالص اوليه در اكثر مناطق زيست اقليمي ايران از نظر الگوهاي مكاني با الگوهاي بارش هماهنگي دارد و مناطق پر بارش شمالي، غرب زاگرس و شمال غربي كشور داراي ميانگين توليد خالص اوليه بيشتري نسبت به ساير مناطق هستند. نتايج مدلسازي نيز نشان داد كه تقريباً هر ده شاخص اقليمي مورد بررسي در اين پژوهش با الگوهاي زماني و مكاني متفاوت بر روي تغييرات توليد خالص اوليه مناطق زيست اقليمي ايران چه به صورت ماهانه و چه به صورت فصلي و سالانه اثر‌گذار بودند. نتايج پژوهش نشان داد كه شاخص‌هاي AO، AAO، AMO، NAO و WMO بطور متداوم و در طول سال مناطق زيست اقليمي ايران را تحت تأثير قرار مي‌دهند. با اين وجود برخي از شاخص‌ها مانند شاخص Nino3.4 در فصل بهار، Nino4 و SOI در فصل تابستان و شاخص‌هاي AMO و NAO در پاييز تنها در فصول خاصي از سال اغلب مناطق زيست اقليمي ايران را به صورت سراسري تحت تأثير قرار مي‌دهند. با اين حال بر اساس آماره‌هاي شايستگي مدل‌ها مشخص شد كه شاخص‌هاي خانواده انسو و شاخص NAO اثرگذاري بيشتري نسبت به ساير شاخص‌هاي اقليمي بر روي تغييرات توليد خالص اوليه به ويژه در فصل‌هاي زمستان و بهار دارند. بطوركلي نتايج پژوهش نشان داد ارتباط بين شاخص‌هاي خانواده انسو با توليد خالص اوليه چه به صورت خطي و چه به صورت غيرخطي افزايشي مي‌باشد. به عبارت ديگر در فازهاي النينو مقدار توليد خالص اوليه در مناطق زيست اقليمي ايران بيشتر خواهد شد. با توجه به پژوهش صورت گرفته، نقش شاخص‌هاي بزرگ مقياس اقليمي بر روي توليد خالص اوليه مناطق زيست اقليمي ايران به صورت كمّي بررسي و تعيين شد. اين نتايج نه تنها منجر به افزايش آگاهي و درك مديران و محققين از تغييرات توليد خالص اوليه اكوسيستم‌هاي كشور نسبت به سيستم‌هاي بزگ مقياس اقليمي مي‌گردد بلكه مي‌تواند به مديريت و بهبود برنامه‌ريزي‌ها براي بهينه‌سازي عملكرد آنها به ويژه در مناطق خشك و نيمه‌خشك كمك كننده باشد.
چكيده انگليسي :
The net primary production (NPP) is one of the major factors for assessment of efficiencies and situations of ecosystems. On the other hand, NPP can be influenced by different human and climatic variables. Therefore, recognizing and monitoring of the influential factors on NPP can be useful for optimized management and reducing adverse effects in different ecosystems, especially in arid and semi-arid regions. In present study we tried to test effectiveness and justification of NPP variations under oceanic-atmospheric oscillations in fourteen bioclimatic regions of Iran by advanced and flexible generalized linear (GLMs) and additive (GAMs) regression models. To achieve that goal monthly, seasonal and annual information of NPP, as dependent variables, were collected from MODIS products for Iran’s bioclimatic regions over 2000 to 2016. Also, the information of ten oceanic-atmospheric indices as independent variables, which are the driving variables for many climatic and weather variabilities in different parts of the globe, was obtained from the National Oceanic and Atmospheric Administration (NOAA) website. Those study oceanic-atmospheric indices are Southern Oscillation Index (SOI), Pacific Ocean temperature indices (Nino1.2, Nino3, Nino3.4, Nino4), Arctic Oscillation (AO), Antarctic Oscillation (AAO), Atlantic Multi-decadal Oscillation (AMO), North Atlantic Oscillation (NAO), Western Mediterranean Oscillation (WMO). After collecting data, the seasonality tests, trends and change point detection tests were confirmed for all independent and dependent variables. The best regression model for NPP variation, according to linear and non-linear relationships with oceanic-atmospheric indices, at each bioclimatic region is defined using correlation analysis, stepwise regression, Akaike and Bayesian information criterions and diagrammatic inferences. Results showed that NPP in most of Iran’s bioclimatic regions followed the spatial patterns of precipitation and northern, west of Zagros mountains and north western bioclimatic regions with high annual precipitation have higher NPP than other central and southern bioclimatic regions. The NPP modeling showed that almost all of the study oceanic-atmospheric indices influence the monthly, seasonal and annual NPP of Iran’s bioclimatic regions with different spatiotemporal patterns. It was found that AO, AAO, AMO, NAO and WMO indices continuously influence the NPP of the Iran’s bioclimatic regions over the year. While some indices such as Nino3.4 in spring, Nino4 and SOI in summer and AMO and NAO in autumn influence the NPP of the Iran’s bioclimatic regions only during certain seasons of the year. However, based on the merit statistics of the models, it was found that the Nino family indices and the NAO index have a greater impact than other climate indices on the NPP variabilities, especially in winter and spring. Overall, the results showed that the relationship between Nino family indices and NPP is increasing both linearly and non-linearly. On the other word during El-Nino phases the NPP will increase over the bioclimatic regions of Iran. According to the research, the role of large-scale climatic indicators on the NPP of bioclimatic regions of Iran was quantitatively investigated and determined. These results will not only increase the knowledge and understanding of managers and researchers about the NPP variability related to large-scale climatic systems, but also can help managing and planning improvement in order to optimize country's ecosystems performance, especially in arid and semi-arid regions.
