1395 5 16 0 97

تأثیر نوع رویشگاه بر ویژگی‌های خاک و تنوع گیاهی در اکوسیستم‌های طبیعی دامنه شمالی البرز (مطالعه موردی: حوزه واز) The Effect of the Habitat Type on Soil and Plant Diversity Properties in Natural Ecosystems in the Northern Alborz (Case Study: Vaz Watershed) 1 1 هدف از این تحقیق مقایسه شاخص‌های مختلف تنوع و غنای گونه‌ای و هم‌چنین برخی ویژگی‌های خاک در سه رویشگاه طبیعی جنگل، مرتع و اکوتون بین جنگل و مرتع بود. بنابراین در هر رویشگاه یک جامعه غالب و در منطقه کلیدی جوامع، تعداد ٨ پلات یک مترمربعی به‌صورت تصادفی مستقر شدند. در هر پلات، درصد تاج پوشش گیاهان به تفکیک گونه تخمین زده و هم‌چنین نمونه خاک از عمق حدود 10-0 سانتی‌متری برداشت گردید. ارزیابی تنوع گونه‌ای با شاخص‌های شانون -وینر و سیمپسون و غنای گونه‌ای با شاخص‌های مارگالف و منهینیک، با استفاده از نرم‌افزار PAST انجام شد. جهت مقایسه میانگین ویژگی‌های خاک در سه رویشگاه از آنالیز واریانس یک‌طرفه استفاده شد. نتایج نشان داد که میزان شاخص‌های تنوع و غنای گونه‌ای در رویشگاه جنگل کمترین و در رویشگاه اکوتون بیشترین بود. وزن مخصوص ظاهری خاک، درصد شن و مقدار pH در رویشگاه مرتع به‌طور معنی‌داری بیشتر از دو رویشگاه دیگر و هم‌چنین درصد رس و درصد کربن آلی خاک در رویشگاه جنگل بیشتر از دو رویشگاه اکوتون و مرتع بود. در سایر پارامترهای خاکی اختلاف معنی‌داری مشاهده نشد. در این تحقیق اهمیت منطقه اکوتون در حفظ تنوع و غنای گونه‌ای بیش از پیش محرز گردید. 2 This study aimed to compare plant species diversity indices (diversity and richness) and some physico-chemical properties of soil among forest, ecotone and rangeland habitats. Vegetation sampling was done randomly at each habitat. One dominant community was selected in each habitat and one key area was distinguished in each community and 8×1m2 plots were randomly established in each key area. In each plot, the list of existing plants and cover percentage for each species were determined and soil samples were taken from depths of 0-10 cm. The Shannon-Wiener and Simpson diversity indices and Margalef and Menhinic richness indices were estimated using PAST software. Physical and chemical characteristics of the soil were compared at three sites by analysis of variance (One Way ANOVA). The results showed that the lowest and highest values of all species diversity and richness were occurred in forest and ecotone habitats, respectively. Bulk density, sand and pH value of soil were significantly the highest in the rangeland. The percentage of clay and organic carbon in forest habitat were higher than the two other habitats. This study revealed the importance of ecotone in preserving the diversity and species richness. 1 11 2016/09/5 1395/6/15 2016/09/5 1395/6/15 مرضیه سالاروند M. Salarvand دانشکده منابع طبیعی، دانشگاه تربیت مدرس ایران رضا عرفانزاده R. Erfanzadeh دانشکده منابع طبیعی، دانشگاه تربیت مدرس ایران rezaerfanzadeh@modares.ac.ir یحیی کوچ Y. Kooj دانشکده منابع طبیعی، دانشگاه تربیت مدرس ایران Diversity PCA Richness Soil Characteristics. تنوع تجزیه و تحلیل مؤلفه‌های اصلی غنای گونه‌ای ویژگی‌های خاک 22. Barbier, S., F. Gosseline and P. Balandier. 2008. Influence of tree species on understory vegetation diversity and mechanisms involved - A critical review for temperate and boreal forests. Forest Ecology and Management 254: 1-15.##23. Barnes, B. V., D. R. Zak, S. R. Denton and S. H. Spurr. 1998. Forest Ecology. 4th ed. John Wiley & Sons, New York, 773 p.##24. Bremner, J. M. and C. S. Mulvaney. 1982. Nitrogen-Total, In: Methods of Soil Analysis. Journal of American Society of Agronomy, 2nd edn. Part 2, 595-624.##25. Cajander, A. K. 1926. The theory of forest type. Acta Forestalia Fennica 29: 1- 108.##26. Daubenmire, R. F. 1976. The use of vegetation in assessing the productivity of forest lands. Botanical Review 42:115-143.##27. Kaya, Z. and J. Raynal. 2006. Biodiversity and conservation of Turkish forest. Biological Conservation 97: 131-141.##28. Kirk, C., L. Mcdaniel, A. Torell and J. W. Bain. 1993. Overstory-understory relationships for broom Snakeweed-bluegrama grasslands. Journal of Range Management 46: 506-511.##29. Nosetto, M. D., E. G. Jobbagy and J. M. Paruelo. 2006. Carbon sequestration in semi-arid rangelands: Comparison of Pinus ponderosa plantations and grazing exclusion in NW Patagonia. Journal of Arid Environments 67(1): 142-156.##30. Paritsis, J. and M. Aizen. 2008. Effects of exotic conifer plantations on the biodiversity of understory plants, epigeal beetles and birds in nothofagus dombeyi forests. Forest Ecology and Management 255: 1575- 1583.##31. Widdicombe, C. E., S. D. Archer, P. H. Burkill and S. Widdocombe. 2002. Diversity and structure of the microplankton community during a coccolithophore bloom in the stratified northern North Sea. Deep Sea Research 49: 2887-2930.##32. Pyke, D. A. and B. A. Zamora. 1982. Relationship between overstory structure and understory production in the grand fire/myrtle boxwood habitat type of North central Idaho. Journal of Range Management 35(6): 769-773.##33. Roelofs, J. G. M., R. Bobbink, E. Brouwer and M. C. C. De Graaf. 1996. Restoration ecology of aquatic and terrestrial vegetation on non-calcareous sandy soils in The Netherlands. Acta Botanica Neerlandica 45: 517-541.##34. Vujnovic, K., R. W. Wein and M. R. T. Dale. 2002. Predicting plant species diversity in response to disturbance magnitude in grassland remnants of central Alberta. Canadian Journal of Botany 80: 504-511.##35. West, N. E., 1993. Biodiversity of rangelands. Journal of Range Management 46: 2-13.##1. آقایی، ر.، س. الوانی نژاد، ر. بصیری و ر. ذوالفقاری. 1391. رابطه بین گروه‌های اکولوژیک گیاهی با عوامل محیطی (مطالعه موردی: رویشگاه وزگ در جنوب شرق یاسوج). اکولوژی کاربردی 1(2): 63-53. ##2. اسدیان، م.، م. حجتی، م. پورمجیدیان و ا. فلاح. 1391. بررسی تنوع زیستی و خصوصات خاک در جنگل‌کاری‌های کاج سیاه و زبان گنجشک در منطقه الندان- ساری. تحقیقات جنگل و صنوبر ایران 20(2): 312-299.##3. اردکانی، م. ر. 1389. اکولوژی. انتشارات دانشگاه تهران، 340 ص. ##4. پوربابایی، ح.، ح. منافی و ط. عابدی. 1389. بررسی تنوع گونه‌های چوبی در رویشگاه‌های سفید مازوی گرجستانی##(Quercus petraea subsp. iberica) (مطالعه موردی: رویشگاه‌های چوبه درق و دارانا ارسباران). جنگل ایران 2(3): 207-197.##5. پوربابایی، ح. و ع. رنج آور. 1387. تأثیر شیوۀ تدریجی- پناهی بر تنوع گونه‌های گیاهی در جنگل‌های راش شرقی (مطالعه موردی: جنگل‌های شفارود- گیلان(. تحقیقات جنگل و صنوبر ایران 16(1): 73-61. ##6. تیموری، ج. ا.، ق. زاهدی امیری، م. ر. مروی مهاجر، م. اسدی و ا. متاجی. 1385. ارزیابی و مقایسه تنوع گونه‌ای در جوامع گیاهی C‏arpino-Fagetum orientalis ، Fagetum orientalis و Querco-Carpinetum betulii(مطالعه موردی: بخش‌های نمخانه و گرازبن جنگل آموزشی و پژوهشی خیرود کنار، نوشهر). فصلنامه علمی- پژوهشی تحقیقات جنگل و صنوبر ایران 14(4): 337-326.##7. جعفری حقیقی، م. 1382. روش‌های تجزیه خاک (نمونه‌برداری و تجزیه‌های مهم فیزیکی و شیمیایی)، انتشارات ندای ضحی، 236 ص.##8. حقیان، ا.، ج. قربانی، م. شکری و ز. جعفریان.1387. تعیین سهم خصوصیات خاک و توپوگرافی در تشریح پراکنش پوشش گیاهی در بخشی از مراتع ییلاقی البرز مرکزی. مجله علمی پژوهشی مرتع 3(1): 68-53.##9. خالقی، پ.، 1377. نیمرخ جنگل‌های خزر، جنگل تحقیقاتی واز رود. انتشارات موسسه تحقیقات جنگل‌ها و مراتع، تهران، 380 ص.##10. خان حسنی، م.، م. شریفی و ا. توکلی. 1386.تغییرات ترکیب گونه‌ای پوشش علفی در جنگل‌های دست‌کاشت کاج تهران##(Pinus eldarica) با سنین متفاوت در کرمانشاه. فصلنامه علمی - پژوهشی تحقیقات جنگل و صنوبر ایران 17(2): 199-188.##11. سخاوتی، م.، م. اکبری نیا، ، ه. زنگنه و ه. میرزایی. 1391. تأثیر عوامل توپوگرافی بر تنوع گونه‌ای رویشگاه محلب Cerasus mahaleb (L.) Mill در جنگل‌های استان کرمانشاه، مجله جنگل و مرتع 97: 32-24.##12. شعبانی، س.، م. اکبری نیا، غ. ا. جلالی و ع. علی عرب. 1388. تأثیر اندازه عرصه‌های باز جنگلی بر تنوع زیستی گونه‌های گیاهی در منطقه جنگلی لالیس- نوشهر. جنگل ایران 1(2): 135-125. ##13. طالشی، ح. و م. اکبری نیا. 1389. تنوع زیستی گونه‌های چوبی و علفی در رابطه با عوامل محیطی در جنگل‌های پایین بند شرق نوشهر. زیست شناسی ایران 24(5): 777-766. ##14. عیوضی، م.، ا. عبدی، و. اعتماد و ز. شاکری. 1393. تأثیر تیپ برروی تنوع پوشش گیاهی در حاشیه جاده‌های جنگلی، دومین همایش ملی دانشجویی علوم جنگل. ##15. غازان شاهی، ج. 1376. آنالیز خاک و گیاه، انتشارات هما، 311 ص.##16. مجد طاهری، ح. و ع. جلیلی. 1375. بررسی مقایسه‌ای اثرات جنگل‌کاری با کاج الداریکا و اقاقیا روی برخی از خصوصیات فیزیکی و شیمیایی خاک و پوشش گیاهی زیراشکوب. پژوهش و سازندگی 32: 15-6.##17. محمودی، ج.، ح. وحید چوپانی و م. اکبرلو. 1389. تأثیر قرق بر تنوع زیستی در مراتع استپی (مطالعه موردی مراتع منطقه بزداغی استان خراسان شمالی). فصلنامه علمی تخصصی اکوسیستم‌های طبیعی ایران 1(2): 144-136.##18. مصداقی، م. 1384. بوم شناسی گیاهی ، انتشارات جهاد دانشگاهی مشهد، 278 ص.##19. مصداقی، م. 1380. توصیف و تحلیل پوشش گیاهی ، انتشارات جهاد دانشگاهی مشهد، 187 ص.##20. میرزایی، ح. 1376 . تأثیر تاج پوشش درختان جنگلی بر گیاهان مرتعی زیراشکوب جنگل‌های بلوط غرب. پژوهش و سازندگی 35: 55-49.##21. نوری، ز.، ج. فقهی، ق. زاهدی امیری، م. زبیری و ر. رحمانی. 1389. ارزیابی تنوع گونه‌های درختی و درختچه‌ای و اثر آن در مدیریت پایداری جنگل (بررسی موردی: بخش پاتم جنگل خیرودکنار). نشریه جنگل و فرآورده های چوب 63: 214-201. ## ##

بررسی ویژگی‌های اقلیمی رویشگاه‌های گونهAstragalus gossypinus Fisher (گون کتیرایی) در استان اصفهان Climatic Characteristics of the Natural Habitats of Astragalus gossypinus Fisher in Isfahan Province 1 1 رابطه بین گونه‌های گیاهی و عوامل اقلیمی همواره یک موضوع اساسی در اکولوژی گیاهی است و استفاده از روش‌های آماری چندمتغیره می‌تواند در آشکارسازی ارتباط بین عوامل اقلیمی و پراکنش گونه‌های گیاهی مؤثر باشد. در این مطالعه به‌منظور بررسی عوامل اقلیمی تأثیرگذار بر پراکنش گیاهی گونه Astragalus gossypinus Fisher (گون کتیرایی) که مولد کتیرا بوده و به نسبت از گسترش و توسعه زیادی در استان اصفهان (در حدود 7 درصد مساحت رویشگاه‌های استان اصفهان) برخوردار است، ویژگی‌های اقلیمی این گونه مورد بررسی قرار گرفت. بدین منظور در این مطالعه 56 متغیر اقلیمی مربوط به ماه‌های ژانویه، مارس و ژوئیه و بازه سالانه استفاده گردید و برای کاهش تعداد متغیرها و تعیین مهمترین عوامل مؤثر، تحلیل عاملی به‌روش تجزیه مؤلفه‌های اصلی به‌کار برده شد. نتایج نشان داد چهار عامل دمای سرمایشی- رطوبتی، بارش- تندر، ابرناکی و باد به‌ترتیب 05/39، 77/32، 44/11 و 63/8 درصد و در مجموع 88/91 درصد از واریانس داده‌ها را تبیین می‌کند. عامل اقلیمی دمای سرمایشی- رطوبتی بیشترین تأثیر را بر حضور این گونه داشته است، به‌طوری که در مناطقی که این گونه مشاهده می‌گردد عامل دمای سرمایشی- رطوبتی مثبت بوده و در مناطق فاقد آن منفی می‌باشد. 2 The relationship between plant species and climatic factors has always been an important subject in plant ecology and the use of multivariate statistical methods might be effective in detecting the relationship between climatic factors and the distribution of plant species. In the present study, climatic characteristics of Astragalus gossypinus Fisher producing tragacanth stretched in a relatively vast area in Isfahan province (approximatley seven percent of natural habitat of Isfahan province) to shed lights on determinant climatic factors on distribution of this species were investigated. In this study, 56 climatic variables were evaluated in the months of January, March, and July in the annual interval and to reduce the number of variables and determine the most important factors. Factor analysis was applied using principal components analysis. The results showed that four factors, namely cooling temperature-humidity, precipitation-storm, cloudiness, and windiness account for 39.05%, 32.77%, 11.44%, and 8.63%, and totally 91.88% of the variance of the data, respectively. Also, the cooling temperature-humidity factor has the greatest impact on presence of this species, therefor, in areas where this species can be seen, the cooling temperature-humidity factor is positive and vice versa. 13 30 2016/09/52016/09/5 1395/6/15 2016/09/52016/09/5 1395/6/15 راضیه صبوحی R. Saboohi دانشگاه علوم کشاورزی و منابع طبیعی گرگان ایران razieh_ saboohi@yahoo.com حسین بارانی H. Barani دانشگاه علوم کشاورزی و منابع طبیعی گرگان ایران Astragalus gossypinus Climatic variables Factor analysis Habitats of Isfahan province. Astragalus gossypinus متغیرهای اقلیمی تحلیل عاملی رویشگاه‌های استان اصفهان 13. Akhani, A. 2006. Flora Iranica: Facts and figures and a list of publications by K.H. rechinger on Iran and adjacent areas. Rostaniha 7(2): 19-61.##14. Bailey, R. G. 1991. Ecological Climate Classification, USDA Forest service, Inventory & Monitoring Institute, 216 p.##15. Chamberlain, D. F. and V. A. Matthews. 1970. Astragalus L. In: Davis PH. (ed) Flora of Turkey. Edinburgh: Edinburgh University Press 3: 32-42.##16. Cornick, S. M. 2005. Report on Task 3: Extreme Canadian Climates- Northern and Coas Building, Natural Research Council of Canada.##17. Davis, C. 1986. Statistics and Data Analysis in Geology, John Wiley & Sons Pub., New York, 656 p.##18. Hossel, J. E., A. E. Riding, T. P. Dawson and P. A. Harrison. 2003. Bioclaimatic classification for Britain and Ireland. Conservation 11(8): 5-13.##19. Pineda-Martinez, L. F., N. Carbajal and E. Medina-Roldan. 2007. Regionalization and classification of bioclimatic zones in the central- northeastern region of Mexico using principal component analysis (PCA). Atmosfera 20(2): 133-145.##20. Yunus, F. 2011. Delineation of Climate Divisions for Peninsular Malaysia, Geospatial World Forum, Dimensions and Directions of Geospatial Industry, Hyderabad, India, 16 p. ##1. امیر احمدی، ا. و م. عباس‌نیا. 1389. ناحیه‌بندی آب و هوایی استان اصفهان با استفاده از روش‌های نوین آماری. مطالعات جغرافیایی مناطق خشک 1: 68-53.##2. باقرزاده، ک. 1379. گزارش نهایی طرح ملی شناسایی و تعیین گونه‌های مولد کتیرا در استان اصفهان، مرکز تحقیقات کشاوری و منابع طبیعی استان اصفهان، 66 ص.##3. پابو، ه. 1348. توسعه و اصلاح مراتع از طریق مطالعات بتانیک و اکولوژیک، انتشارات سازمان جنگل‌ها و مراتع، 219 ص.##4. پاکزاد، ز.، م. رائینی و م. خداقلی. 1392. بررسی اثر عوامل اقلیمی بر گسترش رویشگاه‌های گون گزی ##(Astragalus adscendens) در استان اصفهان. فصلنامه علمی- پژوهشی تحقیقات مرتع و بیابان ایران 20(1): 212-199.##5. خداقلی، م.، ر. صبوحی، م. شیشه‌فروش، ذ. اسکندری و س. سلطانی. 1391. گزارش تحلیل روند گذشته و پیش‌بینی آینده خشکسالی در استان اصفهان، مرکز تحقیقات کشاورزی و منابع طبیعی استان اصفهان، 280 ص.##6. خداقلی، م.، ک. شیرانی، م. یزدانی. و ا. کیوان‌داریان. 1386. پهنه‌بندی اقلیم رویشی حوضه آبخیز کارون با استفاده از روش‌های آماری چند متغیره و سامانه‌های اطلاعات جغرافیایی. مجله علمی کشاورزی 30(4-ب):152-139.##7. دهدشتیان، ز.، م. ر. وهابی، م. فضیلتی، ک. قائدی و ا. سلامیان. 1390. بررسی تنوع ژنتیکی جمعیت‌های گون سفید##(Astragalus gossypinus Fisher) در استان اصفهان. ژنتیک در هزاره سوم 3: 2480-2474.##8. زرین کمر، ف. ١٣٧٥. بررسی آناتومی- اکولوژی ١٤ گونه از گونه‌های مولد کتیرا در ایران، موسسه تحقیقات جنگل‌ها و مراتع، 98 ص.##9. سلیقه، م.، ف. بریمانی و م. اسمعیل‌نژاد. 1387. پهنه‌بندی اقلیمی استان سیستان و بلوچستان. مجله جغرافیا و توسعه##12: 116-101.##10. فاطمی، س. س.، ع. ر. شهریاری، ا. فخیره و م. خداقلی. 1391. بررسی زیست اقلیم گیاهی گونه قیچ صحرایی##(Zygophyllum atriplicoides Fisch CA Mey) در استان اصفهان. مجله علمی پژوهشی مرتع 3: 271-258. ##11. لشنی، م.، ب. پروانه و ف. بیرانوند. 1390. پهنه‌بندی اقلیمی استان لرستان با استفاده از روش‌های آماری و تعیین مناسب‌ترین روش تجربی. فصلنامه جغرافیای طبیعی 11: 106-89.##12. وهابی، م. ر.، م. بصیری، م. ر. مقدم و ع. ا. معصومی. 1385. تعیین مؤثرترین شاخص‌های رویشگاهی برای ارزیابی گون‌زارهای کتیرایی در استان اصفهان. نشریه منابع طبیعی ایران 59 (4): 1029-1013.## ##

اثر بازدارندگی نفت خام بر عملکرد رویشی و فیزیولوژیکی بذر و نهال گونه‌های کنار، کهور، آکاسیا و اقاقیا Inhibitory Effect of Crude Oil on Vegetative and Physiologic Performance of Seeds and Seedlings of Ziziphus, Prosopis, Acacia and Robinia Species 1 1 در این تحقیق تأثیر نفت خام (صفر تا 20 درصد) به‌عنوان یکی از آلاینده‌های مهم عصر حاضر بر ویژگی‌های فیزیولوژیکی چهار گونه درختی کهور، آکاسیا، کنار و اقاقیا در دو مرحله جوانه‌‎زنی و نهالی در قالب طرح‌های کاملاً تصادفی بررسی شد. نتایج نشان داد که جوانه‌زنی بذور کهور و آکاسیا تحت تأثیر آلودگی قرار نگرفت، اما وجود بیش از 6 درصد آلودگی موجب کاهش جوانه‌زنی کنار و 4 درصد آلودگی موجب توقف کامل جوانه‌زنی اقاقیا گردید. دوز مؤثر میانه براساس عملکرد رویشی ریشه‌چه به‌ترتیب برای گونه‌های آکاسیا، کهور، کنار و اقاقیا 9/6، 2/3، 6/3 و 7/2 درصد برآورد گردید. در مرحله نهالی درصد برگ سبز، غلظت کلروفیل و عملکرد فتوسیستم 2 با افزایش آلودگی نفتی کاهش یافت. رشد نهال‌های اقاقیا در غلظت‌های بالای سه درصد متوقف شد. افزایش غلظت نفت با کاهش طول ساقه در دو گونه آکاسیا و کهور همراه بود، اما تفاوت معنی‌داری در طول ریشه آنها مشاهده نشد. افزایش آلودگی نفتی به بیش از سه درصد در نهال‌های کنار با افزایش رشد اندام‌های هوایی و زمینی همراه بود. تفاوت الگوی پاسخ به نفت خام در گونه‌های مختلف ما را قادر به انتخاب گونه‌ها براساس اهداف مختلفی مانند پایش زیستی تا گیاه‌پالایی می‌نماید. 2 In this study the effect of crude oil (0 to 20% w/w), one of the main pollutants of current age, on physiological characteristics of Prosopis juliflora, Acacia victoria, Ziziphus spina-chrisi and Robinia pseudoacacia in seed and seedling stages based on a completely randomized design with 10 replications in each experimental unit has been studied. The results revealed that germination rate of Prosopis and Acacia was not affected by the pollutant, but the germination reduced in Ziziphus with more than 6 percent pollutant and 4% pollution led to full inhibition in Robinia. The ED50 based on radicle growth for Acacia, Prosopis, Ziziphus and Robinia was 6.9, 3.2, 3.6 and 2.7%, respectively. In seedling stage green leaf percentage, chlorophyll concentration, and efficiency of photosystem II decreased by increasing contamination. Increasing oil concentration stopped seedling growth of Robinia and reduced stem length in Acacia and Prosopis, but no significant difference was observed in the root length. The increase of oil pollution up to more than three percentages was associated with increased growth of shoot and root in Ziziphus. The difference in response pattern of different species to crude oil enables us to select species based on a variety of objects from bio monitoring to phytoremediation. 31 42 2016/09/52016/09/52016/09/5 1395/6/15 2016/09/52016/09/52016/09/5 1395/6/15 پیام فیاض P. Fayyaz دانشگاه یاسوج ایران pfayyaz@yu.ac.ir اکرم باقری پور A. Bagheripour دانشگاه یاسوج ایران Bioassay Crude Oil Germination Growing Region in the Gulf of Oman Phytoremediation. سنجش زیستی نفت خام جوانه‌زنی ناحیه رویشی خلیج عمانی گیاه‌پالایی 4. Agbogidi, O. M. and D. E. Dolor. 2007. An assessment of the growth of Irvingia gabonensis (Aubry-Lecomte Ex O’ Rorte) Bail seedlings as influenced by crude oil contamination of soil. Asian Journal of Plant Sciences 2: 1287-1292.##5. Agbogidi, O. M. and E. Ayelo. 2010. Germination of African oil bean (Pentaclethra macrophylla, Benth.) seeds grown in crude oil polluted soil. Proceedings of the 2nd biennial national conference of the forests and forest products society, Federal University of Technology, Akure, Nigeria 105-111.‏##6. Agbogidi, O. M., P. G. Eruotor and O. A. Ohwo. 2011. Germination response of Jatropha curcas L. seeds as influenced by crude oil in soil. Journal of Agriculture and Biological Sciences 2(5): 114-117.##7. Akaninwor, J. O., A. O. Ayeleso and C. C. Monago. 2007. Effect of different concentrations of crude oil (Bonny light) on major food reserves in guinea corn during germination and growth. Scientific Research and Essay 2(4): 127-131.##8. Anigboro, A. A. and J. T. Nyerhovwo. 2008. Effect of crude oil on invertase and amylase activities in cassava leaf extract and germinating cowpea seedlings. Asian Journal of Biological Sciences 1(1): 56-60.‏##9. Baek, K. H., H. S. Kim, H. M. Oh, B. D. Yoon, J. Kim and I. S. Lee. 2004. Effects of crude oil, oil components, and bioremediation on plant growth. Journal of Environmental Science and Health, Part A 39(9): 2465-2472. ##10. Bengough, A. G. 2003. Root growth and function in relation to soil structure, composition, and strength. PP. 151-171. In: Kroon, H. De and E. J. W. Visser (Eds.), Root Ecology. Springer Berlin Heidelberg. ##11. Chupakhina, G. N and P. V. Maslennikov. 2004. Plant adaptation to oil stress. Russian Journal of Ecology 35: 290-295.##12. Earl, H. J. and R. F. Davis. 2003. Effect of drought stress on leaf and whole canopy radiation use efficiency and yield of maize. Agronomy Journal 95(3): 688-696.##13. Finch-Savage, W. E. and G. Leubner-Metzger. 2006. Seed dormancy and the control of germination. New Phytologist 171: 501-523.##14. Huang, X. D., Y. El-Alawi, D. R. M. Penrose, B. Glick and B. Greenberg. 2004. Responses of three grass species to creosote during phytoremediation. Journal of Environmental Pollution 130: 453-463.##15. Küpper, H., L. Šetlík, M. Spiller, F. C. Küpper and O. Prášil. 2002. Heavy metal-induced inhibition of photosynthesis: Targets of in vivo heavy metal chlorophyll formation1. Journal of Phycology 38(3): 429-441.##16. Li, C. H., B. L. Ma and T. O. Zhang. 2002. Soil bulk density effects on soil microbial population and enzymeactivities during the growth of maize (Zea Mays) planted in large pots under field exposure. Plant Science 82: 147-154.##17. Lin, Q. and I. A. Mendelssohn. 1996. A comparative investigation of the effects of south Louisiana crude oil on the vegetation of fresh, brackish and salt marshes. Marine Pollution Bulletin 32(2): 202-209.##18. Luepromchai, E., W. Lertthamrongsak, P. Pinphanichakarn and S. Thaniyavarn. 2007. Biodegradation of PAHs in petroleum-contaminated soil using tamarind leaves as microbial inoculums. Journal of Science Technology 29: 515-527.##19. Marques, M., G. S. Rosa, C. R. S. Aguiar, S. M. Correia and E. M. Carvalho. 2010. Seedling emergence and biomass growth of oleaginous and other tropical species in oil contaminated soil. The Open Waste Management Journal 3: 26-32. ##20. Merkl, N., R. Schultze-kraft and C. Infante. 2004. Phytoremediation in the tropics the effect of crude oil on the growth of tropical plants. Bioremediation Journal 8(3-4): 177-184.##21. Meudec, A., N. Poupart, J. Dussauze and E. Deslandes. 2007. Relationship between heavy fuel oil phytotoxicity and polycyclic aromatic hydrocarbon contamination in Salicornia fragilis. Science of the Total Environment 381(1): 146-156.##22. Peretiemo-Clarke, B. O. and F. I. Achuba. 2007. Phytochemical effect of petroleum on peanut (Arachis hypogea) seedlings. Plant Pathology Journal 6(2): 179-182.##23. Victor, J. O. and A. O. Sadiq. 2002. Effects of spent engine oil on the growth parameters chlorophyll and protein levels of Amaranthus hybridus L. The Environmentalist 22: 23-28.##24. Vries, F. P. 1975. The cost of maintenance processes in plant cells. Annals of Botany 39(1): 77-92.####1. زمانی، س.، ع. قاسم نژاد، س. ابراهیمی و م. فتحی. 1392. ارزیابی مقاومت گیاه کنگرفرنگی و مارتیغال در خاک آلوده به ترکیبات نفتی (گازوئیل). اولین همایش تخصصی زیست‌پالایی، دانشگاه صنعتی شریف، تهران، ایران، 12 و 13 آذر.##2. ﻛﻴﺎرﺳﺘﻤﻲ، خ.، ف. غفاری ‌رهبر و ر. شیردم. 1392. ﻣﻄﺎﻟﻌﻪ رﺷﺪ و واﻛﻨﺶ دﻓﺎﻋﻲ رﻳﺸﻪ ﮔﻴﺎﻫﺎن در ﺧﺎک‌های آﻟﻮده ﺑﻪ ﻧﻔﺖ. مجله پژوهش‌های گیاهی 26(4): 509-500.##3. عسکری مهرآبادی، م.، م. نوری، ف. بیگی و ف. امینی. 1390. ارزیابی جوانه‌زنی، مقدار کلروفیل و رشد گیاه اقاقیا در پاسخ به آلودگی نفت خام. مجله زیست شناسی گیاهی 3(7): 54-41.## ##

مدل‌سازی اکولوژیک، اقتصادی و اجتماعی پیآمدهای ناشی از اجرای سناریوهای مدیریت بیولوژیک در مدیریت جامع حوزه آبخیز (مطالعه موردی: حوزه آبخیز سیمین‌ دشت) Ecological and Socio-Economic Modeling of Consequences of Biological Management Scenarios Implementation in Integrated Watershed Management (Case Study: Simindasht Catchment) 1 1 مدیریت یکپارچه منابع آبخیزها، به‌عنوان یک اصل جدید برای برنامه‌ریزی توسعه و مدیریت منابع آب و خاک با تأکید بر ویژگی‌های اجتماعی اقتصادی منطقه به‌منظور معیشت پایدار و بدون آسیب‌پذیری برای پوشش گیاهی و بهره‌برداران یک حوضه درنظر گرفته شده است. تحقیق حاضر در راستای اهداف مدیریت یکپارچه به مدل‌سازی و ارزیابی آثار و پیآمدهای اکولوژیک، اقتصادی و اجتماعی حاصل از اجرای طرح‌های مدیریتی پیشنهادی برروی تغییرات پوشش گیاهی با تأکید بر مشکلات موجود در حوزه آبخیز سیمین دشت، واقع در استان‌های سمنان و تهران، انجام شده است. پس از استانداردسازی مقادیر شاخص‌ها با روش فاصله‌ای و نیز وزن‌دهی آنها، با استفاده از تکنیک تصمیم‌گیری چندمعیاره، اولویت‌بندی سناریوها انجام گرفت. تجزیه و تحلیل موازنه نتایج نشان داد که برای مدیریت یکپارچه آبخیز سیمین دشت، برای رویکردهای مختلف وزن‌دهی شاخص‌ها، بیش از یک راه حل مدیریتی که در برگیرنده تمامی ابعاد سیستم باشد، قابل توصیه می‌باشد. رویکرد مورد استفاده در این تحقیق با درنظر گرفتن نتایج مدل‌های مختلف و بررسی موازنه بین نتایج، ابزار کارآمدی جهت درنظر گرفتن آبخیز به‌عنوان یک سیستم و نیز تسهیل تصمیم‌گیری برای مدیریت یکپارچه آبخیز می‌باشد. 2 Integrated watershed management is considered as a new principle for development planning and management of water and soil resources emphasizing on socio-economic characteristics of the region to sustainable livelihoods without vulnerability for plants and the residents of an area. This research, in line with the objectives of integrated management, has been carried out for modelling and evaluating the effects of ecological, socio-economic consequences resulting from the implementation of the proposed management plans on the vegetation changes with a focus on the problems in Simindasht catchment, located in Semnan and Tehran Provinces. After standardization of indices by distance method and weighing them, the scenarios were prioritized using multi-criteria decision-making technique. Trade-off analysis of the results indicates that in the integrated management of Simindasht catchment more than one single management solution, covering all aspects of the system can be recommended in different weighting approaches. The approach used herein, considering the results of different models and comparing the results, is an efficient tool to represent the watershed system as a whole and to facilitate decision making for integrated watershed management. 43 54 2016/09/52016/09/52016/09/52016/09/5 1395/6/15 2016/09/52016/09/52016/09/52016/09/5 1395/6/15 امیررضا کشتکار A. R. Keshtkar مرکز تحقیقات بین المللی بیابان، دانشگاه تهران ایران keshtkar@ut.ac.ir حمیدرضا ناصری H. Naseri مرکز تحقیقات بین المللی بیابان، دانشگاه تهران ایران Biologic Management Ecological Modeling Socio-Economic Modeling Integrated Watershed Management Multi-Criteria Decision Making. مدیریت بیولوژیک مدل‌سازی اکولوژیک مدل‌سازی اقتصادی و اجتماعی مدیریت جامع حوزه آبخیز تصمیم‌گیری 13. Al-weshah, R. A. and F. El-Khoury. 1999. Flood analysis and mitigation for Petra area in Jordan. Journal of Water Resources Planning and Management 5: 181-195.##14. Brüschweiler, S. 2003. Integrated water resources management (IWRM): A way to sustainability. Report of Swiss Agency for Development and Cooperation (SDC), 16 p.##15. Cinelli, M., S. R. Coles and K. Kirwan. 2014. Analysis of the potentials of multi criteria decision analysis methods to conduct sustainability assessment. Ecological Indicator 46: 138-148. ##16. Daliri, F., H. S. Seraji, M. Kholghi and A. H. Dehghanpour. 2013. Prioritizing sub-watersheds flooding intensity for structural damaging flood control and managing. Desert 18: 153-162.##17. Ghanbarpour, M. R. and K. W. Hipel. 2011. Multi-criteria planning approach for ranking of land management alternatives at different spatial scales. Research Journal of Environmental and Earth Sciences 3: 167-176.##18. Gutzler, C., K. Helming, D. Balla, R. Dannowski, D. Deumlich, A. Knierim, W. Mirschel, C. Nendel, C. Paul, S. Sieber, M. Glemnitz, U. Stachow, R. Wieland, A. Wurbs, P. Zander and A. Starick. 2015. Agricultural land use changes– a scenario-based sustainability impact assessment for Brandenburg, Germany. Ecological Indicator 48: 505-517.##19. Jakeman, A. J., R. A. Letcher, S. Rojanasoonthon, S. Cuddy and A. Scott. 2005. Integrating knowledge for river basin management: progress in Thailand. ACIAR Monograph No. 118, 220p.##20. Kelly (Letcher), R. A., A. J. Jakeman, O. Barreteau, M. E. Borsuk, S. ElSawah, S. H. Hamilton, H. J. Henrikson, S. Kuikka, H. R. Maier, A. E. Rizzoli, H. Van Delden and A. A. Voinov. 2013. Selecting among five common modelling approaches for integrated environmental assessment and management. Environmental Modeling and Software 47: 158-181. ##21. Keshtkar, A. R., A. Salajegheh, A. Sadoddin and M. G. Allan. 2013. Application of Bayesian networks for sustainability assessment in catchment modeling and management (Case study: The Hablehrood river catchment). Ecological Modelling 268: 48-54. ##22. Laniak, G. F., G. Olchin, J. Goodall, A. Voinov, M. Hill, P. Glynn, G. Whelan, G. Geller, N. Quinn, M. Blind, S. Peckham, S. Reaney, N. Gaber, R. Kennedy and A. Hughes. 2013. Integrated environmental modeling: a vision and roadmap for the future. Environmental Modeling and Software 39: 3-23.##23. Reimold, R. J. 1998. Watershed Management Practice, Policies and Coordination. McGraw-Hill, New York, 608 p.##24. Sadoddin, A., R. A. Letcher and A. J. Jakeman. 2003. A bayesian decision network approach for salinity management in the little river catchment, NSW. In Proceedings: International Congress on Modelling and Simulation MODSIM2003.Townsville Australia 3: 953-958.##25. Sadoddin, A., R. A. Letcher, A. J. Jakeman and L. T. H. Newham. 2005. A Bayesian decision network approach for assessing the ecological impacts of salinity management. Mathematics and Computers in Simulation. 69: 162–176.##26. Sadoddin, A., V. Sheikh, R. Mostafazadeh and M. Gh. Halili. 2008. Multiple-criteria decision making for integrated watershed management in the Ramian watershed, Golestan, Iran. In Proceeding: International Congress on Environmental Modelling and Software (iEMSs). Australia.##27. Sadoddin, A., V. Sheikh, R. Mostafazadeh and M. Gh. Halili. 2010. Analysis of vegetation-based management scenarios using MCDM in the Ramian watershed, Golestan, Iran. International Journal of Plant Production 4: 51-62.##28. Sharifi, A., M. Herwijnen and W. Torren. 2004. Special Decision Support Systems. International institute of Geo information Science and Earth Observation (ITC), Netherlands, 153p.##29. Vivien, Y. C. 2011. Fuzzy MCDM approach for selecting the best environment- watershed plan. Journal of Applied Soft Computing 45: 265-275. ##30. Yarahmadi, R. and Sh. Sadoughi. 2012. Evaluating and prioritizing of performance indices of environment using fuzzy TOPSIS. Indian Journal of Science and Technology 5: 2713-2719.####1. اصغرپور، م. ج. 1392. تصمیم‌گیری چند‌معیاره. انتشارات دانشگاه تهران، تهران، 402 ص.##2. اوژن، م.، ح. جلیلیان و ق. رستمی‌زاد. 1386. مدیریت جامع حوزه‌های آبخیز به کمک فرآیند تحلیل سلسله مراتبی به‌عنوان یک تکنیک تصمیم‌گیری. چکیده مقالات چهارمین همایش علوم و مهندسی آبخیزداری، دانشگاه تهران، 4 و 5 اسفند.##3. جمالی. ع.، ج. قدوسی و م. فرح‌پور. 1380. تحلیل چندمعیاره مکانی و فنون تصمیم‌گیری در اولویت‌بندی حوزه آبخیز برای احداث سدهای اصلاحی توری سنگی. مجله پژوهش‌های آبخیزداری (پژوهش و سازندگی) 90: 9-1.##4. چابک بلداجی، م.، م. حسن‌زاده نفوتی و ز. ابراهیمی خوسفی. 1389. مکان‌یابی عرصه پخش سیلاب با استفاده از روش تحلیل سلسله مراتبی، (مطالعه موردی: حوزه آبخیز عشق آباد طبس). مجله علوم و مهندسی آبخیزداری ایران 13: 38-31.##5. سعدالدین، ا.، د. اخضری و ن. نورا. 1389. پیش‌بینی اثرات سناریوهای مدیریت پوشش گیاهی بر خطر فرسایش بادی (مطالعه موردی: جنوب دشت ورامین). مجله پژوهش‌های حفاظت آب و خاک 80: 63-17.##6. سپهر، ع.، م. ر. اختصاصی و س. ع. المدرسی. 1391. ایجاد سامانه شاخص‌های بیابان‌زایی براساس DPSIR (بهره‌گیری از روش فازی- تاپسیس). جغرافیا و برنامه‌ریزی محیطی 45: 50-33.##7. سیف، ع. و ا. کارگر. 1390. پتانسیل یابی منابع آب زیرزمینی با استفاده از روش تحلیل سلسله مراتبی و سیستم جغرافیایی (مطالعه موردی: حوضه آبریز سیرجان). فصلنامه جغرافیای طبیعی 12: 90-75.##8. صفویان، آ.، ع. ا. سلمان ماهینی، ح. میرکریمی و ا. سعدالدین. 1392. انتخاب بهترین سناریوی بهبود کیفیت آب با استفاده از روش‌های تصمیم‌گیری چند‌معیاره (مطالعه موردی: حوزه آبخیز گرگان‌رود استان گلستان). مجله پژوهش‌های حفاظت آب و خاک 20: 192-173.##9. صمدی ارقینی، ح.، م. صمدی قشلاقچایی و ع. قاسمی. 1391. استفاده از تکنیک تحلیل سلسله مراتبی جهت مدیریت جامع حوزه آبخیز (مطالعه موردی: حوزه آبخیز شهری قیدار در استان زنجان). چکیده مقالات هشتمین همایش ملی علوم و مهندسی آبخیزداری، دانشگاه لرستان.##10. کریمی سنگ چینی، ا.، ع. حزبی و ا. سعدالدین. 1389. تصمیم‌گیری چند معیاره در مدیریت یکپارچه آبخیز، (مطالعه موردی: آبخیز تلخ آب خوزستان). چکیده مقالات دومین همایش شناخت معضلات آبخیزداری و ارائه راه حل‌های مناسب در حوزه‌های آبخیز کارون و زاینده‌رود، مرکز تحقیقات کشاورزی و منابع‌طبیعی چهارمحال و بختیاری، 18 و 19 اسفند.##11. نادری، ن.، م. محسنی ساروی، آ. ملکیان و د. قاسمیان. 1390. فرآیند تحلیل سلسله مراتبی تکنیکی برای تصمیم‌گیری در حوزه‌های آبخیز. محیط زیست و توسعه 4: 50-41.##12. هلیلی، م. ق.، ا. سعدالدین، ا. مساعدی و ع. سلمان ماهینی. 1388. تصمیم‌گیری چند‌معیاره فازی به‌منظور مدیریت منابع آب سطحی در سد مخزنی بوستان، استان گلستان. پژوهش‌های حفاظت آب و خاک 16: 24-1.## ##

رابطه شاخص سطح برگ گونه بلوط (Quercus persica) و بنه (Pistacia atlantica) با انعکاس طیفی حاصل از طیف‌سنجی زمینی Relationship between LAI of Quercus persica and Pistacia atlantica with Field Spectroscopy 1 1 شاخص سطح برگ متغیر کلیدی در تعیین تولید اولیه و چرخه کربن در اکوسیستم‌ها به‌عنوان یک پیش‌بینی کننده مهم برای توضیح فرایندهای اکولوژی جنگل، مدیریت جنگل و مطالعات سنجش از دوری استفاده می‌شود. پایه بیشتر ابزار‌ها و روش‌هایی که در سنجش از دور برای برآورد LAI مورد استفاده قرار می‌گیرند با درنظر گرفتن بازتاب تاج، براساس ساختار هندسی و فضای سه بعدی تاج درختان است. هدف این مطالعه بررسی ارتباط رفتار طیفی دو گونه بلوط (Quercus persica) و بنه (Pistacia atlantica) با شاخص سطح برگ سه بعدی و دو بعدی است. برای برآورد LAI، جعبه‌ای به ابعاد  m5/0 در چهار جهت تاج درخت قرار داده شد و برگ‌های داخل جعبه برداشت شد. انعکاس طیفی برگ‌ها با دستگاه طیف‌سنج زمینی اندازه‌گیری شد. نتایج رگرسیون حداقل مربعات بخشی نشان داد انعکاس در طول موج‌های مرئی و مادون قرمز نزدیک بیشترین ضریب رگرسیون را با LAI3D و LAI2D دارد. برای گونه بلوط میزان R2 بین مقادیر اندازه‌گیری شده و برآورد شده LAI2D و LAI3D به‌ترتیب برابر 16/0 و 23/0 و برای گونه بنه به‌ترتیب برابر 15/0 و 42/0 بود. به‌طور کلی LAI3D نسبت به LAI2D توانست رابطه بهتری با انعکاس طیفی گیاه نشان دهد. 2 Leaf area index (LAI) is a key variable in primary production and carbon cycling in ecosystems. It is used as an important predictor to explain the processes of forest ecology, forest management, and remote sensing studies. Most of the remote sensing instruments such as LAI-2000 and Fisheye photography are based on three-dimensional space and they consider the geometry of the crown to estimate LAI. The aim of this study was to investigate the relationship between spectral behaviour of Quercus persica and Pistacia atlantica with two-dimensional and three-dimensional LAI. To estimate LAI, a box (0.5× 0.5× 0.5 meters) was placed in the four directions of the crown and all the leaves were harvested. In situ spectral measurements of leaves were done with ASD Fieldspec spectroradiometer. The results of partial least squares regression to model LAI form spectral data of Quercus persica showed maximum regression coefficient at visible and near infrared wavelengths for both LAI3D and LAI2D. The coefficient of determination (R2) between the measured and estimated LAI2D and LAI3D values for Quercus persica was 0.16 and 0.23 respectively, and for Pistacia atlantica was 0.15 and to 0.42, respectively. Generally, LAI3D showed better relationship with spectral reflectance for both species. 55 67 2016/09/52016/09/52016/09/52016/09/52016/09/6 1395/6/16 2016/09/52016/09/52016/09/52016/09/52016/09/6 1395/6/16 نرگس پورقاسمی N. Poorghasemi دانشگاه شهرکرد ایران mozhgan.abbasi@nres.sku.ac.ir مژگان عباسی M. Abbasi دانشگاه شهرکرد ایران Field Spectroscopy Leaf Area Index Partial Least Squares Regression Remote Sensing Zagros Forests. طیف سنجی زمینی شاخص سطح برگ رگرسیون حداقل مربعات بخشی سنجش از دور جنگل‌های زاگرس 8. Abdi, H. 2003. Partial Least Squares (PLS) Regression. Encyclopedia for research methods for the social sciences 792-795. ##9. Adam, M., B. F. T. Rudorff, F. M. Breunig, F. J. Ponzoni, L. S. Galvão, M. A. Moreira, J. G. Freitas and V. Marino Rodrigues Sala. 2009. Effect of nitrogen and endophytic bacteria on biophysical and spectral parameters of wheat canopy. Agronomy Journal 102: 544-552. ##10. Anser, G. P. 1998. Biophysical and biochemical sources of variability in canopy reflectance. Remote Sensing of Environment 64: 134-153.##11. Atezberger, C., T. Jarmer and M. Schlerf. 2003. Spectroradiometric determination of wheat bio-physical ##variables. Comparison of different empirical-statistical approaches. Remote Sensing in Transition, Ghent, Belgium, 10p.##12. Black burn, G. A., 1999. Relationship between spectral reflectance and pigment concentrations in stacks of deciduous broadleaves. Remote Sensing of Environment 70: 224-237.##13. Brantley, S., J. C. Zinnert and D. R. Young. 2011. Application of hyperspectral vegetation indices to detect variations in high leaf area index temperate shrub thicket canopies. Remote Sensing of Environment 115: 514-523##14. Cutini, A., G. Matteucci and G. S. Mugnozza. 1998. Estimation of leaf area index with Li-Cor LAI 2000 in deciduous forest. Forest Ecology and Management 105: 55-65.##15. Danson, F. M. and S. E. Plummer. 1995. Red edge response to forest leaf area index. International Journal of Remote Sensing 16: 183-188.##16. Darvishzadeh, R., A. Skidmore, M. Schlerf, C. Atzberger, F. Corsi and M. Cho. 2008. LAI and chlorophyll estimation for a heterogeneous grassland using hyperspectral measurements. ISPRS Journal of Photogrammetry and Remote Sensing 63: 409-426.##17. Eitel, J. U. H., P. E. Gessler, A. M. S. Smith and R. Robberecht. 2006. Suitability of existing and novel spectral indices to remotely detect water stress in Populus spp. Forest Ecology and Management 229: 170-182.##18. Eschenbach, Ch. and L. Kappen. 1996. Leaf area index determination in an alder forest: a comparison of three methods. Journal of Experimental Botany 47: 1457-1462.##19. Fava, F., R. Colombo, S. Bocchi, M. Meroni, M. Sitzia, N. Fois and C. Zucca. 2009. Identification of hyperspectral vegetation indices for mediterranean pasture characterization. International Journal of Applied Earth and Geoinformation 11: 233-243.##20. Hansen, P. M. and J. K. Schjoerring. 2003. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression. Remote Sensing of Environment 86: 542-553.##21. Heiskanen, J. 2006. Remote sensing of mountain Birch Forest biomass and leaf area index using Aseter data. International Journal of Remote Sensing 27: 1135-1158.##22. Horler, D. N. H., M. Dockray and J. Barber. 1983. The red edge of plant reflectance. Remote Sensing Environment 4: 273-288.##23. Imanishi, J., K. Sugimoto and Y. Morimoto. 2004. Detecting drought status and LAI of two Quercus species canopies using derivative spectra. Computers and Electronics in Agriculture 43: 109-129.##24. Jonckheere, I., S. Fleck, K. Nackaerts, B. Muys, P. Coppin, M. Weiss and F. Baret. 2004. Reviw of methods for in situ leaf area index determination Part I. Theories, Sensors and hemispherical photography. Agricultural and Forest Meteorology 121: 19-35.##25. Lee, K. S., I. Y. Park, S. H. Kim, J. H. Park, C. S. Woo and K. C. Jang. 2006. Remote sensing estimation of forest LAI in close canopy situation. Korean Journal of Remote Sensing 22(5): 305-311.##26. Lee, Y. J., C. M. Yang, K. W. Chang and Y. Shen. 2011. Effects of nitrogen status on leaf anatomy, chlorophyll content and canopy reflectance of paddy rice. Botanical Studies 52: 295-303.##27. Li, X., Y. Zhang, Y. Bao, J. Luo, X. Jin, X. Xu, X. Song and G. Yang. 2014. Exploring the best hyperspectral features for LAI estimation using partial least squares regression. Remote Sensing 6: 6221-6241.##28. Liu, R., J. M. Chen, J. Liu, F. Deng and R. Sun. 2007. Application of a new leaf area index algorithm to ##China’s landmass using MODIS data for carbon cycle research. Journal of Environmental Management 85: 649-658.##29. Ma, Z. G., X. Chen, Q. Wange, P. Li and G. Jiapaer. 2012. Retrieval of leaf biochemical properties by inversed PROSPECT model and hyperspectral indices: an application to Populus euphratica polymorphic leaves. Journal of Arid Land 4: 52-62.##30. Macfarlane, C., S. K. Arndt, S. J. Livesly, A. C. Edgar, D. A. White, M. A. Adams and D. Eamus. 2007. Estimation of leaf area index in Eucalypt Forest with vertical foliage, using cover and full frame fisheye photography. Forest Ecology and Management 242: 256-263.##31. Maire, G. L., C. Marsden, W. Verhoef, F. J. Ponzoni, D. L. Seen, A. Bégué, J. L. Stape and Y. Nouvellon. 2010. Leaf area index estimation with MODIS reflectance time series and model inversion during full rotations of Eucalyptus plantations. Remote Sensing of Environment 115(2): 58-599.##32. Mazarevica, G., J. Diewok, J. R. Baena, E. Rosenberg and B. Lendl. 2004, On-Line fermentation monitoring by mid-infrared spectroscopy. Society for Applied Spectroscopy 58: 804-810.##33. Nguyen, H. T., J. H. Kim, A. T. Nguyen, L. T. Nguyen, J. C. Shin and B. W. Lee. 2006. Using canopy reflectance and partial least squares regression to calculate within-field statistical variation in crop growth and nitrogen status of rice. Precision Agriculture 7: 249-264.##34. Nguy-Robertson, A. L., Y. Peng, A. A. Gilteson, T. J. Arkebauer, A. Pimstein, I. Herrmann, A. Karnieli, D. C. Rundquist and D. J. Bonfil. 2014. Estimating green LAI in four crops: Potential of determining optimal spectral bands for a universal algorithm. Agricultural and Forest Meterology 192-193: 140-148.##35. Ryu, Y., T. Nilson, H. Kobayashi and O. Sonnentag. 2010. On the correct estimation of effective leaf area index: Does it reveal information on clumping effects? Agricultural and Forest Meteorology 150(3): 463-472.##36. Schaepman, M. E., S. Sandmeier, K. I. Itten, P. Meyer and T. Kellenberger. Spectral signature analysis using a field goniometer mounted spectroradiometer. https://www.researchgate.net/profile/Tobias_Kellenberger/ publication/234839993_Spectral_Signature_Analysis_Using_a_Field_Goniometer_Mounted_Spectroradiometer/links/0deec5278925a88c8d000000.pdf.##37. Serbin, S. P., D. N. Dillaway, E. L. Kruger and P. A. Townsend. 2011. Leaf optical properties reflect variation in photosynthetic metabolism and its sensitivity to temperature. Journal of Experimental Botany 6: 1-14.##38. Sims, D. A. and J. A. Gamon. 2002. Relationships between leaf pigment content and spectral reflectance ##across a wide range of species, leaf structures and developmental stages. Remote Sensing of Environment 81: ##337-354.##39. Van Gardinge, P. R., G. E. ackson, S. Hernandez-Daumas, G. Russell and L. Sharp. 1999. Laef area index estimates obtained for clumped canopies using hemispherical photography. Agricultural and Forest Meteorology 94: 243-257.##40. Vuolo, F., N. Neugebauer, S. F. Bolognesi, C. Atzberger, and G. D'Urso, 2013. Estimation of leaf area index using DEIMOS-1 data: Application and transferability of a semi-empirical relationship between two agricultural areas. Remote Sensing 5(3): 1274-1291.##41. Wang, J., R. Xu and S. Yang. 2009. Estimation of plant water content by spectral absorption features centered at 1,450 nm and 1,940 nm regions. Environment Monitoring and Assessment 157(1-4): 459-469.##42. www.gep.uchile.cl/Biblioteca/radiometr%C3%ADa%20de%20campo/TechGuide.pdf. ASD field portable spectroradiometer guide. ##43. Yang, Z. Z. Y., M. XinMing, L. GuoShun, J. FangFang, Q. HongBo, Z. YingWu, L. Shizhao, S. WenFeng. 2011. A study on hyperspectral estimating models of tobacco Leaf Area Index. African Journal of Agricultural Research 2: 289-295.####1. بابایی کفاکی، س.، ا. خادمی و ا. متاجی. 1388. بررسی شاخص سطح برگ آوری و ارتباط آن با شرایط فیزیوگرافی و خاک رویشگاه (مطالعه موردی: جنگل‌های منطقه اندبیل خلخال). فصلنامه علمی پژوهشی تحقیقات جنگل و صنوبر ایران 17(2): 289-280.##2. خادمی، ا.، ب. کرد و س. پورعباسی. 1390. برآورد شاخص سطح برگ اقاقیا و بررسی همبستگی آن با شرایط فیزیولوژیک و مشخصه‌های خاک و رویش (مطالعه موردی: جنگل‌کاری بام ملایر). فصلنامه علوم و فنون منابع طبیعی 6(1): 52-41.##3. رئیسی، ف.، ا. اسدی و ج. محمدی. 1384. اثر چرای درازمدت بر پویایی کربن لاشبرگ در اکوسیستم‌های مرتعی سبزکوه استان چهارمحال و بختیاری. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک 9(3): 11-1. ##4. زرگران، م. 1380. بررسی زیوزن برگ، شاخص سطح برگ و رابطه آن با برخی از ویژگی‌های توده و خاک در قطعه بررسی دائمی جنگل‌های میان‌بند خزر. پایان نامه کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، 97 ص.##5. طالبی، م.، خ. ثاقب طالبی و ح. جهانبازی گوجانی. 1385. بررسی نیاز رویشگاهی و برخی خصوصیات کمی و کیفی بلوط ایرانی (Quercus brantii Lindl) در جنگل‌های استان چهارمحال و بختیاری. فصلنامه علمی پژوهشی تحقیقات جنگل و صنوبر ایران 14(1): 79-67.##6. عباسی، م. 1388. بررسی مشخصه‌های طیفی برگ گونه‌های راش، ممرز، توسکا، بلوط، انجیلی با استفاده از طیف سنجی زمینی، رساله دکترای جنگلداری، دانشکده منابع طبیعی دانشگاه تهران، 112 ص.##7. عدل، ح. 1386. برآورد بیوماس برگ و شاخص سطح برگ دو گونه عمده جنگل‌های یاسوج، فصلنامه علمی پژوهشی تحقیقات جنگل و صنوبر ایران 15(4): 426-417.## ##

ارزیابی فصلی مطلوبیت زیستگاه بز وحشی (Capra aegagrus) در مناطق کوهستانی پارک ملی کلاه‌قاضی به‌روش حداکثر آنتروپی Seasonal Assessment of Habitat Suitability of the Wild Goat (Capra aegagrus) in Mountainous Areas of Kolah-Qazi National Park using Maximum Entropy Approach 1 1 آگاهی از نیازمندی‌های زیستگاهی گونه‌ها یکی از ملزومات مدیریت حیات وحش محسوب می‌شود. در این مطالعه، مدل‌سازی فصلی مطلوبیت زیستگاه و وابستگی‌های زیستگاهی گونه آسیب‌پذیر بز وحشی در پارک ملی کلاه‌قاضی (یکی از زیستگاه‌های معمول آن در آسیای مرکزی) با استفاده از رویکرد حداکثر آنتروپی انجام شد. منطقه مورد مطالعه محدود به مناطق کوهستانی به‌عنوان زیستگاه بالقوه بز وحشی گردید. ارتفاع، فاصله تا آبشخور، فاصله تا مناطق مسکونی و فاصله تا مسیرهای محیط‌بانی به‌عنوان با اهمیت‌ترین متغیرها در تعیین مطلوبیت زیستگاه بز وحشی شناخته شدند. بیشترین مساحت طبقه مطلوب در فصل بهار (25/3882 هکتار) و کمترین مساحت این طبقه در فصل تابستان (5/1362 هکتار) به‌دست آمد. مقادیر مربوط به سطح زیر منحنی (AUC) در مدل‌های به‌دست آمده، کارایی خوبی را نشان داد (7/0≤AUC ). نتایج به‌دست آمده می‌تواند برای حفاظت بز وحشی در زیستگاه‌های مشابه در گستره پراکنش آن به‌کار گرفته شود. 2 Knowledge of species’ habitat needs is considered as one of the requirements of wildlife management. We studied seasonal habitat suitability and habitat associations of wild goat (Capra aegagrus) in Kolah-Qazi National Park, one of its typical habitats in central Asia, using Maximum Entropy approach. The study area was confined to mountainous areas as the potential habitat of the wild goat. Elevation, distance to water sources, distance to human settlements, and distance to guard patrol roads were recognised as the most important variables determining habitat suitability of the species. The extent of suitable habitats was maximum in spring (3882.25 ha) and the least in summer (1362.5 ha). The AUC values of MaxEnt revealed acceptable to good efficiency (AUC ≥0.7). The obtained results may have implications for conservation of the wild goat in similar habitats across its distribution range. 69 83 2016/09/52016/09/52016/09/52016/09/52016/09/62016/09/6 1395/6/16 2016/09/52016/09/52016/09/52016/09/52016/09/62016/09/6 1395/6/16 ندا رنجبر N. Ranjbar دانشگاه صنعتی اصفهان ایران nranjbar@ymail.com محمود رضا همامی M. Hemami دانشگاه صنعتی اصفهان ایران مصطفی ترکش M. Tarkesh دانشگاه صنعتی اصفهان ایران جواد شاهقلیان J. Shahgholian دانشگاه صنعتی اصفهان ایران Habitat Suitability Model Maxent Kolah-Qazi National Park Wild Goat Capra aegagrus. مدل مطلوبیت زیستگاه مدل حداکثر آنتروپی پارک ملی کلاه‌قاضی بز وحشی Capra aegagrus 6. Acevedo, P., J. Cassinello, J. Hortal and C. Gortázar. 2007. Invasive exotic aoudad (Ammotragus lervia) as a major threat to native Iberian ibex (Capra pyrenaica): a habitat suitability model approach. Diversity and Distribution 13: 587-597.##7. Alqamy, H. E., A. I. Abdelhameed, A. Nagy, A. Hamada, S. Rashad and M. Kamel. 2010. Predicting the status and distribution of the nubian ibex (capra nubiana) in the high-altitude mountains of south sinai (Egypt). Galemys 22: 517-530. ##8. Boyce, M. S., E. H. Mao and D. Fortin. 2003. Scale and hetergenity in habitat selection by elk in Yellowstone national park. Ecoscience 10: 421-431.##9. Brito, J. C., S. Fahd, P. Geniez, F. MartÃnez-FreirÃa, J. M. Pleguezuelos and J. F. Trape. 2011. Biogeography and conservation of viperids from North-West Africa: an application of ecological niche-based models and GIS. Journal of Arid Environment 75:1029-1037.##10. Cassinello, J., P. Acevedo and J. Hortal. 2006. Prospects for population expansion of the exotic aoudad (Ammotragus lervia; Bovidae) in the Iberian Peninsula: clues from habitat suitability modelling. Diversity and Distribution 12: 666-678.##11. Elith, J., C. H. Graham, R. P. Anderson, M. Dudı´k, S. Ferrier, A. Guisan, R. J. Hijmans, F. Huettmann, J. R. Leathwick, A. Lehmann, J. Li, L. G. Lohmann, B. A. Loiselle, G. Manion, C. Moritz, M. Nakamura, Y. Nakazawa, J. McC. Overton, A. T. Peterson, S. J. Phillips, K. Richardson, R. Scachetti-Pereira, R. E. Schapire, J. Sobero´n, S. Williams, M. S. Wisz and N. E. Zimmermann. 2006. Novel methods improve prediction of species’ distributions from occurrence data. Ecological Graph Analysis 29: 129-151.##12. Gavashelishvili, A. 2004. Habitat selection by East Caucasian tur. Biological Conservation 120: 391-398.##13. Geoffrey, M. C., E. D. Stolen and D. R. Breininger. 2006. A rapid approach to modeling species- habitat relationships. Biological Conservation 127: 237-244.##14. Graham, C. H., S. Ferrier, F. Huettman, C. Moritz and A. Townsend Peterson. 2004. New developments in museum-based informatics and applications in biodiversity analysis. Trends in Ecology and Evolution 19: 497-503.##15. Graham, C. H., C. Moritz and S. E. Williams. 2006. Habitat history improves prediction of biodiversity in a rainforest aura . Proceedings of the National Academy of Sciences. USA 103: 632-636.##16. Kramer-Schadt, S., J. Niedballa, J. D. Pilgrim, B. Schröder, J. Lindenborn, V. Reinfelder, M. Stillfried, I. Heckmann, A. K. Scharf, D. M. Augeri, S. M. Cheyne, A. J. Hearn, J. Ross, D. W. Macdonald, J. Mathai, J. Eaton, A. J. Marshall, G. Semiadi, R. Rustam, H. Bernard, R. Alfred, H. Samejima, J. W. Duckworth, C. Breitenmoser-Wuersten, J. L. Belant, H. Hofer and A. Wilting. 2013 The importance of correcting for sampling bias in Maxent species distribution models. Diversity and Distributions 19: 1366-1379.##17. Gross, J. E., M. C. Kneeland, D. F. Reed and R. M. Reich. 2002. Gis-based habitat models for mountain goats. Journal of Mammalogy 83: 218-228.##18. Guisan, A. and W. Thuiller. 2005. Predicting species distribution: offering more than simple habitat models. Ecology Letters 8: 993-1009.##19. Hirzel, A. H., G. Le Lay, V. Helfer, C. Randian and A. Guisan. 2006. Evaluating the ability of habitat suitability models to predict species presences. Ecological Modelling 199: 142-152.##20. Liu, C., P. M. Berry, T. P. Dawson and R. G. Pearson. 2005. Selecting thresholds of occurrence in the prediction of species distribution. Ecography 28: 385-393.##21. Lu, C. Y., W. Gu, A. H. Dai and H. Y. Wei. 2012. Assessing habitat suitability based on geographic information system (GIS) and fuzzy: A case study of Schisandra sphenanthera Rehd. et Wils. in Qinling Mountains, China. Journal of Ecological Modelling 242: 105-115.##22. Matawa, F., A. Murwira and K. S. Schmidt. 2012. Explaining elephant (Loxodonta africana) and buffalo (Syncerus caffer) spatial distribution in the Zambezi Valley using maximum entropy modeling. Ecological Modelling 242: 189-197.##23. Moreira, D. d. O., G. R. Leite, M. Fd. Siqueira, B. R. Coutinho, M. S. Zanon and S. L. Mendes. 2014. The distributional ecology of the maned sloth: Environmental influences on its distribution and gaps in knowledge. PLOS ONE 9(10): e110929.##24. Morovati, M., M. Karami and M. Kaboli. 2014. Desirable areas and effective environmental factors of wild goat habitat (capra aegagrus). International Journal of Environmental Research 8:1031-1040.##25. Navinder, J., G. Singh and L. Yoccoz. 2009. Using habitat suitability models to sample rare species in high-altitude ecosystems: a case study with Tibetan argali. Biodiversity Conservation 18: 2893-2908.##26. Nazeri, M., K. Jusoff, N. Madani, A. R. Mahmud, A. R. Bahman and L. Kumar. 2012. Predictive modeling and mapping of malayan sun bear (helarctos malayanus) distribution using maximum entropy. PLOS ONE 7(10): e48104.##27. Northrup, J., G. Stenhouse and M. Boyce. 2012. Agricultural lands as ecological traps for grizzly bears. Animal Conservation 15:369-377.##28. Ranci Ortigosa, G., G. A. De Leo and M. Gatto. 2000. VVF: integrating modelling and GIS in a software tool for habitat suitability assessment. Environmental Modelling & Software 15: 1-12.##29. Rodrı´guez-Soto, C., O. Monroy-Vilchis, L. Maiorano, L. Boitani, J. C. Faller, M. A. Briones, R. Nu´n˜ez, O. Rosas-Rosas, G. Ceballos and A. Falcucci. 2011. Predicting potential distribution of the jaguar (Panthera onca) in Mexico: identification of priority areas for conservation. Diversity and Distributions 17: 350-361.##30. Sarhangzadeh, J., A. R. Yavari, M. R. Hemami, H. R. Jafari and B. Shamsesfandabad. 2013. Habitat suitability modeling for wild goat (Capra aegagrus) in amountainous arid area. Central Iran. Caspian Journal of Environmental Sciences 11: 41-51.##31. Shams Esfandabad, B., M. Karami, B. Riazi and M. B. Sadough. 2010. Habitat associations of wild goat in central Iran: implications for conservation. European Journal of Wildlife Research 56: 883-894.##32. Smith, T. S., J. T. Flinders and D. S. Winn. 1991. A habitat evaluation procedure for reintroducing Rocky Mountain big horn sheep in the intermountain west. The Great Basin Naturalist 51: 205-225.##33. Sweet, J. A. 1988. Measuring the accuracy of diagnostic system. Science 240: 1285-1293.##34. Thomas, C. D., A. Cameron, R. E. Green, M. Bakkenes, L. J. Beaumont, Y. C. Collingham, B. F. Erasmus, M. F. De Siqueira, A. Grainger, L. Hannah, L. Hughes, B. Huntley, A. S. Van Jaarsveld, G. F. Midgley, L. Miles, M. A. Ortega-Huerta, A. T. Peterson, O. L. Phillips and S. E. Williams. 2004. Extinction risk from climate change. Nature 427: 145-148.##35. Thuiller, W., D. M. Richardson, P. Pysek, G. Midgley, G. O. Hughes and M. Rouget. 2005. Niche-based modeling as a tool for predicting the risk of alien plant invasions at a global scale. Global Change Biology 11: 2234-2250.##36. Titeux, N. 2006. Modelling species distribution when habitat occupancy departs from suitability application to birds in a landscape context. PhD. Thesis, E´cole doctorale en biodiversite´. universite´ catholique de Louvain.##37. Tremblay, A. M. and A. D. Dibb. 2002. Modelling and restoration of bighorn sheep habitat within and adjacement to Kootwnay national park, British Columbia. Ecological Modelling 163: 251-264.##38. Weinberg, P., T. Jdeidi, M. Masseti, I. Nadler, K. Smet and F. Cuzin. 2008. Capra aegagrus. In: IUCN 2011 Red List of Threatened Species.URL:http://www.iucnredlist.org/##39. Whiting, J. C., J. T. Flinders and G. L. Ogborn. 2001. GIS winter and lambing range habitat models for reintroducing bighorn sheep in North Central Utah. Biological Conservation 138: 207-223.##40. Yamada, K. J., M. Elith, M. Mccarthy and A. Zerger. 2003. Elicting and intrgrating expert knowledge for wildlife habitat modeling. Ecological Modelling 165: 251-264.##41. Zeigenfuss, L. C., F. J. Singer and M. A. Gudorf. 2000. Test of a modified habitat suitability model for bighorn sheep. Restoration Ecology 8: 38-46.## ##

استفاده از بعد فراکتالی برای بررسی اثر مقیاس بر حساسیت سنجه‌های سیمای سرزمین Application of Fractal Dimension to Assess the Effect of Scale on the Sensitivity of Landscape Metrics 1 1 حساسیت سنجه‌های سیمای سرزمین به عامل مقیاس یکی از اصلی‌ترین چالش‌های پیش رو در مطالعات اکولوژی سیمای سرزمین و کمی‌سازی الگوهای مکانی به‌شمار می‌آید. مطالعه حاضر نیز در این راستا با استفاده از شاخص فراکتالی به بررسی اثر مقیاس بر حساسیت سنجه‌های سیمای سرزمین در بخش‌هایی از مناطق دشتی شمال کشور (پیرامون شهر ساری) پرداخته است. با پردازش تصاویر ماهواره‌ای لندست 8 (سنجنده OLI)، نقشه طبقات کاربری/ پوشش زمین تهیه و با استفاده از روش سلول- مرکزی به نقشه‌هایی با مقیاس‌های مکانی 30، 60، 120، 150، 200، 250 و 300 متر تبدیل شدند. سپس سنجه‌های سیمای سرزمین در سطح سیمای سرزمین برای کلیه نقشه‌ها محاسبه شد. در نهایت برای هر سنجه، معادلات رگرسیون خطی با تبدیل مقادیر سنجه‌ها به مقیاس لگاریتمی تشکیل و دو شاخص ضریب تعیین معادله و بعد فراکتال آنها محاسبه گردید. ضریب تعیین برای کلیه سنجه‌های تنوع برابر با مقدار صفر و برای سایر سنجه‌ها در دو دسته کلی حساسیت زیاد (R- افزایشی) و بدون حساسیت (N- بدون اثر) به‌دست آمد. تفسیر نتایج حاصل از این دو شاخص به‌خوبی توانست میزان حساسیت سنجه‌های سیمای سرزمین به عامل مقیاس (ضریب تعیین معادله) و نیز جهت و شدت تغییر سنجه‌ها به عامل مقیاس (بعد فراکتال) را نشان دهد. 2 The sensitivity of landscape metrics to the scale effect is one of the most challenging issues in landscape ecology and quantification of land use spatial patterns. In this study, fractal dimension was employed to assess the effect of scale on the sensitivity of landscape metric in the north of Iran (around Sari) as the case study. Land use/ cover maps were derived from Landsat-8 (OLI sensor) image processing and its spatial scale was downgraded to 30, 60, 120, 150, 200, 250, and 300 by cell-center method. After that, landscape-level metrics were quantified. Finally, linear regressions were formed for the every metric based on the logarithmic transformation and the Coefficient of Determination and Fractal Dimension were computed as well. The coefficient of determination for all measures of diversity was zero and for other measures in two general categories: high sensitivity (R- redundant) and without sensitivity (N- no effect). Results acquired from the two indicators were perfectly delineated the sensitivity of landscape metrics to the scale effect (Coefficient of Determination) as well as the direction and magnitude of the landscape metrics (Fractal dimension). 85 97 2016/09/52016/09/52016/09/52016/09/52016/09/62016/09/62016/09/6 1395/6/16 2016/09/52016/09/52016/09/52016/09/52016/09/62016/09/62016/09/6 1395/6/16 روشنک افراخته R. Afrakhteh دانشگاه هرمزگان ایران علی عسگریان A. Asgarian دانشگاه صنعتی اصفهان ایران asgarian.z@gmail.com علیرضا سفیانیان A. Soffianian دانشگاه صنعتی اصفهان ایران Coefficient of Determination Fractal Dimension Landscape Metrics Scale Effect. ضریب تعیین بعد فراکتال سنجه‌های سیمای سرزمین اثر مقیاس 6. Agapiou, A., G. Diofantos, C. Hadjimitsis, D. Papoutsa, A. Alexakis and G. Papadavid. 2011. The importance of accounting for atmospheric effects in the application of NDVI and interpretation of satellite imagery supporting archaeological research. Remote Sensing 3(12): 2605-2629.##7. Amiri, B. J. and K. Nakane. 2009. Modeling the linkage between river water quality and landscape metrics in the hugoku District of Japan. Water Resources Management 23(5): 931-956.##8. Anderson, J. R., E. Hardey, J. Roach and R. Witmer. 1976. A Land Use and Land Cover Classification System for Use. US Geological survey Press, 28 p.##9. Asgarian, A., B. J. Amiri and Y. Sakieh. 2014. Assessing the effect of green cover spatial patterns on urban land surface temperature using landscape metrics approach. Urban Ecosystems 18(1): 209-222.##10. Bailey, D., F. Herzog, I. Augenstein, S. Aviron, R. Billeter and E. Szerencsits. 2007. Thematic resolution matters: indicators of landscape pattern for European agro-ecosystems. Ecological Indicators 7: 692-709.##11. Baldwin, D., K. Weaver, F. Schnekenburger and A. H. Perera. 2004. Sensitivity of landscape pattern indices to input data characteristics on real landscapes: implications for their use in natural disturbance emulation. Landscape Ecology 19: 255-271.##12. Benedek, Z., A. Nagy, I. A. Rácz, F. Jordán and Z. Varga. 2011. Landscape metrics as indicators: quantifying habitat network changes of a bush-cricket Pholidoptera transsylvanica in Hungary. Ecological Indicators 11: 930-933. ##13. Buyantuyev, A., J. Wu and C. Gries. 2010. Multiscale analysis of the urbanization pattern of the Phoenix metropolitan landscape of USA: time, space and thematic resolution. Landscape and Urban Planning 94: 206-217.##14. Farina, A. 2006. Principles and Methods in Landscape Ecology. Dordrecht: Springer, 412 p.##15. Feng, Y., Y. Liu, Q. Zhou and Z. Han. 2013. A fractal based quantification analysis of spatial grain characteristics and its variation in landscape fragmentation of Shanghai. Ecology and Environmental Science 22(3): 443-450.##16. Forzieri, G and F. Catani. 2011. Scale-dependent relations in land cover biophysical dynamics. Ecological Modeling 222: 3285-3290.##17. Griffitha, S., T. Stehmanb, S. Sohl and T. Loveland. 2003. Detecting trends in landscape pattern metrics over a 20-year period using a sampling-based monitoring programme. International Journal of Remote Sensing 24: 175-181.##18. Herzog, F., A. Lausch, E. Muller, H. Thukle, T. Steinhart and S. Lehman. 2001. Landscape Metrics for Assessment of Landscape Destruction and Rehabilitation. Environmental Management 27(1): 91-107.##19. Kelly, M., K. A. Tuxen and D. Stralberg. 2011. Mapping changes to vegetation pattern in a restoring wetland: finding pattern metrics that are consistent across spatial scale and time. Ecological Indicators 11: 263-273.##20. Lang, S. and D. Tiede. 2003. vLATE extension für ArcGIS e vektorbasiertes tool zur quantitativen lands chafts struktur analyse. In: ESRI Anwenderkonferenz Innsbruck.##21. Leitão, A., J. Miller, J. Ahern and K. McGarigal. 2012. Measuring Landscapes: A planner's handbook. Island press, 438 p. ##22. Lustiga, L., D. Audrey, B. Stouffer, R. Mariona and P. Wornera. 2015. Towards more predictable and consistent landscape metrics across spatial scales. Ecological Indicators 57: 11-21. ##23. McFeeters, S. K. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Remote Sensing Letters 17(7): 1425-1432.##24. McGarigal, K. and B. Marks. 1995. Spatial pattern analysis program for quantifying landscape structure Gen Tech Rep PNW-GTR-351 US Department of Agriculture, Forest Service, Pacific Northwest Research Station.##25. McGarigal, K., S, Cushman, M. Neel and E. Ene. 2002. FRAGSTATS: spatial pattern analysis program for categorical maps. University of Massachusetts, Amherst Press, 229 p.##26. Rempel, R. S. 2008. Patch Analyst 4-History. URL. http://flash.lakeheadu.ca/rrempel/ patch/whats_new.html.##27. Rutledge, D. T. 2003. Landscape indices as measures of the effects of fragmentation: can pattern reflect process? ##28. Sakieh, Y., A. Salmanmahiny and J. Jafarnezhad. 2015. Evaluating the strategy of decentralized urban land-use planning in a developing region. Land Use Policy 48: 534-551.##29. Saura, S. and S. Castro. 2007. Scaling functions for landscape pattern metrics derived from remotely sensed data: are their subpixel estimates really accurate? ISPRS Journal of Photogrammetry and Remote Sensing 62: 201-216.##30. Simova, P. and K. Gdulova. 2012. Landscape indices behavior: A review of scale effects. Applied Geography 34: 385-394.##31. Uuemaa, E., J. Roosaare and Ü. Mander. 2005. Scale dependence of landscape metrics and their indicatory value for nutrient and organic matter losses from catchments. Ecological Indicators 5: 350-369. ##32. Wu, J. E., D. Jelinski, L. Matt and P. T. Tueller. 2009. Multiscale Analysis of Landscape Heterogeneity: Scale Variance and Pattern Metrics. Geographic Information Sciences 6(1): 6-19.##33. Yu, L., E. J. Porwal, C. Holden and M. C. Dentith. 2012. Towards automatic lithological classification from remote sensing data using support vector machines. Computers and Geosciences 45:229-239.##34. Zhang, H. and A. Wang. 2006. Planning an ecological network of Xiamen Island (China) using landscape metrics and network analysis. Landscape and Urban Planning 78: 449-456.##1. آرنوف، آ. 1391. سنجش از دور برای مدیران جی آی اس. انتشارات دانشگاه تهران، 732 ص.##2. جعفری، ش.، ا. علیزاده. و ک. جعفری. 1392. بررسی اثر مقیاس برروی متریک‌های سیمای سرزمین، نخستین کنفرانس بین‌المللی اکولوژی سیمای سرزمین، اصفهان، آبان 1392.##3. عبدالهی، ص و ع. ر. سلمان ماهینی. 1394. بررسی تأثیر مقیاس بر مدل‌سازی زیستگاه پلنگ در پارک ملی گلستان. پژوهش‌های محیط زیست 6(11): 179-108.##4. عسگریان، ع. و ب. جباریان. 1394. بررسی اثر مقیاس بر حساسیت سنجه‌های سیمای سرزمین. مجله محیط زیست طبیعی 68(3): 441-431.##5. عسگریان، ع.، ب. جباریان امیری، ا. علیزاده و ج. فقهی. 1394. بررسی الگوهای توسعه در شهر ساری با استفاده از رهیافت اکولوژی سیمای سرزمین. مجله محیط زیست طبیعی 68(1): 107-95.## ##