ارزیابی تغییرات زمانی و مکانی عامل فرسایندگی باران و شدت فرسایندگی (مطالعه موردی: حوزه آبخیز مندرجان، استان اصفهان) Evaluating the Spatial-Temporal Variations of Rainfall Erosivity and Erosivity Density (A Case Study: Menderjan Watershed, Isfahan Province) 1 1 یکی از عوامل تعیین‌کننده میزان فرسایش آبی خاک، فرسایندگی باران است. فرسایندگی باران به‌وسیله کل انرژی رگبار و حداکثر شدت 30 دقیقه‌ای تعیین می‌شود. از آنجا‌ که فرسایندگی باران رابطه نزدیکی با مقدار بارش و رژیم شدت بارش دارد، انتظار می‌رود که فرسایندگی باران به‌صورت ماهانه و فصلی در طول سال متغیر باشد. هدف اصلی این مطالعه، مدل‌سازی تغییرات مکانی و زمانی فرسایندگی باران، تراکم فرسایندگی و تأثیر آن بر میزان فرسایش خاک در حوزه آبخیز مندرجان است. در این پژوهش با استفاده از داده‌های بارش یک‌دقیقه‌ای ایستگاه‌های باران‌نگار مجاور حوضه در طول دوره آماری 11 ساله (1394-1384) عامل فرسایندگی باران به‌صورت متوسط ماهانه محاسبه شد، سپس با استفاده از فناوری‌های زمین‌آمار اقدام به پهنه‌بندی شد. مقایسه نقشه‌های فرسایندگی بارش ماهانه، فصلی و سالانه نشان داد که بیشترین فرسایندگی باران در فصل پاییز (حدود 41 درصد) و کمترین آن در فصل تابستان (کمتر از یک درصد) مشاهده شد. نتایج نشان داد که آبان‌ماه با 65 (مگاژول در میلی‌متر بر هکتار بر ساعت بر ماه) بیشترین مقدار فرسایندگی و مردادماه با مقدار صفر، کمترین مقدار فرسایندگی را دارد. این مطالعه نشان داد، انتظار می‌رود بالاترین خطر فرسایش خاک در ماه آبان باشد، زیرا که در این ماه نه‌ تنها فرسایندگی باران زیاد است، بلکه تراکم فرسایندگی نیز زیاد است. 2 Rainfall erosivity is one of the factors determining the amount of water erosion in the soil. Rainfall erosivity is determined by the total rainstorm energy and the maximum intensity in 30 minutes (I30). Since rainfall erosivity is closely related to the amount and intensity of rainfall, it is expected that the rainfall erosivity would change monthly and seasonally throughout the year. The main objective of this study was the spatial and temporal variation modeling of rainfall erosivity, erosivity density and their impacts on the soil erosion in Menderjan watershed. In this research, by using rainfall data with 1 minute from the rain gauge in the proximity of the basin during the 11-year statistical period (2005-2015), the rainfall erosivity factor (R) was calculated on a monthly average; then it was mapped using geostatistical technologies. Comparison of the monthly, seasonal and annual rainfall erosivity maps showed the highest rainfall erosivity occur in autumn (about 41 percent), while the lowest one was recorded in summer (less than 1%), respectively. According to the results obtained the maximum amount of erosivity was observed in November, which was 65 (MJ.mm.ha-1.h-1.month-1), while the lowest amount was observed in August. This study showed that the highest risk of soil erosion was expected to occur in November, because this month is not only the time of rainfall erosion, but also involves a high erosion density. 1 17 2017/09/10 1396/6/19 2019/04/24 1398/2/4 شاهین محمدی Sh. Mohamadi دانشگاه صنعتی اصفهان ایران shahin_mohammadi70@yahoo.com حمیدرضا کریم زاده H.R. Karimzadeh دانشگاه صنعتی اصفهان ایران karimzadeh@cc.iut.ac.ir سعید پورمنافی S. Pourmanafi دانشگاه صنعتی اصفهان ایران spmanafi@yahoo.com میثم علیزاده M. Alizadeh دانشگاه صنعتی اصفهان ایران m.shesh@na.iut.ac.ir Erosivity density RUSLE Mapping Zayandeh rud dam تراکم فرسایندگی RUSLE پهنه‌بندی سد زاینده‌رود 1. Aguilar, E., A. A. Barry, M. Brunet, L. Ekang, A. Fernandes and M. Massoukina. 2009. Changes in temperature and rainfall extremes in western central Africa, Guinea Conakry, and Zimbabwe, 1955-2006. Journal of Geophysical Research 114: 1-11.##2. Alipour, Z. T., M. H. Mahdian, E. Pazira, S. Bandarabadi and M. Saeidi. 2010. Efficiency comparison of common geostatistices methods with of fuzzy kriging method in preparing rainfall isoerodent map in namak lake watershed. Watershed Management Research Journal 86: 32-41 (in Persian).##3. Arekhi, S., Y. Niazi and A. M. Kalteh. 2012. Soil erosion and sediment yield modeling using RS and GIS techniques: A case study, Iran. Arabian Journal of Geosciences 5(2): 285-296.‌##4. Arnoldus, H. M. J. 2003. An approximation of the rainfall factor in the Universal Soil Loss Equation, PP. 127-132. In: De Boodt, M., D. Gabriels (Eds.), Assessment of Erosion, Chichester, New York.##5. Bonilla, C. A. and K. L. Vidal. 2011. Rainfall erosivity in central Chile. Journal of Hydrology 410(1): 126-133.##6. Borrelli, P., N. Diodato and P. Panagos. 2016. Rainfall erosivity in Italy: a national scale spatio-temporal assessment. International Journal of Digital Earth 9(9): 835-850.##7. Brown, L. and G. Foster. 1987. Storm erosivity using idealized intensity distributions. Transactions of the ASAE 30: 379-386.##8. Da Silva, A. M. 2004. Rainfall erosivity map for Brazil. Catena 57: 251-259.##9. Wiecheteck, M. and B. W. Zuercher. 2011. Spatial assessment of indices for characterizing the erosive force of rainfall in El Salvador Republic. Environmental Engineering Science 28: 309-316.##10. Dabney, S. M., D. C. Yoder, D. Vieira and R. L. Bingner. 2011. Enhancing RUSLE to include runoff-driven phenomena. Hydrological Processes 25: 1373-1390.##11. Foster, G. R., D. C. Yoder, G. A. Weesies, D. K. McCool, K. C. McGregor and R. Bingner 2008. Draft User’s Guide, Revised Universal Soil Loss Equation Version 2 (RUSLE-2), USDA, Washington.##12. Fournier, F. 1960. Climate et Erosion; la Relation Entre Lerosion du Sol Par Leau et Les Precipitations Atmospheriques. First Edition. Presses Universitaires de France, Paris, 201 p. (In French).##13. Gitas, I. Z., K. Douros, C. Minakou, G. N. Silleos and C. G. Karydas. 2009. Multi-temporal soil erosion risk assessment in N. Chalkidiki using a modified USLE raster model. EARSeL eProceedings 8(1): 40-52.‌##14. Hakim Khani, Sh. and A. Hakim Khani. 2010. Mapping erosivity for Lorestan province. Journal of Watershed Management 89: 62-79 (in Persian).##15. Hoyos, N., P. R. Waylen. and A. Jaramillo. 2005. Seasonal and spatial patterns of erosivity in a tropical watershed of the Colombian Andes. Journal of Hydrology 314: 177-191.##16. Hudson, N. 1971. Soil conservation. Billing & Sons Ltd, Great Britain, 320 p.##17. Jing, Z., Z. Xu-dong, Z. Jin-xing, Z. Xiao-ling. and W. Zhong-jian. 2009. Calculation and Characterization of Rainfall Erosivity in Small Watersheds of Hilly Region in Northwest Hunan (in Chinese). Journal of Ecology Rural Environment 25: 32-36.##18. Kavian, A., G. Jafarian, A. Jahanshahifard. and M. Gulshan. 2016. Maping rain erosivity in the Kerman province with geostatistical method. Journal of Physical Geography Research 48(1): 51-68 (in Persian).##19. Klik, A., K. Haas, A. Dvorackova and I. C. Fuller. 2015. Spatial and temporal distribution of rainfall erosivity in New Zealand. Soil Research 53: 815-825.##20. Laceby, J. P., C. Chartin, O. Evrard, Y. Onda, L. Garcia-Sanchez. and O. Cerdan. 2016. Rainfall erosivity in catchments contaminated with fallout from the Fukushima Daiichi nuclear power plant accident. Hydrology Earth System 20: 2467-2482.##21. Lai, C., C. Xiao Hong, W. Zhaoli, W. Xushu, Z. Shiwei. and W. Xiaoqing. 2016. Spatio-temporal variation in rainfall erosivityduring 1960-2012 in the Pearl River Basin, China. Catena 137: 382-391.##22. Lal, R. 1976. Soil erosion on Alfisols in Western Nigeria: Effects of rainfall characteristics. Geoderma 16(5): 389-401.##23. Lee, J. S. and J. Y. Won. 2013. Analysis of the characteristic of monthly rainfall erosivity in Korea with derivation of rainfall energy equation. Journal of Korean Society of Hazard Mitigation 13: 177-184.##24. Lee, J. H. and Heo, J. H. 2011. Evaluation of estimation methods for rainfall erosivity based on annual precipitation in Korea. Journal of Hydrology 409(1): 30-48.##25. Leek, R. and P. Olsen. 2000. Modelling climatic erosivity as a factor for soil erosion in Denmark: Changes and temporal trends. Soil Use Manage 16: 61-65.##26. Mannaerts, C. M. and D. Gabriels. 2000. Rainfall erosivity in Cape Verde. Soil and Tillage Research 55(3): 207-212.##27. Masudian, S. A. 2011. Iran Weather. Mashhad Sharie Toos Press, 288 p (In Persian).##28. Meshesha, D., A. Tsunekawa, A. Tsubo, N. Haregeweyn. and E. Adgo. 2015. Evaluating spatial and temporal variations of rainfall erosivity, case of Central Rift Valley of Ethiopia. Theoretical and Applied Climatology 119: 515-522.##29. Mohammadi, Sh. 2017. Estimating of erosion and sediment in the Menderjan watershed by RS and GIS, MSc watershed management, IUT, Natural Resources. 107 p.##30. Mohammadi, Sh., H. R. Karimzadeh, S. Pourmanafi. and S. Soltani. 2016. Evaluate spatial rainfall erosivity (Menderjan), the 2nd International Conference LALE-Iran, 26-27 Oct, Isfahan University of Technology (In Persian).##31. Mohammadi, Sh., H. R. Karimzadeh, S. Pourmanafi and M. Alizadeh. 2018. Spatial and temporal evaluation of soil erosion using RUSLE model landsat satellite image time series (Case Study: Menderjan, Isfahan). Journal of Range and Watershed Management 3: 759-774.##32. Morgan, R. P. C. 1995. Soil Erosion and Conservation. AddisonWesley, London. ##33. Nikkami, D. and Mahdian, D. H. 2013. Mapping rain erosivity indicator of the country Iran. Journal of Engineering and watershed management 6(4): 364-376.##34. Onchev, N. G. 1985. Universal index for calculating rainfall erosivity. PP. 424-431. In: El-Swaify, S. A., W. C. oldenhauer and A. Lo. (Eds.), Soil Erosion and Conservation, Soil Conservation Society of America, Ankeny.##35. Panagos, P., P. Borrelli, J. Spinoni, C. Ballabio, K. Meusburger and S. Beguería. 2016. Monthly rainfall erosivity: conversion factors for different time resolutions and regional assessments. Water 8(4): 1-18.‌##36. Sadeghi, S. H. and Sh. Tavangar. 2015. Development of stational models for estimation of rainfall erosivity factor in different timescales. Natural Hazards 77: 429-443.##37. Sadeghi, S. H. R. and Z. Hazbavi. 2015. Trend analysis of the rainfall erosivity index at different time scales in Iran. Natural Hazards 77: 383-404.##38. Sadeghi, S., M. Moatamednia and M. Behzadfar. 2011. Spatial and temporal variations in the rainfall erosivity factor in Iran. Journal of Agricultural Science and Technology 13: 451-464.##39. Schmidt, S., C. Alewell, P. Panagos and K. Meusburger. 2016. Regionalization of monthly rainfall erosivity patterns in Switzerland. Hydrology and Earth System Sciences 20(10): 4359-4373.##40. Smithen, A. A. and R. E. Schulze. 1982. The spatial distribution in southern Africa of rainfall erosivity for use in the Universal Soil Loss Equation. Water 8(2):74-78.##41. Terranova, O. G. and S. L. Gariano. 2015. Regional investigation on seasonality of erosivity in the Mediterranean. Environmental Earth Sciences 73: 311-324.##42. Vrieling, A., J. C. Hoedjes and M. van. 2014 .Towards largescale monitoring of soilerosion in Africa: Accounting for the dynamics of rainfall erosivity. Global Planet Change 115: 33-43. ##43. Wang, L. L., E. Yang, J. Huang and P. Jiao. 2013. Spatial and temporal characteristics of rainfall erosivity of Shanghai in recent ten years. Applied Mechanics and Materials 295: 2084-2089.##44. Wichmeier, W. H. and D. D. Smith. 1978. Predicting rainfall losses: A Guide to Conservation Planning. Agriculture Handbook No. 537, US Department of Agriculture, Washington, 537 p.##45. Wilkes, G. and M. Sawada. 2005. Geostatistical derived Great Lakes USLE monthly rainfall erosivity factors. Journal Great Lakes Research 31: 155-165.##46. Yang, X., B. Yu and X. Xie. 2015. Predicting changes of rainfall erosivity and hill slope erosion risk across Greater Sydney Region, Australia. International Journal of Geospatial and Environmental Research 2(1): 1-2.##47. Yang, X., B. Yu and Q. Zhu. 2015. Climate change impacts on rainfall erosivity and hill slope erosion in NSW, 21st International congress on Modeling and Simulation, Gold Coarst, Australia, pp. 1572-1578.##48. You, Q. L., S. C. Kang, E. Aguilar, N. Pepin, W. A. Flugel, P. Yan, Y. Xu, Y. Zhang and J. Huang. 2011. Changes in daily climate extremes in China and their connection to the large scale atmospheric circulation during 1961-2003. Climate Dynamic 36: 2399-2417.##49. Zabihi, M., S. H. R. Sadeghi and M. Vafa khah. 2015. Spatial analysis of rainfall erosivity index patterns at different time scales in Iran. Watershed Engineering and Management 7(4): 442-457.##50. Zhao, Q., Q. Liu, L. Ma, S. Ding, S. Xu, C. Wu and P. Liu. 2017. Spatiotemporal variations in rainfall erosivity during the period of 1960-2011 in Guangdong Province, southern China. Theoretical and Applied Climatology 128(2): 113-128.‌##51. Zhu, Q., X. Chen, Q. Fan, H. Jin and J. Li. 2011. A new procedure to estimate the rainfall erosivity factor based on Tropical Rainfall Measuring Mission (TRMM) data. Science China Technological Sciences 54: 2437-2445.## ##

اثر تغییر روش برداشت بر شاخص‌های زراعی و فیزیولوژیکی ارقام نیشکر The Effect of Changing the Harvesting Method on the Agronomic and Physiological Characteristics of Sugarcane Cultivars 1 1 جایگزینی روش متداول برداشت نیشکر (سوزاندن مزرعه قبل از برداشت) با روش برداشت سبز میتواند یکی از مهم‌ترین عوامل تأثیرگذار بر پایداری تولید نیشکر و حفظ تعادل اکولوژیکی در منطقه خوزستان باشد. به منظور بررسی امکان برداشت سبز نیشکر و اثرات آن بر شاخصهای زراعی و فیزیولوژیکی ارقام نیشکر، آزمایشی در کشت و صنعت امام خمینی واقع درشمال خوزستان در سال زراعی 1395-1394 اجرا شد. آزمایش به صورت کرتهای خرد شده بر پایه بلوکهای کامل تصادفی که ارقام نیشکر زودرس (CP48-103)، میان‌رس (CP69-1062) و دیررس (CP73-21) بهعنوان کرت اصلی و پنج روش برداشت و عملیات راتونینگ به‌عنوان فاکتور فرعی با چهار تکرار درنظر گرفته شد. نتایج مقایسه میانگینها نشان داد، برداشت سبز بر بیشتر صفات زراعی نیشکر اثر منفی داشت. عملکرد در روش برداشت سبز به‌طور متوسط 12/5 درصد در مقایسه با روش متداول کاهش یافت. از طرف دیگر در روشهای برداشت سبز حجم آب مصرفی کاهش قابل ملاحظهای (10 هزار متر مکعب در هکتار) داشت. با توجه به معضل اساسی آب در کشور و بخش کشاورزی برداشت سبز نیشکر می‌تواند نقش مهمی در پایداری اکوسیستم و تولید نیشکر در خوزستان داشته و موجب بهره‌برداری بهتر از منابع شود. 2 Replacement of the usual harvesting sugarcane method (burning field before harvesting) by green harvesting method could be the most important factor contributing to the ecological balance and stable sugarcane production in the Khuzestan region. To evaluate the green harvesting sugarcane method and its effects on the agronomic and physiological characteristics of sugarcane cultivars, a field experiment was conducted in Imam Khomeini Agro Industry during the 2015-2016 period. The experiment was carried out using a split plot design based on complete randomized block with four replications. Cultivars of Sugarcane as the main plots (CP73-21, CP69-1062 and CP69-1062) and five harvesting methods and ratooning as the sub plots were investigated. The results showed green harvesting method had a significant negative effect on nearly all agronomic and physiologic characteristics. Yield was reduced about %12.5 in the green harvesting methods. On the other hand, the results showed water consumption was substantially decreased (10,000 m-3) in the green harvesting method. Regarding problems in water supply for agricultural production in Iran, green harvesting of sugarcane could play an important role in ecosystem sustainability and sugarcane production of Khuzestan, aiding the better consumption of natural resources. 19 32 2017/09/102018/09/15 1397/6/24 2019/04/242019/05/4 1398/2/14 رضا مرادی R. Moradi دانشگاه رامین اهواز ایران rezamoradienagri@gmail.com سید عطاالله سیادت S. A. Siadat دانشگاه رامین اهواز ایران seyedatasiadat@gmail.com عبدالرضا سیاهپوش A. Siahpoosh دانشگاه رامین اهواز ایران siahpoush@ramin.ac.ir عبدالمهدی بخشنده A. Bakhshandeh دانشگاه رامین اهواز ایران Bakhshandeh50@yahoo.com محمد رضا مرادی تلاوت M. R. Moradi Telavat دانشگاه رامین اهواز ایران moraditelavat@yahoo.com Green harvesting Trash blanket Yield Water consumption Nitrogen برداشت سبز تراش بلانکت عملکرد مصرف آب نیتروژن 1. Abbasi, F. and A. S. Shinid Shatgal. 2016. Evaluation and improvement of irrigation management of joints in Khuzestan sugar cultivated lands. Journal of Water and Soil Science 26(42): 121-109.##2. Azizi, H. 1999. Sugarcane irrigation. Succork study project, Karoon Agro Industry, 140 p.##3. Ball-Coelho, B., H. Tiessen, J. W. B. Stewart, I. H. Salcedo and E. V. S. B Sampaio. 1993. Residue management effects on sugarcane yield and soil properties in Northeastern Brazil. Agronomy Journal 85: 1004-1008.##4. Biederbeek, V. D., C. A. Campel Bowren, K. E. Schnitzer and R. N. Mclever. 1980. Effect of burning cereal straw on soil properties and grain yields in sasketchwan. Soil Science Society of America Journal 44: 103-111.##5. Chapman, L. S., P. L. Larsen and J. Jackson. 2001. Trash conservation increases cane yield in the Mackay District. Australian Society of Sugar Cane Technologists 23: 176-184.##6. Cheong, L. R. and M. Teeluck. 2015. The practice of green cane trash blanketing in the irrigated zone of mauritius: Effects on soil moisture and water use efficiency of Sugar Cane. Sugar Technology 18(2): 124-133.##7. Fogliata, F. A., J. Leiderman and R. E. Matiusi. 1968. Effect of trash burning on the temperatura and microbial population of the Soil. Congress Proceedings International Society of Sugar Cane Technologists 13: 720-737.##8. Gautier, H., C. L. A. U. D. E. Varlet-Grancher and L. Hazard. 1999. Tillering responses to the light environment and to defoliation in populations of perennial ryegrass (Lolium perenne L.) selected for contrasting leaf length. Annals of botany 83(4): 423-429.##9. Graham, M. H., R. J. Haynes and J. H. Meyer. 1999. Green cane harvesting promotes accumulation of soil organic matter and an improvement in soil health. Proceedings of the South African Sugar Technologists Association 83: 53-57.##10. Kasperbauer, M. J. and D. L. Karlen. 1986. Light‐mediated bioregulation of tillering and photosynthate partitioning in wheat. Physiologia Plantarum 66(1): 159-163.##11. Kingston, G. 2002. Experience with the green-cane trash-blanket production system in Australia industry experience and recent research. Memoria Tecnica 175-185.##12. Kingston, G., J. L. Donzelli., J. H. Meyer, E. P. Richard, S. Seeruttun, J. Torres and R. Van Antwerpen. 2008. Impact of the green-cane harvest production system on the agronomy of sugarcane. The Proceedings of the International Society of Sugar Cane Technologists 15: 521-533.##13. Moradi, F., B. Khalil Moghaddam, S. Jafari and Sh. Ghorbani Dashtaki. 2014. Evaluation of a number of soil ferroditic resistance models in some cultivars and sugarcane plants of Khuzestan province. Journal of Soil Management and Sustainable Production 4(2): 71-90.##14. Nunez, O. and E. Spaans. 2007. Evaluation of green cane harvesting and crop management with a trash blanket. International Society of Sugar Cane Technologists 26: 131-142.##15. Nunez, O and E. Spaans. 2008. Evaluatión of green cane harvesting and crop management with a trash blanket. Sugar Technology 10(1): 29-35.##16. Omrani, A. S. 2016. Green cane harvest. challenges and solutions. 8th National Conference on Iranian sugarcane technologist, 16-17 Feb.##17. Pourzar, R., R. Sayyad Mansour, S. R. Ahmadpour, K. Taherkhani and U. zand. 2011. The research on weeds and spruce weeds in the last 20 years in sugarcane cultivation in Khuzestan province and problems and solutions. Fourth Iranian Weed Science Conference 17 to 19 Bahman. 1-47##18. Ranjbar, H. and K. Kamali. 2004. Study of biology and dogwood efficiency in parasitoid seedlings of amygdala in Laboratory conditions. Journal of Agricultural Science 27(2): 81-71.##19. Richard, E. P. 2003. Implication of green-cane harvesting on planting and crop reestablishment: an overview International Society Sugarcane Technology. Agricultural Engineering workshop -Abstracts of Communications. http://issct.intnet.mu.##20. Roberston, F. A. and P. J. Thorburn. 2001. Crop reside effects on soil C and N cycling under Sugar Cane. PP. 112-119. In: Ball, R. M., B. C. Campbell and C. A. Watson (Eds.), Sustainable Management of Soil organic Matter CAB International, Wallingford.##21. Tang, K. H. and F. W. Ho. 1967. Studies on nine consecutive sugarcane ratoon and various methods of maintaining soil fertility in Taiwan. Proceedings of the International Society of Sugar Cane Technologists 13: 618-624.##22. Van Antwerpen, R., J. H. Meyer and P. E. T. Turner. 2001. The effects of cane trash on yield and nutrition from the 61 year old BTI trial at Mount Edgecombe. Proceedings of the South African Sugar Technologists' Association 75: 235-241.##23. Viator, R., R. Johnson and R. Edward. 2006. Autotoxic and allelopathic activity of post-harvest residue. Journal American Society of Sugar Cane Technology 25: 1526-1531.##24. Wood, A. W. 1991. Management of crop residues following green harvesting of sugarcane in north Queensland. Soil and Tillage Reserch 20: 69-85.## ##

ارزیابی ارتباطات سیمای سرزمین و پیش‌بینی کریدورهای مهاجرتی خرس سیاه بلوچی (Ursus thibetanus gedrosianus Blanford, 1877) در زیستگاه‌های جنوب شرقی ایران Assessment of Landscape Connectivity and Prediction of Migration Corridors for the Baluchistan Black Bear (Ursus thibetanus gedrosianus Blanford, 1877) in the Southeastern Habitats, Iran 1 1 خرس سیاه بلوچی یک گونه به‌شدت در خطر انقراض است که در جنوب شرق ایران پراکنش دارد. مدل‌سازی ارتباطات سیمای سرزمین بین لکههای زیستگاهی این گونه می‌تواند مورد استفاده مدیران حفاظت قرار گیرد. درنتیجه، مطالعه‌ای با هدف مدل‌سازی کریدورهای بالقوه خرس سیاه بلوچی میان 31 لکه زیستگاهی در ایران با استفاده از روش تئوری مدار انجام شد. نقشه مطلوبیت زیستگاه در نرم‌افزار MaxEnt با استفاده از 101 نقطه حضور و نه متغیر محیطی طراحی و معکوس این نقشه در مدل‌سازی کریدورهای زیستگاهی استفاده شد. سپس با استفاده از روش تئوری مدار، مناطق با قابلیت مهاجرت زیاد میان لکه‌های زیستگاهی با چهار خوشه تعیین شده در مطالعه پیشین (بر اساس مدل کمینه هزینه) مقایسه شدند. نتایج این مطالعه، سه خوشه اصلی با قابلیت مهاجرت زیاد برای خرس سیاه بلوچی تعیین کرد. همچنین هشت لکه زیستگاهی منزوی برای این گونه تعیین شد که نیازمند اقدامات مدیریتی سریع برای برقراری ارتباط با سایر لکههای زیستگاهی این گونه در این منطقه از ایران هستند. روش تئوری مدار به‌خوبی خوشه‌های اصلی معرفی شده برای حفاظت از این گونه را در جنوب شرقی ایران تأیید کرد. نتایج این مطالعه میتواند الگوی مناسبی برای اولویتبندی حفاظت از زیستگاههای خرس سیاه بلوچی در این ناحیه از ایران باشد. 2 The Baluchistan Black Bear (BBB), a critically endangered subspecies (CR), is distributed in the southeastern Iran. Modelling of landscape connectivity of the BBBs among habitat patches can be insightful for the conservation managers working in Iran. Our study was designed to identify the potential corridors among 31 habitat patches of the BBBs in Iran using the circuit theory method. Habitat suitability map was generated in MaxEnt using 101 presence points and nine environmental variables, which were later inversed and used in corridor modeling. By using the circuit theory method, areas of high migration density were compared with four clusters determined in a previous study based on the least-cost model. Three main clusters with the high migration density of BBB were detected. Moreover, we identified eight insular habitat patches of the species that required urgent management actions to connect with other patches in the southeastern Iran. Circuit theory method clearly confirmed the main clusters introduced for the conservation of the BBBs in the southeastern Iran. Results of this study could be, therefore, used as a suitable pattern for the conservation priorities of BBBs habitats in this part of Iran. 33 45 2017/09/102018/09/152018/10/8 1397/7/16 2019/04/242019/05/42019/05/11 1398/2/21 کامران الماسیه K. Almasieh دانشگاه علوم کشاورزی و منابع طبیعی خوزستان ایران almasieh@ramin.ac.ir محمد کابلی M. Kaboli دانشگاه تهران ایران mkaboli@ut.ac.ir Landscape connectivity Baluchistan black bear Circuit theory Least-cost model ارتباطات سیمای سرزمین خرس سیاه بلوچی تئوری مدار مدل کمینه هزینه 1. Adriaensen, F., J. P. Chardon, G. De Blust, E. Swinnen, S. Villalba, H. Gulinck and E.Matthysen. 2003. The application of ‘least-cost’ modelling as a functional landscape model. Landscape and Urban Planning 64: 233-247.##2. Almasieh, K., M. Kaboli and P. Beier. 2016. Identifying habitat cores and corridors for the Iranian black bear in Iran. Ursus 27(1): 18-30.##3. Barea-Azcón, J. M., E. Virgós, E. Ballesteros-Duperón, M. Moleón and M. Chirosa. 2007. Surveying carnivores at large spatial scales: a comparison of four broad-applied methods. Biodiversity and Conservation 16(4): 1213-1230.##4. Beier, P., D. Majka and J. Jenness. 2007. Conceptual steps for designing wildlife corridors. https://www.corridordesign.org/ accessed 20 June 2017. ##5. Beier, P., W. Spencer, R. F. Baldwin and B. H. McRae. 2011. Toward best practices for developing regional connectivity maps. Conservation Biology 25(5): 879-892.##6. Bennett, A. F. 2003. Linkages in the Landscape: The role of corridors and connectivity in wildlife conservation. IUCN, Gland, Switzerland and Cambridge, UK, 254 p.##7. Bista, M., S. Panthi and S. R. Weiskopf. 2018. Habitat overlap between Asiatic black bear Ursus thibetanus and red panda Ailurus fulgens in Himalaya. PLoS ONE 13(9): e0203697.##8. Buedi, E. B. 2010. Modelling the potential distribution of three typical amphibians on Crete, and their response to climate and land use change. MSc thesis. University of Southampton. Southampton, UK.##9. Clark, T. W., A. P. Curlee and R. P. Reading. 1996. Crafting effective solutions to the large carnivore conservation problem. Conservation Biology 10: 940-948.##10. Doko, T., F. A. Kooiman and A. G. Toxopeus. 2007. Modeling of species geographic distribution for assessing present needs for the ecological networks - Case study of Fuji region and Tanzawa region, Japan. East Asia GIS Symposium, Fukuoka, Kyushu University, 6 August. Japan.##11. Doko, T., H. Fukui, A. Kooiman, A. G. Toxopeus, T. Ichinose, W. Chen and A. K. Skidmore. 2011. Identifying habitat patches and potential ecological corridors for remnant Asiatic black bear (Ursus thibetanus japonicus) populations in Japan. Ecological Modelling 222: 748-761.##12. Escobar, L. E., M. N. Awan and H. Qiao. 2015. Anthropogenic disturbance and habitat loss for the red-listed Asiatic black bear (Ursus thibetanus): Using ecological niche modeling and nighttime light satellite imagery. Biological Conservation 191: 400-407.##13. Estrada, E. and O. Bodin. 2008. Using network centrality measures to manage landscape connectivity. Ecological Applications 18: 1810-1825.##14. Fahimi, H., G. H. Yusefi, S. M. Madjdzadeh, A. A. Damangir, M. E. Sehhatisabet and L. Khalatbari. 2011. Camera traps reveal use of caves by Asiatic black bears (Ursus thibetanus gedrosianus) (Mammalia: Ursidae) in southeastern Iran. Journal of Natural History 45(37-38): 2363-2373.##15. Fahimi, H., G. H. Yusefi, N. Ahmadi and M. Chelani. 2013. Assessment of distribution, populations, diet regimes, and threatening factors for Baluchistan black bear in Sistan and Baluchistan province. A report to the provincial office of Department of Environment in Sistan and Baluchistan province, Zahedan, Iran, 140 p (In Persian).##16. FRWMO (Forest, Range and Watershed Management Organization of Iran). 2010. Iranian Forests, Range and Watershed Management Organization National Land use/Land cover map.##17. Garshelis, D. and R. Steinmetz. 2016. Ursus thibetanus. The IUCN Red List of Threatened Species 2016: e.T22824A45034242. http://dx.doi.org/10.2305/IUCN.UK.2016-3.RLTS.T22824A45034242.en. Accessed 12 May 2017.##18. Ghadirian, T. and H. Pishvaei. 2014. Status of Asiatic black bear in westernmost global distribution, Hormozgan province, Southern Iran. 23rd International Conference on Bear research and Management. Thessaloniki, Greece.##19. Gantchoff, M. G. and J. L. Belant. 2017. Regional connectivity for recolonizing American black bears (Ursus americanus) in southcentral USA. Biological Conservation 214: 66-75.##20. Hijmans, R. J., S. E. Cameron, J. L. Parra, P. G. Jones and A. Jarvis. 2005. Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology 25: 1965-1978.##21. Hwang, M. H., D. L. Garshelis, Y. H. Wu and Y. G. Wang. 2010. Home ranges of Asiatic black bears in the Central Mountains of Taiwan: Gauging whether a reserve is big enough. Ursus 21(1): 81-96.##22. IRIMO (Islamic Republic of Iran Meteorological Organization). 2010. Climate data-base, Iranian cities, from 1950 to 2010. www.weather.ir/English, accessed 20 August 2015. ##23. Majka, D., J. Jennes and P. Beier. 2007. CorridorDesigner: ArcGIS tools for designing and evaluating corridors. https://www.corridordesign.org/ accessed 20 June 2017. ##24. McRae, B. H. 2006. Isolation by resistance. Evolution 60: 1551-1561.##25. McRae, B. H. and P. Beier. 2007. Circuit theory predicts gene flow in plant and animal populations. Proceedings of the National Academy of Sciences of the United States of America 104: 19885-19890.##26. McRae, B. H., B. G. Dickson, T. H. Keitt and V. B. Shah. 2008. Using circuit theory to model connectivity in ecology, evolution and conservation. Ecology 89(10): 2712-2724.##27. McRae, B. H. and V. B. Shah. 2009. Circuitscape user's guide. The University of California, Santa Barbara, http://www.circuitscape.org/ accessed 30 June 2017. ##28. NCC (National Cartographic Center of Iran). 2012. Integrated report of rail, road and river studies. National Cartographic Center of Iran, 240 p.##29. Nazeri, M., L. Kumar, K. Jusoff and A. R. Bahaman. 2014. Modeling the potential distribution of sun bear in Krau wildlife reserve, Malaysia. Ecological Informatics 20: 27-32.##30. Noss, R. F., H. B. Quigley, M. G. Hornocker, T. Merrill and P. C. Paquet. 1996. Conservation Biology and carnivore biology in the Rocky Mountain. Conservation Biology 10: 949-963. ##31. Phillips, S. J., R. P. Anderson and R. E. Schapire. 2006. Maximum entropy modeling of species geographic distributions. Ecological Modeling 190: 231-259.##32. Phillips, S. J. and M. Dudik. 2008. Modeling of species distributions with Maxent: new extensions and a comprehensive evaluation. Ecography 31: 161-175.##33. Roever, C. L., van R. J. Aarde and K. Leggett. 2013. Functional connectivity within conservation networks: Delineating corridors for African elephants. Biological Conservation 157: 128-135.##34. Sampson, A. M. 2013. A habitat suitability analysis for cougar (Puma concolor) in Minnesota. MSc Thesis, University of Minnesota, USA.##35. Sanderson, E. W., M. Jaiteh, M. A. Levy, K. H. Redford, A. V. Wannebo and G. Woolmer. 2002. The human footprint and the last of the wild. Bioscience 52: 891-904.##36. Young, A. G. and G. M. Clarke. 2000. Genetics, demography and viability of fragmented populations. New York: Cambridge University Press. 438 p.## ##

پیش‌بینی پراکنش سنجاب ایرانی با استفاده از رویکرد مدل‌سازی ترکیبی در جنگل‌های استان لرستان The prediction of Persian Squirrel Distribution Using a Combined Modeling Approach in the Forest Landscapes of Luristan Province 1 1 تخریب و نابودی زیستگاه از مهم‌ترین دلایل انقراض گونه‌ها است، از این‌رو مدیریت جمعیت‌های حیات وحش مستلزم مدیریت زیستگاه است. مدل‌سازی زیستگاه یکی از بهترین روش‌ها برای شناسایی زیستگاه‌های بالقوه مطلوب یک گونه است. روش‌های متعددی برای مدل‌سازی زیستگاه وجود دارد که هر کدام مزایا و معایب خاص خود را دارند. در این مطالعه از 15 روش مدل‌سازی به‌همراه 9 عامل محیطی شامل Bio12، Bio1، فاصله از جاده، فاصله از مناطق مسکونی، فاصله از اراضی کشاورزی، درصد شیب، جهت جغرافیایی، فاصله از آبراهه‌ها و NDVI برای مدل‌سازی مطلوبیت زیستگاه سنجاب ایرانی در جنگل‌های استان لرستان استفاده شد. سپس میزان AUC هر مدل بررسی و مدل‌های با AUC بالاتر از 0/9 انتخاب شدند. درنهایت نقشه خروجی حاصل از هر یک از این مدل‌های انتخاب ‌شده در میزان AUC آن ضرب و میانگین آنها به‌عنوان مدل ترکیبی درنظر گرفته شد. در این مطالعه فقط مدل‌های حداکثر آنتروپی، درخت رگرسیون ارتقاء یافته، مدل خطی تعمیم‌یافته، و جنگل تصادفی دارای AUC بالای 0/9 بودند و از این‌رو به‌منظور تهیه مدل ترکیبی درنظر گرفته شدند. براساس مدل ترکیبی 66 درصد از گستره جنگل‌های استان لرستان دارای مطلوبیت زیستگاهی برای سنجاب ایرانی است که در این بین 32/1 درصد دارای مطلوبیت کم، 18/4 درصد دارای مطلوبیت متوسط و 15/5 درصد دارای مطلوبیت زیاد هستند. در این مطالعه، عوامل فاصله از جاده، فاصله از اراضی کشاورزی و NDVI به‌ترتیب بیشترین تأثیرگذاری را بر مطلوبیت زیستگاه سنجاب ایرانی از خود نشان دادند. پژوهش پیش رو نشان داد که استفاده ترکیبی از مدل‌های با صحت بالا نتایج بهتری را نسبت به استفاده مجزا از آنها به بار می‌آورد. 2 Habitat destruction is the most important factor determining species extinction; hence, the management of wildlife populations necessitates the management of habitats. Habitat suitability modeling is one of the best tools used for habitat management. There are several methods for habitat suitability modeling, with each of having some different advantages and disadvantages. In this study, we used 15 modeling methods along with 9 environmental factors including Bio1, Bio2, distance to roads, distance to residential areas, distance to agricultural lands, distance to streams, the percentage of slope, geographic aspect, and NDVI to model the Persian squirrel’s habitat suitability in the forests of Luristan Province. The AUC of each model was computed and the models with an AUC higher than 0.9 were selected. Finally, the output maps resulted from the selected models were multiplied by their AUC and the average of them was considered as a combined model. In this study, Maximum Entropy, Boosted Regression Tree, Generalized Linear Model, and Random Forest were the only models with an AUC higher than 0.9. Based on the combined model, 66% of the forest areas in Luristan Province could be suitable for the Persian squirrel, of which 32.1%, 18.4%, and 15.5% have low, moderate, and high suitability, respectively. Among the 9 environmental factors used in this study, distance to roads, distance to agricultural lands and NDVI showed the highest contribution in the habitat suitability of the Persian squirrel. This study indicated that the combination of high-accuracy models could yield more reliable results, as compared to their separate use. 47 58 2017/09/102018/09/152018/10/82017/09/21 1396/6/30 2019/04/242019/05/42019/05/112019/05/26 1398/3/5 امید قدیریان O. Ghadirian دانشگاه صنعتی اصفهان، اصفهان، ایران ایران omidghadirian90@gmail.com محمود رضا همامی M. R. Hemami انشگاه صنعتی اصفهان، اصفهان، ایران ایران mrhemami@cc.iut.ac.ir علیرضا سفیانیان A. Soffianian دانشگاه صنعتی اصفهان، اصفهان، ایران، ایران soffianian@cc.iut.ac.ir منصوره ملکیان M. Malekian دانشگاه صنعتی اصفهان، اصفهان، ایران ایران mmalekian@cc.iut.ac.ir سعید پورمنافی S. Pourmanafi دانشگاه صنعتی اصفهان، اصفهان، ایران ایران spmanafi@cc.iut.ac.ir محسن امیری M. Amiri اداره محیط زیست استان لرستان ایران Tyam_57@yahoo.com Habitat destruction Habitat suitability modelling MaxEnt model R software تخریب و نابودی زیستگاه مدل‌سازی مطلوبیت زیستگاه مدل حداکثر آنتروپی نرم‌افزار R 9. Albayrak, U. and A. Atilla. 2006. Contribution to the taxonomical and biological characteristics Sciurus anomalus in Turkey (Mammalia: Rodentia). Turkish Journal Zoology 3: 111-116. ##10. Allen, C. D., A. K. Macalady, H. Chenchouni, D. Bachelet, N. McDowell, M. Vennetier, T. Kitzberger, A. Rigling, D. D. Breshears and E. H. Hogg. 2010. A global overview of drought and heat-induced tree mortality reveals emerging climate change risks for forests. Forest Ecology and Management 259: 660-684.##11. AMr, Z. S., E. Eid, M. A. QarQaz and M. Abu BaKer. 2006. The status and distribution of the Persian squirrel, Sciurus anomalus (Mammalia: Rodentia: Sciuridae), in Dibbeen Nature Reserve, Jordan. Zoologische Abhandlungen 55: 199-207.##12. Araujo, B. M. and M. New. 2006. Ensemble forecasting of species distributions. TRENDs in Ecology and Evolution 22 :42-47.##13. Breiman, L. 1984. Classification and regression trees. Wadsworth International Group, Belmont, CA, USA, 158 p.##14. Breiman, I. 2001. Random forests. Machine Learning 45: 5-32.##15. Brown, J. L. and A. D. Yoder. 2015. Shifting ranges and conservation challenges for lemurs in the face of climate change. Ecology and Evolution 5(6): 1131-1142.##16. Busby, J. R. 1991. BIOCLIM– a bioclimate analysis and prediction system. Plant Protection Quarterly, Australia, 122 p.##17. Carpenter, G., A. N. Gillison, and J. Winte. 1993. DOMAIN: a flexible modelling procedure for mapping potential distributions of plants, animals. Biodiversity Conservation 2: 667-680.##18. Elith, J., C. H. Agaraham, R. P. Anderson and M. Dudik. 2006. Novel methods improve prediction of species distributions from occurrence data. Ecography 29:129-151.##19. Elith, J. and R. L. Leathwick. 2009. Species Distribution Models: Ecological explanation and prediction across space and time. Annual Review of Ecology, Evolution, and Systematics 40: 677-697.##20. Farber, O. and R. Kadmon. 2003. Assessment of alternative approaches for bioclimatic modelling with special emphasis on the Mahalanobis distance. Ecological Modeling 160: 115-130. ##21. Friedman, J. H. 1991. Multivariate adaptive regression splines. Annalas of Statistics 19: 1-67.##22. Friedman, J. H. 2001. Greedy function approximation: a gradient boosting machine. Annalas of Statistics 29: 1189-1232.##23. Guisan, A. and N.E. Zimmermann. 2000. Predictive habitat distribution models in ecology. Ecological Modelling 135: 147-186.##24. Harrison, P. A., P. M. Berry, N. Butt and M. New. 2006. Modelling climate change impacts on species’ distributions at the European scale: implications for conservation policy. Environmental Science and Policy 9: 116-128.##25. Hartmann, S. A., G. Segelbacher, M. E. Juiña and H. M. Schaefer. 2015. Effects of habitat management can vary over time during the recovery of an endangered bird species. Biological Conservation 192: 154-160.##26. Hastie, T. and R. Tibshirani. 1990. Generalised Additive Models. Chapman and Hall, 265 p.##27. Hastie, T. 1994. Flexible discriminant analysis by optimal scoring. Journal of the American Statistical Association 89: 1255-1270.##28. Hijmans, R. J., S.E. Cameron, J. L. Parra, P. J. Jones and A. Jarvis. 2005. Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology 25: 1965-1978.##29. Hijmans, R. J., S. Philips, J. Leathwick and J. Elith. 2016. dismo: Species Distribution Modeling. R package version 1.1-4.##30. Hirzel, A. H. 2002. Ecological- niche factor analysis: How to compute habitat- suitability maps without absence data. Ecology 83: 2027-2036.##31. Jedrzejewski, W., M. Niedzialkowska, S. Nowak and B. Jedrzejewska. 2008. Habitat suitability model for Polish wolves based on longterm national census. Animal Conservation 11: 377-390.##32. Keenan, J. R., G. R. Reams, F. Achard, V. J. de Freitas, A. Grainger and E. Lindquist. 2015. Dynamics of global forest area: Results from the FAO Global Forest Resources Assessment 2015. Forest Ecology and Management 352: 9-20.##33. Khalili, F., M. Malekian and M. R. Hemami. 2016. Characteristics of den, den tree and sites selected by the Persian squirrel in Zagros forests, western Iran. Mammalia 80: 560-570. ##34. Koprowski, L. J., L. Gavish and S. L. Doumas. 2016. Sciurus anomalus. MAMMALIAN SPECIES 48(934): 48-58.##35. McCullagh, P. and J. A. Nelder. 1989. Generalized Linear Models. Chapman and Hall, 122 p.##36. Mounir, R. A., E. K. Jeannette, M. Hassane and S. A. Zuhari. 2014. Ecology of the Persian Squirrel, Sciurus anomalus, in Horsh Ehden Nature Reserve, Lebanon. Vertebrate Zoologt 64: 127-135.##37. Naimi, B., and M. B. Araujo. 2016. Sdm: a reproducible and extensible R platform for species distribution modelling. Ecography 39: 368-375.##38. Phillips, S. J., R. P. Anderson, and R. E. Schapire. 2006. Maximum entropy modeling of species geographic distributions. Ecological Modelling 190: 231-259.##39. Rosenblatt, F. 1958. The perceptron: a probabilistic model for information storage and organization in the brain. Psychology Revolution 65: 365-386.##40. Segan, D. B., K. A. Murray and J. E. Watson. 2016. A global assessment of current and future biodiversity vulnerability to habitat loss-climate change interactions. Global Ecology and Conservation 5: 12-21.##41. Smit, B., I. Burton, R. J. Klien and J. Wandel. 2000. An anatomy of adaptation to climate change and variability. Climatic change 45: 223-257.##42. Thuiller, W. 2009. BIOMOD – a platform for ensemble forecasting of species distributions. Ecography 32: 369-373.##43. Tilman, D., R. May, C. Lehman and M. Nowak. 1994. Habitat destruction and the extinction debt. Nature 371: 64-65.##44. Vapnik, V. 1995. The Nature of Statistical Learning Theory. Springer, 187 p.##1. اقطاری، ح. 1393. مدل‌سازی مطلوبیت زیستگاه سنجاب ایرانی به‌کمک روش تحلیل عاملی آشیان بوم‌شناختی در منطقه حفاظت‌شده دنا. پایان‌نامه کارشناسی ارشد، دانشکده علوم پایه و کشاورزی، دانشگاه پیام نور تهران.##2. بیرانوند، ا.، پ. عطارد، م. توکلی، و م. ر. مروی مهاجر. 1394. زوال بوم‌سازگان جنگلی زاگرس؛ علل، پیامدها و راهکارها. فصلنامه جنگل و مرتع 106: 29-17. ##3. خلیلی، ف. و م. ملکیان، 1393. بررسی وضعیت گونه سنجاب ایرانی (Sciurus anumalus) در ایران. دومین همایش ملی و تخصصی پژوهش‌های محیط زیست ایران، همدان، ایران، 16 مرداد 1393.##4. خلیلی، ف.، م. ملکیان، ن. روجائی، و م. ر. همامی. 1395. ارزیابی زیستگاه سنجاب ایرانی (Sciurus anumalus) در منطقه جنگلی سروک در استان کهگیلویه و بویر احمد. بوم‌شناسی کاربردی 4: 24-15. ##5. صادقی، م. 1392. آشکارسازی تغییرات زیستگاه سنجاب ایرانی در استان کردستان. پایان نامه کارشناسی ارشد، دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان.##6. ضیائی، ه. 1390. راهنمای صحرایی پستانداران ایران. انتشارات سازمان حفاظت محیط زیست، تهران، 420 ص.##7. مهدوی، ع.، و. میرزایی‌زاده، م. نیک‌‌نژاد، و ا. کرمی. 1394. بررسی و پیش‌‌بینی زوال درختان بلوط با استفاده از مدل رگرسیون لجستیک (مطالعه موردی: جنگل‌های بیوره ملکشاهی- ایلام). فصلنامه علمی پژوهشی تحقیقات حمایت و حفاظت جنگل‌ها و مراتع ایران 13(1): 32-20.##8. مرادی، س.، ص. محمودی، و ص. شیخی ئیلانلو. 1395. زیستگاه‌های جنگلی مناسب برای حفاظت از سنجاب ایرانی##(Sciurus anomalus pallescens) در غرب استان کرمانشاه. فصلنامه علمی پژوهشی محیط زیست جانوری 8(2): 40-33.## ##

مدل‌سازی رویشگاه بالقوه گونه کما (Ferula ovina (Boiss با استفاده از مدل خطی تعمیم‌یافته (GLM) مراتع نیمه‌استپی غرب استان اصفهان Modeling the potential habitat of Ferula ovina (Boiss) using Generalized Linear Model in Semi-Steppe rangelands of Western Isfahan 1 1 این مطالعه با هدف پیش‌بینی پراکنش بالقوه گونه کما (Ferula ovina) و تهیه منحنی‌های عکس‌العمل آن نسبت به متغیرهای محیطی با استفاده از روش خطی تعمیم‌یافته در منطقه فریدون شهر اصفهان انجام شد. داده‌های حضور و غیاب گونه کما به‌روش تصادفی طبقه‌بندی شده از 278 سایت (138 سایت حضور و 140 سایت غیاب) جمع‌آوری شد. به‌منظور تهیه نقشه‌های طبقات ارتفاعی، جهت و شیب از نقشه رقومی ارتفاع و برای تولید نقشه‌های اقلیمی و خاک، داده‌های مربوط به 70 پروفیل خاک و 10 ایستگاه هواشناسی معرف منطقه مورد بررسی قرار گرفت و با استفاده از روش‌های میان‌یابی تعداد 31 نقشه محیطی منطقه تولید شد. براساس نتایج حاصل از آنالیز مدل رگرسیون خطی تعمیم‌یافته‏ متوسط درجه حرارت سالانه، درصد سیلت، ماده آلی، درصد اشباع، کربنات کلسیم و ارتفاع از سطح دریا به‌عنوان مؤثرترین عوامل محیطی انتخاب شد. ارزیابی مدل با استفاده از ضرایب آماری کاپا و سطح زیر منحنی پلات (AUC) به‌ترتیب برابر 0/79 و 0/83 به‌دست آمد. از نتایج این تحقیق می‌توان برای برنامه‌ریزی‌های مدیریتی در توسعه پایدار اکوسیستم‌های مرتعی، احیا، حفاظت و ارزیابی آنها استفاده کرد. 2 This study was aimed to predict the potential distribution of Ferula ovina (Boiss) in Feridoonshar, in the western part of Isfahan province, and to produce species response curves in relation to the environmental variables using the Generalized Linear Model (GLM). The presence and absence of the species in 278 sites (including 138 presence sites & 140 absence sites) were collected using random stratified sampling. Digital elevation model was used to produce elevation classes, aspect and slope maps. Seventy soil profiles and 10 climate stations data were used to produce 31 environmental maps including climate and soil maps using kriging methods. According to the results, the presence of Ferula ovina was correlated with silt percent, average annual temperature, elevation, organic matter content, soil saturation percentage and CaCO3 content. The produced species distribution model had high accuracy, as indicated by calculated Kappa coefficient (0.79) and ROC area under curve plots (0.83). The result of this study can be, therefore, used in the rehabilitation and restoration of this valuable species in the rangeland ecosystems. 59 70 2017/09/102018/09/152018/10/82017/09/212015/01/13 1393/10/23 مهسا قاضی مرادی M. Ghazimoradi صنعتی اصفهان ایران mahsaghazimoradi9066@yahoo.com مصطفی ترکش M. Tarkesh صنعتی اصفهان ایران m_tarkesh@cc.iut.ac.ir حسین بشری H. Bashari صنعتی اصفهان ایران h_bashari2001@yahoo.com Geographic information system Interpolation Species distribution model Species response curve سیستم اطلاعات جغرافیایی میان‌یابی مدل پراکنش گونه‌ای منحنی عکس العمل گونه‌ای 1. Aliakbari, A., R. Jafari, M. R. Vahabi and A. Saadatfar. 2011. Determining the potential habitat of Astragalus verus with the integration of GIS and remote sensing. Journal of Applied GIS and Remote Sensing in Natural Resources. 1: 15-27. (In Farsi).##2. Amoagheie, R. 2005. Dormancy breaking protocols for Ferula ovina. Proceedings of the Fourth International Iran & Russia Conference, Sharekord, Iran, 709-712. ##3. Ana, M., F. Becker, P. Bie, B. Hybrechts and W. Wassen. 2002. Prediction of plant species distribution in lowland river valleys in Belgium: Modeling species response to site condition. Biodiversity and Conservation 12: 2189-2216.##4. Azhir, F. and A. Shahmoradi. 2007. Autecology of Ferula ovina Boiss. in Tehran Province. Iranian Journal of Range and Desert Research 14(3): 359-367. (In Farsi).##5. Bassiri, M., A. Jalalian and M. R. Vahabi. 1989. Studies on habitat condition & need production of native range plants in Fereydan Region. Project Report, College of Agriculture, Isfahan University of Technology, 156 p (In Farsi).##6. Beauvais, G., P. Thurston and D. Keinath. 2004. Predictive range maps for 5 species of management concern in southwestern Wyoming, Report prepared for the U.S. Geologica Survey-National Gap Analysis Program by the Wyoming Natural Diversity Database-University of Wyoming. Laramie. Wyoming. USA, 11 p.##7. Bio, A. M., P. De Becker, E. De Bie, W. Huybrechts and M. Wassen. 2002. Prediction of plant species distribution in lowland river valleys in Belgium: modelling species response to site conditions. Biodiversity and Conservation 11 (12): 2189-2216.##8. Brown, D. G. 1994. Predicting vegetation types at treeline using topography and biophysical disturbance variables. Journal of Vegetation Science 5(5): 641-656.##9. Feizi, M. T. 2013. The project of identification of ecological regions of Isfahan Province. Research Report. Research Institute of Forests and Rangelands, 261 p (In Farsi).##10. Franklin, J. 1995. Predictive vegetation mapping: geographic modeling of biospatial patterns in relation to environmental gradient. Progress in Physical Geography 19(4): 474-499.##11. Guisan, A. and N. Zimmermann. 2000. Predictive habitat distribution models in ecology. Ecological Modelling 135(2): 147-186.##12. Guisan, A. and W. Thuiller. 2005. Predicting species distribution: offering more than simple habitat models. Ecology Letters 8(9): 993-1009.##13. Hasti, T. and R. Tibshirani. 1986. Generalized additive models. Statistical Science 1(3): 297-310.##14. Iravani, M., S. J. Khajeddin and M. Bassiri. 2000. Determination of the effective environmental factors on site selection of three range species in Vahregan river basin. The 2nd National Congress and Range Management, Tehran, Iran. (In Farsi).##15. Jafari, M., M. A. Zare Chahooki, H. Azarnivand, N. Baghestani Meibodi and Gh. Zahedi. 2003. Relationships between Poshtkouh rangeland vegetation of Yazd province and soil physical and chemical characteristics using multivariate analysis methods. Iranian Journal of Natural Resources 55(3): 419-434. (In Farsi).##16. Moghimi, J. 2005. Introduction of some important range species suitable for the development and improvement of rangelands in Iran. Technical Office of Rangeland, Arvan Publishers, Iran, Tehran. (In Farsi).##17. Nasrollahi, A. 1998. Investigating physico-chemical condition of soil characteristics to identify indicator species, MSc Thesis in Tehran University. (In Farsi).##18. Nieto-Lugilde, D., K. C. Maguire, J. L. Blois, J.W. Williams and M.C. Fitzpatrick. 2018. Multi-response algorithms for community-level modelling: Review of theory, applications, and comparison to species distribution models. Methods in Ecology and Evolution 9(4): 834-848.##19. Saki, M., M. Tarkesh, M. Bassiri and M. R. Vahabii. 2013. Application of logistic regression tree model in determining habitat distribution of Astragalus verus. Iranian Journal of Applied Ecology 1(2): 27-38. (In Farsi).##20. Tarkesh, M. and G. Jetshcke. 2012. Comparison of six correlative models in predictive vegetation mapping on a local scale. Environmental and Ecological Statistics 19(3): 437-457.##21. Vogiatzakis, I. N. 2003. GIS-based modelling and ecology: a review of tools and methods. Department of Geography, University of Reading.##22. Zaniewski, A. E., A. Lehmann and J. M. Overton. 2002. Predicting species spatial distributions using presence-only data: a case study of native NewZealand ferns. Ecological Modelling 157(2): 261-280.## ##

تغییرات مکانی و زمانی کیفیت آب زیرزمینی برای مصرف کشاورزی در حوضه گاوخونی Spatial and Temporal Variations of Groundwater Quality for Agricultural Use in Gavkhooni Basin 1 1 در این مطالعه، کیفیت آب زیرزمینی آبخوان حوضه گاوخونی برای مصرف در کشاورزی مورد بررسی قرارگرفت. برای این منظور از داده‌های کیفیت آب مربوط‌ به 96 چاه عمیق که توسط سازمان آب منطقه‌ای استان اصفهان، در دوره‌ آماری 1395-1374 تهیه شده بود، استفاده شد. در مطالعه حاضر از پارامترهای سدیم، هدایت الکتریکی،کلرید، هیدوژن بیکربنات و نسبت جذبی سدیم (SAR) استفاده شد. طبقه‌بندی کیفیت آب زیرزمینی‌ منطقه با استفاده از شاخص کیفیت آب کشاورزی (IWQI) و بر مبنای استانداردهای FAO صورت‌ گرفت. نتایج شاخص IWQI در محدوده‌ 40 تا80 به‌دست آمد، که به‌ترتیب محدودیت زیاد و محدودیت کم برای مصارف کشاورزی را نشان می‌دهد. به‌طوری که کیفیت آب زیرزمینی از بالادست به‌سمت پایین‌دست حوضه به‌مرور زمان کاهش یافته است. همچنین مشخص شد تغییرات شاخص کیفیت در منطقه شمالی حوضه بیشتر تحت تأثیر اقلیم منطقه بوده و در قسمت‌های میانی و شرقی حوضه، جریان آب سطحی رودخانه زاینده‌رود و تولیدات کشاورزی باعث تغییرات کیفیت آب شده است. به‌عبارتی در حوضه گاوخونی برداشت بیش از حد از آب زیرزمینی، خشکسالی و تولیدات کشاورزی فراتر از ظرفیت، باعث افت کیفیت آب زیرزمینی شده است. با کاهش برداشت آب زیرزمینی ‌و کاهش سطح کشت در مناطقی که آب مورد نیاز فقط از طریق آبخوان‌ها تأمین می‌شود، می‌توان کیفیت آب زیرزمینی را حتی در سال‌های خشک مدیریت کرد. 2 In this study, the quality of groundwater aquifer of Gavkhooni basin was investigated in agriculture. For this purpose, water quality data related to 96 wells prepared by Isfahan Regional Water Authority during the statistical period 2015-2016 were used. In this study, sodium parameters, electrical conductivity, chloride, hydrogen bicarbonate and sodium absorption ratio (SAR) were used. Then, groundwater quality classification across the study area was carried out using agricultural water quality index (IWQI), which is based on the FAO standards. Results of IWQI varied from 40 to 80, corresponding to high and low limitations for agricultural use. It was shown that groundwater quality had declined over years from the upstream to the downstream of the basin. Furthermore, some changes in the quality index in the northern region of the study area were found to be more affected by the climate conditions of the region. In the middle and eastern territories, the surface streamflow of Zayandehroud River and agricultural activities had caused changes in the water quality. In general, in the Gavkhooni area, excessive groundwater exploitation, drought conditions and agricultural activities had reduced the groundwater quality. By reducing groundwater withdrawals and agricultural activities in areas where water is required only through water drainage, groundwater quality can be managed, even in dry years. 71 82 2017/09/102018/09/152018/10/82017/09/212015/01/132018/04/8 1397/1/19 2019/04/242019/05/42019/05/112019/05/262019/06/9 1398/3/19 لاله وزیری L. Vaziri دانشکده منابع طبیعی دانشگاه صنعتی اصفهان ایران l.vaziri71@gmail.com سعید سلطانی S. Soltani دانشکده منابع طبیعی دانشگاه صنعتی اصفهان ایران ssoltani@cc.iut.ac.ir محمد نعمتی ورنوسفادرانی M. Nemati Varnosfaderany دانشکده منابع طبیعی دانشگاه صنعتی اصفهان ایران nemati@cc.iut.ac.ir رضا مدرس R. Modarres دانشکده منابع طبیعی دانشگاه صنعتی اصفهان ایران modarres2005@gmail.com عباس کاظمی A. Kazemi سازمان آّب منطقه ای استان اصفهان ایران Kazemi120@gmail.com Quality of Water Quality Index (IWQI) Groundwater Quality Gavkhooni Basin شاخص کیفیت آب ‌کشاورزی (IWQI) کیفیت آب زیرزمینی ‌ حوضه گاوخونی Abedinezhad, P. 2011. Investigating the status of groundwater aquifers in important plains of Zanjan Province. Second National Conference on National Iranian Applied Water Resources Research, Zanjan, Zanjan Regional Water Authority, 18-19 May, p. 10.##2. Ayres, R. S. and D. W. Westcot. 1999. Water Quality for Agriculture. Journal of Irrigation and Drainage Food and Agriculture Organization of the United Nations. Rome 29: 1-117. ##3. Bernardo, S. 1995. Manual de Irrigação. 4th edition, Vicosa: UFV, 488 p. ##4. Brindha, K. and L. Elango. 2013. Environmental assessment of water quality in Nagarjuna Sagar reservoir, India. Earth Research Engineering and Science 1(1): 33-36.##5. Cieszynska, M. 2012. Application of physicochemical data for water-quality assessment of watercourses in the Gdansk Municipality (South Baltic coast). Environmental Monitoring and Assessment 184: 2017-2029.##6. Fakhre, A. 2014. Evaluation of hydrogeochemical parameters of groundwater for suitability of domestic and irrigational purposes: a case study from central Ganga Plain, India. Arabian Journal of Geosciences 7: 4121-4131.##7. Holanda, J. S. J. A., Amorim. 1997. Management and control salinity and irrigated agriculture water in: Congresso Brasileiro de Engenharia setting, 21-22 Feb, Campina Grande. ##8. Hosseini Zare, N. and N Saadati. 2001, Drought effects on water resources quality of Karoun and Dez rivers in Khuzestan Province. First National Conference on Water Crisis Management, Zabol, Zabol University, p. 19.##9. Iran Ministry of Energy. 2012. Updating of integrated water resource projects in Daryache-Namak, Gavkhouni, Siah-kouh, Rige-Zarin and Kavir-Markazi basins. Ministry of Energy 78-90 (In Farsi).##10. Karamouz, M. 2016. Project report of updating the Zayandehroud integrated reducing pollution. Isfahan Department of Environment, Isfahan, pp. 25-30 (In Farsi).##11. Li, P., J. Wu and H. Qian. 2012. Groundwater quality assessment based on rough sets attribute reduction and TOPSIS method in a semi-arid area, China. Environmental Monitoring and Assessment 184(8): 4841-4854.##12. Maia, E. C. 2012. Proposal for an Index to classify Irrigation Water Quality: A Case Study in Northeastern Brazil. The Revista Rasileira de Ciência do Solo 36: 823-830. ##13. Mckee, T. B., N. J. Doesken and J. Kleist. 1993. The relationship of drought frequency and duration to time scales, 8th Conference on Applied Climatology, 17- 22 January, Anaheim, CA, pp. 176-184.##14. Mireles, A. C. M., E. M. Andrade, L. C. G. Chaves, H. Frischkorn and L. A. Crisóstomo. 2010. A new proposal of the classification of irrigation water. Revista Ciencia Agronomica Journal 41(3): 349-357.##15. Mkandawire, T. 2008. Quality of groundwater from shallow wells of selected villages in Blantyre District, Malawi. Physics and Chemistry Journal 33: 807-811. ##16. Offiong, O. E. and A. E. Edet. 1998. Water quality assessment in Akpabuyo, Cross River basin, South-Eastern Nigeria. Journal of Environmental Geology 34(2/3): 167-174.##17. Scanlon, R. B., C. R. Reedy, A. D. Stonestrom, E. D. Prudic and F. K. Dennehy. 2005. Impact of land use and land cover change on groundwater recharge and quality in the southwestern US. Journal of Global Change Biology 11: 1577-1593.##18. Sharafi, Z. and A. A. Safari-Sinegani. 2012. Arsenic and other irrigation water quality indicators of groundwater in an agricultural area of Qorveh Plain, Kurdistan, Iran. American-Eurasian Journal of Agricultural and Environmental Sciences (4)12: 548-555.##19. Tu, J. 2013. Spatial variations in the relationships between land use and water quality across an urbanization gradient in the watersheds of northern Georgia, USA. Journal of Environmental Management 51: 1-17.##20. Twana, O. A., S. A. Salahalddin and A. Nadhir. 2016. Classification of groundwater based on irrigation water quality index and GIS in Halabja Saidsadiq basin, Iraq. Journal of Environmental Hydrology 2:1-21.#### ##