تحقیقات مرتع و بیابان ایران

همکاری با انجمن علمی مدیریت و کنترل مناطق بیابانی ایران

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

راهنمای نویسندگان

فرم های ضروری

داوران برگزیده

راهنمای داوران

داوران همکار

بررسی ارزش رجحانی گونه‌های مرتعی و ارتباط آن با بارندگی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، بخش جنگل و مرتع، مرکز تحقیقات کشاورزی و منابع طبیعی استان خراسان رضوی، سازمان تحقیقات، آموزش و ترویج کشاورزی، مشهد، ایران

2 کارشناس ارشد، بخش جنگل و مرتع، مرکز تحقیقات کشاورزی و منابع طبیعی استان سمنان، سازمان تحقیقات، آموزش و ترویج کشاورزی، سمنان، ایران

3 استادیار پژوهشی، بخش تحقیقات مرتع، موسسه تحقیقات جنگلها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

چکیده

عوامل محیطی از جمله بارندگی از فاکتورهایی است که بر روی خوشخوراکی گیاهان و به تبع آن بر روی ارزش رجحانی آنها برای دام اثر می‌گذارد. در این تحقیق ارزش رجحانی گونه‌های مهم مرتعی در تغذیه گوسفند در مراتع قشلاقی سرخس با استفاده از روش زمان‌سنجی (فیلم‌برداری) اندازه‌گیری گردید. این طرح از سال 86 تا 89 برای 2 ماه اول فصل رویش (اسفند و فروردین) اجرا شد. نتایج نشان داد که گونههای Artemisia diffiusa، Carex physioides و Poa bulbosa به‌طور مشترک در تمام چهار سال مورد استفاده قرار گرفته و از گونه‌های خوشخوراک بوده‌اند. ارزش رجحانی گونه‌ها نیز در سال‌های خشکسالی و ترسالی با هم تفاوت داشت. همچنین در بررسی ارتباط بارندگی پیشین با درصد چرا از هر گونه در هر ماه، در رابطه با گونه Poa bulbosa ، بارندگی‌های ماه‌های قبل همبستگی بالایی با درصد زمان چرای این گونه دارد. همچنین بین درصد زمان استفاده از گونه physioides Carex در اسفند ماه و بارندگی‌های پاییز، بهمن و مجموع بهمن و اسفند ارتباط معنی‌داری وجود دارد. درصد زمان استفاده از گونه Artemisia diffusa در اسفند ماه با بارندگی‌های دی، مجموع پاییز و دی، مجموع پاییز و دی و بهمن همبستگی معنی‌داری دارد. مطالعه حاضر با هدف تعیین ارزش رجحانی فصلی و سالانه گیاهان علوفه‌ای و در دسترس بودن فصلی گیاهان با توجه به نوسانات بارندگی در مراتع سرخس انجام شد.

کلیدواژه‌ها

عنوان مقاله [English]

Studying the preference value of range species and its relationship with rainfall

نویسندگان [English]

  • Mohammad Zadbar 1
  • Somayyeh Naseri 2
  • Mohammad Fayaz 3

چکیده [English]

Environmental factors including rainfall are the factors affecting palatability of plants and consequently the preference value for animals. In this study, the preference value of plants was determined in Sarakhs (winter rangeland at North-East of Khorassan province) by timing method during 2007 to 2010 for the two first months of growing season (March and April).The results showed that Artemisia diffiusa, Carex physioides and Poa bulbosa were grazed in all four years by livestock, indicating that these species were more palatable. The preference value of the species differed between drought and normal years.According to the obtained results,a high correlation was found between the grazing time of Poa bulbosa and pervious rainfalls.Also, a significant relationship was found between the grazing time of Carex physioides in March and the rainfall of autumn, January and total rainfall of February and March.A significant correlation was also found between the grazing time of Artemisia diffusa in March, and the rainfall of January, total rainfall of autumn and December, and total rainfall of autumn, January, and February. This research was aimed to determine the seasonal and annual forage preference value with regard to the rainfall fluctuations in Sarakhs rangelands.

کلیدواژه‌ها [English]

  • Preference value
  • rangeland
  • previous rainfall
  • timing method
  • Sarakhs
مراجع
علوی پناه، س. ک.، 1384. کاربرد سنجش از دور در علوم زمین، انتشارات دانشگاه تهران، 478ص.
Arekhi, S., 2014. Comparing accuracy of artificial neural network, Support Vector Machine and maximum likelihood Algorithms for land use classification (Case study: Dashat Abbas arid region, Ilam Province). Journal Range management, 2: 30-43.
Arekhi, S. and Adibnejad, M., 2011. Efficiency assessment of the of Support Vector Machines for land use classification using Landsat ETM+ data (Case study: Ilam Dam Catchment). Iranian journal of Range and Desert Reseach, 18 (11):420-440
Dixon, B. and Candade, N., 2008. Multispectral landuse classification using neural networks and support vector machines: one or the other, or both?. International Journal of Remote Sensing, 29(4): 1185-1206.
Foody, G. M., 2004. Supervised image classification by MLP and RBF neural networks with and without an exhaustively defined set of classes’. International Journal of Remote Sensing, 25(15): 3091-3104.
Gualtieri, J. A. and Cromp, R. F., 1998. Support vector machines for hyperspectral remote sensing classification. In: Proceedings of the 27th AIPR Workshop: Advances in Computer Assisted Recognition, Washington, DC, 27 October. SPIE, Washington, DC, 221-232.
Hester, D. B., 2008. Land Cover Mapping and Change Detection in Urban Watersheds Using QuickBird High Spatial Resolution Satellite Imagery. International Journal of Remote Sensing, 31(2): 455-475.
Hwang, D. J., 2005. Hawaii coastal hazard mitigation guidebook. Honolulu: NOAA Hawaii Coastal Zone Management Program.
Irmak, A., Jones, J. W., Batchlor, W. D., Irmak, S., bootek, K. J. and Paz, J. O., 2006. Artificial neural network model as a data analysis tool in precision farming. American Society of Agricultural Engineers, pp: 2027-2037.
Jensen, J., 2005. Introductory digital image processing: A remote sensing perspective (3rd ed.). Upper Saddle River, NJ: Prentice Hall, 526p.
Kavzoglu, T. and Mather, P. M. 2003. The use of backpropagating artificial neural networks in land covers classification. International Journal of Remote Sensing, 24 (23): 4907-4938.
Knorn, J., Rabe, A., Radeloff, C.V., Kuemmerle, T., Kozak, J. and Hostert, P., 2009. Land cover mapping of large areas using chain classification of neighboring Landsat satellite images. Remote Sens. Environ, 113: 957– 964.
Lu, D. and Weng, Q., 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28(5): 823-870.
Lu, D., Mausel, P., Brondi´zio, E., and Moran, E., 2004. Change detection techniques. INT Journal of Remote Sensing, 25 (12): 2365–2407.
Mantero, P., Moser, G. and Serpico, S. B., 2005. Partially supervised classification of remote sensing images through SVM-based probability density estimation, IEEE Trans. on Geoscience and Remote Sensing, 43 (3): 559-570.
Ojaghi, S., Ebadi, H. and Farnood Ahmadi, F., 2015. Using artificial neural network for classification of high resolution remotely sensed images and assessment of its performance compared with statistical methods. American Journal of Engineering, Technology and Society, 2(1): 1-8.
Pal, M. and Mather, P. M., 2005. Support vector machines for classification in remote sensing. International Journal of Remote Sensing, 26(5): 1007-1011.
Qiu, F. and Jensen, J. R., 2004. Openingtheblackboxofneuralnetworks for remote sensing image classification. International Journal of Remote Sensing, 25(9): 1749-1768.
Samadzadegan, F. and Ferdosi E., 2011. Optimizing Feature Space of Support Vector Machines Based on Simulated Annealing Algorithm to Classify Polarimetric Images. Geospatial Engineering Journal, 2 (4): 67-76.
Scholkopf, B. and Smola, A. J., 2000. Statistical learning and kernel methods. Cambridge, MA: MIT Press, pp: 29.
Shin, S. K., Lee S. T. and Hyun K. J., 2005. An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28, 127-135.
Subramaniana, S., Gata, N., Sheffield, A. M., Barhenb, J. and Toomaria, N., 1997. Methodology for hyperspectral image classification using novel neural network. Society of Photo- Optical Instrumentation Engineers, Bellingham, 128-137.
Szuster, B. W., Chen, Q. and Borger, M., 2011. A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography, 31: 525-532.
Weston, J. and Watkins, C., 1998. Multi-class support vector machines (Technical Report CSD-TR-98-04). Department of Computer Science, Royal Holloway, University of London, Egham, UK.
Yousefi, S., Tazeh, M., Mirzaee, S., Moradi, H. R. and Tavangar, Sh., 2011. Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city). Journal of Applied RS & GIS Techniques in Natural Resource Science, 2 (2): 15-24.
تحقیقات مرتع و بیابان ایران
دوره 23، شماره 4
اسفند 1395
صفحه 744-759
فایل ها
هم رسانی
ارجاع به این مقاله
آمار