پیش‌بینی پراکنش بالقوه گونه بلوط دارمازو (Quercus infectoria Oliv.) در جنگل‌های زاگرس تحت سناریوهای تغییر اقلیم

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشجوی دکتری علوم جنگل، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران

2 استاد، گروه علوم جنگل، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران

3 دانشیار، گروه علوم و مهندسی جنگل، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران

4 استادیار، گروه مرتع و آبخیزداری، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران

5 دانشیار، گروه ﻓﺘﻮگراﻣﺘﺮی وﺳﻨﺠﺶازدور، دانشکده ﻣﻬﻨﺪسیﻧﻘﺸﻪﺑﺮداری، دانشگاه صنعتی خواجه ﻧﺼﯿﺮاﻟﺪﯾﻦ ﻃﻮسی، ﺗﻬﺮان، اﯾﺮان

چکیده

مقدمه و هدف: جنگل‌های زاگرس به­عنوان یکی از حیاتی‌ترین بوم­سازگان­های ایران، نقش بی‌بدیلی در حفظ تنوع زیستی و پایداری محیطی دارند. با این حال، این جنگل‌ها که بیشتر از گونه‌های بلوط تشکیل شده‌اند، در دهه‌های اخیر تحت تأثیر تغییرات اقلیمی، خشکسالی‌های مکرر، فعالیت‌های انسانی مخرب و پدیده زوال بلوط روبرو شده‌اند. در این میان، بلوط دارمازو (Quercus infectoria Oliv.) به­دلیل ارزش بوم­شناسی و اقتصادی بالا (به‌ویژه در تولید "مازو" برای صنایع دارویی و آرایشی) از اهمیت ویژه‌ای برخوردار است. آیندة این گونه کلیدی با تغییرات اقلیمی و تغییر کاربری اراضی تهدید مورد تهدید قرار گرفته است. با توجه به نبود پژوهشی جامع برای پیش‌بینی پراکنش این گونه با استفاده از الگوریتم‌های نوین، این بررسی با دو هدف اصلی طراحی شد: ۱) پیش‌بینی تغییرات پراکنش بالقوه بلوط دارمازو تحت سناریوهای اقلیمی برای سال‌های ۲۰۵۰ و ۲۰۷۰ با استفاده از مدل‌های حداکثر آنتروپی (MaxEnt) و جنگل تصادفی (RF) و ۲) مقایسه عملکرد مدل‌ها و شناسایی متغیرهای محیطی کلیدی برای ارائه مبنایی علمی برای تدوین استراتژی‌های حفاظتی.
مواد و روش‌ها: منطقه مورد بررسی، ناحیه رویشی زاگرس شمالی (شامل بخش‌هایی از ایران، عراق و ترکیه) بود. برای مدلسازی، از ۲۴۶ نقطه حضور گونه (جمع‌آوری‌شده از پیمایش‌های میدانی و پایگاه‌های داده) و ۲۹ متغیر محیطی (اقلیمی، توپوگرافی، خاک‌شناسی و پوشش اراضی) استفاده شد. داده‌های حضور با حداقل فاصله یک کیلومتر تنک شدند و ۱۰۰۰ نقطه شبه‌عدم‌حضور نیز تولید شد. داده‌های اقلیمی آینده از مدل گردش عمومی جو (GCM) MIROC6 برای دو افق زمانی ۲۰۵۰ و ۲۰۷۰، تحت دو سناریوی SSP2-4.5 (میانی) و SSP5-8.5 (بدبینانه) استخراج شد. پس از حذف متغیرهای دارای هم‌خطی بالا (VIF>10) با استفاده از آزمون عامل تورم واریانس، 17 متغیر برای مدلسازی نهایی انتخاب شدند. مدلسازی با الگوریتم‌های MaxEnt و RF در محیط نرم‌افزار R و با بسته biomod2 انجام شد. برای ارزیابی پایداری مدل‌ها، از روش اعتبارسنجی متقاطع با ۱۰ تکرار (تقسیم داده‌ها به 80 درصد آموزشی و 20 درصد ارزیابی) استفاده شد. عملکرد مدل‌ها با شاخص‌های آماری ROC, TSS و Kappa ارزیابی شدند.
یافته‌ها: نتایج ارزیابی نشان داد که هر دو الگوریتم دقت بسیار بالایی دارند. مدل جنگل تصادفی (RF) با میانگین 965/0=ROC و 860/0=TSS، عملکردی بی‌نقص داشت. مدل حداکثر آنتروپی (MaxEnt) نیز با میانگین 885/0=ROC و 718/0=TSS، عملکردی عالی ثبت کرد. در تحلیل اهمیت متغیرها، برای مدل MaxEnt، فصلی بودن بارش (Bio15) و بارش سالانه (Bio12) بیشترین تأثیر را داشتند. در مدل RF، توزیع اهمیت متعادل‌تر بود و بارش سالانه (Bio12)، کربن آلی خاک و فصلی بودن بارش (Bio15) مهم‌ترین عوامل بودند. پیش‌بینی‌ها برای آینده نتایج نگران‌کننده‌ای را نشان دادند. تحت سناریوی بدبینانه SSP5-8.5 تا سال ۲۰۷۰، مدل RF کاهش 4/88 درصدی و مدل MaxEnt کاهش 0/73 درصدی مساحت زیستگاه مناسب را پیش‌بینی کردند. همچنین مشخص شد که مساحت رویشگاه جدید ایجاد شده در آینده، در مقایسه با مساحت از­دست­رفته، بسیار ناچیز است. تحلیل مکانی نشان داد که زیستگاه‌های باقی‌مانده به لکه‌های کوچک و ایزوله در ارتفاعات بالاتر محدود خواهند شد. محدوده ارتفاعی بهینه گونه نیز از ۱۱۰۰-۱۸۰۰ متر فعلی به ۱۵۰۰-۲۵۰۰ متر در آینده جابجا خواهد شد که به معنای یک جابجایی اجباری به میزان ۴۰۰ تا ۷۰۰ متر به سمت ارتفاعات بالاتر است.
نتیجه‌گیری: یافته‌های این پژوهش نشان می‌دهد که گونه بلوط دارمازو با تهدیدی جدی ناشی از تغییرات اقلیمی روبرو است. کاهش شدید مساحت زیستگاه و جابجایی اجباری به ارتفاعات بالاتر، همراه با تکه‌تکه- شدن توده‌ها، بقای بلندمدت این گونه را در معرض خطر جدی قرار داده است. این نتایج بر ضرورت اتخاذ فوری راهبردهای مدیریتی و حفاظتی یکپارچه تأکید دارد. پیشنهادهای کلیدی شامل موارد زیر است: ۱) حفاظت از پناهگاه‌های اقلیمی: شناسایی و حفاظت ویژه از مناطق مرتفعی که در آینده زیستگاه مناسب تر این گونه هستند. ۲) احیای تطبیقی: اجرای برنامه‌های جنگلکاری در مناطقی که مدل‌ها به­عنوان زیستگاه‌های مناسب آینده پیش‌بینی کرده‌اند. ۳) کنترل فشارهای انسانی: کاهش فعالیت‌های مخرب مانند چرای بی‌رویه برای افزایش تاب‌آوری بوم­سازگان. ۴) ایجاد بانک ژن: حفظ ذخایر ژنتیکی جمعیت‌های در معرض خطر از طریق ایجاد بانک ژن و بذر. این پژوهش مبنایی علمی برای تدوین راهبردهای حفاظتی مؤثر و مدیریت پایدار بوم­سازگان جنگلی زاگرس فراهم می‌کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Predicting Potential Distribution of Quercus infectoria Oliv. in Zagros Forests Under Climate Change Scenarios

نویسندگان [English]

  • Alireza Dosti 1
  • Mehdi Heydari 2
  • Seyed Jalil Alavi 3
  • Reza Omidipour 4
  • Hooman Latifi 5
1 Ph.D. student of forest sciences, Faculty of Agriculture, Ilam University, Ilam, I.R. Iran
2 Professor, Department of Forest science, Faculty of Agriculture, Ilam University, Ilam, I. R. Iran
3 Associate Professor, Department of Forest Sciences and Engineering, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, I. R. Iran
4 Assistant Professor, Department of Range and Watershed Management, Faculty of Agriculture, Ilam University, Ilam, I. R. Iran
5 Associate professor, Department of Photogrammetry and Remote Sensing, School of Surveying and Geospatial Engineering, Khajeh Nasir Toosi University of Technology, Tehran, I. R. Iran
چکیده [English]

Background and Objective: The Zagros forests, as one of Iran's most vital ecosystems, play an unparalleled role in maintaining biodiversity and environmental sustainability. However, these forests, predominantly composed of oak species, have in recent decades been affected by climate change, recurrent droughts, and destructive human activities, leading to the phenomenon known as "oak decline." Among these species, Aleppo oak (Quercus infectoria Oliv.) holds special ecological and economic value, particularly for the production of “Mazo” used in pharmaceutical and cosmetic industries. The future of this key species is increasingly threatened by climate change and land-use change. Given the lack of comprehensive studies predicting its distribution using modern algorithms, this study was designed with two main objectives: (1) to predict potential distribution changes of Aleppo oak under climate scenarios for 2050 and 2070 using MaxEnt and Random Forest (RF) models, and (2) to compare model performances and identify key environmental variables to provide a scientific basis for conservation strategies.
Material and Methods: The study area comprised the Northern Zagros ecoregion, spanning parts of Iran, Iraq, and Turkey. For modeling, 246 species presence points (collected from field surveys and databases) and 29 environmental variables (including climatic, topographic, edaphic, and land cover factors) were used. Presence points were thinned to a minimum distance of one kilometer, and 1,000 pseudo-absence points were generated. Future climate data were obtained from the MIROC6 General Circulation Model (GCM) for two time horizons, 2050 and 2070, under two scenarios: SSP2-4.5 (medium) and SSP5-8.5 (pessimistic). After removing highly collinear variables (VIF>10) using the Variance Inflation Factor test, 17 variables were selected for final modeling. Models were implemented using MaxEnt and RF algorithms in the R environment with the biomod2 package. Model stability was evaluated via 10-fold cross-validation, dividing data into 80% for training and 20% for testing. Model performance was assessed using ROC, TSS, and Kappa statistics.
Results: Evaluation results showed that both algorithms exhibited very high accuracy. The RF model achieved near-perfect performance with a mean ROC of 0.965 and TSS of 0.860, while the MaxEnt model also performed excellently with a mean ROC of 0.885 and TSS of 0.718. Variable importance analysis indicated that, for MaxEnt, precipitation seasonality (Bio15) and annual precipitation (Bio12) were the most influential variables. In the RF model, importance was more balanced, with annual precipitation (Bio12), soil organic carbon, and precipitation seasonality (Bio15) being the top factors. Future predictions revealed alarming outcomes. Under the pessimistic SSP5-8.5 scenario by 2070, the RF model projected an 88.4% reduction in suitable habitat, while MaxEnt predicted a 73.0% decline. Newly emerging suitable habitats were minimal compared to the area lost. Spatial analysis indicated that remaining habitats would be limited to small, isolated patches at higher elevations. The species’ optimal elevational range is expected to shift from the current 1,100–1,800 m to 1,500–2,500 m in the future, indicating a forced upward migration of 400–700 meters.
Conclusion: The findings indicate that Aleppo oak faces a serious threat from climate change. Severe habitat loss and forced upward migration, coupled with stands fragmentation, place the long-term survival of the species at serious risk. These results emphasize the urgent need for integrated management and conservation strategies. Key recommendations include: (1) protecting climate refugia by identifying and safeguarding high-elevation areas that remain suitable in the future; (2) Adaptive restoration through afforestation programs in high-elevation areas predicted to be suitable habitats in the future; (3) reducing human pressures such as overgrazing to enhance ecosystem resilience; and (4) establishing a gene bank to preserve genetic resources of at-risk populations. This study provides a scientific foundation for effective conservation planning and sustainable management of the Zagros forest ecosystems.

کلیدواژه‌ها [English]

  • Climate change
  • Environmental variables
  • Modeling
  • Random Forest
  • Species distribution

مراجع

Aguirre-Gutiérrez, J.; Carvalheiro, L.G.; Polce, C.; van Loon, E.E.; Raes, N.; Reemer, M.; Biesmeijer, J.C., Fit-for-Purpose: Species Distribution Model Performance Depends on Evaluation Criteria – Dutch Hoverflies as a Case Study. PLoS ONE 2013, 8, e63708.
Ahmadi, K.; Mahmoodi, S.; Pal, S. C.; Saha, A.; Chowdhuri, I.; Nguyen, T. T.; Jarvie, S.; Szostak, M.; Socha, J.; Thai, V. N., Improving species distribution models for dominant trees in climate data-poor forests using high-resolution remote sensing. Ecological Modelling 2023, 475, 110190.
Aiello‐Lammens, M. E.; Boria, R. A.; Radosavljevic, A.; Vilela, B.; Anderson, R. P., spThin: an R package for spatial thinning of species occurrence records for use in ecological niche models. Ecography 2015, 38 (5), 541-545.
Akhtari, M. H.; Mataji, A.; Babaei Kafaki, S,; Kiadaliri, H. Spatiotemporal dynamics of trees distribution patterns following disturbance caused by decline in the oak forests of Lorestan province. Forest Research and Development, 2023; 9(3): 401-418.
Araújo, M.B.; New, M., Ensemble forecasting of species distributions. Trends in Ecology & Evolution 2007, 22, 42–47.
Bai, J.; Wang, H.; Hu, Y., Prediction of Potential Suitable Distribution of Liriodendron chinense (Hemsl.) Sarg. in China Based on Future Climate Change Using the Optimized MaxEnt Model. Forests 2024, 15 (6), 988.
Breiman, L., Random forests. Mach. Learn. 2001, 45, 5–32.
Brockerhoff, E. G.; Barbaro, L.; Castagneyrol, B.; Forrester, D. I.; Gardiner, B.; González-Olabarria, J. R.; Lyver, P. O. B.; Meurisse, N.; Oxbrough, A.; Taki, H., Forest biodiversity, ecosystem functioning and the provision of ecosystem services. Biodiversity and Conservation 2017, 26(13), 3005-3035.
Chatterjee, S.; Hadi, A.S., Regression Analysis by Example; John Wiley and Sons: Hoboken, NJ, USA, 2015.
Cutler, D. R.; Edwards Jr, T. C.; Beard, K. H.; Cutler, A.; Hess, K. T.; Gibson, J.; Lawler, J. J., Random forests for classification in ecology. Ecology 2007, 88 (11), 2783-2792.
Dalir, P.; Naghdi, R.; Jafari, S.; Tsioras, P. A., Comparative Assessment of Woody Species for Runoff and Soil Erosion Control on Forest Road Slopes in Harvested Sites of the Hyrcanian Forests, Northern Iran. Forests 2025, 16 (6), 1013.
CCI, E.; ESA: Land cover CCI product user guide version 2.0. 2017.
Farr, T.G.; Rosen, P.A.; Caro, E.; Crippen, R.; Duren, R.; Hensley, S., The Shuttle Radar Topography Mission. Reviews of Geophysics. 2007, 45, RG2004.
Fatemi, S.S.; Rahimi, M.; Tarkesh, M.; Ravanbakhsh, H., Predicting the impacts of climate change on the distribution of Juniperus excelsa M. Bieb. in the central and eastern Alborz Mountains, Iran. iForest-Biogeosciences For. 2018, 11, 643–650.
Habibi, M., Investigating the impact of climate changes on qualitative and quantitative growth of oak trees (case study: central Zagros). Open Journal of Ecology 2016, 6 (6), 358-366.
Harris, R.M.B.; Grose, M.R.; Lee, G.; Bindoff, N.L.; Porfirio, L.L.; Fox-Hughes, P., Climate projections for ecologists. Wiley Interdisciplinary Reviews: Climate Change 2014, 5, 621–637.
Hartmann, H.; Bastos, A.; Das, A. J.; Esquivel-Muelbert, A.; Hammond, W. M.; Martínez-Vilalta, J.; McDowell, N. G.; Powers, J. S.; Pugh, T. A.; Ruthrof, K. X., Climate change risks to global forest health: emergence of unexpected events of elevated tree mortality worldwide. Annual Review of Plant Biology 2022, 73 (1), 673-702.
Hengl, T.; Mendes de Jesus, J.; Heuvelink, G.B.M.; Ruiperez Gonzalez, M.; Kilibarda, M.; et al. SoilGrids250m: Global gridded soil information based on machine learning. PLoS ONE 2017, 12, e0169748.
Hijmans, R. J., terra: Spatial data analysis. CRAN: Contributed Packages 2020.
Hijmans, R.J., terra: Spatial Data Analysis. R package version 1.7-29. 2023. Available online: https://CRAN.R-project.org/package=terra (accessed on 30 August 2024).
Hijmans, R.J.; Cameron, S.E.; Parra, J.L.; Jones, P.G.; Jarvis, A., Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology 2005, 25, 1965–1978.
Jafarian, Z.; Kargar, M., Comparison of Random Forest (RF) and Boosting Regression Tree (BRT) for prediction of dominant plant species presence in Polour Rangelands, Mazandaran Province. Iranian Journal of Applied Ecology 2017, 6 (1), 41-55. (In Persian)
Jaferyan, E.; Pilehvar, B.; Tavakoli, M., Physiological responses of mature Persian oak (Quercus brantii L.) under natural conditions to drought stress. Forest Research and Development, 2024; 10(2): 167-181.
Japelaghi, M.; Hajian, F.; Gholamalifard, M.; Pradhan, B.; Maulud, K. N. A.; Park, H. J., Modelling the impact of land cover changes on carbon storage and sequestration in the central Zagros region, Iran using ecosystem services approach. Land 2022, 11 (3), 423.
Khwarahm, N. R. Mapping current and potential future distributions of the oak tree (Quercus aegilops) in the Kurdistan Region, Iraq. Ecological Processes 2020, 9 (1), 1-16.
Liu, D.; Lei, X.; Gao, W.; Guo, H.; Xie, Y.; Fu, L.; Lei, Y.; Li, Y.; Zhang, Z.; Tang, S., Mapping the potential distribution suitability of 16 tree species under climate change in northeastern China using Maxent modelling. Journal of Forestry Research 2022, 33 (6), 1739-1750.
Mahmoodi, S.; Ahmadi, K.; Zahravi, M.; Karami, O., Modeling of Iranian oak distribution in the southwest of Iran based on the presence-based approach Maximum Entropy (MaxEnt)‎. Forest Research and Development, 2022; 8(2): 113-131.
Mehri, S.; Alesheikh, A. A.; Lotfata, A. Abiotic factors impact on oak forest decline in Lorestan Province, Western Iran. Scientific reports 2024, 14 (1), 3973.
Mirhashemi, H.; Heydari, M.; Karami, O.; Ahmadi, K.; Mosavi, A., Modeling Climate Change Effects on the Distribution of Oak Forests with Machine Learning. Forests 2023, 14, 469.
Moloudia, F.; Shokati, S., Assessment of Climate Change in Northern Zagros Forests using Stochastic Weather Generator. GeoConvention: Calgary, Canada 2018.
Moradi, A.; Shabanian, N., Land-use change in the Zagros forests and its impact on soil carbon sequestration. Environment, Development and Sustainability 2023, 25 (6), 5411-5426.
Mori, A. S.; Lertzman, K. P.; Gustafsson, L., Biodiversity and ecosystem services in forest ecosystems: a research agenda for applied forest ecology. Journal of Applied Ecology 2017, 54 (1), 12-27.
Naimi, B.; Hamm, N.A.S.; Groen, T.A.; Skidmore, A.K.; Toxopeus, A.G., Where is positional uncertainty a problem for species distribution modelling? Ecography 2014, 37, 191–203.
O'Neill, B. C.; Tebaldi, C.; Van Vuuren, D. P.; Eyring, V.; Friedlingstein, P.; Hurtt, G.; Knutti, R.; Kriegler, E.; Lamarque, J.-F.; Lowe, J., The scenario model intercomparison project (ScenarioMIP) for CMIP6. Geoscientific Model Development 2016, 9 (9), 3461-3482.
Pachauri, R. K.; Allen, M. R.; Barros, V. R.; Broome, J.; Cramer, W.; Christ, R.; Church, J. A.; Clarke, L.; Dahe, Q.; Dasgupta, P., Climate change 2014: synthesis report. Contribution of Working Groups I, II and III to the fifth assessment report of the Intergovernmental Panel on Climate Change; Ipcc, 2014.
Pebesma, E., Simple features for R: standardized support for spatial vector data. 2018.
Riahi, K.; Van Vuuren, D. P.; Kriegler, E.; Edmonds, J.; O’neill, B. C.; Fujimori, S.; Bauer, N.; Calvin, K.; Dellink, R.; Fricko, O., The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: An overview. Global environmental change 2017, 42, 153-168.
Roebroek, C. T.; Caporaso, L.; Duveiller, G.; Davin, E. L.; Seneviratne, S. I.; Cescatti, A., Potential tree cover under current and future climate scenarios. Scientific Data 2025, 12 (1), 564.
Sagheb Talebi, K.; Sajedi, T.; Pourhashemi, M. Forests of Iran: A Treasure from the Past, a Hope for the Future; Springer Netherlands, 2014.
Shiravand, H.; Hosseini, S. A., A new evaluation of the influence of climate change on Zagros oak forest dieback in Iran. Theoretical and applied climatology 2020, 141, 685-697.
Soltani, A.; Angelsen, A.; Eid, T., Poverty, forest dependence and forest degradation links: evidence from Zagros, Iran. Environment and Development Economics 2014, 19 (5), 607-630.
Subedi, S. C.; Drake, S.; Adhikari, B.; Coggeshall, M. V., Climate-change habitat shifts for the vulnerable endemic oak species (Quercus arkansana Sarg.). Journal of Forestry Research 2024, 35 (1), 23.
Thomson, A.M.; Calvin, K.V.; Smith, S.J.; Kyle, P.; Volke, A.; Patel, P., RCP4.5: a pathway for stabilization of radiative forcing by 2100. Clim. Change 2011, 109, 77–94.
Thornton, D. H.; Fletcher Jr, R. J., Body size and spatial scales in avian response to landscapes: a meta‐analysis. Ecography 2014, 37 (5), 454-463.
Thuiller, W.; Georges, D.; Engler, R.; Breiner, F.; Georges, M. D.; Thuiller, C. W., Package ‘biomod2’. Species distribution modeling within an ensemble forecasting framework 2016, 10, 1600-0587.
Tilman, D.; Lehman, C., Human-caused environmental change: impacts on plant diversity and evolution. Proceedings of the National Academy of Sciences 2001, 98 (10), 5433-5440.
Valavi, R.; Shafizadeh-Moghadam, H.; Matkan, A.; Shakiba, A.; Mirbagheri, B.; Kia, S. H., Modelling climate change effects on Zagros forests in Iran using individual and ensemble forecasting approaches. Theoretical and Applied Climatology 2019, 137, 1015-1025.
Watling, J.I.; Brandt, L.A.; Bucklin, D.N.; Fujisaki, I.; Mazzotti, F.J.; Romañach, S.S.; Speroterra, C., Performance metrics and variance partitioning reveal sources of uncertainty in species distribution models. Ecological Modelling 2015, 309–310, 48–59.
Wei, L.; Wang G.; Liang H.; Pan Y.; Chen X.; Huang Q., Predicting the potential suitable habitat for China’s endangered plant Cycas sexseminifera based on the MaxEnt model. Pakistan Journal of Botany 2025, 57(1):163-71.
Wickham, H.; Averick, M.; Bryan, J.; Chang, W.; McGowan, L. D. A.; François, R.; Grolemund, G.; Hayes, A.; Henry, L.; Hester, J. ,Welcome to the Tidyverse. Journal of open source software 2019, 4 (43), 1686.
Zhang, W.; Shi, H.; Zhang, K.; Shu, X.; Dang, H., Effects of abiotic and biotic factors on woody plant diversity across vertical strata in a temperate forest. Plant Ecology 2024, 225 (1), 1-11.
Zhao, M.; Dai, L.; Qiu, H.; Zhang, Y.; Chen, M.; Zhang, S., Predicting the current and future distribution of the bamboo leaf roller (algedonia coclesalis) in china using the maxent model: implications of climate change for habitat suitability and distribution shifts. Applied Ecology & Environmental Research 2025, 23 (3).
Zolfaghari, R.; Fayyaz, P.; Jahantab, E.; Bergmeier, E., Habitat variation and vulnerability of Quercus brantii woodlands in the ZagrosMountains, Iran. Turkish Journal of Botany 2021, 45 (7), 688-700.
پژوهش و توسعه جنگل
دوره 11، شماره 3
آذر 1404
صفحه 421-444

فایل ها

هم رسانی

ارجاع به این مقاله

آمار