Növénytársulások cönológiai felvételezése

Méret: px

Mutatás kezdődik a ... oldaltól:

Download "Növénytársulások cönológiai felvételezése"

Mariska Szilágyiné
6 évvel ezelőtt
Látták:

1 Növénytársulások cönológiai felvételezése Egy növényközösség fajösszetételének és mennyiségének meghatározása terepi módszerekkel. 1. Fajlista felvétele 2. Mennyiségi adatok felvétele A görbe telítődési jellegű Egy terület-átvizsgálási idő Egy terület évek

2 Növénytársulások cönológiai felvételezése 2. Mennyiségi adatok felvétele - közvetlen számolás - becslés mintavétellel Becslés: valamilyen változó értékének közelítő megállapítása, ha a pontosabb érték elérése nem szükséges, vagy nincs rá forrás. a mintavételi terület mérete, alakja, a kihelyezés módja, az ismétlések száma. Mintavételi meggondolások: A mintavételi négyzet felvételezésének menete. Az eredmények táblázatos összesítése (cönológiai tabella készítése).

3 Plotless és kvadrát módszerek Alak Méret (minimiárea) Darabszám Ezek meghatározzák, hogy milyen pontossággal tudjuk átvizsgálni a mintaterületet. Kihelyezési mód ->

4 Három pontmintázat típus: szabályos véletlenszerű csoportosulásos

5 Szemiszisztematikus (helytelen) neve térben rétegezett elrendezés

6 Térfolyamati mintavétel

7 Klonális növekedési formák: Falanx Az egyed fogalma nehezen értelmezhető, terepen nem számolható. Egyedszám helyett használható: -Hajtásszám -Biomassza -Borítás Gerilla

8 Tömegesség megadása: borításbecslés bináris értékek sorozatával Elvileg járható út, terepen nem alkalmazható időigényes volta miatt

10 Fehér: 97% piros 3%

12 Fehér: 80% piros 20%

14 Fehér: 60% piros 40%

16 Fehér: 5% piros 95%

18 Fehér: 42% piros 58%

21 Itt kezdődött a 2. óra. Tömegesség megadása: Számítógépes szimuláció egyszerű esetei

22 Egy nehéz eset Az 50%-os borítottság környékén a legnehezebb a döntés.

23 A résztvevők eredményei a %-os skálán

24 A becslésre fordított idő érdemben nem befolyásolta az elért pontosságot (r~0.2)

25 A megszokott 10-es számrendszer rányomja bélyegét az eredményekre:

Vendégdia: Bináris Feladat: pontok kijelölésével próbáld megbecsülni, hogy a piros (nyomtatva fekete) foltok a négyzet hány százalékát foglalják el!

26 Vendégdia: Bináris Feladat: pontok kijelölésével próbáld megbecsülni, hogy a piros (nyomtatva fekete) foltok a négyzet hány százalékát foglalják el! A lap oldalán tízesével írjál 0-t vagy 1-et, 10x10-et, és számold ki az 1 /összes hányadost tízesével! Készíts ábrát, ahol a az elemszám függvényében ábrázolod a hányadost!

27 3 skálatípus, a táblázatok konkrét értékei nem számonkérendő információk, de az elvük igen. Alkalmazás a klasszikus felvételezés/tipizálás időszakában Klasszikus Braun-Blanquet skála: r borítás < 1%, egyedszám 1(-2), kis borítású egyed + borítás <1%, legfeljebb 5 kis borítású egyed 1 borítás 1-5%, egyedszám 6-50 (illetve 1-5 nagy borítású egyed) 2 borítás 5-25%, egyedszám 50 felett 3 borítás 25-50%, egyedszám tetszőleges 4 borítás 50-75%, egyedszám tetszőleges 5 borítás %, egyedszám tetszőleges

28 Finomított Braun-Blanquet skála: A-D Borítás% vagy kevesebb vagy több

29 Londo skála: r1 borítás < 1%, egyedszám nagyon kevés, többnyire 1 egyed p1 borítás < 1%, egyedszám kevés a1 borítás < 1%, egyedszám sok m1 borítás < 1%, egyedszám nagyon sok r2 borítás 1-3%, egyedszám nagyon kevés, többnyire 1 egyed p2 borítás 1-3%, egyedszám kevés a2 borítás 1-3%, egyedszám sok m2 borítás 1-3%, egyedszám nagyon sok r4 borítás 3-5%, egyedszám nagyon kevés, többnyire 1 egyed p4 borítás 3-5%, egyedszám kevés a4 borítás 3-5%, egyedszám sok m4 borítás 3-5%, egyedszám nagyon sok 1 borítás 5-15% 2 borítás 15-25% 3 borítás 25-35% 4 borítás 35-45% 5- borítás 45-50% 5+ borítás 50-55% 6 borítás 55-65% 7 borítás 65-75% 8 borítás 75-85% 9 borítás 85-95% 10 borítás %

30 Cover Monitoring Assistant (CMA) Program

32 Állandó kvadrátok: a variancia csökkentése

33 Plotless módszerek closest individual method nearest neighbor method Line intersect - a valódi transzekt

34 point-intersect method

35 A terepen megszerzett adatok feldolgozása Cönológiai tabella A Felső-Szigetköz tölgy-kőris-szil ligetei a Duna elterelése előtt (Készítette Kevey Balázs) A-D K % Aethusa cynapium (Che) C I 20 Alliaria petiolata (Epa) C II 30 Angelica sylvestris (Mag,Ate,AP) C IV 70 Arctium lappa (Ar,Pla,Spu) C I 20 Arctium minus (Ar,Bia,Pla) C II 30 Brachypodium sylvaticum C II 40 Calystegia sepium (Pte,Bia,Pla,Spu,Ate) C I 10 Clematis vitalba A I 10 Convallaria majalis C III 50 Cornus sanguinea B IV 70 Deschampsia caespitosa (Des,Sal,Ate,AP) C I 10 Galeopsis bifida (Cal) C IV 70 Lamium maculatum (CF,Agi,Cp,Qrp) C III 50 Parietaria officinalis (Cal,TAc) C I 20 Phalaroides arundinacea (Des) C I 20 Poa trivialis (Pte,Spu,Ate,AP) C V 90 Sisymbrium loeselii (Sio) C I 10 Symphytum officinale (Pte,Cal,Spu,Ate,AP) C I 20

36 Rang-abundancia diagrammok: Tömegviszonyok változása időben, Parlag szukcesszió, D-Illinois, USA

37 Faj-egyed diverzitás Annak a bizonytalanságát fejezi ki, hogy egy egyedről előre megmondjuk, hogy mely populációba tartozik. Ezt a bizonytalanságot növeli a populációk száma és a tömegviszonyok egyenletessége. S1=2 S2=4 < Tömegviszonyok egyenletesek S1=3 S2=3 < Tömegviszonyok eltérőek

38 Faj-egyed diverzitás számszerűsítése Shannon(-Weaver) diverzitás: S H p i log p i 1 Az egyedei kiválasztáskor nyerhető átlagos információmennyiség entrópia. Egyenletesség: Diverzitási érték / az adott fajszámnál lehetséges max. diverzitás E Shannon(-Weaver) egyenletesség: H H max Simpson diverzitás: D 1 H S i 1 max 2 p i D max log S 1 1 S i Annak valószínűsége, hogy két függetlenül kiválasztott egyed különböző fajhoz tartozik.

39 Skála Definíció Példák Nominális 1.kvalitatív, nevekből áll 2.nincs rangsor ivar, betegség, fajnév, cselekvési típus, prezencia-abszencia adatok Ordinális Intervallum Arány/ hányados 1.kvalitatív, rangsor lehetséges 2.értékek közti távolság tetszőleges 1.kvantitatív, rangsor, értékek közti különbség mutatja a távolságot 2.önkényes nulla pont 3.arányok nem értelmezhetők 1.kvantitatív, rangsor, értékek közti intervallum mutatja a távolságot 2.valódi nullapont 3.arányok értelmezhetőek agresszivitás: erős, közepes, gyenge, borítás skálák, W-értékek, rangok C hőmérséklet, IQ testsúly, magasság, életkor, mért értékek A megkülönböztetés fontos: kváziátlagok a statisztikában általában mérhető és megállapítható változókat különböztetnek meg. bináris (előnyei-hátrányai) folytonos vagy diszkrét közöttük átmenet: Simon Levin statisztikus véleménye (termésszám-terméssúly)

40 A biomonitorozás alapjai

42 Vizsgálat (survey) Olyan adatgyűjtés, melynek során a vizsgált változók állapotát egy standard eljárás szerint kvalitatív vagy kvantitatív adatokkal leírjuk, általában egy nem túl hosszú időtartamú vizsgálatsorozat keretében. A várható eredményekkel kapcsolatban nincs előzetes elvárásunk. Hosszú távú vizsgálatsorozat (surveillance) Időben kiterjesztett vizsgálat, aminek az a célja, hogy hosszú távú adatsorokkal dokumentálja a kérdéses állapotváltozók időbeli változását. Az eredményekre vonatkozóan szintén nincs előzetes elvárásunk. Monitorozás (monitoring) Időben rendszertelenül vagy rendszeresen megismételt megfigyelés. A vizsgálat célja az, hogy a standarddal való egyezést igazolja, vagy éppen bemutassa az eltérést és annak mértékét.

44 Eszközök Karók, cölöpök, gödrök Talajba mélyesztett fémeszközök + detektor GPS Biciklikerék + cső Fényképezőgép Diktafon Térkép, légifotó ezek segítségével bizonyos mértékben a múltba is vissza lehet tekinteni: Itt kezdődött a 3. óra. Tájtörténet viszonyítási alap mi legyen?

45 A jelölők nem hagyhatók a terepen (eltűnés, balesetveszély, károkozás)

46 Rögzítés hosszú ideig a helyszínen maradó objektumhoz

47 Példák monitoring helyszíneinek megváltozására

50 A helyszínek dokumentálásának pontosnak kell lenni

51 Viszonyítási alapok Fajszámok változása Fajkicserélődés Kipusztulás: (50) év! Tömegesség változása: szubjektivitás! időjárás! koncepcióváltás! független hatások! és a monitorozott hatás

52 A Duna-meder 1994-ben

53 A Duna-meder 2001-ben

54 A Duna-meder 2005-ben

55 A Duna-meder 2009-ben

56 A folyóparti füzes 2009-ben A monitoring során koncepcióváltás történt

61 Eredeti növényzet Tájhasználat változás Megváltozott növényzet

62 Space for time substitution

63 Adatvesztés Stewart Brand 2001: Amíg világ a világ: idő és felelősség a hosszú most órája. Vince Kiadó, Budapest könyvtári

64 - Hardverhiba (meghibásodás, eltűnés) - Hardver inkompatibilitás - Szoftver inkompatibilitás - legend hiánya Okok: Védekezés: - Biztonsági másolatok független helyeken - Szoftver nemzedékváltáskor az adatformátumot is frissíteni kell - A bárhogyan is tárolt adatokat úgy kell feliratozni/kommentálni, hogy - Sokkal később és esetleg mások számára is egyértelműen értelmezhető legyen

65 Élőhely- és vegetációtérképezés - térképek

66 Erdészeti üzemtervi térkép üzemtervi adatokkal kiegészítve

72 Légifotó fekete-fehér, színes, infravörös, szélesspektrumú növényzeti folt lehatárolás, nehezen megközelíthető terület becsülhető, eldugott folt feltűnik, idősor elemzésre alkalmas használhatóságot befolyásol: ortografikus torzítás, árnyék, repülési időszak (lombozat), fényképezés minősége

76 Űrfotó Spot (pankromatikus), Landsat (több spektrális sáv). Google Earth Térbeli felbontása rosszabb (?), mint a légifotóé. GPS (Global Positioning System)

Hasonló dokumentumok

Adatok statisztikai értékelésének főbb lehetőségei

Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció