Prediktivní modelování struktury biologických společenstev na základě referenčních dat -metodický příspěvek k hodnocení ekologických rizik Klára Kubošová IBA Školitel: doc. RNDr. L. Dušek, Ph.D., RECETOX, Přírodovědecká fakulta MU Cíle práce rešerše metod využívaných k tvorbě predikčního modelování struktury a stavu biologických společenstev v různých prostorových mentcich zhodnocení stavu referenčních databází u případových studií (rostlinná společenstva a společenstva makrozoobentosu): tvorba biologicky relevantních predikčních modelů, definice nejvhodnějších sad abiotických proměnných využitelných v modelech cross-validační studie srovnávající predikční schopnosti různých modelovacích metod vytvoření a validace nejvhodnějšího v praxi využitelného predikčního modelu metodické výstupy směřující do oblasti hodnocení ekologických rizik, především fáze hodnocení expozice a biologických účinků vývoj nových přístupů k této problematice s ohledem na charakter dostupných dat PHDMs -potenciál habitat distribution maps Modely, které předpovídají potenciální rozšíření společenstev se označují PHDMs Můžou být definovány několika způsoby: 1) pravděpodobnost výskytu druhů 2) podle rozložení abundance druhů 3) předpokládaný výskyt založený na nepravděpodobnostních metrikách (presence/absence) 4) nejvíce pravděpodobná entita (vegetační mapy) Modelovací prístupy Ordinační techniky (PCA, RDA, CA, CCA) Regrese (GLM, GAM) Neuronové sítě Klasifikační a regresní stromy Diskriminační analýza Prediktivní modelování potencionálního rozšíření v rostlinných asociací v CR ^^^ data z České republiky 37 asociací - určitý počet fytogeografických snímků-podle společného výskytu druhů vysvětlující proměnné: nadmořská výška, acidita půdy, průměrná teplota (červnová, lednová, roční), srážky, souřadnice geografický informační systém ArcGIS - 37 685 čtverců, 1,5 x 1,5 km, průměry hodnot za každý čtverec trénovací x testovací vyloučeny odlehlé hodnoty Modelovací prístupy závislá proměnná s binomickým rozdělením ordinační metoda - CCA regrese - GLM, GAM závislá proměnná kategoriální klasifikační stromy (CHAID a CART) bez závislé proměnné vzdálenosti od centroidu (metoda nejbližšího souseda, upravená PCA a CA) Strom typu CART asoc 117 jJHJ O.OO - 0.20 0,21-0,40 0.41 -0:60 0.61-0.S0 Vzdálenost od centroidu asoc 117 0.00000 - 0,20000 0.20001 - 0,40000 0.40001 - 0,60000 0.60001 - 0,80000 i.Ä^Är^^SPi 4H mL'-i-*^** Tr ŕ^jP ft *" Strom typu CHAID asoc 117 0.00000-0,10000 0.10001-0,20000 0.20001 -0,30000 GAM ^' "^^ $ k^ Společenstva makrozoobenthosu (projekt Arrow) data z biomonitoringu povrchových vod (společenstva makrozoobenthosu) data z území ČR, malé toky ( Sázava, Lužnice, Odra , Dyje, Morava, Otava, Oslavka, Ploučnice...) 300 referenčních lokalit (30 testovacích lokalit) rozdělené do kategorií podle abioty Abiotické parametry (BSK, dusičnany, vzdálenost od pramene, souřadnice, nad. výška, plocha povodí, šířka toku, sklon, hloubka, zaplavená zóna, PH, podloží....) biota - makrozoobentos Zjistit jestli je lokalita blízká k referenčním nebo jak hodně je znečištěná (biotický i abioticky) Výber indikačních taxonu srovnání statistických metod pro výběr indikačních taxonů charakteristických pro abioticky definované říční habitaty Random Forests (Breiman, 2001) Metoda indikačních druhů (Indicator Species Analysis; Dufréne & Legendre, 1997) Datový soubor do analýzy vstupovala kategoriální závisle proměnná, obsahující 54 vzorků rozdělených do 4 typů habitatů (-definovaných na základě polohy odběrových míst v rámci koryta toku a lokálních hydraulických podmínek) prediktory byly abundance 180 taxonů makrozoobentosu. zjištěných v těchto vzorcích © m Kl ^3 1=1^ © © ^3 ©3 ^3 ©*> ^3 S3 i ^3 © © Habitat H1 - peřeje Nejproudivější místa v korytě hydraulicky charakterizovaná hodnotou tzv. Froudova čísla vyšší než 0,18. Kvantita usazené organické hmoty a rasových nárostů velikosti a délce trvání zvýšených průtoků. Habitat H3-tůně Habitaty hlavního koryta charakteristické laminárním prouděním a Froudovým číslem nižším než 0,18. Habitat H2 - příbřežní tišiny Mírné proudění až stagnace se projevuje usazováním jemných sedimentů. Potravní i úkrytové podmínky jsou ovlivňovány přítomností pobřežní vegetace (opad, dřevní hmota, kořeny). Habitat H4 - boční ramena Morfologie habitatu je utvářena erozním účinkem vysokých průtoků. Po většinu roku jsou slepá ramena povrchově propojena s hlavním korytem pouze na spodním konci. Převažujícím substrátem jsou jemné sedimenty a organická hmota. ČŠŤ3 & ^Š3 as =1^ G^> © ©^ ČŠJ3 I-------ID © © Výsledky bylo vybráno 50 taxonů z celkového počtu 180 taxonů, které byly alespoň v jedné z těchto metod určeny jako významné tyto dvě metody se shodovaly v 85% vybraných taxonů tůňové habitaty v hlavním korytě (H3) se ukázaly z hlediska indikátorových taxonů nejméně výrazným typem habitatu z uvedených hodnot je patrné, že použité metody, dávají velmi podobné výsledky Závěr několik výhod a nevýhod použití těchto metod: IV indexu z ISA mnohem méně přehledné než RF ISA rovněž určí pro kterou skupinu je daný taxon vhodným indikátorem, kdežto RF dává jen celkovou významnost taxonu. RF však určuje i „negativně" indikační taxony, které mají například vysokou abundanci a velkou četnost výskytu ve všech skupinách mimo jedné skupiny, kde není tento taxon zastoupen vůbec a rovněž taxony, které jsou významné pro oddělení dvou skupin habitatů RF je také více odolný proti odlehlým hodnotám narozdíl od ISA, kde počítáme přímo s průměry abundanci pro jednotlivé skupiny RF nezávislá na rozložení proměnných - prediktory mohou být spojité i kategoriální (na rozdíl od Indicator Species Analysis, kde lze pracovat jen s abundancemi, frekvencemi nebo presenčně/absenčními vzorky) dalsi eile otestování dostupných metod na společenstvech makrozoobentosu - projekt ARROW (výběr indikačních druhů, váhy pro parametry...) predikce lesních společenstev (na presenčních datech, srovnání upravené PCA a CA s GLM na absenčních datech z celé ČR) klimatické modelování (BIOCLIM, CRES-Centre for Resource and Environmental Studies) Dekuji za pozornost