Nagy adatbázisok alkalmazása a cönológiában: európai kitekintés és hazai lépések Botta-Dukát Zoltán – Csiky János – Horváth Ferenc

Miért van szükség adatbázisokra? avagy A numerikus módszerek kritikája

Braun-Blanquet módszer adatokosztályozás a kutató ismeretei a fajok cönológiai preferenciáiról

Braun-Blanquet módszer adatokosztályozás a kutató ismeretei a fajok cönológiai preferenciáiról adatokosztályozás Numerikus osztályozás

A Festuca vaginata Koeleria cristata Artemisia campestris Alyssum tortuosum Silene otites Polygonum arenarium Solidago virga-aurea B. Stipa borystenica Fumana procumbens Bromus tectorum Secale sylvestre Dianthus serotinus Silene conica Salsola kali Bassia prostrata Gypsophila paniculata Minuartia verna C. Acer pseudoplatanus Aegopodium podagraria Arctium nemorosum Asarum europaeum Asperula odorata Brachypodium sylvaticum Carex sylvatica Carpinus betulus Fagus sylvatica Galium schultesii Melica uniflora Poa nemoralis Solidago virga-aurea stb. összesen 44 faj

A Festuca vaginata Koeleria cristata Artemisia campestris Alyssum tortuosum Silene otites Polygonum arenarium Solidago virga-aurea B. Stipa borystenica Fumana procumbens Bromus tectorum Secale sylvestre Dianthus serotinus Silene conica Salsola kali Bassia prostrata Gypsophila paniculata Minuartia verna C. Acer pseudoplatanus Aegopodium podagraria Arctium nemorosum Asarum europaeum Asperula odorata Brachypodium sylvaticum Carex sylvatica Carpinus betulus Fagus sylvatica Galium schultesii Melica uniflora Poa nemoralis Solidago virga-aurea stb. összesen 44 faj Sorensen-hasonlóság a fajlisták között: A – B : 0 A – C : 0,0196 B – C : 0

A példában az egyik homoki gyepi fajlista (A) jobban hasonlít a bükkös fajlistára (C), mint egy másik homoki gyepre (B).

Szerencsére: ritkák az ilyen extrém szituációk, a sokváltozós módszerek a teljes hasonlóságmátrix elemzésén alapulnak, amiből kiderül, hogy mind az A, mind a B felvétel hasonlít a homoki felvételekhez, még ha egymástól különböznek is.

német adatok osztályozási kritériumok TWINSPAN cseh adatok osztályozási kritériumok TWINSPAN Forrás: Bruelheide, H. & Chytry, M.: Towards unification of national vegetation classifications: A comparison of two methods for analysis of large data sets. Journal of Vegetation Science 11:

német adatok osztályozási kritériumok Forrás: Bruelheide, H. & Chytry, M.: Towards unification of national vegetation classifications: A comparison of two methods for analysis of large data sets. Journal of Vegetation Science 11: osztályozási kritériumok csoportok cseh adatok osztályozási kritériumok csoportok

Braun-Blanquet módszer adatokosztályozás a kutató ismeretei a fajok cönológiai preferenciáiról adatokosztályozás Numerikus osztályozás

Braun-Blanquet módszer adatokosztályozás a kutató ismeretei a fajok cönológiai preferenciáiról adatokosztályozás Új szemléletű numerikus osztályozás az adatbázisból kinyert információk a fajok cönológiai preferenciáiról

Az adatbázisok alkalmazásának lehetőségei I. A fajok cönológiai preferenciáit figyelembe vesszük a felvételek hasonlóságának kiszámításánál

Az adatbázisok alkalmazásának lehetőségei I. A fajok cönológiai preferenciáit figyelembe vesszük a felvételek hasonlóságának kiszámításánál II. Cocktail algoritmus (nem automatikus osztályozás)

Az adatbázisok alkalmazásának lehetőségei I. A fajok cönológiai preferenciáit figyelembe vesszük a felvételek hasonlóságának kiszámításánál II. Cocktail algoritmus (nem automatikus osztályozás) 1. a fajok cönológiai viselkedése alapján fajcsoportokat hozunk létre

Az adatbázisok alkalmazásának lehetőségei I. A fajok cönológiai preferenciáit figyelembe vesszük a felvételek hasonlóságának kiszámításánál II. Cocktail algoritmus (nem automatikus osztályozás) 1. a fajok cönológiai viselkedése alapján fajcsoportokat hozunk létre 2. a syntaxonokat a domináns fajok (a faj domináns ha borítása meghalad egy határértéket) és a felvételcsoportok elõfordulása, hiánya alapján definiáljuk (a felvételcsoport akkor fordul elõ, ha az abba tartozó fajok legalább fele elõfordul a felvételben)

Az adatbázisok alkalmazásának lehetőségei I. A fajok cönológiai preferenciáit figyelembe vesszük a felvételek hasonlóságának kiszámításánál II. Cocktail algoritmus (nem automatikus osztályozás) 1. a fajok cönológiai viselkedése alapján fajcsoportokat hozunk létre 2. a syntaxonokat a domináns fajok (a faj domináns ha borítása meghalad egy határértéket) és a felvételcsoportok elõfordulása, hiánya alapján definiáljuk (a felvételcsoport akkor fordul elõ, ha az abba tartozó fajok legalább fele elõfordul a felvételben) 3. a syntaxonok definíció alapján besoroljuk az egyes felvételeket

 Poa badensis – Festuca pallens társulás: elõfordul a Festuca pallens csoport ÉS elõfordul a Poa badensis csoport ÉS a Sesleria albicans borítása < 25% Példák a társulás-definíciókra I.

 Scabiosa ochroleuca – Brachypodium pinnatum csoport [elõfordul a Brachypodium pinnatum csoport VAGY (a Brachypodium pinnatum borítása >5% ÉS NEM fordul elõ a Viola canina csoport)] ÉS elõfordul a Cirsium acaule csoport ÉS NEM fordul elõ az Inula ensifolia csoport ÉS NEM fordul elõ a Stipa capillata csoport ÉS NEM fordul elõ a Cynosurus cristatus csoport ÉS NEM fordul elõ a Sesleria albicans csoport ÉS a Sesleria albicans borítása < 5% ÉS a Peucedanum cervaria borítása <25% Példák a társulás-definíciókra II.

német adatok syntaxon definíciók COCKTAIL cseh adatok syntaxon definíciók COCKTAIL Forrás: Bruelheide, H. & Chytry, M.: Towards unification of national vegetation classifications: A comparison of two methods for analysis of large data sets. Journal of Vegetation Science 11:

német adatok syntaxon definíciók Forrás: Bruelheide, H. & Chytry, M.: Towards unification of national vegetation classifications: A comparison of two methods for analysis of large data sets. Journal of Vegetation Science 11: syntaxon definíciók csoportok cseh adatok syntaxon definíciók csoportok

Európai programok EVS – European Vegetation Survay cél: az európai vegetáció cönológiai alapú, egységes leírása SynBioSys – Syntaxonomical Biological System cél: az EVS eredményeire építve a gyakorlat számára is használható szakértõi rendszer elkészítése

Épülő adatbázisok Európában  Wageningen – kb. 350 ezer felvétel (Hollandia)  Marseille – kb. 130 ezer felvétel (Franciaország)  Lancester – kb. 40 ezer felvétel (Nagy Britania)  Rostock – kb. 60 ezer felvétel (Mecklenburg- Vorpommern)  Brno – kb. 40 ezer felvétel (Csehország)  Pozsony – kb. 20 ezer felvétel (Szlovákia)  Bécs – kb. 10 ezer felvétel (Ausztria, erdõk)  Birmensdorf – kb. 20 ezer felvétel (Svájc, erdõk)

Szoftverek  TurboVeg – adatbázis kezelés  Juice – adatelemzés (Cocktail algoritmus)

Az adatbázisok potenciális hibái  nem megfelelõ adatminõség (pl. hibásan meghatározott faj)  nem teljesen egységes felvételezési módszerek  felvételezés egy vagy több aszpektusban  eltérõ kvadrátméret  változik az általánosan elfogadott kvadrátméret  a fajszegény helyen a kutatók hajlamosak nagyobb kvadrátot használni  a fajszámok erõsen eltérnek az elméleti faj-area görbéktõl  kriptogámok nem mindig vannak fajonként felvéve  egyes társulások alul, míg mások felülreprezentáltak

Példa a kis és nem kiegyenlített adatbázis esetén fellépõ hibára Négy csehországi sziklagyep társulás karakterfajait kerestük  csak a sziklagyepekbe tartozó 502 felvétel alapján  kb. 16 ezer különbözõ csehországi gyep társulásokban készült felvétel alapján (500 sziklagyep felvétel+kb egyéb felvétel) egyeb A B C D sziklagyep egyeb gyep osszesen Sesleria varia –40 ? ? konstanciája felvételek száma – 502 felvételek száma Eredmények:  502 felvétel alapján: a Sesleria varia csak az A és B társulások karakterfaja  16 ezer felvétel alapján: a Sesleria varia mind a négy társulásnak karakterfaja Forrás: Chytrý, M., Tichý, L., Holt, J. & Botta-Dukát, Z. (in press): Determination of diagnostic species by statistical fidelity measures. Journal of Vegetation Science

Védekezési lehetőségek az ilyen hibák ellen  nagy adatbázis

Védekezési lehetőségek az ilyen hibák ellen  nagy adatbázis  kis adatbázis, amely a társulásokat előfordulásuknak megfelelő arányban tartalmazza  válogatott felvételekbõl álló referencia adatbázis

A tervezett CoenoDat Referencia Adatbázis jellemzõi  a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket

A tervezett CoenoDat Referencia Adatbázis jellemzõi  a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket  társulásonként felvételt, összesen 7500 felvételt

A tervezett CoenoDat Referencia Adatbázis jellemzõi  a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket  társulásonként felvételt, összesen 7500 felvételt  a gyűjtött felvételek száma a társulás elterjedtségétől és változatosságától függ

A tervezett CoenoDat Referencia Adatbázis jellemzõi  a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket  társulásonként felvételt, összesen 7500 felvételt  a gyűjtött felvételek száma a társulás elterjedtségétől és változatosságától függ  a felvételeknek reprezentálniuk kell az adott társulás változatosságát földrajzi, élőhelyi és szukcessziós-degradációs szempontból

A tervezett CoenoDat Referencia Adatbázis jellemzõi  a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket  társulásonként felvételt, összesen 7500 felvételt  a gyűjtött felvételek száma a társulás elterjedtségétől és változatosságától függ  a felvételeknek reprezentálniuk kell az adott társulás változatosságát földrajzi, élőhelyi és szukcessziós-degradációs szempontból  az adatbázisba részben korábbi (publikált, kéziratos), részben új felvételek kerülnek

A CoenoDat Referencia Adatbázis létrehozása  A mukát 4-5 fő koordinálja (Botta-Dukát Zoltán, Csiky János, Horváth Ferenc, Lájer Konrád)

A CoenoDat Referencia Adatbázis létrehozása  A mukát 4-5 fő koordinálja (Botta-Dukát Zoltán, Csiky János, Horváth Ferenc, Lájer Konrád)  minden társulás esetében felkérünk egy szakértõt a felvételek kiválasztására, aki megkeresi a további résztvevõket-adatszolgáltatókat

A CoenoDat Referencia Adatbázis létrehozása  A mukát 4-5 fő koordinálja (Botta-Dukát Zoltán, Csiky János, Horváth Ferenc, Lájer Konrád)  minden társulás esetében felkérünk egy szakértõt a felvételek kiválasztására, aki megkeresi a további résztvevõket-adatszolgáltatókat  a szakértõknek minden felvételhez rövid szöveges értékelést kell fűzniük, amelyben leírják miért választották ki ezt a felvételt az adatbázis számára

A CoenoDat Referencia Adatbázis létrehozása  A mukát 4-5 fő koordinálja (Botta-Dukát Zoltán, Csiky János, Horváth Ferenc, Lájer Konrád)  minden társulás esetében felkérünk egy szakértõt a felvételek kiválasztására, aki megkeresi a további résztvevõket-adatszolgáltatókat  a szakértõknek minden felvételhez rövid szöveges értékelést kell fűzniük, amelyben leírják miért választották ki ezt a felvételt az adatbázis számára  az adatbázis felépítésére a TurboVeg adatbáziskezelő programot használjuk

A CoenoDat Referencia Adatbázis létrehozása  A mukát 4-5 fő koordinálja (Botta-Dukát Zoltán, Csiky János, Horváth Ferenc, Lájer Konrád)  minden társulás esetében felkérünk egy szakértõt a felvételek kiválasztására, aki megkeresi a további résztvevõket-adatszolgáltatókat  a szakértõknek minden felvételhez rövid szöveges értékelést kell fűzniük, amelyben leírják miért választották ki ezt a felvételt az adatbázis számára  az adatbázis felépítésére a TurboVeg adatbáziskezelő programot használjuk  a minőség-ellenőrzés során automatikusan kiszűrjük a formai hibákat és szakértőket kérünk fel a szakmai hibák kiszűrésére

A CoenoDat Referencia Adatbázis elemzése A korábban bemutatotthoz hasonló társulásdefiníciók létrehozása a hazai vegetációra