Előadást letölteni
Az előadás letöltése folymat van. Kérjük, várjon
KiadtaMátyás Katona Megváltozta több, mint 10 éve
1
Nagy adatbázisok alkalmazása a cönológiában: európai kitekintés és hazai lépések Botta-Dukát Zoltán – Csiky János – Horváth Ferenc
2
Miért van szükség adatbázisokra? avagy A numerikus módszerek kritikája
3
Braun-Blanquet módszer adatokosztályozás a kutató ismeretei a fajok cönológiai preferenciáiról
4
Braun-Blanquet módszer adatokosztályozás a kutató ismeretei a fajok cönológiai preferenciáiról adatokosztályozás Numerikus osztályozás
5
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
6
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
7
A példában az egyik homoki gyepi fajlista (A) jobban hasonlít a bükkös fajlistára (C), mint egy másik homoki gyepre (B).
8
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.
9
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 11:295-306.
10
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 11:295-306. osztályozási kritériumok csoportok cseh adatok osztályozási kritériumok csoportok
11
Braun-Blanquet módszer adatokosztályozás a kutató ismeretei a fajok cönológiai preferenciáiról adatokosztályozás Numerikus osztályozás
12
Braun-Blanquet módszer adatokosztályozás a kutató ismeretei a fajok cönológiai preferenciáiról adatokosztályozás Új szemléletű numerikus osztályozás az adatbázisból kinyert információk a fajok cönológiai preferenciáiról
13
Az adatbázisok alkalmazásának lehetőségei I. A fajok cönológiai preferenciáit figyelembe vesszük a felvételek hasonlóságának kiszámításánál
14
Az adatbázisok alkalmazásának lehetőségei I. A fajok cönológiai preferenciáit figyelembe vesszük a felvételek hasonlóságának kiszámításánál II. Cocktail algoritmus (nem automatikus osztályozás)
15
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
16
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)
17
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
18
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.
19
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.
20
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 11:295-306.
21
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 11:295-306. syntaxon definíciók csoportok cseh adatok syntaxon definíciók csoportok
22
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
23
Épülő adatbázisok Európában Wageningen – kb. 350 ezer felvétel (Hollandia) Marseille – kb. 130 ezer felvétel (Franciaország) http://jupiter.u-3mrs.fr/~msc41www/sophy.htm Lancester – kb. 40 ezer felvétel (Nagy Britania) Rostock – kb. 60 ezer felvétel (Mecklenburg- Vorpommern) Brno – kb. 40 ezer felvétel (Csehország) http://www.sci.muni.cz/botany/database.htm Pozsony – kb. 20 ezer felvétel (Szlovákia) Bécs – kb. 10 ezer felvétel (Ausztria, erdõk) Birmensdorf – kb. 20 ezer felvétel (Svájc, erdõk)
24
Szoftverek TurboVeg – adatbázis kezelés Juice – adatelemzés (Cocktail algoritmus)
25
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
27
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. 15 500 egyéb felvétel) egyeb A B C D sziklagyep egyeb gyep osszesen Sesleria varia98 100 100 100 0–40 ? ? konstanciája felvételek száma66 73 11 15 337 – 502 felvételek száma66 73 11 15 337 15500 16000 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
28
Védekezési lehetőségek az ilyen hibák ellen nagy adatbázis
29
Védekezési lehetőségek az ilyen hibák ellen nagy adatbázis kis adatbázis, amely a társulásokat előfordulásuknak megfelelő arányban tartalmazza válogatott felvételekbõl álló referencia adatbázis
30
A tervezett CoenoDat Referencia Adatbázis jellemzõi a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket
31
A tervezett CoenoDat Referencia Adatbázis jellemzõi a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket társulásonként 15-100 felvételt, összesen 7500 felvételt
32
A tervezett CoenoDat Referencia Adatbázis jellemzõi a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket társulásonként 15-100 felvételt, összesen 7500 felvételt a gyűjtött felvételek száma a társulás elterjedtségétől és változatosságától függ
33
A tervezett CoenoDat Referencia Adatbázis jellemzõi a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket társulásonként 15-100 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
34
A tervezett CoenoDat Referencia Adatbázis jellemzõi a természetes-természetközeli növénytársulásokról gyűjtünk felvételeket társulásonként 15-100 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
35
A CoenoDat Referencia Adatbázis létrehozása A mukát 4-5 fő koordinálja (Botta-Dukát Zoltán, Csiky János, Horváth Ferenc, Lájer Konrád)
36
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
37
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
38
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
39
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
40
A CoenoDat Referencia Adatbázis elemzése A korábban bemutatotthoz hasonló társulásdefiníciók létrehozása a hazai vegetációra
Hasonló előadás
© 2024 SlidePlayer.hu Inc.
All rights reserved.