Skip to main content
Global

10.2: Rangbőség grafikonok és élőhely-alkalmassági index

  • Page ID
    205334
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Rangsor bőség grafikonok

    A fajok abundancia-eloszlása rangbőség grafikonokkal is kifejezhető. Általános megközelítés az, hogy a fajok bőségének bizonyos mértékét a bőség rangsorrendjéhez viszonyítva ábrázolják. Egy ilyen cselekmény lehetővé teszi a felhasználó számára, hogy ne csak a relatív gazdagságot, hanem az egyenletességet is összehasonlítsa. A fajbőség-modellek (más néven bőséggörbék) az összes rendelkezésre álló közösségi információt felhasználják egy matematikai modell létrehozására, amely leírja a közösség összes fajának számát és relatív bőségét. Ezek a modellek tartalmazzák a log normál, geometriai, logaritmikus és MacArthur törött bot modelljét. Sok ökológus ezeket a modelleket használja az erőforrások felosztásának kifejezésére, ahol egy faj bősége megegyezik az általa elfoglalt hely százalékos arányával (Magurran 1988). A bőséggörbék alternatívát kínálnak az egyszámú diverzitási indexekhez a közösségi struktúra grafikus leírásával.

    Mi a Common_descriptiveWhittaker.jpg

    Ábra\(\PageIndex{1}\). A fajbőség-eloszlások illesztésére használt három általános matematikai modell általános rang-bőségdiagramja: Motomura geometriai sorozata, Fisher naplói és Preston log-normál sorozata (módosítva Magurran 1988-ból) Aedrake09.

    Hasonlítsuk össze az indexeket és egy nagyon egyszerű bőségeloszlást két különböző helyzetben. Az A és B állványnak ugyanannyi faja van (azonos gazdagság), de az egyes fajok egyedszáma jobban hasonlít az A állványban (nagyobb egyenletesség). A B standon az 1. fajnak van a legtöbb egyede, a fennmaradó kilenc faj fajonként lényegesen kisebb egyedszámmal rendelkezik. A gazdagság, a Simpson D dicsérete, és Shannon H 'mindkét állványra kiszámításra kerül. Ez a két diverzitási index magában foglalja mind a gazdagságot, mind az egyenletességet. A bőségeloszlási grafikonon a gazdagság összehasonlítható az x tengelyen és az egyenletesség az eloszlás alakjával. Mivel az A állvány nagyobb egyenletességet mutat, nagyobb általános diverzitással rendelkezik, mint a B állvány. Figyelje meg, hogy az A állvány mind a Simpson, mind a Shannon indexek esetében magasabb értékeket mutat, mint a B állvány.

    Mi a 159.tif

    Ábra\(\PageIndex{2}\). Két állvány hasonlítja össze a gazdagságot, Simpson D, és Shannon indexe.

    A diverzitás indexei számításban és értelmezésben eltérőek, ezért fontos, hogy megértse, melyik indexet használják a sokféleség mérésére. Nem alkalmas két terület közötti diverzitás összehasonlítására, ha minden területre különböző indexeket számítanak ki. Ha azonban minden területre több indexet számítanak ki, a mintavételezett területek sokféleségében hasonlóan rangsorolnak, mint a különböző indexek. Figyelje meg ebben az előző példában mind a Simpson, mind a Shannon index az A standot változatosabbnak, a B standot pedig kevésbé változatosnak.

    Hasonlóság a webhelyek között

    Vannak olyan indexek is, amelyek összehasonlítják a helyek közötti hasonlóságot (és eltérést). Az ideális cél a különböző helyszínek ökológiai hasonlóságának kifejezése; a legmegfelelőbb index kiválasztása érdekében azonban fontos meghatározni a vizsgálat célját vagy fókuszát. Bár sok index áll rendelkezésre, van Tongeren (1995) kijelenti, hogy az indexek többségének nincs szilárd elméleti alapja, és azt javasolja, hogy a gyakorlati tapasztalatoknak kell irányítaniuk a rendelkezésre álló indexek kiválasztását.

    A Jaccard index (1912) két helyet hasonlít össze a fajok jelenléte vagy hiánya alapján, és kvalitatív adatokkal (például fajlistákkal) használják. Azon az elképzelésen alapul, hogy minél több faj van mindkét helyen, annál hasonlóbbak. A Jaccard-index a fajok aránya a két terület teljes fajlistáján kívül, ami mindkét helyszínen közös:

    \[SJ = \frac {c} {(a + b + c)}\]

    ahol SJ a hasonlósági index, c a két hely között megosztott fajok száma, és a és b az egyes helyeken egyedi fajok száma. Sørenson (1948) kifejlesztett egy hasonlósági indexet, amelyet gyakran közösségi együtthatónak (CC) neveznek:

    \[CC = \frac {2c} {(a + b + 2c)}\]

    Amint láthatja, ez az index abban különbözik a Jaccardétól, hogy a két hely között megosztott fajok számát elosztják a fajok átlagos számával, nem pedig a fajok teljes számával mindkét területen. Mindkét index esetében minél nagyobb az érték, annál ökológiailag hasonlóbb a két hely.

    Ha kvantitatív adatok állnak rendelkezésre, kiszámítható a hasonlósági arány (Ball 1966) vagy a százalékos hasonlósági index, például Gauch (1982). Ezek az indexek nemcsak összehasonlítják a két hely között jelenlévő hasonló és eltérő fajok számát, hanem bőséget is tartalmaznak. A hasonlósági arány:

    \[SR_{ij} = \dfrac {\sum y_{ki}y_{kj}}{\sum y_{ki}^2 +\sum y_{kj}^2 -\sum(y_{ki}y_{kj})}\]

    ahol y ki a k th faj bősége az i helyen (az i és j helyeket összehasonlítjuk). Figyeljük meg, hogy ez az egyenlet feloldódik a Jaccard indexére, amikor csak jelenléti vagy távolléti adatok állnak rendelkezésre. A százalékos hasonlósági index:

    \[PS_{ij} = \dfrac {200\sum min (y_{ki},y_{kj})} {\sum y_{ki}+\sum y_{kj}}\]

    Ismét figyeljük meg, hogy ez az egyenlet hogyan oldódik meg Sørenson indexére csak kvalitatív adatokkal. Tehát nézzünk meg egy egyszerű példát arra, hogy ezek az indexek lehetővé teszik számunkra, hogy összehasonlítsuk a hasonlóságot három webhely között. A következő példa hipotetikus adatokat mutat be a fajok bőségéről három különböző helyről, amelyek hét különböző fajt tartalmaznak (A-G).

    Táblázat \(\PageIndex{0}\)

    Honlap

    Faj

    1

    2

    3

    A

    4

    0

    1

    B

    0

    1

    0

    C

    0

    0

    0

    D

    1

    0

    1

    E

    1

    4

    0

    F

    3

    1

    1

    G

    1

    0

    3

    Kezdjük azzal, hogy kiszámítjuk Jaccard és Sørenson indexeit a három összehasonlításhoz (1. oldal vs. 2. oldal, 1. oldal vs. 3. oldal, és 2. oldal vs. 3. oldal).

    \(SJ1,2=\frac {2}{(3+1+2)}=0.33\)\(SJ1,3 = \frac {4}{(4+1+0)}=0.80\)\(SJ2,3 =\frac {1}{(1+2+3)} = 0.17 \nonumber \)

    \(CC1,2=\frac {2(2)}{(3+1+2(2))} = 0.50\)\(CC1,3 =\frac {2(4)}{(1+0+2(4))} = 0.89\)\(CC2,3 =\frac {2(1)}{(2+3+2(1))} = 0.29 \nonumber \)

    Mindkét kvalitatív index kijelenti, hogy az 1. és 3. helyek a leginkább hasonlóak, és a 2. és 3. helyek a legkevésbé hasonlóak. Most számítsuk ki a hasonlósági arányt és a százalékos hasonlósági indexet ugyanazon webhely-összehasonlításokhoz.

    \[SR1,2=\dfrac {[(4 \times 0)+(0 \times 1) +(0\times 0)+(1\times 0)+(1\times4)+(3\times 1)+(1\times 0)]}{(4^2+0^2+0^2+1^2+1^2+3^2+1^2)+(0^0+1^2+0^2+0^2+4^2+1^2+0^2)+(4 \times 0)+(0 \times 1) +(0\times 0)+(1\times 0)+(1\times4)+(3\times 1)+(1\times 0)} \nonumber \]

    \[SR1,2= 0.23\]

    \[SR1,3=\dfrac {[(4\times 1)+(0\times 0)+(0\times 0)+(1\times 1)+(1\times 0)+(3\times 1)+(1\times 3)]}{(4^2 +0^2+0^2+1^2+1^2+3^2+1^2)+(1^2+0^2+0^2+1^2+0^2+1^2+3^2)+(4\times 1)+(0\times 0)+(0\times 0)+(1\times 1)+(1\times 0)+(3\times 1)+(1\times 3)} \nonumber \]

    \[SR1,3= 0.38\]

    \[SR2,3=\dfrac {[(0\times 1)+(1\times 0)+(0\times 0)+(0\times 1) +(4\times 0) +(1\times 1) +(0\times 3)]}{(0^2+1^2+0^2+0^2+4^2+1^2+0^2)+(1^2+0^2+0^2+1^2+0^2+1^2+3^2)+(0\times 1)+(1\times 0)+(0\times 0)+(0\times 1) +(4\times 0) +(1\times 1) +(0\times 3)} \nonumber \]

    \[SR1,3= 0.03\]

    \[PS1,2=\dfrac {200(0+0+0+0+1+1+0)}{(4+0+0+1+1+3+1)+(0+1+0+0+4+1+0)}=25.0 \nonumber \]

    \[PS1,3=\dfrac {200(1+0+0+1+0+1+1)}{(4+0+0+1+1+3+1)+(1+0+0+1+0+1+3)} = 50.0 \nonumber \]

    \[PS2,3=\dfrac {200(0+0+0+0+0+1+0)}{(0+1+0+0+4+1+0)+(1+0+0+1+0+1+3)} = 16.7 \nonumber \]

    A százalékos hasonlósági értékek mátrixa lehetővé teszi a könnyű értelmezést (különösen háromnál több hely összehasonlításakor).

    \ [\ begin {array} {c|cc}
    &\ mathbf {1} &\ mathbf {2}\\ hline\ mathbf {2} & 25.0 &
    \\\ mathbf {3} & 50.0 & 16.7\ vége {array}\nonumber
    \]

    Táblázat\(\PageIndex{1}\). Három hely százalékos hasonlóságának mátrixa.

    A mennyiségi indexek ugyanazokat a következtetéseket vonják vissza, mint a kvalitatív indexek. Helyek 1 és 3 ökológiailag a leginkább hasonlóak, és helyek 2 és 3 a legkevésbé hasonlóak; és a 2. hely is leginkább eltér a másik két helytől.

    Élőhely-alkalmassági index (HSI)

    1980-ban az Egyesült Államok Hal- és Vadvédelmi Szolgálata (USFWS) kidolgozott egy eljárást a javasolt föld- és vízkészlet-fejlesztési projektek halakra és vadon élő állatokra gyakorolt várható hatásainak dokumentálására. A Habitat Evaluation Procedures (HEP) (Schamberger és Farmer 1978) a halak és a vadon élő állatok erőforrásainak nem pénzbeli értékének dokumentálásának szükségességére válaszul fejlesztették ki. A HEP magában foglalja az egyes fajok populáció- és élőhelyelméleteit, és azon a feltételezésen alapul, hogy az élőhelyek minősége és mennyisége numerikusan leírható, hogy a terület változásai értékelhetők és összehasonlíthatók legyenek. Ez egy faj-élőhely megközelítés a hatásvizsgálathoz és az élőhelyek minőségéhez, egy adott faj esetében az élőhely-alkalmassági index (HSI) segítségével számszerűsíthető.

    Az élőhely-alkalmassági index (HSI) modellek numerikus indexet adnak az élőhelyek minőségéről egy adott faj esetében (Schamberger et al. 1982), és általában pozitív, lineáris kapcsolatot feltételeznek a teherbírás (egyes területegységekkel támogatott állatok száma) és a HSI között. A mai természeti erőforrás-kezelő gyakran olyan gazdasági és társadalmi szempontból fontos döntésekkel néz szembe, amelyek nemcsak a fát, hanem a vadon élő állatokat és élőhelyét is érintik. A HSI modellek eszközöket biztosítanak a vezetők számára a faj túléléséhez szükséges követelmények vizsgálatához. Az állatok élőhelye és az erdőgazdálkodási előírások közötti kapcsolatok megértése elengedhetetlen a természeti erőforrásaink átfogóbb kezelési megközelítéséhez. A HSI modell szintetizálja az élőhely-használati információkat a terepmunkának megfelelő keretrendszerbe, és úgy méretezik, hogy 0,0 (nem megfelelő élőhely) és 1,0 (optimális élőhely) közötti indexértéket hozzon létre, és minden változásnövekedés azonos a másikkal. Például a HSI 0,4-ről 0,5-re történő változása ugyanolyan nagyságrendű változást jelent, mint 0,7 és 0,8 között. A HSI-értékeket megszorozzuk a rendelkezésre álló élőhely területével, hogy az egyes fajok élőhelyegységeit (HU-k) kapjuk. Az Egyesült Államok Hal- és Vadvédelmi Szolgálata (USFWS) HSI modellek sorozatát dokumentálta sokféle fajra (FWS/OBS-82/10).

    Vizsgáljunk meg egy egyszerű HSI modellt a nyest (Martes americana) számára, amely Észak-Amerika késői szukcessziós erdei közösségeiben lakik (Allen 1982). A HSI-modellnek az élőhely-használati információkkal kell kezdődnie, meg kell értenie a fajok táplálékigényét, víz, borítás, szaporodás, és elterjedési terület e faj számára. E faj esetében a téli takarási követelmények szigorúbbak, mint bármely más évszakra vonatkozó fedezeti követelmények, ezért feltételezték, hogy ha megfelelő téli takarás áll rendelkezésre, az élőhelykövetelmények az év hátralévő részében nem korlátozzák. Ezenkívül a boreális örökzöld erdőkben minden téli élőhelyigény teljesül. Ennek fényében a kutatás négy kulcsfontosságú változót azonosított a téli borítás szempontjából, amelyeket be kellett építeni a modellbe.

    Mi a 161.tif

    Ábra\(\PageIndex{3}\). A nyest élőhelykövetelményei.

    E négy téli borítóváltozó (V1, V2, V3 és V4) mindegyikéhez alkalmassági index grafikonokat készítettek, hogy megvizsgálják e változók különböző körülményei és a nyest számára megfelelő élőhely közötti kapcsolatot. Az alábbiakban bemutatjuk a lombkorona% -os bezárásának grafikonját.

    Mi a 14382.png

    Ábra\(\PageIndex{4}\). Alkalmassági index grafikon a lombkorona fedelének százalékos arányához.

    Vegye figyelembe, hogy a 25% -nál kisebb lombkorona-borítás önmagában e változó alapján elfogadhatatlan élőhelyet eredményez. Ha azonban eléri az 50% -os lombkorona-fedelet, az alkalmassági index eléri az 1,0-ot, és elérik az optimális élőhelyet ehhez a változóhoz. A következő egyenletet hozták létre, amely a nyest életéhez szükséges értékeket kombinálta e négy változó felhasználásával:

    \[\frac{(V_1 \times V_2 \times V_3 \times V_4)} {2} \nonumber \]

    Mivel ebben a modellben a téli takarás volt az egyetlen szükséges élettartam, a HSI megegyezik a téli borítás értékével. Mint látható, minél több életszükséglet szerepel a modellben, annál összetettebbé válik a modell.

    Míg a HSI értékek egy adott faj élőhelyének minőségét azonosítják, a vadon élő állatok sokfélesége összességében a kezelt állományok méretének és térbeli elrendezésének függvénye (Porter 1986). Fontos a horizontális és strukturális sokféleség. Általánosságban elmondható, hogy minél több különböző jellegű állományt tartalmaz egy terület, annál nagyobb a vadon élő állatok sokfélesége. A különböző típusú állományok térbeli eloszlása olyan állatokat támogat, amelyeknek több takarótípusra van szükségük. A vadon élő fajok sokféleségének előmozdítása érdekében a menedzsernek ki kell dolgoznia az erdőgazdálkodási előírásokat, amelyek változtatják a fa szaporodásának térbeli és időbeli mintázatát, ezáltal nagyobb horizontális és vertikális szerkezeti sokféleséget biztosítva.

    Mi a Image39089.PNG

    Ábra\(\PageIndex{5}\): Az erdőn át a mező gradienséig fészkelő madárfajok sokfélesége (Strelke és Dickson 1980 után).

    Jellemzően a páros korú gazdálkodás csökkenti a vertikális szerkezeti sokféleséget, de az olyan lehetőségek, mint a menedékfa módszer, enyhítik ezt a problémát. A kiválasztási rendszer elősegíti mind a vízszintes, mind a vertikális sokféleséget.

    Az integrált természeti erőforrás-gazdálkodás bonyolult folyamat lehet, de nem lehetetlen. Az erdőművelési előírásokra adott vegetációs válasz megalapozza a vadon élő állatok reakciójának megértését. A kezelt állományok jelenlegi jellemzőinek vizsgálatával, a gazdálkodásból adódó jövőbeli válasz megértésével és az egyes fajok követelményeivel való összehasonlításával a fakezeléssel együtt élőhely-manipulációt érhetünk el.