Blok 1 - Jan Frouz web

Metody studia
početnosti a biomasy
organismů
Jan Frouz a Jarka Frouzová
ÚPB a HBÚ AVČR
[email protected], [email protected]
[email protected], [email protected]
Co chci zjistit ?
Otázka, statisticky
testovatelná hypotéza
uvažované
statistické testy
Technické
možnosti
Charakter
zkoumaného
organismu?
Hýbe se? .....?
Je vidět?
Charakter
prostředí a
vybrané
plochy
Další
limitace
součinnost s
kolegy
dlouhodobá
sledování,
omezení
vlastníků ploch
Lekce 1-3 (4)
•
•
•
•
•
•
O měřeních a chybách
Co chci testovat aneb statistická hypotéza
Abundance (biomasa) definice, vyjádření
Přehled hlavních (skupin) metod
Celková inventura
Metody vzorkovacích čtverců Prostorová
distribuce organismů
• Liniový transekt
• Metody založené na vzdálenosti
Každé měření je zatíženo chybou. Můžeme rozlišit dva
druhy omyly a hrubé chyby a tzv. nevyhnutelné chyby- ty
dělíme na systematické a náhodné.
Většinou musíme udělat více
měření ke stanovení jednoho
parametru. Každé měření má
vlastní chybu, chyby se sčítají.
V biologii nás často zajímá jak se daná veličina
chová v rámci populace. Jednotlivé údaje v
rámci populace jsou variabilní popisujeme je
statistickými veličinami.
Zpravidla nemáme k dispozici celou populaci
statistické charakteristiky zjišťujeme na
základě vybraného vzorku populace. Jde o to,
jak vybraný vzorek representuje danou
populaci nebo jak variabilita dat ovlivní
odhad.
Co váží přesněji - mostní váha nebo analytické váhy?
Chci vážit 1 zrno nebo
odhadnout výnos pro celé
pole?
analytické váhy- řada vzorků o
známé ploše, odhad plochy
pole, zvážení vzorků, výpočet
mostní váhy - sklidím celé pole,
zvážím, případně odhadnu
sklizňové ztráty, a přičtu
Kromě chyb měření je zde variabilita dat.
Organismy nejsou v prostu rozmístěny rovnoměrně, jejich
početnost kolísá v čase atp.
Co s tím?
pracujeme často s následující úvahou
snažíme se najít model např. číslo, které nejlépe
vystihuje celý soubor a potom se snažíme určit jak je
tento model přesný.
Takovým nejčastěji požívaným modelem je odhad střední
hodnoty
čeští muži váží v průměru 90 Kg
průměr (average)
Jak dobře průměr
charakterizuje reálné
hodnoty
variance
směrodatná odchylka
(standart deviation) SD
střední chyba (průměru)
standart error of mean
SE SEM
Co chci zjistit ?
pracovní hypotéza nebo jasně formulovaná otázka
3 modelové úlohy
Chci odhadnut populaci v daném místě příp. v místě a čase
co nějpřesněji.
Chci porovnat hustoty populace na dvou nebo více plochách
Chci sledovat vliv známého gradientu na hustotu populace
podél tohoto gradientu (časové nebo prostorové řady)
Chci odhadnut populaci v daném místě příp. v místě a čase
co nějpřesněji a nejnestraněji.
základní soubor
výběr 1
průměr 2
průměr 1
konfidenční interval
výběr 2
pravděpodobnost, že průměr z
téhož zákl. souboru pande mimo
konf.interval je malá např. 5%
konfidenční interval – úsek okolo průměru, ve kterém s
určitou pravděpodobností leží průměry vypočtené v jiných
výběrů v rámci téhož základno souboru.
Je třeba dbát na to aby výběr co nejlépe representoval
sledovanou plochu odrážel variabilitu dat na dané ploše.
Našim cílem je aby konfidenční interval byl co nejmenší,
zmenšení konfidenčního intervalu můžeme dosáhnout
větším počtem vzorků (částečně též některými úpravami
vzorkování).
stávající k.i. byly
pro hladinu významnosti
0,05 (pravděpodobnost
Přesný odhad
chyby 5%), chceme-li
abundance na dané větší spolehlivost k.i.
ploše může být
bude výrazně větší
velmi pracný
vždy uvážíme
zda ho pro náš
účel potřebujeme
3 vzorky
20 vzorků
Chci porovnat hustoty populace na dvou nebo více plochách
úloha obrácená předchozí mám dva výběry chci vědět zda
pochází z téhož základního souboru
výběr 1
průměr 2
průměr 1
konfidenční interval
výběr 2
řada testů jak pro dvojice tak pro více výběrů
Test na normalitu
ano
Test na homogenitu
Transformace dat, lon n+1
je dobré se dopředu rozhodnout jaký test použijeme,
neparametrické
testy vyžadují
ano
ano více vzorků, u
parametrické ANOVy mohou stačit 3Test
u na normalitu
neparametrického KW
aspoň 5-6 radši více
ano
Parametrický test
t test i pro nehomogenní
variaci
t test ANOVA
General linear models
Test na homogenitu
Neparametrické testy
Man Whithey, Kruskal-Walis
Je třeba zvážit zda porovnávám dvě plochy pro ně samé
a nebo zda mě zajímá nějaká vliv nějakého faktoru, kterým
se tyto plochy liší
Ho plocha A = plocha B
nebo
Ho louka = les
platí li druhá varianta pak je třeba mít více ploch, plochy
rozmístěny buď náhodně a nebo tak aby tvořily dvojice či
bloky pak párové nebo bokové testy
Chci sledovat vliv známého gradientu na hustotu populace
podél tohoto gradientu
y= f(x)
vysvětlíme y jako funkci x, každou hodnotu y můžeme pak
rozdělit na dvě složky vysvětlenu a reziduální variabilitu.
poměr udává regresí koeficient z r a počtu n lze určit p
co je důležité při volbě gradientu
n=3 ne 8
nezávislá měření (vzorkovací plochy) by
měla být pokud možno rovnoměrně
rozmístěny podél celého gradientu
tytéž hodnoty lze korelovat s několika parametry prostředí
ale pozor budu li všechny korelace s p<0.05 považovat za
statisticky významné pak je šance 5% ze je tato „korelace“ jen
náhoda, 5% je „velká náhoda“ na jeden pokus ale na 20 nebo 100
pokusů? Bonferonniho korekce p/počet korelací
Jaká data potřebuji?
jaká data potřebuji ke zodpovězení otázky
(kvalitativní, kategoriální nebo graduelní škálakvantitativní). Předmětem této přednášky
jsou dva okruhy kvalitativních dat:
relativní početnost
(biomasa)
absolutní početnost
(biomasa)
početnost organismů v relaci
k početnosti jiných, zpravidla
nějak podobných organismů.
„Podobnost“ je často daná
použitou metodou.
většinou je mnohem
jednodušší je změřit
početnost organismů vyjádřená
na jednotku prostředí (objem,
plocha, váha, jezero, objem
půdních pórů, nebo gram
půdního uhlíku).
nezbytné při studiu populační
dynamiky, energetických toků
etc.
nejsou li normálni pak např.
log.
jsou to vlastně % (arcsinus)
nebo jako catch/effort
Absolutní abundance je počet organismů vyjádřený na
jednotku plochy, objemu nebo stanoviště.
Absolutní biomasa je hmotnost organismů vyjádřená na
jednotku plochy, objemu nebo stanoviště.
Relativní abundance je počet organismů vyjádřený v relaci k
ostatním zaznamenaným druhům nebo na jednotku úsilí,
kterou nelze korelovat s charakteristikami stanoviště (plochou
objemem nebo počtem vhodných biotopů). Vyjádření buď %
nebo na jednotku úsilí.
Relativní biomasa je hmotnost organismů vyjádřená v relaci k
ostatním zaznamenaným druhům nebo na jednotku úsilí,
kterou nelze korelovat s charakteristikami stanoviště (plochou,
objemem nebo počtem vhodných biotopů). Vyjádření buď %
nebo na jednotku úsilí.
Absolutní hodnoty se udávají buď na plochu nebo na objem nebo na
jednotku vhodného stanoviště.
Například na metr, na litr, na list.
Terestrické ekosystémy jsou zpravidla chápány jako plošné, případně
stratifikované do několika plošných vrstev. Proto vyjádření na
plochu.
Voda a půda - pohyb organismů ve všech směrech - různě mocné
vrstvy se stejným nebo graduálně se měnícím zastoupením organismů.
Vyjádření na objem dává lepší představu o výskytu v daném místě,
ale pro bilanční účely musíme mít další informace. Pro bilanční účely
může být výhodnější vyjádření na plochu ale musíme si být jisti,
že jsme odhadli abundanci v celé vrstvě, kde organismus žije.
Habitat -organismy žijí v určitých stanovištích, vyjádření počtů na
vhodnou jednotku stanoviště cenné v autekologických studiích, ale
bilance na plochu obtížnější.
plocha
terestrické ekos.nadzem. +++
půda
++
voda
++
bilance v krajině
++++
prostorová distribuce
+
autekologické studie
+
*- potřebujeme další informace
objem
++
+++
++*
++
++
habitat
+
+
+ (bentos)
+*
+++
+++
Vhodná forma vyjádření abundance závisí na účelu vaší studie.
Porovnání různých forem vyjádření nám může přinést zajímavé
informace - často může být výhodné mít možnost přepočtu.
Otázka: žije na ploše A stejně organismů
XY jako na ploše B? H0 A=B
plocha A
mech
rašeliník
plocha B minerální
půda
hloubka vlhkost
(cm)
(%)
2
78
5
25
jedinců na
cm2
cm3
g půdy
(DW)
plocha A 5000 2500
12500
plocha B 5100 1020
785
A<B
A>B
asi 2x
16x
hustota
(g cm-3 )
0.2
1.3
g půdy
(FW)
2750
588
5x
Jsou i další možnosti, na objem půdních pórů, obsah
půdního organické hmoty.
Abundance nebo biomasa
většina autorů se zabývá studiem abundance neb počítat je snazší
než vážit.
Sledujeme li skupinu, kde jednotlivé kategorie jsou přibližně
stejně velké je jedno co si vybereme. Ale často sledujeme
skupiny u nichž se velikost sledovaných jedinců řádově liší.
Malých organismů bývá více než velkých
Abundance nadhodnocuje význam malých organismů.
Biomasa nadhodnocuje velké organismy.
Stanovení počtu malých organismů bývá zatíženo větší chybou
než velkých, použijeme li metodu u níž je tento efekt
pravděpodobný pak biomasa je lepší než abundance.
Navíc biomasa je „úměrnější“ úloze“ organismů v ekosystému.
Přehled hlavních skupin
metod
Jakou metodu použiji?
Přehled metod používaných k sledování absolutní
početnosti
- celková inventura
- vzorkovací kvadráty a liniový transekt
- metody založené na vzdálenosti
r
1 jedinec zaujímá plochu πr2 , kde r je průměrná
vzdálenost k nejbližšímu sousedu. Densita je pak
1/plocha kterou zabírá průměrný jedinec
Přehled metod používaných k sledování absolutní
početnosti -pokračování
- capture re-capture
Catch per unit
effort
- Change ratio methods - změny založené na změně
poměru pohlaví nebo velikosti s odchytem
Total catch
-Catch per unit effort
potřebuji
absolutní
hodnoty
potřebuji
informace o
jedincích
ano
ano
ne
ne
relativní
početnost
ano
snadno
spočitatelné
ne
hýbe se to?
lovené populace ?
catch
per
effort
rozmístění
náhodné?
ano
ne
ano
ne
ne
capturerecapture
vzorkovací kvadráty
ne
ano
change
ratio
method
celková
inventura
metody
založené na
vzdálenosti
capturerecapture
je lov
selektivní?
liniový transekt
ano
hustota populace
je malá
ne
vzorkovací
kvadráty
Výběr metody se do značné míry řídí tradicí v daném oboru, to
umožňuje porovnání vašich výsledků s pracemi jiných autorů.
Je třeba mít dobrý důvod k
tomu dělat to jinak než
všichni ostatní
Výše uvedené metody pracují z terénně zjištěnými počty
organismů. Další možností sledovat, případně kvantifikovat,
nějaký produkt činnosti organismů nebo tělní derivát a ten
potom porovnávat s jinými stopami existence podobných
organismů (pak míra relativní četnosti) nebo najít korelaci mezi
výskytem těchto stop a abundancí organismů.
výhody:
-„stopy“ organismů jsou mnohdy snadněji sledovatelné než
organismy samotné (často jsou o nich záznamy praktiků, např.
kalamity).
-někdy je lze sledovat i když původce už není na místě
přítomen.
nevýhody:
- stopy lze někdy sledovat i když původce už není na místě
přítomen.
-nepřímé měření je dvojí měření (měření a kalibrace) dvakrát
tolik zdrojů chyb.
Nepřímé metody - velmi variabilní podle oborů, nejsou
předmětem tohoto kurzu nicméně řada obecných principů
metod vzorkovacích kvadrátu je aplikovatelná na tyto
metody.
Nepřímé metody příklady- populární v mikrobiologii
prostředí, extrahujeme něco, co je charakteristické pro
buňky sledovaných organismů (uhlík, ATP, ergosterol, PLFA,
neurální lipidy) a to stanovíme.
Využijeme nějakou míru aktivity (respiraci, zabudováváni T).
V paleobotanice a paleozoologii - pylová analýza, analýza
hlavových schránek pakomárů.
Relativní abundance Relative abundance
standardizovaná metoda lovu sběru etc.
Na jednotku úsilí získáme určitý počet jedinců, předpokládáme
ze množství jedinců na jednotku úsilí je úměrné celkové
abundanci (nevíme ale kolik ta celková abundance je).
Úlovek na jednotku úsi lí
celkem chyceno N
celková abundance
různě velká N
K čemu nám může relativní abundance sloužit
1-porovnání dvou ploch (druh a je na ploše a hojnější než na
ploše b
2-sledování časových změn abundance
3-porovnání více druhů
podmínky - na jednotlivých plochách a nebo během celé doby
je použita stejná metoda lovu (sběru)
evironmentální a biologické faktory stejně jako metodika
jsou konstantní
sledování na jednotlivých plochách nebo v jednotlivých
bodech času jsou nezávislá (navzájem se neovlivňují)
pro použití v bodu 3 ulovitelnost porovnávaných druhů je
stejná nebo se alespoň míry ulovitelnosti jednotlivých druhů
během studie nemění
Příklady
lov do pastí - standardizovaná linie pastí
lov do zemních pastí
odchyt na světlo buď standardizovaný postup nebo
automatické pasti.
Smýkání standardizovaným způsobem etc.
Někdy lze relativní metody standardizovat, kalibrovat a
použít k odhadu absolutní početnosti.
Příklad počet mravenců, kteří vylezou na dřívko po
rozhrábnutí mravenište koreluje s počtem mravenců v
mraveništi.
Evironmentální a biologické faktory stejně jako metodika jsou
konstantní
Past může být různě atratktivní v různém prostředí - např. chytáte li
na světlo na okraji lesa přiletí vám i druhy z otevřené krajiny
chytáte li uvnitř lesa podíl těchto druhů se snižuje.
Budete li mít světelný lapák v krajině kde je hodně světel jeho
účinnost bude nižší než tak kde je světel málo.
Ochota daného druhu přiletět na světlo se může během sezóny
měnit
Předpokládáme že to vše je konstantní v rámci porovnávaného
souboru.
Sledování na jednotlivých plochách nebo v jednotlivých bodech
času jsou nezávislá (navzájem se neovlivňují).
Vzájemné ovnivnění
Není konkurence jednotlivých pastí - např. dva světelné lapáky
blízko u sebe by si mohli konkurovat
U sledování trendů odchyt způsobuje jen zanedbatelné snížení
celkové abundance - neovlivní populační dynamiku.
Časoprostorová autokorelace
- pseudoreplikace - závisí na vaší nulové hypotéze
Více druhů
lov je často selektivní různé druhy se mohou chytat s různou
intensitou.
Např. padací pasti chytají lépe velké střevlíky než malé
Porovnání buď s nějakou metodou studia celkové abundance nebo
speciální pokus.
Procentická data - Arc. sin transformace
nebo lon n+1 ( na jednotku úsilí)
buď jednotlivé druhy - viz výše
nebo celé společenstvo - mnoharozměrné techniky
Absolutní abundance
Celková inventura
• uzavřená populace nebo jasně vymezená
skupina sesilních jedinců.
• snadno počitatelní v terénu a plocha
dostatečně malá (manageable)
• získáme stanovení ne odhad početnosti,
populace v určitém čase a místě
• metodicky jednoduché „stačí je jen spočítat“
Kolik je ve obdélníku teček?
57
Počítání si lze usnadnit
Celková inventura je časově náročná, často stanovení
abundance není hlavním cílem - jasný plán i s ohledem na
další cíle.
Rozdělení plochy na menší úseky - jasné pravidlo jak
budeme přistupovat k organismům na hranách.
Víme koho už jsme počítali a koho ještě ne- označení,
odstranění nebo zaměření již spočtených jedinců.
Jak dobře jsme počítali ?
Chyba stanovení je dána jen chybou počítání:
- Více sčitatelů počítá, neoznačuje - vezmeme průměr a
SD výsledků jednotlivých sčitatelů.
- Značíme, revidujeme, pak analogicky jak catch per
effort.
- Nebo pokusný přístup, použijeme známý počet značených
organismů a sledujeme kolik z nich se nám podaří spočítat
obecná účinnost metody ne chyba pro konkrétní plochu.
Metody vzorkovacích čtverců
metoda vzorkovacích ploch (Quadrat counts)
Populace příliš velká- nemůžu spočítat vše, vyberu vzorky,
a ty spočítám (udělám celkovou inventuru).
Předpokládám, že organismy po dobu
počítání nemigrují z a do vzorkované
plochy.
Odhad závisí na: přesnosti spočtení a na tom, jak dané
vzorky representují celou populaci (za předpokladu
splnění podmínky o absenci migrace).
(Co je „celá populace“ nebo jestli je plocha vzorek závisí na H0).
Jak dané vzorkovací plochy vypovídají o sledované
populaci?
Faktory, které mohou ovlivnit vypovídací hodnotu vzorků
lze rozdělit do dvou skupin:
můžeme ovlivnit
nemůžeme ovlivnit
velikost plochy
prostorové rozmístění
populace
tvar plochy
počet vzorků
prostorové uspořádání vzorků
Tvar vzorkovací plochy
potenciální chyba okraje
• přirozený útvar nebo uměle vymezeno
• Snadnost vymezení v terénu
• Tvar může ovlivnit okrajový efekt
ten závisí na poměru plochy a obvodu.
obdélník > čtverec > kruh
1
Okrajový efekt závisí na velikosti
0.8
organismu a sledované plochy.
0.6
•Obdélníkové plochy často
0.4
0.2
vyrovnanější než čtverce nebo
0
kruhy
0
0.01
0.02
0.03
0.04
velikost vzorkovací plochy
kruh
čtverec
Velký vliv tradice a metody
vymezení plochy.
Nejčastější kruh a čtverec.
Velikost vzorkovací plochy
•
statistické optimum - nejmenší SEM nejužší konf. interval.
•
ekologické důvody - odpovídá sledovanému organismu a
škále procesu, který chcete sledovat, zde lze s výhodou použít
přirozené diskrétní jednotky.
•
poměr velikosti vzorkovací ploch a organismu- okrajový
efekt.
• praktické důvody velikost plochy, zvládnutelnost.
Jak zjistit vhodnou velikost vzorkovací plochy?
1 - podívám se do literatury jak to dělají ostatní
2- statistické optimalizační metody
Statistická optimalizace velikosti
vzorkovací plochy
Wiegert, 1962
velikost
3
10
6
16
1.3
vzorkovací plochy
4
12
16
10
10
10
8
24
32
18
34
42
1.5
2.8
3.5
rozptyl (s 2) na jednotku plochy 0.97
0.24
0.32
0.14
0.15
rel. cena * rel. Rozptyl
0.32
0.48
0.40
0.53
konstantní náklady na vzorek
náklady na jednotku vzorku
celková cena
relativní cena
1
10
2
12
1.0
0.97
1.20
2
s / plocha
1.00
Hendricks, 1956
y = -0.0363x + 0.6253
0.80
předpokládá, že rozptyl na
jednotku plochy klesá s
velikostí plochy.
0.60
0.40
0.20
0.00
0
5
10
15
20
Pak optimální velikost plochy
plocha
A lze vypočíst jako:
A=
a
1-a
*
Co
Cx
Kde
a je směrnice regrese závislosti
rozptylu na ploše abs. hodnota
Co jsou konstantní náklady na plochu
Cx náklady na jednotku plochy
vzorků
Obě metody Wiegert i Hendricks, předpokládají rozsáhlou sadu vzorků
dříve odebraných na téže ploše, vyplatí se při rozsáhlých studiích.
Připomínka: zabýváme se zde optimalizací plochy vzorku
pro odhad abundance (biomasy) jednoho druhu nebo
skupiny druhů celého spol.
Někdy optimalizace velikosti za jiným účelem.
Zjištění počtu druhů
počet druhů
25
20
15
10
5
0
0
5
10
15
plocha
20
25
Prostorové rozmístění
organismu a jeho význam pro
počet vzorků
Pravidelné
Uniform
4.75 ±0.83
Náhodné
Random
4.75 ±2.49
Shlukovité
Aggregated
5.00 ±5.43
6
5
2
s /x
4
3
2
1
0
4.75 ±0.83
s2/ x
4.75 ±2.49
pravidelné
< 1 (0.14)
náhodné
1 (1.3)
5.00 ±5.43
shlukovité
>1 (5.6)
0
10
20
30
počet vzorků
Lepš in Dykijová (1989)
Index of dispersion I = s2 / x závisí na počtu vzorků
pro testování χ2= I(n-1); χ2 pro n-1stupňů volnosti (např. pro
pravý obrázek 5.6*3=16.8)
rozhodnutí dvoustranný (two-tailed) χ2 test
χ20,975 < pororovaná χ2 hodhota < χ20,025 (0< 16.8 > 9, pravý obr.
skutečně představuje shlukovité rozšíření)
40
Poissonovo
Normální
Negativně binomické
Stanovení počtu vzorků
Přesnost můžeme vyjádřit jako přípustnou velikost
konfidenčního intervalu. Chyba je zde v absolutní velikosti
d = t0.5
n=
n=
t0.52
s
n
s2
d
2
přípustnou chybu položíme
rovnou konfifenčnímu
intervalu, kde n je počet
vzorků a s je odhad směr.
odchylky základního souboru.
t je hodnota studentova
rozdělení
pro danou hladinu významnosti,
možno též aproximovat norm.
roz. 1,96 pro 0.05
Stanovení počtu vzorků
Kolik vzorků musíme odebrat abychom dosáhli určité
přesnosti. Přesnost můžeme vyjádřit různě, zde jako
podíl střední chyby průměru a průměru
s2- variance - rozptyl sledované populace
s2
n=
c2
c - požadovaná přesnost (SE/x)
x2
x - průměr
3
27
pro přesnost 0.1
118
Rozmístění vzorků na ploše,
případně v čase - vzorkovací
schéma (sampling design)
Co chceme studovat ?
Cheme znát abundanci organismu na určité ploše v
určitém čase.
Chceme porovnat dvě plochy nebo dvě skupiny ploch v
jednom čase.
Chceme porovnat abundanci na jedné ploše v různých
časech.
Chceme znát abundanci organismu na určité ploše v
určitém čase.
Předpokládáme že v prostředí jsou
gradienty environmentálních
vlastností. Díky tomu očekáváme,
že vzorky, které jsou si blíž, si
budou podobnější. Vzorky by měly
representovat plochu , kterou
chceme studovat.
Špatně
Chceme znát abundanci organismu na určité ploše v
určitém čase.
Rozmístění vzorků:
pravidelné - výhodné při studiu vlivu vzdálenosti na variabilitu,
pokrývá rovnoměrně plochu, pro účely statistiky stejně jako
náhodné. Problém možná existence periodické variace.
náhodné -nejčastěji používané, většina statistických testů
počítá s „náhodným výběrem“
Chceme znát abundanci organismu na určité ploše v určitém čase
.
Co je a co není náhodný výběr
Náhodný výběr není ! “odeberu vzorek tam, kde se mi
to zrovna líbí nebo kde to jde - snadno tam zastavím
autem, atp.“
Správně vyberu plochy k odběru dopředu nestranným
způsobem.
Např. rozdělím si plochu na souřadnice a vzorkované
plochy vylosuji, vyberu pomocí náhodných čísel, nebo si
nageneruji náhodné souřadnice v rozsahu sledované
plochy a ty pak najdu pomocí GPS.
Chceme znát abundanci organismu na určité ploše v určitém čase
0.1=118
0.05=472
.
Nicméně, množství vzorků, které
musíme odebrat a zpracovat pro
dostatečné přesný odhad je
někdy (často) příliš vysoké. Co
dál:
Můžeme se spokojit s menší
přesností.
Budeme zkoumat zda naše otázka
nejde odpovědět jinak. Nebo zda
si nepoložit trochu jinou otázku.
Různé varianty vzorkovacích
postupů řeší tento problém pro
specifické případy.
.
Individua v přirozeně definovaných
jednotkách
Chceme znát abundanci organismu na určité ploše v určitém čase
Vyjádříme na jednotku a odhadneme
množství jednotek. Podobně mravenci
nebo hnízda housenek, tam i v několika
krocích množství hnízd na strom,
množství housenek na hnízdo.
Stratifikovaný odběr
Ni √ Di = konstantní
A=1000 m2 D = 1
B = 100 m2 D =100
výhoda- přesnější odhad,
nutná znalost plochy předchozí studie
2
Chceme znát abundanci organismu na určité ploše v určitém čase
.
Sekvenční odběr vzorků, nezajímá nás absolutní hodnota ale
to, jestli hodnota nepřekročila
určitou mez.
Di>M
Di<M
+
konec
abundance
serie i - výsledná densita Di
Odeberu vzorky první série a
testuji zda byla překročena daná
mez, výsledek je buď ANO, NE, a
tím končím a nebo NELZE ŘÍCI, v
tom případě vezmu další sérii
M
+
n1
n2
Chceme znát abundanci organismu na určité ploše v určitém čase
.
Dvoufázový odběr
jednotlivé odběrové plochy mohu
vyhodnotit dvěma metodami, nazveme
je měřením a odhadem. Měření je
pracnější a přesnější, odhad rychlejší a
méně přesný.
Dilema - více vzorků měně přesně
nebo méně vzorků přesněji.
Odhad musí být významně rychlejší a
dostatečně přesný (r2>0.75).
Pak většinu vzorků jen odhadneme (n1),
část odhadneme i změříme (n2). Pak:
kde k je poměr rychlosti odhadu a
měření.
Jen odhad
odhad + měření
odhad se musí
udělat vždy
dříve než měření
Chceme znát abundanci organismu na určité ploše v určitém čase
.
Směsný vzorek
v některých případech je zpracování
a příprava vzorku náročnou částí
operace. Smícháme a zpracujeme
společně několik příbuzných vzorků.
To snižuje náklady i variabilitu dat výhodné u agregovaného rozdělení,
ale ztrácíme údaje o původní
variabilitě dat.
Všechny smíchané vzorky
představují 1 opakování, můžeme je
porovnat jen se vzorky odebranými
a zpracovanými stejným postupem.
pseudoreplikacešpatně
(n=4)
Chceme porovnat dvě plochy nebo skupiny
ploch
dvě plochy nebo dvě skupiny ploch to je zásadní rozdíl
Chci li porovnat dvě konkrétní
plochy, pak je zcela legitimní
považovat vzorky odebrané na
jednotlivých plochách za nezávislé
replikace. Často nás ale zajímají dvě
plochy jako representanti dvou typů
ploch (pole vs louka). Pak skutečná
opakování představují plochy,
zvyšování počtu opakování na
jednotlivých dílčích plochách
nezvyšuje přesnost odpovědi na naší
otázku hovoříme o
pseudoreplikacích.
Chceme porovnat dvě plochy nebo skupiny ploch
Completely randomised
nested
Chceme porovnat dvě plochy nebo skupiny ploch
Velké bloky - málo opakování
můžeme si pomoci vzorky
uspořádanými synchronně na
sousedních plochách - můžeme
použít párové testy
podobně gradientové studie,
více rovnoběžných gradientů
gradienty na úrovni krajiny i
lokální ty můžeme odclonit
výběrem -je jedno stanoviště,
staratifikovaný odběr.
Chceme porovnat abundanci na jedné
ploše v různých časech
Buď odběr v různých časech, jak popsán při studiu
jedné plochy. Ale každé sledování zatíženo jak časovou
tak prostorovou variabilitou.
Nebo opakované studium stejných vzorkovacích plošek
(rostlin etc.). Můžeme oddělit vliv časové a prostorové
variability.
obtíže
- vliv sledování na pokusné plošky.
- jsou pokusné plošky representativní jednotkou?
Často chceme densitu ve dvou časech porovnat abychom mohli
sledovat vliv nějakého faktoru
před zásahem po zásahu
je li to možné pak dvě nezávislé kontroly časovou a prostorovou
a
b
před
po
c
d
Metody liniových transektů
(Linear transect)
Liniový transekt je speciální případ čtvercových metod
Pozorovací úhel
Rovnoběžná vzdálenost
Pravděpododnost zpozorování
Pozorovací vzdálenost
a
D- Abundance
n - počet zvířat napočtených na transektu
L - délka transektu
a - polovina efektivní šířky pásu
(half of effective strip width)
Problém je jak odhadnou efektivní šířku
u některých metod je šířka instrumentálně daná
pozoruji z letadla udělám si značky na křídlech nebo
rám před kabinou a pozoruji vše mezi značkami
provádím výzkum echolotem, vysílám akustický signál
(acustic beam) do strany šířka je dána dosahem signálu
nebo okrajem vodní plochy
počítám velké vodní plazy (aligátoři) svítím do stran
vidím oči, šířka je dána dosvitem reflektoru.
pak
D- Abundance
n - počet zvířat napočtených na transektu
L - délka transektu
w - instrumentálně daná šířka
Problém je jak odhadnou efektivní šířku
nejjednodušší- nahradíme ji průměrnou paralelní
vzdáleností ve které byli jednotlivý jedinci zpozorování
D- Abundance
n - počet zvířat napočtených na transektu
L - délka transektu
w - průměrná paralelní vzdálenost
Podmínky: zvířata zpozoruji dříve než je vyplaším v jejich původní
pozici
zaznamenávám zvířata před sebou i po stranách
vzdálenost je přesně změřena
Problém je jak odhadnou efektivní šířku
Hayne
D- Abundance
n - počet zvířat napočtených na transektu
L - délka transektu
ri - pozorovací vzdálenost jednotlivých jedinců
Bournham - popisuje závislost pozorovatelnosti a
vzdálenosti Fourierovou řadou (Buckland et al., 1993)
DISTANCE
Metody založené na vzdálenosti
Metody odvozené z prostorových map.
Měříme vzdálenost od
jednoho organismu k
nejbližšímu sousedovi
nebo od náhodně
vybraného bodu k
nejbližšímu organismu
1
2
funguje dobře pro
náhodné rozmístění
N - density
pro shlukovité:
n - počet vzorků
xi - vzdálenost organismu
i od náh. bodu
ri - vzdálenost organismu
i od nejbližšího souseda