Aarhus Universitets segl

Naturtypernes tilstand

Udvælgelse af data

Naturtypernes tilstand er beskrevet ved et udvalg af indikatorer, der er relateret til de væsentligste påvirkningsfaktorer. Udvælgelsen har taget udgangspunkt i de de tilgængelige overvågningsdata og analyser, der er foretaget i de seneste NOVANA-rapporter (Erjnæs m.fl. 2009, Bruus m.fl. 2010, Fredshavn m.fl. 2011, Nielsen m.fl. 2012, Nygaard m.fl. 2014).

Datagrundlaget for analyserne af naturtypernes tilstand er de nyeste registreringer af prøvefelterne. For prøvefelter, der er registreret mere end en gang siden 2011 (de gamle stationer) er analyserne af tilstanden således foretaget på den nyeste registrering. Som udgangspunkt er analyserne af naturtypernes tilstand foretaget på data indsamlet i anden programperiode, hvilket vil sige fra 2011 til 2015. Data fra denne afgrænsede periode forventes at være unbiased af ændringer over tid og vil dermed give det mest nøjagtige estimat af den aktuelle tilstand.

For naturtyper hvor datagrundlaget er meget spinkelt, er der undtagelsesvis anvendt data fra hele overvågningsperioden (2004-2015). Det gælder eksempelvis enårig strandengsvegetation (1310) og hvid klit (2120), der kun er overvåget i ganske få prøvefelter, og hvor inddragelse af data fra første programperiode forbedrer den geografiske repræsentation væsentligt. Anvendelse af 12 års data til beskrivelse af naturtypernes tilstand, indebærer dog en risiko for unøjagtige estimater af den aktuelle tilstand for indikatorer, der er under udvikling.

Statistisk analyse af tilstand

Et af formålene med det terrestriske overvågningsprogram NOVANA er at dokumentere tilstanden i de terrestriske naturtyper.

De statistiske analyser afhænger af de omstændigheder, data er indsamlet under; nemlig

i) en hierarkisk indsamling af stationer og prøvefelter
ii) stationer er ofte udpeget med en mosaik af forskellige naturtyper
iii) stationerne har forskellig historie og forskelligt niveau af de enkelte indikatorer.

I en hierarkisk statistisk model er det blevet estimeret, hvor meget af den rumlige varians skyldes henholdsvis forskellige regioner og forskellige stationer. De samme typer af modeller er også blevet anvendt til at teste, om værdien af indikatorværdien afhænger af om prøvefeltet er henholdsvis indenfor eller udenfor et habitatområde.

Fordelingen af stikprøve variansen afhænger af den analyserede datatype (Damgaard et al. 2011, Damgaard 2013, 2014), og den anvendte fordelingstype samt transformation for de forskellige datatyper fremgår af Tabel 1.

Tabel N. Den anvendte fordelingstype samt transformation for de forskellige datatyper

Data type Fordelingstype Transformation (link funktion )
Antal indikatorarter Poisson Log
Frekvens Binomial Logit
Dækning (pin-point) Beta-binomial Logit
Ratiodata
Dækningsdata i 5m cirkel
Beta Logit
Vegetationshøjde Gamma Log
Resten Normal -

Referencer

Blangiardo, M. & Cameletti, M. (2015): Spatial and spatio-temporal Bayesian models with R-INLA. Wiley, Chichester, UK.

Blangiardo, M., Cameletti, M., Baio, G. & Rue, H. (2013): Spatial and spatio-temporal models with R-INLA. - Spatial and Spatio-temporal Epidemiology 4:33-49.

Damgaard, C. (2013): Hierarchical and spatially aggregated plant cover data. - Ecological Informatics 18:35-39.

Damgaard, C. (2014): Estimating mean plant cover from different types of cover data: a coherent statistical framework. - Ecosphere 5:art20.

Damgaard, C., Nygaard, B., Ejrnæs, R. & Kollmann, J. (2011): State-space modeling indicates rapid invasion of an alien shrub in coastal dunes. - Journal of Coastal Research 27:595–599.

Rue, H., Martino, S. & Chopin, N. (2009): Approximate Bayesian inference for latent Gaussian models using integrated nested Laplace approximations (with discussion). - Journal of the Royal Statistical Society, Series B 71:319-392.