Aarhus Universitets segl

Naturtypernes udvikling

Datagrundlag

Datagrundlaget for analyserne af indikatorernes udvikling over tid er prøvefelter, der er overvåget mindst tre gange siden 2004. Der er sket en fravælgelse af prøvefelter, der ikke er typebestemt som en habitatnaturtype, eller hvor der er væsentlige uoverensstemmelser i typebestemmelsen over tid.

Da de nye stationer kun er overvåget en eller to gange, bygger analyserne af udviklingen udelukkende på data fra de overvågningsstationer, der også indgik i det første program. De 202 lysåbne intensive stationer er typisk overvåget 8 gange siden 2004; årligt i perioden 2004-2009, en gang i 2011 eller 2012 og igen i 2014 eller undtagelsesvis i 2015. De ekstensive stationer er overvåget 3 gange siden 2004; en gang i perioden 2006-2009, i 2011 eller 12 og igen i 2014. I analyserne indgår alle 40 prøvefelter pr. station fra perioden 2004-2010, og fra 2011 indgår de 10 prøvefelter, der er overført til det nye program.

Statistisk analyse af tidsserier

Et af hovedformålene med det terrestriske overvågningsprogram NOVANA er at dokumentere ændringer i de terrestriske naturtyper over tid, og til det formål er de indsamlede overvågningsdata blive analyseret ved hjælp af statistiske tidsserieanalyser.

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

Derudover er de indsamlede tidsserier præget af relativt mange datahuller, og at det ikke er de samme prøvefelter, som er indsamlet hvert år for fx de fysisk-kemiske indikatorer.

I en hierarkisk statistisk model er den gennemsnitlige årlige ændring blevet estimeret samt om denne ændring afhænger af stationen.

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 N.

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

Data type Fordelingstype Transformation (link funktion )
# arter Poisson Log
Frekvens Binomial Logit
Dækning (pin-point) Beta-binomial Logit
Ratio af pin-point data Beta Logit
Vegetationshøjde Gamma Log
Resten Normal -

De hierarkiske modeller er fittet til udvalgte overvågningsdata ved hjælp af numerisk Bayesiansk metoder vha. R-INLA (Rue et al. 2009, Blangiardo et al. 2013, Blangiardo og Cameletti 2015).

Analyser på stationsniveau

Det er relevant at analysere eventuelle tendenser i tidsserier på stationsniveau i stedet for på niveau af det enkelte prøvefelt. Dette skyldes, at de enkelte prøvefelter er lokaliseret med GPS-nøjagtighed, og det således ikke er muligt at finde det præcise sted, hvor et prøvefelt er udlagt; især i klitnaturtyperne, som typisk forekommer i mosaik imellem hinanden, kan få meters afvigelse fra givne geografiske koordinater betyde, at prøvefeltet tilhører en anden naturtype. Endvidere er prøvefelter fra den samme station påvirket af sammenlignelige niveauer af ydre påvirkninger, fx sammenlignelige niveauer af kvælstofdeposition, som alt andet lige vil give en positiv korrelation i udviklingen af prøvefelter fra samme station.

I de indsamlede tidsserier er der forskellige typer af variation, som det er vigtigt at kunne adskille i den statistiske analyse, hvis man vil bestemme den kvantitative usikkerhed i den statistiske analyse (Clark 2007). For det første er der en variation i den årlige ændring (procesvariation) både mellem de enkelte stationer et givet år og mellem de enkelte år for en given station (Fig. P A), for det andet er der en variation, som skyldes den rumlige variation på stationen samt evt. målefejl (Fig. P B).

Figur P

A

B

år år

Udvalgte eksempler af de indsamlede tidsserier er blevet analyseret ved brug af forskellige statistiske metoder, som giver mere eller mindre samstemmende kvalitative resultater, men en af de anvendte metoder, nemlig ”state-space model”-metoden virker specielt relevant.

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.

Clark, J. S. (2007): Models for ecological data. Princeton University Press, Princeton.

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.