Datagrundlaget for analyserne af indikatorernes udvikling over tid er prøvefelter, der er overvåget mindst tre gange siden 2004. Kriterierne for udvælgelsen af prøvefelter til analyserne af habitatnaturtypernes udviklingstendenser kan ses her.
De nye stationer, der blev udlagt i anden programperiode (2011-2016), er kun overvåget to gange for de 10 skovtyper og de 18 lysåbne habitatnaturtyper, der har været overvåget siden 2004 (se Tabel A). For disse 28 habitatnaturtyper bygger analyserne af udviklingen udelukkende på data fra de overvågningsstationer, der blev udlagt i første programperiode (2004-2010). Her bliver det først muligt at beregne udviklingstendenserne for det samlede stationsnet ved afslutningen af den fjerde programperiode (2023-2027).
For de 15 lysåbne habitatnaturtyper, der har været overvåget siden 2011 (se Tabel A), er alle stationer udlagt i anden programperiode (2011-2016) og disse er overvåget to gange i tredje programperiode (2017-2022) for at sikre et datagrundlag for beregning af udviklingstendenserne til Artikel 17-vurderingerne i 2025. Her bygger analyserne af udviklingen på data fra alle overvågningsstationer.
De prøvefelter, der udgik af programmet ved udvidelsen af stationsnettet i 2011, indgår ikke længere i analyserne af udviklingstendenserne, da de beskriver en udvikling, der ligger for langt tilbage i tid.
Data er fordelt på de 43 terrestriske habitatnaturtyper efter metoderne her.
Et af hovedformålene med det terrestriske overvågningsprogram NOVANA er at dokumentere ændringer i de terrestriske habitatnaturtyper over tid, og til det formål er de indsamlede overvågningsdata analyseret ved hjælp af statistiske tidsserieanalyser.
De statistiske analyser afhænger af de omstændigheder, data er indsamlet under. Datagrundlaget er karakteriseret ved at:
i) være en hierarkisk indsamling på stationer og i prøvefelter
ii) stationerne kan indeholde 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 N1.
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).
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 (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 (Figur P1 A), for det andet er der en variation, som skyldes den rumlige variation på stationen samt evt. målefejl (Figur P1 B).
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.
Nedenfor er vist et eksempel på, hvorledes udviklingstendenserne præsenteres for de terrestriske habitatnaturtyper i denne netrapport.
For enkelte naturtyper er datagrundlaget ikke tilstrækkeligt til en statistisk analyse af udviklingstendenserne. Det drejer sig om de meget dynamiske typer langs de eksponerede kyster, strandvold med enårige og flerårige planter (1210 og 1220), forklit (2110) og hvid klit (2120), hvor der kun er ganske få prøvefelter, der opfylder kriterierne, for at indgå i analyserne af udviklingstendenser (se kriterierne her). Det samme gælder vadegræssamfund (1320) og indlandssalteng (1340), hvor det, på grund af det lave antal overvågningsstationer fra første programperiode, ikke været muligt at beregne, om der er en signifikant udvikling af indikatorerne. Her afventes, at der opbygges data fra de overvågningsstationer, der blev udlagt fra 2011. Vinteregeskov (9170) er også repræsenteret ved en meget lille stikprøve i NOVANA, men her har vi valgt at vise udviklingstendenserne, da det vurderes, at naturtypen ikke findes flere steder i landet.
Figur O1. Eksempel på udviklingstendenser i rapporteringen: Udviklingen i dækningen af dværgbuske i pinpoint-rammen for klithede (2140) i perioden 2007-2022. Analysen har vist, at der er en signifikant ændring i dækningen af dværgbuske på - 0,78 % per år.
I analyserne indgår alle prøvefelter, der er registreret mindst tre gange som naturtypen (se mere her). I figuren vises kun en boks for år, hvor der er registreret mere end 10 prøvefelter.
Resultatet af tidsserieanalyserne vises ved et boks plot af stationernes gennemsnitlige indikatorværdi for år med registreringer fra mere end tre stationer eller mere end 10 prøvefelter. I plottet er:
For nogle indikatorer er den røde trendlinje baseret på tilbage-transformerede værdier (se Tabel N1) og skal i nogle tilfælde tages med forbehold.
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.
Figur P1. Illustration af de forskellige typer af variation.
A. Procesvariation: variation i den årlige ændring af stationens middelværdi, både mellem de enkelte stationer et givet år (ændringerne er ikke ens for de to stationer) og mellem de enkelte år for en given station (ændringerne varierer fra år til år).
B. Den rumlige variation illustreres ved at prøvefelt et konsekvent er højere end prøvefelt to. Bemærk at der en manglende værdi for prøvefelt 2 i år 4.
