Euklédeszi vs. ökológiai távolságok jelent ı sége a táji
Természetesen lényegi különbség van számos esetben a sziget-tenger és folt-mátrix megközelítésben, de ezeket figyelembe tudjuk venni az elemzések-ben. A legfontosabb különbség az – ami jelen munkánkhoz is szorosan kap-csolódik –, hogy a mátrix átjárhatóbb, mint a vízfelület. Egy úszni, vagy re-pülni nem tudó faj örökre egy sziget „foglya”, míg a mátrix számukra is át-járható, a motivációtól, késztetéstıl függıen el tud jutni egy szomszédos tájfoltba. A mátrix bár könnyebben átjárható, mint a vízfelület, abban az esetben, ha túlságosan különbözik egy faj igényeitıl, funkcionálhat a vízhez hasonlóan is. Egyes erdei fajok számára a nyílt szántó, vagy gyep áthatolha-tatlan akadályt jelenthet, vagy ugyanez fordítva is megtörténhet: a gyepet kedvelı fajok elkerülik a zárt erdıket.
Foltkonnektivitás
A foltkonnektivitás vizsgálatánál két lehetıségünk van: a mátrix ha-tását nem vesszük figyelembe (euklédeszi távolság), vagy figyelembe vesz-szük (ökológiai, vagy funkcionális távolság). Az euklédeszi távolság a leg-rövidebb egyenes vonal hossza 2 pont között, az ökológiai távolság a legki-sebb költségő útvonalat használja 2 folt távolságának a meghatározására (funkcionális távolság).
A funkcionális távolság meghatározásához szükség van egy ún. súr-lódási felszínre (friction surface). Jelen esetben az adott faj szempontjából kell a súlyokat (elıfordulási valószínőségeket) kiosztani, vagyis az alapján, hogy melyek azok a foltok, amelyekben még elképzelhetı adott faj mozgása és melyekben nem.
Konnektivitási mérıszámok
A konnektivitást a tájmetriai mérıszámok két típusával tudjuk jelle-mezni. Egyrészt indirekt módon azzal, hogy a terület fragmentáltságát vizs-gáljuk (vagyis azt mondjuk, hogy ha kicsi a fragmentáltság, akkor a konnektivitás is teljesebb), másrészt kifejezetten a konnektivitási mérıszá-mokkal. E metrikák gyakorlati alkalmazásában mindkét mérıszám-csoporttal találkozhatunk. Németországban és Kaliforniában a JAEGER
(2000) által kidolgozott indexek alkalmazására találhatunk példát (JAEGER,J.
2007; GIRVETZ E.H. et al. 2008), Skóciában pedig egy sordélyra (Miliaria calandra) optimalizált konnektivitási módszer alapján sikerült javítani az erdıfoltok elérhetıségét (STONE, D. 2007).
A fragmentáció mértékét a mérıszámok két szempont szerint számít-ják: egyrészt az alapján, hogy mennyire aggregáltak a foltok (Aggregation Index, Clumpiness, Contagion, Interspersion and Juxtaposition Index), más-részt abból kiindulva, hogy mekkora valószínőséggel találja meg egymást
egy adott területen két állat, melyek véletlenszerően fordulnak elı (Division Index, Splitting Index, Effective Mesh Size).
A konnektivitási metrikákat meghatározhatjuk raszteres, vagy gráf-elméleti alapon (1. ábra). A raszter alapú mérıszámok esetében az élıhelyfoltok közötti távolságokat számoljuk ki, rendszerint euklédeszi tá-volságok alapján (vagy a távolság mellett a kapcsolatok számát és a foltok területét is figyelembe véve kalkulálunk indexeket; Eucledian Nearest Neighbour, Proximity Index, Patch Cohesion Index, Connectance Index). A gráfelméleti alapú mérıszámok lehetnek bináris (Number of Links, Number of Components, Harary-index, Class Coincidence Probability, Landscape Coincidence Probability, Integral Index of Connectivity) és valószínőségi indexek (Flux, Area-Weighted Flux; Probability of Connectivity). Míg az elıbbiek azt vizsgálják, hogy egy megadott távolság elegendı-e a szomszé-dos folt eléréséhez, utóbbiak a fajmozgás valószínőségét határozzák meg (MCGARIGAL,K.–MARKS,B.J.1994;SAURA,S.–TORNÉ, J. 2009).
1. ábra A bináris és valószínőségi modell (SAURA –PASCUAL-HORTAL, 2007)
Anyag és módszer
A tájvédelmi terveket hosszú idıtávra készítik, a bennük megfogalmazott intézkedéseknek komoly pénzügyi vonzata lehet. A foltkonnektivitás meg-tartása, illetve javítása tehát egyrészt a fajdiverzitás megtartása (pl. kaszálás), vagy új élıhely kialakítása (pl. élıhely rekonstrukció, erdıtelepítés), más-részt mindennek anyagi vonatkozása miatt. Ahhoz, hogy egy terület foltkonnektivitását értékelni tudjuk, szükségünk van egy olyan állatfajra, mely jellemzı a területre és kellıen érzékeny is a környezeti feltételek meg-változására. Ha jól sikerül megválasztani a teszt fajt, a többi (kevésbé érzé-keny) faj is „profitálhat”, tehát túlélési esélyeik nıhetnek.
A munka során egy gyepterületekbıl álló hálózatot választottunk ki a Központi-Zemplén északi részén (2. ábra).
2. ábra A mintaterület elhelyezkedése és a vizsgált gyepterületek
A kiválasztott tesztfaj a fényes gyászfutó (Pterostichus melas), mely a gye-pes-ligetes, nyílt élıhelyeket kedveli. A faj napi 30-50 m-t tesz meg a megfi-gyelések szerint (random mozgás), de egy hónap alatt képes 100-120 méte-res távolságokat is áthidalni (célirányos mozgás). Mozgását a horizont fé-nyesebb-sötétebb árnyalatai befolyásolják: a sötét helyeket kerülik, mindig a világos részek felé mozdulnak el (NEUMANN,U. 1971;THIELE, H.U. 1977).
Ezeket a megfigyeléseket felhasználva állítottuk elı a legkisebb költségő útvonal kiszámításához a súrlódási profilt a következıképpen. Abból kiin-dulva, hogy a világosabb horizont esetében a növényzet sőrősége kisebb, a sötétebbnél sőrőbb és magasabb, a normalizált vegetációs index (NDVI) felhasználása mellett döntöttünk. Ehhez egy 2000-ben készült LANDSAT-felvételt használtunk fel. A (NIR-RED)/(NIR+RED), vagyis ez esetben a 4.
és 3. csatornákból elıállított értékek potenciálisan -1 és +1 közé eshetnek, amit átskáláztunk úgy, hogy a 0 a legkisebb biomasszájú területet jelentse, az eredeti 0,4-0,6 között pedig lineáris fuzzy-függvényt alkalmazva érje el a maximális értéket (vagyis az 1-et), a 0,6 fölötti NDVI tehát már 1-es értéket kapott.
A vizsgálat során statisztikai módszerekkel azt hasonlítottuk össze, hogy a foltok közötti egyenes távolság és a legkisebb költségő útvonal között ez esetben mekkora az eltérés.
Eredmények
A kétféle módszerrel elıállított távolságok térképét a 3. ábrán mutatjuk be.
A kétféle megoldás közül jól láthatóan hosszabb utakat bejárniuk az állatoknak, ha mindig a horizont legvilágosabb része felé indulnak el. Az
útvonalak vizuális elemzését statisztikai vizsgálattal is kiegészítettük. A 4.
ábrán a kétféle távolságot egymás függvényében ábrázoltuk.
a (homogén mátrix) b (mátrixhatás az NDVI alapján súlyozva:
a sötétebb árnyalat sőrőbb vegetációt jelez) 3. ábra A vizsgált gyepek euklédeszi (a) és legkisebb költség alapú (b) távolságai
4. ábra Az euklédeszi és legkisebb költség távolságok egymáshoz való viszonya
Kiderül, hogy a távolságok a közelebbi foltok esetében kisebb szórásúak, és bár különbségek (és persze kirívó kivételek is) vannak közöttük, a nagyobb távolságok esetében általában már mindig kb. kétszer akkora a funkcionális távolság a foltok között. A 0-600 méteres euklédeszi távolságok esetében is láthatunk olyat, hogy a legkisebb egyenes távolság 250 m, a funkcionális pedig közel 2000 m, de az adatok többsége szőkebb szórástartományban marad. Ha lineáris regressziós illesztést végezünk, a heteroszkedaszticitás
(heterogén variancia) tipikus esetét láthatjuk (5. ábra): a kis értékektıl a na-gyobb értékek irányában a variancia nı.
5. ábra Az euklédeszi távolságokból becsült legkisebb költségő távolságok reziduáljainak megoszlása
A heteroszkedaszticitás önmagában kizárná a regresszió alkalmazásának lehetıségét, ám ebben a vizsgálatban nincs is szükségünk rá. Arra viszont jó, hogy lássuk: a mátrix figyelembevételével a foltok közötti távolságok az egyenes távolsághoz képest megnınek (a determinációs együttható 0,79-es értéke bár jó lineáris illeszkedést takar – viszont nem értelmezhetı).
Vizsgálatunk fı kérdése az, hogy mekkorát tévedünk akkor, ha nem vesszük figyelembe a tájökológiai elemzésekben a mátrix szerepét a foltkonnektivitás megítélésében. A választ részben megkaptuk a regresszió reziduálisaiból, de még nem tudjuk, hogy az eltérés szignifikáns-e az egyes módszerekkel elıállított távolságkombinációk között. Ennek kiderítésére Wilcoxon-próbát alkalmaztunk, melynek eredménye szignifikáns (W=2,634×10-4; z=13,12; p>0,0001; N=229; az euklédeszi távolságok medi-ánja 1048 m, a legkisebb költségő távolságoké 1771 m) – vagyis a távolsá-gok szóródása szignifikánsan eltér egymástól.
6. ábra Az euklédeszi és legkisebb költség távolságok megoszlása
Innen már csak egy lépés a mérıszámok területi megjelenésének áb-rázolása (7. ábra). Az alkalmazott tájmetriai mérıszám az integrált konnektivitási index volt (Integral Index of Connectivity; SAURA, S. – TORNÉ, J. 2009).
7. ábra Egyenes távolság (a) és legkisebb költség távolság (b) alapján számított integrált konnektivitási indexe (a foltok jelentısége a sötétebb árnyalatok felé nı; 120 m elérési tá-volság 5%-os valószínőség mellett)
Eszerint a foltok elérhetısége kedvezıbb képet mutat az egyenes távolságok esetében, mint a legkisebb költség útvonalával. Egészen közeli foltok is le-hetnek izoláltak, ha a mátrix nem kedvez a fajmozgásnak.
Következtetések
Vizsgálataink szerint a távolság kiszámításának módja döntıen befolyásol-hatja a táj konnektivitására vonatkozó döntéseinket. Ha csak euklédeszi tá-volsággal számolunk, sokkal kedvezıbb képet kapunk az egyes élıhelyfoltok elérhetıségérıl – holott azok potenciálisan akár teljesen elszi-geteltek lehetnek a mátrix hatása miatt. Ezt a vizsgálatot a jövıben folytatni fogjuk, mert mind a terepi vizsgálatok, mind a mátrix elıállításának a módja további problémákat vet fel.
Irodalomjegyzék
BÁLDI A. (1998): Az ökológiai hálózatok elmélete: iránymutató a védett te-rületek és az ökológiai folyosók tervezéséhez. Állattani Közlemények 83: 29-40.
FAHRIG, L. (1997): Relative effects of habitat loss and fragmentation on population extinction. Journal of Wildlife Management 61 (3): 603-610.
FORMAN,R.T.T.–GODRON, M. (1986): Landscape Ecology. John Wiley and Sons, 619 p.
GIRVETZ, E.H. – THORNE, J.H. – BERRY, A.M. – JAEGER, J. (2008):
Integration of landscape fragmentation analysis into regional planning:
A statewide multi-scale case study from California, USA. Landscape and Urban Planning 86: 205-218.
HARRISON, S. – BRUNA, E. )1999): Habitat conservation and large-scale conservation: what do we know sure? Ecography 22: 225-232.
JAEGER,A.G.J.–BERTILLER,R.–SCHWICK, C. (2007): Degree of landscape fragmentation in Switzerland: Quantitative analysis 1885-2002 and im-plications for traffic planning and regional planning. Office federal de la statistique, Neuchatel 36 p.
JAEGER, A.G.J. (2000) : Landscape division, splitting index, and effective mesh size: new measures of landscape fragmentation. Landscape Ecol-ogy 15: 115-130.
KERÉNYI A.(2007): Tájvédelem. Pedellus Tankönyvkiadó. Debrecen, 184 p.
MCGARIGAL, K. – MARKS B.J. (1994): FRAGSTATS: spatial pattern analysis program for quantifying landscape structure. USDA For. Serv.
Gen. Tech. Rep. PNW-351. 141 p.
MEZİSI G. – FEJES CS. (2004) Tájmetria. In: Dövényi Z. – Schweitzer F.
szerk. Táj és környezet. MTA FKI, Budapest pp. 229-242.
NEUMANN, U. (1971): Die sukzession der bodenfauna (Carabidae-Coleop-tera, Diplopoda and Isopoda) in den forstlich rekultivierten Gebieten des Rheinischen Braunkohlenreviers. Pedobiologia 11: 193-226.
SAURA, S.–PASCUAL–HORTAL,L. (2007): A new habitat availability index to integrate connectivity in landscape conservation planning: Compari-son with existing indices and application to a casestudy. Landscape and Urban Planning 83: 91-103.
SAURA, S.– TORNÉ, J. (2009): Conefor Sensinode 2.2: a software package for quantifying the importance of habitat patches for landscape connectivity. Environmental Modelling & Software 24: 135-139.
STONE, D. (2007): Big plans and little plans: delivering land use change designed by landscape ecology. Acta Geographica Debrecina Landscape & Environment 1 (1): 68-74.
THIELE,H.U. (1977): Carabid beetles in their environments. Springer, Berlin, Germany
Köszönetnyilvánítás: A kutatást a Bolyai János Kutatási Ösztöndíj támogatta