Modely druhové abundance

Modely rozložení abundance taxonů (početnost, biomasa, aktivita) představují snahu o kategorizaci společenstev podle typizovaných průběhů křivek abundancí. Tyto typizované průběhy by měly mít i určitou biologickou interpretaci. Cílem zhodnocení křivky průběhu druhů tedy není pouze její přiřazení k určitému modelu, ale především biologická interpretace. Tedy teoreticky by mělo platit, že pokud můžeme přiřadit společenstvo k modelu, máme představu, jakou cestou společenstvo vzniklo, jaké vlivy se mohly podílet na jeho utváření a současném stavu apod.

V tvorbě modelů se odráží dva hlavní přístupy: (1) přiřazení průběhu křivky abundancí k běžným matematickým funkcím, jejichž průběh může být interpretován i z hlediska reálného rozložení abundancí a (2) myšlenková konstrukce chování druhů ve společenstvu je převáděna do podoby matematického modelu, který je testován oproti reálným datům. Vlastní model je často definován ne striktně matematicky, ale pouze pravděpodobnostně a jeho průběh je vytvářen počítačovou simulací (základní rozdělení modelů na obrázku 5.1).

Modely druhové abundance tedy můžeme rozdělit na simulačně založené (orientované a neorientované na niku) a na modely stochasticky založené. Hranice těchto modelů ovšem není ostře vedena, protože mnohé z těchto modelů jsou zároveň simulačními i stochastickými modely nebo byly původně prezentovány jako zástupci jiné skupiny modelů. Přehled modelů a jejich rozdělení do skupin obsahuje tabulka 5.1. Stochastické modely jsou obecně zaměřeny na velká společenstva, kdy se uplatňují obecné biologické a matematické zákonitosti. Simulační modely jsou naproti tomu zaměřeny na malá homogenní společenstva a vliv biologických jevů a vlastností taxonů na lokální úrovni.

Tabulka 5.1: Přehled modelů rozložení abundancí, anglické názvosloví zachováno pro snazší orientaci vzhledem v literatuře

Na proces výpočtu parametrů modelu pro daná reálná data navazuje testování shody modelu s těmito daty. Nejjednodušším postupem je optická kontrola průběhu modelu a reálných dat v některém typu grafu, tento postup je však silně subjektivní. Častou možností je použití testu dobré shody pro otestování počtu druhů v kategoriích abundance, kdy očekávané hodnoty získáme z průběhu modelu a pozorované hodnoty na základě reálných dat. Nevýhodu je jeho použití pouze pro velká společenstva (vliv síly testu), která ovšem většinou nepředstavují homogenní společenstva. Jedná se tedy o test s obdobným použitím a omezením jako mají matematické modely. Test není vhodný pro malá společenstva. Dalším testem vhodným pro deterministické modely je Kolgomorův-Smirnovův test, který je však používán méně často. Jeho výhodou oproti test je použitelnost i pro velmi malá společenstva. Dalším způsobem je využití vícerozměrné vzdálenosti reálného a modelového společenstva, jako je například Hellingerova vzdálenost . Vzdálenost je definovaná jako

kde a jsou abundance třídy ve vzorku (pozorování) a (teorie). Tento způsob byl použit u geometrické řady, log-normálního rozložení, a modelu zlomené hůlky. Pro rutinní hodnocení je ovšem tento přístup špatně použitelný vzhledem k obtížnému testování významnosti.

Pro testování stochastických modelů vztahujících se na niku není možné použít ani Kolmogorův-Smirnovův test, protože se porovnává teoretický odhad vzniklý z velké množiny opakování s pozorováním, která představuje jedno reálné společenstvo. Proto byl uveden test, který by tento problém měl vyřešit. Z naměřených dat je spočítána průměrná abundance pro třídu (třída s nejvyšší abundancí) až (třída s nejnižší abundancí), kde je počet druhů. Pro naměřená data jsou nutná opakovaná pozorování, tedy jedna reálná lokalita zde představuje více provedených měření, které by ovšem měly mít obdobné druhové složení. Problém postupu je v počtu druhů . Pokud se během opakovaného pozorování mění počet druhů, musí být natolik velké, aby pokrylo nejméně 95% druhů sledovaného společenstva v případě, že počet druhů ve vzorku vzroste. Pomocí počítačové simulace je vytvořen velký počet společenstev ( minimálně 999) obsahujících druhů, které představují rozložení nasimulovaných modelových abundancí jednotlivých druhů a jsou základem pro další výpočet. Z nasimulovaného rozložení je vypočten průměr a odchylka pro třídy až a vypočteny teoretické intervaly spolehlivosti

kde 1,96 pro 95% a 1,65 pro 90% interval spolehlivosti jsou odvozeny ze standardního normálního rozložení. Teoretické hodnoty jsou následně porovnány s pozorovaným průměrem . Pokud všechny hodnoty spadají do intervalů spolehlivosti nasimulované průměrné abundance, dá se říci, že pozorovaný tvar křivky druhové abundance je ve shodě s očekáváním modelu.

Složitější a výpočetně náročnou metodou testování je metoda Monte Carlo. Tato metoda by měla řešit nedostatky předchozího testu: citlivost na počet druhů v testovaném společenstvu a problémy s heterogenitou dat a modelu. Principem je vygenerování teoretického rozložení průměrů a odchylek pro každou třídu daného modelu.