Bauer Norbert (szerk.): A Bakonyi Természettudományi Múzeum Közleményei 15. (Zirc, 1996)

CSERVENKA JUDIT – ASZALÓS RÉKA – BRÁZ ESZTER – PETŐHÁZI ATTILA – ROSSMANN ZOLTÁN: A Primula x brevistyla DC. hibrid kankalinfaj előfordulásának predikciós térképezése a bakonyi Cuha-völgyben

vetítve megkaptuk a faj előfordulási valószínűségének térképét. A legnagyobb előfordulási valószínűségek térképe adta a faj előfordulásának predikciós térképét, amely megjeleníti a területen a faj populációinak potenciális élőhelyét. A Bayes-formula: Gyakran képezi a predikciós térképezések matematikai alapját a Bayes-formula (FISCHER 1990, BRZEZIECKI és mtsai. 1993, ASZALÓS-HORVÁTH 1998), mely több független változó alapján becsli a függő változó előfordulási valószínűségét. Ez az általunk alkalmazott, feltételes valószínűségeken alapuló paraméteres modell a függő változó előfordulási gyakoriságának normális eloszlását tételezi fel a független változók terében. A norma-litás feltételezésének előnye az, hogy a fajok előfordulásának „válasz-függvényei" jól interpretálhatók. Hátránya az, hogy a normalitási feltétel gyakran sérül. Esetünkben a normalitás vizsgálatára a hisztogramokat vizuálisan értékeltük, amelyet a kiértékeléskor vettünk figyelembe. A Bayes-formula alkalmazásával a független változók terében értelmezett többváltozós normál eloszlást adtunk meg. Az eloszlások - sűrűségfüggvények - paramétereit (várható érték és szórás) a domborzatra és a terepi előfordulás térképére vonatkozó közös térinformatikai adatbázis alapján becsültük, a 4,5 km

2-es tanulóterület celláinak információját figyelembe véve. A sűrűségfüggvény alapján előállítottuk a teljes mintaterületre a faj előfordulási valószínűségi térképeit. Azokat a cellákat leválogatva, ahol az előfordulás valószínűségét 80%-nál nagyobbnak becsülte a modell, megkaptuk a faj előfordulásának predikciós térképét. (A százalék megállapításánál azt tartottuk szem előtt, hogy a predikciós térképen a faj által elfoglalt cellák száma minél jobban megegyezzen a terepi előfordulás térképén lefedett cellaszámmal.) A CART modell: A CART (Classification and Regression Tree; klasszifikációs és regressziós fa) modellt egyre szélesebb körben alkalmazzák a predikciós térképezésben és az ökológiai modellezésben mint a paraméteres technikák alternatíváját (BREIMAN és mtsai. 1984, MOORE és mtsai. 1991, FRANKLIN 1998). Mivel nem feltételez a priori eloszlást a függő és független változók közt, ezért annak előnyeivel és hátrányaival sem rendelkezik (BREIMAN és mtsai. 1984). A CART modell hierarchikusan osztályozza a függő változót (kankalinpopuláció jelenléte) a független változók (domborzati változók) értékei alapján, a tanulóterület celláinak információi alapján. A hierarchikus döntéssorozat eredménye egy olyan döntési fa, amelynek minden elágazásánál egy regressziós vizsgálat történik minden független változó minden értékére. A megkeresett változó értéke alapján a térkép celláit leválogatva a függő változó előfordulásához legközelebb álló mintázatot kapjuk. A következő elágazásnál egy újabb regressziós eljárással tovább finomodik a faj előfordulásának domborzati változókkal történő körülhatárolása. A fa ágainak végén a faj előfordulási valószínűségei állnak. Egy adott ágvégen a döntéssorozat által körülhatárolt domborzati szituációhoz tartozó előfordulási valószínűség található. Mivel a fa mérete nem lehet végtelen, ezért olyan optimalizációs algoritmust kell alkalmazni, amely a minimális faméret és a maximális predikciós pontosság között optimalizál. A CART osztályozási fákhoz szükséges adatbázis létrehozásához a mintavételt a GRASS 4.2 térinformatikai szoftverrel végeztük. A fák előállítását, és optimális méretük megállapítását az S-PLUS 4.5 statisztikai szoftverrel számítottuk. A CART eredményeit a