Spatial analysis of anthropogenic disturbance regimes and roadside shrubs in a fragmented agricultural landscape Peter G.Spooner; Ian D. Lunt; Sue V. Briggs.

Apresentação em tema: "Spatial analysis of anthropogenic disturbance regimes and roadside shrubs in a fragmented agricultural landscape Peter G.Spooner; Ian D. Lunt; Sue V. Briggs."— Transcrição da apresentação:

1 Spatial analysis of anthropogenic disturbance regimes and roadside shrubs in a fragmented agricultural landscape Peter G.Spooner; Ian D. Lunt; Sue V. Briggs Applied Vegetation Science 7:61-70, 2004

2 Justificativa Ao longo de uma dada paisagem, as populações não são normalmente distribuídas uniformemente ou aleatoriamente. Perturbações  patches, variação da disponibilidade de recursos, padrão espacial das perturbações Padrão espacial: perturbações naturais x antropogênicas

3 Objetivo Examinar o padrão espacial de grupos estruturais de populações de Acacia. Investigar quais variáveis são importantes na predição de processos antropogênicos, e em quais escalas.

4 Área de estudo Lockhart Shire, Austrália

5 Métodos Dados de 135 populações de Acacia (47 A. pycnantha, 48 A. montana e 40 A. decora) foram coletados por um procedimento de amostragem aleatória estratificada. População: mínimo de 10 indivíduos, isoladas por pelo menos 205 m de outras populações da mesma espécie.

6 Métodos - Kernel Estimador Kernel Densidade das populações Largura de banda = 4 km As localizações espaciais dos três grupos estruturais das populações de Acacia foram estatisticamente analisadas usando a função-K network

7 Métodos – Função-k network A função-K network detecta agregações a partir do cálculo do número de pontos P dentro da menor distância t em rede em relação a todos os outros pontos P = {p1, …,pn} que seguem uma distribuição binomial em uma rede conectada finita.

8 Métodos – Função-k network A premissa do processo de pontos binomial é baseada na hipótese de que os pontos P são uniforme e independentemente distribuídos sobre uma rede finita. Se esta hipótese é rejeitada, os pontos P estão interagindo espacialmente e podem formar padrões não uniformes.

9 Métodos – Função-k network (# pontos de P em L pi (t)) onde L T = as ligações de rede (neste caso, a extensão das rodovias entre cada nó) ILrI = a distância total em rede n = número de pontos

10 Métodos - CSR Simulações Monte Carlo (100) foram usadas para construir um intervalo de confiança par os envelopes de valores máximos e mínimos a partir de um número equivalente de coordenadas aleatórias para K(t), e gráficos de...... foram comparados com este envelope para garantir a significância a partir de aleatoriedade espacial completa (CSR).

11 Métodos - função-K network bivariada Para a análise da função-K network bivariada, dois tipos de pontos A = {a1,...an} e B = {b1,...bn} foram analisados em LT, onde o número de pontos A são calculados dentro de uma distância em rede t de pontos B. A localização espacial dos diferentes grupos estruturais das populações de Acácia foram comparadas à localização de centros urbanos.

12 Métodos - função-K network bivariada (# pontos A em L bi (t))

13 Métodos - Função discriminante A análise da função discriminante foi usada para construir um modelo preditivo baseado em variáveis de perturbação para cada população. Este método gera um grupo de funções discriminantes baseadas em combinações lineares das variáveis preditoras que fornecem a melhor discriminação, ou diferença média, entre grupos pré-estabelecidos de estruturas etárias – colonizadoras (grupo 1), estáveis (grupo 2) e senescentes (grupo 3).

14 Métodos - Função discriminante O método foi aplicado para as variáveis das 3 escalas separadamente, e então para todas as variáveis combinadas para investigar efeitos e escalas múltiplas.

15 Resultados - Kernel Uma estimação Kernel da densidade das populações de Acácia identificou quatro aglomerados de populações em polígonos de 50% de probabilidade.

16 Resultados – função-K network

17 Resultados – função-K network bivariada

18 Resultados – função discriminante A análise de função discriminante produziu um modelo preditivo útil que classificou com sucesso 58,1% das populações de Acacia, com duas funções que combinam cinco variáveis das três diferentes escalas.

19 Resultados – função discriminante As três escalas também foram analisadas separadamente, mas não apresentaram resultados significantes.

20 Discussão As estruturas populacionais (colonizadoras, estáveis e senescentes) de espécies de Acacia têm diferentes distribuições espaciais nas estradas na área de estudo. Inspeções visuais iniciais da distribuição espacial a partir da análise Kernel mostraram uma forte aglomeração dos indivíduos ao longo da paisagem.

21 Discussão A análise da função-k network de grupos estruturais de populações individuais  as populações senescentes são significantemente aglomeradas, as populações estáveis tendem a se aglomerar e as populações colonizadoras são mais aleatoriamente distribuídas. Função K network bivariada  apesar dos aglomerados das populações senescentes estarem localizados longe das cidades, houve uma forte interação espacial com os centros urbanos em grandes escalas.

22 Discussão Os resultados sugerem que o tamanho, forma, intensidade e taxa de perturbações antropogênicas são importantes na determinação da distribuição etária das populações de Acacia, que são implicações importantes considerando sua persistência na paisagem. A associação espacial entre os centros urbanos e as populações senescentes demonstra a importância a lógica em relação às atividades de manutenção da estrada.

23 Discussão Em termos de estruturas espacial e temporal dos regimes de perturbação, a análise de função discriminante também mostrou que as variáveis da escala de paisagem exercem uma influência mais sutil na dinâmica estrutural dos indivíduos em relação às variáveis nas escalas de beira de estrada e de fragmentação.