Információ

A legalkalmasabb biodiverzitási index


Vizsgálatot végzek két különböző fűgazdálkodási technika (legeltetés vs. gépi kaszálás) virágbiodiverzitásra gyakorolt ​​hatásáról.

Összegyűjtöttem az adataimat, és most olyan módon kell feldolgoznom, hogy értelmes és érvényes eredményeket adjon. Adataim területenként 25 minta formájában vannak megadva, %-os mennyiségben, minden egyes faj esetében 0,25 méteren2 négyes.

Jelenleg egy nem szabványos sokféleség-meghatározási technikát használok, amelyet Disney indexnek hívnak (amiről azt hittem, hogy az RHL Disney nevét viseli, de nem találok erre utaló hivatkozásokat), amelyben minden fajt súlyozunk százalékos bőség alapján, az alábbiak szerint:

Ezután ezekkel a súlyokkal számítjuk ki az indexet a következőképpen (azaz a fajok tömegének a fajok számához viszonyított összegének kiszámításával):

Szeretném tudni, hogy ez a lehető legjobb diverzitási index, amelyet az ilyen típusú elemzésekhez használhatnék, vagy vannak -e olyanok, amelyeket figyelembe kell vennem.

Előre is köszönöm!


Úgy tűnik, hogy érdekli a béta -diverzitás, amely a taxonok összetételének (azaz az alfa -diverzitásnak) a változása a parcellák között. A béta -diverzitás kiszámítására számos megközelítés létezik, és a helyes választás általában attól függ, hogy milyen kérdés (ek) re válaszol. Ebben a cikkben nagyon jól le vannak írva a leggyakoribb megközelítések:

Anderson, M. J. et al. 2011. Navigálás a béta sokféleség több jelentésében: útiterv a gyakorló ökológus számára. Ökológiai levelek 14: 19-28

P.S. Nem ismerem a Disney indexét, ezért nem tudok érdemben nyilatkozni.

P.P.S. Ez a kérdés is érdekelheti.


Érdemes megnézni Koleff dolgozatát (nyílt hozzáférés @ JAE http://onlinelibrary.wiley.com/doi/10.1046/j.1365-2656.2003.00710.x/abstract).

Tekintettel arra, hogy mennyiségi adatai vannak, meg kell vizsgálnia a különbséget a jelenlét/hiányzás és a mennyiségi mérések között. Egy Bry-Curtis-mérés vagy valami ehhez hasonló sokkal jobb lenne, mint egy Sorensen vagy Whittaker, nehogy elveszítsen információt.


Nem tudok semmit a "Disney-indexről", de az Ön által használt egyenlet úgy néz ki, mint a Simpson-féle D, egy nagyon gyakori biodiverzitás-index egy változata. Ha csak két különböző típusú webhelyet becsül meg (a két kezelési stratégiája), akkor egy ritkítási módszert javaslok. Ezt meg lehet becsülni az R vegán csomagjában, vagy az Robert Colwell által készített EstimateS http://viceroy.eeb.uconn.edu/EstimateS/ címen. A Rarefaction figyelembe veszi a minták számát, amikor kiszámítja a talált fajok számát. Használhat egyenes fajgazdagság -becslőket is, például Chao1 és Chao2. A legjobb "sokszínűségi index" szerintem Hurlbert PIE

Remélem ez segít.


Globális trendek mérése a biodiverzitás állapotában: Vörös listás madarak indexei

A bolygó biológiai sokféleségének gyors pusztulása arra késztette a világ nemzeteit, hogy célul tűzzék ki a biológiai sokféleség csökkenésének mértékének jelentős csökkentését 2010-re. Azonban még nem áll módunkban megfelelő módon nyomon követni e cél elérése felé tett előrehaladást. . Itt bemutatunk egy módszert az IUCN Vörös Listáján alapuló indexek előállítására a világ összes madárfajának általános fenyegetettségi állapotának (előirányzott relatív kihalási kockázatának) feltérképezésére 1988 és 2004 között. A Vörös Listák indexei (RLI) a fajok számán alapulnak. az egyes Vörös Lista kategóriákban, valamint az értékelések között a státusz valódi javulása vagy romlása következtében változó kategóriák számáról. Az összes madárfajra vonatkozó RLI azt mutatja, hogy általános fenyegetettségi állapotuk 1988 óta tovább romlott. A bontott mutatók azt mutatják, hogy világszerte és minden fontosabb ökoszisztémában romlás következett be, de különösen meredeken csökkentek az indo-maláj madarak mutatói (az erősödés miatt) a Sundaic -alföld erdőirtása), valamint az albatroszok és a petrellek esetében (a kereskedelmi célú horogsoros halászat véletlenszerű elhullása miatt). A biológiai sokféleség állapotának globális trendjeinek számszerűsítésére az RLI -k kiegészítik a fajok populációjának alakulásán és az élőhelyek kiterjedésén alapuló mutatókat. Legfőbb gyengeségeik, hogy az állapotváltozások feloldása meglehetősen durva, és késleltetések léphetnek fel bizonyos állapotváltozások észlelése előtt. Legnagyobb erősségük abban rejlik, hogy a világon egy taxonómiai csoportba tartozó szinte valamennyi fajból származó információkon alapulnak, nem pedig egy potenciálisan elfogult részhalmazon. Jelenleg csak a madarakról állnak rendelkezésre megfelelő adatok, de más rendszertani csoportok indexei is kidolgozás alatt állnak, csakúgy, mint az összes főbb rendszertani csoport rétegzett mintáján alapuló mintavételi index.

Idézet: Butchart SHM, Stattersfield AJ, Bennun LA, Shutes SM, Akçakaya HR, Baillie JEM és mások. (2004) Globális trendek mérése a biodiverzitás állapotában: Vörös listás madarak indexei. PLoS Biol 2 (12): e383. https://doi.org/10.1371/journal.pbio.0020383

Akadémiai szerkesztő: Walt V. Reid, Millenniumi ökoszisztéma -értékelés

Megérkezett: 2004. május 25 Elfogadott: 2004. szeptember 10 Közzétett: 2004. október 26

Szerzői jog: © 2004 Butchart et al. Ez egy nyílt hozzáférésű cikk, amelyet a Creative Commons Attribution License feltételei szerint terjesztenek, és amely lehetővé teszi a korlátlan felhasználást, terjesztést és reprodukálást bármilyen médiában, feltéve, hogy az eredeti műre megfelelően hivatkoznak.

Versengő érdekek: A szerzők kijelentették, hogy nincs összeférhetetlenség.

Rövidítések: ACAP, Egyezmény az Albatroszok és Nyírkák Védelméről CBD, Egyezmény a Biológiai Sokféleségről CMS, Egyezmény a vándorló fajokról IUCN, Természetvédelmi Világszövetség RLI, Vörös Lista Index


Absztrakt

A fajok populációjának alakulásának számszerűsítése kulcsfontosságú a globális védelmi célok elérésében elért haladás nyomon követésében, a beruházások indokolásában, a célzott válaszok megtervezésében és a veszélyeztetett fajokkal kapcsolatos tudatosság növelésében. Sok globális mutató lassan reagál, és a gyakori fajokról számol be, nem pedig azokról, amelyek a legnagyobb kihalási veszélyben vannak. Itt kifejlesztünk egy veszélyeztetett fajok indexét, amely dinamikus eszköz az ausztráliai veszélyeztetett madarak éves változásának nyomon követésére. A Living Planet Index módszere alapján, és több mint 17 000 idősort tartalmaz 65 szisztematikusan felmért madár taxonra vonatkozóan, az index második iterációja 1985 és 2016 között átlagosan 59%-os, 2000 és 2016 között pedig 44%-os csökkenést mutat. a parti madarak és a szárazföldi madarak esetében súlyos, a tengeri madarak esetében pedig a legkevésbé súlyos. Az index egy lehetséges eszközt kínál a teljesítmény mérésére a Biológiai Sokféleség Egyezmény Aichi célkitűzésével 12, lehetővé téve a kormányok, ügynökségek és a nyilvánosság számára, hogy megfigyeljék a veszélyeztetett fajok változásait.


Bevezetés

A fajok sokfélesége minden térbeli skálán változik az élőhelyek egyre fokozódó romlása, a nem őshonos fajok terjedése, az erőforrások túlzott kihasználása és az éghajlat felmelegedése miatt [1–4]. A közelmúltban ambiciózus védelmi célokat javasoltak a biológiai sokféleség folyamatos romlásának megállítására, sőt visszafordítására azzal a kötelezettségvállalással, hogy 2030 -ig megóvják a globális óceán és szárazföld legalább 30% -át [5,6]. Mégis, bár néhány tanulmány azt jelzi, hogy a fajok diverzitása általában magasabb a védett területeken belül, mint azokon kívül világszerte [7,8], a szomszédos szigorúan védett, korlátozott és nem védett területek milyen mértékben támogatják a fajgazdagság különböző szintjeit.α-sokféleség) vagy különböző fajok összetétele (ß-változatosság) továbbra is tisztázatlan, miközben kulcskérdés. Valójában az ökoszisztéma működésének stabilitása és az ökoszisztéma-szolgáltatások regionális szintű folyamatos nyújtása pozitív kapcsolatban áll a regionális medencét alkotó fajok számával (γ-diverzitás) [9–11], amely mind a helyi, mind a telephelyi sokféleségtől függ (α -diverzitás) és a fajok összetételének eltérése a helyek között (ß-diverzitás) [12,13].

Történelmileg sok védett területet hoztak létre, hogy megőrizzék az ikonikus tájakat és a tengeri tájakat, és kedvező környezeti feltételeket (élőhelyet és éghajlatot) biztosítsanak a kizsákmányolt és veszélyeztetett fajoknak [14]. Az ilyen önkényes döntések hozzájárulhattak a fajok jelentős eltéréséhez a szomszédos védett és nem védett területek között, elsősorban a régión belüli élőhely-különbségek miatt. Ezen a potenciális élőhely-hatáson túl a természetvédelemtől függő fajokat egyes védett területeken kívüli emberi tevékenységek kiiktathatják [3,15,16], ami szintén növelheti a fajok közötti különbségeket a védelmi szintek között. Összességében tehát a helyi környezeti feltételeknek és a védettségi szintnek a fajösszetételre gyakorolt ​​relatív hatása még nagyrészt ismeretlen, míg a védelmi szint részleges hatása a környezeti feltételek, a mintanagyság és a fajok előfordulásának ellenőrzése során taxonok és fajok előfordulásának vizsgálata még várat magára. biomák. Itt azt a hipotézist állítjuk, hogy a védett területek gazdagabbak α-sokféleség, mint a nem védett társaik, egymásba ágyazott mintával ß-sokszínűség, ahol a nem védett területek csak a közeli védett területeken található fajok egy részhalmazát fogadják (1. ábra). Alternatív megoldásként a védett és nem védett fajok különböző fajokat tartalmazhatnak, ami a γ-diverzitás mechanikus növekedését idézi elő (1. ábra).

Ez a hipotetikus példa csak 2 védelmi szintet és 2 fajgazdagsági különbséget vesz figyelembe (körterület). Bal oldalon a nem védett területen előforduló fajok is jelen vannak a védett területen, míg az ellenkezője nem igaz, így a szegényebb terület a fajoknak csak egy részhalmazát ad otthont, amely beágyazódik a gazdagabb terület fajösszetételébe. Jobb oldalon a fajok forgalma maximális, 3 faj minden védelmi szintre egyedi, és nincs közös faj mindkettőben. A fajok forgalmának növekedése a γ-diverzitás mechanikus növekedését idézi elő. A központban mindkét mintázat jelen van, egyes fajok a nem védett és a védett területen is előfordulnak (fészkelő), de egyes fajok mindegyik védelmi szintre (forgalom) egyediek. Az ikonok a https://www.publicdomainpictures.net/ webhelyről származtak, és a Public Domain Dedication 1.0 licenc alatt vannak.

Pontosabban, 3 kiterjedt és fajokban gazdag adatkészletet használunk számos régióban (1447 zátonyhalfaj 44 védett területen, 3532 növényfaj a Francia Alpokban 192 védett területen, és 639 észak-amerikai madárfaj 415 védett területen, lásd S1 táblázat) ) összehasonlítani a fajok sokféleségét és összetételét a szomszédos (& lt50 km) szigorúan védett, korlátozott és nem védett területek között. Szigorúan védettnek tekintjük a területet, ha az emberi látogatást, felhasználást és hatásokat szigorúan ellenőrzik és korlátozzák, például a nem fogadható tengeri rezervátumokat, azaz a Nemzetközi Természetvédelmi Unió (IUCN) I. és II. kategóriáját. A korlátozott területeken az emberi tevékenységeket ellenőrzik, de az IUCN III–VI. kategóriáinak megfelelően bizonyos erőforrás-kitermelés engedélyezett. Két kiegészítő statisztikai elemzést végzünk 2 térbeli skálán, hogy megvizsgáljuk a környezeti feltételek és a védelem relatív hatását a fajok diverzitására, és megvilágítsuk a védelmi hatást, ha van ilyen.

Először is, távolságalapú redundanciaelemzést (dbRDA) használunk a helyi felmérések (azaz transzektek) léptékében, hogy megkülönböztessük az egyes régiókon belüli fajösszetételre gyakorolt ​​környezeti és védelmi hatásokat. Másodszor a Jaccard -féle eltérési indexet használjuk (ß-sokféleség) annak meghatározására, hogy a fajok összetételében mutatkozó különbségek a védelmi szintek között fészkelődnek -e egy adott régióban (azaz a kevésbé védett területeken található fajok is előfordulnak -e védettebb területeken), vagy főként a fajok változása vagy a védelmi gradiens mentén történő cseréje miatt ( azaz a védett területeken jelenlévő fajok hiányoznak a nem védett területeken és fordítva) (2. ábra). Végül azonosítjuk a fajok mennyiségét és jellemzőit, amelyek egy védelmi szintre jellemzőek.

A védelmi és környezeti feltételek marginális hatása a megfigyelt forgalomra a szigorúan védett területek felmérései és a környező felmérések között 50 km-es pufferen belül (nem védett területekről és/vagy tiltott területekrőln = 18, 131, 5) zátonyhalak esetében (A), madarak (B) és alpesi növények (C). Néhány szigorúan védett területet töröltek, mert a környezeti feltételek szigorúan azonosak voltak a felmérések során, így nem lehetett összehasonlítani a védelmi és a környezeti feltételek relatív hozzájárulását. A csillagok a halászt jelzik p-érték, amely a permutációs ANOVA-t alkalmazó taxonok védelmének és környezeti feltételeinek együttes hatását jelöli, vagyis azt, hogy az egyes környezetek és védelmi szintek szignifikáns összefüggésben vannak-e a megfigyelt fajforgalommal. A nyers adatok a https://github.com/LoiseauN/Betadiversity-protected-areas oldalon találhatók.


Távérzékelés: története, alapelvei és típusai

A modern távérzékelés technológiája nagyon hosszú múltra tekint vissza, a fényképezőgép feltalálásával nyúlik vissza a 19. század végére.

Kezdetben a kamerákat a földön történő fotózáshoz használták, ami lenyűgöző és izgalmas módot nyújtott (és még mindig tesz) a pillanatok időben történő megörökítésére és a megtörtént dolgok rögzítésére, ami valósághűbbnek tűnt, mint egy rajz vagy festmény, és sokkal gyorsabban rögzíthető, mint rajzolással vagy festéssel.

A távérzékelés ötlete és gyakorlata először az 1840 -es években alakult ki, amikor rájöttek, hogy egy adott táj más és talán leleplezőbb nézetét lehet elérni, ha fényképet készítünk egy nézőpontból, például lejtőből vagy épületből, és erőfeszítéseket teszünk. arra kényszerítették, hogy lenézzenek a Föld felszínére úgy, hogy a topográfiai térképezés céljából rögzített léggömbökhöz rögzített kamerák segítségével képeket készítettek.

Rájött, hogy a levegőben lévő perspektíva teljesen más képet ad, mint a földről elérhető. A múlt század végének legújszerűbb platformja talán a híres galambflotta, amely újdonságként működött Európában.

Az első világháborúra a repülőgépekre kamerákat szereltek, amelyek meglehetősen nagy felületek légi felvételét biztosították, és adat- és információszerzési módszerként használták, ami felbecsülhetetlen értékűnek bizonyult a katonai felderítésben. Így az 1960 -as évek elejéig a légi fényképezés maradt az egyetlen szabványos eszköz a felület függőleges vagy ferde perspektívából történő ábrázolásához.

A műholdas távérzékelés története mind az orosz, mind az amerikai programok űrkorszakának kezdetéig vezethető vissza. Valójában a képfelületek kettős megközelítéseként kezdődött, űrhajókból, többféle érzékelő használatával. A második világháború után, 1946-ban, Németországból beszerzett V-2 rakétákat, amelyek automata álló- vagy filmkamerát tartalmaztak, az új-mexikói White Sands-ből indítottak nagy magasságba.

Ezek a rakéták azonban sohasem érték el a pályát, hanem képeket készítettek a Föld felszínéről a jármű emelkedésekor. Az 1960-as években, az űrprogram megjelenésével a kozmonauták és űrhajósok elkezdtek fényképeket készíteni űrhajóik ablakából, amelyben a Föld körül keringtek.

Manapság a távérzékelést légi és műholdas technológiával végzik, nemcsak filmfotózást, hanem digitális fényképezőgépet, szkennert és videót, valamint radar- és hőérzékelőket is felhasználva (11.1. Ábra).

A korábbiakkal ellentétben, amikor a távérzékelés az elektromágneses spektrumnak csak a vizuális részére korlátozódott, azaz arra, amit szabad szemmel lehetett látni, ma speciális szűrők, fotofilmek és más típusú érzékelők használatával, a spektrum részei szabad emberi szemmel nem láthatók is hasznosíthatók.

Így ma a távérzékelést nagymértékben használják a környezetgazdálkodásban, amely gyakran gyors, pontos és naprakész adatgyűjtést igényel.

2. A távérzékelés alapelvei:

A távérzékelés magában foglalja a különböző hullámhosszúságú sugárzások észlelését és mérését a távoli tárgyakból vagy anyagokból visszaverődve vagy kibocsátva, ami segít azonosítani és kategorizálni.

Négy alapvető komponenst kínál a méréshez, amelyek a következők:

Ezek közül az energiaforrás vagy az elektromágneses energia nagyon fontos, mivel kulcsfontosságú közegként szolgál az információnak a célból az érzékelő felé történő továbbításához. Elektromágneses spektrumként írják le, amelyen számos olyan forma létezik, amelyek a spektrum egy adott régiójában lévő energiát írják le (11.2. Ábra).

Ezek a látható fény, a rádióhullámok, a mikrohullámú, a hő, az UV-sugarak, a röntgensugarak és a gamma-sugarak. Ez a spektrum áttekinti az elektromágneses energia folytonosságát a rendkívül rövid hullámhosszaktól (kozmikus gamma -sugarak) a rendkívül hosszú hullámhosszig (rádió- és televízióhullámok). Ezek a felosztások nem abszolútak és határozottak, mivel előfordulhat átfedés.

A hullámhossz alapegységét méterben (m) mérik. Az elektromágneses spektrum látható (beleértve az U.V., látható és közeli infravörös) és infravörös részein a legtöbb energiát mikrométerben (10-6 m) [1 mikrométer = 10 000 angström] mérik. A milliméterek hosszabb hullámhosszokhoz használhatók (kék – 0,4 – 0,5 mm).

A hullámhossztól és a névleges spektrális elhelyezkedéstől függően a fő alkalmazások a megfelelő műholdas sávokkal párosíthatók az osztályozáshoz.

3. A távérzékelés típusai:

A műholdas távérzékelés magában foglalja a Föld felszínén található jellemzőkről való információgyűjtést a keringő műholdakról, amelyek az alábbi kétféle érzékelőrendszer egyikét hordozhatják:

(i) Passzív rendszer:

Általában kis érzékelőkből vagy detektorokból áll, amelyek rögzítik a Föld felszínéről visszavert és/vagy kibocsátott elektromágneses sugárzás mennyiségét. Így a passzív távérzékelés a képfelület természetesen visszavert vagy kibocsátott energiájára támaszkodik.

A legtöbb távérzékelő műszer nem tartozik ebbe a kategóriába, és képeket készít a látható, közeli infravörös és termikus infravörös energiáról. A több spektrumú szkenner egy példa a passzív rendszerre (11.3. Ábra). A passzív látható és közeli infravörös adatokat számos térinformatikai alkalmazásban használják, például a növényzet és a területhasználat osztályozásában, és különféle időbeli és térbeli léptékben végrehajthatók.

(ii) Aktív rendszer:

Az ilyen típusú rendszer saját elektromágneses sugárzását terjeszti, és méri a visszatérő jel intenzitását. Így az aktív távérzékelés azt jelenti, hogy az érzékelő saját megvilágítást biztosít, és méri a visszaérkezőket. Az ilyen típusú rendszert használó távérzékelési technológiák közé tartozik a lidar (lézer) és a radar.

A Synthetic Aperture Radar (SAR) egy példa az aktív rendszerre. Az aktív távérzékelő (radar és lidar) rendszereket az ERS-1 Synthetic Aperture Radar (SAR) műhold 1991-es felbocsátása óta rohamosan használják. .

Például a radarképek érzékenyek a levelek alakjára, tájolására, méretére és nedvességtartalmára, nem pedig a növényzet színére. Hasonlóképpen, a levegőben lebegő repülőgépeket nagyrészt a felületi topográfia három dimenziós feltérképezésére használták. A meglévő és tervezett radar- és lidar -magasságmérők szintén segítenek a világ jégsapkáinak és a tengerszint emelkedésének szoros nyomon követésében centiméteres pontossággal.

4. A távérzékelés előnyei:

A távérzékelt képalkotó rendszerek számos előnnyel rendelkeznek a kamerás fényképezéssel szemben, amelyektől a következő két szempontból jelentősen eltérnek:

(i) Nem csak az elektromágneses spektrum látható részére korlátozódik (körülbelül 0,4 és 0,7 mikrométer közötti hullámhossz), hanem a szem számára láthatatlan hullámhosszakon is képes energiát mérni, például közeli infravörös, termikus infravörös és rádióhullámhosszokon. .

(ii) A legtöbb távérzékelő műszer egyidejűleg különböző hullámhosszakat tud rögzíteni, és nem egy, hanem számos képet kap ugyanazon a helyen a talajon, amelyek mindegyike különböző hullámhossz -tartománynak felel meg.

Így a Föld-megfigyelő műholdak által gyűjtött távérzékelt adatok számos előnnyel járnak a Föld felszínének tanulmányozása során, többek között:

(i) Jó spektrális (beleértve az infravörös sávokat is) és térbeli felbontása.

(ii) Széles regionális lefedettséget tesz lehetővé.

(iii) Folyamatos adatgyűjtést tesz lehetővé.

(iv) Naprakész információkat biztosít a rendszeres újralátogathatóság miatt.

(v) Költséghatékony és térképi adatokat szolgáltat.

(vi) A történelmi adatok nagy archívumát biztosítja.

(vii) Lehetővé teszi a műholdas digitális adatok más digitális adatokkal való kombinálását.

(viii) képes manipulálni vagy javítani a digitális adatokat,

(ix) Lehetővé teszi a sztereó megtekintést.

5. A távérzékelés korlátai:

Bár a távérzékelésnek számos előnye van a földi felmérésekkel szemben, a távérzékelés nem váltotta fel teljesen a földi felmérési módszereket, nagyrészt ennek a technológiának még mindig fennálló korlátai miatt.

(i) Adatgyűjtés és adatvásárlás költsége.

(ii) Az adatelemzéssel és -értelmezéssel kapcsolatos problémák.

(iii) Lehetséges korlátozások a különböző érzékelők térbeli, spektrális és időbeli felbontásával.

(iv) Problémák minden időjárási képességgel, mivel egyes érzékelők nem tudják ‘lásd’ felhőn keresztül.

E korlátok ellenére a távérzékelésnek számos előnye van a földi felméréssel szemben, mivel nagy területeket lehet egyszerre felmérni, és az egyébként hozzáférhetetlen földterületeket (vagy tengert) megfigyelni lehet.

A műholdas technológia és a többspektrális érzékelők megjelenése tovább fokozta ezt a képességet, mivel nagyon nagy területekről készít képeket egy menetben, és adatokat gyűjtött egy olyan környezetről, amely normál esetben nem lenne látható az emberi szem számára .

6. A távérzékelés alkalmazásai:

A műholdas adatok lehetővé teszik megújuló és nem megújuló erőforrásaink megfelelő kezelését, mivel időszerű és részletes információkat szolgáltatnak a Föld felszínéről.

Íme néhány példa a műholdas adatok fontos felhasználási módjaira:

(i) A vegetációtípusok és állapotuk értékelése és monitorozása.

(ii) Mezőgazdasági vagyongazdálkodási tervezés és terméshozam -értékelés.

iii. Talajvizsgálatok, beleértve az ásvány- és kőolajkutatást.

(v) A vízkészletek és a felszín alatti vizek feltárásának nyomon követése és tervezése.

vi. Földrajzi információk

(vii) Térképkészítés, valamint tematikus térképek felülvizsgálata és elkészítése.

viii. Időjárási és mezőgazdasági előrejelzések, valamint a környezeti és természeti katasztrófák értékelése.

(xi) Pontos földrajzi hivatkozás.

(xii) Lézerfilm írás és nyomtatás.

A távérzékelés alkalmazása az erdőgazdálkodásban:

i. A műholdfelvételek biztosíthatják a talajtípusok látható határait, míg a távérzékelés a talaj sekély behatolását. További fizikai adatok a talajfelszínekre vonatkozó spektrális aláírásokból nyerhetők.

(ii) A távérzékelés lehetővé teszi a talajok osztályozását, amely a távérzékelési képekből és a spektrális aláírásokból értelmezhető.

(iii) A távérzékelés információt szolgáltathat az erdők, rétek, élővilág élőhelyének feltételeiről, a földhasználatról és a rekreációs alkalmasságról, ami lehetővé teszi a környezet jövőbeni védelmét.

(iv) A dinamikus jellemzők, az erózió és a talajnedvesség feltérképezésére több időbeli technika alkalmazható.

(v) A távérzékelés földi radarral kombinálva is alkalmazható a diagnosztikus talajhorizont változásainak észlelésére, mint például az albikus, a spodikus és az argillikus horizont vagy a talaj/kőzet határai.


Mód

Wikipédia adatok

A Wikipedia oldalmegtekintési API -ját (alkalmazásprogramozási felület) és a Pythonban írt szoftvert használtuk az IUCN -fajok napi felhasználói nézeteinek letöltésére a 2015. július 1. és 2020. március 31. közötti időszakban (letöltve: 2020. április 16–21.). A Wikipédia oldalairól letöltöttük az összes IUCN-fajra vonatkozó nézeteket a taxonómiai csoportból: hüllők, sugárúszójú halak (Actinopterygii), emlősök, madarak, rovarok és kétéltűek 10 Wikipédia-nyelvű projektből (arab, kínai, angol, francia, német, olasz, japán, portugál, orosz és spanyol). Az IUCN -fajok listáját a Wikipédiáról szereztük be a OneZoom -ból (Rosindell & Wong 2020 Wong & Rosindell 2020), amely a Wikipedia API -t használva leképezte a faj tudományos nevét, IUCN -azonosítóját (ID), Wikidata Q -azonosítóját és a fő Wikipédiát oldal neve az egyes fajok számára minden nyelven. Ha az egyes fajokhoz tartozó nézetek csak a főoldal nevéből töltődnek le, az kizárja az átirányítási nézeteket, és így szabályozza az oldal eléréséhez használt URL által okozott lehetséges eltéréseket. Minden IUCN azonosító egyedi az IUCN adatbázisban található fajoknál (IUCN 2020), míg minden Wikidata Q azonosító 1 fajra jellemző minden olyan Wikipedia nyelven, amelyen az adott faj megjelenik. A Wikipedia minden egyes oldalára hivatkozunk egy adott faj adott nyelvén a faj oldal hogy megkülönböztessük ezeket az oldalakat a mi használatunktól faj hogy a nyelvek között egy adott fajra hivatkozzon.

Az egyes fajok oldalainál csak a felhasználói megtekintéseket kértük le (azaz olyan megtekintéseket, amelyeknél az oldal látogatója emberként került rögzítésre, kizárva a robotoktól származó automatizált megtekintéseket). Ahogy Mittermeier et al. (2019), nem tudtuk lekérni a 2015. július 1-je előtti nézeteket, mert az e dátum előtti nézeteket a Wikipédia nem archiválja az oldalmegtekintési API-ban. Minden visszaadott fajoldal esetében kiszámítottuk a napi átlagos megtekintéseket minden hónapra, majd csak azokat a fajokat tartalmazó oldalakat tartottuk meg, amelyekre a sorozat minden hónapban képviseltette magát (a teljes sorozatok számát lásd az S6. Mellékletben). Az összes megtekintés helyett a napi átlagos megtekintéseket használtuk, mivel a Wikipédia oldalmegtekintési API nem mindig ad vissza megtekintéseket egy adott hónap minden napjára vonatkozóan.

A Wikipédia népszerűségében és használatában bekövetkezett általános változás figyelembevétele érdekében a napi felhasználói nézeteket is letöltöttük egy véletlenszerű, 11 000 oldalból álló sorozathoz minden nyelven a Wikipédia Random API-val, amely véletlenszerű oldalakat kér. Ezután ezeket a nézeteket ugyanúgy összesítettük, mint a napi átlagos fajnézeteket, és ismét csak a teljes idősoron reprezentált oldalakat tartottuk meg. Ebből a véletlenszerű nézetekből eltávolítottuk az adott nyelv fajfalak készletében is megjelenő oldalakat. Kezdetben 11 000 oldalból vettünk mintát, hogy maximalizáljuk a fennmaradó oldalak számát, miután eltávolítottuk a hiányos sorozat- és fajoldalakat.

Beporzó és vadkereskedelmi adathalmazok

Annak feltárásához, hogy a fajok tudatossága hogyan változott a beporzás hozzájárulásával, összeállítottuk az állatok beporzóinak listáját a szöveges elemzés és a beporzási szakirodalom kézi ellenőrzésének kombinálásával (részletes módszerekért lásd Millard et al. [2020] és az S1 függelék). Használtuk a Scheffers et al. (2019) és az Élelmiszer- és Mezőgazdasági Szervezet (FAO) halászati ​​statisztikái (FAO 2020), hogy összeállítsanak egy adathalmazt a kereskedett emlősökről, madarakról, pikkelyes hüllőkről és sugárúszójú halakról. Ezután lekértük a Wikidata Q azonosítót minden egyes ilyen fajhoz a Wikipedia API -val, amelyet egyesítettünk az egyes fajok oldalain. Úgy véljük, hogy minden beporzó faj hozzájárul a beporzáshoz, és a Schefers et al. (2019) vagy a FAO statisztikái hozzájárulnak a kereskedelemhez.

A biológiai sokféleség abszolút tudatosságának kiszámítása

A SAI kiszámítása előtt röviden megvizsgáltuk a biológiai sokféleség abszolút tudatosságát a rendszertani osztályok, a beporzás és a kereskedelmi hozzájárulás között. Meghatároztuk abszolút tudatosság 2015. július 1. és 2020. március 31. között a Wikipédián található fajoldalak teljes megtekintéseiként. Az egyes fajok oldalainak teljes megtekintéseit egyesítettük az adott faj taxonómiai osztályával, kereskedelmi hozzájárulásával és beporzási hozzájárulásával, majd létrehoztunk 2 általánosított lineáris vegyes effektmodellek: a napló modellje10 a cikk teljes nézettsége a rendszertani osztály, a kereskedelmi hozzájárulás (igen vagy nem), az osztály és a kereskedelem kölcsönhatása, valamint a nyelv és a naplómodell véletlenszerű hatása függvényében10 a teljes cikkmegtekintés a rendszertani osztály, a beporzás hozzájárulása (igen vagy nem), az osztály és a beporzás kölcsönhatása, valamint a nyelv véletlenszerű hatása függvényében. Ahelyett, hogy megkíséreltük volna megtalálni a legszigorúbb modellt, teljes modell előrejelzett értékeket határoztunk meg, ezek AIC-értékeivel, valamint az S28 és S29 függelékekben leírt nullmodellek készletével.

A SAI levezetése

A SAI a fajok tudatosságának változásának új mérése, amelyet a fajok oldalának szintjén számítanak ki a napi átlagos Wikipedia -megtekintések havi változásának üteméből. Mivel a SAI a nézettség változásának mértékét méri egy fajoldalon belül, a fajok egyformán súlyozódnak, függetlenül a népszerűségüktől, ami azt jelenti, hogy a nagy nézettségű fajok nem uralják a SAI-t. A továbbiakban használjuk SAI vagy fajtudatossági index hogy a Wikipédián egy adott oldal, faj vagy fajcsoport általános tudatosságbeli változására utaljon. Konkrétan használtuk faj oldal SAI hivatkozni a változás mértékére az oldal szintjén, faj SAI hivatkozni az összes faj átlagára oldal SAI -k egy egyedi faj esetében a nyelvek között, és átfogó SAI hogy a SAI-k bootstrapped csoportjára hivatkozzanak (1. ábra). Használtuk átlagos havi változási üteme a SAI fajoldalon hivatkozni egy adott oldal átlagos változási arányára egy adott időszakban. A fentiek mindegyike különbözik az adott faj vagy fajcsoport iránti abszolút érdeklődéstől (azaz a teljes Wikipédia -nézetektől a teljes idősoron).

(1) Annak érdekében, hogy figyelembe vegyük magának a Wikipédia népszerűségének ugyanebben az időszakban bekövetkezett változását, az egyes fajoldalak változási sebességét a teljes sorozatú Wikipédia-oldalak véletlenszerű halmazának változási sebessége alapján igazítottuk (a teljes sorozatok száma S6 és S9 melléklet). Ezt a kiigazítást minden fajoldalon véletlenszerűen végezték el az adott faj Wikipedia nyelvű oldalaival. Például a Wikipédia oldala Panthera tigris az angol nyelven az angol Wikipédia véletlenszerű oldalaihoz igazodna, míg az oldal a P. tigris franciául a francia Wikipédia véletlenszerű oldalaihoz igazítják. Ehhez először kiszámítottuk a változás mértékét minden véletlenszerű oldalra minden nyelven rlpi -vel, mint a fajok oldalain. Ezt követően egy bootstrap resampling megközelítést alkalmazva kiszámítottuk az adott nyelv összes véletlenszerű oldalainak átlagos változási ütemét minden egyes lépésnél. A véletlenszerű oldalak átlagos változási sebessége ( kiszámítása úgy történt, hogy a havi változási ütemeket 1000 -szeres bootstrapping -el, majd a bootstrapped átlag kivonatával számítottuk ki. Ezután minden egyes lépésnél módosítottuk a fajok oldalváltozásának sebességét úgy, hogy kivontuk a havi bootstrap becsült véletlenszerű változási arányát () : (2) (3) hol és énnál nél a fajoldal SAI időben t.

Annak érdekében, hogy figyelembe vegyük a tendenciák kanyargósságának különbségeit a Wikipédia nyelvei között (lásd az S12. Függeléket), a SAI fajok oldalát is kiegyenlítettük egy lösz -regresszióval (span = 0,3), mielőtt a simított fajok oldalát SAI -val visszaállítottuk. változás.

Miután a fenti oldalon elsimítottuk a fajok oldalának SAI -ját, minden fajra (különböző nyelvekre) kiszámítottuk a fajok SAI -ját úgy, hogy átlagoltuk a változás ütemét minden egyes lépésben minden nyelven. Például a faj P. tigris egyedi Wikidata ID Q19939, ami azt jelenti, hogy a SAI átlagos változási sebessége a Q19939-ként azonosított összes fajoldalon (a nyelvtől függetlenül) megadta a faj általános változási sebességét. P. tigris.

Ezután kiszámítottunk egy átfogó SAI -t, amely az összes fajt kombinálja 10 Wikipédia -nyelven, átlagolva az összes faj SAI -jának változását. Bootstrap confidence intervals were calculated by taking the 2.5th and 97.5th percentiles of 1000 bootstrapped indices at each time step. To check the extent to which single languages influenced the overall SAI, we jackknifed the overall SAI for language and removed languages with a marked effect on the overall trend (Appendix S11).

Using the same approach as above, we calculated an overall SAI for each taxonomic class for all languages combined and for each taxonomic class in each language. For each taxonomic class, we again averaged the loess smoothed rate of change in species page SAI among languages and then bootstrapped the species rate of change in SAI at each time step for each taxonomic class, as above. To check the extent to which single languages influence class-level trends, we again jackknifed the overall SAI for language and removed languages with a marked effect on the overall trend (Appendix S13). To calculate an overall SAI in each taxonomic class in each language, we bootstrapped the rate of change in species page SAI for the set of species pages in a given class and language combination.

Modeling Average Monthly Rate of Change in the SAI

After calculating the SAI for all species pages on Wikipedia, we calculated an average monthly rate of change in each smoothed species page SAI for January 2016–January 2020. This average monthly rate of change was calculated across complete yearly periods to control for the effect of seasonality. To robustly explore whether change in awareness differed for various groups, we constructed 1 linear model and 2 mixed-effects linear models in which we fitted average monthly rate of change in species page SAI. The linear model was for average rate of change in species page SAI as a function of taxonomic class, language, and their interaction. One mixed-effects model was for average rate of change in species page SAI as a function of taxonomic class, pollination contribution (yes or no), their interaction, and a random effect for language and the other was for average rate of change in species page SAI as a function of taxonomic class, traded status (yes or no), and a random effect for language. Rather than attempting to find the most parsimonious model, we determined full model predicted values and AIC values for these and a set of candidate null models (Appendices S30, S31, & S32). With the exception of API requests made in Python, all analyses and data processing were carried out in R 4.0.3 (R Core Team 2020 ).


Biodiversity and Health

Healthy communities rely on well-functioning ecosystems. They provide clean air, fresh water, medicines and food security. They also limit disease and stabilize the climate. But biodiversity loss is happening at unprecedented rates, impacting human health worldwide, according to a state of knowledge report jointly published by the Convention on Biological Diversity (CBD) and the World Health Organization (WHO).

What is biodiversity?

Biodiversity underpins all life on Earth, and refers to biological variety in all its forms, from the genetic make up of plants and animals to cultural diversity.

What does biodiversity mean for human health?

People depend on biodiversity in their daily lives, in ways that are not always apparent or appreciated. Human health ultimately depends upon ecosystem products and services (such as availability of fresh water, food and fuel sources) which are requisite for good human health and productive livelihoods. Biodiversity loss can have significant direct human health impacts if ecosystem services are no longer adequate to meet social needs. Indirectly, changes in ecosystem services affect livelihoods, income, local migration and, on occasion, may even cause or exacerbate political conflict.

Additionally, biological diversity of microorganisms, flora and fauna provides extensive benefits for biological, health, and pharmacological sciences. Significant medical and pharmacological discoveries are made through greater understanding of the earth's biodiversity. Loss in biodiversity may limit discovery of potential treatments for many diseases and health problems.

Threats to biodiversity and health

There is growing concern about the health consequences of biodiversity loss. Biodiversity changes affect ecosystem functioning and significant disruptions of ecosystems can result in life sustaining ecosystem goods and services. Biodiversity loss also means that we are losing, before discovery, many of nature's chemicals and genes, of the kind that have already provided humankind with enormous health benefits.

Nutritional impact of biodiversity

Biodiversity plays a crucial role in human nutrition through its influence on world food production, as it ensures the sustainable productivity of soils and provides the genetic resources for all crops, livestock, and marine species harvested for food. Access to a sufficiency of a nutritious variety of food is a fundamental determinant of health.

Nutrition and biodiversity are linked at many levels: the ecosystem, with food production as an ecosystem service the species in the ecosystem and the genetic diversity within species. Nutritional composition between foods and among varieties/cultivars/breeds of the same food can differ dramatically, affecting micronutrient availability in the diet. Healthy local diets, with adequate average levels of nutrients intake, necessitates maintenance of high biodiversity levels.

Intensified and enhanced food production through irrigation, use of fertilizer, plant protection (pesticides) or the introduction of crop varieties and cropping patterns affect biodiversity, and thus impact global nutritional status and human health. Habitat simplification, species loss and species succession often enhance communities vulnerabilities as a function of environmental receptivity to ill health.

Importance of biodiversity for health research and traditional medicine

Traditional medicine continue to play an essential role in health care, especially in primary health care. Traditional medicines are estimated to be used by 60% of the world&rsquos population and in some countries are extensively incorporated into the public health system. Medicinal plant use is the most common medication tool in traditional medicine and complementary medicine worldwide. Medicinal plants are supplied through collection from wild populations and cultivation. Many communities rely on natural products collected from ecosystems for medicinal and cultural purposes, in addition to food.

Although synthetic medicines are available for many purposes, the global need and demand for natural products persists for use as medicinal products and biomedical research that relies on plants, animals and microbes to understand human physiology and to understand and treat human diseases.

Infectious diseases

Human activities are disturbing both the structure and functions of ecosystems and altering native biodiversity. Such disturbances reduce the abundance of some organisms, cause population growth in others, modify the interactions among organisms, and alter the interactions between organisms and their physical and chemical environments. Patterns of infectious diseases are sensitive to these disturbances. Major processes affecting infectious disease reservoirs and transmission include, deforestation land-use change water management e.g. through dam construction, irrigation, uncontrolled urbanization or urban sprawl resistance to pesticide chemicals used to control certain disease vectors climate variability and change migration and international travel and trade and the accidental or intentional human introduction of pathogens.

Climate change, biodiversity and health

Biodiversity provides numerous ecosystem services that are crucial to human well-being at present and in the future. Climate is an integral part of ecosystem functioning and human health is impacted directly and indirectly by results of climatic conditions upon terrestrial and marine ecosystems. Marine biodiversity is affected by ocean acidification related to levels of carbon in the atmosphere. Terrestrial biodiversity is influenced by climate variability, such as extreme weather events (ie drought, flooding) that directly influence ecosystem health and the productivity and availability of ecosystem goods and services for human use. Longer term changes in climate affect the viability and health of ecosystems, influencing shifts in the distribution of plants, pathogens, animals, and even human settlements.

Key Facts

Biodiversity provides many goods and services essential to life on earth. The management of natural resources can determine the baseline health status of a community. Environmental stewardship can contribute to secure livelihoods and improve the resilience of communities. The loss of these resources can create the conditions responsible for morbidity or mortality.

Biodiversity supports human and societal needs, including food and nutrition security, energy, development of medicines and pharmaceuticals and freshwater, which together underpin good health. It also supports economic opportunities, and leisure activities that contribute to overall wellbeing.

Land use change, pollution, poor water quality, chemical and waste contamination, climate change and other causes of ecosystem degradation all contribute to biodiversity loss and, can pose considerable threats to human health.

Human health and well-being are influenced by the health of local plant and animal communities, and the integrity of the local ecosystems that they form.

Infectious diseases cause over one billion human infections per year, with millions of deaths each year globally. Approximately two thirds of known human infectious diseases are shared with animals, and the majority of recently emerging diseases are associated with wildlife.


Scientists took a rare chance to prove we can quantify biodiversity by 'testing the water'

Organisms excrete DNA in their surroundings through metabolic waste, sloughed skin cells or gametes, and this genetic material is referred to as environmental DNA (eDNA).

As eDNA can be collected directly from water, soil or air, and analysed using molecular tools with no need to capture the organisms themselves, this genetic information can be used to report biodiversity in bulk. For instance, the presence of many fish species can be identified simultaneously by sampling and sequencing eDNA from water, while avoiding harmful capture methods, such as netting, trapping or electrofishing, currently used for fish monitoring.

While the eDNA approach has already been applied in a number of studies concerning fish diversity in different types of aquatic habitats: rivers, lakes and marine systems, its efficiency in quantifying species abundance (number of individuals per species) is yet to be determined. Even though previous studies, conducted in controlled aquatic systems, such as aquaria, experimental tanks and artificial ponds, have reported positive correlation between the DNA quantity found in the water and the species abundance, it remains unclear how the results would fare in natural environments.

However, a research team from the University of Hull together with the Environment Agency (United Kingdom), took the rare opportunity to use an invasive species eradication programme carried out in a UK fishery farm as the ultimate case study to evaluate the success rate of eDNA sampling in identifying species abundance in natural aquatic habitats. Their findings were published in the open-access, peer-reviewed journal Metabarcoding and Metagenomics.

"Investigating the quantitative power of eDNA in natural aquatic habitats is difficult, as there is no way to ascertain the real species abundance and biomass (weight) in aquatic systems, unless catching all target organisms out of water and counting/measuring them all," explains Cristina Di Muri, PhD student at the University of Hull.

During the eradication, the original fish ponds were drained and all fish, except the problematic invasive species: the topmouth gudgeon, were placed in a new pond, while the original ponds were treated with a piscicide to remove the invasive fish. After the eradication, the fish were returned to their original ponds. In the meantime, all individuals were counted, identified and weighed from experts, allowing for the precise estimation of fish abundance and biomass.

"We then carried out our water sampling and ran genetic analysis to assess the diversity and abundance of fish genetic sequences, and compared the results with the manually collected data. We found strong positive correlations between the amount of fish eDNA and the actual fish species biomass and abundance, demonstrating the existence of a strong association between the amount of fish DNA sequences in water and the actual fish abundance in natural aquatic environments", reports Di Muri.

The scientists successfully identified all fish species in the ponds: from the most abundant (i.e. 293 carps of 852 kg total weight) to the least abundant ones (i.e. one chub of 0.7 kg), indicating the high accuracy of the non-invasive approach.

"Furthermore, we used different methods of eDNA capture and eDNA storage, and found that results of the genetic analysis were comparable across different eDNA approaches. This consistency allows for a certain flexibility of eDNA protocols, which is fundamental to maintain results comparable across studies and, at the same time, choose the most suitable strategy, based on location surveyed or resources available," elaborates Di Muri.

"The opportunity of using eDNA analysis to accurately assess species diversity and abundance in natural environments will drive a step change in future species monitoring programmes, as this non-invasive, flexible tool is adaptable to all aquatic environments and it allows quantitative biodiversity surveillance without hampering the organisms' welfare."

Di Muri C, Lawson Handley L, Bean CW, Li J, Peirson G, Sellers GS, Walsh K, Watson HV, Winfield IJ, Hänfling B (2020) Read counts from environmental DNA (eDNA) metabarcoding reflect fish abundance and biomass in drained ponds. Metabarcoding and Metagenomics 4: e56959. https:// doi. org/ 10. 3897/ mbmg. 4. 56959

Jogi nyilatkozat: AAAS és EurekAlert! nem vállal felelősséget az EurekAlert -hez közzétett híradások pontosságáért! közreműködő intézmények által vagy bármilyen információ felhasználására az EurekAlert rendszeren keresztül.


Discussion and Conclusion

Our results show that NPP has significant positive effects on hunter-gatherer abundance globally. However, there is no single determinant of the large-scale variation in abundance. Rather, the most influential direct drivers of population density are context-dependent. Biodiversity affects population density mostly in the low-productivity environments, whereas pathogen stress, which has insignificant effects in areas of low productivity, is a crucial constraint on population density in the high-productivity settings, especially the tropics. The insignificant effect of biodiversity on hunter-gatherer population density in high-productivity environments is not totally unexpected, as ecosystem properties tend to have a saturating response to increasing species richness (14, 15). In high-productivity settings, which often coincide with high biodiversity, increasing diversity does not increase ecosystem stability consequently, the response of hunter-gatherer population density to biodiversity seems to saturate as well.

As such, our results indicate that the factors affecting hunter-gatherer abundance on a global scale are similar to those controlling global-scale biodiversity: macroscale studies on biodiversity indicate that, in high-latitude regions, productivity is limiting diversity (30 ⇓ –32), whereas in the tropics, biotic interactions become a more important driver (33). In the case of hunter-gatherers, abundance and stability of resources limit population density in the low-productivity environments, whereas species interactions, as represented in this study by pathogen stress, become more important in controlling population density in the high-productivity environments. Similarities in the patterns of limiting factors of hunter-gatherer population density and global biodiversity might suggest similarities in the underlying mechanisms as well.

However, because we do not have direct measures of pathogen prevalence among individual study populations, we cannot completely rule out spurious relationships between pathogen stress and hunter-gatherer population density. Due to generally low population densities, it has been suggested that the prevalence of pathogens, such as influenza and measles viruses, and Plasmodium és Trypanosoma parasites is low among hunter-gatherers (34). In addition, it has been argued that high rates of mobility prevent the accumulation of fecal and other waste at hunter-gatherer dwelling sites, leading to a low prevalence of soil-transmitted helminths (35, 36). Even if hunter-gatherers are less susceptible to pathogens than farmers who live under similar conditions of environmental pathogen stress, our findings nevertheless indicate that the interaction between pathogens and hunter-gatherers is sufficient to create a significant negative effect on hunter-gatherer abundance.

By suggesting that subtropical and temperate biomes can sustain the highest hunter-gatherer population densities, our results corroborate the earlier untested hypothesis of Binford (10) regarding the role of resources and pathogens in creating optimal conditions for hunter-gatherers in temperate and subtropical biomes. Based on our results, it seems that, in subtropical and temperate biomes, there is an optimum tradeoff between the opposing effects of resource availability and pathogens: at the higher-productivity end, negative biotic interactions are too limiting, whereas at the lower-productive end, resources are too limiting. However, a large fraction of the area of these highly suitable biomes has been occupied by agricultural populations since at least the late mid-Holocene. It has been argued that stable environments with high resource abundance and richness provide favorable conditions for the innovation and adoption of agriculture (37, 38). Thus, it is understandable that the most suitable environments for hunter-gatherers are also among the first ones to support agriculture. Furthermore, potentially high hunter-gatherer population densities in these areas might have facilitated the innovation, spread, and development of the new subsistence technology. Alternatively, high hunter-gatherer population density itself, resulting in population packing, and reduced options for mobility might have forced hunter-gatherer populations toward agriculture (10, 39). Regardless of the favored explanation, by showing that hunter-gatherer population density and the abundance and stability of their resources are strongly linked, our results highlight the difficulty in distinguishing between environmental and demographic causes of the subsistence change. Given hunter-gatherers’ well-documented ability to affect species communities (40), we can nevertheless assume that the higher the hunter-gatherer abundance that a given biome can potentially sustain, the stronger the impact of anthropogenic drivers on the biome has been even before the transition to agriculture.

In summary, our analyses revealed that NPP, biodiversity, and environmental pathogen stress interact to impose complex and varying limitations on hunter-gatherer population density in different parts of the world. These findings highlight the key role that environmental factors play in shaping the global population density patterns of preagricultural humans. Although cultural evolution has made humans enormously potent ecosystem engineers and has enabled humans to survive under a variety conditions (for example, by extracting energy in low-productivity environments and compiling knowledge on medical plants to fight against pathogens), it has not freed hunter-gatherer populations from biotic and abiotic forcing. We can, therefore, assume that spatial and temporal variability in this forcing has been important for our biological and cultural evolution as well.


Most suitable biodiversity index - Biology

Physalia courses: Big Data Biogeography

Date & time: November 4^th - November 8^th, 9:30 -- 17:00

Location: Profund Innovation, Freie Universität Berlin - Altensteinstraße 40, 14195 Berlin, Germany

Teachers: Alexander Zizka, German Center for Integrative Biodiversity research & Daniele Silvestro, University of Gothenburg Sweden

Please bring your own computer

Install the current version of R and RStudio on your computer

Read the course literature listed below, we will have a literature discussion on the first day.

Please prepare 3-5 minutes (if you want including slides) to present yourself and your research. Please make sure to answer the following questions: a. Honnan jöttél? b. What is your research about? c. How are your R skills? d. What are your expectations for this course?

After this course, students will be able to:

Obtain and prepare large scale species occurrence records from public databases in R (including data mining, data cleaning and exploration)

Apply novel methods for handling and processing ‘big data’ in biogeographic research, including area classification, bioregionalization and automated conservation assessments

Reconstruct species ancestral ranges based on species occurrences and phylogenetic trees, using different evolutionary models

Understand the potential and caveats of fossil based biogeography, and be familiar with novel methods to estimate ancestral ranges and evolutionary rates from ranges of extinct and extant taxa

The public availability of large-scale species distribution data has increased drastically over the last ten years. In particular, due to the aggregation of records from museums and herbaria, and citizen science in public databases such as the Global Biodiversity Information Facility (GBIF). This is leading to a ‘big data’ revolution in biogeography, which holds an enormous but still poorly explored potential for understanding large scale patterns and drivers of biodiversity in space and time.

During the course you will analyse a specific dataset. We strongly encourage you to bring your own data (Taxon of interest, phylogenetic tree, fossil data), which will give you the opportunity to chose questions and exercises most suitable for your work. If necessary we will provide example data during the course as well.

Meyer et al. (2015) Global priorities for an effective information basis of biodiversity distributions. Nature Communications, 8 pp.

Antonelli et al. (2018) Amazonia is the primary source of Neotropical biodiversity. PNAS 115(23): 6034–6039.

Kostikova A et al. (2016) Bridging Inter- and Intraspecific Trait Evolution with a Hierarchical Bayesian Approach. Systematic Biology 65(3):417-431.

One of the following suggestions (depending on your own interests): a. Edler et al. (2017) Infomap Bioregions: Interactive mapping of biogeographical regions from species distributions. Systematic Biology 66(2):197–204.

b. Zizka et al. (2019) CoordinateCleaner: Standardized cleaning of occurrence records from biological collection databases. Methods in Ecology and Evolution 10:744-751.

c. Silvestro et al.(2016) Fossil biogeography: a new model to infer dispersal, extinction and sampling from palaeontological data. Philosophical Transactions of the Royal Society B 371:20150225.

d. Price et al. (2019) Big data little help in megafauna mysteries. Nature 558(7):23-25