VL

= Arten, die zur gleichen Zeit am gleichen Ort sind

= Arten auf einer trophischen Ebene, die taxonomisch zusammenleben

= Arten, die auf verschiedenen trophischen Ebenen zusammenleben (z.B. Insekten, Frösche, Fische)

• Die lokalen Gemeinschaften hängen davon ab, welche Arten an dem Ort überhaupt vorkommen

• abh. von evolutiven Prozessen, historischen Ereignissen, physiologischen Zwängen (z.B. biogeographischen Prozessen)

• auch: Fragmentierung, Einflüsse des Menschen, oft indirekte Effekte, die dazu führen, dass andere lokale Gemeinschaften entstehen

• Umweltfilter (physiolog. Anpassungen - Ort geeignet für Art? Futter, Temperatur)

• Interspezifische Interaktionen (Konkurrenz, Prädatoren)

• Ausbreitungsfähigkeit

• Zufallsprozesse

Die Diversität nimmt mit Zunahme der Breitengerade ab (Tropen; evolutionärer Vorsprung, größere Flächen

• genetische Diversität

  • Genetische Variabilität = Vielfalt aller Gene innerhalb einer Art

• Artendiversität

  • Vielzahl an Arten in einem Ökosystem

• Ökosystemdiversität

  • Vielfalt an Lebensräumen und Ökosystemen

• Funktionale Diversität

  • Vielfalt realisierter ökologischer Funktionen und Prozesse in einem Ökosystem

• Alpha-Diversität

• Beta-Diversität

• Gamma-Diversität

Punktdiversität (lokale Artendiversität)

• Artenzahl

  • Artenreichtum (Anzahl an Arten = SR)

  • Arten-Akkumulationskurven, rarefaction Korven

  • Artenschätzer

• Artenzahl und relative Abundanzen

  • Rang-Abundanz-Plot

  • Simpson-Index

  • Eveness

• Vorteile 

  • Leicht zu verstehen

  • Zahlen gut vergleichbar 

• Nachteile 

  • Keine Auskunft über Individuenzahlen

  • Keine Auskunft über den Gefährdungsgrad der Arten

Artenwechsel (species turnover) = Unterschiede zwischen Gemeinschaften

Landschaftsdiversität 

y = a x ß

• Man berechnet die Sättigung: Ist die Gemeinschaft komplett erfasst?

• Reihenfolge der Eingabe spielt eine Rolle

• Kein Vergleich mit anderen Gebieten/Datensätzen möglich

• angepasste Arten-Akk-Kurven (Permutationen ohne Zurücklegen)

• Aussagen von ,,rechts nach links”

• Steigung als Maß für beta-Diversität

• Vergleich von unterschiedlichen Gebieten → Konfidenzintervalle

• individual-based & sample-based

•  zufällige Verteilung; bei geklumpter Verteilung wird SR überschätzt

• unterschiedliche Methoden

• grundsätzlich unterschiedliche Samples

• sehr seltene oder sehr häufige Arten vorhanden sind • sehr hohe beta-Diversität (turnover)

• Ist der Artenreichtum komplett erfasst?

• Artenzahl und Abundanzen

• Log10 der relativen Abundanz (%) über geordneten Arten 

• Visueller Vergleich der Gemeinschaftsstruktur

• Abundanzdaten: Chao1, ACE, Jacknife

• Binäre Daten: Chao2, ICE, Jacknife

•  Heterogenitätsmaß (kombiniert SR und Eveness)

•  anwendbar bei relativ kleinem N, keine Annahmen über Arten- Abundanz-Verteilung

•  P, dass zwei Individuen der Gemeinschaft zur gleichen Art gehören

•  Je gleichmäßiger die Gemeinschaft, je höher D

•  reines Heterogenitätsmaß (nur Eveness, unabhängig von SR)

•  Werte von 0 bis 1 (ungleichmäßige bis komplett gleichmäßige Gemeinschaften)

Visuelle Darstellung von Unterschieden in der Artzusammensetzung

Sig. Unterschiede zwischen Gruppen

• Populationen

  • Betrachten von nur 1 Art

  • Charakterisieren anhand von Populationsmerkmalen

• Gemeinschaften

  • Artenzusammensetzung

  • Veränderung der Artenzusammensetzung über die Zeit

• Individuen

  • Anzahl, Dichte, Altersaufbau

• Räumliche Struktur

  • Metapopulation, Source-Sink

• Genetik

  • Polymorphismus, Heterzygotie

• Artenzahl

  • Anzahl, Dichte, Diversität

• Traits, funktionale Gruppen

  • ökologische Filter

• Interaktionen 

  • Assoziation von Arten

• Genetik

  • phylogenetische Filter

(= veränderliche Zahl) 

• liegt vor, wenn sich Ausprägungen bestimmter Merkmale durch eine Zahl oder durch Zahlenintervalle (Werte der Variablen) ausdrücken lassen und zu diesen Werten emprisch messbare Häufigkeiten gehören.

• Unabhängige und abhängige Variablen

• fassen die wesentlichen Eigenschaften einer Häufigkeits- oder Wahrscheinlichkeitsverteilung zusammen

• Lageparameter, z. B. arithmetisches Mittel, Quantilen, Modalwert 

• Streuungsparameter, z. B. SD, Var, Spannweite

Alle Arten, die zur gleichen Zeit am gleichen Ort vorkommen

Gruppen von Organismen, die ähnliche Ressourcen auf eine ähnliche Weise nutzen

Die Diversität der ausgeübten ökolog. Funktionen und Prozesse im Ökosystem

→ verschiedene Arten haben einen verschiedenen Einfluss

• Naturschutz

• einzigartige Funktionen

• Funktionale Redundanzen

Funktionen sind ökologie Merkmale von Arten in Bezug auf:

• Nahrung & Preädation

• (Mikro)habitat Nutzung

• Life History und Breeding

• Aktivität (saisonal, Tag/Nacht)

• Arten nach einem Merkmal eingeteilt

• Bsp.: Vögel: Nahrungsguilden oder Fußball: Kopfballstärke

Stark vereinfachend; bildern nur einer Traitgruppe ab

• Schlüsselarten (haben mehr Einfluss auf Ökosystem)

• Alleinige können Sie aber kein Ökosystem aufrechterhalten können

• Schlüsselarten sind wichtig für ESF

• Hohe funktionale Diversität ist Wichtig, damit das Ökosystem gut funktioniert

• Philipp Lahm ist super, aber zu viele sind auch nicht gut

Schlüsselarten schützen & hohe FD bewahren

FD Index

• kontinuierliches Maß

• Kombination von vers. Merkmalen

• Trait Matrix

• Dissimilarity Matrix

• Cluster Analysis 

  • FD = Länge aller Äste zusammengerechnet

  • Bsp. Fragestellung: Welches sind die Merkmale, die ein lokales Aussterben begünstigen? → Cluster sichtbar?

Kovariaten

• Fläche, Wassertemperatur, Nitratgehalt

Faktoren

• Nutzung, Jahr

• Normalverteilung (Residuen)

• Metrische Daten

Modelle stellen Zusammenhänge zwischen Variablen dar 

•  Jedes Modell ist eine Vereinfachung der Realität

•  keine zwingende Aussage zur Kausalität

•  Subjektive Auswahl der Einflussvariablen

•  Manipulierbarkeit 

• Maß für „fit“R2

•  Overfitting: R2 steigt mit wachsender Anzahl von Einflussvariablen

• Transformieren der Daten (oft nicht möglich)

• Robustheit von ANOVA bei balancierten Designs gegenüber Nichtnormalität

• Verallgemeinerung des klassischen LMs

• Zielvariable kann eine Verteilung aus der Klasse der exponentiellen Familien besitzen, d.h. Normal, Binomial-, Poissonverteilung etc.

• Daten können metrisch-normalverteilt, binär (logistische Regression), Häufigkeiten etc. sein

Generalized Linear Mixed Model

Anwendbarkeit: Pseudoreplikationen, unters. Populationen, hierarchische Strukturen, Variation innerhalb einer Kategorie, random effects

• Faktoren, die experimentell vorherbestimmt werden und deren Effekt auf die Antwortvariable untersucht werden soll.

→ Fixed effects beeinflussen dem Mittelwert der Antwortvariable

• interessiert sich für die Variation innerhalb von Einheiten oder Faktorlevel/-kategorien

• Bsp.: Messwiederholungen (zeitlich, räumlich), gleiche Individuen, gleicher Genotyp, gleiche Population

• Bei hierarchischen Daten 

→ Random effects beeinflussen die Varianz der Antwortvariable

•  Ärgernis: z. B. in den Daten befinden sich Werte von gleichen neben Werten von unterschiedlichen Individuen. Man möchte für diese „random effects“ kontrollieren, weil sie die Analyse der „fixed effects“ auf die Antwortvariable beeinflussen.

•  Die Analyse der „random effects“ ist das eigentliche Ziel der Studie

Auswahl der Kombination von (möglichst wenigen) Einflussvariablen, die die abhängige Variable am besten erklären

→ Anderer Ansatz als Signifikanztests zwischen Modellen

• Das Modell mit dem kleinsten AIC sollte gewählt werden  

• Komplexität wird bestraft - Parsimonieprinzip

•  Dient zum Vergleich von Modellen, die sich des gleichen Datensatzes bedienen

•  Absolute AIC Werte haben keine Aussage

•  Unterschiede von <1 zwischen zwei Modellen sind vernachlässigbar

•  Bei „kleinen“ Stichprobengrößen (< 40 pro Variable) sollte ein modifizierter AIC verwendet werden

• Habitatvariablen

• Morphometrische Variablen

• Artengemeinschaften

Zusammenwirken mehrerer Variablen zugleich & ihre Abhängigkeitsstruktur voneinander

• Häufige Methoden:

  • PCA ≈ Faktorenanalyse

  • NMDS

Darstellung von vielen Variablen in wenigen, korrelierten Variablen (Dimensionsreduktion)

1. Datensatz vieler Einzelvariablen → Korrelationsmatrix

2. EInzelvariablen werden als Vektoren dargestellt

→ der Cosinus zwischen zwei Vektoren ist proportional der Korrelation zwischen den beiden Variablen

→ identische Variablen = überlappende Vektoren = Cosinus 1 = KK 1

→ völlig unabhängig = Cos 0, KK 0

1. PCA 1: neuer Vektor, der so gut wie möglich die Hauptrichtung aller Einzelvektoren repräsentiert (berechnet sich aus den Richtungen der Einzelvektoren)

2. PCA 2: liegt senkrecht zu PCA 1

Je näher ein Einzelvektor zu der Hauptkomponente liegt, desto größer ist der Anteil der Information dieser Variable, die durch den Vektor erklärt wird.

Risiken & Manipulationsmöglichkeiten

• Werte nahe 1 = starker Einfluss auf Variable

• Werte nahe 0 = schwacher Einfluss auf Variable