Az ökológia és a biogeográfia egyik központi kérdése, hogy a közösségek vagy területek fajösszetétele milyen változatosságot mutat. A probléma vizsgálatához az egyik legalapvetőbb statisztikai eszközt a különbözőségi (disszimilaritási) indexek jelentik. Ezek olyan egyszerű matematikai formulák, amikkel számszerűsíteni lehet, hogy az egyik közösség mennyire különbözik a másiktól. A közösségeket főleg a fajösszetételük alapján hasonlították össze korábban, az utóbbi évtizedekben azonban megnőtt az érdeklődés egyéb szempontok figyelembe vétele felé. Ilyen például a közösségek funkcionális összetétel alapján történő összevetése. A szakirodalomban kb. 40-50 mérőszámot javasoltak az utóbbi években erre a célra. Ezek az indexek azonban mind-mind különböző feltételezésekkel éltek az adatokra nézve, és különböző elméleteket követtek a funkcionális sokféleség számszerűsítése és a különbözőség értelmezése céljából. A funkcionális különbözőség iránt érdeklődő felhasználó így meglehetősen elveszve, útmutatás nélkül érezhette magát, amikor a saját kutatásához próbált megfelelő módszert választani.
Ezen a helyzeten igyekeztünk javítani a kutatócsoport-vezetőmmel. A most megjelent 'review' cikkünkben feldolgoztuk az irodalomban eddig javasolt módszereket, és egy közös elméleti rendszerbe foglalva őket kiemeltük azokat a módszertani döntéseket vagy adottságokat, amelyeket figyelembe kell venni a módszerválasztáskor. Két döntést tartunk alapvetőnek: a különbözőség értelmezésének mikéntjét, valamint azt, hogy a közösségek funkcionális összetételét milyen módon írjuk le. A különbözőségnek két típusát tárgyaljuk: a távolságokat (distance) és az ellentétet (kicsit gyenge a magyar megfelelő, angolul találóbb: disagreement). A kettő között a lényegi különbség, hogy a távolságok felső korlátját az eredeti változók skálája szabja meg, tehát akár a végtelen is lehet, míg az ellentétek standardizáltak, 0 és 1 között változnak. Előbbiek hosszú, utóbbiak rövidebb grádiensek esetén működnek jól. A funkcionális összetétel leírásának három módja van. Az első (typical values), amikor a közösséget egyetlen pont reprezentálja, pl. amikor egyetlen gyepet a teljes biomasszája ír le. A második (discrete sets), amikor minden taxonhoz tartozik egy jellemző, egy trait, amit a taxon tömegességének figyelembe vételével együtt használunk fel egy közösségi szintű trait-eloszlás kiszámolásához. A harmadik (hypervolumes), amikor a traitek mint dimenziók által meghatározott térben egy többdimenziós alakzattal vagy eloszlással írjuk le a közösséget. A cikkben áttekintjük a tárgyalt módszerek kiszámolásához szükséges R-csomagokat is.
 |
| A funkcionális különbözési indexekről javasolt elméleti rendszerünk sematikus ábrája |
Amit nem tudunk egyelőre megmondani, az az, hogy melyik index mennyire működik "jól", mennyire pontosan adja vissza a két közösség közti tényleges eltérést. Valójában a munkát ez utóbbi kérdés vizsgálatával kezdtük, azonban a bírálatok során világossá vált, hogy az elméleti megalapozás előbbre való, a körültekintő tesztelés pedig a vártnál összetettebb probléma. De ami késik, nem múlik. :)
Az összefoglaló és elérhetőség alább látható:
Lengyel, A. & Botta-Dukát, Z. (2023), A guide to between-community functional dissimilarity measures. Ecography e06718. https://doi.org/10.1111/ecog.06718
Abstract
One of the effective tools to study the variation between communities is the use of pairwise dissimilarity indices. Besides species as variables, the involvement of trait information provides valuable insight into the functioning of ecosystems. In recent years, a variety of indices have been proposed to quantify functional dissimilarity between communities. These indices follow different approaches to account for between-species similarities in calculating community dissimilarity, yet they all have been proposed as straightforward tools. In this paper, we review the trait-based dissimilarity indices available in the literature and identify the most important conceptual and technical properties that differentiate among them, and that must be considered before their application. We identify two primary aspects that need to be considered before choosing a functional dissimilarity index. The first one is the way communities are represented in the trait space. The three main types of representations are the typical values, the discrete sets using the combination of species × sites and species × traits matrices, and the hypervolumes. The second decision is the concept of dissimilarity to follow, including two options: distances and disagreements. We use the above scheme to discuss the available functional dissimilarity indices and evaluate their relations to each other, their capabilities, and accessibility.
