Mit (nem) tudunk a növényvilág sokféleségéről?

Az Ecography egy idei számában jelent meg egy cikk, amelyben három nagy (a három legnagyobb?) botanikai adatbázis, az előfordulási helyeket felsoroló GBIF (Global Biodiversity Information Facility), a traitadatokat tartalmazó TRY és a genetikai GenBank átböngészése alapján adtak egy becslést arra, hogy melyek a világon a legjobban ismert, és melyek a leginkább adathiányos szárazföldi növénycsaládok (Embryophyta), illetve földrajzi régiók. A taxonómiai keretet a The Plant List nyújtotta, ami abban nem volt elfogadott név, az nem szerepelhetett az elemzésben - nyilván ha egy növénycsoport taxonómiája a nevek szintjén is feldolgozatlan, az nem jelent meg az elemzésben. Adathiányosnak az a faj minősült, amely a többi háromban egyáltalán nem fordult elő. Tehát ha egy fajnak volt egyetlen mért trait értéke (akár csak magassága, életformája, életciklusa) a TRY-ban, ha volt egyetlen előfordulási helye a GBIF-ben, és ha volt egy genetikai mintája a GenBankban, akkor már 'broadly-covered' minősítést kapott, amit "nagyrészt ismert"-ként fordíthatnánk. Ez egy elég laza, gyakorlati szempontból nem túl hasznos kritérium, de aki tud jobbat, írjon a szerzőknek, biztos örülnek majd. A földrajzi régiókat pedig a szélességi körök szintjén elemezték. A kapott számokat tehát ennek megfelelően kell értelmezni.

A teljes elemzésben 350 699 elfogadott fajnév szerepelt. Összehasonlításképpen, az edényes növények összfajszámát 2016-ban 360 000 körülire becsülték a Kew Garden kutatói (ebben nincsenek benne a mohák, amelyek viszont a fenti elemzésben szerepeltek). A fajnevek 17,7%-a (majdnem 62 000 faj) fordult elő mindhárom adatbázisban (vagyis ennyi lett 'broadly-covered'), és több mint fele szerepelt legalább egyikben. A nevek 26,7%-áról viszont semmiféle információ nincs.

A pázsitfüvek családja (Poaceae) a legjobban ismertek közé tartozik (puha rozsnok - Bromus hordeaceus)

A legjobban ismert családok között olyanokat találunk, amelyek széles földrajzi elterjedésűek és gazdasági haszonnal bírnak. Ilyenek a pázsitfűfélék (Poaceae), fenyőfélék (Pinaceae), burgonyafélék (Solanaceae), eperfafélék (Moraceae), kutyatejfélék (Euphorbiaceae), próteafélék (Proteaceae), nősziromfélék (Iridaceae), csatavirágfélék (Polemoniaceae). Hozzájuk csatlakoztak még olyanok, amelyek egyszerűen érdekesek voltak a kutatók számára: cikászfélék (Zamiaceae), vajvirágfélék (Orobanchaceae); illetve néhány egészen kicsi család, mint a ginkgófélék (Ginkgoaceae), a Trochodendraceae, és a kálmosfélék (Acoraceae). A legtöbb adat a 45-ös északi szélességi kör környékéről (a 45-ös kör közelében fekszik Krasznodar, Belgrád, Torinó, Bordeaux, Ottawa, Minneapolis) származott, és az északi féltekéről több volt az adat, mint a déliről.

A trópusokon még bőven van adathiányos, sőt, leíratlan faj (Kamerun, Nyong folyó)

Az érvényes nevek számához képest leghiányosabban ismert családok a mohák és májmohák családjai, a kosborfélék (Orchidaceae), fészkesek (Asteraceae), begóniafélék (Begoniaceae), Acanthaceae, Piperaceae. Különösen szembeötlő volt a hiány egyes tájak endemikus fajai közt, így pl. a Rubiaceae ázsiai, ausztráliai, új-zélandi, óceániai és dél-amerikai endemikusai igen hiányosan ismertek, csak úgy, mint a fészkesek európai, ázsiai és afrikai bennszülött képviselői, az európai és ausztráliai bennszülött ajakosok (Lamiaceae), valamint az endemikus kontyvirágfélék (Araceae) Ausztráliában és Dél-Amerikában.

Herbáriumi lap egy azonosítatlan orchideáról, Kamerunból

Egy ilyen léptékű vizsgálat nyilván sok-sok elhanyagolás árán vihető véghez, itt sem volt ez másképp. A módszertan "nagyvonalúságai" (amelyek, ugyanakkor, lehetővé tették, hogy egyáltalán bármiféle konkrétum megfogalmazása lehetségessé váljon) miatt a cikk talán a tudásszintünk kelleténél optimistább megítélésére csábít. Ne tévesszük meg magunkat, globális szinten inkább ritkaságnak számítanak azok a növények, amelyeket előfordulási terület, traitek és a genom tekintetében is használható mértékben ismerünk. És egyre több van, amit soha nem is fogunk már megismerni.

A cikk hivatkozása: Cornwell, W.K., Pearse, W.D., Dalrymple, R.L. and Zanne, A.E. (2019), What we (don't) know about global plant diversity. Ecography, 42: 1819-1831. doi:10.1111/ecog.04481

Általánosított sziluett index - új cikk az Ecology and Evolution folyóiratban

FRISSÍTÉS: A bejegyzés közzétételének másnapján kaptam az értesítést arról, hogy a cikk a decemberi számban jelent meg (előtte 'early view' volt), amelynek ez a tüneményes borz virít a címlapján. Ideteszem a bejegyzés elejére, mert jól mutat indexképként. :)

A sziluett indexről más többször írtam mostanában, pl. itt és itt, és van neki Wiki oldala is. Röviden a lényeg, hogy ez egy osztályozások jóságát értékelő index, amely minden objektumra megmondja, hogy mennyire illik abba a csoportba, amelyikben van. Negatív érték esetén rossz, pozitív esetén jó helyen van, 0 esetén átmeneti. Fontos tudni, hogy a sziluett ezt úgy éri el, hogy az adott objektumnak az azonos csoportban lévő többi objektumtól vett átlagos távolságát összehasonlítja a legközelebbi egyéb csoport (tehát amelyiknek ő maga nem tagja) objektumaitól vett távolságok átlagával. Mivel átlagos távolságokkal dolgozik, előnyben részesíti a szférikus (3D-ben gömb alakú), hasonló átmérőjű csoportokat, hiszen ilyenkor nincsenek nagy távolságok a saját csoportokon belül, minden csoporton belüli távolság hasonlóan kicsi. Ebben a preprintünkben beharangoztunk egy újítást, amellyel a sziluett indexnek a csoport alakja iránti érzékenységét lehet szabályozni. A kézirat nem rég megjelent az Ecology and Evolution nevű folyóiratban, ezért most már itt is lerántom a leplet a "trükkről".

A megoldást az általánosított átlag (generalized mean, power mean, Holder mean) szolgáltatja. Az alábbi képletben a p változtatásával különböző átlagokat és határértékeket lehet előállítani:

Ennek a speciális esetei:

M-∞ : minimum;

M-1 : harmónikus közép;
M0 : mértani közép;

M1 : számtani közép, vagyis a hagyományos átlag;

M2 : kvadratikus közép

M∞: maximum

Az általánosított átlaggal lehetővé válik, hogy a csoporttagoktól vett távolságoknak ne a számtani közepével számoljunk, hanem akár a minimumával, vagy valami minimumhoz közeli, nem nevesített "középpel". Ennek az a következménye, hogy a saját és a szomszéd csoporttól vett távolságba csak a közeli objektumok számítanak bele, szélsőséges esetben (a minimum esetén) csak a legközelebbi szomszéd. Ilyenkor a csoport egészének alakja irrelevánssá válik, csak az számít a vizsgált objektum helyzetének megítélében, hogy a közeli szomszédjai melyik csoportba tartoznak és milyen messze vannak pontosan. Ha általánosított átlaggal és negatív p-vel számoljuk a sziluettet, akkor változatos alakú és méretű csoportok is jóknak tűnnek, hogy ha az elválásuk más csoportoktól egyértelmű. Ez gyakorlati szempontból hasznos lehet, mert a természetben, ha vannak is éles határú csoportok, típusok, akkor azok gyakran nem szférikus formát öltenek a változók sokdimenziós terében. A cikkben felhívjuk a figyelmet a negatív p paraméter veszélyére is, miszerint ha csak a nagyon közeli szomszédságok számítanak, akkor a "jó" csoportok egésze akár át is fedhet annak ellenére, hogy minden egyes objektumnak van egy közeli szomszédja azonos csoportból. Az ingyen letölthető tanulmány linkje, hivatkozása, absztraktja alább látható:

Lengyel, A, Botta‐Dukát, Z. Silhouette width using generalized mean—A flexible method for assessing clustering efficiency. Ecology and Evolution 2019; 9: 13231–13243. https://doi.org/10.1002/ece3.5774

Abstract

Cluster analysis plays vital role in pattern recognition in several fields of science. Silhouette width is a widely used index for assessing the fit of individual objects in the classification, as well as the quality of clusters and the entire classification. Silhouette combines two clustering criteria, compactness and separation, which imply that spherical cluster shapes are preferred over others—a property that can be seen as a disadvantage in the presence of complex, nonspherical clusters, which is common in real situations. We suggest a generalization of the silhouette width using the generalized mean. By changing the p parameter of the generalized mean between −∞ and +∞, several specific summary statistics, including the minimum, maximum, the arithmetic, harmonic, and geometric means, can be reproduced. Implementing the generalized mean in the calculation of silhouette width allows for changing the sensitivity of the index to compactness versus connectedness. With higher sensitivity to connectedness, the preference of silhouette width toward spherical clusters should reduce. We test the performance of the generalized silhouette width on artificial data sets and on the Iris data set. We examine how classifications with different numbers of clusters prepared by different algorithms are evaluated, if p is set to different values. When p was negative, well‐separated clusters achieved high silhouette widths despite their elongated or circular shapes. Positive values of p increased the importance of compactness; hence, the preference toward spherical clusters became even more detectable. With low p, single linkage clustering was deemed the most efficient clustering method, while with higher parameter values the performance of group average, complete linkage, and beta flexible with beta = −0.25 seemed better. The generalized silhouette allows for adjusting the contribution of compactness and connectedness criteria, thus avoiding underestimation of clustering efficiency in the presence of clusters with high internal heterogeneity.

Egy kutatástervezési jótanács

Egy nagyon találó idézetet olvastam egy statisztikai cikkben (Halsey 2019):

‘To call in a statistician after the experiment is done may be no more than asking him to perform a post-mortem examination: he may be able to say what the experiment died of.’

vagyis:

'Statisztikushoz fordulni a kísérlet elvégzése után nem több, mint boncolást kérni tőle: talán meg tudja mondani, mitől halt meg a kísérlet.'

Az idézet forrása Sir Ronald Fisher, akit a statisztika és a populációgenetika atyjának is szoktak nevezni, és akinek a nevéhez olyan statisztikai alapfogalmak fűződnek, mint a hipotézistesztelés, a p-érték, az ANOVA, a Fisher-féle egzakt teszt, vagy a meta-analízis. 

Ronald Fisher, amikor még nem volt Sir, és talán még nem sejtett semmit...

Néhány éves aktív tudományos pályafutásom alatt nem kevés kutatáshoz járultam már hozzá adatelemzőként (erős eufemizmussal "statisztikusként"), és a személyes tapasztalatom tökéletesen egybehangzik azzal, amire Fisher is utalhatott: egy rosszul megtervezett vagy kivitelezett kutatásból a statisztikában jártas személy sem tud értelmes eredményt elővarázsolni. Legyen bármekkora is a tudása, ezen a ponton gyakran csak annyira elég, hogy megállapítsa, mi a konkluzív vizsgálat akadálya. Folytatva a metaforát: mint halottnak a csók...

Hogyan lehetne ezt elkerülni? Evidens, hogy érdemes a kutatás tervezési fázisában is kérni a statisztikus segítségét. Vele együtt kell tisztázni a célok és a mintavételi terv minden, elsőre mellékesnek tűnő részletét:

• Mindenek előtt: mi a kutatás pontos, vagy inkább nagyon-nagyon pontos kérdése? Milyen változók érdekelnek minket? Melyek a függő és független változók? Mi a null-hipotézis, mik az alternatív hipotézisek? Mi hat mire? Milyen eredményt sejt a kutató?
• Mik/Vannak-e random és fix faktorok?
• Milyen a változók eloszlási típusa?
• Mik a mintavétel tér- és időbeli kötöttségei?
• Milyen tesztek illenek ehhez az elrendezéshez?
• Mekkora legyen a minta? Elég lesz-e a "statisztikai erő" ('statistical power'), vagyis elég nagy-e a minta a tesztek számához és az elvárt hatásnagysághoz képest a konkluzív vizsgálathoz?

Talán nem túlzok, ha azt állítom, az a jól megtervezett kutatás, amelynek adattábláit a kutató az adatgyűjtés megkezdése előtt ki tudja tölteni képzeletbeli, de a változó eloszlástípusának megfelelő értékkel, majd az így készített táblázatokon el tudja végezni a kutatási kérdés megválaszolásához szükséges elemzéseket. Ez feltételezi azt, hogy pontosan tudjuk, mennyi és milyen adat kell, és mit fogunk velük csinálni. Törekedjünk erre! Ne hagyatkozzunk arra, hogy majd az adatok birtokában kitaláljuk, hogy milyen tesztet végezzünk, hanem olyan és annyi adatot gyűjtsünk, amiből fogunk tudni számolni!

Természetesen fontos feltétel, hogy az adatgyűjtéskor se vétsünk (súlyos) hibát. Hiába a jól megtervezett kutatás, ha pl. nem ismerjük fel a fajokat, amelyekkel dolgozunk, nagy mérési hibával dolgozunk, stb. Ráadásul ezeket a statisztikus se szúrja ki feltétlenül, hiszen a számok mögé nem lát.

Mi van, ha közbejön valami, és mégsem úgy végezzük az adatelemzést, ahogyan elterveztük? Semmi, újratervezés, de legalább van honnan elindulnunk: a kutatás egésze ugyanis jó eséllyel nem fog megváltozni, csak kiderül, hogy kisebb lesz a minta, mint gondoltuk, az egyik változót más skálán kellett felvenni, eggyel több random faktor lesz, és kettővel kevesebb lokalitást, stb. Ezek nem nagy változások, az eredeti tervek kis mértékű átírását igénylik csak.

Mi van, ha minden a terv szerint haladt, de nem jött ki semmi? Nem kizárt, hogy a legjobban átgondolt terv is technikailag rossz - ilyen az élet. Ilyenkor egyszerűen jobbat kell csinálni. A másik, tudományosan érdekesebb eset a negatív eredmény jelensége. Ilyenkor elméletek és korábbi vizsgálatok tanulságai alapján feltételeztünk egy kimenetelt, de nem ezt kaptuk. Ez tulajdonképpen jó eredmény, hiszen rávilágít a korábbi tudásunk hiányos voltára. Sajnos a folyóiratok az ilyeneket ritkán közlik le. Ezek visszaszorítására vezették be az "előregisztrált vizsgálatokat". Ilyenkor egy nagyon részletes kutatási tervet kell beküldeni a folyóirathoz, azt elbírálják, és ha úgy látják, hogy a vizsgálat konkluzív lesz, akkor az eredmények pozitív vagy negatív kimenetelétől (pl. a nullhipotézis elutasításától vagy megtartásától) függetlenül leközlik a cikket. Ilyenre van lehetőség pl. a BMC Ecology és az Ecology and Evolution folyóiratokban. 

A kutatás sikerén kívül mikor jön jól még ez a szintű tervezés? Például ha kutatási tervünkre támogatást is szeretnénk nyerni. A bírálókra meggyőzőleg hat ugyanis, ha azt látják, a pályázó nem a levegőbe beszél, mélységében ismeri a témát, van elképzelése a kutatás kivitelezésének mikéntjéről, felkészült az esetleges nehézségekre. Mintegy demonstrálja, hogy képes a kutatási terv megvalósítására. Van is ebben valami.

Zárásul még egy idézet:

'Failing to plan is planning to fail.' 

vagyis: 

'Elbukni a tervezést olyan, mint tervezni a bukást.' (Alan Lakein)

Veresegyház madárfaunája

Gyerekkorom óta fennálló szenvedélyemnek köszönhetően mindig is aktívan figyeltem a madarakat a lakóhelyem közelében. Nincs ez másképp Veresegyházon sem, az azonban csak az elmúlt napokban tudatosodott bennem, hogy még egyszer sem számoltam össze, hány madárfaj fordul itt elő. A hiányt pótlandó, sorra vettem a saját megfigyeléseimet, a mások által a birding.hu oldalra feltett adatokat, valamint más hiteles madarászok megfigyeléseit, amelyekről valamilyen formában értesültem (és amelyekre emlékeztem...). Néhány faj esetén bizonytalan voltam. Ezek főleg olyan fajok, amelyek nem annyira ritkák, hogy a megfigyeléseiket pontosan feljegyezzem, de mégsem találtam bizonyító erejű emléket a községhatáron belüli előfordulásukról. Mérlegelve a kérdőjeles fajokat, az erdei pacsirtát felvettem a listára, mert a Ligetek városrészhez közeli, őrbottyáni határban több pár is fészkel, ezek éneke gyakran a veresi oldalról is hallható, biztosan át is jönnek néha. Ugyanezzel a logikával felvettem a berki tücsökmadarat, amelynek az őrbottyáni és a mogyoródi határból van adata, és Medveotthon környékén, a Nádasligetnél és a Sződrákosi-patak mentén legalább vonulóként minden bizonnyal megfordul. A sirályokat, a kék galambot, a hegyi fakuszt és a csókát nem vettem fel, mert a közvetlen közelben aligha költenek, bár őszi-téli kóborlásaik során könnyen eljuthatnak a területre. Lehet, hogy csak kis odafigyelés kérdése, és meglesznek. A taxonómiai felfogás tekintetében a birding.hu Magyarország madarai listáját vettem alapnak, ez 430 fajt tartalmaz.

A függőcinege ritka fészkelő Veresegyházon

Jöjjön végre a lényeg, hogy "mennyi az annyi". Nos, 171. A teljes lista megtekinthető itt, és folyamatosan frissíteni fogom. De mi van a szám és a lista hátterében? Vajon ez "sok" vagy "kevés"? Veresegyház egy gyorsan fejlődő, urbanizálódó, agglomerációs kisváros a Pesti-síkság és a Gödöllői-dombság találkozásánál. Falusias, üdülőjellegű, kertvárosias, lakóparkos és ipari részekkel rendelkezik. Bár az emberi hatás erős, a település terjeszkedése és az iparosodás rendkívül gyors, mégis viszonylag sokféle természetközeli élőhelytípust fellelhetünk. A városon keresztül folyik több kisebb ér, melyek közül a Sződrákosi-patak a legjelentősebb, három tavat is felduzzasztottak rajta, ezek ma rekreációs célokat szolgálnak (horgászat, időlegesen strand). A tavak és patakok környékén (városi léptékkel mérve) jelentős természetközeli növényzet található: öreg, őshonos fák alkotta erdőfoltok, fasorok, rekettyefüzes cserjések, nádasok, láprétek. Külön említést érdemel az Álomhegyi-tó, amelyet (ha jól tudom) 2012-ben kezdtek ásni a város külterületén. Az eredetileg víztározónak induló beruházás szerencsére azóta csak lassan halad, a tavat gyakorlatilag a vízi élővilág meghódította, a partját nád, gyékényfajok és más mocsári egyszikűek, füzek és nyárak uralják. A tó körüli munkálatok nyomán változatos homokformációk jöttek létre, részben ezeken is megindult a növényzet térhódítása, másutt partifecske- és gyurgyalag-költőhelyek alakultak ki. A város külterülete mozaikos, aránylag nyílt kultúrtáj, amelyet kis- és nagytáblás szántók, felhagyott gyümölcsösök, homokpusztagyepek és lápi-mocsári élőhelyek maradványai, parlagok, jellegtelen gyepek, idegenhonos fafajok (akác, ostorfa, fekete- és erdeifenyő) uralta fasorok és erdőfoltok, ültetvények, állattartó telepek (lovarda, hodályok, legelők, állatkert) alkotnak. Tartozik a városhoz egy nagyobb erdőterület is a Gödöllői-dombságba nyúlóan, de ezt intenzíven művelik. A terület fészkelő madárfaunája nem különösebben gazdag. Az erdei fajok aránylag ritkák, talán a fekete harkály, a füleskuvik és a léprigó érdemel említést. A nyílt és mozaikos élőhelyek fajai, valamint a lakott területek, kertek madarai már sokkal jellemzőbbek, pl. a vadgerle, parlagi pityer, erdei pacsirta, hantmadár, rozsdás csuk a jobbak közülük. Az Álomhegyi-tónál néhány egész jó faj is rendre előkerül költési időben, pl. bölömbika, függőcinege, kis vízicsibe, kendermagos réce.

Az Álomhegyi-tó a legfontosabb vízimadár-élőhely a környéken

Mindezzel együtt a fajok döntő része vonulása során bukkant fel Veresegyházon. Különösen meglepő, hogy az Álomhegyi-tónak nem túl nagy kiterjedése ellenére mennyi vizes élőhelyekhez kötődő madarat köszönhetünk. Csak a legérdekesebbek: vörösnyakú vöcsök, feketenyakú vöcsök, kis kárókatona, nagy bukó, számos récefaj, apró, Temminck-, sarlós és havasi partfutó, erdei, réti, füstös, szürke, billegető- és pajzsoscankó, gólyatöcs, "normál" és kis sárszalonka, havasi és rozsdástorkú pityer. Itt került elő a térség legnagyobb ritkasága, 2 példány citrombillegető 2019 tavaszán. Vonuló énekesekhez (pl. poszáták, füzikék, királykák, légykapók) bárhol lehet szerencsénk, de ezekre is a tavakhoz közeli erdőfoltok és cserjések a legjobbak. A költési időn kívül a patakokon rendszeres a hegyi billegető, ritkábban átrepülőként pedig a keresztcsőrű. Ragadozókból egerészölyv, karvaly, vörös vércse, kabasólyom, néha barna rétihéja fészkel a területen, a közelben darázsölyv és héja is, de vonulóként vagy kóborlóként egész jó fajok előkerültek már: parlagi sas, békászó sas, halászsas, rétisas, vörös kánya, barna kánya, vándorsólyom, kék vércse, kékes rétihéja. Rendszeres átvonuló a fekete gólya, a daru, a nagy lilik és a nyári lúd is.

Gólyatöcsök az Álomhegyi-tó kotrásán

Az összegzés előtt megérzésemre hagyatkozva még úgy sem néztem ki 171 fajt a területből, hogy a fajlistát átböngészve kiderült, 10 alatti azoknak a fajoknak a száma, amelyeket én nem láttam. Kis szerencsével és odafigyeléssel még 6-7 faj simán bejöhet a gyakoribbak közül, afelett viszont már csak ritkaságokkal bővülhet a lista. A 171 faj mindenképpen elég magas ahhoz, hogy akit érdekelnek a madarak, az ne legyen rest a távcsövet magánál tartani, hátha előbb-utóbb a 200-as álomhatárt is elérjük.

REMOS - új módszer a numerikus osztályozásban

A numerikus osztályozás számos tudományterületen az alapvető statisztikai módszerek közé tartozik. A növényzeti típusok reprodukálható, objektív kritériumok alapján történő elkülönítése kapcsán én is rendszeresen írok róla. A legtöbb klasszifikációs módszer jellemzője, hogy akkor is adnak eredményt (vagyis csoportokat), ha a mintának nincs különösebb struktúrája. Emiatt az objektumok (mintavételi egységek, megfigyelések, felvételek, fajlisták... amiket osztályozunk) csoportjainak létrehozása mellett ugyanennyire fontos, hogy teszteljük, tényleg jók-e a csoportok. Ez a "jóság" temérdek kritérium szerint mérhető, Vendramin és társai (2010) például 40 módszert tekintenek át a review cikkükben. Azonban ha tudjuk, hogy a célunk egy olyan osztályozás elérése, amelyre majd egy ilyen, ún. validitási index alapján azt mondjuk, hogy ez egy "jó osztályozás", akkor miért nem keressük célirányosan már az osztályozás létrehozásakor azt a megoldást, amelynek a lehető legmagasabb a validitási indexe? A megközelítés teljesen valid, ahogyan Roberts (2015) cikkében is láthatjuk: két módszert is bemutat, amelyek valamilyen kezdeti (akár random, de inkább valami más klaszterező módszerrel legyártott) osztályozásból kiindulva addig-addig pakolgatják az objektumokat egyik csoportból a másikba, amíg az adott validitási index a lehető legmagasabb értéket el nem éri. Roberts módszerei ezt úgy érik el, hogy megvizsgálnak minden egyes lehetséges áthelyezést, majd végül azt az egyet hajtják végre, amely a legnagyobb növekedést okozza a validitási index értékében. Az egyik módszer neve OPTSIL, és a sziluett nevű indexet optimalizálja. Botta-Dukát Zoltánnal nem rég írtunk egy preprintet a sziluett index általánosításáról, amellyel különféle alakú clusterekre válik érzékennyé a módszer (azóta elfogadták az Ecology and Evolution lapban, hamarosan meg kéne jelennie). A sziluettben az a jó, hogy minden egyes objektumra ad egy értéket, ami kifejezi, hogy mennyire illik abba a csoportba, amelyikbe került, az alapján, hogy milyen átlagos távolságra (a távolságok az objektumok közti különbözőséget fejezik ki) van a csoport többi tagjától, illetve a legközelebbi másik csoport tagjaitól. Az index -1 és +1 közötti értékeket vehet fel. Ha az értéke pozitív, akkor az objektum jó helyen van, mert közelebb van a csoportja többi tagjához, mint a szomszédos csoport tagjaihoz. Ha 0 (vagy ahhoz nagyon közeli), akkor az objektum átmeneti helyzetű, ha negatív, akkor "félreosztályozott", egy másik csoport tagjaira jobban hasonlít, mint azokra, amelyekkel egy csoportba sorolták. Értelemszerűen minél kevesebb a félreosztályozott objektum, annál jobb egy osztályozás. Vegetációosztályozások "szakértői" ellenőrzésekor és értékelésekor is gyakori, hogy viszonylag szubjektív módon kijelentjük, hogy egyik vagy másik felvétel "rossz" helyen van abban a csoportban, ahová a numerikus módszer tette, néha felül is bíráljuk ezt a besorolást. Mivel a sziluett index alkalmas arra, hogy a félreosztályozott objektumokat objektív módon azonosítsa, semmi nem gátol meg minket abban, hogy csináljunk egy olyan módszert, amely egy meglévő osztályozást a félreosztályozott felvételek átsorolgatásával, iteratív módon javít egészen addig, amíg minden objektum a helyére nem kerül.

Ezt csináltuk meg, először csak Botta-Dukát Zoltánnal, amiből írtunk egy preprintet, amit felraktunk a bioRxiv szerverre. Az új módszernek a REMOS (REallocation of Misclassified Objects based on Silhouette width) nevet adtuk. A kéziratot elküldtem Dave Robertsnek, aki fontos elemzésekkel és gondolatokkal egészítette ki a munkákat, így a preprintet (immár hárman) újraírtuk. A javított verzió itt olvasható, a módszer R kódja az elektronikus függelékben, az összefoglalót alább bemásolom. Közben a kézirat bírálat alatt is áll egy folyóiratban.

A REMOS-nak két verziója áll rendelkezésre. A REMOS1 mindig csak a legalacsonyabb sziluett értékű félreosztályozott objektumot rakja át a szomszédos csoportba, míg a REMOS2 az összes félreosztályozottat. Az áthelyezés után újraszámolják az összes objektumra a sziluetteket, és ha vannak félreosztályozott objektumok, akkor jön a következő áthelyezés, majd megint újraszámolás, megint áthelyezés, és így tovább addig, amíg el nem fogynak a negatív sziluett értékek. Fontos látni, hogy a REMOS alapvetően nem ellenőrzi az áthelyezések hatását az osztályozás egészére, szemben az OPTSIL-el. A REMOS csak azt tartja szem előtt, hogy az egyedi felvételek a helyükre kerüljenek, így inkább "lokális" perspektívájú, míg az OPTSIL "globális" kritérium szerint dolgozik. (Tapasztalatom szerint a gyakorlatban jobban szeretjük azokat az osztályozásokat, ahol minden objektum a helyén van, mint azokat, amelyekben átlagosan jó helyen van minden.) Mindkét REMOS verzió képes ciklusokba kerülni. Ez azt jelenti, hogy ismétlődően ide-oda pakolgatják az objektumokat a csoportok között, de mindig marad félreosztályozott, nem érnek soha a dolog végére. Ilyenkor az algoritmus automatikusan megáll és azt a megoldást fogadja el végsőként, amely a legkevesebb félreosztályozottat tartalmazza. Ha ebben egyenlőség van, akkor az lesz a végső, amely esetén a negatív sziluettek abszolút összege (az osztályozás "hibája") a legkisebb.

A félreosztályozott objektumok arányának (Misclassification rate) változása különböző béta-flexibilis osztályozással, különböző béta értékkel készített osztályozásokból indítva optimalizálás nélkül (Initial), illetve REMOS1, REMOS2 és OPTSIL módszerekkel történő optimalizálás után

A preprintben különböző adatsorokon és különböző kiindulási osztályozásokkal hasonlítottuk össze a REMOS-t és az OPTSIL-t. Az összehasonlítás kritériuma a végső osztályozás átlagos sziluett értéke, a negatív sziluettű objektumok aránya, valamint a diagnosztikus fajok száma volt. Emellett megnéztük a két módszer által igényelt futási időt is. Amikor már eleve "jó" osztályozásból indultunk ki, mindkét módszer jól teljesített, hasonlóan magas átlagos sziluettű és kevés félreosztályozott objektumot tartalmazó megoldásokat adott. Nyilván az átlagos sziluett tekintetében az OPTSIL, a félreosztályozottak arányát nézve a REMOS volt kicsivel jobb, de mivel ez a két dolog erősen összefügg, elhanyagolható volt a különbség. Amikor azonban a kiindulási osztályozás elég rossz volt, akár véletlenszerű, akkor a REMOS sokkal jobb volt, mint az OPTSIL, mindkét fenti kritérium tekintetében. Ez annak volt köszönhető, hogy az OPTSIL az iteráció során gyakran hamar "megrekedt" lokális optimumokban. A REMOS1 és a REMOS2 között ha volt különbség, akkor mindig az előbbi javára billent a mérleg. A fenti elemzéseket szimulált adatsorokon végeztük. Valós elemzési helyzeteket eljátszva, amikor "jó" osztályozásokból indultunk ki, a diagnosztikus fajok számában nem láttunk szisztematikus különbséget, hol az egyik, hol a másik módszer tűnt jobbnak. Nagy különbség volt azonban a futási időben. A REMOS nagyságrendekkel gyorsabb volt. Pl. míg egy 300 objektumot tartalmazó adatsoron "jó" osztályozásból indítva a REMOS1 századmásodpercek alatt futott le, az OPTSIL esetén ehhez kb. 10 másodperc kellett. Nyilván 10 másodperce mindenkinek van, de a tesztünk végletesen egyszerű volt. A valóságban ezres-tízezres adatsorok és "rosszabb" osztályozások is szerepelhetnek majd, ott pedig az OPTSIL (Dave tapasztalatai alapján) akár napokig vagy hetekig is futhat, míg a REMOS2 percek, a REMOS1 órák alatt is végezhet.

A javaslatunk szerint az OPTSIL akkor jó megoldás, ha (1) kimondottan az átlagos sziluettet akarjuk optimalizálni; (2) van időnk megvárni a programot. Minden más esetben a REMOS a jobb választás.

Lengyel, A., Roberts, D.W. & Botta-Dukát, Z.: Comparison of silhouette-based reallocation methods for vegetation classification. bioRxiv, https://doi.org/10.1101/630384

Abstract

Aims: To introduce REMOS, a new iterative reallocation method (with two variants) for vegetation classification, and to compare its performance with OPTSIL. We test (1) how effectively REMOS and OPTSIL maximize mean silhouette width and minimize the number of negative silhouette widths when run on classifications with different structure; (2) how these three methods differ in runtime with different sample sizes; and (3) if classifications by the three reallocation methods differ in the number of diagnostic species, a surrogate for interpretability.

Study area: Simulation; example data sets from grasslands in Hungary and forests in Wyoming and Utah, USA.

Methods: We classified random subsets of simulated data with the flexible-beta algorithm for different values of beta.  These classifications were subsequently optimized by REMOS and OPTSIL and compared for mean silhouette widths and proportion of negative silhouette widths. Then, we classified three vegetation data sets of different sizes from two to ten clusters, optimized them with the reallocation methods, and compared their runtimes, mean silhouette widths, numbers of negative silhouette widths, and the number of diagnostic species. 

Results: In terms of mean silhouette width, OPTSIL performed the best when the initial classifications already had high mean silhouette width. REMOS algorithms had slightly lower mean silhouette width than what was maximally achievable with OPTSIL but their efficiency was consistent across different initial classifications; thus REMOS was significantly superior to OPTSIL when the initial classification had low mean silhouette width. REMOS resulted in zero or a negligible number of negative silhouette widths across all classifications. OPTSIL performed similarly when the initial classification was effective but could not reach as low proportion of misclassified objects when the initial classification was inefficient. REMOS algorithms were typically more than an order of magnitude faster to calculate than OPTSIL. There was no clear difference between REMOS and OPTSIL in the number of diagnostic species.

Conclusions: REMOS algorithms may be preferable to OPTSIL when (1) the primary objective is to reduce or eliminate negative silhouette widths in a classification, (2) the initial classification has low mean silhouette width, or (3) when the time efficiency of the algorithm is important because of the size of the data set or the high number of clusters.

2019-es terepek

Nemrég OTKA-beszámolót kellett leadnom a projektem első évéről, erről jutott eszembe, hogy a nyári terepmunkáimról nem írtam a blogomra. Megteszem most.

A terepmunka valójában két projektet érintett, mindkettő kiskunsági gyepeken zajlott. Az elsőben (amelyben csak informális résztvevő vagyok) Ágasegyháza és Orgovány között felvételeztünk különböző produktivitású réteket a buckaközök kormos csátés, kékperjés és sásos állományaitól a kiemelkedések szálkaperjés, veresnadrág-csenkeszes gyepjeiig. A kvadártokban a fajok borításbecslésein túl (lehetőség szerint) minden fajhoz növényi jellegeket is mértünk (részben terepen, részben gyűjtött anyagon laborban), mert a kutatásunknak a kérdése, hogy a fajon belüli változatosság hogyan járul hozzá a társulási szabályok megnyilvánulásához. Ehhez május és szeptember között többször végig kellett járni a kvadrátokat, helyszínen lemérni, illetve begyűjteni az optimálisnak ítélt fejlettségű növényeket. A terepmunka másnapján következtek a mérések a laborban. A meglehetősen babra munkából én néhány terepnapon vettem ki a részem.

Megy a munka...

Hússzínű ujjaskosbor (Dactylorhiza incarnata)

Rétsztyepp a buckatetőn

Majdnem sikerült elbújnunk a Toyotával a bálák mögé

A másik projekt a "sajátom": ennek célja a kiskunsági gyepek jellegalapú osztályozásának elkészítése, valamint a gyeptípusok jellemzése funkcionális diverzitás és redundancia szempontjából. Ehhez Kunpeszér környékén felvételeztem zárt homokpusztagyepeket, magaskórós mocsárréteket és lápréteket. Ezzel nagyjából minden "fontosabb" kiskunsági gyeptípusból van már felvételem, összesen 500 feletti számban - persze, cönológiai adatból sosem elég.

Magaskórós mocsárrét

Buglyos szegfű (Dianthus superbus)

Mocsári aggófű (Senecio paludosus)

Kékperjés-csátés láprét

Vízi gamandor (Teucrium scordium)

Zárt homokpusztagyep

... közelebbről

Homoki imola (Centaurea arenaria)

Vegetation Classification and Survey - egy új vegetációtudományi folyóirat

A brémai IAVS szimpóziumon jelentették be, hogy a társaság két folyóirata, a Journal of Vegetation Science és az Applied Vegetation Science mellett indul egy harmadik, amely kifejezetten klasszifikációval, tipológiával, ezek alkalmazásaival, módszertanával foglalkozó cikkeket közöl majd. A címe Vegetation Classification and Survey (VCS) lesz, és tulajdonképpen megörökli a közben megszűnő Phytocoenologia tematikáját és szerkesztőségét.

A VCS szabad hozzáférésű folyóiratnak indul, amelyben ezért publikációs költség fejében lehet cikket megjelentetni. Induláskor természetesen még nem lesz impakt faktora, talán a Scimago sem értékeli még, de néhány év múlva bizonyára minden szokásos regiszterbe bekerül. A VCS honlapja itt érhető el.

Alacsony libatop a Cserhátban

Már számtalanszor megtapasztaltam, hogy érdekes, vagy akár kifejezetten ritka növények megtalálásához nem kell feltétlenül rendkívüli erőfeszítéseket tennünk, elég "csupán" nyitva tartanunk a szemünket, és persze nem árt némi intuíció sem annak megsejtéséhez, hogy hol érdemes kicsit jobban elbogarásznunk, ha már úgyis éppen arra járunk. Nyár végén például aránylag könnyen találhatunk érdekes adventív fajokat, ha jártunkban-keltünkben az útszélek, építkezések, parkolók gyomnövényzetét szemügyre vesszük. "Hála" az egyre növekvő ütemű közlekedésnek, áruszállításnak és a talaj bolygatásával járó emberi tevékenységeknek, gyakran ezeken a területeken jelennek meg először a távoli tájakról származó jövevényfajok, amelyek megtalálása egyszerre öröm és bánat. Öröm, hiszen ki ne örülne egy olyan faj megpillantásának, amit talán senki, vagy csak nagyon kevesen láttak Magyarországon? És bánat is, hiszen az adventív fajok gyakran nem szívélyes meghívásnak eleget téve illemtudó vendégnek jönnek, hanem hódítani, ezért az említett élőhelyek könnyen válhatnak a biológiai inváziók gócpontjaivá.

Legutóbb a Cserhátban, a családi nyaralásunkon, a strandot egy étterem parkolóján át megközelítve, fagyival, babakocsival, hangosan kerregő játék fűnyíróval felfegyverkezve (ám fényképező nélkül...) szúrt szemet egy karéjos levelű libatop, amelyet kicsivel később, a szállásunkon, az esti rutinműveletek hangulatát fokozandó, alacsony libatopnak  (Chenopodium pumilio, syn. Dysphania pumilio) határoztam. A faj a karéjos levelekről, a levélhónaljakban csomókban fejlődő virágzatokról, valamint arról ismerhető fel, hogy a lepellevelek nem borítják be teljesen az érett termést. Az egész növény mirigyszőrös és citrusos illatot áraszt - a határozók szerint ez nem túl erős, terepen azonban határozottan érezhető volt. Másnap szerencsére alaposan körbe tudtam fotózni a növényt.

Eddig csupán két nagyon régi dunántúli előfordulás mellett két aktuális, publikált adata volt a fajnak, mindkettő Budapestről, és a sors sajátos játékának tekinthető, hogy az első aktuális előfordulást is én találtam, még 2011-ben (Lengyel 2012, ill. blogbejegyzés). Emlékszem, akkor kimondottan azzal a szándékkal mentem sétálni a forgalmas utcákra (Bartók Béla út és környéke), hogy találjak valami érdekes adventív fajt - és szerencsém volt. A másik fővárosi, zuglói adat Molnár & Juhász (2016) nevéhez fűződik, továbbá Barina Zoltán megtalálta még két helyen Pesten, de ez még leközlés alatt áll. Ez tehát az első aktuális előfordulása Budapesten kívül, s feltételezhető, hogy terjedőben van a faj, ezért elő fog kerülni többfelé. Az állomány néhány nagyobb, virágzó és termést érlelő egyedből és sok csíranövényből, összesen max. 100 egyedből állt. Az alacsony libatop kísérőfajai az élőhelyen a kövér porcsin (Portulaca oleracea), fehér libatop (Chenopodium album), pongyola pitypang (Taraxacum sect. Ruderalia), fakó muhar (Setaria pumila).

És hogy ez mennyire igaz...:

forrás: airmodus.com

62. IAVS szimpózium, Bréma

A Nemzetközi Vegetációtudományi Társaságról (IAVS) már többször írtam. Mint általában, most is az évente megtartandó szimpóziumról terelődik rá a szó, amit idén július 14. és 19. között tartottak a németországi Brémában.

Bréma jelképe, a brémai muzsikusok szobra

A konferencián egy posztert mutattam be az alábbi címmel:

Lengyel, A. & Botta-Dukát, Z.: Silhouette width using generalized mean – a flexible method for assessing clustering efficiency

A tartalma gyakorlatilag megegyezett azzal a bírálat alatt lévő cikkünkkel, amelynek a preprint változatáról már írtam itt.

Minden második szimpóziumon az IAVS elnöksége a Humboldt-díjjal kitüntet egy kiemelkedő munkásságú ökológust. Az idei évben Pierre Legendre kapta, aki minden bizonnyal az egyik legnevesebb ma élő ökológus, elsősorban a statisztikai módszerfejlesztés terén elért eredményei miatt. A díjazott plenáris előadása egy "időbeli" béta-diverzitási indexcsaládról szólt, ami frissen jelent meg egy cikkében. A laudációjában Peter Minchin sok egyéb anekdota és karrierinformáció mellett bemutatta Legendre egy klasszifikációs cikkét 1994-ből, amelyben a skót whisky-k numerikus osztályozását végzi el. Külön érdekesség, hogy a cikkben már R-et használnak, amelynek az első hivatalos megjelenése a Wikipédia szerint 1995-ben történt. Legendre nagyságát mutathatja, hogy efféle paradoxonokat Chuck Norrisnak szokás tulajdonítani. :) Persze, a dolgot megmagyarázza, hogy maga az R fejlesztése már néhány évvel korábban megkezdődött. 

A konferenciakirándulások közül a Nyugati-Fríz-szigetek közé tartozó Spikeroog szigetet választottam. Itt tengerparti mocsári és dűnevegetációt láthattunk, a komppal megtett úton fókákkal is találkoztunk. Íme néhány kép az útról:

Fókafej a tengeren

Már cserjésedő homokdűne

Dűnére lépni tilos!

Tengerparti mocsári gyep

Árapály-zóna

A tengerparti mocsarak egy zónájában monodomináns faj az Elymus athericus

Eryngium maritimum

Homoktövis-borította dűnék

Cakile maritima

Pionír dűnevegetáció Elymus farctus-szal

Látogatói kérdőív - Eredmények

Személyesen gyakran meg szokták tőlem kérdezni, hogy tudom-e, hányan és kik olvassák a blogomat. A válaszom, hogy nem tudom biztosan, mert a Google automatikus látogatói statisztikája nem alkalmas a valós látogatások mérésére, mivel a robotokat is számolja, amik simán generálnak egy napra százas-ezres nagyságrendű megnyitást. Az viszont engem is foglalkoztatott, hogy pontosabban kik azok, akik olvasnak, ezért bő egy éve indítottam egy látogatói kérdőívet. A kérdőív a napokban érte el a 100 kitöltést, ami már értékelhető mintaméretet jelent, ezért ezennel lezárom és közzéteszem az eredményeket. Nyilván ez a mintavétel valamennyire torzít, hiszen biztosan nem minden látogató tölti ki ... de jobb nincs.

Az első kérdésben a látogató korát kérdeztem. Nem meglepő, hogy a fiatal és középkorú felnőtt korosztályból (ezt 19-60 évben határoztam meg) kerül ki a látogatóim ~90%-a.

A nemek tekintetében nem volt szignifikáns eltérés a válaszadók között.

A nem látszó kategórianév: "Vidéki kisváros vagy falu"

Lakóhelyek szerint eléggé egyenletesen oszlottak meg a látógatóim. Külföldről elsősorban Románia (Erdély, Partium) hozott sok klikket, de volt Szerbia, Szlovákia, Csehország, Németország, Svédország és Egyesült Királyság is.  

Az ábra szép, unimodális eloszlással mutatja, hogy az olvasóim átlagos végezttsége egyetemi (MSc) szintű, de vannak általános iskolás és PhD feletti papírt felmutatók is. Ez teljesen jól megfelel egy tudományos-ismeretterjesztő blognak.

A kategórianevek:

1. Amatőr természetbúvár vagy.

2: Rendelkezel ökológiai irányultságú képzettséggel (biológia, természetvédelmi mérnök, környezettan, agrármérnök, stb. szakok) vagy a képzés folyamatban van.

3. Rendelkezel matematikai képzettséggel (matematika, fizika, informatika, stb szakok) vagy a képzés folyamatban van. (3)

4. Ökológiai érintettségű területen dolgozol.

5. Kutatóként dolgozol.

6. Természetvédelmi, erdő- vagy mezőgazdasági, vagy egyéb rokon terület gyakorlati szakembereként dolgozol. 

7. Nyugdíjas vagy.

8. Diák/hallgató vagy.

A válaszadók nagy része rendelkezik valamilyen ökológiával kapcsolatos végzettséggel (ebbe bele tartozik az alkalmazott, gazdálkodói oldal is), vagy efelé halad. Elég sokan mondják magukat amatőr természetbúvárnak is. A válaszadók negyede dolgozik kutatóként.

A kategórianevek:

1. Ökológiai elméleti és módszertani összefoglalók

2. Túrabeszámolók

3. Konferenciabeszámolók

4. Publikációk összefoglalói, hirdetményei

5. Növényismertetők

6. Élőhelyismertetők

7. Hírek, aktualitások

8. Szubjektívebb hangvételű esszék a kutatói életről (pl. publikálás, tudománypolitika, rendszerkritika...)

A legjobban ezek a válaszok érdekeltek. :) A legnépszerűbb bejegyzéseknek a növény- és élőhelyismertetők bizonyultak, és örömmel látom, hogy az elméletibb hangvételű, ökológiai írások állnak a harmadik helyen. Utolsó helyen állnak a konferenciabeszámolók - őszintén szólva, ezen annyira nem lepődöm meg, a konferenciák egy részén részt venni sem túl izgalmas, nem hogy írni és olvasni róla, és inkább csak a "rend kedvéért" dokumentálom őket. Lehet, hogy nem kéne?

A kategórianevek:
1. Facebookon láttad megosztva.
2. Egyéb közösségi médiában láttad megosztva (Twitter, Google+, ...).
3. Google (vagy más felületen történő) keresés alapján.
4. Szóban vagy emailben személyes ajánláson keresztül.
5. Más honlap vagy blog hivatkozása irányított ide.
6. Egyéb (kérlek, fejtsd ki röviden!)

Ennek is nagyon vártam az eredményét. A legtöbben a Google keresőn keresztül találnak ide, a többi forrás lényegesen kevésbé hatékony, legalább is a látogatások száma tekintetében, míg az itt töltött idő és az írások iránti fogékonyság tekintetében teljesen más is lehet a helyzet.

A látogatások gyakoriságát felmérő kérdés eredményei érdekes, kétcsúcsú eloszlást mutatnak. A válaszadók több mint fele most volt itt először, de van egy másik, haranggörbére emlékeztető csúcs is, amely szerint sokan átlagosan havonta látogatnak a blogomra. Örülök, hogy ennyien visszatérő olvasók!

Fontosnak láttam, hogy erre is rákérdezzek, mert érdekelt, mennyire lépik túl az írásaim a személyes ismeretségi köreimet. Egy kicsit alacsonyabb a személyes ismerőseim aránya, mint amit előzetesen vártam - ennek örülök, mert eszerint nem csak "a kedvemért" látogatnak ide.

Az utolsó kérdés szabad, szöveges véleménynyilvánításra adott lehetőséget. Idéznék párat, válasszal:

"Többször előfordul, hogy nem értem, amit a blogjában ír, de ez nem az Ön hibája, hanem az én "szakmai" hiányosságaimból adódik. [...]"

és

"Kezdőbbeknek is lehetne cikk. Amúgy fasza."

és

"Ha lenne rá kapacitás, akkor egy-egy, kifejezetten laikusoknak szóló írás hasznos lenne. Akár konkrét növényfajok, akár élőhelyek, akár szemléletmód tekintetében. Köszönöm."

Megértem és köszönöm a fentieket. Örülök, hogy laikus érdeklődők is olvassák a bejegyzéseimet. A blogírás számomra kikapcsolódás, szeretek a munkám szépségeiről gondolkodni és diskurálni. A leterheltségem és a kínálkozó témák hektikusságának köszönhető az, hogy néha egy-két hónapig nem írok semmit, máskor pedig szinte naponta. Igyekszem bemutatni a munkám több oldalát, beleértve a növényfajok és élőhelyek ismeretét, a statisztikai adatelemzést, az elméleti ökológiát és a tudomány nem szigorúan tudományos oldalát. Egyes témák kimondottan a laikusoknak szólnak, mások a szűk szakmabelieknek, és természetesen vannak "átmenetiek" is. Bízom abban, hogy aki eleinte laikusnak számít, az kedvet kap a tudományban való elmélyüléshez, és fokozatosan egyre többet ért meg a szakmaibb szövegekből. A jövőben tudatosabban fogok törekedni arra, hogy elősegítsem ezt a "szintlépést" - mindig is vonzó kihívásnak tartottam az elvontabb témák egyszerűbb, tágabb kör számára érthető módon történő átadását. A bejegyzések ütemezéséről viszont nincs kötött tervem; úgy írok, ahogy van időm, kedvem és megosztható témám.

"Sokat segít a blog az elemzési módszerek megismerésében, itt olvastam először a diverzitás profilról, a funkcionális diverzitásról, és a részletes leírásoknak és hivatkozásoknak köszönhetően sikerrel el tudtam végezni ezeket az elemzéseket R-ben. Köszönöm, még olvasnék ilyen up to date módszerekről!"

és

"Diszkussziót írok és emiatt kerestem anyagot diverzitásindexekhez, tetszik a leírás. Ha kész leszek lehet, hogy továbbmegyek a túrabeszámolókra :D"

Nagyon örülök, hogy ezek a bejegyzéseim segítséget jelentenek a fiatal kutatóknak. Az említett témákról valóban igen korlátozott, vagy egyáltalán nem létezik magyar nyelvű anyag. Sok tervem van még, ami hasonló stílusban tárgyalna módszertani újdonságokat, csak hát az idő... 

"Én speciel a legnagyobb érdeklődéssel a már-már művészi értékű, de rendkívül informatív képeidet nézegetem a Poaceae család tagjairól, mivel azokhoz zömében tök hülye vagyok. Szívesen látnék áttekintő képes-magyarázó táblákat erről a családról, faji bélyegekről, tipikus élőhelyekről, stb!"

és

"[...] Az élőhelyeket bemutató, fajok fotóival kiegészített beszámolóit nagyon szeretem nézni, olvasni, különösen örülök, amikor pázsit- és/vagy savanyúfüvekről nézhetem jól sikerült fotóit. Gyomokról és/vagy közönségesebb fajokról szóló, valamilyen -számomra- újdonsággal előrukkoló cikkeit különösen szívesen olvasom!"

Valóban, az egyik kedvenc fotótémámat jelentik a lenyűgözően egyszerű és elegáns, geometrikus formákat mutató pázsitfüvek és palkafélék (savanyúfüvek). Többször megkísértett már a vágy, hogy írjak róluk átfogóbb ismertetőket, de eddig nem gyűlt össze olyan anyagom, amivel előállhatnék. Remélem, ami késik, nem múlik! A füves-sásos témákat a jövőben sem hanyagolom.

A fentieken kívül még sok bátorító üzenetet kaptam, amelyeket ezúton is köszönök.

Az alábbi, aránylag friss, nem igazán művészi, viszont őszinte képpel köszönöm meg a kérdőívem kitöltőinek a válaszokat!

Réti komócsin (Phleum pratense)