Zoeken
Natuurindicatoren
Terug naar overzicht
Trend Zuid-Europese libellensoorten
Publicatiedatum: 2024-04-30T10:00:00+01:00
Zowel het aantal Zuid-Europese libellensoorten als het aantal vindplaatsen van elk van deze zuidelijke soorten nam significant toe sinds 1980.
Figuur 1: evolutie van het aantal hokken met zuidelijke libellen
De
lijn toont de gemodelleerde trend, de transparante zone is het 90%
betrouwbaarheidsinterval.
Definitie
Deze indicator toont de trend van het aantal vindplaatsen van zuidelijke libellensoorten en het aantal regelmatig waargenomen soorten in Vlaanderen sinds 1984.
Bespreking
Er is overweldigend bewijs dat klimaatverandering een impact heeft op de biodiversiteit. Dit uit zich zowel in temporele veranderingen, bijvoorbeeld fenologie (bloeiperiode, aankomst van trekvogels, vliegtijd…), als in ruimtelijke verschuivingen.
Zo breiden verschillende zuidelijke libellensoorten zich uit naar het noorden en hebben zich hier goed gevestigd. Populaties van deze soorten waren tot 1980 onbekend in Noordwest-Europa. Deze indicator geeft zowel de evolutie weer van het aantal vindplaatsen (uitgedrukt in kilometerhokken) van deze zuidelijke libellensoorten in Vlaanderen als van het totaal aantal waargenomen zuidelijke libellensoorten.
Uit de figuren blijkt dat zowel het aantal vindplaatsen (Figuur 1) als het aantal soorten toenam sinds 1980 (Figuur 2). Een eerste toename van het aantal soorten dateert van 1994, gevolgd door een sterke stijging vanaf 2006 en een steile piek de laatste jaren. Ondanks jaarlijkse schommelingen, meestal te wijten aan ongunstige weersomstandigheden tijdens de vliegtijd, is deze trend duidelijk en significant. Het totaal aantal soorten zit nu aan het plafond.
Ondanks het minder goede weer in de zomer van 2023 werd deze groep zuidelijke libellen op zeer veel locaties in Vlaanderen waargenomen. In 2023 was voor veel soorten het aantal kilometerhokken waarin ze werden waargenomen hoger dan ooit. Dit was het geval voor de gaffelwaterjuffer, de zuidelijke keizerlibel en de vuurlibel. Deze drie soorten lijken hun toename jaar na jaar verder te zetten en komen op bijna elk type stilstaand water in Vlaanderen voor. Dezelfde sterke toename stellen we ook vast bij de zwervende pantserjuffer, de zuidelijke oeverlibel en de zuidelijke heidelibel, ook al bereikten ze niet hun maximum. Na zeven jaar werd de witpuntoeverlibel weer in Vlaanderen waargenomen, en dit op één van de twee locaties waar de soort voordien ook al werd waargenomen.
Figuur 2: overzicht van de waargenomen Zuid-Europese libellensoorten van 1984 tot en met 2023
Meer weten?
Metadata over Trend Zuid-Europese libellensoorten
Publicatiedatum: 2024-04-30T10:00:00+01:00
Technische informatie
- Periodiciteit: jaarlijks
- Volgende update: april 2025
- Databereik: 1984-2023
Databron
- Producent: Natuurpunt Studie vzw en Libellenvereniging Vlaanderen vzw
- Dataset: gemeenschappelijke libellendatabank van bovenstaande producenten
- Gegevensinzameling: De gegevens werden verzameld via https://www.waarnemingen.be. De data omvat het aantal UTM 1x1 km hokken waarin een bepaalde zuidelijke soort werd waargenomen gedurende een bepaald jaar. De enkele waarnemingen van witpuntoeverlibel werden niet meegenomen.
Berekeningswijze
De statistische analyse maakt gebruikt van R versie 4.0.1 (R Core Team 2020) en het INLA package (Rue e.a. 2017).
Aantal waargenomen zuiderse soorten
We definiëren het aantal zuidelijke soorten als het aantal verschillende zuidelijke soorten dat in minstens één 1x1 km UTM hok waargenomen werd in een bepaald jaar.
We veronderstellen dat het aantal zuidelijke soorten \(y_j\) in jaar \(j\) een Poisson verdeling met gemiddelde \(\mu_j\) volgt.
\[y_j \sim \mathcal{P}(\mu_j)\]
Het gemiddelde \(\mu_j\) is via een \(\log\) link gekoppelt aan een lineaire predictor \(\eta_j\).
\[\log(\mu_j) = \eta_j\]
Deze lineaire predictor \(\eta_j\) hangt enerzijds af van een globaal gemiddeld \(\beta_0\) en het effect \(b_j\) van jaar \(j\).
\[\eta_j = \beta_0 + b_j\]
Het effect van jaar \(j\) modelleren we als een eerste orde toevalsbeweging (first order random walk) met gemiddelde 0 en variantie \(\sigma^2_J\).
\[b_j - b_{j-1} = \Delta_{b_{j, j-1}}\sim \mathcal{N}(0, \sigma^2_J)\]
De punten in de trendfiguur geven het waargenomen aantal soorten weer. De lijn geeft de schatting voor het verwachte aantal soorten \(\mu_j\) weer. De drie banden rond de lijn geven, van donker naar licht, het 30%, 60% en 90% geloofwaardigheidsinterval (credible interval) rond de schatting van \(\mu_j\).
Aanwezigheid van zuiderse soorten
Voor deze analyse maken we gebruik van het aantal hokken per jaar waarin een zuidelijke soort werd waargenomen. We schreven een model waarbij we de gegevens van alle soorten gebruiken die gedurende minstens vier verschillende jaren werden waargenomen.
We veronderstellen dat het aantal hokken met waarnemingen \(y_{js}\) voor soort \(s\) in jaar \(j\) een Poisson verdeling met gemiddelde \(\mu_{js}\) volgt.
\[y_{js} \sim \mathcal{P}(\mu_{js})\]
Het gemiddelde \(\mu_{js}\) is via een \(\log\) link gekoppelt aan een lineaire predictor \(\eta_{js}\).
\[\log(\mu_{js}) = \eta_{js}\]
Deze lineaire predictor \(\eta_{js}\) hangt af van vier termen:
\[\eta_{js} = \beta_0 + b_j + b_s + b_{js}\]
- \(\beta_0\): het globaal gemiddeld \(\beta_0\)
- \(b_j\): het gemiddeld effect van jaar \(j\) over de soorten heen. Het effect van jaar \(j\) modelleren we als een tweede orde toevalsbeweging (second order random walk) met gemiddelde 0 en variantie \(\sigma^2_J\).
- \(b_s\): het gemiddeld effect van soort \(s\) over de jaren heen. Het effect van soort \(s\) modelleren we als een toevalseffect (random intercept) met gemiddeld 0 en variantie \(\sigma^2_S\).
- \(b_{js}\): het effect van jaar \(j\) voor soort \(s\). Het effect van jaar \(j\) modelleren we als een eerste orde toevalsbeweging (first order random walk) per soort \(s\) met gemiddelde 0 en variantie \(\sigma^2_{JS}\).
\[(b_{j+1} - b_j) - (b_j - b_{j-1}) = \Delta^2_{b_j} \sim \mathcal{N}(0, \sigma^2_J)\] \[b_s \sim \mathcal{N}(0, \sigma^2_S)\] \[b_{js} - b_{(j-1)s} = \Delta_{b_{js, (j-1)s}} \sim \mathcal{N}(0, \sigma^2_{JS})\] De punten in de trendfiguur geeft het aantal hokken met waarnemingen per soort. De lijn geeft de schatting voor het verwachte aantal hokken \(\mu_{js}\) weer. De drie banden rond de lijn geven, van donker naar licht, het 30%, 60% en 90% geloofwaardigheidsinterval (credible interval) rond de schatting van \(\mu_{js}\).
Download
Broncode indicator: soorten.Rmd
Broncode metadata: metadata_libellen.Rmd
| Beschrijving | Gegevens | Metadata |
|---|---|---|
| aantal_hokken | aantal_hokken.csv | aantal_hokken.yml |
Referenties
R Core Team. 2020. R: A Language and Environment for Statistical
Computing. Vienna, Austria: R Foundation for Statistical Computing.
https://www.R-project.org/.
Rue, Håvard, Andrea I. Riebler, Sigrunn H. Sørbye, Janine B. Illian,
Daniel P. Simpson, en Finn K. Lindgren. 2017. ‘Bayesian computing
with INLA: A review’. Annual
Reviews of Statistics and Its Applications 4 (March): 395–421. http://arxiv.org/abs/1604.00860.
Meer weten?
Classificatie van wijzigingen
Publicatiedatum: 2020-01-01T10:00:00+01:00
Om de interpretatie makkelijker te maken, delen we de wijzigingen op in tien klassen door hun 90% interval te vergelijken met een referentie, onder- en bovengrens.
We beschouwen een effect als significant wanneer de referentie buiten het 90% interval ligt. We spreken over een toename (afname) als het interval volledig boven (onder) de referentie ligt. Niet-significante effect is ook informatief wanneer het bijhorende interval voldoende smal is. Bijvoorbeeld als het interval volledig tussen een onder- en bovengrens ligt. In dat geval kunnen we stellen dat het effect niet-significant en klein is, het immers zeker minder sterk dan de ondergrens en minder sterk dan de bovengrens. Dergelijk effect krijgt de naam stabiel.
Heeft het effect een breed interval dat zowel de boven- als ondergrens bevat, spreken we over een onduidelijk effect. Daarnaast is er nog de mogelijkheid dat het interval zowel de bovengrens (ondergrens) als de referentie bevat maar niet de ondergrens (bovengrens). Dan spreken we over een mogelijke toename (mogelijke afname).
We kunnen de boven- en ondergrens eveneens gebruiken om een verder onderscheid te maken binnen de significante effecten. Een interval volledig boven (onder) de bovengrens (ondergrens) wordt dan een sterke toename (sterke afname). Een interval volledig tussen de referentie en de de bovengrens (ondergrens) wordt dan een matige toename (matige afname). Een interval dat de referentie niet bevat maar wel de bovengrens (ondergrens) blijft een toename (afname).
Merk op dat de indeling volledig gebaseerd is op de onzekerheid rond het effect en niet op de puntschatting van het effect zelf. We vatten de opdeling met bijhorende afkortingen en regels samen in onderstaande tabel. De figuur geeft een grafische voorstelling waarbij we de afkortingen in combinatie met aangepaste symbolen gebruiken. De afkortingen zelf zijn te fijn om als symbool te gebruiken. Als bovengrens gebruiken we toename met van +33% (vier derde van de referentie) en als ondergrens een afnamen met -25% (drie kwart van de referentie).
| benaming | afkorting | regels |
|---|---|---|
| sterke toename | ++ |
\(B < l\) |
| toename | + |
\(R < l < B\) en \(B < b\) |
| matige toename | +~ |
\(R < l < B\) en \(b < B\) |
| stabiel | ~ |
\(L < l < R\) en \(R < b < B\) |
| matige afname | -~ |
\(L < l < R\) en \(b < R\) |
| afname | - |
\(l < L\) en \(L < b < R\) |
| sterke afname | -- |
\(l < L\) |
| mogelijke toename | ?+ |
\(L < l < R\) en \(B < b\) |
| mogelijke afname | ?- |
\(l < L\) en \(R < b < B\) |
| onduidelijk | ? |
\(l < L\) en \(B < b\) |
## Scale for colour is already present.
## Adding another scale for colour, which will replace the existing scale.## Warning: No shared levels found between `names(values)` of the manual scale and the
## data's fill values.Voorbeeld van de tien mogelijke interpretaties
van een effect door het 90% interval te vergelijken met een referentie,
ondergrens en bovengrens.