Notat vedr. interkalibrering af ålegræs



Relaterede dokumenter
Dokumentation for genopretning af TN og TP data fra perioden

Udvikling i udvalgte parametre i marine områder. Udvikling i transport af nitrat på målestationer

INTERKALIBRERING AF MAKROALGER OG ÅLEGRÆS 2014

Notat om basisanalyse: Opgave 2.2 Stofbelastning (N, P) af søer og kystvande

Præcisering af trendanalyser af den normaliserede totale og diffuse kvælstoftransport i perioden

Notat vedr. tidlig såning af vintersæd i Landovervågningen

Individ identifikation af ulve fra spytprøver fra bidsår på husdyr og vildt samt fra ekskrementer

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Produkt og marked - matematiske og statistiske metoder

Screening af brug af Side Scan Sonar og bortsprængning af miner i Samsøbælt, Langelandsbælt og Begtrup Vig

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kortfattet redegørelse vedr. udlægning af sten i Flensborg Fjord

Bemærkninger til Naturstyrelsens retningslinjer for behandling af data for miljøfarlige forurenende stoffer i Basisanalysen

Introduktion til GLIMMIX

DNA analyse til artsidentifikation af spytprøver fra kalve, får og lam

Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)

Dokumentation Søoplande

Blue Reef. Status for den biologiske indvandring på Læsø Trindels nye rev i 2011 AARHUS AU UNIVERSITET

Analysestrategi. Lektion 7 slides kompileret 27. oktober :24 p.1/17

Identifikation af DNA-sekvenser fra ulv og hund i spytprøver fra bidsår på husdyr og vildt samt i ekskrementer

Normalfordelingen og Stikprøvefordelinger

Interkalibrering Sedimentprøvetagning i søer

Effekt af randzoner AARHUS AU UNIVERSITET. Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 24. november 2015

Eksamen ved. Københavns Universitet i. Kvantitative forskningsmetoder. Det Samfundsvidenskabelige Fakultet

Omfanget af bifangster af fugle i nedgarn i fritidsfiskeriet i to NATURA2000- områder Statusrapport, april 2015

FAGLIG VURDERING AF SPØRGSMÅL VEDR. FALDENDE UDBYTTE FOR ARTER DER ER I FREMGANG

DNA analyse til artsidentifikation af spytprøver fra to dødfundne får

Notat om afstrømning generelt og udvaskning i LOOP oplandene i august/september 2010 samt vinteren 2010/11

Kvalitetssikring af indberetninger af vaskebjørn til Vildtudbyttestatistikken for jagtsæsonen 2012/13

grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen

Vurdering af Dansk Akvakulturs forslag til ændret vandindtag på dambrug

Naturtilstanden på kommunernes 3- områder og habitatområdernes småsøer

Identifikation af DNA-sekvenser fra ulv og hund i spytprøver fra bidsår på husdyr og ekskrementer

Resultater af DNA-analyser udført på indsendte spytprøver fra nedlagte husdyr fra 2. og 3. kvartal 2015

Demo af PROC GLIMMIX: Analyse af gentagne observationer

Teoretisk øvelse i prøvetagning af planteplankton i søer

Forelæsning 6: Kapitel 7: Hypotesetest for gennemsnit (one-sample setup)

DNA analyse af spyt-prøver fra et får, et rådyr samt et formodet ulve-ekskrement

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA)

Muligheder: NB: test for µ 1 = µ 2 i model med blocking ækvivalent med parret t-test! Ide: anskue β j som stikprøve fra normalfordeling.

Muligheder for at vurdere effekter af klimaforandringer

Rastefugle trækfugle på Tipperne og i Ringkøbing Fjord, 2014

Vildtudbyttestatistik for jagtsæsonen 2010/11

1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ

To-sidet varians analyse

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA)

Sandsynlighedsfordelinger for kontinuerte data på interval/ratioskala

Reduktioner i overvågningsprogrammet

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable

Supplerende kortlægning af luftforurening fra krydstogtskibe i Aarhus

Praktikpladsmangel øger risiko for at ende i passivitet

To samhørende variable

Ynglende ringduer i september, oktober og november

Angående Høring af opdateret nøgle og beskrivelser vedr. marine naturtyper jf habitatdirektivet

Kursus Introduktion til Statistik. Forelæsning 7: Kapitel 7 og 8: Statistik for to gennemsnit, ( , ) Per Bruun Brockhoff

National kvælstofmodel Oplandsmodel til belastning og virkemidler

Multipel regression. M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model

Dansk Erhvervs gymnasieanalyse Sådan gør vi

Udvikling i udvalgte parametre i vandløb og søer samt for udvalgte arter

Ensidet eller tosidet alternativ. Hypoteser. tosidet alternativ. nul hypotese testes mod en alternativ hypotese

Normalfordelingen. Statistik og Sandsynlighedsregning 2

Interkalibrering Sedimentprøvetagning i søer 2017

Overvågning af bæver i Danmark 2011

Rastende trækfugle på Tipperne og i Ringkøbing Fjord, 2015

Løsning til eksaminen d. 14. december 2009

Optællinger af ynglefugle i det danske Vadehav 2012

Algeovervågningsområde ved Agger Tange

Nanostatistik: Opgavebesvarelser

En Introduktion til SAS. Kapitel 5.

Vurdering af nitratkoncentrationer i jord og drænvand for station 102, Højvads

Module 4: Ensidig variansanalyse

Indberetning af vildsvin til Vildtudbyttestatistikken

Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 11. august 2016 Rev.: 6. oktober 2016

Udvikling i aktivitetsdata og emission

Indberetning af vildtudbytte for jagtsæsonen 2014/15 første sæson med reglen om vildtudbytte før jagttegn

Anvendt Statistik Lektion 7. Simpel Lineær Regression

Institut for Matematiske Fag Matematisk Modellering 1 UGESEDDEL 6

Beregning af bufferzoner på marker, der grænser op til Kategori 1 og 2 natur

Sparede eksterne omkostninger for luftforurening ved en geografisk udvidelse af ren-luftzone i København

Ekstremværdianalyse af vandføringsdata

Information om retentionsfaktorer for fosfor i vandløb for målte/umålte oplande

Screening af BALTOPS 13 øvelsesaktiviteter i relation til Natura 2000 habitatområder

Tovejs-ANOVA (Faktoriel) Regler og problemer kan generaliseres til mere end to hovedfaktorer med tilhørende interaktioner

Uge 43 I Teoretisk Statistik, 21. oktober Forudsigelser

AARHUS AU UNIVERSITET. Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 13. maj Karsten Dahl. Institut for Bioscience

Vurdering af datagrundlag for virkemidlet tidlig såning af vinterhvede som mulig alternativ til efterafgrøder

Matematisk Modellering 1 Cheat Sheet

Screening af sprængninger i forbindelse med ammunitionsrydning i Hullebæk skydeområde ved Raghammer Odde

1 Hb SS Hb Sβ Hb SC = , (s = )

Løsning eksamen d. 15. december 2008

Forespørgsel fra Miljø- og Fødevareministeriet vedr. fejlanalyser

a) Har måleresultaterne for de 2 laboranter samme varians? b) Tyder resultaterne på, at nogen af laboranterne måler med en systematisk fejl?

Talmateriale vedr. landbrugets og skovbrugets udledninger til vandløb

Dansk Erhvervs gymnasieeffekt - sådan gør vi

Vejledende besvarelse af eksamen i Statistik for biokemikere, blok

I dag. Statistisk analyse af en enkelt stikprøve: LR test og t-test, modelkontrol, R Sandsynlighedsregning og Statistik (SaSt)

Konfidensintervaller og Hypotesetest

Naturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1

I dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd

ELISA. ELISA (enzyme-linked immunosorbent assay) forsøg bruges til at detektere og kvantificere stoffer såsom proteiner, peptider, antistoffer o.lig.

Transkript:

Notat vedr. interkalibrering af ålegræs Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 4. januar 2012 Michael Bo Rasmussen Thorsten Balsby Institut for Bioscience Rekvirent: Naturstyrelsen Antal sider: 10 Faglig kommentering: Dorte Krause-Jensen Kvalitetssikring, centret: Poul Nordemann Jensen Tel.: +45 8715 0000 E-mail: dmu@dmu.dk http://www.dmu.au.dk

Indhold Metode 3 Statistik 6 Resultater 7 Dybdegrænse 7 Dækningsgrad 8 Konklusion 10

Metode Interkalibrering af ålegræsundersøgelserne blev udført på 2 transekter i Kalø Vig i perioden 10. 11. oktober 2011 (Figur 1). Formålet med interkalibreringen var at undersøge, om de traditionelle ålegræsundersøgelser kan erstattes af videooptagelser langs transekten. Figur 1. Kalø Vig med angivelse af transekter for ålegræsundersøgelserne I interkalibreringen deltog følgende biologer/dykkere: Grethe Bruntse, Naturstyrelsen Ribe Jens Sund Lauersen, Naturstyrelsen Aalborg Jens Deding, Naturstyrelsen Aalborg Michael Bo Rasmussen, Institut for Bioscience, Aarhus Universitet. På hver lokalitet blev der udlagt en blyline på havbunden med angivelse af 5 m intervaller (Figur 3). Ålegræstransekterne blev udlagt som T-formede, dvs. de former en linje fra kysten og ud til ålegræssets maksimale dybdegrænse (den maksimale dybde hvor der forekommer skud af ålegræs). Linjen repræsenterer en bredde på ca. 2 m, dvs. 1 m på hver side af linjen (Figur 3). Ved den maksimale dybdegrænse blev undersøgelserne fortsat vinkelret på den oprindelige linje, og her blev ålegræssets maksimale dybdegrænse registreret i 7 punkter (Figur 4). Dybdegrænsen for hovedudbredelsen (den maksimale dybde hvor der forekommer en dækningsgrad på 10%) blev ligeledes registreret med én observation per transekt per dykker. Registreringerne af vegetationsforholdene ved hjælp af video blev udført langs de samme to transekter med et videokamera monteret på en slæde (Figur 2). Videokameraet blev ved dækningsgradsundersøgelserne slæbt af en dykker langs linen, således den var ca. 0,5-1 m over bunden og vendt i sejl- 3

retningen i ca. 30 vinkel ned mod bunden. Ved registrering af videoens vegetationsoplysninger, blev videoens tidskode koblet med de positionsoplysninger, der blev logget under sejladsen. Ved gennemsyn af videooptagelserne blev dækningsgraden vurderet som et gennemsnit for hvert 5 m s interval. Når den maksimale dybdegrænse blev nået blev optagelserne fortsat med båd i zigzag på tværs af transektet ca. 300 m til hver side (Figur 4). Figur 2. Videoslæde med angivelse af kamera og datalogger/dybdemåler. Figur 3. Transekt med udlagt blyline med angivelse af 5 m intervaller. De stiplede linjer angiver 2 m bæltet for vurdering af dækningsgraden. 4

Figur 4. Fastlæggelse af den maksimale dybdegrænse for ålegræs på baggrund af video sejlads og dykker observationer. 5

Statistik Til analysen af ålegræs data er der anvendt mixed models (proc mixed) og generaliserede linear models (proc glimmix). Alle beregninger er foretaget i SAS vers 9.2 (SAS Institute, Cary NC). I analysen af dybdegrænse er transekt medtaget som tilfældig variabel for at håndtere den mangel på uafhængighed, der er på observationer indenfor et transekt. Bemærk at least square means (lsmeans) estimater er brugt i stedet for almindelige gennemsnit. Dette skyldes, at observationerne ikke er uafhængige, idet de er taget i to transekter og derfor bør traditionelle gennemsnit ikke anvendes. Metodetest for dybdegrænser: Vi laver to tests for at sammenligne video metoden med den traditionelle dykker metode til estimering af ålegræssets dybde grænser. I den ene testes forskellen på video og dykker metoden ved sammenligning af alle estimaterne på dybdegrænsen. Det bør bemærkes at der kun er et sæt video estimater med replikater per transekt, mens der er 4 sæt estimater per transekt for dykker metoden. Den ulige fordeling af observationer i de to metode grupper kan svække testens power. Den anden test laves på 10% dækningsgradsdybden, hvor hver dykker har estimeret dækningsgrad både ved dykning og ved videoestimering. Begge tests laves som en mixed model med transekt og dykker som tilfældige variable. Test af forskel mellem de enkelte dykkeres estimater og videoestimatet af dybdegrænser: For at bestemme variansen på de enkelte dykkere laves en random effects model hvor de enkelte dykkeres estimater sammenlignes parvist med videoestimatet. Metodetest for dækningsgrader: I analysen af dækningsgrad bruges en generalized linear model hvor dykker medtages som tilfældig variabel. Modellen tager hensyn til repeated measures observationer, der skyldes, at det er det samme transekt, som måles under dykning og ved dykkerens analyse af videooptagelsen fra transektet. 6

Resultater Dybdegrænse Metodetest: Sammenligning af dykker og video estimeringsmetoden Der er ikke signifikant forskel på estimatet af dybdegrænsen der opnås ved dykker og video-metoden (Figur 5, mixed model F 1,58=0,03, p=0,86). Analysen af 10 % dækningsgradsdybden viste ligeledes at der ikke var signifikant forskel på den dybde der findes ved hhv video og dykker estimerings metoden (Figur 6, Mixed model F 1,8=1,55, p=0,25). Der kan således ikke detekteres en forskel på dybdegrænsen estimeret ved de 2 metoder. Figur 5. LSmeans±SE estimat for ålegræssets dybdegrænse for hhv. dykker og video estimeringsmetoden. LS means for dybdegrænse (m) 6 5 4 3 2 1 0 Dykker Video Figur 6. LSmeans±SE estimat for ålegræssets 10% dækningsgrad dybdegrænse. LS means 10 % dybdegrænse (m) 6 5 4 3 2 1 0 Dykker Video 7

Test af forskel mellem de enkelte dykkeres estimater og videoestimatet af dybdegrænser: Overordnet er der signifikant forskel på de enkelte dykkeres estimat af dybdegrænserne samt videoestimatet (Figur 7, Mixed models F 4,62=5,41, p=0,0008). Flere af dykkerne afviger signifikant fra videoestimatet, se tabel 1. Det bør dog bemærkes, at afvigelsen i alle tilfælde er ret begrænset, og at dykkernes estimat ligger både over og under videoestimatet. En random effects model viser endvidere, at variansen for hver enkelt dykker og video kun varierer mellem 0,70 og 0,73, så variationen omkring estimatet for både dykkere og videoestimatet er omtrent ens (1:1 ratio). Video estimering giver dermed en variation svarende til en dykker, og video estimatet ligger mellem dykkernes estimater. Video estimatet repræsenterer således kun den variation, som man kunne forvente, hvis endnu en dykker havde deltaget i undersøgelsen. Figur 7. LSmeans±SE estimat for ålegræssets dybdegrænse for hver dykker og video. Lsmeans for dybdegrænse (m) 6 5 4 3 2 1 0 1 2 3 4 Video Dykker Tabel 1. LSmeans for hver dykker og video dybdegrænse estimater. Dykker Estimat SE DF t P 1 4.9642 0.1650 62 30.08 <0.001 2 5.4836 0.1633 62 33.57 <0.001 3 5.2214 0.1633 62 31.97 <0.001 4 5.0629 0.1633 62 30.99 <0.001 Video 5.2488 0.1650 62 31.80 <0.001 Dækningsgrad Dækningsgradsdata er ikke normalfordelte, og lader sig ikke transformere til noget, der virkelig tilnærmer normalfordeling. Det er derfor valgt at gruppere observationerne på basis af dækningsgraderne, således at der er et ligeligt antal observationer i grupperne (se Tabel 2), og så grupperne rummer dækningsgrader, det i nogle tilfælde kan være svært at adskille præcist f.eks. 1 og 2 %. 8

Grupperingerne analyseres derefter med en generaliseret linear mixed model (Proc glimmix), hvor observationerne angives som multinomialfordelt dvs. den afhængige variabel er grupperne for dækningsgraderne. Tabel 2. Klassifikation af dækningsgrader til gruppe til brug for multinomial fordelingen. Dækningsgrad (%) Antal observationer Dækningsgradsgruppe 0 257 0 (ingen ålegræs) 1 63 1(dækningsgrad 1-<20 %) 2 24 1(dækningsgrad 1-<20 %) 3 2 1(dækningsgrad 1-<20 %) 5 32 1(dækningsgrad 1-<20 %) 10 36 1(dækningsgrad 10-<20 %) 15 13 1(dækningsgrad 10-<20 %) 20 18 2 (dækningsgrad 20-50%) 25 11 2 (dækningsgrad 20-50%) 30 24 2 (dækningsgrad 20-50%) 40 15 2 (dækningsgrad 20-50%) 50 8 2 (dækningsgrad 20-50%) 60 12 3 (dækningsgrad >50-<100%) 70 17 3 (dækningsgrad >50-<100%) 80 17 3 (dækningsgrad >50-<100%) 85 1 3 (dækningsgrad >50-<100%) 90 23 3 (dækningsgrad >50-<100%) 95 38 3 (dækningsgrad >50-<100%) 98 5 3 (dækningsgrad >50-<100%) 100 143 4 (dækningsgrad 100 %) Glimmix analysen viste, at der ikke var signifikant forskel på dykker og video estimeringsmetoden (Generalised linear mixed model F 1,373=0,07, p=0,7848). For at estimere variansen for hver enkelt dykker blev analysen også lavet for hver enkelt dykker. Denne analyse viste, at der ikke var stor forskel på variansen mellem dykkerne (Tabel 3). Tabel 3. Variansestimater for hver enkelt dykker. Dykker Estimat % SE 1 16.5 4.2 2 15.5 4.0 3 20.7 5.3 4 16.3 4.1 9

Konklusion Undersøgelserne viser Dybdegrænser Metodetest: Der ingen signifikant forskel dykker og videoestimerings metoden på estimatet af dybdegrænsen eller 10 % dybdegrænsen. Test af forskel mellem de enkelte dykkeres estimater og videoestimatet: Når man tester dykkerestimaterne enkeltvis mod videoestimaterne er der dog en signifikant forskel, men forskellen er meget begrænset, og video estimatet repræsenterer kun den variation, som man kunne forvente, hvis endnu en dykker havde deltaget i undersøgelsen. Årsagen til variationen er formentlig, at ålegræssets dybdegrænse varierer langs den T- formede linie, og dybdegrænsen er bestemt af de 4 dykkere i forskellige punkter, som ikke nødvendigvis er de samme, som videoslæden har passeret, se figur 4. Dækningsgrad Der er ingen signifikant forskel på dykker og videoestimeringsmetoden med hensyn til bedømmelsen af ålegræssets dækningsgrad. Der generelt ikke stor forskel mellem de enkelte dykkeres bedømmelse af dækningsgraden. Samlet konklusion På denne baggrund konkluderes det, at i områder hvor vegetationen af blomsterplanter udelukkende udgøres af ålegræs, kan ålegræsundersøgelser erstattes af videooptagelser langs transekten. 10