Halak fajkompozíciója és hidromorfológiai változók közötti összefüggések a Duna magyarországi szakaszán
Absztrakt
Hiányos ismeretekkel rendelkezünk a halközösségek szerkezetét meghatározó abiotikus tényezők jelentőségéről nagy folyókban. Kutatásunkban a Duna magyarországi szakaszán 2004. és 2022. között végzett halfaunisztikai felmérésekben szereplő 20 leggyakoribb halfaj előfordulásaihoz rendeltünk vízügyi adatsorokból, illetve hidrodinamikai szimulációkból adatokat és ezek között gépi tanulás (Machine Learning-ML) segítségével kerestünk összefüggéseket. Az elemzésben független változóként feltüntetett 9 abiotikus tényező közül a sodrás sebessége, a vízmélység és a mederanyag összetétele bizonyultak a legmeghatározóbb változóknak, ami összecseng a korábbi kutatások eredményeivel. Emellett, az általunk készített Random Forest modell alkalmasnak bizonyult adott körülmények mellett az elemzett halfajok számosságának prediktálására a Duna teljes hazai szakaszán. Ezek a becslések az egyes halfajok számára optimális élőhelyeket számszerűsítik. A ML elemzés mellett lehetőségeket mutattunk a nagy teret és időt lefedő halfaunisztikai adatbázis populációs kapcsolatok vizsgálatában (mint például invazív és őshonos fajok viszonya) való használatára klasszikus statisztikai módszerekkel. Az itt kapott eredmények sok esetben összecsengtek a random forest modellel, azonban okot adnak a modell további független változókkal való bővítésére a dunai halfajok ökológiájának jobb megértése érdekében.
Hivatkozások
A Víz keretirányelv hazai megvalósítása (2009). Vízgyűjtő-gazdálkodási terv. Budapest: Vízügyi és Környezetvédelmi Központi Igazgatóság.
Baranya S., Fleit G., Józsa J., Szalóky Z., Tóth B., Czeglédi I., Erős T. (2018). Habitat mapping of riverine fish by means of hydromorphological tools. Ecohydrology, 11(7). https://doi.org/10.1002/eco.2009
Bergström, P., Gonzalez-Mirelis, G., Lindegarth, M. (2011). Interaction between classification detail and prediction of community types: implications for predictive modelling of benthic biotopes. Marine Ecology Progress Series, 432. pp. 31-44. https://doi.org/10.3354/meps09129
Chevalier, M., Tedesco, P., Grenouillet, G. (2022). Spatial patterns in the contribution of biotic and abiotic factors to the population dynamics of three freshwater fish species. PeerJ Life & Environment, 10:e12857. https://doi.org/10.7717/peerj.12857
Copp, G.H. (1990). Shifts in the microhabitat of larval and juvenile roach, Rutilus rutilus (L.), in a floodplain channel. Journal of Fish Biology, 36. pp. 683-692. https://doi.org/10.1111/j.1095-8649.1990.tb04322.x
Elmahdy, S., Ali, T., Mohamed, M., Howari, F., Abouleish, M., Simonet, D. (2020). Spatiotemporal Mapping and Monitoring of Mangrove Forests Changes From 1990 to 2019 in the Northern Emirates, UAE Using Random Forest, Kernel Logistic Regression and Naive Bayes Tree Models. Frontiers in Environmental Science, 8. pp. 102-125. https://doi.org/10.3389/fenvs.2020.00102
Erős T., Vörös J. (2017). Áttekintés a hazai idegenhonos inváziós halak, kétéltűek és hüllők jelenlegi helyzetéről. Magyar Tudomány, 4. pp. 426-428.
Farkas-Iványi K., Trájer A. (2015). The influence of the river regulations on the aquatic habitats in river Danube, at the Bodak branch-system, Hungary and Slovakia. Carpathian Journal of Earth and Environmental Sciences, 10(3). pp. 235-245.
Franco, A., Garcia-Berthou, E., dos Santos, L. (2020). Ecological impacts of an invasive top predator fish across South America. Science of The Total Environment, 761., 143296. https://doi.org/10.1016/j.scitotenv.2020.143296 PMid:33187704
Füstös V., Baranya S., Fleit G., Erős T., Szalóky Z., Tóth B., Józsa J. (2019). A felső‐magyarországi Duna élőhelyszempontú hidrodinamikai vizsgálata. Pisces Hungarici, 13. pp. 81-90.
Füstös V., Erős T., Józsa J. (2021). 2D vs. 3D Numerical Approaches for Fish Habitat Evaluation of a Large River-Is 2D Modeling Sufficient? Periodica Polytechnica Civil Engineering, 65(4). pp. 1114-1125. https://doi.org/10.3311/PPci.17788
Garner, P. (1995). Suitability indices for juvenile 0+ roach [rutilus rutilus (l.)] using point abundance sampling data. Regulated Rivers: Research & Management, 10(2-4). pp. 99-104. https://doi.org/10.1002/rrr.3450100206
Harka Á., Sallai Z. (2004). Magyarország halfaunája. Szarvas: Nimfea Természetvédelmi Egyesület., p. 269.
Jackson, D.A., Peres-Neto, P.R., Olden, J.D. (2001). What controls who is where in freshwater fish communities – the roles of biotic, abiotic and spatial factors. Canadian Journal of Fisheries and Aquatic Sciences, 58(1), pp. 157-170. https://doi.org/10.1139/f00-23
Kottelat, M., Freyhof, J. (2007). Handbook of European Freshwater Fishes. Cornol, Switzerland and Berlin, Germany: Maurice Kottelat and Jörg Freyhof. p. 646.
Liu, Z., Peng, C., Work, T., Candau, J.-N., DesRochers, A., Kneeshaw, D. (2018). Application of machine learning methods in forest ecology: recent progress and future challenges. Environmental Reviews, 26(10). pp. 339-350. https://doi.org/10.1139/er-2018-0034
Matuszek, J.E., Beggs, G. (1988). Fish Species Richness in Relation to Lake Area, pH, and Other Abiotic Factors in Ontario Lakes. Canadian Journal of Fisheries and Aquatic Sciences, 45(11). pp. 1931-1941. https://doi.org/10.1139/f88-225
Meyer, H., Pebesma, E. (2021). Predicting into unknown space? Estimating the area of applicability of spatial prediction models. Methods in Ecology and Evolution, 12(9). pp. 1620-1633. https://doi.org/10.1111/2041-210X.13650
Near, T., Page, L., Mayden, R. (2001). Intraspecific phylogeography of Percina evides (Percidae: Etheostomatinae): an additional test of the Central Highlands pre-Pleistocene vicariance hypothesis. Molecular Ecology, 10. pp. 2235-2240. https://doi.org/10.1046/j.1365-294X.2001.01362.x PMid:11555265
Olden, J., Lawler, J., Poff, N. (2008). Machine learning methods without tears: A primer for ecologists. The Quarterly Review of Biology, 83(2). pp. 171-193. https://doi.org/10.1086/587826 PMid:18605534
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, É. (2011). Scikit-learn: Machine Learning in Python, JMLR, 12. pp. 2825-2830. https://jmlr.csail.mit.edu/papers/v12/pedregosa11a.html
Quist, M.C., Hubert, W.A. (2005). Relative Effects of Biotic and Abiotic Processes: A Test of the Biotic–Abiotic Constraining Hypothesis as Applied to Cutthroat Trout. Transactions of the American Fisheries Society, 134(3). pp. 676-686. http://dx.doi.org/10.1577/T04-112.1
Reiczigel J., Harnos A., Solymosi N. (2010). Biostatisztika nem statisztikusoknak. Nagykovácsi: Pars Kft.
Rossier, O., Castella, E., Lachavanne, J.-B. (1996). Influence of submerged aquatic vegetation on size class distribution of perch (Perca fluviatilis) and roach (Rutilus rutilus) in the littoral zone of Lake Geneva (Switzerland). Aquatic Sciences, 58(1), pp. 1-14. https://doi.org/10.1007/BF00877636
Sloss, B., Billington, N., Burr, B. (2004). A molecular phylogeny of the Percidae (Teleostei, Perciformes) based on mitochondrial DNA sequence. Molecular Phylogenetics and Evolution, 32. pp. 545-562. https://doi.org/10.1016/j.ympev.2004.01.011 PMid:15223037
Sylvain, C., Hervet, É., Lecomte, N. (2019). Applications for deep learning in ecology. Methods in Ecology and Evolution, 10. pp. 1632-1644. https://doi.org/10.1111/2041-210X.13256
Szalóky Z., Bammer, V., György Á.I., Pehlivanov, L., Schabuss, M., Zornig, H., Weiperth A., Erős T. (2015). Offshore distribution of invasive gobies (Pisces: Gobiidae) along the longitudinal profile of the Danube River. Fundamental Applied Limnology, 187(2), pp. 127-133. http://dx.doi.org/10.1127/fal/2015/0768
Szalóky Z., Füstös V., Tóth B., Erős T. (2021). Environmental drivers of benthic fish assemblages and fish-habitat associations in offshore areas of a very large river. River Research and Applications, 37(5). pp. 712-721. https://doi.org/10.1002/rra.3793
Szalóky Z., György, Á.I., Tóth B., Sevcsik A., Specziár A., Csányi B., Szekeres J., Erős T. (2014). Application of an electrified benthic frame trawl for sampling fish in a very large European river (the Danube River) - Is offshore monitoring necessary? Fisheries Research, 151. pp. 12-19. https://doi.org/10.1016/j.fishres.2013.12.004
Takács P., Czeglédi I., Ferincz Á. Sály P., Specziár A., Vitál Z., Weiperth A., Erős T. (2017). Non-native fish species in Hungarian waters: historical overview, potential sources and recent trends in their distribution. Hydrobiologia 795. pp. 1-22. https://doi.org/10.1007/s10750-017-3147-x
Tavares, C., Brauns, M., Hille, S., Krenek, S., Borcherding, J., Weitere, M. (2020). Tracing the colonization process of non-native gobies into a large river: the relevance of different dispersal modes. Biological Invasions, 22. pp. 2421-2429. https://doi.org/10.1007/s10530-020-02281-x
Tózsa I. (1998). Tájképi homogenitás Magyarországon. Földrajzi Értesítő, 47(3), pp. 432-445. https://www.mtafki.hu/konyvtar/kiadv/FE1998/FE19983_432-445.pdf
U.S. Fish and Wildlife Service (1985). Habitat suitability models and instream flow suitability curves: pink salmon. Biological report, 10.109. https://apps.dtic.mil/dtic/tr/fulltext/u2/a322912.pdf
Zajicek, P., Wolter, C. (2018). The gain of additional sampling methods for the fish-based assessment of large rivers. Fisheries Research, 197. pp. 15-24. https://doi.org/10.1016/j.fishres.2017.09.018
Copyright (c) 2024 Benedek Jandó, Vivien Füstös, Alexander Anatol Ermilov, Zoltán Szalóky, Tibor Erős, Sándor Baranya
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.