VLAAMS IMPULSPROGRAMMA NATUURONTWIKKELING

VLAAMS IMPULSPROGRAMMA NATUURONTWIKKELING

Ontwikkeling van een hydro-ecologisch model voor vallei-ecosystemen in Vlaanderen, ITORS-Vl VLINA 00/16 april 2002

Instituut voor Natuurbehoud

Universiteit Utrecht Milieukunde en Hydro-ecologie

Studie uitgevoerd van 1 oktober 2000 tot 31 september 2001 in het kader van het Besluit van de Vlaamse regering tot instelling en organisatie van een Vlaams Impulsprogramma Natuurontwikkeling van 8 februari 1995.

Instituut voor Natuurbehoud Promotor : Willy Huybrechts (coördinator) Medewerkers : Els De Bie Piet De Becker Universiteit Utrecht, Milieukunde en Hydro-ecologie Promotor : Martin Wassen Medewerkers : Ana Bio

Verslag van het Instituut voor Natuurbehoud 2002.18

Inhoud

Inhoud Lijst figuren Lijst tabellen Samenvatting Hoofdstuk 1 Inleiding 1.1

Probleemstelling .............................................. 1

1.2

Hydro-ecologische modellen .................................... 2

1.3

Hydro-ecologische modellen in Vlaanderen ...................... 2

1.4

ITORS ........................................................ 3

1.5

Wetenschappelijke doelstelling van het project ................ 4

Hoofdstuk 2 Basisgegevens 2.1

Inleiding ..................................................... 5

2.2

Studiegebieden ................................................ 5 2.2.1 De Doode bemde .......................................... 6 2.2.2 Snoekengracht ........................................... 7 2.2.3 Het Vorsdonkbos-Turfputten .............................. 7 2.2.4 Walenbos ................................................ 7 2.2.5 De Vallei van de Zwarte Beek ............................ 8

2.3

Biotische gegevens ............................................ 8 2.3.1 Inleiding ............................................... 8 2.3.2 Plantensoorten .......................................... 9 2.3.3 Vegetatietypen .......................................... 9

2.4

Abiotische gegevens .......................................... 11 2.4.1 Grondwater ............................................. 12 2.4.2 Bodem .................................................. 13 2.4.3 Beheer ................................................. 13

2.5

Beschikbare gegevens ......................................... 14

Hoofdstuk 3 Verwerking van gegevens 3.1

Inleiding .................................................... 15

3.2

Verschillen in het verzamelen van data ....................... 15

3.3

Van punt naar raster ......................................... 16 3.3.1 Rotatie raster ......................................... 17 3.3.2 Ruimtelijke analyse .................................... 18 3.3.3 Geostatistiche interpolatie ............................ 21

Hoofdstuk 4 Gebiedsafhankelijkheid 4.1

Inleiding .................................................... 23

4.2

Gebiedsvariabelen ............................................ 23

4.3

Ecologische amplituden ....................................... 27

Ontwikkeling van een hydro-ecologisch model voor vallei-ecosystemen in Vlaanderen, ITORS-Vl VLINA 00/16

Inhoud

4.4

Situering studiegebieden in de Vlaamse context ............... 31

4.5

Conclusies ................................................... 32

Hoofdstuk 5 Selectie variabelen 5.1

Inleiding .................................................... 33

5.2

Correlatie analyse ........................................... 33

5.3

Factor analyse ............................................... 35 5.3.1 Factoranalyse op grondwaterchemische gegevens .......... 35 5.3.2 Factoranalyse op grondwaterdynamische gegevens ......... 37 5.3.3 Factoranalyse op grondwaterchemische en –dynamische gegevens ............................................... 40

5.4

Canonische correspondentie analysen .......................... 42

5.5

Bodem 50

5.6

Nutriënten ................................................... 50

5.7

Conclusies ................................................... 52

Hoofdstuk 6 Regressiemodellen 6.1

Inleiding .................................................... 53

6.2

Modeltype .................................................... 53

6.3

Selectie van modeltermen en modelcomplexiteit ................ 56 6.3.1 Factoren ............................................... 56 6.3.2 Interactie tussen factor bodem en de continue variabele gemiddelde grondwaterstand ............................. 59 6.3.3 Minimum curven ......................................... 59

6.4

Berekende modeltypen ........................................ 60

6.5

Samenvatting van model criteria .............................. 62

Hoofdstuk 7 Model evaluatie 7.1

Inleiding .................................................... 63

7.2

Statistische evaluatie ....................................... 63 7.2.1 Model goodness-of-fit .................................. 63 7.2.2 Model discriminatie .................................... 67 7.2.3 Betrouwbaarheidsintervallen ............................ 69

7.3

Evaluatie ruimtelijke patronen ............................... 72 7.3.1 Soorten en vegetatietypen .............................. 72 7.3.2 Voorspellingskaarten voor de vegetatietypen ............ 78 7.3.3 Soorten met lage GOF ................................... 84

7.4

Conclusies ................................................... 86

Hoofdstuk 8 Validatie 8.1

Inleiding .................................................... 89

8.2

Beschrijving testgebieden .................................... 89 8.2.1 Aardgat ................................................ 89 8.2.2 Rodebos ................................................ 89 8.2.3 Dijlevallei ............................................ 90


Inhoud

8.2.4 Webbekom ............................................... 90 8.3

Beschikbare gegevens ......................................... 90

8.4

De modellen in de testgebieden ............................... 92

Hoofdstuk 9 ITORS-VL 9.1

Inleiding .................................................... 95

9.2

Verschillen tussen ITORS en ITORS-Vl dataset ................. 95

9.3

ITORS-Vl inpassen in de ITORS programmatuur .................. 97 9.3.1 Variabelen ............................................. 97 9.3.2 Twee modeltypen ........................................ 97 9.3.3 Drempelwaarden ......................................... 98 9.3.4 Lijsten met ecotooptypen en freatofytgroepen ........... 98

Hoofdstuk 10 Toepassingen met ITORS-VL 10.1

Scenario 1: vernatting in Doode Bemde ........................ 99

10.2

Scenario 2:verandering in grondwaterchemie van Vorsdonkbos .. 103

10.3

Scenario 3: verdroging ...................................... 107

10.4

Scenario 4 : wijziging van het beheer ....................... 113

10.5

scenario 5: Conclusies ...................................... 116

Hoofdstuk 11 Algemene conclusies, toepassingsmogelijkheden en beperkingen van ITORS-Vl ...................................................... 119

Referenties

...................................................... 127

Bijlagen


Lijst van figuren

Lijst van Figuren Figuur 2.1 Figuur 3.1 Figuur 3.2

Figuur 3.3 Figuur 3.4 Figuur 3.5 Figuur 3.6

Figuur 4.1 Figuur 4.2 Figuur 4.3 Figuur 4.4 Figuur 4.5 Figuur 4.6 Figuur 4.7

Figuur 5.1

Figuur 5.2

Figuur 5.3

Figuur Figuur Figuur Figuur Figuur Figuur Figuur Figuur

5.4 5.5 5.6 5.7 5.8 5.9 6.1 6.2

Locatie van de studiegebieden Opnameraster en locatie van peilbuizen voor Vorsdonkbos Vergelijking niet-geroteerde en geroteerde middelpunten van elke rastercel voor de Doode Bemde Vergelijking niet-geroteerde en geroteerde middelpunten van elke rastercel voor het Walenbos Sferisch, gaussisch, exponentieel en lineair model Het empirisch semivariogram voor SO4 in de Zwarte Beek Isolijnenpatroon voor blokkriging gebaseerd op semivariogramanalyse en blokkriging met standaardinstelling in SURFER voor pH in Vorsdonkbos Boxplot voor concentratie aan HCO3 voor de standplaats van Arrhenatherum elatius Boxplot voor concentratie aan Ca voor de standplaats van Saxifraga granulata Boxplot voor Ca-concentratie voor de standplaats van Rumex hydrolapatum Boxplot voor Ca-concentratie voor de standplaats van Carex acuta Boxplot voor conductiviteit van standplaats van Rumex hydrolapatum Boxplot voor Ca-concentratie voor de standplaats van Carex curta Vergelijking van de hydrochemische ranges van de vijf studiegebieden met het gemiddelde van ca; 70 Vlaamse natuurgebieden Biplots van de factoranalyse van de chemische variabelen (abscis en ordinaat zijn telkens resp. de eerste en de tweede ordinatieas) Biplots van de factoranalyse voor de dynamische variabelen (abscis en ordinaat zijn telkens resp. de eerste en de tweede ordinatieas) Biplots van de factoranalyse voor zowel chemische als dynamische variabelen(abscis en ordinaat zijn telkens resp. de eerste en de tweede ordinatieas) Biplot van CCA op de volledige dataset Biplot van DCCA op de dataset van Doode Bemde Biplot van CCA op de dataset van Snoekengracht Biplot van CCA op de dataset van Vorsdonkbos Biplot van CCA op de dataset van Walenbos Biplot van DCCA op de dataset van de Zwarte Beek Verdeling van de variabelen. Het lineaire responsmodel voor Equisetum fluviatile ten opzichte van kalium en het kwadratische model voor Scirpus sylvaticus ten opzichte van chloride

5 15 17

18 20 21 22

28 28 29 29 30 30 31

36

38

40

44 45 46 47 48 49 55 56


Lijst van figuren

Figuur 6.3

Figuur 7.1

Figuur 7.2

Figuur 7.3 Figuur 7.4

Figuur 7.5

Figuur 7.6

Figuur 7.7 Figuur 7.8 Figuur 7.9 Figuur 8.1 Figuur 10.1

Figuur 10.2

Figuur 10.3

Figuur 10.4

Voorbeeld minimum-curve in logistische regressie; respons curve voor de soort Arrhenatherum elatior en de verklarende variabel SO42Kruistabel met a = opnamen met waargenomen en voorspelde aanwezigheid, b = opnamen met waargenomen afwezigheid maar voorspelde aanwezigheid, c = opnamen met waargenomen aanwezigheid maar voorspelde afwezigheid, d = opnamen met waargenomen en voorspelde afwezigheid, N = totaal aantal opnamen Het lineaire responsmodel voor Equisetum fluviatile ten opzichte van de kalium concentratie en het kwadratische model voor Scirpus sylvaticus ten opzichte van de chloride concentratie. Voorbeelden per klasse bekomen uit de ruimtelijke evaluatie: Vegetatiekaart voor de 4 studiegebieden in het model VexW. Rasters geven geobserveerde vegetatietype weer, de cirkels geven de voorspellingen weer Vegetatiekaart voor de 5 studiegebieden in het model VinW. Rasters geven geobserveerde vegetatietype weer, de cirkels geven de voorspellingen weer Vegetatiekaart voor de 5 studiegebieden in het model VinWinW. Rasters geven geobserveerde vegetatietype weer, de cirkels geven de voorspellingen weer Validatiekaart voor Calthion door VinWinW in de 5 gebieden Validatiekaart voor Calla palustris door het model VinWinW Validatiekaart voor Calla palustris door het model VinWinW Ranges van de testgebieden voor de verschillende variabelen Kans op voorkomen van Carex acutiformis (Moeraszegge) in de Doode Bemde berekend voor de originele standplaatsgegevens (validatie) en voor de nieuwe standplaatsgegevens bij vernatting (scenario). Toegepast voor twee modellen: VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand Vegetatiekaart van de Doode Bemde berekend voor de originele (validatie) als voor de nieuwe standplaatsgegevens bij vernatting (scenario), gebruik makend van model VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand). Probabiliteiten berekend voor Carex curta (Zompzegge)in Vorsdonkbos met de originele standplaatsgegevens en deze van het nieuwe scenario. Dit voor de twee modellen VexW en VinWinW Vegetatiekaart van Vorsdonkbos berekend met de originele standplaatsgegevens (validatie) en de nieuwe standplaatsgegevens bij een verandering in grondwaterchemie (scenario 2). Toegepast voor twee modellen VexW (exclusief Walenbos) en

60

67

70

75 79

80

81

83 85 86 91 101

102

104

106


Lijst van figuren

Figuur 10.5

Figuur 10.6

Figuur 10.7

Figuur 10.8

Figuur 10.9

Figuur 10.10

VinWinW (inclusief Walenbos en grondwaterstand). Kans op voorkomen van Equisetum fluviatile berekend met de originele standplaatsgegevens (validatie) en nieuwe standplaatsgegevens bij een daling van de grondwaterstand van 0.5 m in de Zwarte Beek (scenario). Toegepast voor twee modellen: VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand Kans op voorkomen van Carex acutiformis berekend met de originele standplaatsgegevens (validatie) en nieuwe standplaatsgegevens bij een daling van de grondwaterstand van 0.3 m in de Snoekengracht (scenario). Toegepast voor twee modellen: VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand). Vegetatiekaart voor Snoekengracht berekend voor de originele standplaatsgegevens (validatie) als voor de nieuwe standplaatsgegevens bij een verlaging van de watertafel (scenario), dit voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand). Vegetatiekaart van de Zwarte Beek berekend voor het verdrogingscenario met de originele standplaatsgegevens (validatie) en de nieuwe standplaatsgegevens (scenario), dit voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand Probabiliteiten in Snoekengracht berekend voor de originele standplaatsgegevens (validatie) en voor het nieuwe beheer (scenario). Toegepast voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand) Vegetatiekaart berekend voor de originele standplaatsgegevens (validatie) en voor de nieuwe standplaatsgegevens (scenario), dit voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand)

108

109

110

112

114

115


Lijst van tabellen

Lijst van Tabellen Tabel 2.1 Tabel 2.2

Tabel 2.3 Tabel 4.1 Tabel 4.2

Tabel 4.3

Tabel 4.4

Tabel 5.1 Tabel 5.2 Tabel 5.3 Tabel 5.4

Tabel 5.5

Tabel 5.6

Tabel 5.7

Tabel 5.8

Tabel 5.9

Tabel 5.10

Tabel 5.11

Tabel 5.12

Overzicht dataset per gebied Hydrochemische variabelen, hun detectiegrenzen en de toegekende concentratie bij waarden lager dan de detectiegrens.Detectiegrenzen voor chemische analyse Overzicht van de beschikbare abiotische variabelen Multiple regressievergelijkingen per plantensoort en gebied Multiple regressievergelijkingen per plantensoort voor de vijf gebieden samen met ‘gebied’ als kandidaat variabele Multiple regressievergelijkingen per plantensoort voor de vijf gebieden samen waarbij het 'gebied' pas achteraf toegevoegd werd Multiple regressievergelijkingen voor Caltha palustris per gebied en voor de vijf gebieden samen Overzicht correlaties (>0.5) tussen chemische variabelen (gebiedscode in tabel 5.3) Overzicht correlaties (>0.5) tussen dynamische variabelen(gebiedscode in tabel 5.3) Verklaring gebruikte gebiedscode in tabellen 5.1 & 5.2 Overzicht eigenwaarden en percentage verklaarde variantie voor de factor analyse van de chemische variabelen Relatieve lengte van de bi-plotpijlen (voor de eerste twee assen) voor de chemische variabelen uit de factoranalysen (figuur 5.1) Overzicht eigenwaarden en percentage verklaarde variantie voor de factor analyse van de dynamische variabelen Relatieve lengte van de bi-plotpijlen (voor de eerste twee assen) voor de dynamische variabelen uit de factoranalysen (figuur 5.2) Overzicht eigenwaarden en percentage verklaarde variantie voor de factoranalyse van de chemische en dynamische variabelen samen Relatieve lengte van de bi-plotpijlen (voor de eerste twee assen) uit de factoranalysen voor de chemische en dynamische variabelen samen (figuur 5.3) Tabel 5.10: Lengte van de pijlen voor de verschillende variabelen op het CCAordinatiediagram van de volledige dataset voor as 1 en as 2) Lengte van de pijlen voor de verschillende variabelen op het CCA-ordinatiediagram voor as 1 en as 2 voor de Doode Bemde Lengte van de pijlen voor de verschillende variabelen in Snoekengracht op het CCAordinatiediagram voor as 1 en as 2

6 12

14 24 26

26

27

34 34 34 37

37

39

39

41

41

41

45

46


Lijst van tabellen

Tabel 5.13

Tabel 5.14

Tabel 5.15

Tabel 5.16 Tabel 6.1

Tabel 6.2

Tabel 7.1 Tabel 7.2

Tabel 7.3 Tabel 7.4

Tabel 7.5

Tabel 7.6

Tabel 7.7

Tabel 7.8 Tabel 7.9 Tabel 7.10 Tabel 7.11 Tabel 7.12

Tabel 8.1

Lengte van de pijlen voor de verschillende variabelen in Vorsdonkbos op het CCAordinatiediagram voor as 1 en as 2 Lengte van de pijlen voor de verschillende variabelen op het CCA-ordinatiediagram in het Walenbos voor as 1 en as 2 Lengte van de pijlen voor de verschillende variabelen in de Zwarte Beek op het CCAordinatiediagram voor as 1 en as 2 Vergelijking nutriëntenranges ITORS –ITORS-Vl Model samenstelling. Aantal keer de variabele geselecteerd is in de regressievergelijkingen voor de soorten en vegetatietypen. Aantal gelijke modelsamenstellingen voor de verschillende modellen voor de regressievergelijkingen van de plantensoorten Goodness-of-fit berekening voor het vegetatietype Caricion curto-nigrae Tabel met een samenvatting (gemiddelde en standaard deviatie) van de Goodness-of-fit (GOF) per model samen met een aantal regressies Tabel 7.3 Lijst van soorten met een lage GOF Aantal regressies (soorten en vegetatietypen) gerangschikt volgens verklaarde variantie (% Deviance) Tabel met samenvatting (gemiddelde, standaarddeviatie, maximum en minimum waarde) voor de discriminatiematen. Per model wordt eveneens het aantal regressies weergegeven met een discriminatie maat hoger dan respectievelijk 0.25, 0.5, 0.75 en 0.9. Ook het gemiddelde van deze maten is weergegeven per model Tabel met samenvatting (gemiddelde, standaard deviatie, minimum en maximum) van het gemiddelde BI (betrouwbaarheidsinterval) voor alle soorten per model berekend en het aantal vergelijkingen met een BI onder 0.1, tussen 0.1 en 0.2, groter dan 0.2 Tabel met soorten welke een gemiddeld betrouwbaarheidsinterval hebben hoger dan 0.2 (vet) voor tenminste 1 van de drie modellen. Cursieve waarden zijn hoger dan 0.1. Plantennamen in vet hebben een groot interval (> 0.2) voor de drie modellen samen. Overzicht per klasse van het aantal soorten samen met de gemiddelde GOF en standaard deviatie Overzicht per klasse van de discriminatiematen Overzicht van het aantal observaties, voorspellingen en % juiste voorspellingen Overzicht van de ruimtelijke evaluatie voor de vegetatietypen samen met de gemiddelde GOF Lijst van soorten met een lage GOF (< 0.01, grijze achtergrond) voor tenminste één modeltype samen met hun klassenindeling voor de ruimtelijke evaluatie. In vet staan de zeven soorten welke voor de drie modellen een lage GOF hebben Aantal opnamen en soorten per gebied betrokken in de validatie van het model

47

48

49

51 61

62

64 65

66 67

69

71

71

73 74 82 83 84

92


Lijst van tabellen

Tabel 8.2

Tabel 9.1 Tabel 10.1 Tabel 10.2


Tabel 10.5

Tabel 10.6

Tabel 10.7

Tabel 10.8

Tabel 11.1


Overzicht (gemiddelde en standaarddeviatie) van de discriminatie waarden voor de bier testgebieden Aardgat, Dijlevallei, Rodebos en Webbekom, toegepast met de drie modeltypen Overzicht van gegevens in ITORS en ITORS-Vl dataset Overzicht van de gemiddelde grondwaterstand in originele dataset en scenario 1 Overzicht van de reacties van soorten op vernatting met hun overeenkomstige GOF als indicatie van modelcorrectheid, zowel op totale dataset (GOFtot) als op het deelbestand van de Doode Bemde (GOFdeel) Overzicht van de grondwaterchemie gebruikt in de originele dataset en deze voor scenario 2. Overzicht van de reacties van een selectie van soorten en vegetatietypen op een verandering in grondwaterchemie samen met hun overeenkomstige GOF, zowel op totale dataset (GOFtot) als op het deelbestand van Vorsdonkbos (GOFdeel). Grondwaterstanden in scenario 3 voor de Zwarte Beek en de Snoekengracht na een verlaging van respectievelijk 0.5 en 0.3 m Overzicht van de reacties van soorten op een verandering in de grondwaterstand samen met hun overeenkomstige GOF, zowel op totale dataset (GOFtot) als op het deelbestand van de Vallei van de Zwart Beek (GOFdeel). Overzicht van de reacties van soorten op een verandering in de grondwaterstand samen met hun overeenkomstige GOF, zowel op totale dataset (GOFtot) als op het deelbestand van Snoekengracht (GOFdeel). Overzicht van de reacties van soorten op een jaarlijks beheer samen met hun overeenkomstige GOF als indicatie van modelcorrectheid, zowel op totale dataset (GOFtot) als op het deelbestand van Snoekengracht (GOFdeel). Lijst van soorten met een lage GOF (< 0.01, grijze achtergrond) voor tenminste één modeltype. In vet staan de zeven soorten welke voor de twee modellen een lage GOF hebben Lijst met de gebruikte vegetatietypen in ITORS-Vl Overzicht van het bereik van de abiotische variabelen (mean in m onder maaiveld, ionen in mg/L)

94

96 99 100

103 103

107

107

108

113

122

123 124


Samenvatting

Samenvatting Probleemstelling De laatste decennia hebben socio-economische veranderingen een algemene degradatie van het milieu en de nog aanwezige natuur tot gevolg gehad. Deze evolutie gaat nog steeds door: processen zoals verzuring, vermesting, versnippering en verdroging hebben een negatieve invloed op natuurwaarden. De laatste jaren is de aandacht voor deze processen sterk toegenomen, zowel op het beleidsniveau (Mira-T 1999) als op het vlak van het dagelijks natuurbeheer. De Vlaamse milieuadministratie probeert de verstoringen beter in beeld te brengen en met gerichte maatregelen wordt gepoogd de achteruitgang van het natuurlijke milieu tegen te gaan en de natuurwaarde opnieuw te verhogen. Zowel bij degradatie als bij restauratie van natuur is een inschatting van de effecten van de veranderingen in de milieuomstandigheden op het ecosysteem een noodzaak. Het laat toe de gevolgen van beleid- en beheersbeslissingen te voorzien. De ontwikkeling van vegetatie wordt door verschillende factoren bepaald. In valleigebieden waar vochtige en natte omstandigheden domineren, heeft de hydrologie een grote invloed op de vegetatieontwikkeling. Daarenboven zijn de potenties voor waardevolle vegetatietypen groot in valleigebieden. Kennis van de relatie tussen vegetatiestructuur en –samenstelling enerzijds en hydrologische condities anderzijds is een voorwaarde om valleigebieden kwaliteitsvol te beheren en uitspraken te doen over mogelijke vegetatieontwikkelingen na ingrepen. De integratie van deze kennis in een hydro-ecologisch model levert een instrument dat efficiënt kan worden ingezet, en een ruime waaier van toepassingsmogelijkheden heeft in het natuurbeleid en het natuurbeheer. Hydro-ecologische modellen specifiek ontwikkeld voor of aangepast aan Vlaamse valleigebieden zijn niet voor handen. Het gebruik in Vlaanderen van modellen die volledig in Nederland werden ontwikkeld is mogelijk maar stelt bepaalde nadelen. Door de uitgebreide gegevensbestanden die recent werden verzameld behoort het opstellen van een hydro-ecologisch model aangepast aan de Vlaamse condities tot de mogelijkheden. Een eerste stap in die richting wordt in dit onderzoeksproject gezet.

Doelstellingen De voornaamste doelstelling van het onderzoeksproject is het ontwikkelen van een voorspellend hydro-ecologisch model voor grondwaterafhankelijke terrestrische vegetaties in riviervalleien. Het model moet de gebruikers in staat stellen om de kansen op het voorkomen van bepaalde soorten en vegetatietypen in te schatten op basis van informatie met betrekking tot hydrologie, topografie, bodem en het gevoerde beheer in een bepaald gebied. Hierbij wordt gesteund op de bestaande kennis en instrumenten in Nederland. Met name ITORS (Invloed Terrestrisch milieu Op Responsie van Soorten, Ertsen 1995), een model dat door de vakgroep Milieukunde en Hydro-ecologie van de Universiteit Utrecht werd ontwikkeld, zal als basis dienen om een empirisch correlatief model te bouwen dat in Vlaanderen kan worden ingezet. Met ITORS-Vl 1.0 wordt een eerste stap gezet om de grote lacune die op het vlak van hydro-ecologische modellen in Vlaanderen in te vullen, zij het dat het toepassingsgebied zich voorlopig beperkt tot de Kempen, het Hageland en de Leemstreek. Hiervoor worden verschillende stappen doorlopen. In de eerste plaats wordt een datamatrix opgebouwd met gecombineerde gegevens over hydrologie, bodem, beheer, en de aanwezige plantensoorten (vaatplanten en mossen). Hiervoor werden bestaande gegevens gebruikt uit vijf studiegebieden. Een volgende stap is het berekenen van de wiskundige


Samenvatting verbanden tussen de kans op voorkomen van de soorten en de milieucondities. Dit gebeurt aan de hand van multiple regressie. De verzameling van de regressievergelijkingen vormt het hydro-ecologisch model. Tenslotte wordt het model geëvalueerd en getest aan de hand van zowel de gegevens waarmede het model werd gebouwd als met een externe dataset.

Methode Beschikbare gegevens De basisgegevens voor dit onderzoeksproject werden in eerdere projecten verzameld en zijn afkomstig uit 5 studiegebieden: Het Walenbos, De Snoekengracht, Vorsdonkbos-Turfputten, De Doode Bemde en De Zwarte Beek. Ze hebben betrekking op vegetatie, het ondiepe grondwater, de bodem en tenslotte het beheer. In de vijf studiegebieden werd een kartering van planten- en mossoorten uitgevoerd aan de hand van een gebiedsdekkende rastering. Per gebied werd een vooraf geselecteerde lijst van plantensoorten overlopen op aan/afwezigheid. Uitgangspunt bij het opstellen van de plantenlijsten zijn de freatofyten aangevuld met kensoorten voor de typische plantengemeenschappen in het gebied. Op de soortenlijsten die dienden voor de karteringen in de vijf gebieden komen in totaal 292 soorten voor (37 mossen en 255 hogere planten). Daarvan werden er 111 soorten consequent in de vijf gebieden gekarteerd. Niet alle soorten komen voldoende frequent voor om te worden betrokken in het onderzoek. De finale lijst omvat 80 soorten waarvan 5 mossen en 75 hogere planten. Hiervan maken de freatofyten (sensu Londo 1988), met 53 soorten, het merendeel uit. De vegetatietypen werden niet op het terrein gekarteerd, maar per gebied afgeleid uit de soortenkartering. In totaal werden 11 vegetatietypen weerhouden en als ‘pseudo-soorten’ behandeld. De voorspellende variabelen zijn afkomstig uit verschillende groepen van standplaatsfactoren: grondwaterdynamiek, grondwaterchemie, bodem en tenslotte ook beheer. Bodem en beheer werden eveneens in het karteerraster verzameld maar niet als continue variabelen. Dit in tegenstelling tot ITORS, waar ook de standplaatsvariabelen met betrekking tot de bodem gekwantificeerd zijn. In dit project wordt voor elk van deze variabelen een onderscheid gemaakt tussen een aantal klassen. Met betrekking tot het ondiepe grondwater worden met 20 hydrologische variabelen de dynamiek en de chemische samenstelling beschreven. De hydrologische variabelen werden verzameld in een piëzometernetwerk, dat min of meer gebiedsdekkend is. Om de hydrologische gegevens compatibel te maken met de andere data, werden ze van puntgegevens naar het gebiedsdekkende raster omgezet. Met interpolatie op basis van ruimtelijke analyse en blockkriging werd voor elke rastercel een waarde bekomen voor de hydrologische variabelen.

Samenvatting P025X P024X P047X P042X

P035X P052X P023X

P045X

P041X

P026X P043X P033X P059X P039X P040X P030X P032X

P051X

P022X P027X P021X

P049X

P007X

P020X P017X

P038X

P036X P031X P057X P005X

P037XP034X P003X

P058X

P054X P001A

P056X P029X N

P028X

P055X P010X

0

40

80

120 160 200 Meters

Figuur 1: Opnameraster (links) en locatie van de piëzometers (rechts) voor Vorsdonkbos.

Selectie variabelen De toepasbaarheid van een model wordt in het algemeen groter indien het aantal variabelen beperkter is. Daarom werd met behulp van multivariate analysetechnieken (correlatie-, factoren canonische correspondentieanalyse) maar ook rekening houdend met meer praktische overwegingen zoals de eenvoud van het verzamelen van meetresultaten op het terrein een verdere selectie van de variabelen doorgevoerd. Onderstaande lijst bevat de geselecteerde variabelen: S S S S

Beheer Bodem (model exclusief Walenbos) gemiddelde grondwaterdiepte (in m onder maaiveld) alle nutriënten (in ppm): NO3NH4+ - PO43- K+ S als chemische variabelen (in ppm, behalve IR) - Ca2+ - Cl- Fetot - Mg2+ - pH - SO42S Ionic Ratio

Samenstellen datamatrix Er zijn aanwijzingen dat responsfuncties van bepaalde soorten en vegetatietypen gebiedsgebonden zijn. Uit een eerste analyse van de responsfuncties in de verschillende gebieden, bleek dat de functie verschilde naargelang het gebied. Hoewel in dit project vooral met freatofyten gewerkt wordt, die in principe minder regioafhankelijk zijn, wordt deze vaststelling opnieuw bevestigd De beste regressiemodellen werden per gebied afzonderlijk verkregen. Bij samenvoeging van de gegevens uit de


Samenvatting verschillende gebieden draagt een gebiedsvariabele sterk bij aan de verklaring van de variantie. Uit de analyse kan echter ook worden afgeleid dat voor de 5 gebieden de verschillende responsfuncties per gebied niet noodzakelijk het gevolg zijn van een verschillende respons op de variabele(n). De voorkomende range voor een hydrologische variabele van het gebied speelt een rol. Met het model wordt een breed toepassingsveld nagestreefd. Het is ook van belang om een zo groot mogelijke range van omstandigheden te modelleren, en elk van de bemonsterde gebieden bevat maar een gedeelte van de mogelijke abiotische ranges. Op basis van deze overwegingen werd beslist om de informatie uit de verschillende gebieden samen te voegen in één model. Dit heeft verder het voordeel dat voor elke soort meer waarnemingen in de modelberekeningen beschikbaar zijn.

Multiple logistische regressies

kans van voorkomen

Het voorkomen van plantensoorten en vegetatietypen in afhankelijkheid van abiotische omgevingsfactoren (bodem, beheer, chemie en dynamiek van het grondwater) wordt met behulp van empirische Multiple Logistische Regressies gemodelleerd. Hierbij wordt gepoogd het waargenomen verspreidingspatroon van de planten op een zo eenvoudig mogelijke manier in getallen uit te drukken. De meest relevante omgevingsvariabelen die hierbij een rol spelen en de relatie (vorm van afhankelijkheid) tussen deze en de planten worden geïdentificeerd. Regressiemodellen zijn gebaseerd op relaties, niet noodzakelijk oorzakelijke, die in de dataset aanwezig zijn.

1.0

||| |||| |||

||||||||||||| ||||||||||||||||| | | | |||| ||

| | | || |

|||| | | | ||| |

0.8

0.6

0.4

0.2

0.0

||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||| ||||||||||||||||||||||||| |||| ||| ||||||||||||| | | |||| |||| |||| ||||| || | | |||| |||| ||||||||||||

0

10

20

30

40

50

| |

|

60

Fe

Figuur 2: Viola palustris gemodelleerd met een kwadratische functie van Fe als voorspellende variabele (de staafjes duiden op de observaties). ‘Logistische’ regressie verwijst naar de aan- of afwezigheid van soorten en vegetatietypen (in mathematische termen een binaire variabele), terwijl ‘multiple’ aangeeft dat men kan verwachten dat meerdere omgevingsfactoren samen op de planten invloed uitoefenen. De verzameling van regressievergelijkingen voor de verschillende soorten en vegetatietypen vormen samen een model. Het ontbreken van bodemgegeven voor Walenbos heeft consequenties bij het opstellen van het model. Kennis van het bodemtype – en daarmee van de capillariteit van de bodem – is belangrijk om de in piëzometers gemeten waterstanden te interpreteren. In een model kan dit opgelost worden door een interactieterm tussen bodemtype en grondwaterstand te definiëren. In functie van de beschikbare gegevens werden drie modeltypen in het project onderzocht, waarvan er uiteindelijk twee werden weerhouden, namelijk -

een algemeen model zonder de variabele ‘bodem’: VinWinW; een algemeen model op basis van alle variabelen, maar ontwikkeld zonder het deelbestand Walenbos, waarvoor geen bodemgegevens beschikbaar zijn: VexW.

Samenvatting Andere criteria bij de hydro-ecologische modellering zijn: -

er wordt gerekend met Gegeneraliseerde Lineaire Modellen (GLM) er worden regressies voor planten- en mossoorten berekend die ten minste in vijftien rastercellen voorkomen. er wordt geen transformatie toegepast op de data, de originele gegevens worden gebruikt. bodem en beheer zijn niet-continue klassenvariabelen en worden behandeld als factoren. Ze worden door ‘dummyvariabelen’ gemodelleerd aan de hand van codes. waterstanden worden met en zonder interactie met bodemtype gemodelleerd.

Resultaat: ITORS-Vl 1.0 Het resultaat van het onderzoek is het prototype van het hydro-ecologisch model ITORS-Vl 1.0. ITORS-Vl 1.0 berekent de kans op voorkomen van 80 soorten en 11 vegetatietypen op basis van kenmerken van het ondiepe grondwater, de bodem en het beheer. In deze versie voorspelt het model niet of de soort daadwerkelijk zal voorkomen of voorkomt. Dit heeft te maken met het concept van het model. Om te voorpellen of een soort al dan niet voorkomt, moeten namelijk drempelwaarden voor de probabiliteiten worden ingesteld, iets wat niet éénduidig kan worden opgelost. De aanwezigheid van vegetatietypen wordt wel voorspeld. Hiervoor wordt in dit project een eenvoudige beslisregel gehanteerd: het vegetatietype met de hoogste probabiliteit wordt het voorspelde vegetatietype. Het model wordt enerzijds geëvalueerd in dezelfde omgeving waar het werd ontwikkeld. Hierbij worden voor de betrokken studiegebieden en soorten trefkansen berekend die vergeleken worden met de oorspronkelijke veldwaarnemingen. De overeenkomsten dan wel discrepanties worden zowel met statistische maten als visueel op basis van ruimtelijke patronen beoordeeld. Daarnaast worden de modellen gevalideerd met "externe" gegevensbestanden, bestanden die niet voor de modelontwikkeling gebruikt werden. Hierdoor wordt een beeld verkregen van de veralgemeende toepassing van het model in andere valleigebieden. Slechts een beperkt aantal testgebieden is beschikbaar, gezien de meeste beschikbare data werden aangewend voor de ontwikkeling van het model. Gegevens afkomstig uit Aardgat, Rodebos, een deel van de Dijlevallei te Neerijse en de Demervallei nabij Webbekom worden gebruikt. De statistische en ruimtelijke evaluatie van beide modeltypen en de tests in bijkomende gebieden geven aan dat het model over het algemeen goed presteert bij het bepalen van de kans op voorkomen van soorten en vegetatietypen. Ze zijn in staat om voor de meeste onderzochte soorten, gebieden van elkaar te onderscheiden waar de soort kan voorkomen en waar niet. Voor vele soorten wordt ook intern in een gebied door de modellen op een correcte manier een onderscheid gemaakt tussen zones waar de soort kan voorkomen en waar niet. Bij het voorspellen van vegetatietypen blijkt 75% van de gevallen een juiste voorspelling te geven, wat een hoge score is.


Samenvatting Berula erecta

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

Probabilliteit (incl W incl B) 0 - 0.062 0.062 - 0.224 # 0.224 - 0.436 # 0.436 - 0.662 # 0.662 - 0.913 Dylrast.shp 0 1 #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

100

0

100

200 Met ers

#

#

# # #

# #

#

#

# #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

N

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

W

E

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

#

#

#

# #

#

#

#

#

#

# #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# # #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

# # #

#

#

#

#

#

# #

# # #

#

#

#

#

# #

#

#

#

#

# #

#

#

#

#

#

#

# #

#

# #

100

#

100

#

# #

0

#

#

#

#

#

100

#

#

#

#

#

#

#

# #

#

#

### ##

#

#

#

#

#

#### ### ## #

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

#

# #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# # # # # # # # # # # # # # # # ### # # # ##

#

#

#

#

#

#

# #

#

#

#

# #

#

#

#

#

# # #

#

#

#

#

#

# #

# #

#

#

#

#

# #

#

# #

#

#

# #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

#

#

#

#

#

#

#

#

# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# # # #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# # # # #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

#

#

#

#

#

# #

#

#

#

#

#

# #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

S #

#

#

#

#

#

#

# # #

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# # #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

#

#

#

# # #

#

#

#

#

#

#

#

#

#

#

#

0

#

#

100

200 Meters

200 Meters

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# # # # # #

# ## # ## ## #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# # # #

#

#

#

#

#

#

#

#

# # #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

# # # ## # # ## # ## # # ## # ## # # # ## # # # #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

# #

#

#

# #

# # # # # # # # # #

#

# # # # # # # #

# # # # # # #

##

###### ## ## # ###### ###### #### ###

## ## # ## # # # ## # # # # ## # # # # # # # # # # # ## # # # # # # # # # # # # # # ## # ## # # # # # # # # # # ## # ## # # ## # # # # # # ## # # # # # # # # # ## # # # ## # # # # # # # # # # ## # # # # # # # # # # ## # ## # # # # # # # # # # ## # ## # # # # # # # # # ## # # # # # ## # # # # ## # # # ## # # # # # # # # ## # # # # # # # ## # # # # # # ## # # # # # ### # ## # # #

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

100

0

100

200 Met ers

Figuur 3: Voor Berula erecta onderscheidt ITORS-Vl 1.0 met succes gebieden waar de soort potentieel al dan niet kan voorkomen. Intern in deze gebieden worden zones onderscheiden waar Berula erecta al dan niet kan voorkomen.

De beide modeltypen scoren statistisch ongeveer even sterk, met een lichte voorkeur voor VexW. Dit model is ook ecologisch het meest zinvol. Er wordt van alle relevante variabelen gebruik gemaakt, ook de bodem. Dit laat toe de grondwaterstanden zinvoller te interpreteren. In ITORS-Vl 1.0 worden beide modeltypes behouden om in functie van de beschikbare data te worden ingezet. Hoewel het uiteindelijke streefdoel een hydro-ecologisch model voor Vlaamse valleigebieden moet zijn, is het duidelijk dat bij het prototype van ITORSVl 1.0 met bepaalde beperkingen moet worden rekening gehouden. Deze beperkingen situeren zich op verschillende vlakken: de geografische streek waarvoor het gebruikt kan worden, het type van gebied waarvoor het kan worden ingezet, het bereik van de variabelen waarvoor het model kan worden gebruikt, de soorten en vegetatietypen die kunnen worden behandeld, de mate waarin het model voorspellingen kan doen over het effect van natuurbeheer. Bij een empirisch statistische benadering is de kracht van het model in sterke mate gekoppeld aan de omgeving waarin het model werd opgesteld. Voor ITORS-Vl 1.0 betekent dit dat het vrij goed kan worden toegepast op de vijf studiegebieden op basis waarvan het werd ontwikkeld. Toepassingen in andere gebieden zijn aan grotere onzekerheden onderworpen, naarmate ze meer afwijken van deze vijf gebieden. Extrapolatie van de modellen naar andere

Samenvatting gebieden kan enkel wanneer deze overeenkomstige ecologische kenmerken

Figuur 4: Vegetatiekaart voor de 4 studiegebieden in het model VexW. Rasters geven het geobserveerde vegetatietype weer, de cirkels geven de voorspellingen weer. De witte rasters hebben geen duidelijk definieerbaar vegetatietype en zijn daarom buiten beschouwing gelaten. hebben. De basisgegevens voor het opstellen van het model zijn afkomstig uit het Demer en het Dijle bekken. De Leemstreek is vertegenwoordigd door de Doode Bemde en de Snoekengracht, de Kempen door de Vallei van de Zwarte Beek, het Hageland (een overgangsgebied tussen beide) door Vorsdonkbos. Een veilig gebruik van het model beperkt zich in ieder geval tot het Kempisch en Brabants district. De beperkingen van ITORS-Vl 1.0 zijn vooral het gevolg van de beperkingen in de beschikbare dataset. Hoewel de dataset vrij uitgebreid en gedetailleerd is, zouden gegevens uit andere gebieden en regio’s de toepasbaarheid in Vlaanderen verhogen. ITORS-Vl 1.0 kan de kans van voorkomen inschatten van soorten en vegetatietypen die in het kader van dit project met voldoende aantal herhalingen werden waargenomen. Het betreft vooral soorten die in sterke mate waterafhankelijk zijn (freatofyten) en waarvan de ruimtelijke spreiding in belangrijke mate door grondwater wordt bepaald. ITORS-Vl 1.0 presteert niet voor alle soorten en vegetatietypen even goed. Uit de


Samenvatting statistische analyse blijkt dat ongeveer 20% van de regressievergelijkingen niet zeer betrouwbaar zijn. Voor zeven soorten blijken beide modellen een zeer lage Goodness-of-fit (GOF) te geven. Toepassing van het hydro-ecologisch model voor deze soorten wordt afgeraden. Enkel vegetatietypen die duidelijk konden worden gedefinieerd in dit project werden in het model opgenomen. Overgangsvormen en verruigde vegetaties zitten niet in het model vervat. Het feit dat het gaat om een selectie aan vegetatietypen, maakt dat toepassingen van ITORS-Vl in omstandigheden waar andere vegetatietypen belangrijk zijn, moeilijkheden oplevert. Het model wordt best enkel gebruikt in valleigebieden, met natte en vochtige standplaatsen, met een gemiddelde waterstanden tussen 0 en 1.5 m onder maaiveld. De bodemvochtigheid van deze gebieden wordt in de eerste plaats bepaald door kwellend grondwater eventueel aangevuld met neerslagwater. Overstromingen hebben er geen dominante invloed. De bodem is er samengesteld uit klei, leem, zand of veen. ITORS-Vl 1.0 is ontwikkeld op basis van gegevens die een bepaalde abiotisch range beslaan. De onzekerheden nemen toe bij toepassingen buiten dit bereik. De nutriënten NO3, NH4, PO4 en K bestrijken slechts een beperkt bereik van wat kan voorkomen in Vlaamse valleien. ITORS-Vl 1.0 werd ontwikkeld in en voor gebieden met nutriëntarm grondwater. Het hier voorgestelde model is een prototype dat ongetwijfeld nog voor verbetering vatbaar is. De grootste mogelijkheden liggen bij een uitbreiding van de dataset die aan de basis van het model ligt: - uitbreiden van de soortenlijst; - meer herhalingen van de waarnemingen voor de soorten; - een vollediger palet van vegetatietypen in het model brengen; - uitbreiding naar andere regio’s. Ondanks de doorgevoerde selectie vereist het model nog relatief veel gegevens als input. Anderzijds is het type gegevens (grondwaterstanden en samenstelling) vaak standaard voorzien in vele hydrologische en ecohydrologische studies. De bodem wordt op vrij eenvoudige manier in het model behandeld, omdat kwantitatieve informatie ontbreekt. Het kwantificeren van de bodem (cf. ITORS) biedt uitzicht op een verbetering van het model. Het zou anderzijds het aantal variabelen verhogen. Uit scenario-analyses blijkt dat de variabele ‘beheer’ niet optimaal in het model is ingebracht. Beheer heeft dezelfde status als de andere variabelen. De zuiver statistische benadering biedt echter onvoldoende garanties om met de variabele ‘beheer’ correct om te kunnen gaan. Een mogelijke oplossing is om deze variabele bij de regressie gedwongen te laten opnemen als verklarende variabele. Men kan in plaats van te vertrekken van een leeg model, starten met een model dat de variabele ‘beheer’ reeds bevat.

Beleidsrelevantie Hydro-ecologische voorspellingmodellen zijn belangrijke en onmisbare instrumenten in een modern natuurbeleid. Zij kunnen op verschillende manieren in het natuurbeleid en –beheer worden ingezet: - bij het opstellen van realistische streefbeelden; - bij de planning van natuurlijke structuren; - bij de inrichting en het beheer van natuurgebieden; - bij het voorspellen van de ontwikkeling van ecosystemen. Dit is een uitdaging voor de nabije toekomst, vooral in het licht van de toenemende oppervlakte natuurgebied die in het volgende decennium wordt voorzien; - bij de afstemming van waterbeheer en natuurbeheer, in kader van een vernieuwd waterbeheer in valleigebieden.

Samenvatting Het ontbreken van een dergelijk instrument is een bijzondere handicap in tal van hydrologische, ecologische en ecohydrologische studies die in Vlaanderen worden uitgevoerd: bvb. bij het opmaken van waterhuishoudingsplannen en integrale bekkenbeheerplannen; bij het bepalen van natuurtypen en het opmaken van ecosysteemvisies; bij het afbakenen van VEN/IVON gebieden en het inschatten van hun potenties. Met dit prototype van ITORS-Vl 1.0 wordt een eerste stap gezet om deze kennislacune in te vullen. Rekening houdend met de huidige randvoorwaarden voor toepassing van het model stelt dit het natuurbeleid in staat om beter gefundeerde en uitvoeriger getoetste beslissingen te nemen bij de planning, inrichting en beheer van vochtige en natte natuurgebieden.


Inleiding |1

Hoofdstuk 1 Inleiding

1.1 Probleemstelling De westerse maatschappij is de laatste decennia aan sterke veranderingen onderhevig geweest. Sociale, industriële, technologische en landbouwkundige ontwikkelingen hebben onze omgang met het landschap in grote mate gewijzigd. Ze hebben ook een algemene degradatie van het milieu en de nog aanwezige natuur tot gevolg gehad. Deze evolutie gaat nog steeds door: processen zoals verzuring, vermesting, versnippering en verdroging hebben een negatieve invloed op natuurwaarden. De laatste jaren is de aandacht voor deze processen sterk toegenomen, zowel op het beleidsniveau (Mira-T 1999) als op het vlak van het dagelijks natuurbeheer. De Vlaamse milieuadministratie probeert de verstoringen beter in beeld te brengen (Kuijken et al. 2001) en op het terrein worden natuurherstel en – ontwikkelingsprojecten voorbereid. Door gerichte maatregelen wordt gepoogd de achteruitgang van het natuurlijke milieu en het verdwijnen van organismen en levensgemeenschappen tegen te gaan en de natuurwaarde opnieuw te verhogen (MINA-plan 2, 1997-2001). Zowel bij degradatie als bij restauratie van natuur is een inschatting van de effecten van de veranderingen in de milieuomstandigheden op het ecosysteem een noodzaak. Het laat toe de gevolgen van beleid- en beheersbeslissingen te voorzien. De ontwikkeling van vegetatie wordt door verschillende factoren bepaald: klimaat, geologie, hydrologie, bodem, beheer, verspreidingen reproductiestrategie van planten. In valleigebieden waar vochtige en natte omstandigheden domineren, heeft de hydrologie een grote invloed op sommige aspecten van de vegetatieontwikkeling. Zo zijn vele waardevolle vegetatietypen afhankelijk van de toestroom van grondwater in valleigebieden (Wheeler 1980, Grootjans 1985, Boeye 1992, Bernaldez et al. 1994, De Mars 1996, Grootjans et al. 1996, Wassen et al. 1996, Sival 1997, De Becker et al. 1999, Huybrechts et al. 2000). Kennis van de relatie tussen vegetatiestructuur en – samenstelling enerzijds en hydrologische condities anderzijds is een voorwaarde om in valleigebieden voorspellingen te kunnen doen over mogelijke vegetatieontwikkelingen na herstelmaatregelen. De integratie van deze kennis in een hydro-ecologisch model levert een instrument dat efficiënt kan worden ingezet, en een ruime waaier van toepassingsmogelijkheden heeft in het natuurbeleid en het natuurbeheer. Het voorspellen van de ontwikkeling van ecosystemen is een uitdaging voor de nabije toekomst, vooral in het licht van de toenemende oppervlakte natuurgebied die in het volgende decennium wordt voorzien (38 000 ha nieuwe natuur tegen 2003). Het vormt een belangrijk element bij het opstellen van realistische streefbeelden, bij de planning van natuurlijke structuren, en bij de inrichting en het beheer van de natuurgebieden. In valleigebieden waar hydrologische randvoorwaarden belangrijk zijn voor de ontwikkeling van de vegetatie moeten hydro-ecologische modellen een belangrijke bijdrage leveren. Hoewel een zekere kennis bestaat over de kwantitatieve relaties tussen vegetatie en hydrologie in Vlaanderen zijn, in tegenstelling tot bv. Nederland, geen operationele modellen beschikbaar die op kwantitatieve wijze vegetatieontwikkelingen kunnen voorspellen. Soms wordt in Vlaanderen gebruik gemaakt van de Nederlandse instrumenten, maar in vele gevallen zijn zowel de fysische en chemische condities als de botanische context sterk verschillend. Lange tijd waren er in Vlaanderen onvoldoende gegevens aanwezig voor het voeden van een hydro-ecologisch model. Door het groeiend aantal ecohydrologische studies komen geleidelijk aan meer gegevens beschikbaar. Hun diversiteit bemoeilijkt echter vaak hun gebruik in een algemeen model. In


Inleiding |2 een vorig onderzoek in het kader van VLINA (Huybrechts et al. 2000) werden, op uniforme manier en systematisch gegevens verzameld over de hydrologie en de vegetatie van een aantal studiegebieden. Dit project is hierop een logisch vervolg, en wil de verzamelde gegevens integreren in een bruikbaar instrument.

1.2 Hydro-ecologische modellen Hydro-ecologische modellen bestaan uit expliciet uitgewerkte beslisregels waarmee op basis van milieu- en standplaatskenmerken, de kans op voorkomen van plantensoorten en vegetatieontwikkelingen ingeschat kan worden. In Nederland wordt sinds halverwege de jaren tachtig gewerkt aan de ontwikkeling van hydro-ecologische modellen. Voor een overzicht van de mogelijkheden en beperkingen van bestaande modellen wordt verwezen naar Wassen & Schot (1992), Hooghart & Posthumus (1993), van der Veen & Garritsen (1994) en Olde Venterink & Wassen (1997). Voor alle modellen geldt dat ze in belangrijke mate correlatief zijn. Er zijn twee groepen van hydro-ecologische modellen te onderscheiden. Wanneer de beslisregels gebaseerd zijn op ervaringskennis van ecosystemen eventueel in combinatie met interpretatie van veldgegevens spreekt men van “expertkennis-modellen”. Wanneer vertrokken wordt van statistische analyse van databestanden met veldgegevens over vegetatietypen of soortensamenstelling en standplaatseigenschappen wordt van “empirisch-statistische modellen” gesproken (Claesen 1993). Bij de expertkennis-modellen wordt doorgaans vertrokken van literatuurgegevens voor een beperkt aantal variabelen die van dominant belang zijn voor de vegetatieontwikkeling (bodemtype, vochtigheid, zoutgehalte, zuurgraad en voedselrijkdom). Met indicatiewaarden wordt het verband tussen de plantensoorten en de standplaatseigenschappen ingeschat. Er wordt gewerkt met ecotooptypen waarin een groep van karakteristieke soorten wordt onderscheiden en een interval van een aantal abiotische factoren. De voorspelling van het effect van een wijziging in standplaatseigenschappen (al dan niet voorspeld met behulp van hydrologische modellen) wordt vertaald in een wijziging van de soortengroep (Runhaar 1999). Dit wordt gedaan in DEMNAT (Witte et al. 1992) en het NTM (Gremmen 1987). In het geval van de empirisch statistische benadering wordt een groot aantal (conditionele en operationele) variabelen in het veld gemeten, waarvan bekend is dat ze voor de vegetatie van belang kunnen zijn. Tevens wordt de soortensamenstelling van de vegetatie opgenomen. Het zoeken van kwantitatieve verbanden tussen de abiotische en biotische variabelen gebeurt door middel van regressietechnieken. Logistische regressie in het geval van binaire responsvariabelen, zoals aan- en afwezigheid van plantensoorten of vegetatietypen, leidt tot gaussische responsfuncties voor ieder van de plantensoorten of vegetatietypen. Deze mathematische relatie tussen de soort of het vegetatietype en de gemeten standplaatsfactoren kan gebruikt worden voor voorspellingen. Een vergelijking van de voorspelde trefkansen van de soorten voor en na de ingreep op milieuomstandigheden geeft een indruk van de voor- dan wel achteruitgang van de soorten. Voorbeelden van deze empirisch statistische modellen zijn HYVEG (Noest 1994), ECAM (Jansen 1993), ICHORS (Barendregt & Wassen 1989) en ITORS (Ertsen 1995, 1998).

1.3 Hydro-ecologische modellen in Vlaanderen Hydro-ecologische modellen specifiek ontwikkeld voor of aangepast aan Vlaamse valleigebieden zijn niet voor handen. Het gebruik in Vlaanderen van modellen die volledig in Nederland werden ontwikkeld is mogelijk maar stelt bepaalde nadelen. Gegevens die in Nederland verzameld werden, zijn vaak afkomstig uit de grote laagveen- of veenplassengebieden, ecosystemen die in Vlaanderen niet of in beperkte mate voorkomen; of uit laaglandbeekdalen die


Inleiding |3 qua geologie, morfologie, hydrochemie en grondwaterdynamiek grondig verschillen van de Vlaamse situatie. Extrapolatie van empirisch statistische modellen herbergt risico’s. De vastgestelde relaties (regressievergelijkingen) op basis van data afkomstig van een bepaald gebied zijn in principe alleen geldig voor dat gebied, omdat er schijncorrelaties gelegd kunnen zijn tussen soorten en standplaatsvariabelen. Toepassing in een gebied waar de onderlinge relaties tussen standplaatsvariabelen identiek zijn, geeft minder kans op foute voorspellingen dan toepassing in een gebied waar de onderlinge relaties sterk kunnen verschillen van het gebied waar de data verzameld zijn (zie Heida et al. 1995). De optima en de amplitude van de respons van heel wat soorten kunnen dan ook afwijkingen vertonen zoals aangetoond in Bootsma & Barendregt (1991), Bootsma & Wassen (1996), Ertsen (1998) en De Becker et al. (1999). Hierbij spelen een rol • • • •

fytogeografische ligging van het gebied geologische en klimatologische karakteristieken van het gebied standplaatskarakteristieken zoals hydrologie, bodem, het gevoerde beheer (zowel huidig als historisch). de manier (e.g het detail) waarop de data verzameld werden

Door de uitgebreide gegevensbestanden die in Huybrechts et al. 2000 werden verzameld behoort het opstellen van een hydro-ecologisch model aangepast aan de Vlaamse condities tot de mogelijkheden. Een eerste stap in die richting wordt in dit onderzoeksproject gezet. Hierbij wordt gesteund op de bestaande kennis en instrumenten in Nederland. Met name ITORS (Invloed Terrestrisch milieu Op Responsie van Soorten, Ertsen 1995), een model dat door de vakgroep Milieukunde en Hydro-ecologie van de Universiteit Utrecht werd ontwikkeld, zal als basis dienen om een empirisch correlatief model te bouwen dat in Vlaanderen kan worden ingezet. Het prototype van dit model krijgt de naam ITORS-Vl 1.0 (ITORS-Vlaanderen).

1.4 ITORS ITORS (Invloed Terrestrisch milieu Op Responsie van Soorten) voorspelt kansen van voorkomen voor plantensoorten in afhankelijkheid van een aantal omgevingsfactoren. Deze kansen kunnen in cijfers of grafisch weergegeven worden, voor alle soorten of een selectie van soorten (b.v. soorten van een bepaalde ecologische groep). De trefkansen worden voorspeld voor de brongegevens of (ingevoerde) alternatieve scenario’s. Aan de basis van het model ligt een gestratificeerde steekproef van diverse (a-priori gedefinieerde) ecosysteemtypen. Opnamen vinden plaats op ‘homogene’ en voor het respectievelijke ecosysteemtype representatieve proefvlakken van 10 m2. De overwegingen om te kiezen voor het ITORS-model als voorbeeld zijn: • • •

het type data dat ten grondslag ligt aan het ITORS-model (grondwater en vegetatie in terrestrische ecosystemen) het modelconcept van ITORS: empirisch statistisch met vergelijkbare data-input als deze beschikbaar is in Vlaanderen de gebruiksvriendelijkheid.

De relatie tussen plantensoorten en de standplaatsvariabelen is bepaald door een multiple logistisch respons model waarbij de respons variabele de kans op voorkomen van een plantensoort is. De voorspellende variabelen zijn afkomstig uit verschillende groepen van standplaatsfactoren zoals: grondwaterdynamiek (9 variabelen), grondwaterchemie (16 variabelen), bodem (17 variabelen) en beheer (3 variabelen). De opbouw van het logistische model gebeurt in een voorwaartse selectie: van een leeg model uitgaande wordt de meest verklarende abiotische variabele toegevoegd. Elke variabele wordt met een kwadratisch model (x+x2) toegevoegd met, achteraf, een controle of een lineair model (x) een beter resultaat geeft. De selectie


Inleiding |4 stopt als geen toevoeging 2,5% of meer van de variantie verklaart. Er zijn geen interactie termen meegenomen in het model. De empirisch statistische benadering wordt internationaal gezien steeds meer gebruikt bijvoorbeeld in onderzoek naar de effecten van klimaatsveranderingen op verspreidingspatronen van plantensoorten, in milieueffectenstudies en waterbeheersvraagstukken (van Diggelen et al. 1991, Yee & Mitchel 1991; Beerling et al. 1995; Huntley et al 1995; Lechmere-Oertel & Cowling 1999, Verkroost et al. 1998, Bio et al. 1998, Olde Venterink & Wassen 1997).

1.5 Wetenschappelijke doelstelling van het project De voornaamste doelstelling van het onderzoeksproject is het ontwikkelen van een voorspellend hydro-ecologisch model voor grondwaterafhankelijke terrestrische vegetaties in riviervalleien in de Kempen, het Hageland en de Leemstreek. Het model moet de gebruikers in staat stellen om de kansen op het voorkomen van soorten en vegetatietypen in te schatten op basis van informatie met betrekking tot hydrologie, topografie, bodem en het te voeren beheer in een bepaald gebied. In een tweede doelstelling wordt de toepasbaarheid van hydro-ecologische modellen in verschillende geografische regio's of ecodistricten geëvalueerd. Het doel is na te gaan in welke mate met regionale verschillen moet rekening gehouden worden bij de interpretatie van de uitkomst van het model. Als derde doelstelling wordt in dit onderzoeksproject nagegaan welke de voorwaarden zijn voor een meer veralgemeend gebruik van hydro-ecologische modellen in Vlaamse valleigebieden (beschikbare kennis, basisgegevens,...).


Basisgegevens |5

Hoofdstuk 2 Basisgegevens 2.1 Inleiding Tot voor enkele jaren waren er voor de Vlaamse valleien geen kwantitatieve data over de relaties tussen standplaatskarakteristieken en grondwaterafhankelijke plantensoorten en vegetatietypen beschikbaar, die een hydro-ecologisch model konden voeden. Met de verschillende onderzoeken monitoringprojecten van het Instituut voor Natuurbehoud werd deze leemte gedeeltelijk opgevuld. Er zijn nu data beschikbaar afkomstig van valleigebieden uit het Brabantse en het Kempische district. De aandacht concentreert zich met name op grondwaterafhankelijke, terrestrische vegetaties en hun samenstellende soorten, waarvoor voldoende informatie beschikbaar is. Het zijn vegetaties die zowel op regionaal (Vlaanderen) als op internationaal niveau (West Europa) als waardevol worden beschouwd, en die op tal van plaatsen kunnen voorkomen in de behandelde districten. Tussen 1990 en 1997 werden enkele kerngebieden onderzocht op de relatie tussen hydrologische randvoorwaarden en vegetatie. Deze zijn gelegen in drie verschillende regio’s. Het betreft gebieden met een hydrologisch vrij ongestoord karakter, waar reeds geruime tijd hetzelfde beheer wordt gevoerd. Er mag verondersteld worden dat de vegetatie in evenwicht is met de hydrologie. De eerste regio, het Hageland, wordt vertegenwoordigd door Walenbos en Vorsdonkbos-Turfputten. De tweede regio is de Leemstreek met data afkomstig van Snoekengracht en Doode Bemde. De regio Kempen wordt vertegenwoordigd door de vallei van de Zwarte Beek. Hun positie in Vlaanderen wordt in figuur 2.1 weergegeven.

Nederland

Vorsdonkbos Brussel

Zwarte Beek

Walenbos Snoekengracht

Doode Bemde

Frankrijk

Wallonië

Figuur 2.1: Locatie van de studiegebieden

Het eerste project werd uitgevoerd in het Walenbos (Huybrechts & De Becker 1997), gevolgd door een project in de Doode Bemde, waarna de Snoekengracht, Vorsdonkbos-Turfputten en Zwarte Beek aan bod kwamen. De basisgegevens werden overzichtelijk samengebracht in zgn. Ecohydrologische Atlassen.


Basisgegevens |6 -

Het Walenbos, ecohydrologische atlas (De Becker & Huybrechts 1997) De Snoekengracht, ecohydrologische atlas (Huybrechts & De Becker 1999) Vorsdonkbos-Turfputten, ecohydrologische atlas (Huybrechts & De Becker (2000) De Doode Bemde, ecohydrologische atlas (De Becker & Huybrechts 2000) De Zwarte Beek, ecohydrologische atlas (Huybrechts & De Becker 2000)

Een belangrijke voorloper waaruit dit project voortvloeide is het VLINA(96/03)-project: ‘Ecohydrologisch onderzoek van waterrijke valleiecosystemen’(Huybrechts et al. 2000). In deze studie waren de Doode Bemde, Vorsdonkbos-Turfputten en Zwarte Beek betrokken. Hoewel in algemene termen een vergelijkbare methodiek werd toegepast bij het verzamelen van de gegevens zijn er wat details betreft een aantal verschillen. De volgende tabel geeft een overzicht van de kenmerken van de 5 betrokken gebieden. Tabel 2.1: Overzicht dataset per gebied Gebied

Oppervlakte

Locatie

Opname (#)

Raster (m)

Piëzometer (#)

Soorten (# gekart.)

Snoekengracht

8 ha

Boutersem (Vertrijk)

817

10 x 10

36

110

Doode Bemde

21 ha

Oud-HeverleeHuldenberg

527

20 x 20

36

56

Walenbos

178 ha

Tielt-Winge

770

40 x 40

81

99

VorsdonkbosTurfputten

25 ha

Rillaar

636

20 x 20

40

178

Zwarte Beek

24 ha

Beringen (Koersel)

608

20 x 20

42

193

Totaal

233 ha

3357

235

Zowel kennis van de vegetatie als hydrologie zijn nodig voor de ontwikkeling van een hydro-ecologisch model. De datasets voorhanden bestaan uit twee delen. Enerzijds de abiotische component welke informatie bevat over het grondwater, bodem en beheer in het gebied en anderzijds de biotische component bestaande uit karteringslijsten van plantensoorten welke de basis vormde voor het afleiden van vegetatietypen.

2.2 Studiegebieden 2.2.1 De Doode Bemde De Doode Bemde is gelegen in de vallei van de Dijle op ongeveer 8 kilometer ten zuiden van Leuven, op een hoogte tussen 27 en 29 m. T.A.W. (NGI kaartblad 32/5-6). Het is een typische alluviale vallei (ca 1 km breed) met een uitgesproken oeverwallen-komgrondenprofiel. De bodem bestaat vooral uit alluviale leem aangevuld met colluviale zandleem en oppervlakkig venig materiaal (in het diepste deel van de komgronden). Het 21 ha grote studiegebied omvat een volledige komgrond, en maakt integraal deel uit van het natuurreservaat “de Doode Bemde” (200 ha groot) dat beheerd wordt door de Vrienden van Heverleebos en Meerdaalwoud i.s.m. Natuurpunt vzw. Het gebied wordt gevoed door mineraalrijk grondwater uit de Formatie van Brussel. Een klein gedeelte, het diepste deel van de komgrond, wordt ‘s winters regelmatig overstroomd. Op een klein spontaan evoluerend Mesotroof


Basisgegevens |7 Elzenbroek (Carici elongatae-Alnetum glutinosae) na worden de Riet(Phragmitetalia), Grote Zegge- (Magnocaricion) en Moerasspirearuigten (Filipendulion), Dotter- (Calthion) Kam- (Lolio-cynosuretum lotetosum uliginosae) en Glanshavergraslanden (Arrhenatherion) regelmatig gemaaid.

2.2.2 Snoekengracht De Snoekengracht is een natuurgebied van 17 ha, gelegen op het grondgebied van de gemeente Boutersem (Vlaams-Brabant). Het gebied wordt sinds 1987 beheerd door de afdeling Velpe-Mene van Natuurpunt vzw. Het is gelegen in de Vallei van de Velpe, die in de Demer uitmondt ter hoogte van Halen. De Velpe is een bronrivier die ontspringt ter hoogte van Opvelp, nabij de waterscheiding tussen het Demer- en het Dijlebekken. De vallei ligt op de grens tussen Haspengouw in het zuiden en het Hageland in het noorden en wordt in belangrijke mate gevoed door grondwater, afkomstig uit de Formatie van Brussel. Langs de rivier hebben zich oeverwallen ontwikkeld. Ze zijn tot meer dan 1 meter hoger gelegen dan de aansluitende komgronden, die vooral ten zuiden van de rivier goed ontwikkeld zijn. Het natuurreservaat "De Snoekengracht" brengt een goede staalkaart van de mogelijke vegetatietypen in de kleinere riviervalleitjes van de Vlaamse Leemstreek. Het zijn erg productieve vegetaties van voedselrijke standplaatsen die permanente aanvoer van mineraalrijk grondwater eisen. Opvallend zijn de langst (natuur-) beheerde Dottergraslanden van Vlaanderen (ca. 25 jaar). Deze zijn zeer bloemrijk, met de aanwezigheid van enkele duizenden exemplaren Brede orchis (Dactylorchis maculata). De Snoekengracht is goed vergelijkbaar met het vorige studiegebied, alleen is de vallei hier smaller en het grondwater mineraalrijker.

2.2.3 Het Vorsdonkbos-Turfputten Vorsdonkbos-Turfputten (in het vervolg van dit rapport aangeduid met het verkorte Vorsdonkbos) is gelegen aan de voet van een typische Hagelandse ijzerzandsteenheuvel, de Eikelberg, aan de zuidrand van de vallei van de Demer. Het ligt 5 kilometer ten westen van Aarschot, op een hoogte van 11 tot 12 m T.A.W (NGI kaartblad 24/7-8). Naast zandige klei en sporadisch een zandig rivierduintje is de bodem voornamelijk venig. Het gebied wordt hoofdzakelijk gevoed met mineraalarm grondwater uit de Formatie van Diest en vermoedelijk ook met mineraalrijk water uit de Formatie van Brussel. Het private natuurreservaat wordt beheerd door Natuurpunt vzw afdeling Demerstreek. Het studiegebied beslaat 26 ha in een noord-zuid doorsnede door het gebied, gaande van de voet van de Eikelberg tot de Moutlaak. Naast spontaan evoluerende Oligotrofe (Sphagno-Alnetum glutinosae) en Mesotrofe Elzenbroeken, en Moerasspirearuigten komen hier ook intensief beheerde Blauwgraslanden (Cirsio-Molinietum), Kleine Zeggevegetaties (Caricion curto-nigrae) en Dottergraslanden voor. Over een aantal voormalige turfkuilen zijn tevens embryonale trilveenontwikkelingen aanwezig. Het beheer van het gebied is erop gericht om een vrij grote oppervlakte hooilanden opnieuw te herstellen. Momenteel zijn daarvan slechts een paar hectare aanwezig, terwijl het grootste deel van de oppervlakte bedekt is met broekbossen en ruigten.

2.2.4 Walenbos Het Walenbos is een heterogeen bosgebied met een oppervlakte van ca. 400 ha. Het is gelegen in het dalhoofd van de Brede Motte, die ter hoogte van Aarschot in de Demer uitmondt. De laatste decennia werd het bosgebruik verwaarloosd en ontwikkelde zich een natuurlijker bos. In het kader van de bestemming als staatsnatuurreservaat werd een beheersplan opgesteld waarbij de nadruk vooral ligt op de spontane ontwikkeling (VAN LOOY et al. 1994). De Mottevallei sluit aan bij het typische systeem van oost-west georiënteerde heuvelruggen en -dalen die het Noordelijk Hageland karakteriseren. Het Walenbos is een uitermate nat gebied. Grondwater kwelt er naar de


Basisgegevens |8 oppervlakte, vermengt zich met regenwater en verlaat het gebied via een netwerk van drainagegrachten en -kanalen. Een plateau met een hoogte van ongeveer 80 meter, gelegen ten zuiden van het Walenbos vormt het voedingsgebied voor het grondwater. De voeding met grondwater uit de Formaties van Diest en Brussel geeft een sterke ruimtelijke variatie in de dynamiek en de chemie van het ondiep grondwater. Het ecologisch belang van het Walenbos wordt vooral bepaald door de grote verscheidenheid aan bostypen die er worden aangetroffen. Oligo-, meso- en eutrofe ElzenBerkenbroeken, Elzen-Vogelkersenbossen, Eiken-Haagbeukenbossen, Eikenberken- en Eiken-Beukenbos komen voor.

2.3.1

De Vallei van de Zwarte Beek

De Vallei van de Zwarte Beek is gesitueerd op het grondgebied van de gemeente Koersel, deelgemeente van Beringen. Het gebied ligt voor het grootste deel in het Militaire domein “het kamp van Beverlo” (NGI kaartbladen 25/3-4 en 17/7-8). De Zwarte beek ontspringt in Helchteren op de waterscheiding tussen Schelde en Maas en een hoogte van 70 m T.A.W. Ze is ingesneden in de westrand van het Kempisch plateau. Het gebied wordt gevoed door relatief mineraalarm en oligotroof grondwater uit de Formatie van Diest. Het studiegebied maakt deel uit van een 1200 ha groot Vlaamse privaat natuurreservaat, dat wordt beheerd door Natuurpunt vzw. Het beslaat ongeveer 26 ha en ligt tussen 52 en 55 m T.A.W. De bodem bestaat bijna volledig uit dikke veenafzettingen (vaak dikker dan 4 meter) en is niet of nauwelijks door ontwatering beïnvloed. De aanwezige vegetatietypen variëren van Kleine Zeggevegetaties, Blauwgraslandrelicten, Dottergraslanden, Grote zegge- en Rietruigten, Grauwe wilgestruwelen, Meso- en Eutrofe Elzenbroeken en Eiken-Berkenbossen. Grote delen kennen een spontane ontwikkeling, beperkte oppervlakten worden gemaaid. Het gebied wordt veelvuldig gebruikt als referentiesituatie voor het herstel van Kempische beekdalen.

2.3 Biotische gegevens 2.3.1 Inleiding In de vijf studiegebieden werd een volledig gebiedsdekkende kartering uitgevoerd. Per gebied werd een raster uitgezet waarbinnen per rastercel een vooraf geselecteerde lijst van plantensoorten werd nagelopen op aan/afwezigheid en werd de bedekking genoteerd. Er werd een beperkte plantenlijst gehanteerd, die verschilde van gebied tot gebied. Dit werd voornamelijk ingegeven door tijdsbudgettering, maar ook de voorgeschiedenis en vraagstelling in de onderscheiden projecten. Verder zijn de studiegebieden gelegen in drie verschillende fytogeografische streken in andere abiotische condities. Een aantal soorten komen gemeenschappelijk voor terwijl andere kenmerkend zijn voor één of meer regio’s. Ook de schaal van de karteerrasters verschilde tussen de vijf gebieden. (Tabel 2.1). Hiervoor kan opnieuw verwezen worden naar de oorspronkelijke opzet van de karteringen in de verschillende gebieden, maar ook de interne variabiliteit in standplaatsfactoren speelde daar een belangrijke rol in. Hoewel er in een aantal studiegebieden eveneens de abundantie van de gekarteerde plantensoorten werd genoteerd, is daar voor de verdere verwerking van de gegevens geen gebruik van gemaakt.

2.3.2 Plantensoorten Uitgangspunt bij het opstellen van de plantenlijsten, zijn de freatofyten (sensu Londo 1988). Zij werden aangevuld met kensoorten voor de typische plantengemeenschappen in het studiegebied. De totale soortenlijst voor de karteringen in de vijf gebieden omvat in totaal 292 soorten (37 mossen en 255 hogere planten). Daarvan werden 111


Basisgegevens |9 soorten consequent in de vijf gebieden gekarteerd. Het spreekt vanzelf dat enkel deze soorten bij de ontwikkeling van het hydro-ecologisch model kunnen worden gebruikt. Van deze 111 soorten komen 31 soorten in minder dan 15 rastercellen voor. Ook deze soorten worden niet verder betrokken in de dataverwerking. Er rest dus een finale lijst met 80 soorten waarvan 5 mossen en 75 hogere planten. Hiervan maken de freatofyten (sensu Londo 1988), met 53 soorten, het merendeel uit. Er zijn slechts 13 soorten die in alle vijf de gebieden voorkomen. In dit onderzoek worden verschillende modeltypen bekeken (zie paragraaf 6.4). In één van deze modeltypen wordt geen gebruik gemaakt van de gegevens uit het Walenbos. De dataset die daarvoor wordt gebruikt omvat 74 soorten doordat 6 bijkomende soorten in minder dan 15 rastercellen voorkomen (bijlage 2.1).

2.3.3 Vegetatietypen De vegetatietypen werden niet op het terrein gekarteerd. Ze werden afgeleid uit de dataset van plantensoorten, afzonderlijk gekarteerd in de verschillende studiegebieden. Daartoe werd gebruik gemaakt van het FORTRAN programma TWINSPAN (Hill, 1979), en dit voor elk studiegebied afzonderlijk. Dat leverde in totaal een dertigtal vegetatietypen op. Daarbij zijn ook een aantal overgangstypen. Om redenen van eenvoud, zijn voor verdere verwerking enkel de 11 meest helder te definiëren vegetatietypen gehandhaafd. Deze typen worden hieronder kort beschreven aan de hand van een reeks karakteristieke plantensoorten en met een korte beschrijving van de standplaats en in een aantal gevallen de verschijningsvorm.

Glanshavergraslanden (Arrhenatherion) Dit zijn graslanden die sterk van aspect verschillen onder beweidings- of hooiweidebeheer dan wel onder puur hooilandbeheer. Ze zijn dan ook op te splitsen in Kamgraslanden (Lolio-Cynosuretum - indien begraasd) en Glanshaverhooilanden (Arrhenatheretum elatioris - indien enkel gemaaid). Karakteristieke soorten zijn Glanshaver, Knolsteenbreek, Weidestreepzaad, Fluitekruid, Margriet, Kleine klaver. Het zijn in de regel graslanden die niet of slechts sporadisch overstroomd worden. Indien ze (na-)begraasd worden zijn het korte (kniehoge) grazige vegetaties met opvallend veel Madeliefje, Kleine klaver en ook Kamgras. Dit type wordt Kamgrasland (Lolio-Cynosuretum) genoemd. Worden deze terreinen enkel gemaaid, dan gaat het om hoge (heup- tot borsthoge) grazige vegetaties waarin Glanshaver, Fluitekruid en ook Bereklauw gaan domineren, naast de andere voornoemde karakteristieke soorten. De best ontwikkelde voorbeelden van Glanshaverhooilanden zijn te vinden in de Leemstreek (Doode Bemde en Snoekengracht). De Kamgraslanden blijken nagenoeg overal goed te kunnen ontwikkelen.

Dottergrasland (Calthion palustris) Dit zijn natte middelhoge graslanden die in principe gemaaid worden, maar ook nabegraasd kunnen worden. Karakteristieke soorten zijn Dotterbloem, Echte Koekoeksbloem, Tweerijige zegge, Bosbies, Veldrus, Brede orchis, Moerasstreepzaad (sporadisch). De Dottergraslanden in deze studie bevatten het volledige bovengenoemde soortenpalet. De meest optimaal ontwikkelde voorbeelden daarvan zijn te vinden in de Leemstreek (Snoekengracht(!) en Doode Bemde). Zowel in het Hageland als in de Kempen zijn ze minder goed ontwikkeld en is er een verschuiving naar Kleine Zeggevegetaties.

Moerasspirearuigte (Filipendulion) Dit

zijn

de

typische

ruigten

van

de

beekdalen

waarin

een

aantal


Basisgegevens |10 hoogopgaande soorten domineren: Moerasspirea, Grote Vossestaart, Fluitekruid, Koninginnekruid, Gewone engelwortel, Valeriaan en Moesdistel (deze laatste enkel in de Leemstreek). Het zijn braakliggende graslanden of kapvlakten (doorgaans van voormalige populieraanplantingen) of de kruidlaag onder jonge (populier-)aanplantingen. Ze schijnen nagenoeg in elke fytogeografische streek te ontwikkelen hoewel de fraaiste voorbeelden ervan te vinden zijn in de Leemstreek en het Hageland. In de Kempen blijken ze wat schraler en minder soortenrijk te zijn.

Grote Zeggevegetaties (Magnocaricion) Ontwikkelen zich op ’s winters (ondiep) overstroomde terreinen die ’s zomers droogvallen en een grondwaterstand hebben die slechts een paar tientallen centimeters onder het maaiveld wegzakt. Ze worden gedomineerd door Scherpe zegge, Moeraszegge (althans in de Leemstreek en, al in iets mindere mate, in het Hageland) en Blauw glidkruid. In de vegetatieseries zijn ze gesitueerd tussen de Dottergraslanden en de Rietruigte.

Rietruigte (Magnocaricion met Phragmites) Dit is in feite een Grote Zeggevegetaties waarin Riet een dominante rol speelt. Het grondwater zakt er in de zomer minder diep weg dan in de bovengenoemde pure Grote Zeggevegetaties. Hierin treden ook nog een reeks andere soorten op de voorgrond zoals Gewone Wederik, Hennegras en ook Moerasspirea kan hier vrij hoge dichtheden bereiken.

Rietland (Phragmitetalia) Ruigtevegetatie op jaarrond natte standplaatsen, in de winter boven maaiveld, in de zomer gelijk met of net eronder. Ze worden gedomineerd door Riet, Gewone Wederik, Waterzuring, Kleine watereppe en Watermunt. Ook Moeraszegge bereikt hier hoge dichtheden (in de Leemstreek ten minste).

Kleine zeggenvegetaties (Caricion curto-nigrae) Lage vegetaties gedomineerd door kleine Cyperaceën, zoals Blauwe, Zwarte, Zomp- en Sterzegge, Snavelzegge, maar ook Moerasstruisgras, Moerasviooltje, Veldrus en Melkeppe zijn karakteristiek voor deze vegetaties. Ze groeien op standplaatsen met een constante grondwaterstand net onder het maaiveld staat gedurende het gehele Overstromingen treden uiterst zelden op. Komt niet voor in de Leemstreek, maar zijn wel bijzonder fraai ontwikkeld in de Kempen (Zwarte Beek!) en het Hageland.

Blauwgrasland (Cirsio-Molinietum) Dit zijn eveneens lage vegetaties hoewel met een duidelijk groter aandeel grassen en een hogere biomassaproductie dan de kleine zeggevegetaties. Hier domineren Pijpestrootje, Gevlekte orchis, Tormentil, Blauwe knoop en mossen zoals Sphagnum palustre en Aulacomnium palustre. De echt goed ontwikkelde Blauwgraslanden komen in Vlaanderen nergens meer voor. Deze die te vinden zijn in Vorsdonkbos (Hageland) behoren tot de best bewaarde restanten. Vermoedelijk heeft de mindere ontwikkeling hier te maken met vele jaren van verwaarloosd beheer eerder dan degradatie van abiotische standplaatsfactoren.

Oligotroof elzen-berkenbroek (Sphagno-Alnetum glutinosae) Dit zijn vrij ijle (lichtrijke) en vrij lage (boomhoogte ca 6-8 m) broekbossen met een zeer rijke en dichtbegroeide, lage kruidlaag. De boomlaag wordt gedomineerd door Zachte berk en lage dichtheid van Zwarte els, maar bevat ook veel Wilde kamperfoelie. Een goed ontwikkelde struiklaag is hier niet te vinden. Opvallend in dit type broekbos zijn de plaatselijk althans) dichte, aaneengesloten veenmostapijten (vnl. Sphagnum


Basisgegevens |11 palustre en S. fimbriatum) maar ook de grote aantallen “kleine zeggen”. De mooiste voorbeelden hiervan zijn te vinden in het Hageland (Walenbos!) Dit bostype is een vervangingsgemeenschap van de Kleine zeggevegetaties.

Mesotroof elzenbroek (Carici elongatae-Alnetum glutinosae) In dit type worden de bomen behoorlijk veel hoger (tot 15 m), het zijn ook veel dichtere (donkere en ondoordringbare) bossen als ze optimaal ontwikkeld zijn. Zwarte els is dominant hier, maar er is ook een struiklaag van Bos- en (minder) Katwilg. De kruidlaag, die omwille van het dichtere kronendak veel ijler is dan het vorige type, wordt gedomineerd door IJle, Moeras- en Elzenzegge, maar ook Grote egelskop, Bitterzoet en Wolfspoot. In de moslaag komen opvallend veel slaapmossen (Calliergonella cuspidata, Calliergon giganteum, Brachythecium rivulare,…) en Haakveenmos voor. Dit bostype is de vervangingsgemeenschap van Dottergraslanden, Grote zeggevegetaties en Rietruigten. Dit type is in de vijf studiegebieden te vinden. De fraaiste voorbeelden komen voor in het Walenbos en de Doode Bemde.

Elzen-vogelkersenbos (Alno-Padion) Dit zijn bossen van beduidend drogere standplaatsen. Ze worden getypeerd door een vrij lage dichtheid van Zwarte els. Zomereik, Gewone es en Haagbeuk treden hier meer op de voorgrond. Een struiklaag is doorgaans ook uitgesproken aanwezig. De kruidlaag wordt voornamelijk gekenmerkt door hoge dichtheden van Hondsdraf, Gewoon nagelkruid en Speenkruid. Dit bos is de vervangingsgemeenschap van Glanshavergraslanden.

2.4 Abiotische gegevens De standplaatsfactoren bepalen of een plant al dan niet op een bepaalde plaats kan voorkomen. Sturende factoren zijn o.a. grondwaterkarakteristieken (dynamiek en chemische samenstelling), bodemeigenschappen (zoals textuur en chemie) en beheer. Hydrologische variabelen in dit project hebben betrekking op het ondiepe grondwater in de valleigebieden. Overstromingen zijn in het onderzoek niet meegenomen aangezien deze slechts sporadisch optreden en ze geen aantoonbare invloed hebben op de ecologie van het gebied. In Vorsdonkbos en de Doode Bemde heeft de minimum diepte van het grondwater vaak een positieve waarde wat duidt op overstroming. Het gaat hier echter niet altijd om ‘overstroming’ met ‘gebiedsvreemd’-water, maar vaak om uittredend grondwater en/of regenwater.

2.4.1 Grondwater Per gebied werd de voorbije jaren een hydrologisch netwerk uitgebouwd. Het netwerk is min of meer gebiedsdekkend. De dichtheid van piëzometers varieert sterk van gebied tot gebied. Ook binnen het gebied zelf kan er een verschil zijn in dichtheid. Zo komen in de kwelzones van het Walenbos piëzometers voor in een hogere dichtheid dan in de rest van het gebied. In de Zwarte Beek werden de piëzometers in raaien geplaatst. De overige gebieden hebben een min of meer homogene verspreiding van piëzometers. Deze hebben alle ondiepe filters met uitzondering van enkele piëzometernesten voorzien van filters op verschillende diepten. In totaal werden er 235 ondiepe piëzometers uitgezet, waarvan 81 in Walenbos, 62 in Zwarte Beek, 40 in Vorsdonkbos 36 in Snoekengracht en nog eens 36 in Doode Bemde. Deze netwerken werden voldoende geacht om de interne variatie in dynamiek en chemie te bevatten.

Dynamiek Grondwaterstanden zijn het resultaat van verschillende processen zoals aanvoer door neerslag, ondergrondse toestroming van grondwater, afvoer door


Basisgegevens |12 evapotranspiratie en drainage. Deze zijn veranderlijk in de tijd en geven het grondwater zijn dynamische karakter (Huybrechts & De Becker, 1997). De stijghoogte van het grondwater werd gedurende minstens 2 jaar gevolgd aan de hand van het netwerk van piëzometers. Tijdens deze monitoring werd om de 14 dagen het waterpeil gemeten. Uit de tijdreeksen werden een aantal variabelen afgeleid. De belangrijkste zijn de gemiddelde, maximum en minimum diepte van het grondwater en de amplitude. In de regel wordt de diepte ten opzichte van het maaiveld uitgedrukt in een negatieve waarde als het waterpeil onder het maaiveld staat. Bijkomende variabelen werden afgeleid van de zogenoemde duurlijnen. Deze weerspiegelen de dynamische aspecten van het grondwater over de verschillende seizoenen. Deze curven geven de kans aan dat een bepaald waterpeil wordt overschreden. Vier eenvoudige bijkomende variabelen werden afgeleid. Meer uitleg hierover vindt men in Huybrechts & De Becker (1997) en Huybrechts et al. (2000).

Chemie Het grondwater werd minstens 4 keer bemonsterd, in twee opeenvolgende jaren tijdens de winter en in de vroege zomer. Deze monsters werden op 13 variabelen geanalyseerd. De procedure van monsterneming staat o.a. beschreven in Huybrechts & De Becker (1997). Voor de 13 variabelen werd per piëzometer de gemiddelde waarde over de bemonsteringsperiode genomen. Enkel electro-neutrale monsters kwamen hiervoor in aanmerking. In Vorsdonkbos werden tevens enkele monsters verworpen die duidelijk gekoppeld waren aan een uitzonderlijk voorkomende overstroming en uitzonderlijke concentraties vertoonden. Detectielimieten Indien bij de analyses de concentratie van een gegeven variabele onder de detectiegrens gelegen is, wordt, om verdere verwerking mogelijk te maken, als concentratie de helft van de detectielimiet genomen. Ook tijdens de interpolatie gebeurt het dat de geschatte concentratie in een aantal rastercellen opnieuw onder de gestelde limiet duikt. Dan worden de geïnterpoleerde waarde voor de cellen in kwestie vervangen door de helft van de detectielimiet. Dit is vooral van toepassing voor de nutriënten, aangezien het nutriëntarme gebieden betreft. In punt 5.6 zal op de nutriënten verder worden op ingegaan. Een overzicht van de detectie en de vervangende concentratie wordt gegeven in onderstaande tabel 2.2. Tabel 2.2: Hydrochemische variabelen, hun detectiegrenzen en de toegekende concentratie bij waarden lager dan de detectiegrens. Detectie (mg / L) HCO3SO42ClNO3NH4+ H2PO4Na+ K+ Mg2+ Ca2+ Fe(tot)

12.0 5.0 4.0 0.44 0.26 0.06 1.0 1.0 0.5 0.5 0.5

Toegekende concentratie (mg / L) 6.0 2.5 2.0 0.22 0.13 0.03 0.5 0.5 0.25 0.25 0.25

2.4.2 Bodem Met

een

gutsboor

werden

op

een

selectie

van

hoekpunten

van


de

Basisgegevens |13 karteerrasters boringen uitgevoerd tot op 1 m diepte. Vier eenvoudige bodemtypen werden onderscheiden: zand, leem, klei en veen. Elke boring wordt als representatief beschouwd voor de vier omliggende rastercellen, zodat een eenvoudige bodemkaart voor elk gebied werd opgesteld. Voor Walenbos ontbreken de bodemgegevens.

2.4.3 Beheer Voor elk studiegebied werd het gevoerde beheer voor alle individuele percelen in kaart gebracht. De rasterkaart werd over deze kaart gelegd zodat aan elke rastercel een beheerstype kon worden toegekend. Als beheerstypen werd gekozen voor een vereenvoudigde indeling bestaande uit drie typen. De details van de beheeractiviteiten zoals aantal sneden bij het maaien, begrazing en verschillende mengvormen, moeten in het kader van deze studie worden verwaarloosd: jaarlijks beheer: jaarlijkse afvoer van organisch plantenmateriaal door maaien en/of (na-)begrazen zodat spontane boom- en struikgroei in principe onmogelijk wordt en op het einde van het vegetatieseizoen nagenoeg al het strooisel verwijdert is. cyclisch beheer: periodieke (doorgaans 3 à 5 tot zelfs 10 jaarlijks) en minder grondige afvoer van organisch plantenmateriaal zodat verruiging optreedt. Normaal gesproken schieten enkel sporadisch wat struiken op, bosvorming wordt tegengegaan. niets doen: terreinen die reeds meer dan 10 jaar braak liggen zonder enige noemenswaardige vorm van afvoer van organisch plantenmateriaal. Ofwel zijn de terreinen bos (al dan niet ingeplant) ofwel is verbossing manifest en/of vergevorderd. Aan rastercellen die op de grens van beheertypen liggen kunnen twee beheertypen worden toegekend. De manier waarop hiermede omgegaan wordt, wordt in hoofdstuk 6 beschreven.

2.5 Beschikbare gegevens Onderstaande tabel geeft een overzicht van alle variabelen die beschikbaar zijn voor de verschillende gebieden en die kunnen worden gebruikt voor de opbouw van het hydro-ecologische model. Uit deze tabel (2.3) en tabel 2.1 kan afgeleid worden dat Walenbos het meest verschilt van de overige gebieden. Voor Walenbos zijn er geen bodemgegevens voorhanden en wordt geen beheer toegepast in de beschouwde rastercellen. Uit de tabel 2.1 zien we ook dat Walenbos de grootste dataset is met het grootst aantal rasters en rastergrootte. De variabelen uit tabel 2.3 hebben betrekking op grondwater, bodem en beheer. Daarnaast zijn er natuurlijk nog andere factoren die een invloed hebben op de verspreiding van soorten, zoals licht, aanwezigheid van verstoringen, detailkenmerken van de bodem, specifiek soortgericht beheer, detailtopografie, kleine landschapselementen, concurrentie, soortenverbreiding,…. Er wordt van uitgegaan dat in het type gebieden dat in dit project wordt bestudeerd, deze factoren een ondergeschikt belang hebben (Huybrechts et al. 2000).


Basisgegevens |14 Tabel 2.3: Overzicht van de beschikbare abiotische variabelen

VARIABELE Grondwater- MAX (m) dynamiek MIN (m)

DB SN VO WA ZB Maximale diepte onder maaiveld Minimale diepte onder maaiveld

MEAN (m)

Gemiddelde diepte onder maaiveld

AMPLI (m)

Max. schommeling in waarnemingsperiode

VEX (%)

Convex buigpunt op duurcurve

CAAF (%)

Concaaf buigpunt op duurcurve

CEN (%)

Helling van centraal gedeelte van duurcurve

SUM (%)

Helling van rechtse gedeelte van duurcurve

Grondwater- COND (µS/cm) Elektrisch geleidingsvermogen chemie pH (-) Zuurtegraad Cl- (ppm)

Chloride concentratie

HCO3- (ppm)

Bicarbonaatconcentratie

SO42- (ppm)

Sulfaat concentratie

NO3- (ppm)

Nitraat concentratie

NH4+ (ppm)

Ammonium concentratie

H2PO43- (ppm) Fosfaat concentratie Ca2+ (ppm)

Calcium concentratie

Mg2+ (ppm)

Magnesium concentratie

Na+ (ppm)

Natrium concentratie

K+ (ppm)

Kalium concentratie

Fe(tot) (ppm) IJzer concentratie Beheer*

jaarlijks cyclisch geen

Bodem*

veen klei leem zand

Jaarlijkse maaien met afvoer van organisch materiaal, boom en struikgroei onmogelijk Periodisch maaien en afvoer, verruiging mogelijk Meer dan 10 jaar geen beheer

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x x

x

*)In het Walenbos wordt geen beheer toegepast en werd de bodem niet gekarteerd. In Doode Bemde en Snoekengracht komt geen zandbodem voor.


Verwerken van gegevens |15

Hoofdstuk 3 Verwerking van gegevens

3.1 Inleiding Bij het gebruik van de gegevens in het kader van dit onderzoek moet met twee belangrijke aspecten rekening worden gehouden. In de verschillende studiegebieden werd een standaardprocedure toegepast voor het verzamelen van de gegevens. Nochtans verschillen de datasets in details als gevolg van de verschillen in de gebieden en de opzet van de projecten. Verder werden de biotische gegevens gebiedsdekkend verzameld in rastercellen. De abiotische daarentegen werden (met uitzondering van beheer en bodem) op puntlocaties verzameld. Dit wordt geïllustreerd in figuur 3.1. Om beide deeldatasets vergelijkbaar te maken, dienen er nog een aantal bewerkingen te worden uitgevoerd om de abiotische variabelen van punt- naar gebiedsdekkende gegevens om te zetten. P025X

P024X P047X P042X

P035X P052X P023X

P045X

P041X

P026X P043X P033X P059X P039X P040X P030X P032X

P051X

P022X P027X P021X

P049X

P007X

P020X P017X

P038X

P036X P031X P057X P005X

P037XP034X P003X

P058X

P054X P001A

P056X P029X N

P028X

P055X P010X

0

40

80

120 160 200 Meters

Figuur 3.1: Opnameraster (links) en locatie van de piëzometers (rechts) voor Vorsdonkbos.

3.2 Verschillen in data De studiegebieden verschillen in oppervlakte, in grootte van de bemonsterde rastercellen en in aantal piëzometers waarin chemie en dynamiek gemeten werden (Tabel 2.1). De bemonstering is het meest gedetailleerd in de Snoekengracht, waar de plantensoorten, bodem en beheer in rastercellen van 10×10 m opgenomen werden. Dit gebied omvat ook de grootste dichtheid aan piëzometers (4.5/ha). In het Walenbos zijn de rastercellen het grootst, met een afmeting van 40×40 m. Hier werden 81 piëzometers over een oppervlak van 178 ha verdeeld (2.2/ha). Statistisch gezien zouden gebieden met gelijke rastercelgrootte beter te vergelijken zijn. Vanuit ecologisch standpunt echter is de keuze van verschillende grootten van rastercellen verantwoord aangezien rekening


Verwerken van gegevens |16 wordt gehouden met de variatie in de gebieden en de aanwezige gradiënten in het gebied. Een celgrootte van 10 bij 10 m in het Walenbos zou overbodig zijn aangezien het een uitgestrekt gebied is waar de heterogeniteit zich manifesteert over een afstand van honderden meters. In de Snoekengracht is het tegenovergestelde waar. Bij een raster van 40 bij 40 m is het onmogelijk om rekening te houden met de aanwezige gradiënten aangezien één rastercel deze reeds zou bevatten. Bij het modelleren van alle gebieden tezamen (een ‘algemeen model) kan het verschil in opnameschaal en dichtheid invloed hebben op de modeluitkomst. Opschalen van de kleinere rasters naar 40×40 m zou een groot verlies van informatie tot gevolg hebben. Voor het neerschalen van grote naar kleinere rastercellen missen wij de nodige informatie. Een bijkomend probleem dat zich voordoet is het aantal cellen per gebied. Een grotere deeldataset kan zwaarder doorwegen dan een kleine als deze erg verschilt van de andere gebieden. Wanneer de gebieden echter (delen van) vergelijkbare gradiënten bevatten waarop de planten vergelijkbaar reageren, zal dit geen probleem vormen. Naast schaal- en dichtheidsverschillen vormt het Walenbos ook een uitzondering omdat het bodemtype niet werd bepaald. Kennis van het bodemtype – en daarmee van de capillariteit van de bodem – is belangrijk om de in piëzometers gemeten waterstanden te interpreteren. In een model kan dit opgelost worden door een interactieterm tussen bodemtype en grondwaterstand te definiëren. De waterstanden voor het Walenbos worden in een algemeen model echter gebruikt zonder bodemgegevens. Verschillende modellen zullen worden opgesteld in functie van de beschikbare gegevens. In paragraaf 6.3 zal hier verder op worden ingegaan.

3.3 Van punt naar raster Terwijl de verspreiding van plantensoorten, bodemtype en beheer gebiedsdekkend op een raster van opname-eenheden geregistreerd werden, werd de grondwaterchemie en -dynamiek lokaal in enkele tientallen over het gebied verspreide piëzometers bepaald (Figuur 3.1). Voor de empirische modellen moeten de (sturende en respons) variabelen op een vergelijkbare schaal bekend of gemeten zijn. Een voor de hand liggende optie is het zoeken naar verbanden tussen de piëzometergegevens en de vegetatie-informatie van de overeenkomstige rastercellen. Hierbij zouden de meeste vegetatieopnamen buiten beschouwing worden gelaten en dus veel informatie verloren gaan. Wanneer men zich beperkt tot de informatie nabij de piëzometers zijn er voor vele soorten te weinig herhalingen om tot statistisch verantwoorde modellen te komen. Een tweede mogelijkheid is het schatten van de grondwaterchemie en dynamiek voor de rastercellen waar geen piëzometers staan middels interpolatietechnieken. Om zoveel mogelijk van de beschikbare informatie te kunnen gebruiken is voor deze tweede oplossing gekozen. Bij de evaluatie van de modellen (zie deel 7.4) zal blijken dat het werken met ruimtelijk continue gegevens nog andere voordelen biedt. In Huybrechts et al. 2000 gebeurde de interpolatie op basis van Kriging met de standaard instelling van SURFER. Hierbij werd geen rekening gehouden met verschillende vormen van ruimtelijke afhankelijkheid in de basisdataset. Daarnaast werden de geïnterpoleerde waarden berekend voor het middelpunt van de rastercellen, terwijl er een gemiddelde waarde per cel nodig is.


Verwerken van gegevens |17 In dit onderzoek wordt de geostatistische interpolatie van de puntgegevens verbeterd. Op basis van parameters die geschat worden d.m.v. een semivariogramanalyse zijn voor elk studiegebied en voor elke variabele rasterdekkende schattingen gemaakt, gebruik makend van ordinary blockkriging (Isaaks & Srivastava, 1989).

3.3.1 Rotatie rasters Voor elk van de 5 gebieden werd een gebiedsdekkend raster uitgebouwd. Elke rastercel is een vierkant met zijden van 10 tot 40 m afhankelijk van het gebied (Tabel 2.1). De hoekpunten van de rastercellen werden exact ingemeten en uitgedrukt in Lambertcoördinaten. Van deze cellen worden telkens de coördinaten van de middelpunten gebruikt in de verdere verwerking van gegevens. De rasters zijn noord-zuid / oost-west georiënteerd. Voor twee studiegebieden echter, Walenbos en Doode Bemde, is dit niet het geval. Dit geeft problemen met blokkriging. Daarom wordt hun assenstelsel geroteerd tot ook deze evenwijdig liggen met het Lambert coördinatenstelsel, waarna de interpolatie werd uitgevoerd. Het raster van de Doode Bemde wordt geroteerd over een hoek van 8.7 graden in tegenwijzerszin (figuur 3.2).

167900

167800

167700

167600

167500

167400

1630 1733 1414 1623 1726 1128 1229 2435 2442 1337 1513 1616 1719 1024 1123 2334 2342 1223 1331 0533 0719 2441 1442 1610 0820 0920 1713 1818 2233 2332 1020 1119 1932 2340 2440 1218 1326 0529 0636 1436 1604 0738 0916 2136 2231 1707 1813 1016 1115 2330 2339 1928 1214 1321 2439 2009 2103 0632 0734 1430 1535 2133 2229 0836 0938 1701 1808 2241 2338 1039 1139 1918 2438 1315 1424 2006 2038 0629 0730 1529 1634 2130 2227 0832 0934 1802 1910 2239 2337 1035 1135 2437 1237 1418 0626 0727 2035 2128 1523 1627 0829 0930 2225 2237 1730 1904 1031 1131 2336 2436 1938 1232 1341 0538 0724 2032 2126 1517 1620 0826 0926 2220 2235 1723 1826 1027 1126 2335 1936 2434 1226 1334 0535 0721 2029 2124 1508 1613 0822 0922 2140 2234 1716 1821 1022 1121 2333 2341 1934 1220 1328 0531 0638 2026 2121 1439 1607 0818 0918 2138 2232 1710 1815 1018 1117 2331 1930 1216 1323 0528 0634 2023 2105 1433 1538 0736 0838 2135 2230 1704 1810 0228 0329 0940 1113 2329 1920 0429 0527 1141 1318 2008 2102 0631 0732 1427 1532 0128 0227 0834 0936 2132 2228 1637 1805 0328 0428 2240 1037 1137 1915 0526 0628 1240 1421 2005 2037 0729 0831 0127 0226 1526 1631 2129 2226 0932 1033 1734 1907 0327 0427 2238 1133 1235 0525 0625 2003 2034 1415 1520 0726 0828 0126 0225 2127 2224 1624 1727 0928 1029 0326 0426 2236 1901 1129 1230 0524 0537 2002 2031 1338 1514 0723 0824 0125 0224 2125 2219 1617 1720 0924 1025 0325 0425 1824 1124 1224 0438 0534 2001 2028 1332 1506 0720 0821 2123 2139 1611 1714 0223 0324 0921 1021 0424 0437 1819 1933 1120 1219 0530 0637 1327 1437 2025 2120 0817 0917 1605 1708 2137 0229 1017 1116 1814 1929 1215 1322 2010 2104 0633 0735 1431 1536 2134 0837 0939 1702 1809 1040 1140 1919 1316 1425 2007 2039 0630 0731 1530 1635 0833 0935 2131 1803 1913 1036 1136 1238 1419 0627 0728 2004 2036 1524 1628 0830 0931 1731 1905 1032 1132 1233 1342 0624 0725 2033 1518 1621 0827 0927 1724 1837 1028 1127 1937 1227 1335 0536 0722 2030 1509 1614 0823 0923 1717 1822 1023 1122 1935 1221 1329 0532 0718 2027 2122 1440 1608 0819 0919 1711 1816 1019 1118 1931 1217 1324 2024 2119 0635 0737 1434 1539 0839 1013 1705 1811 1114 1213 1921 1319 1428 0733 0835 1533 1638 0937 1038 1806 1916 1138 1313 1422 1527 1632 1735 0933 1034 1908 1134 1236 1416 1521 1625 1728 0929 1030 1902 1130 1231 1339 1515 0825 0925 1618 1721 1026 1125 1825 1225 1333 1507 1612 1715 1820 1438 1606

13

1414

800

169400

169500

169600

12 2342 2441 2334

1128 1229 1337 1513 1616 1719

2233 2332 2340 2440

1024 1123 1223 1331 1442 1610 1713 1818 1932

2136 2231 2330 2339 2439 56 2009 2103 2133 2229 2241 2338 2438

23 529 636 738 916 42 1016 1115 1214 1321 1430 1535 1701 1808 1918

51 2006 2038 2130 2227 2239 2337 2437

632 734 836 938 1039 1139 1315 1424 1529 1634 1802 1910

2035 2128 2225 2237 2336 2436

629 730 832 934 1035 1135 1237 1418 1523 1627 1730 1904 1938

2032 2126 2220 2235 2335 2434

626 727 829 930 1031 1131 1232 1341 1517 1620 1723 1826 1936 22 24 538 724 826 926 1027 1126 1226 1334 1508 1613 1716 1821 1934

2029 2124 2140 2234 2333 2341

535 721 822 922 1022 1121 1220 1328 1439 1607 1710 1815 1930

2023 2105 2135 2230 2329

531 638 818 918 1018 1117 1216 1323 1433 1538 1704 1810 1920 63

2008 2102 2132 2228 2240

528 634 736 838 940 1113 1141 1318 1427 1532 1637 1805 1915

2005 2037 2129 2226 2238

228 329 429 527 631 732 834 936 1037 1137 1240 1421 1526 1631 1734 1907

38 2003 2034 2127 2224 2236

700

600

8 1033 1133 1235 1415 1520 1624 1727 1901 128 227 328 428 526 628 729 831 932 62 127 226 327 427 525 625 726 828 928 1029 1129 1230 1338 1514 1617 1720 1824

500

2026 2121 2138 2232 2331

2002 2031 2125 2219 2001 2028 2123 2139

126 225 326 426 524 537 723 824 924 1025 1124 1224 1332 1506 1611 1714 1819 1933 9 41 125 224 325 17 425 438 534 720 821 921 1021 1120 1219 1327 1437 1605 1708 1814 1929

2025 2120 2137 53

223 324 424 437 530 637 817 917 1017 1116 1215 1322 1431 1536 1702 1809 1919

2007 2039 2131

229

400

33

2010 2104 2134

633 735 837 939 1040 1140 1316 1425 1530 1635 1803 1913

2004 2036

630 731 833 935 1036 1136 1238 1419 1524 1628 1731 1905

2033

627 728 830 931 103240 1132 1233 1342 1518 1621 1724 1837 1937 75

2030

624 725 827 927 1028 1127 1227 1335 1509 1614 1717 1822 1935

2027 2122

536 722 823 923 1023 1122 1221 1329 1440 1608 1711 1816 1931 4

2024 2119

37

532 718 819 919 1019 1118 1217 1324 1434 1539 1705 1811 1921 39 635 737 839 1013 1114 1213 1319 1428 1533 1638 1806 1916 733 835 937 1038 1138 1313 1422 1527 1632 1735 1908 74 6 1521 1625 1728 1902 933 1034 1134 1236 1416 7

300

929 1030 1130 1231 1339 1515 1618 1721 1825 59 825 925 1026 1125 1225 1333 1507 1612 1715 1820

1709

1438 1606 1709 58 1432 1537 1703

1317 1426 1531 1636 1804 1914 1239 1420 1525 1629 1732 1906 1234 1413 1519 1622 1725 1838 1228 1336 1510 1615 1718 1823 1222 1330 1441 1609 1712 1817 1325 1435 1603 1706 1812 1927 1320 1429 1534 1639 1807 1917 1314 1423 1528 1633 1801 1909 1417 1522 1626 1729 1903 1340 1516 1619 1722

167200

2435 2442

54 1623 1726

533 719 55 820 920 1020 1119 1218 1326 1436 1604 1707 1813 1928

1432 1537 1703

167300

1630 1733

169700

200

1317 1426 1531 1636 1804 1914 1239 1420 1525 1629 1732 1906 44 1234 1413 1519 1622 1725 1838 3 10 1228 1336 1510 1615 1718 1823 30 1222 1330 1441 1609 1712 1817

100

1325 1435 1603 2 1706 1812 1927 1 1320 1429 1534 1639 1807 1917 1314 1423 1528 1633 1801 1909 1417 1522 1626 1729 1903 57 1340 1516 1619 1722

169800

100

200

300

400

500

Figuur 3.2: Origineel en geroteerd raster van De Doode Bemde

Het raster van het Walenbos wordt geroteerd over een hoek van 31.8 graden in wijzerszin (figuur 3.3).



9555 9157 9355 8957 9553 9155 9353 8757 9551 8955 7365 8557 9153 8755 9351 9549 8953 7165 7363 8555 9151 8753 9349 6965 8951 9547 7163 8553 9149 6765 7361 8751 9347 6963 8949 9545 6565 7161 8551 9147 6763 7359 8749 9345 6365 6961 8947 9543 6563 7159 8549 9145 6165 6761 8747 9343 6363 6959 8151 9541 6561 8349 8945 5965 6759 7951 8547 9143 6163 8149 8745 9341 6361 7751 8347 8943 9539 5963 6559 7949 8545 9141 6161 8147 8743 9339 6359 7749 8345 8941 9537 5961 7947 8543 9139 6159 7351 8145 8741 9337 7549 8343 8939 9535 5959 7151 7747 8541 9137 7349 7945 8739 9335 6951 7547 8143 8937 9533 7149 7745 8341 9135 6751 7347 7943 8539 8737 9333 6949 7545 8141 8935 9531 7147 7743 8339 9133 6749 7345 7941 8537 9331 6947 8139 8735 9529 7145 7741 8337 8933 7939 8535 9131 6747 8137 9329 6945 9527 8335 8931 7937 9129 6745 8135 9327 8929 9525 7935 9127 9325 8927 9523 9125

180800

180600

180400

180200

180000

179800

179600

9521 8925 9123 8923 8723 8921 8523 5543 8721 8323 8919 9515 5343 8521 5541 8719 3951 4547 8321 8917 9513 5341 4149 4745 8519 9115 5539 7327 7923 4347 8717 9313 8121 3949 4545 5141 8915 9511 7127 7723 8319 4147 4743 5339 7921 8517 9113 7325 3749 4345 4941 8119 8715 9311 6927 7523 3947 4543 5139 8317 8913 9509 7125 7721 3549 4145 4741 5337 8515 9111 6727 7323 3747 4343 4939 5535 8713 9309 6925 7521 8117 3945 4541 5137 3349 8911 9507 6527 7123 7719 8315 4143 4739 5335 3547 8513 9109 6725 7321 4341 4937 5533 3149 3745 8711 9307 6327 6923 7519 8115 4539 5135 3347 3943 9505 6525 7121 8313 8909 4141 4737 5333 2949 3545 6723 7319 7915 8511 9107 4339 4935 5531 6127 3147 3743 6921 7517 8113 8709 9305 4537 5133 6325 2749 3345 3941 7119 7715 8311 8907 9503 4735 5331 5927 6523 2947 3543 4139 7317 7913 8509 9105 4933 5529 6125 6721 3145 3741 4337 7515 8111 8707 9303 5131 5727 6323 6919 2747 3343 3939 4535 7117 7713 8309 8905 5329 5925 6521 2945 3541 4137 4733 8507 9103 4931 5527 6123 6719 7315 7911 3143 3739 4335 2547 8109 8705 5129 5725 6321 6917 7513 2745 3341 3937 4533 8307 8903 5327 5923 6519 7115 7711 2943 3539 4135 4731 8505 5525 6121 6717 7313 7909 3141 3737 4333 4929 2545 8703 5723 6319 6915 7511 8107 3339 3935 4531 5127 2743 5921 6517 7113 8305 3537 4133 4729 5325 2345 2941 6715 7311 7907 8503 3735 4331 4927 5523 6119 2543 3139 6913 7509 8105 3933 4529 5125 5721 6317 2145 2741 3337 7111 7707 8303 3535 4131 4727 5323 5919 6515 2343 2939 7309 7905 3733 4329 4925 5521 6117 6713 1945 2541 3137 6911 7507 8103 3931 4527 5123 5719 6315 2143 2739 3335 7109 7705 4129 4725 5321 5917 6513 1745 2341 2937 3533 7307 7903 4327 4923 5519 6115 6711 1943 2539 3135 3731 7505 5121 5717 6313 6909 2141 2737 3333 3929 4525 1545 7703 5319 5915 6511 7107 2339 2935 3531 4127 4723 1743 5517 6113 6709 7305 2537 3133 3729 4325 4921 1345 1941 5715 6311 6907 7503 2139 2735 3331 3927 4523 5119 1543 5913 6509 7105 2337 2933 3529 4125 4721 5317 1741 5515 6111 6707 7303 2535 3131 3727 4323 4919 1343 1939 5713 6309 6905 2733 3329 3925 4521 5117 1541 2137 5911 6507 3527 4123 4719 5315 1739 2335 2931 6109 6705 3725 4321 4917 5513 1341 1937 2533 3129 6307 3923 4519 5115 5711 1539 2135 2731 3327 6505 4121 4717 5313 5909 1141 1737 2333 2929 3525 4319 4915 5511 6107 1339 1935 2531 3127 3723 6305 4517 5113 5709 1537 2133 2729 3325 3921 4119 4715 5311 5907 2331 2927 3523 1139 1735 4317 4913 5509 6105 1933 2529 3125 3721 1337 4515 2131 2727 3323 3919 939 1535 4713 5309 2329 2925 3521 4117 1137 1733 2527 3123 3719 4315 1335 1931 2725 3321 3917 4513 937 1533 2129 2923 3519 4115 1135 1731 2327 3121 3717 4313 737 1333 1929 2525 2723 3319 3915 935 1531 2127 2921 3517 4113 1133 1729 2325 3119 3715 735 1331 1927 2523 3317 3913 933 1529 2125 2721 3515 1131 1727 2323 2919 3713 1329 1925 2521 3117 733 1527 2123 2719 3315 931 3513 1725 2321 2917 533 1129 1327 1923 2519 3115 731 1525 2121 2717 3313 929 1723 2319 2915 1127 1921 2517 1325 2119 2715 1523 2317 1721 2515 1919 2117 2315

184600

184800

185000

185200

185400

185600

185800

186000

186200

max+20 max

5965 6165 6365 6565 6765 6965 7165 7365

1200

5963 6163 6363 6563 6763 6963 7163 7363 5961 6161 6361 6561 6761 6961 7161 7361 5959 6159 6359 6559 6759 6959 7159 7359 8557 8757 8957 9157 8555 8755 8955 9155 9355 9555 8553 8753 8953 9153 9353 9553

1000

6751 6951 7151 7351

3951

6747 6947 7147 7347 7547 7747 7947 8147 8347 8547 8747 8947 9147 9347 9547

2547 2747 2947 3147 3347 3547 3747 3947 4147 4347 4547

6745 6945 7145 7345 7545 7745 7945 8145 8345 8545 8745 8945 9145 9345 9545

1345 1545 1745 1945 2145 2345 2545 2745 2945 3145 3345 3545 3745 3945 4145 4345 4545 4745 5343 5543

7743 7943 8143 8343 8543 8743 8943 9143 9343 9543

1141 1341 1541 1741 1941 2141 2341 2541 2741 2941 3141 3341 3541 3741 3941 4141 4341 4541 4741 4941 5141 5341 5541

7741 7941 8141 8341 8541 8741 8941 9141 9341 9541

0939 1139 1339 1539 1739 1939 2139 2339 2539 2739 2939 3139 3339 3539 3739 3939 4139 4339 4539 4739 4939 5139 5339 5539

7939 8139 8339 8539 8739 8939 9139 9339 9539

800

600

1343 1543 1743 1943 2143 2343 2543 2743 2943 3143 3343 3543 3743 3943 4143 4343 4543 4743

0737 0937 1137 1337 1537 1737 1937 2137 2337 2537 2737 2937 3137 3337 3537 3737 3937 4137 4337 4537 4737 4937 5137 5337

7937 8137 8337 8537 8737 8937 9137 9337 9537

0735 0935 1135 1335 1535 1735 1935 2135 2335 2535 2735 2935 3135 3335 3535 3735 3935 4135 4335 4535 4735 4935 5135 5335 5535

7935 8135 8335 8535 8735 8935 9135 9335 9535

0533 0733 0933 1133 1333 1533 1733 1933 2133 2333 2533 2733 2933 3133 3333 3533 3733 3933 4133 4333 4533 4733 4933 5133 5333 5533

8933 9133 9333 9533 8931 9131 9331 9531

0731 0931 1131 1331 1531 1731 1931 2131 2331 2531 2731 2931 3131 3331 3531 3731 3931 4131 4331 4531 4731 4931 5131 5331 5531

8929 9129 9329 9529

0929 1129 1329 1529 1729 1929 2129 2329 2529 2729 2929 3129 3329 3529 3729 3929 4129 4329 4529 4729 4929 5129 5329 5529 1127 1327 1527 1727 1927 2127 2327 2527 2727 2927 3127 3327 3527 3727 3927 4127 4327 4527 4727 4927 5127 5327 5527 5727 5927 6127 6327 6527 6727 6927

8927 9127 9327 9527

7127 7327

8925 9125 9325 9525

1325 1525 1725 1925 2125 2325 2525 2725 2925 3125 3325 3525 3725 3925 4125 4325 4525 4725 4925 5125 5325 5525 5725 5925 6125 6325 6525 6725 6925 7125 7325 1523 1723 1923 2123 2323 2523 2723 2923 3123 3323 3523 3723 3923 4123 4323 4523 4723 4923 5123 5323 5523 5723 5923 6123 6323 6523 6723 6923 7123 7323 7523 7723

400

8323 8523 8723 8923 9123

7923

7921 8121 8321 8521 8721 8921 1721 1921 2121 2321 2521 2721 2921 3121 3321 3521 3721 3921 4121 4321 4521 4721 4921 5121 5321 5521 5721 5921 6121 6321 6521 6721 6921 7121 7321 7521 7721 1919 2119 2319 2519 2719 2919 3119 3319 3519 3719 3919 4119 4319 4519 4719 4919 5119 5319 5519 5719 5919 6119 6319 6519 6719 6919 7119 7319 7519 7719

8119 8319 8519 8719 8919

2117 2317 2517 2717 2917 3117 3317 3517 3717 3917 4117 4317 4517 4717 4917 5117 5317 5517 5717 5917 6117 6317 6517 6717 6917 7117 7317 7517

8117 8317 8517 8717 8917

9523 9521

8315 8515 8715 8915 9115

9515

3313 3513 3713 3913 4113 4313 4513 4713 4913 5113 5313 5513 5713 5913 6113 6313 6513 6713 6913 7113 7313 7513 7713 7913 8113 8313 8513 8713 8913 9113

9313 9513

2315 2515 2715 2915 3115 3315 3515 3715 3915 4115 4315 4515 4715 4915 5115 5315 5515 5715 5915 6115 6315 6515 6715 6915 7115 7315 7515 7715 7915 8115

200

5311 5511 5711 5911 6111 6311 6511 6711 6911 7111 7311 7511 7711 7911 8111 8311 8511 8711 8911 9111 9311 9511 5309 5509 5709 5909 6109 6309 6509 6709 6909 7109 7309 7509

7909 8109 8309 8509 8709 8909 9109 9309 9509

5907 6107 6307 6507 6707 6907 7107 7307 7507 7707 7907 8107 8307 8507 8707 8907 9107 9307 9507 6105 6305 6505 6705 6905 7105 7305 7505 7705 7905 8105 8305 8505 8705 8905 9105 9305 9505 7303 7503 7703 7903 8103 8303 8503 8703 8903 9103 9303 9503

min min-20

0

0

200

400

600

800

1000

1200

1400

1600

Figuur 3.3: Origineel en geroteerd raster van Het Walenbos.

3.3.2 Ruimtelijke analyse Voor elke grondwatervariabele wordt, per gebied, de ruimtelijke afhankelijkheid onderzocht. Deze afhankelijkheid is middels empirische semivariogrammen geanalyseerd, waarin de (semi-)variantie tussen paren van opnamepunten voor verschillende afstandsklassen tussen punten weergegeven wordt. Hierbij wordt ook bekeken of er verschillen in de afhankelijkheid voor verschillende richtingen (i.e. anisotropie) waar te nemen zijn. Het blijkt dat alléén in het Walenbos het aantal waarnemingen een analyse in verschillende richtingen toestaat. Voor de overige gebieden zijn er te weinig waarnemingen voor de nodige splitsing van richtingen. De empirische semivariogrammen zijn vervolgens gemodelleerd met één van de volgende functies: Sferisch model met nugget effect:

0 ° ª 3h 1 § h · 3 º ° γ(h) = ®C0 + C1 « − ¨ ¸ » «¬ 2a 2 © a ¹ »¼ ° ° ¯C0 + C1

8551 8751 8951 9151 9351 9551

7751 7951 8151

6749 6949 7149 7349 7549 7749 7949 8149 8349 8549 8749 8949 9149 9349 9549

2749 2949 3149 3349 3549 3749 3949 4149

for

h=0

for

0

<

h

≤

(3.1) for

h>a

Gaussisch model met nugget effect


a

1800


γ(h) =

0 °° ® °C0 °¯

for h = 0 2º

ª h + C1 «1 − exp §¨ − ·¸ » «¬ © a ¹ »¼

for (3.2)

h

>

0

h

>

0

h

>

0

Exponentiele model met nugget effect

γ(h) =

0 ° ® °C0 ¯

for h = 0 ª h º + C1 «1 − exp§¨ − ·¸» © a ¹¼ ¬

for (3.3)

Lineair model met nugget effect

0

γ(h) = ® ¯C0 + m × h

for h = 0 for (3.4)

met h = de afstand tussen puntenparen (lag); a = de maximale afstand van ruimtelijke afhankelijkheid (range); C1 = het gedeelte van de maximale semivariantie dat als ruimtelijke afhankelijkheid gemodelleerd wordt en C0 = het nugget (kleinschalige variantie en meetfout) van het semivariogram model. Bij modellen waar een maximale semivariantie (sill) bereikt wordt is deze = C0 + C1. Het Gaussische en het exponentiele model verlopen asymptotisch met een sill en range bij benadering. Het lineaire model wordt door zijn intercept C0 en stijging m gedefinieerd (Pebesma 1997). De vier modellen en hun parameters worden in figuur 3.4 weergegeven. De keuze voor een semivariogrammodel is gebaseerd op het beeld van het empirische semivariogram en op de modelfit (middels weighted least squares; Cressie 1985). Omdat de varianties van een empirisch semivariogram bij grotere afstandsklassen minder betrouwbaar worden (door hergebruik van punten hebben de varianties de tendens om te fluctueren; Journel and Huijbregts 1978) wordt de maximale afstand voor het semivariogrammodel (en de daarop gebaseerde interpolatie) beperkt tot 200m, 350m, 800m, 300m en 400m, voor respectievelijk Snoekengracht, Doode Bemde, Walenbos, Vorsdonkbos en Zwarte Beek. Een voorbeeld van een empirisch semivariogram wordt in figuur 3.5 gegeven.



γ(h)

1.0

0.8

semivariantie

Semivariantie γ(h)

1.0

C1

0.6

0.4

a

0.2

0.8

C1

0.6

0.4

a

0.2

C0

C0

0.0

0.0 0

a

5

10

15

Lag (m)

20

25

semivariantie γ(h)

0.8

C1

0.6

0.4

a

0.2

10

15

20

25

10

15

20

25

Lag (m)

0.8

0.6

0.4

0.2

C0

C0

0.0

0.0 0

c

5

1.0

1.0

semivariantie γ(h)

0

b

5

10

15

Lag (m)

20

25

0

d

5

Lag (m)

Figuur 3.4: Sferisch (a), Gaussisch (b), exponentieel (c) en lineair (d) model. Legenda overeenkomstig met respectievelijk de vergelijkingen 3.1 t/m 3.4


semivariantie


500

400

300

Sill 200

100

Nugget

0 0

100

200

Range

300

400 lag (m)

Figuur 3.5: Het empirische semivariogram voor SO4 in de Zwarte Punten = semivarianties; lijn = sferisch semivariogram met range = 301, sill = 437 en nugget = 30

Beek. model

Ruimtelijke analyses zijn uitgevoerd met behulp van de geostatistische module SpatialStats (versie 1.0, Mathsoft 1996) van het S-plus pakket. De bekomen parameters van de semivariogram analyse worden weergegeven in bijlage 3.1.

3.3.3 Geostatistische interpolatie Voor de interpolatie van de grondwatervariabelen wordt uitgegaan van de parameters van de respectievelijke semivariogrammodellen. Interpolatie vindt plaats per variabele en per studiegebied op de schaal van het betreffende opnameraster. Middels blokkriging wordt een gemiddelde van elke variabele voor elke rastercel berekend, samen met een schattingsfout (die in een latere onderzoeksfase voor de modelevaluatie en interpretatie van belang is). De gemiddelde schatting z voor een blok (oftewel de hele rastercel) B met oppervlakte areaB is

z(s) areaB B

z ( B) = ³

(3.5)

en wordt geschat door n

zˆ ( B) = ¦ λi ⋅ z (s i )

(3.6)

i =1

met de som van de gewichten , λi, gelijk aan één en onder minimalisering van de geschatte variantie σˆ 2 ( B ) . De minimale geschatte variantie is


Verwerken van gegevens |22 n

σˆ 2 ( B) = ¦ λi γ (s i , B ) + φ − γ (B, B )

(3.7)

i =1

en wordt verkregen door

n

¦ λ γ (s , s ) + φ = γ (x i

i

j

i =1

j

, B)

voor alle j.

(3.8)

Deze schattingsvariantie kan gebruikt worden om betrouwbaarheidsintervallen voor de geschatte celwaarden te berekenen. Een 95% betrouwbaarheidsinterval in ongeveer zˆ ( B ) − 2σˆ , zˆ ( B ) + 2σˆ en een 99% betrouwbaarheidsinterval ongeveer

[

]

[zˆ( B) − 3σˆ , zˆ( B) + 3σˆ ] .

De resultaten van deze blokkriging, uitgevoerd met Surfer (versie 7.0, Golden software,Inc.1999), staan in bijlage 3.2. In figuur 3.6 wordt de standaard blokkriging van de pH in Vorsdonkbos vergeleken met deze geoptimaliseerd door de semivariogram analyse. 185300

185300

185200

185200

185100

185100

185000

185000

184900

184900

184800

184800

184700

184700

184600

184600

184500

184500

179600

179700

179800

179900

180000

180100

Figuur 3.6 Isolijnenpatroon semivariogramanalyse (links) en (rechts) in SURFER

179600

179700

179800

179900

180000

180100

voor blokkriging gebaseerd op blokkriging met standaardinstelling


Gebiedsafhankelijkheid |23

Hoofdstuk 4 Gebiedsafhankelijkheid

4.1 Inleiding Een streefdoel van het onderzoeksproject is het ontwikkelen van een voorspellend hydro-ecologisch model dat zo breed mogelijk toepasbaar is voor grondwaterafhankelijke terrestrische vegetaties in riviervalleien in de Kempen, het Hageland en de Leemstreek. Er zijn echter aanwijzingen dat responsfuncties van bepaalde soorten en vegetatietypen gebiedsgebonden zijn. Uit een eerste analyse van de responsfuncties van bepaalde soorten in de verschillende gebieden, bleek dat de functie verschilde naargelang het gebied (Huybrechts et al. 2000, De Becker et al. 1999). In dit hoofdstuk wordt deze problematiek verder uitgewerkt teneinde er meer inzicht in te krijgen, wat een noodzakelijke stap is om tot de opbouw van het model te komen. Op basis van deze analyse kan beslist worden welke datasets gecombineerd gaan worden en op welke manier, om zo tot één of eventueel meerdere modellen te komen. In deze studie wordt in belangrijke mate gewerkt met freatofyten, die in principe minder regioafhankelijk zijn. Niettemin is het mogelijk dat bepaalde soorten verschillend reageren op de hydrologie in verschillende regio’s. Er kan een regio gebonden variabele zijn die het voorkomen bepaalt maar niet in de set is opgenomen. In een dergelijk geval zou het wenselijk zijn de dataset te splitsen en verschillende modellen voor verschillende typen van gebieden op te stellen (vb. voor de Leemstreek, voor Kempen,...). De respons van soorten in verschillende gebieden zal worden bestudeerd in dit hoofdstuk. Dit gebeurt aan de hand van regressievergelijkingen opgesteld per gebied en door het berekenen van ecologische amplitudes.

4.2 Gebiedsvariabelen In dit onderzoek wordt de gebiedsafhankelijkheid van responsfuncties geëvalueerd. Voor de vijf gebieden is de relatie tussen planten en hun omgeving vergeleken. Voor 12 plantensoorten, die in alle gebieden voorkomen, zijn er per gebied regressievergelijkingen berekend. Deze relateren het voorkomen van plantensoorten aan de abiotische omgevingsvariabelen. Om de meest verklarende variabelen per plantensoort en gebied te identificeren werd een stapsgewijze regressie doorgevoerd (zie Hoofdstuk 6). Het blijkt dat er voor één plantensoort verschillende regressievergelijkingen gevonden worden, afhankelijk van het gebied (Tabel 4.1).


Gebiedsafhankelijkheid |24 Tabel 4.1: Multiple regressievergelijkingen per plantensoort en gebied (# = aantal positieve waarnemingen; db = Doode Bemde, sn = Snoekengracht, vo = Vorsdonkbos, wa = Walenbos, zb = Zwarte Beek; model termen zie Tabel 2.3) Soort

Gebied

#

Model termen

Angelica sylvestris

db sn vo wa zb

244 384 380 21 374

NO3 + NO32 + Na + SO4 + MEAN + Cl COND + COND2 + pH + MIN + NH4 + AMPLI + AMPLI2 PO4 + PO42 + MEAN + Mg + Fe + Na pH AMPLI + NH4 + Mg + Mg2 + Na + Na2 + pH

Caltha palustris

db sn vo wa zb

70 294 92 31 185

AMPLI + AMPLI2 + PO4 + PO42 + MAX + Ca + Ca2 + NO3 + NO32 MEAN + MEAN2 + AMPLI + AMPLI2 + PO4 + PO42 + SO4 + NO3 AMPLI + AMPLI2 + K + K2 + NO3 + pH MEAN + PO4 + Ca + Ca2 + Cl + Cl2 + HCO3 MEAN + NH4 + NH42 + Mg + Mg2 + MIN + MIN2 + MEAN + MEAN2

db sn vo wa zb

115 21 71 9 119

MEAN + MEAN2 + AMPLI + Na + MAX + K MAX + NO3 + Fe + NH4 + NH42 NH4 + NH42 + pH + HCO3 + HCO32 + PO4 + MEAN + MEAN2 K MEAN + K + K2 + SO4 + SO42

db sn vo wa zb

5 10 16 8 140

Ca + Ca2 + PO4 + pH + MAX + MAX2 AMPLI MAX + Mg +

db sn vo wa zb

80 13 41 15 340

Fe + Ca + MEAN COND + COND2 + PO4 + K + SO4 AMPLI + Fe + K MAX + NH4 + Mg

db sn vo wa zb Filipendula db ulmaria sn vo wa zb Juncus db acutiflorus sn vo wa zb

267 230 55 13 91 356

PO4 + PO42 + MEAN + AMPLI + AMPLI2 + Na + COND COND + COND2 + PO4 + PO42 + SO4 + SO42 + pH + MIN NH4 + PO4 + Mg + Mg2 Mg + PO4 + PO42 + Fe NH4 + NH42 + Ca + Fe + SO4 + SO42 + MEAN MEAN + MEAN2 + AMPLI + AMPLI2 + Mg + Mg2 + Cl + Cl2 + SO4 + SO42 Cl + Cl2 + MEAN + COND + NH4 + Mg + Mg2 PO4 + PO42 + pH + Na + MEAN + Fe pH + Mg + AMPLI + MIN + MIN2 MAX + PO4 + pH + NO3 + Mg + Mg2 pH + pH2 + MAX + MAX2 + Na + AMPLI + AMPLI2 + Ca + Ca2 COND + COND2 + SO4 + SO42 + PO4 + pH + Na Cl + MEAN + MEAN2 + AMPLI + Na MEAN + Fe + Fe2 + MIN + Cl NH4 + Na + Mg + Mg2

Carex acuta

Carex rostrata

Equisetum fluviatile

Equisetum palustre

472 357 38 307 42 62 101 11 406

MEAN + MEAN2 MAX + MAX2 + SO4 + SO42 + Fe + Fe2 + K + Cl + Cl2 + Ca + MIN Mg2 + NH4 + NH42 + HCO3 + MIN + MEAN2 + pH + SO4 + SO42 Mg + Mg2 + Ca + Cl + NO3 + NO32 + Ca


Gebiedsafhankelijkheid |25 Tabel 4.1: Voortzetting Soort Lysimachia vulgaris

Gebied

db sn vo wa zb Phalaris db arundinacea sn vo wa zb Phragmites db australis sn vo wa zb Scirpus db sylvaticus sn vo wa zb

#

Model termen

139 18 358 27 410 166 85 144 9 77 254 125 16 133 106 72 135 162 41 244

AMPLI + Fe + Cl + Cl2 + AMPLI + AMPLI2 + MEAN NO3 + MIN + PO4 + PO42 + MEAN + MAX AMPLI + NH4 + NH42 + Cl + HCO3 MAX + MAX2 + pH + Mg + SO4 + SO42 K + K2 + Ca + Ca2 + MIN + MIN2 + Mg + Mg2 + Na + Na2 NO3 + NO32 + Cl + Cl2 + MIN + MIN2 + NH4 + NH42 + MEAN COND + COND2 + SO4 + SO42 + K + NO3 + NO32 + Mg + Mg2 AMPLI + MIN + K + Mg + MAX pH + K MIN + MIN2 + pH + HCO3 + NO3 + SO4 MAX + Fe + COND + COND2 + K + HCO3 MAX + HCO3 + HCO32 + PO4 + PO42 + NO3 + NO32 + NH4 NH4 + AMPLI + AMPLI2 + MAX + PO4 + PO42 + Mg + Mg2 Cl + Cl2 + NO3 + K + Na + MAX + MAX2 Mg + PO4 + PO42 + AMPLI + AMPLI2 + SO4 + SO42 + Fe MAX + MAX2 + pH + pH2 + Cl + COND + COND2 + SO4 + SO42 COND + COND2 + MIN + MIN2 + PO4 + PO42 + pH + NH4 MIN + MAX + MAX2 + Cl + Cl2 + PO4 + Fe Cl + Cl2 Mg + HCO3 + Fe + Fe2 + Ca + Ca2 + Na + Na2

Verschillen tussen gebieden zijn ook te verwachten omdat de verspreiding van een plantensoort onder verschillende omstandigheden door verschillende variabelen 'verklaard' kan worden. De gebruikte empirische regressievergelijkingen zijn gebaseerd op de relatie tussen variaties in de soortverspreiding en variaties in de omgevingsvariabelen. Bij een gebied waar de range van een variabele zich beperkt tot waarden die alle geschikt zijn voor de soort, zal de verspreiding van deze soort niet afhankelijk zijn van deze variabele. Deze variabele is dan geen relevante modelvariabele voor dat gebied. In een ander gebied waar de range van dezelfde variabele breder is, of zich tot een extreem van de soorttolerantie beperkt wordt deze wel relevant voor de soortverspreiding in het gebied. Het belang van het studiegebied wordt ook duidelijk als bij het modelleren van het totale bestand (de vijf gebieden samen) een variabele 'gebied' toegevoegd wordt. In een stapsgewijze regressie met alle beschikbare abiotische variabelen en de gebiedsvariabele als kandidaten voor het model, wordt de gebiedsvariabele (voor de 12 onderzochte soorten) altijd meegenomen. Meestal wordt de variabele 'gebied' als eerste model term toegevoegd en vormt dus de meest verklarende variabele (Tabel 4.2). Zelfs als de gebiedsvariabele pas na het selecteren van alle significante overige abiotische variabelen toegevoegd wordt, levert deze voor de 12 soorten alsnog een significante modelverbetering met een significantie niveau ≤ 0.0001 (Tabel 4.3). Opvallend is dat de overige geselecteerde modeltermen voor dezelfde soort verschillen, afhankelijk van het wel dan niet direct kandidaatstellen van de term 'gebied'. Dit komt omdat de term 'gebied' een verzamelterm vormt voor gebiedsverschillen en (deels) ook de overige abiotische variabelen vertegenwoordigt.


Gebiedsafhankelijkheid |26 Tabel 4.2: Multiple regressievergelijkingen per plantensoort voor de vijf gebieden samen met ‘gebied’ als kandidaat variabele (# = aantal positieve waarnemingen; GEB = factor gebied, verdere modeltermen zie Tabel 2.3) Soort

A. C. C. C. E. E. F. J. L. P. P. S.

sylvestris palustris acuta rostrata fluviatile palustre ulmaria acutiflorus vulgaris arundinacea australis sylvaticus

#

Model termen

1403 GEB + pH + pH2 + NH4 + K + K2 + FE 672 MIN + MIN2 + K + GEB + MEAN + MEAN2 + COND + COND2 335 GEB + MEAN + MEAN2 + Na + Na2 + Fe + Fe2 + MIN 179 COND + COND2 + MAX + GEB + K + K2 + CA 489 GEB + AMPLI + Fe + Fe2 + Ca + Ca2 + Na + Na2 656 GEB + MIN + K + K2 + NO3 + pH + pH2 1530 GEB + pH + MEAN + MEAN2 + K + NH4 622 GEB + pH + pH2 + SO4 + SO42 + Cl + Cl2 + MIN + MIN2 952 GEB + AMPLI + AMPLI2 + Fe + Fe + PO4 + PO42 + MAX + MAX2 481 GEB + HCO3 + HCO32 + MIN + MIN2 + Mg + Mg2 + K 634 GEB + MAX + MAX2 + Cl + Cl2 + NH4 + NH42 + PO4 + PO42 654 GEB + MEAN + MEAN2 + K + K2 + MAX + MAX2 + pH + pH2

Tabel 4.3: Multiple regressievergelijkingen per plantensoort voor de vijf gebieden samen waarbij het 'gebied' pas achteraf toegevoegd werd (GEB = factor gebied, verdere model termen zie Tabel 2.3; p waarde = significantie van de toegevoegde term GEB) Soort

Stapsgewijs geselecteerde Model termen

A. sylvestris C. palustris C. acuta

MEAN + MIN + MIN2 + pH +pH2 + Mg + MG2 + Fe + FE2

+ GEB 0.00000

MIN + MIN2 + K + MEAN + MEAN2 + Cl+ Cl2 + Na MIN + MIN2 + PO4 + PO42 + MEAN + MEAN2 + Na + Na2 + COND + COND2

+ GEB 0.00000

C. E. E. F. J.

COND + COND2 + MAX + K + K2 + pH + pH2 + HCO3 + HCO32 + GEB 0.00007

rostrata fluviatile palustre ulmaria acutiflorus

p waarde

COND + COND2 + Fe + MAX + Na + Na2 + HCO3 + HCO32 2

K + K + MIN + COND + COND

2

2

2

+ pH + pH + Fe + Fe

+ GEB 0.00000 + GEB 0.00000 + GEB 0.00000

MIN + pH + pH2 + K + K2 + MEAN + MEAN2 + PO4 + PO42 COND + COND2 + MIN + MIN2 + pH + pH2 + NO3 + SO4 + SO42

+ GEB 0.00000

L. vulgaris MAX + Mg + MEAN + Fe + Fe2 + AMPLI + AMPLI2 P. arundinacea MIN + MIN22 + HCO3 + HCO32 + NH4 + NH42 + Mg + Mg2 +

+ GEB 0.00000

+ GEB 0.00000

NO3 + NO3 MAX + MAX2 + HCO3 + HCO32 + SO4 + SO42 + Fe + Fe2 + NH4 + NH42

+ GEB 0.00000

P. australis S. sylvaticus

MIN + MIN2 + pH + pH2 + K + NO3 + MAX + MAX2

+ GEB 0.00000

+ GEB 0.00000

Vergelijkingen voor de samengevoegde gebieden verklaren vaak minder variantie (deviance) dan de vergelijkingen voor de individuele deelgebieden (voorbeeld in Tabel 4.4). Dit kan verschillende redenen hebben. Ten eerste zijn deelgebieden homogener in hun abiotische omstandigheden, waardoor de data minder (door niet meegenomen variabelen veroorzaakte) ruis zullen vertonen. Verder mag men er niet van uitgaan dat de in de regressie geselecteerde variabelen direct verantwoordelijk zijn voor de verspreiding van de plantensoorten. De geselecteerde variabelen kunnen representatief zijn voor andere causale omstandigheden, die niet gemeten zijn. Als de relatie tussen de variabelen in het model en de causale variabelen per gebied verschilt zal dat ruis in het algemene model toevoegen. Verder kunnen ook aspecten zoals verschillende rastergrootte in de gebieden, niet gelijkwaardige data en een verschillend aantal cellen (zie hoofdstuk 3) van invloed zijn.


Gebiedsafhankelijkheid |27 Tabel 4.4: Multiple regressievergelijkingen voor Caltha palustris per gebied en voor de vijf gebieden samen (do = Doode Bemde, sn = Snoekengracht, vo = Vorsdonkbos, wa = Walenbos, zb = Zwarte Beek, tot = alle gebieden samen; model termen zie Tabel 2.3; %D = percentage verklaarde variantie) Soort

Gebied

Model termen

Caltha palustris

db sn vo wa zb tot

AMPLI + AMPLI2 + PO4 + PO42 + MAX + Ca + Ca2 + NO3 + NO32 MEAN + MEAN2 + AMPLI + AMPLI2 + PO4 + PO42 + SO4 + NO3 AMPLI + AMPLI2 + K + K2 + NO3 + pH MEAN + PO4 + Ca + Ca2 + Cl + Cl2 + HCO3 MEAN + NH4 + NH42 + Mg + Mg2 + MIN + MIN2 + MEAN + MEAN2 MIN + MIN2 + K + MEAN + MEAN2 + Cl+ Cl2 + Na

%D 49.5 39.7 27.3 38.5 32.2 23.0

De in dit hoofdstuk gepresenteerde regressievergelijkingen zijn voorlopig omdat ze met een voorlopige selectie van variabelen en via puntkriging geïnterpoleerde waterchemische en -dynamiek waarden berekend werden.

4.3 Ecologische amplitudes Bij ecologische amplitudes gaat men ervan uit dat soorten een bepaalde tolerantie hebben voor de variatie in de omgevingsfactoren. Ze geven het bereik weer van een soort voor een bepaalde abiotische variabele. Men kan er het gedrag van soorten binnen een zelfde gebied mee bestuderen maar ook vergelijken in verschillende gebieden. Voor de 5 studiegebieden wordt voor elke plantensoort nagegaan in welke rastercellen ze voorkomen en wat de corresponderende waarde is voor de bepaalde standplaatsvariabele. Deze reeks van waarden kan geplot worden aan de hand van Box & Whiskerplots ( ≈ soortamplitude). Op dezelfde wijze wordt de range voor de standplaatsvariabele per gebied verkregen (≈ gebiedsamplitude). De Box & Whiskerplots zijn opgebouwd uit de mediaan en de percentielen 10 en 90, wat een goed beeld geeft van de verdeling van de waarde. Binnen de range komt namelijk vaak een zone voor waar de soort de grootste kans heeft op aantreffen omdat zij daar optimaal functioneert. Naast het 10- en 90percentiel, worden ook het minimum en maximum afgebeeld. De evaluatie steunt op een visuele inspectie van deze amplitudes voor de verschillende variabelen. Alle plantensoorten die in drie of meer gebieden voorkomen werden in de analyse betrokken. Het betreft 48 soorten (bijlage 4.1). Het vergelijken van deze soortamplitude met de gebiedsamplitude geeft een idee of het gedrag van een soort afhankelijk is van het gebied waar ze in voorkomt of niet. Hierbij moet wel opgemerkt worden dat soorten die in alle gebieden voorkomen, meestal de algemene soorten zijn die weinig eisen stellen aan hun standplaats. Zij worden gekenmerkt door een brede ecologische amplitude. Om de hierboven vermelde doelstellingen te bereiken is het voldoende dat een selectie van abiotische variabelen wordt bestudeerd. Deze is gebaseerd op de factor analyse (zie paragraaf 5.3). De conductiviteit, concentratie aan calcium, bicarbonaat en sulfaat in het grondwater, en het gemiddelde, maximum en amplitude van de grondwaterstand kwamen naar voor als belangrijkste variabelen.


Gebiedsafhankelijkheid |28 Uit deze visuele inspectie kunnen enkele grote lijnen worden gehaald. Ten eerste ziet men dat voor elk gebied het bereik van de variabelen verschillend is, maar dat ze elkaar gedeeltelijk overlappen. Meestal vullen de gebieden samen de beschikbare gradiënt volledig in. Snoekengracht en Zwarte Beek vormen vaak de twee uitersten in het bereik en slechts zelden overlappen ze. Dit wordt geïllustreerd door de Box & Whiskerplot van het vegetatietype Arrhenatherum elatius voor de bicarbonaatconcentratie (Figuur 4.1). Arrhenatherum elatius TZB

Gebiedsamplitude TZB: Zwarte Beek TWA: Walenbos TVO: Vorsdonkbos TSN: Snoekengracht TDO: Doode Bemde

TVO

<-- gebied

TSN TDO

soort -->

Soortamplitude ZB: Zwarte Beek WA: Walenbos VO: Vorsdonkbos SN: Snoekengracht DO: Doode Bemde

ZB VO

non outlier max 90-percentiel

Mediaan 10-percentiel non outlier min outliers

SN DO -100

0

100

200

300

400

500

600

700

800

HCO3

Figuur 4.1: Boxplot voor de concentratie aan HCO3 voor de standplaats van Arrhenatherum elatius Vele soorten hebben een verschillend bereik in de verschillende gebieden. Vaak is de soortamplitude wel vergelijkbaar met de gebiedsamplitude. Het gebied bepaalt het bereik waarbinnen de soort kan voorkomen. Figuur 4.2 is hiervan een voorbeeld. Dit patroon wordt vooral gevonden bij de algemene soorten. Deze soorten kennen een grote verspreiding in alle gebieden. Voorbeelden hiervan zijn Angelica sylvestris, welke in 1403 rastercellen voorkomt en Phalaris arundinacea die 481 keer aanwezig is. Saxifraga granulata

TZB

<-- Gebied

TSN


TDO

Soort -->


ZB

SN



DO -20

40

100

160

220

280

Calcium a

Figuur 4.2: Boxplot voor concentratie aan Ca2+ voor de standplaats van Saxifraga granulata


Gebiedsafhankelijkheid |29 De gebiedsamplitude is in de meeste gevallen groter dan de soortamplitude. Dit betekent dat de soort niet de hele range voor de variabelen benut in het desbetreffende gebied maar een bepaalde plaats prefereert of dat andere variabelen een belangrijkere rol spelen in de verspreiding van de beschouwde soort. Een illustratie hiervan wordt gegeven in figuur 4.3. Rumex hydrolapatum

TZB

TVO

<-- gebied


TDO


Mediaan

soort -->


ZB

VO

10-percentiel non outlier min outliers

DO -20

40

100

160

220

280

Calcium

Figuur 4.3: Boxplot voor concentratie aan Ca2+ voor de standplaats van Rumex hydrolapatum In enkele gevallen is de gebiedsamplitude veel groter dan de soortamplitude. Wanneer men de locatie van de desbetreffende soort voor dat gebied nagaat, blijkt dat deze steeds een beperkte verspreiding heeft. Andere factoren zullen hier naar alle waarschijnlijkheid limiterend optreden. Een voorbeeld is Carex acuta in Walenbos en Snoekengracht (Figuur 4.4). Carex acuta TZB TWA

<-- gebied


TVO TSN TDO


Mediaan


ZB

soort -->

WA

10-percentiel non outlier min outliers

VO SN DO -20

40

100

160

220

280

CA

Figuur 4.4: Boxplot van de concentratie aan Ca2 voor de standplaats van is Carex acuta


Gebiedsafhankelijkheid |30 Het bereik van de soort is niet hetzelfde voor de verschillende gebieden. Zo ziet men dat een soort die in een bepaalde range van een gebied voorkomt, niet aanwezig is in dezelfde range van een ander gebied. Het is mogelijk dat hier andere factoren zwaarder doorwegen dan de beschouwde variabele. Uiteraard speelt concurrentie met andere soorten ook mee en dit is niet af te leiden uit de boxplots. Hier wordt nl. variabele per variabele bekeken, terwijl de standplaats wordt bepaald door een combinatie van variabelen en interactie tussen soorten. Onderstaande figuur 4.5 is hiervan een illustratie. Rumex hydrolapatum

TZB

<-- gebied


TVO

TDO

soort -->


ZB

VO



DO -200

0

200

400

600

800

1000

1200

Conductiviteit

Figuur 4.5: Boxplot voor de elektrische conductiviteit van de standplaats van Rumex hydrolapatum

In een aantal gevallen komen soorten slechts in een beperkte range voor hoewel de gebiedsamplitude veel breder is. Hier is het duidelijk dat niet de gebiedsamplitude de verspreiding van de soorten limiteert maar dat de soort een duidelijke range prefereert. Figuur 4.6 illustreert dat Carex curta locaties met een lage calciumconcentratie verkiest. Carex curta

TZB

<-- gebied


TWA

TVO

soort -->


ZB



WA

VO -20

20

60

100

140

180

220

260

CA

Figuur 4.6: Boxplot voor de calciumconcentratie van de standplaats van Carex curta



4.4 Situering studiegebieden in de Vlaamse context Om een idee te hebben hoe representatief de gekozen gebieden zijn voor de “Vlaamse situatie” werd een vergelijking gemaakt tussen de ranges van een aantal hydro-chemische variabelen uit de vijf studiegebieden en de range van diezelfde hydro-chemische variabelen gemaakt aan de hand van een Vlaamse dataset. Deze werd opgesteld aan de hand van ruim 2000 analyseresultaten van grondwater uit meer dan 70 natuurgebieden (inclusief de vijf studiegebieden) verspreid over Vlaanderen. In deze dataset werden brakke en zoute monsters weggelaten om de spreiding niet nodeloos breed te maken. In figuur 4.7 is een selectie van de resultaten weergegeven. Hierin valt op dat de Snoekengracht en de Doode Bemde qua hardheid (mineraalrijkdom) van het grondwater, boven het Vlaamse gemiddelde uitsteken en dat in alle studiegebieden het nutriëntenniveau in het grondwater laag is. Er zijn enkele uitschieters voor kalium in de Zwarte Beek, nitraat in de Snoekengracht, de Doode Bemde en Walenbos, ammonium in de Doode Bemde en ortho-fosfaat in vier van de vijf studiegebieden. Bij nadere inspectie gaat het telkens om een paar perifere monsternemingen. Er kan dus geconcludeerd worden dat het in deze dataset gaat om nutriëntenarm grondwater, en dat dit geldt voor het grondwater in de meerderheid van natuurgebieden in Vlaanderen. 1600

1400

4500

Condl

3500

1200

HCO3

1000

600 1500

800

HC O3

600

400

400

200

500

200

0

800

VL

SN

WA

DO

VO

700

ZB

Ca

600

1600

400

800

300

600

200

400

100

200

0

0 VL

SN

WA

DO

VO

SN

WA

DO

VO

ZB

ZB

Cl

1200 1000

16

0 VL

1400

500

H2PO4

12 10

320

VL

SN

WA

DO

VO

ZB

K

260 200

Min-Max 25%-75%

140

Median value

80 20

VL

SN

WA

DO

VO

VL

ZB

SN

WA

DO

VO

ZB

45

55

14

SO4

1200 1000

800

2500

1400

NH4

45 35

NO3

35

25

8 25

6

15

4

15

2

5

5

0 VL

SN

WA

DO

VO

ZB

VL

SN

WA

DO

VO

ZB

VL

SN

WA

DO

VO

ZB

Figuur 4.7: Vergelijking van de hydrochemische ranges van de vijf studiegebieden met het gemiddelde van ongeveer 70 Vlaamse natuurgebieden. (Vl = Vlaanderen)



4.5 Conclusies Bij enkelvoudige regressiemodellering werden voor één plantensoort verschillende regressievergelijkingen gevonden afhankelijk van het gebied. Bij multiple regressie wordt een zogenaamde gebiedsvariabele belangrijk en draagt deze sterk bij tot de verklaring van de variantie. Dit suggereert dat de beste regressiemodellen per gebied afzonderlijk worden verkregen, wat wordt bevestigd door de betere resultaten die bij de statistische tests werden bekomen. Deze verschillen tussen gebieden zijn trouwens niet geheel onverwacht, omdat de verspreiding van een plantensoort onder verschillende omstandigheden door verschillende variabelen 'verklaard' kan worden, afhankelijk of de gebiedsrange van een variabele overeenkomt met de range die geschikt is voor de soort. Uit de visuele inspectie van de boxplots kan worden afgeleid dat gebiedsrange en soortrange sterk gekoppeld zijn. In bepaalde gebieden is slechts een deel van het bereik van de soort terug te vinden. Dit suggereert dat voor deze 5 gebieden de verschillen qua model per gebied niet noodzakelijk het gevolg zijn van een verschillende respons op de variabele(n) maar dat de voorkomende range voor een hydrologische variabele van het gebied een rol speelt. Met het model wordt een zo breed mogelijk toepassingsveld nagestreefd. Het is van belang om een zo groot mogelijke range van omstandigheden te modelleren. Het feit dat elk van de bemonsterde gebieden maar een gedeelte van de mogelijke abiotische ranges bevat pleit dus voor het samennemen van de volledige dataset. Op basis van deze overwegingen werd beslist om de informatie uit de verschillende gebieden samen te voegen in één model. Dit heeft verder het voordeel dat voor elke soort meer waarnemingen in de modelberekeningen beschikbaar zijn.


Selectie variabelen 33

Hoofdstuk 5 Selectie van variabelen

5.1 Inleiding De keuze van abiotische variabelen werd voor een deel reeds gemaakt in de onderzoeken die aan de basis liggen van dit project (zie hoofdstuk 2). In totaal zijn voor de 5 studiegebieden meer dan 20 variabelen beschikbaar. Om de toepasbaarheid van een model te verhogen, streeft men best naar een beperkt aantal variabelen. In dit hoofdstuk wordt onderzocht of een verdere selectie kan worden doorgevoerd. Deze zal gebaseerd zijn op statistische tests maar ook op meer praktische overwegingen zoals de eenvoud van het verzamelen van meetresultaten op het terrein. Om de onderlinge verwantschappen tussen de verschillende variabelen te kennen en hun belang voor verspreidingspatronen van de verschillende plantensoorten in de onderzochte gebieden, wordt gebruik gemaakt van een aantal multivariate analysetechnieken (correlatie-, factoren canonische correspondentieanalyse). Om de verschillen in eenheden en in waardeschalen tussen de variabelen weg te werken worden de gegevens gestandaardiseerd alvorens er een correlatie- en factoranalyse (PCA) op uit te voeren. Bij de canonische correspondentie analyse (CCA) is dit niet vereist (daar gebeurt intern een standaardisatie). In de Nederlandse ITORS-dataset zijn voor grondwaterchemie indexen berekend. Deze zijn gebaseerd op de gemeten variabelen en bleken, voor de logistische vergelijking, in meerdere gevallen een belangrijkere bijdrage te leveren dan de enkelvoudige variabelen. De indexen zijn gebaseerd op piperdiagrammen waaruit bleek dat plantensoorten voor bepaalde parametercombinaties gestratificeerd voorkomen. Voor de Belgische datasets wordt enkel de ‘ionic ratio’ van Van Wirdum (Van Wirdum, 1991) getest, een index die reeds bewezen heeft ecologisch relevant te zijn. De klassenvariabelen bodem en beheer worden niet betrokken in deze analyses, het is niet relevant een selectie te maken uit de samenstellende klassen van deze variabelen. Bij CCA wordt het beheer wel meegenomen maar niet met doel een selectie te maken enkel als illustratie van de variatie in de dataset.

5.2 Correlatie analyse Correlatie analyse geeft een waarde voor het (eventuele) lineaire verband tussen twee of meer variabelen. Hier wordt een Pearson correlatie coëfficiënt gebruikt. Het doel van deze correlatie analyse is het zoeken naar variabelen met een sterk vergelijkbaar karakter. Dit kan helpen om op een objectieve manier eventueel een selectie te maken uit de variabelen. Tabellen 5.1 en 5.2 geven een overzicht van de resultaten. Als de correlatiecoëfficiënten significant zijn (α=0.05) en hoger dan 0.5 wordt in de tabellen niet de correlatiecoëffiënt maar wel het nummer van het corresponderende gebied weergegeven (tabel 5.3). Hieruit is af te leiden welke variabelen in welke gebieden een sterke correlatie vertonen. De correlatiecoëfficiënten, zowel per gebied als voor de 5 gebieden samen, zijn terug te vinden in bijlage 5.1


Selectie variabelen 34 Tabel 5.1: Overzicht correlaties (gebiedscodes in tabel 5.3)

Cond

HCO3-

pH

PO42-

NO3-

(>0.5)

NH4+

SO42+

tussen

Cl-

Na+

chemische

K+

Ca2+

variabelen

Mg2+

Fetot

Cond pH

0

HCO3-

1240

3450

PO42NO3NH4+ SO4

2-

4

5

2345

5

Cl-

25

34

34

Na+

25

4

4

K+

5

Ca2+

123450

140

123450

Mg2+

123450

0

1240

25 2

0

Fetot

1 5

5

234

2

34

20

4

34

5

Tabel 5.2: Overzicht correlaties (gebiedscodes in tabel 5.3) Mean

Min

123450

5

Max

(>0.5) Ampli

2 12340 34

tussen

Caaf

Vex

dynamische Cen

variabelen Sum

Mean Min

123450

Max

123450

1240

Ampli

123450

1

Vex

240

2

2340

234

Cen

1350

1

123450

123450

Sum

1

150

150

123450

Caaf

140

Tabel 5.3: Verklaring gebruikte gebiedscodes in tabellen 5.1 & 5.2 LEGENDE: 5 gebieden samen

0

Doode Bemde

1

Snoekengracht

2

Vorsdonkbos

3

Walenbos

4

Zwarte Beek

5

Voor de chemische variabelen blijkt de conductiviteit telkens sterk gecorreleerd te zijn met zowel Ca2+, HCO3- als Mg2+. Daarnaast is Clgecorreleerd met Na+. De analyseresultaten voor Snoekengracht en Zwarte Beek lopen vaak parallel, net zoals voor Vorsdonkbos en Walenbos. De verschillende duurcurve-variabelen (zie tabel 2.3) zijn veelal sterk gecorreleerd met de andere grondwaterdynamiek variabelen en zijn onderling niet sterk gecorreleerd. Voor wat de gewone dynamische grondwatervariabelen aangaat zijn gemiddelde, maximum en minimum diepte onderling sterk gecorreleerd met elkaar.



5.3 Factoranalyse Om een beter inzicht te krijgen in de interne variatie en gelijkenissen binnen de verschillende datasets (van de vijf studiegebieden afzonderlijk), maar ook voor de vijf gebieden samen, wordt een factoranalyse uitgevoerd op deze zes sub-datasets (Manly, 1986). De factoranalyse wordt telkens uitgevoerd op de chemische én op de dynamische grondwater variabelen en dit voor de zes subsets. Om te weten te komen of de verspreidingspatronen van de gekarteerde plantensoorten het meest verklaard worden door chemische dan wel dynamische variabelen of door een combinatie van de twee, wordt tenslotte nog een reeks factoranalyses uitgevoerd op de zes subsets met alle hydrologische variabelen samen. De eigenwaarden van de ordinatieassen zijn een maat voor de hoeveelheid verklaarde variantie. Hoe hoger de eigenwaarde, hoe hoger het percentage verklaarde variantie. De eerste component (hier factor genoemd) heeft steeds de hoogste eigenwaarde. In de besprekingen die volgen worden enkel de eerste twee ordinatieassen beoordeeld, aangezien het overgrote aandeel van de informatie hier in te vinden is. Het relatieve belang van de verschillende variabelen kan bepaald worden door de lengte van de respectievelijke pijlen in de verschillende bi-plots te berekenen a.h.v. de scores op de ordinatieassen.

5.3.1 Factoranalyse op de grondwaterchemische gegevens Figuur 5.1 geeft de resultaten van de factoranalyse grafisch weer. Bij het vergelijken van de verschillende gebieden vertoont de Doode Bemde een sterke gelijkenis met de dataset van de 5 gebieden samen. Uit de bi-plots kan afgeleid worden dat Cl- en Na+ meestal gegroepeerd zijn en 90° geroteerd zijn t.o.v. conductiviteit, Mg2+, Ca2+. De Snoekengracht vormt hier een uitzondering op. Het grootste deel van de variatie in de datasets wordt door deze vier hydrochemische variabelen verklaard. De twee eerste factoren verklaren voor elk van de zes subsets meer dan 55% variantie van de dataset (tabel 5.4). Over het algemeen zijn de belangrijkste variabelen de conductiviteit, Ca2+ en HCO3- (tabel 5.5). Vorsdonkbos en Walenbos wijken licht af van dit patroon, HCO3- is er iets minder belangrijk.



4

Cl

SO4

Mg

Na

HCO3

Ca

Cond

4 3

Cl

3 NO3

2

K

2

Na

Cond

1

Ca

1

Fe

SO4

pH

0

Mg PO4

0

Fe

HCO3

-1

pH

NH4 -1

PO4

K

-2

NO3 -2 NH4 -3

-2

-1

0

1

2

3

-3

4

-2

Doode Bemde

-1

0

1

2

3

4

Snoekengracht Cl

Na

3 Fe

4

2.5 3

Cond

2

Ca

SO4

SO4

NH4 2

1.5 HCO3

NO3

Mg

K

NH4

1

1 NO3

pH

0.5

Cond

PO4 Na

PO4

0 Mg

Fe

0

-0.5

Ca

-1

Cl K

-2

-1 -3

-1.5 -1.5

-1

-0.5

0

0.5

1

1.5

HCO3

2

pH -2

-1

0

4

5

NH4

Fe

3

6

HCO3

4

2

Walenbos

Vorsdonkbos 5

1

Cl Ca

Na

4 SO4

3 CondL Mg

pHL

3

PO4

2

2 K 1 SO4

K

0

NO3

Cond Mg

1

Ca Fe

0

HCO3

Na NO3

Cl

-1

-1 pH

NH4 -2 PO4

-2 -2

-1

0

1

2

Zwarte Beek

3

4

-2

-1

0

1

2

3

4

5 gebieden samen

Figuur 5.1: Bi-plots van de factoranalyse van de chemische variabelen. (de abscis en de ordinaat zijn telkens resp. de eerste en de tweede ordinatieas)


Selectie variabelen 37 Tabel 5.4: Overzicht eigenwaarden en percentage verklaarde variantie voor de factoranalyse van de chemische variabelen Eigenwaarde

%verkl. variantie

Cum. Eigenwaarde

Cum. % verkl. Eigenwaarde

Chemie

Factor 1

4.827

37.130

4.827

37.130

5 gebieden

2

2.461

18.930

7.288

56.060

1

4.265

32.804

4.265

32.804

2

2.585

19.884

6.849

52.688

1

4.897

37.666

4.897

37.666

Doode bemde

Snoekengracht

Vorsdonkbos

Walenbos

Zwarte Beek

2

3.176

24.433

8.073

62.099

1

5.340

41.074

5.340

41.074

2

3.049

23.455

8.389

64.529

1

5.014

38.571

5.014

38.571

2

3.729

28.684

8.743

67.255

1

4.636

35.664

4.636

35.664

2

2.888

22.212

7.524

57.876

Tabel 5.5: Relatieve lengte van de bi-plotpijlen (voor de eerste twee assen) voor de chemische variabelen uit de factoranalysen (figuur 5.1) (gerangschikt volgens afnemende belangrijkheid 5 gebieden

Doode Bemde

Snoekengracht

Vorsdonkbos

Walenbos

Zwarte Beek

lengte Variabele lengte Variabele lengte Variabele lengte Variabele lengte Variabele lengte Variabele 0.975

Ca2+

0.988

Cond

0.977

Cond

0.983

Cond

0.983

Cond

0.956

Cond

0.972

HCO3-

0.985

HCO3-

0.933

HCO3-

0.979

Ca2+

0.973

Ca2+

0.956

HCO3-

0.959

Cond

0.970

Ca2+

0.920

Ca2+

0.940

SO42

0.956

Na+

0.891

Ca2+

0.906

Mg2+

0.830

Cl-

0.916

Mg2+

0.912

Na+

0.954

Cl-

0.832

Cl-

0.819

+

0.900

-

0.894

-

Cl

0.812

pH

0.810

+

Na

2-

0.709

SO4

0.698

K+

0.539

PO42-

0.365 0.347 0.055

NO3

-

NH4

+

Fetot

0.777

Na

SO4

2

0.894 0.875

-

Cl

SO4

2

0.884

HCO3

-

0.944

HCO3

0.831

K+

0.941

2

0.824

NH4+

2+

0.807

SO42

SO4

2+

0.855

Na

0.874

pH

0.920

0.646

NH4

+

0.804

Fetot

0.830

Fetot

0.907

pH

0.779

Fetot

0.586

NO3-

0.713

NO3-

0.679

PO42-

0.852

Fetot

0.726

Mg2+

0.541

pH

0.675

PO42-

0.624

Mg2+

0.625

NH4+

0.653

pH

0.476

+

0.464

-

0.625

Na+

2-

0.418

PO42-

0.254

NO3-

0.741

Mg

K

0.338

Fetot

0.240

2-

PO4

0.658

+

Cl

-

NH4

+

0.378

pH

0.287

+

K

+

0.619 0.542 0.417

K

NH4

+

NO3

-

Mg

NO3

0.384

PO4

0.285

+

K

5.3.2 Factoranalyse op de grondwaterdynamische gegevens De resultaten van de factoranalyse op de grondwaterdynamische gegevens voor de zes subsets zijn grafisch weergegeven in figuur 5.2. Amplitude ligt steeds 180° verdraaid t.o.v. maximum, waarbij maximum, minimum en gemiddelde gegroepeerd of zelfde richting hebben. Voor Vorsdonkbos ligt ook de minimum diepte in de buurt van de amplitude, dit komt doordat de grondwaterstand vaak boven het maaiveld staat.



Vex 2

4 1.5

CEN

1 0.5

2 Min 1

0

SUM

Caaf

3

MAX MEAN

0

Mean Cen Max

-0.5

VEX AMPLI

Ampli

-1

-1

MIN CAAF

-1.5 -2

-2

Sum -2.5

-3 -3

-4

-3

-2

-1

0

1

2

3

4 -3.5 -2

Doode Bemde

-1

0

1

2

Snoekengracht Cen

3

4

2.5

3

2

2

MIN CAAF

1.5

Sum

Max Min

Caaf

Mean

1

1 VEX

0.5

0

AMPLI MEAN

0

-1

Vex

MAX

-2 Ampli

-0.5 SUM

-3

-1 CEN

-1.5

-4

-2

-5

-2

-1.5

-1

-0.5

0

0.5

1

-4

1.5

-3

-2

-1

0

1

Vex

4

2

2

3

4

Walenbos

Vorsdonkbos

MIN CAAF

Min

Mean Max

MEAN CEN MAX

1

2 Cen

SUM

0

0

Caaf

AMPLI

Sum

VEX

-1

-2

Ampli

-2

-4 -8

-3

-6

-4

-2

0

2

4

-4

-5 -4

-3

-2

-1

Zwarte Beek

0

1

5 gebieden samen

Figuur 5.2: Bi-plots van factoranalyse voor de dynamische variabelen (de abscis en de ordinaat zijn telkens resp. de eerste en de tweede ordinatieas)


Selectie variabelen 39 Uit tabel 5.6 blijkt dat de twee eerste dynamische factoren meer dan 70% van de variantie verklaren. Maximum, gemiddelde en amplitude verklaren de grootste variatie en worden dan ook beschouwd als de belangrijkste dynamische variabelen (tabel 5.7).

Tabel 5.6: Overzicht eigenwaarden en percentage verklaarde variantie voor de factor analyse van de dynamische variabelen

dynamiek

Factor

Eigenwaarde

%verkl. variantie

Cum. Eigenwaarde

1

4.213

52.665

4.213

5 gebieden

Doode Bemde

Snoekengracht

Vorsdonkbos

Walelnbos

Zwarte Beek

Cum. % verkl. Eigenwaard e 52.665

2

1.451

18.132

5.664

70.797

1

5.345

66.811

5.345

66.811

2

1.427

17.832

6.772

84.644

1

4.325

54.068

4.325

54.068

2

1.799

22.486

6.124

76.553

1

3.958

49.473

3.958

49.473

2

1.907

23.843

5.865

73.316

1

4.486

56.071

4.486

56.071

2

1.294

16.179

5.780

72.249

1

4.126

51.572

4.126

51.572

2

1.543

19.291

5.669

70.863

Tabel 5.7: Relatieve lengte van de bi-plotpijlen (voor de eerste twee assen) voor de dynamische variabelen uit de factoranalysen (figuur 5.2) gerangschikt volgens afnemende belangrijkheid 5 gebieden

Doode Bemde

Snoekengracht

Vorsdonkbos

Walenbos

Zwarte Beek

lengte Variabele lengte Variabele lengte Variabele lengte Variabele lengte Variabele lengte Variabele 0.992

Max

0.995

Max

0.995

Max

0.990

Ampli

0.990

Max

0.986

Max

0.962

Mean

0.979

Mean

0.975

Mean

0.989

Max

0.942

Mean

0.975

Ampli

0.926

Ampli

0.953

Ampli

0.964

Ampli

0.960

Cen

0.905

Ampli

0.933

Mean

0.897

Cen

0.941

Cen

0.888

Vex

0.911

Mean

0.882

Cen

0.917

Cen

0.830

Sum

0.921

Vex

0.844

Cen

0.853

Vex

0.842

Vex

0.881

Min

0.829

Min

0.915

Sum

0.812

Min

0.830

Min

0.792

Sum

0.725

Vex

0.785

Vex

0.884

Min

0.779

Sum

0.778

Caaf

0.774

Min

0.639

Caaf

0.315

Caaf

0.750

Caaf

0.698

Caaf

0.366

Sum

0.615

Caaf

0.568

Sum

5.3.3 Factoranalyse voor de grondwaterchemische en –dynamische variabelen samen Om het belang van chemische en dynamische variabelen ten opzichte van elkaar te kunnen afwegen is er eveneens een factoranalyse uitgevoerd voor de beide groepen van variabelen samen. De resultaten daarvan zijn weergegeven in figuur 5.3.



Cond HCO3 Ca

SO4 Na

4

4

Cl

Mg Cond

3

3

Sum Ca

pH

NO3 2

2

NH4

1

pH

Na

Fe

Cl

Vex

Mg K

SO4 0 Ampli

Sum Mean Cen

Caaf PO4

HCO3 -1

Min

-2

-3

Caaf

-3

-4

-3

-2

-1

0

Vex

Min Ampli

K

NO3

-2

Max Depth

0

Max

-1

Cen

1

1

2

3

4

NH4

-4

-3

PO4 -1

-2

Fe 1

0

2

3

4

Snoekengracht

Doode Bemde

NH4

2 Cl

Cen

1

PO4

Na

Cl

Fe

1.5

NO3

Cen

2

1

K

0

Vex

Na

Max Mean

Sum K Caaf

Min

0.5

SO4

Fe

-1

Sum Max

0

Ampli Cond

Depth

-2 Vex

NO3 NH4 Mg

-0.5

-3

Ca Ampli

-4 Min

Caaf

-1.5

PO4

SO4

pH

-1

HCO3

HCO3

-4

-3

-2

-2

-1

0

Cond 1

2

3

4

Walenbos -1.5

-1

-0.5

0

0.5

1

1.5

2

2.5

5

Max Mean Cen

4

Vorsdonkbos

4

Sum

Min

HCO3

2

Vex

NH4

Fe

Ca

3

0

Cond

Mg

K PO4

Caaf Fe NO3

pH

Cl Na SO4 pH

2

SO4

Na

Sum Max

K Ampli

Cl

Min

NH4

-4

NO3

-1

Ca Cond

-2

1

Cen

Mg

HCO3

PO4 Vex

0

Mg

Ca

pH

Ampli

Caaf Depth

-2 -4

-3

-2

-1

0

Zwarte Beek

1

2

3

4

-6

-8

-2

0

2

4

5 gebieden samen Figuur 5.3: Bi-plots van factoranalyse voor de chemische en dynamische variabelen samen (de abscis en de ordinaat zijn telkens resp. de eerste en de tweede ordinatieas)


Selectie variabelen 41 Uit tabel 5.8 blijkt dat de verklaarde variantie door de twee eerste assen lager is dan bij chemie en dynamiek apart. Dit is logisch gezien de totale variatie in de dataset nu groter is. Tabel 5.9 geeft een idee van het relatieve belang van elke betrokken variabele. Vorsdonkbos en Walenbos worden vooral bepaald door de chemie. De dynamische variabelen staan overwegend in de onderste helft van de tabel. In de andere gebieden is de dynamiek belangrijker, vooral in de Doode Bemde en Snoekengracht. Tabel 5.8: Overzicht eigenwaarden en percentage verklaarde variantie voor de factoranalyse van de chemische en dynamische variabelen samen

chemie en dynamiek

Cum. % verkl. Eigenwaard e 29.408

Factor

Eigenwaarde

%verkl. variantie

Cum. Eigenwaarde

1

6.176

29.408

6.176

2

3.474

16.545

9.650

45.953

1

6.829

32.520

6.829

32.520 51.946

5 gebieden

Doode Bemde Snoekengracht Vorsdonkbos Walenbos Zwarte Beek

2

4.080

19.426

10.909

1

6.887

32.796

6.887

32.796

2

3.841

18.292

10.728

51.087

1

7.947

37.845

7.947

37.845

2

3.941

18.766

11.888

56.611

1

7.256

34.553

7.256

34.553

2

5.095

24.261

12.351

58.814

1

6.688

31.849

6.688

31.849

2

3.283

15.632

9.971

47.481

Tabel 5.9: Relatieve lengte van de bi-plotpijlen (voor de eerste twee assen) uit de factoranalysen voor de chemische en dynamische variabelen samen (figuur 5.3) (gerangschikt volgens afnemende belangrijkheid) 5 gebieden

Doode Bemde

Snoekengracht

Vorsdonkbos

Walenbos

Zwarte Beek

lengte variabele lengte variabele lengte variabele lengte variabele lengte variabele lengte variabele Max

0.918

Max

0.927

Ca2+

0.962

0.977

Cond

0.903

Ampli

0.914

Ampli

0.971

HCO3-

0.881

Mean

0.911

Cond

0.967

Ca2+

0.865

Cl-

0.899

HCO3-

0.896

Cl-

0.962

Max

0.982

0.958

Cond

0.951

Ca2+

0.900

Ampli 2+

2-

Ca2+

0.971

0.957

Max

0.918

Max

0.956

Cond

0.904

Ca2+

0.945

Mean

0.897

Ampli

0.936

HCO3-

0.891

Cond

HCO3-

0.899

Mg

0.960

Mean

0.863

SO4

0.857

HCO3-

0.956

Ampli

0.837

Mg2+

0.894

Na+

0.928

Na+

0.852

SO42-

0.847

Mean

0.906

Cen

0.828

Na+

0.865

Max

0.918

Mg2+

0.800

NH4+

0.768

K+

0.767

Fetot

2-

0.818

Cen

0.853

Min

0.818

Cond

0.861

SO4

0.748

Sum

0.817

NH4+

0.739

Vex

0.848

pH

0.745

NH4

+

0.806

Sum

0.719

Cen

0.847

0.610

Cl-

0.745

Mg2+

0.710

Ca2+

0.818

0.589

pH

0.549

pH

0.708

PO42-

0.511

Vex

0.547

PO42-

0.662

0.490

Min

0.509

Na+

0.489

+

Na

0.489

0.470

PO42-

0.444

+

2-

0.892

SO4

0.882

pH

Cen

0.862

-

Cl

0.737

Mean

Vex

0.845

Ampli

0.726

Cen

0.752

Fetot

0.834

Min

0.686

pH

Fetot

0.708

PO42-

0.771

Fetot

0.636

Mg2+

0.656

Sum

0.691

Mean

0.640

Cen

0.514

Sum

Caaf

0.619

NH4

+

0.675

Caaf

0.631

Vex

0.459

Vex

NO3-

0.602

NO3-

0.622

Min

0.594

NH4+

0.447

Cl-

-

0.422

Caaf

0.418

NO3-

-

0.383

K

0.416

Cl

0.589

HCO3

0.361

SO42-

0.371

Fetot

0.498

Min

+

-

+

+

0.549

K

0.461

NO3

0.539

NH4+

0.363

Sum

2+

+

0.258

Caaf

0.368

K

0.435

K

0.426

Mg

0.345

K

0.336

Min

0.152

NO3-

0.267

SO42-

0.420

Caaf

0.406

NO3-

0.340

PO42-

0.334

PO42-

0.054

Fetot

0.204

Vex

0.320

pH

0.180

Sum

0.254

Caaf

0.169

Na+



5.4 Canonische Correspondentie Analyse (CCA) Om een kwalitatief beeld te krijgen van het verband tussen de gekarteerde plantensoorten en de 21 hydrologische variabelen wordt gebruik gemaakt van canonische correspondentie analyse (Jongman et al. 1995). De grafische weergave van de resultaten (figuren 5.4 t.e.m. 5.9) vormen een handig overzicht van de variatie in de datasets. Ze verhogen de interpretatie van de omgevingsgradiënten en laten toe individuele soorten te relateren aan hun belangrijkste hydrologische variabelen. Net zoals voor de factoranalyse is de lengte van de pijlen voor de variabelen op de bi-plots een maat voor het belang ervan in de onderzochte dataset. De analyse wordt opnieuw uitgevoerd voor de vijf studiegebieden afzonderlijk en voor de totale dataset. Bij de analyses van de vijf gebieden afzonderlijk wordt gebruik gemaakt van de totale soortenlijsten van planten die effectief in die gebieden werden gekarteerd. In de samengevoegde dataset wordt gebruik gemaakt van de lijst van soorten die gemeenschappelijk werden gekarteerd (bijlage 2.1). Zowel de chemie en , dynamiek van het grondwater als het beheer word in rekening gebracht. Indien in de resultaten van de CCA een ‘boog-effect’ optreedt, wordt een DCCA (Detrended-CCA) uitgevoerd op die dataset. Dit is het geval bij de Doode Bemde en de Zwarte Beek. (Jongman et al. 1995) Wanneer deze analyse vergeleken wordt met een correspondentie analyse wordt een kwalitatief inzicht verkregen in het effect van de onderzochte milieuvariabelen op het verspreidingspatroon van de plantensoorten. Dit werd gedaan in het VLINA 96/03. Uit deze vergelijking kwam naar voor dat de verspreidingspatronen van de gekarteerde soorten in belangrijke mate verklaard kunnen worden door de hydrologische variabelen en door beheer. De analyseresultaten op weergegeven in figuur 5.4. De algemene volgende: •

• • •

conclusies

de

voor

volledige,

de

variabelen

samengevoegde

uit

deze

dataset

analyse

zijn

zijn

de

de hoofdsplitsing van de dataset gebeurt op basis van mineraalrijkdom van het grondwater. In het kwadrant linksboven van de biplot zijn de chemische variabelen bicarbonaat, calcium, pH en conductiviteit terug te vinden in hetzelfde kwadrant is eveneens (maar van minder belang) amplitude terug te vinden in het tweede kwadrant is de variabele “null management” (of geen beheer) terug te vinden. Van beneden naar boven is een vochtgradiënt aanwezig met onderaan links de natste plekken.

Voor wat de soorten betreft gebeuren er twee onderscheiden sorteringen: •

•

enerzijds is er een sortering volgens een gradiënt van afnemende mineraalrijkdom van het grondwater, vertrekkend van soorten van standplaatsen gevoed door mineraalrijk grondwater (linksboven in biplot) naar soorten van standplaatsen gevoed door mineraalarm grondwater (rechtsonder) anderzijds is er een sortering volgens beheer; rechtsboven staan karakteristieke bossoorten (null management), naar onderen (op de grens tussen de twee onderste kwadranten) staan hoofdzakelijk ruigtesoorten (cyclic) en naar links staan de karakteristieke hooilandsoorten (yearly).


Selectie variabelen 43 Uit de analyses voor de verschillende studiegebieden afzonderlijk zijn een aantal algemeenheden af te leiden: • • • •

•

de Doode Bemde (figuur 5.5 en tabel 5.10) wordt in de eerste plaats beïnvloed door de grondwaterdynamiek in de Snoekengracht (figuur 5.6 en tabel 5.11) speelt het beheer de belangrijkste rol, gevolgd door de dynamiek van het grondwater in Vorsdonk (figuur 5.7 en tabel 5.12) is het een nagenoeg evenwaardige combinatie tussen grondwaterdynamiek, -chemie en het gevoerde beheer in Walenbos (figuren 5.8 en tabel 5.13) wordt geen beheer toegepast (alles valt onder null management). Grondwaterchemie is hier de dominante sturende factor voor het verklaren van de variatie in de dataset voor de Zwarte Beek (figuren 5.9 en tabel 5.14) blijkt de maximale diepte van het grondwater de dominante variabele te zijn naast (in iets mindere mate) de concentratie aan kalium in het grondwater en het jaarlijkse maaien.



Ca Cond

HCO3

pH

3

Mg

Crep bien

2.5

Figuur 5.4: Biplot van CCA op volledige dataset

Anth sylv

Ampli

2 Puli dyse Barb inte

1.5

Pari quad

Cirs oler Rhin mino Beru erec Arrh elat

Nast offi Stac sylv Geum urba

NH4 Care hirt Saxi gran

1

Na

Dact majaRhin angu Alop prat Merc perr Eleo palu Oena fist Equi palu

0.5

-0.5

Care acuf

Fili ulma Phal arun Phra aust Equi telmCalt palu Care vesi Care dist Ange sylv

yearly

0

-1

Crep ipal Ribe nigr

cyclic

Cl NO3 SO4 Caaf

Orni umbe Lami gale Pote ster Desc caes

Scen nemo Thui tama Care pani

null

Mill effu Teuc scor Vacc myrt Glyc maxi Care pseu Vinc mino Desc flex Lyth sali Circ lute Oxal font Pimp majo Poly mult Blec spic Care acut Leuc glau Scir sylvEqui arve Thal flav Care elon Pter aqui Cala cane Care dian Pota poly Ranu ling Spha fimb Lotu ulig Spha gpal Rume hydrScut gale Moli caer Lysi vulg Gali uligAlis plan Digi purp Junc acuf Gali palu Conv maja Ranu flam Equi fluv Vici sati Cten moll Spha flex Achi ptar Peuc palu Care echi Scut mino Meny trif rost Osmu rega Poly bistCarepalu Aula cpal Call stra Alli vineJunc filiCall Care curt Viol palu Scen jaco Care nigr Luzu mult Camp rapu Erio vagi Coma palu Dact macu Spha subs Poly comm Junc bulb Myri gale

Vero mont

Fe

Sum

PO4

min

Care sylv Brac sylv

K

-1.5

Cen

-2

Spha lesc

Vex

Mean -2.5

max -2

-1.5

-1

-0.5

0

0.5

1

1.5

2

2.5

Tabel 5.10: Lengte van de pijlen voor de verschillende variabelen op het CCAordinatiediagram van de volledige dataset voor as 1 en as 2 (gerangschikt volgens afnemende lengte)

3

Gebieden

as 1

as 2

lengte

HCO3 Ca Cond pH Mg null Min Ampli Mean Max Vex Cen yearly K cyclic SO4 Sum NH4 Cl PO4 NO3 Na Caaf Fe

-0.2893 -0.1987 -0.0887 -0.1728 -0.0776 0.5393 -0.4639 -0.2436 -0.2638 0.004 -0.1684 0.2585 -0.3645 0.2382 -0.2877 0.272 0.2635 -0.1946 0.1831 -0.1641 0.1624 0.09 0.1457 -0.0304

0.6622 0.6757 0.6551 0.5932 0.5786 0.047 -0.2446 0.462 -0.4343 -0.5047 -0.4156 -0.3453 0.0517 -0.2756 -0.1222 0.1393 -0.1343 0.1856 0.1831 -0.1554 0.1495 0.1757 0.0752 -0.0986

0.7226 0.7043 0.6611 0.6179 0.5838 0.5413 0.5244 0.5223 0.5081 0.5047 0.4484 0.4313 0.3681 0.3643 0.3126 0.3056 0.2958 0.2689 0.2589 0.2260 0.2207 0.1974 0.1640 0.1032



pH 2

Ca Cond Cl

1

Anth sylv

Puli dyse

Mg HCO3

Hera spho

Gale tetr

Arrh elat Stac sylv Scut gale Ange sylv Circ oler Eupa cana Phal arun Circ lute Equi telm Lyth sali Ment aqua Fili ulma Lysi vulg Lyco euro Alop prat Beru erecGali palu Care acuf Poly amph Cala canePhra aust Equi palu Circ palu Rume hydr Care elon Ajug rept Care acut Gali ulig Rhin angu Coma palu Care hirt Merc pere Poly mult

Caaf Na

0

SO4

Sum max Cen

K

Fe

year

Vex

cycl

null

Equi fluvAchi ptar Lotu ulig Lych flos Glyc maxiDact maja Meny trif Calt palu Care dist Oena fist

-1

Mean

NO3

Trif dubi

Ampli Crep bien NH4

Figuur 5.5: Biplot van DCCA op dataset van Doode Bemde

Saxi gran

PO4

Scir sylv Ranu flam

min

Eleo palu

-2 Junc acuf Care vesi

-3 Care rost

-3

-2

-1

0

1

2

3

Tabel 5.11: Lengte van de pijlen voor de as 1 verschillende variabelen op het CCA- Doode Bemde Ampli 0.7617 ordinatiediagram voor as 1 en as 2 voor Max -0.7171 de Doode Bemde (gerangschikt volgens Mean -0.6668 afnemende lengte) Sum Cen NH4 Min pH Fe Ca Cl Cond PO4 SO4 Na Caaf NO3 Mg HCO3 null year K cycl Vex

-0.6579 -0.6292 0.6336 -0.4608 -0.1018 -0.3054 -0.0587 -0.2737 -0.1329 -0.1245 -0.254 -0.2431 -0.2373 0.1696 -0.0512 -0.0556 -0.1819 0.1511 -0.1405 0.0522 -0.0342

as 2

lengte

0.0035 -0.119 -0.2286 -0.0753 -0.1294 -0.0097 -0.3223 0.4431 -0.2655 0.3358 0.1806 0.2638 -0.2431 -0.0341 0.0461 0.064 0.1492 0.2183 0.2008 -0.0473 0.0201 -0.0099 -0.0002 0.0151

0.7617 0.7269 0.7049 0.6622 0.6424 0.6337 0.5623 0.4546 0.4047 0.3409 0.3279 0.2954 0.2731 0.2563 0.2474 0.2458 0.2259 0.2242 0.2084 0.1879 0.1524 0.1408 0.0522 0.0374



Card cris Tana vulg

3

Anth sylv Arth vulg

2.5

cyclic

Impa parv Barb inte Circ vulg Circ arve Lami albu

Figuur 5.6: Biplot van CCA op Snoekengracht

PO4

2

Typh lati Glyc flui

1.5

Arrh elat Pimp majo

Ampli Chae temu

Ranu fica Hera spho

Caaf 1

Care hirt Dact glom Epil hirs Hede heli Symf offi Iris pseu Stac sylv Ligu vulg Alop prat Phal arun Anem nemo Urti dioi Eupa cana Ange sylv Rume acet Ranu repe Rubu ssp Gale tetr Trif dubi Stel ulig Glec hede Trif prat Cent jace Circ oler Vero becc Hype dubi Equi palu Brom race Adox mosc Poly amph Rhin mino Ment aqua Poan emo Ranu acri Circ palu tetrMyos scor Lych flos Puli dyse Hype Dryo fima Vicc crac Alis plaq Saxi gran Lath prat Care acuf Fili ulma Ajug rept Corn us Eleo palu Scir psyl Lysi numu nodo Scro auri MelaScro Lotu ulig Phra aust dioiGeum urba Gera robe Junc acuf Vale offi Lyth sali Ribe rubr Prim elat Poly hydr Athy fife Dact maja Dryo dila Circ lute Calt palu Care dist Lyco euro Spar erec Care rost Sola dulc Humu lupu Lysi vulg Care acut Ranu scel Ribe nigr Care nigr Opio vulg Camp trac Beru erec Scut gale

NH4

Crep bien Chry leuc

0.5 0

NO3

Na

SO4

Vex

-0.5

yearly

K

Fe

Sum

-1 -1.5

Briz medi

Cl

HCO3 min

-2

Mean

-2.5

-2

-1.5

Ranu auri Dryo cart Crep palu

Vero anag

Mg

max

pH

Ca Cond

null

Equi fluv Glyc maxi Poap alu

Cen -1

-0.5

0

0.5

1

1.5

2

2.5

as 1 Tabel 5.12: Lengte van de pijlen voor Snoekengracht de verschillende variabelen in null 0.5897 Snoekengracht op het CCAyearly -0.5826 ordinatiediagram voor as 1 en as 2 Mean -0.2621 (gerangschikt volgens afnemende lengte) pH 0.4755 Cen Max cyclic Ampli Vex PO4 Mg Cond Ca Min Cl HCO3 Caaf NH4 K NO3 Sum Fe SO4 Na

0.0241 -0.2969 -0.0005 0.2854 -0.413 0.0828 -0.0699 0.1419 0.1758 -0.1518 0.0958 -0.0411 -0.1192 0.197 0.2033 0.182 0.0308 0.0782 0.1247 0.0446

as 2

lengte

-0.3503 -0.1687 -0.4541 -0.1966 -0.4871 -0.3852 0.4776 0.331 -0.1014 0.4064 -0.4013 -0.3632 -0.3256 -0.3237 -0.2755 -0.2846 0.2183 0.1341 0.0389 0.0744 -0.1731 -0.1524 0.0301 0.0495

0.6859 0.6065 0.5243 0.5145 0.4877 0.4863 0.4776 0.4371 0.4253 0.4147 0.4073 0.3899 0.3700 0.3575 0.2917 0.2876 0.2487 0.2383 0.2070 0.1966 0.1758 0.1713 0.1283 0.0666



Poly com Spha sub Aula pal Luzu mul Care ech Luzu cam Dact majSucc Pote ere pra Chry leu Care nig Care ova Dact mac Tana vul Rhyt squ Arte vul Meny tri Stac pal Care pal Lath praArrh ela Care ros Junc bul Junc con Hydr Stel gra vul Dauc car Lotu Achi mil Agrohir sto Ranu lin disuli Ranu flaJunc acuCare cur Care Care Cent jac Myri gal Equi pal Phle pra Alop pra Achi pta Spha fle Epil hir Care acu artAgro can Cirs arv Vici cra Cera fon Care dia Rume aceJunc Call str Pota pol Equi flu Trif pra Trif rep Desc Poly amp Hype dubcae Gali uliHolc lan Ranu acr Coma pal Alli petHera sph Care acu Typh lat Myos aqu Gali apa Holc mol Moli cae Call gig Eupa can Alis pla Care ves Phal aru Symp off Equi arv Lych flo Poly per Cirs vul Scir syl Caly sep Spha fal Thal fla Ange syl Junc eff Glec hed Epil spe Chae tem Junc ten Fili ulmStel holLyth sal Cirs pal CampBide rap tri Geum urb Ranu rep Spha squ Gale tet Glyc max Dryo fil Care pse Glyc flu Spha pal Mela dio Urti dio Viol ere pal Cten molSpar Rubu spe Spha les Humu lup Ajug rep Prun vul Iris pse Brac rut Teuc sco Betu pub Peuc pal Spha inu Fran aln Vale offLept ripspe Call cus Call Poly hyd Myos Lysicorvul Care pan Lyco eur Eurh pra Plag den Oxal fon Brac riv Scut gal Gali pal Hypn cup Rume hyd Poly for Moeh tri Calt pal Loni per Vibu opu Epip hel Atri und Dryo car Spha fim Viol spe Care rem Hott pal Hede Dicr het Sola dul Stac syl Menthelaqu Rubu ida Phra aus Plag aff Dryo dil Card praAthy fifCare elo Lysi num Ribe rub Osmu reg Circ lut Conv maj Plag und Rhiz pun Poly mul

Lina vul

2

Care pan

Ampli yearly 1.5

cyclic

NH4

1

PO4 Ca 0.5 HCO3

Cond Caaf min

0

pH 0.5 -1

Fe Na

SO4 NO3

van

Cl

K

Sum

Figuur 5.7: Biplot CCA op Vorsdonkbos

Vex

Mg

Cen

1.5

max

Maia bif Leuc gla Spha aur

-2

Mean

2.5

null -2.5

-2

-1.5

-1

-0.5

0

0.5

1

1.5

2

2.5

Tabel 5.13: Lengte van de pijlen voor de Vorsdonkbos as 1 verschillende variabelen in Vorsdonkbos Ampli -0.5603 op het CCA-ordinatiediagram voor as 1 en Cen 0.5913 as 2 (gerangschikt volgens afnemende yearly -0.491 lengte) HCO3 cyclic null pH Max Cl Mean Ca Fe Na PO4 NH4 Min K Cond vex Mg Caaf SO4 NO3 Sum

-0.5705 0.4448 0.111 -0.5614 0.4469 0.5464 0.352 -0.4962 0.4348 0.4393 -0.4679 -0.2736 -0.3731 0.3606 -0.33 0.3176 -0.2854 -0.3343 -0.2331 -0.216 0.0909

as 2

lengte

0.3394 -0.273 0.3314 0.106 0.3639 -0.557 -0.0664 -0.3459 0.0807 -0.3699 0.0991 0.2431 0.2296 0.1204 0.2774 0.0513 0.0642 0.1505 -0.1701 -0.1904 0.0576 0.1183 0.0754 0.0389

0.6551 0.6513 0.5924 0.5803 0.5747 0.5680 0.5653 0.5651 0.5523 0.5106 0.5060 0.4981 0.4957 0.4831 0.3896 0.3766 0.3663 0.3627 0.3603 0.3431 0.3392 0.2614 0.2288 0.0989



max

Mean

2.5

min

2

Vex

Cen

Glyc maxi

Spar erec

1.5

HCO3

pH

Sum

Pota poly Calt palu Care pani Osmu rega Care nigr Spha squa Aula palu Care rost Ribe nigr Care pseu Spha flex Lysi vulg Equi fluv Pepl port Spha fimb Call cusp Phal arun Tham alop Care elon Spha palu Viol palu Gali palu Leuc glau Junc acut Vero becc Spha fall Rhyz punc Phra aust Hott palu Care curt Thui tama Nast offi Care echiCall vulg Equi palu Pari quad Scir sylv Spha auri Care acuf Iris pseu Fili ulma Glyc flui Stac sylv Moli caer Corn mas Scen nemo Brac sylv Ribe rubr Ranu flam

1

Ca

Figuur 5.8: Biplot van de CCA op dataset van het Walenbos

Mg

0.5

Fest giga

Cond

0

Cala cane Prun spin Peuc palu Care sylv Amel lama Prun sero Pote ster Geum urba Ribe uvac caes Viol specGlec hede Stac offiCarpDesc betu Urti dioi Ange sylv Gera robe Eurh stri Poly form Teuc scor Vero mont Orni umbe Desc flex Care pall Arum macu Lami gale

Care acut

Blec spic

-0.5

SO4

Oxal acet

Fe myrt NH4Pter Vacc aequ

-1

NO3

-1.5

Stel holo

Anem nemo Poly mult sylv Hede heli Pseu puruFaguMili effu

Ranu fica

PO4 Luzu pilo

Maia bifo

Mela rubr

Caaf

K

Ilex aqui Care oval

Cl

Meli unif Pleu schr

-2

Na

-2.5

Vinc mino

Ampli -2.5

-2

-1.5

-1

-0.5

0

0.5

1

1.5

Tabel 5.14: Lengte van de pijlen voor de verschillende variabelen op het CCAordinatiediagram in het Walenbos voor as 1 en as 2 (gerangschikt volgens afnemende lengte)

2

2.5

3

Walenbos

as 1

as 2

lengte

pH HCO3 Cl Na Max Mean Ampli Min Ca Cen Vex Mg NO3 Fe NH4 Cond K sum Caaf PO4 SO4

0.6169 0.5637 -0.5249 -0.3643 -0.0311 0.096 0.2084 0.2022 0.4416 -0.2696 -0.1621 0.3837 -0.2373 -0.297 -0.2438 0.3284 0.1543 -0.1548 0.287 -0.0615 0.0354

0.337 0.322 -0.3445 -0.4691 0.5797 0.5521 -0.5182 0.4547 0.1829 0.3611 0.3894 0.1023 -0.286 -0.1959 -0.2358 0.0369 -0.2919 0.2797 -0.1162 -0.2722 -0.166

0.7029 0.6492 0.6279 0.5939 0.5805 0.5604 0.5585 0.4976 0.4780 0.4506 0.4218 0.3971 0.3716 0.3558 0.3392 0.3305 0.3302 0.3197 0.3096 0.2791 0.1697



Viol spec

7 6

Gera robe Pimp majo

5

Hede heli Maia bifo

Figuur 5.9: Biplot van DCCA van de Zwarte Beek

4 Vero mont

3 2

Hera spho

Digi purp

null

Ampli

Arrh elat Conv maja Vicc sati Succ prat Poa nemo Gali moll Teuc scor Corn mase Epip hell Loni peri Alli vine Scen jaco aqui Stac sylv GlecPter hede Vicc ring Lotu corn Ilex Scro niks nodo Cent jace Scen aqua Eleo palu Dact glom Gnap ulig Luzu camp Care panl Humu lupu Athy fifePhal arun Achi mill Chry leuc Pell epip Rubu spec Care hirt Brom race Hype dubrPoly bist Cirs arve Brom moll Vicc crac Rume cris Trif repe Care remo Gale tetr Holc moll cong Rume Urti dioi Fest prat Prun sero Elyt repe Phra aust Bide trip Gali Cera font Polyapar hydr Poly comm Ajug rept Alop geni Stel gram Rume Ranu repe Holc lana Cirs palu Junc effu Care dist Ranu acri Myosobtu spec Scir sylv Care elon Sola dulc Glyc Desc flex Vero serp Ange sylv Lysi vulg Gali paluflui Spir poly Iris pseu Ranu flamAnth odor Trif prat Prun vulg Moli caer Desc caes Scut Callgale palu Cyno cris Care oval Junc acuf Lotu ulig Lyco euro Peuc palu Saxi gran congflos Spha fimb Lyth SaliJuncLych Dryo cart Phle prat Cirs vulgHypo radi Fili ulma Achi ptar Agro tenu Cala cane Card prat Equi palu aqua Equi fluv Bell pere Rume acet Alop prat Ment Fest rubr Call stra Spar erec Agro cani Stel palu Care acut Plan lanc Vale off Gali ulig Care nigr Junc fili Fran alnu Stel ulig Leon autu Eupa canaAlis plaq Vero scut Care curt Meny trif Rume hydr Calt palu Viol paluComa palu Typh lati Care rost Spha squa Erio vagi Dact macu Care pani Call giga Call cord

1

Vex

SO4 yearly Cond K

HCO3

Fe pH

0

Ca

PO4

NH4

NO3

Caaf

Mg

-1

Cl

Sum

-2

Na

Scut mino

cyclic min

-3 -4

max mean cen c -3

-2

-1

0

1

2

3

4

5

Tabel 5.15: Lengte van de pijlen voor de verschillende variabelen in de Zwarte Beek op het CCA-ordinatiediagram voor as 1 en as 2 (gerangschikt volgens afnemende lengte)

Zwarte Beek

as 1

as 2

lengte

Max K yearly Mean Ampli Cen Cond SO4 Ca Cl null cyclic Vex Min Na Mg PO4 pH Sum Fe NH4 Caaf HCO3 NO3

-0.3819 0.5174 0.4747 -0.188 0.3732 -0.1636 0.4354 0.4081 0.3477 0.3592 -0.3172 -0.2355 -0.3443 -0.142 0.2308 0.297 0.1779 -0.2094 -0.1312 -0.184 -0.0256 -0.1254 -0.0351 0.0058

-0.3585 0.0569 0.1112 -0.4245 0.271 -0.4155 0.0989 0.1543 0.176 -0.1356 0.1891 -0.2653 0.0522 -0.3086 -0.2086 -0.0742 0.1387 0.0176 -0.1491 0.04 0.1572 -0.0499 0.0648 -0.003

0.5238 0.5205 0.4876 0.4643 0.4612 0.4465 0.4465 0.4363 0.3897 0.3839 0.3693 0.3547 0.3482 0.3397 0.3111 0.3061 0.2256 0.2101 0.1986 0.1883 0.1593 0.1350 0.0737 0.0065299



5.5 Bodem Bodemgegevens zijn rasterdekkend opgenomen factoren die door een aantal, niet continue klassen gedefinieerd worden. De bodem heeft een bijzondere betekenis omdat hij van invloed is op de interpretatie van waterstanden. Hoewel de dynamische variabelen van het grondwater overal op dezelfde manier worden gemeten, is hun betekenis voor planten niet in elk gebied hetzelfde. Dat heeft te maken met verschillen in bodemkarakteristieken. De gekarteerde categorieën, te weten veen, zand, leem en klei vertonen belangrijke verschillen in capillariteit. Kennis van het bodemtype – en daarmee van de capillariteit van de bodem – is dus noodzakelijk om in piëzometers gemeten waterstanden te interpreteren. In de empirische modellen kan deze afhankelijkheid met een interactieterm tussen waterstand en bodemtype gemodelleerd worden (zie hoofdstuk 6.3). Aangezien in het Walenbos de bodem niet gekarteerd werd (zie tabel 2.3) kan geen interactieterm tussen bodem en waterstanden bepaald worden voor dit studiegebied. Om maximaal gebruik te maken van de beschikbare gegevens werd daarom besloten verschillende modellen te bouwen (zie hoofstuk 6.4).

5.6 Nutriënten De basisgegevens zijn afkomstig uit nutriëntenarme gebieden. Verder is in de ITORS-Vl dataset enkel de chemie van het grondwater geanalyseerd en niet deze van de bodem. Nutriënten in grondwater zeggen niet alles over de beschikbaarheid van nutriënten voor de vegetatie. Een eerste reactie is daarom de nutriënten niet mee in het model te nemen. Wanneer we de ranges van de nutriënten bekijken, blijkt dat 50% van de NO3-en NH4+-concentraties onder de detectiegrens te liggen. Voor PO42- en K+concentraties liggen 40% respectievelijk 30% onder de detectiegrens. De maximum gevonden waarden liggen ver boven het 90-percentiel wat wijst op extreme waarden. Wanneer de concentraties vergeleken worden met de concentraties gevonden in het Nederlandse ITORS bestand verhouding van ITORS/ITORS-VL) is duidelijk dat de Vlaamse gebieden enkel de ondergrens van de range in nemen (zie Tabel 5.6). Zo zien we dat de gemiddelde NH4-concentratie tot 8 keer hoger ligt in de Nederlandse dataset, K+ zelfs 10 keer hoger, NO3- ligt 2.5 keer boven de gemiddelde concentratie in onze studie. De ITORS-dataset beslaat ook een veel bredere nutriëntenrange dan de ITORS-Vl dataset. In elk studiegebied komen plaatsen voor met een verhoogde nutriëntenconcentratie. Meestal zijn het ruimtelijk geïsoleerde piëzometers, met evenwel consistente waarnemingen in de tijd. Enkel in Snoekengracht en Walenbos komen zones voor met hoge nutriëntenconcentraties die in een ruimtelijk patroon passen, hoewel de totale oppervlak beperkt is. Sommige soorten lijken qua verspreiding gebonden te zijn aan die nutriëntenverhoging. Dit wordt ook nog eens bevestigd in de voorlopige regressievergelijkingen waarin nutriënten toch vaak geselecteerd worden (hoofdstuk 4). Het wijst op hun belang voor bepaalde soorten. In vergelijking met een model zonder nutriënten blijkt een model met nutriënten vaak significant beter te zijn. Er wordt dus geopteerd om de nutriënten toch mee in het model te nemen. Wel zal voor de toekomstige modelgebruikers een waarschuwing ingebouwd worden om indien nodig te verwittigen wanneer niet aan de voorwaarden voor modelgebruik wordt voldaan; i.e. als bijvoorbeeld voorspellingen voor nutriëntrijkere situaties gepoogd worden.


0.3

0.3

0.3

0.3

0.4

0.5

0.7

0.9

1.3

3.1

20%

25%

30%

40%

50%

60%

70%

75%

80%

90% 8.438

3.868

3.0025

2.491

1.33

0.745

0.39

0.24

0.21

0.17

0.12

42.49

0.745

2.817

0.12

0.12

PO420.1

K+

5.34

0.221

0.814

0.221

NO3-

8.068

5.34

3.85

2.64

2.0675

1.648

0.962

14.82

3.691 43.765

1.592 21.462

1.28

0.931 11.863

0.52

0.36

0.23

0.16

0.14

0.12

0.12

1.703

0.787

0.670

0.601

0.462

0.221

0.221

0.221

0.221

0.221

0.221

31.74 414.79 24.302

0.36

1.298 21.034

ITORS NH4-

1.559

2.097

0.500

K+

0.604 0.389

0.429 0.282

0.377 0.243

0.341 0.212

0.270 0.151

0.129 0.099

0.129 0.032

0.129 0.032

0.129 0.032

0.129 0.032

0.129 0.032

4.644

3.798

3.213

2.724

2.099

1.559

1.170

0.500

0.500

0.500

0.500

8.889 1.819 11.381

0.129 0.099

0.345 0.164

0.129 0.032

PO42-

ITORS-VL NH4-

1.805

1.650

1.332

1.166

0.992

1.604

1.356

1.356

1.356

1.356

1.356

4.447

1.604

2.586

1.356

NO3-

13.966

9.010

7.967

7.302

4.920

5.784

3.028

1.863

1.630

1.320

0.932

4.780

5.784

8.161

0.932

NH4-

3.425

10.029

0.200

K+

9.496

5.641

5.271

4.397

3.438

3.650

7.297

5.076

4.442

3.807

3.807

9.423

5.650

4.613

4.355

3.845

3.425

3.291

5.280

4.135

3.296

1.924

17.448 36.447

3.650

7.923

3.807

PO42-

ITORS / ITORS-VL


0.3

10%

2.1

0.4

median

108.1

0.3

min

mean

max

NO3-

Variabele

Tabel 5.16: Vergelijking nutriëntenranges ITORS –ITORS-VL

Selectie variabelen |51

Selectie variabelen |52

5.7 Conclusies In functie van de toepasbaarheid van het model wordt een selectie doorgevoerd in de variabelen in het model. Deze selectie is gebaseerd op de hierboven beschreven analyses en op een aantal praktische aspecten m.b.t. het verzamelen van de gegevens. Het weglaten van een chemische variabele heeft gevolgen voor het model maar niet voor de bemonstering van het grondwater en de analye. Voor de electroneutraliteitstest moeten alle belangrijke ionen worden bepaald. Ondanks het feit dat de conductiviteit makkelijk te meten is in het veld, wordt deze toch niet meegenomen. Deze variabele is sterk gecorreleerd met Ca2+ die wel wordt meegenomen in de modellering. Ook HCO3- en Na+ zullen niet beschouwd worden aangezien Ca2+ en Cl- ecologisch beter interpreteerbaar zijn. De nutriënten worden meegenomen hoewel ze zeker geen grote range bestrijken. Er wordt slechts één dynamische variabele geselecteerd. Hierbij wordt geopteerd voor de gemiddelde grondwaterdiepte, die sterk gecorreleerd is met minimum, maximum en amplitude. Deze variabele wordt minder beïnvloed door extreme waarden tijdens de waarnemingsperiode. Maximum en minimum diepten treden op bij een extreem droog of extreem nat seizoen, en zijn dus sterk bepaald door de tijdsperiode en duur van de metingen. Voor de amplitude, een resultante van maximum en minimum, geldt hetzelfde. De variabelen die afgeleid zijn van de duurcurven werden niet meegenomen omdat ze niet op een eenvoudige manier te bepalen zijn, en ook zelden als belangrijke variabelen naar voor komen. Uiteindelijk worden de volgende variabelen niet meegenomen: maximum en minimum diepte, amplitude, caaf, vex, cen, sum, conductiviteit, HCO3- en Na+. Onderstaande lijst bevat de geselecteerde variabelen: • • • •

•

Beheer Bodem (model exclusief Walenbos) gemiddelde grondwaterdiepte (in m onder maaiveld) alle nutriënten (in ppm): NO3NH4+ - PO42- K+ als chemische variabelen (in ppm, behalve IR) - Ca2+ - Cl- Fetot - Mg2+ - pH - SO42- IR (afgeleide chemische variabele)


Regressiemodellen |53

Hoofdstuk 6 Regressiemodellen

6.1 Inleiding Het voorkomen van plantensoorten en vegetatietypen in afhankelijkheid van abiotische omgevingsfactoren (bodem, beheer, chemie en dynamiek van het grondwater) wordt met behulp van empirische regressies gemodelleerd. Hierbij wordt gepoogd het waargenomen verspreidingspatroon van de planten op een zo eenvoudig mogelijke manier in getallen uit te drukken. De meest relevante omgevingsvariabelen die hierbij een rol spelen en de relatie (vorm van afhankelijkheid) tussen deze en de planten worden geïdentificeerd. Wanneer men zich op aan- en afwezigheid van soorten en vegetatietypen richt (in mathematische termen een binaire variabele) kan men logistische regressie gebruiken als methode. En omdat men kan verwachten dat meerdere omgevingsfactoren samen op de planten invloed uitoefenen, gebruikt men multiple logistische regressie, waarbij de meest relevante omgevingsvariabelen in een stapsgewijze procedure worden geselecteerd. Regressiemodellen zijn gebaseerd op relaties die in de dataset aanwezig zijn, maar dat hoeven geen oorzakelijke relaties te zijn. Over dit aspect doen de modellen geen uitspraak. Alle regressiemodellen berekend.

zijn

met

Splus

(versie

2000;

Mathsoft

1999)

6.2 Modeltype Er zijn verschillende mogelijkheden om de aan- en afwezigheid van planten ten opzichte van hun omgeving te modelleren. De meest gebruikte is logistische regressie. Hierbij wordt een linkfunctie, de logit, gebruikt om de [0,1] interval van de responsvariabele naar een [-∞, +∞] uit te breiden en te modelleren. Multiple logistische regressie in het kader van Gegeneraliseerde Lineaire Modellen (GLM) maken het ons mogelijk om de binaire respons op een combinatie van verschillende variabelen te modelleren (Nelder & Wedderburn 1972; Yee & Mitchell 1991). Voor lineaire modellen is de logit van de kans van voorkomen van een plantensoort of vegetatietype

ª P(X) º logit [P(X)] ≡ log« » = Xβ ¬1 − P(X)¼ met P(X) = de kans op aanwezigheid (Y=1|X) en Xβ = de lineaire predictor (Hastie & Tibshirani 1990). De kans op een positieve respons (dat is, aanwezigheid van soort of vegetatietype) is dan

P (X ) = Deze is de inverse functie van

exp(Xβ ) 1 + exp(Xβ )

logit[P(X)].

Gegeneraliseerde Additieve Modellen vormen een niet-parametrische uitbreiding van GLM (Hastie & Tibshirani 1990). In GAM wordt in plaats van een lineaire predictor een additive gebruikt. De logit wordt dan


Regressiemodellen |54 p ª P(X) º = logit [P(X)] ≡ log« α + ¦ fj (X j ) » ¬1 − P(X)¼ j =1

waarin fj een smooth functie (maar ook, net als in GLM, een lineaire functie) kan zijn. Een smoother kan iedere responsvorm weergeven. Hij volgt de data min of meer nauwkeurig (afhankelijk van de gekozen complexiteit) zonder gebruik te maken van een geparametriseerde regressievergelijking. GAM worden meestal exploratief gebruikt om de responsvorm te visualiseren. Zij kunnen echter ook direct voor modelschatting en voorspelling gebruikt worden. Het nadeel van GAM ten opzichte van GLM is echter dat de respons sterk datagebonden en niet geparametriseerd is. Dit maakt voorspellingen vertrekkende vanuit andere gegevens moeilijk. Voor de Vlaamse valleigegevens is geanalyseerd of het gebruik van GAM duidelijk betere modellen zou opleveren. Dit was niet het geval (bijlage 6.1). Daarom is ervoor gekozen uitsluitend GLM modellen te gebruiken. Figuur 6.1 toont dat de continue abiotische gegevens niet normaal verdeeld zijn. Er is geanalyseerd of een logaritmesering van deze variabelen tot betere modellen zou leiden. Het gebruik van logaritmes leverde echter geen duidelijk betere modellen op, zodat ervoor gekozen is de abiotische gegevens ongetransformeerd te gebruiken.


4

5

6

7

600 400 200 0

0

0

200

200

400

400

600

600 800 1000

800


0

20

40

60

80 100

140

20

30

100

40

50

60

150

200

800 600

800 1000

400 200

400

0

200 0 10

50

Ca

600

1000 600 200 0 0

0

Cl

1400

pH

0

2

4

6

8

10

0

5

10

K

15

20

25

30

Mg

0

2

4

6

8

800 600 400 200 0

0

0

200

500

600

1500

1000

2500

1400

1000

Fe

0

2

4

6

8

0.0

0.2

NH4

0.6

0.8

800

600 0

100

200 SO4

300

200 0

0

0

200

200

400

400

400

600

600

800

0.4 PO4

1000

NO3

20

40 IR

60

80

-1.2

-0.8

-0.4

0.0

mean

Figuur 6.1: Verdeling van de variabelen.



6.3 Selectie van modeltermen en modelcomplexiteit Stapsgewijze regressie helpt het aantal variabelen in het model te beperken en de vorm van de relatie tussen de planten en de omgevingsfactoren te identificeren (Nicholls 1989, Yee and Mitchell 1991). Gezien het aantal beschikbare variabelen, is een voorwaartse selectie zinvol (een vol model is moeilijk te berekenen en minder stabiel), zeker in het geval van weinig waarnemingen (i.e. voor zeldzame planten). Voor elke plantensoort werd eerst een 'leeg' model gemaakt, waaraan stapsgewijs modeltermen toegevoegd worden. Elke continue abiotische variabele kan als eerstegraads (x), of tweedegraads (x+x2) variabele toegevoegd worden. Een eerstegraads, of lineair, model heeft in logistische regressie een sigmoïde vorm; een tweedegraads, of kwadratisch, model heeft een Gaussische vorm (figuur 6.2). Factoren (variabelen met een aantal klassen) worden al dan niet toegevoegd, maar altijd met alle factorklassen. Verder kunnen interactietermen tussen variabelen meegenomen worden. Van alle mogelijke modeltermen (lineair, kwadratisch of als interactie gemodelleerde variabelen) wordt bij iedere stap diegene toegevoegd die de meest significante modelverbetering realiseert. De selectie stopt wanneer geen van de overgebleven termen een significante verbetering oplevert met een significantieniveau van tenminste 0.01. De Splus code voor de stapsgewijze modelselectie is in bijlage 6.2 te vinden.

0.10 0.08 0.06

0.4

0.5

0.6

kans van voorkomen

Scirpus sylvaticus

0.00

0.0

0.1

0.02

0.2

0.04

0.3

kans van voorkomen


0.65

0.70

0.75

0.80

1.0

1.2

1.4

1.6

log(K)

1.8 log(Cl)

Figuur 6.2: Het lineaire responsmodel voor Equisetum fluviatile ten opzichte van kalium en het kwadratische model voor Scirpus sylvaticus ten opzichte van chloride

6.3.1 Factoren Beheer en bodem zijn rasterdekkend opgenomen factoren die door een aantal niet continue klassen gedefinieerd worden. In regressiemodellen worden deze factoren door 'dummyvariabelen' gemodelleerd. Een aantal dummyvariabelen (gelijk aan het aantal klassen min één) wordt aan het model toegevoegd.


Regressiemodellen |57 Voor de regressieberekeningen van de factoren worden de niveaus/klassen van een factor gecodeerd. Dit is nodig om onafhankelijke factor- coëfficiënten te verkrijgen1. Er zijn verschillende "codes" (ook "contrasts" genoemd) mogelijk. In dit onderzoek gebruiken wij Helmert Contrasts, met als volgt gecodeerd "beheer" (=treat):

C CN N Y YC YN

treat1 treat2 treat3 treat4 treat5 -1 -1 -1 -1 -1 1 -1 -1 -1 -1 0 2 -1 -1 -1 0 0 3 -1 -1 0 0 0 4 -1 0 0 0 0 5

met als regels de beheersklassen zijnde: C: cyclisch,

N: geen beheer,

Y: jaarlijks,

CN: overgang tussen cyclisch en geen beheer in een rastercel, YC: overgang tussen jaarlijks en cyclisch beheer in een rastercel, YN: overgang tussen jaarlijks en geen beheer in een rastercel. en als kolommen de vijf gecodeerde model- coëfficiënten. De "bodem" heeft de codes:

K L V Z

soil1 -1 1 0 0

soil2 -1 -1 2 0

soil3 -1 -1 -1 3

met als regels de bodemklassen zijnde K: klei, L: leem, V: veen en Z: zand en als kolommen de drie gecodeerde modelcoëfficiënten. Een factor gebruikt dus in het regressiemodel het aantal klassen min één coëfficiënten.

1

A coefficient for each level of a factor cannot usually be estimated because of dependencies among the coefficients of the overall model. An example of this is the sum of all the dummy variables for any factor, which is a vector of all ones. This corresponds to the term used for fitting an intercept. Overparametrization induced by dummy variables is removed prior to fitting, by replacing the dummy variables with a set of linear combinations of the dummy variables, which are: functionally independent of each other and functionally independent of the sum of the dummy variables. A factor with k levels has k-1 possible independent linear combinations. A particular choice of linear combinations of the dummy variables is called a set of contrasts. Any choice of contrasts for a factor alters the specific individual coefficients in the model, but does not change the overall contribution of the term to the fit (Mathsoft 1999).


Regressiemodellen |58 De klassenindeling moet vóór de modellering bepaald worden en alle gedefinieerde klassen moeten in het model meegenomen worden. Dit is zeker van belang voor voorspellingen. Als we b.v. elke beheersmaatregel als individuele variabele zouden zien en in een model alléén het cyclische beheer significant zou blijken, zouden we niet kunnen achterhalen wat als niet-cyclisch verondersteld wordt; jaarlijks, nul of beide (wat in één rastercel voor kan komen). Verder zouden rekenkundig problemen optreden als een soort alléén in twee klassen voorkomt. Deze sluiten elkaar uit en kunnen niet in één model als twee variabelen berekend worden omdat ze precies dezelfde 'relatie' met de soort hebben (al is de ene altijd één als de andere nul is). Bij modelvoorspellingen worden beheer en bodem ook als factoren beschouwd, met, respectievelijk, 6 en 4 klassen. In een scenario met bodemtype zand, b.v., wordt - aan de hand van de modelparameters en de codering ("contrasts") voor zand – de waarschijnlijkheid van voorkomen op zand berekend. Bij het gebruik van modellen met factoren voor voorspellingen wordt de codificatie gebruikt om de invloed van de verschillende factor-niveaus op het voorkomen van de soort/vegetatie te berekenen. Ter illustratie wordt hier een voorbeeld voor twee opnamen met verschillend beheer gegeven. Uitgaande van een regressiemodel met als modeltermen: pH + pH2 + treat en modelcoëfficiënten:

βpH βpH2 βtreat1 βtreat2 βtreat3 βtreat4 βtreat5

45.97 -3.6 -0.08335 -0.6517 0.5269 0.2103 -0.199

(waarbij treat1 t/m treat5 de coëfficiënten van de boven genoemde gecodeerde beheer kolommen zijn) en verder uitgaande van twee voorbeeld opnamen

Opname1 pH treat

= 6.295 = Y (= jaarlijks beheer) met gecodeerd beheer:

treat1 0

treat2 0

treat3 3

treat4 -1

treat5 -1

treat1 0

treat2 2

treat3 -1

treat4 -1

treat5 -1

Opname2 pH treat

= 6.774 = N (= geen beheer) met gecodeerd beheer:

zijn de voorspelling voor Opname 1 op de logit schaal 2 = βpH×6.295+βpH ×6.295×6.295+βtreat1×0+βtreat2×0+βtreat3×3+βtreat4×-1+βtreat5×-1 = -0.507 De kans van voorkomen van de planten soort is dan de inverse logit = exp(-0.507)/(1 + exp(-0.507)) = 0.376



Voor Opname 2 is de voorspelling op de logit-schaal 2 = βpH×6.774+βpH ×6.774×6.774+βtreat1×0+βtreat2×2+βtreat3×-1+βtreat4×-1+βtreat5×-1 = -4.434 De kans van voorkomen van de planten soort is dan de inverse logit = exp(-4.434)/(1 + exp(-4.434)) = 0.012

Om de interpretatie van gemengd beheer in de resultaten "intuïtiver" te maken, werd getest of een anders gecodeerde beheersvariabele wel dan niet betere modellen zou produceren. Hiervoor werden drie dummyvariabelen aangemaakt met de waarde 1 voor alle voorkomende beheersmaatregels en dus twee enen bij gemengd beheer in dezelfde cel: C CN N Y YC YN

treat1 treat2 treat3 1 0 0 1 1 0 0 1 0 0 0 1 1 0 1 0 1 1

Deze alternatieve codering leverde echter slechtere modellen op; zodat ervan afgezien is. Als we de 6 factorklassen in 3 klassen samenvatten, met combinatie van C&CN in C, en van Y&YC&YN in Y krijgen we 875 keer C, 855 keer N en 857 keer Y. Hierbij verliezen wij informatie en de nieuwe modellen zijn eveneens slechter dan de originele.

6.3.2 Interactie tussen de factor bodem en de continue variabele gemiddelde waterstand In de beschikbare gegevens is de betekenis van de in piëzometers gemeten waterstanden afhankelijk van de capillariteit van de bodem. In de empirische modellen kan deze afhankelijkheid met een interactieterm tussen waterstand en bodemtype gemodelleerd worden. In modeltermen betekent dit dat de klassen van de factor 'bodem' aan de dieptemetingen gekoppeld worden. Hierbij hoeft men niet met contrasten te werken omdat de dummyvariabelen voor elk bodemtype de waarde van de waterdiepte aanneemt waar dit bodemtype voorkomt. In de regressievergelijking wordt de coëfficiënt voor het bodemtype dat voorkomt = 1, terwijl alle anderen = 0 worden. Dit betekent dat een imaginaire regressievergelijking met alleen bodem: waterstand interactieterm voor bijvoorbeeld bodemtype = K en waterstand mean= 0.4 er als volgt uitziet: voorspelling (op logit schaal) = intercept + soilKmean*1*0.4 soilZmean*0*0.4

+

met de door het model berekende soilLmean, soilVmean en soilZmean.

soilLmean*0*0.4 coëfficiënten

+

soilVmean*0*0.4 +

intercept,

soilKmean,

6.3.3 Minimum curven Een apart fenomeen in de logistische regressieanalyse van plantensoorten zijn minimumcurven. Bij een minimumcurve vertoont de respons van de soort ten opzichte van een continue abiotische variabele een dieptepunt (minimum)


Regressiemodellen |60 met aan weerszijden hogere kansen van voorkomen (Figuur 6.3). Omdat deze respons intuïtief ecologisch moeilijk te verklaren is worden minimumcurven soms vervangen door lineaire (eerste-orde) responsen. Maar minimumcurves zijn wel degelijk te verklaren als we rekening houden met de eenvoudige modellen die we gebruiken (de meest complexe responsvorm is kwadratisch) en met de beperkte keuze aan voorspellende variabelen. In aanwezigheid van een sterk concurrerende soort, bij voorbeeld, die juist in het meest optimale ecologische bereik van de geanalyseerde soort dominant is, kan een dip in de kans van voorkomen ontstaan die door onze eenvoudige modellen alleen met een minimumcurve weer te geven is.

Figuur 6.3 Voorbeeld minimumcurve in logistische regressie; respons curve voor de soort Arrhenatherum elatius en de verklarende variabele SO4

Alle uiteindelijke algemene modellen zijn op minimumcurves gecontroleerd (in de regressievergelijkingen wordt een minimumcurve door een positieve coëfficiënt voor de kwadratische term gekenmerkt). Voor iedere minimumcurve is gekeken of de kwadratische term significant was (bij een α = 0,01). Voor ieder type model (zie het volgende hoofdstuk) zijn er voor alle soorten en vegetatietypen ongeveer 40 minimumcurves gevonden. Daarvan zijn telkens in minder dan tien gevallen de kwadratische termen op zich niet significant. Toch hebben we ervoor gekozen deze termen in het model te houden omdat het verwijderen van de kwadratische term in alle gevallen een niet significante lineaire term in het model achterliet. Alle minimumcurves worden dus geaccepteerd als best mogelijke responsvorm met de gebruikte gegevens en regressiebeperkingen.

6.4 Berekende modeltypen Na de analyse van voorlopige modellen (Modellen per deelbestand en globale modellen), de vergelijking van gegeneraliseerde lineaire en gegeneraliseerde additieve modellen en regressie met al dan niet logaritmesering van continue abiotische variabelen (bijlage 6.1), zowel als modellen met en zonder gebiedsvariabele is de definitieve keuze op drie algemene modellen gevallen: 1)

Algemeen model voor alle gegevens maar zonder bodem en gemiddelde waterstand als voorspellende variabelen (omdat de bodemvariabele voor het Walenbos deelbestand ontbreekt en de betekenis van de waterstand van de aanwezige bodemtype afhangt), VinW;

2)

Algemeen model voor alle gegevens, zonder bodem maar met waterstand (omdat de bodem variabele voor het Walenbos deelbestand ontbreekt en de waterstand misschien zelfs zonder bodem informatie aan een verbetering van het regressie model bij kan dragen), VinWinW; en

3)

Algemeen model voor deelbestand Walenbos

alle gegevens met uitzondering (omdat voor deze gegevens alle

van het gewenste


Regressiemodellen |61 verklarende variabelen ter beschikking zijn),VexW. Voor alle plantensoorten en vegetatietypen vindt men een overzicht van de modellen in bijlage 6.3 t/m 6.5. Een maat voor de modelcomplexiteit wordt er aangegeven door het aantal vrijheidsgraden. De vergelijkingen van de responsfucties worden in bijlage 6.6 gegeven. Een overzicht van het aantal malen dat een variabele geselecteerd is voor de regressievergelijking van de soorten en vegetatietypen wordt gegeven in tabel 6.1. Uit deze tabel blijkt dat vooral het beheer (treat) het vaakst in de modellen voorkomt. De gemiddelde waterstand (mean) voor het model VinWinW wordt in meer dan 50% van de regressievergelijking gekozen. Het minst geselecteerd is Cl- voor VinW en VexWexB terwijl voor VexW dit NO32is. In VinWinW is het NH4+ dat het minst geselecteerd wordt. Tabel 6.1 : Modelsamenstelling. Aantal keer de variabele geselecteerd is in de regressievergelijkingen voor de soorten en vegetatietypen. (vet: in meer dan 50%, schuin tussen 25-50%) Variabele

VinW

VinWinW

VexW

pH pH+pH2 ClCl +(Cl-)2 Ca2+ 2+ Ca +(Ca2+)2 Fetot Fetot+FEtot2 K+ K++(K+)2 Mg2+ Mg2++(Mg2+)2 NO3NO3-+(NO3-)2 NH4+ NH4++NH4+)2 PO422PO4 +(PO42-) SO422SO4 +(SO42-)2 IR IR+IR2 mean mean+mean2 treat soil soil:mean

35 27 24 15 37 25 37 17 41 27 40 25 32 23 26 11 38 25 35

36 27

27 23

20 12 35 24 34 15 43 27 30

20 10 33

19 20 15 16 7 33

13 12 6 17 8 27

19 31

16 43 28 62 -

18 32

17 37 24

18 60 41 60 -

22 31 13 59 17 28

17 8 49 9 48

Voor bepaalde soorten is de modelsamenstelling voor VinW, VinWinW en voor VexW gelijk. Een overzicht wordt gegeven in tabel 6.2. Tabel 6.2. Aantal gelijke modelsamenstellingen voor de verschillende modellen voor de regressievergelijkingen van de plantensoorten. VinW=VexW

VinW=VinWinW

VexW=VinWinW

# gelijk

6

30

5

# niet gelijk

74

50

75



6.5 Samenvatting van modelcriteria Gebaseerd op de in dit en in eerdere hoofdstukken genoemde analyses, zijn de volgende criteria gekozen voor de hydro-ecologische modellering van de valleigegevens: •

Als data worden gebiedsdekkende rastergegevens gebruikt. Hiervoor worden de in piëzometers opgenomen grondwater chemie en dynamiek variabelen (hoofdstuk 2.4) middels geostatistiek naar rasterdekkende waarden geïnterpoleerd (hoofdstuk 3.3).

•

Doel is de modellering van plantensoorten in Vlaamse valleien. Om een zo groot mogelijke range van hydro-ecologische standplaats condities in beschouwing te kunnen nemen, worden de beschikbare deelbestanden tot één totaalbestand samengevoegd (hoofdstuk 4).

•

Er worden modellen voor plantensoorten en vegetatietypen berekend. Alle plantensoorten die gemeenschappelijk gekarteerd werden en ten minste in vijftien rastercellen voorkomen, worden gemodelleerd. Van de vegetatietypen worden alléén de meest duidelijke opnamen gebruikt (hoofdstuk 2.3).

•

Er wordt gerekend (hoofdstuk 6.2).

•

Sterk gecorreleerde abiotische variabelen beschouwing gelaten (hoofdstuk 5.7).

•

Er wordt geen transformatie toegepast op gegevens worden gebruikt (hoofdstuk 6.2).

•

Bodem en beheer zijn niet continue klassenvariabelen en worden hier behandeld als factoren. Ze worden door ‘dummyvariabelen’ gemodelleerd aan de hand van codes (hoofdstuk 6.3).

•

Waterstanden worden met en gemodelleerd (hoofdstuk 6.3).

•

Modellering vindt plaats via multiple logistische regressie, met gebruik van lineaire en kwadratische responscurven en van interactietermen. De selectie van modeltermen volgt een voorwaartse stapsgewijze procedure (hoofdstukken 6.2 en 6.3).

met

Gegeneraliseerde

zonder

Lineaire

worden

de

Modellen

a

data,

interactie

priori

de

met

(GLM)

buiten

originele

bodemtype


Modelevaluatie |63

Hoofdstuk 7 Model evaluatie

7.1 Inleiding Één van de belangrijkste fasen in hydro-ecologische modellering is de evaluatie van het model, waarbij berekende modelresultaten vergeleken worden met waarnemingen. Een eerste toets voor de kwaliteit van het model is zijn toepassing in dezelfde omgeving waar het werd ontwikkeld. Hierbij worden voor de betrokken studiegebieden en soorten trefkansen berekend die vergeleken worden met de oorspronkelijke veldwaarnemingen. De overeenkomsten dan wel discrepanties worden zowel met statistische maten als visueel op basis van ruimtelijke patronen geëvalueerd. De voorspelling van vegetatietypen wordt op dezelfde wijze benaderd. De resultaten van deze eerste evaluatie worden in dit zevende hoofdstuk behandeld. In hoofdstuk 8 worden de modellen gevalideerd met "externe" gegevensbestanden, bestanden die niet voor de modelontwikkeling gebruikt werden. Hierdoor wordt een beeld verkregen van de veralgemeende toepassing van het model in andere valleigebieden. Deze beide testen leveren gezamenlijk een beeld van de geloofwaardigheid van het model (de zogenaamde credibility, zie Dekker & van der Lee, 2002)

7.2 Statistische evaluatie De berekende regressiemodellen zijn geëvalueerd door middel van "goodnessof-fit" en discriminatie maten. Discriminatie geeft aan hoe goed het model verschillende responsies onderscheidt. De goodness-of-fit, of calibratie, geeft aan in welke mate de voorspellingen met de waarnemingen overeenkomen of hoe betrouwbaar een model de waarneming kan voorspellen. In het geval van aan- en afwezigheidgegevens moet een goed model duidelijk hogere voorspelde kansen vertonen in gebieden waar de soort voorkomt en duidelijk lagere kansen van voorkomen vertonen in gebieden waar de soort niet voorkomt. Verder zijn er betrouwbaarheidsintervallen voor de voorspellingen berekend aan de hand van de model voorspellingsfouten.

7.2.1 Model goodness-of-fit Voor de calibratie wordt de Hosmer-Lemeshow goodness-of-fit test gebruikt, in 1980 door Hosmer en Lemeshow voorgesteld als onderdeel van een test op de resultaten van multiple logistische regressie. De Hosmer-Lemeshow goodness-of-fit test levert ons één globale maat voor de modelcalibratie, die in feite de adequate verdeling van enen en nullen langs het gradiënt van voorspellingen analyseert. Het gaat hierbij om een Chi-kwadraat-test voor een kruistabel ("contingeny table") met gegroepeerde voorspellingen. De test kwantificeert de goodness-of-fit (GOF) van een model door groepen van waarnemingen en respectievelijke voorspellingen middels een Pearson χ2 test te vergelijking. De groepen (minimaal 6) worden verkregen nadat de gegevens op voorspelde waarde zijn gesorteerd. Voor aan- (y = 1) en

ˆg , afwezigheden (y = 0) en g klassen wordt het Hosmer-Lemeshow criterion, C als volgt berekend

Ontwikkeling van een hydro-ecologisch model voor vallei-ecosystemen in Vlaanderen, ITORS-Vl. VLINA 00/16

Modelevaluatie |64

Cˆg =

(ok − nk π k)2 = ¦ k = 1 nk π k(1 − π k ) g

(ok − ek)2 ¦ k = 1 e k(1 − π k ) g

met nk = het aantal opnamen, ok = het aantal waargenomen aanwezigheden, π k = de gemiddelde voorspelde kans van voorkomen, en ek = som van voorspelde (= voorspelde aanwezigheid) in groep k (Hosmer and Lemeshow 1989). De

Cˆg

wordt dan met een χ2 met g-1 vrijheidsgraden vergeleken. Tabel 7.1: Goodness-of-fit berekening voor het vegetatietype Caricion curto-nigrae (voor elke van de 10 groepen is: o = aantal waargenomen aanwezigheden, e = som van voorspelde aanwezigheden, e0 = som van voorspelde afwezigheden, π = voorspelde gemiddelde kans van voorkomen, ˆ = Hosmer en Lemeshow kritische waarde) n = aantal opnamen, C groep 1 groep 2 groep 3 groep 4 groep 5 groep 6 groep 7 groep 8 groep 9 o e e0 π n

20 15 18 13 19 17.600 17.746 17.651 17.756 17.817 2872.40 80.254 49.349 33.244 22.183 0.006 0.181 0.263 0.348 0.445 2890 98 67 51 40

Cˆ

0.329

0.519

0.009

1.955

0.142

10 12 17 8.474 12.138 17.328 7.526 7.862 7.672 0.530 0.607 0.693 16 20 25 0.584

0.004

0.020

groep 10 32 105 30.264 104.227 7.736 7.773 0.796 0.931 38 112 0.489

0.083

ˆ over alle 10 groepen is Cˆg = 4.134. Deze wordt met een χ28 De som van de C (het aantal vrijheidsgraden voor de Chi-kwadraat test is 10-2) vergeleken wat een p-waarde van 0.845 als resultaat levert. Groeperen kan op verschillende manieren. Maar voor de validiteit van de test mogen er geen groepen zonder aan- of zonder afwezigheden gebruikt worden. Daarom werd gekozen voor groepen met een evenredige verdeling van enen in de helft met hogere voorspelde waarden en evenredige verdeling van nullen in de helft met lagere voorspelde waarden. In de bovenstaande tabel wordt ook e0 = som van voorspelde "afwezigheden"(= aantal opnamen in de groep, n, min e). e0

ˆ gebruikt maar maakt de klassenindeling wordt niet bij de berekening van C duidelijk. Voor de lagere kansen van voorkomen (eerste 5 groepen) zijn e evenredig verdeeld, voor de hogere kansen van voorkomen (laatste 5 groepen) zijn e0 evenredig verdeeld. De voorwaarde van groepen met zowel aan- als afwezigheden maakt deze test onbetrouwbaar voor extreem zeldzame en extreem frequente soorten. In de resultaten worden dan ook geen Hosmer-Lemeshow waarden gepresenteerd voor soorten die minder dan 10 keer in het respectievelijke (deel)bestand voorkomen en minder dan 10 keer afwezig zijn (de laatste voorwaarde is voor elke soort of vegetatietype voldaan). Algemeen worden hier aannamen gedaan : • • •

Goede GOF als p-HL> 0.05 Matige GOF als 0.01
De Hosmer-Lemeshow goodness-of-fit test is op alle modellen toegepast voor alle studiegebieden samen, en per studiegebied(bijlage 7.1 en 7.2).


Modelevaluatie |65 Een samenvatting van de resultaten is gegeven in Tabel 7.2. Dit is zowel gedaan voor het globale model als per deelbestand. De meeste regressies met een lage GOF vinden we in het model waar geen bodem en grondwaterstand worden mee genomen (VinW). Het bestand inclusief deze variabelen en dus zonder Walenbos (VexW) heeft het hoogste aantal hoge GOF’s voor de regressievergelijkingen. 20 % van de regressievergelijkingen hebben een slechte GOF.

Tabel 7.2: Tabel met een samenvatting (gemiddelde en standaard deviatie) van de Goodness-of-fit (GOF) per model samen met aantal regressies (soorten en vegetatietypen) met goede GOF (p-waarde >0.05), matige GOF (0.05>pwaarde>0.01), en slechte GOF (p-waarde <0.01) dit per model voor zowel het totale bestand als voor de deelbestanden.

TOT

DB

VexW SN VO

mean 0.23 0.17 0.11 0.18 standev 0.25 0.24 0.19 0.22 slechte GOF 12 16 14 10 matige GOF 10 goede GOF 62 #regressievergelijkingen 84

ZB

TOT

DB

VinWinW SN VO

WA

0.18 0.21 0.14 0.13 0.20 0.09 0.23 0.28 0.20 0.23 0.27 0.19 11 20 19 16 19 19

ZB

TOT

DB

SN

VinW VO

WA

0.10 0.24 0.14 0.16 0.14 0.07 0.17 0.30 0.22 0.23 0.27 0.18 20 23 22 15 28 21

ZB 0.13 0.22 20

4 24

6 15

14 32

10 23

20 51

3 22

5 14

9 28

9 8

7 17

16 51

2 20

5 15

10 18

4 10

8 16

44

35

56

44

91

44

35

56

36

44

91

44

35

56

36

44

In Tabel 7.3 wordt een overzicht gegeven van de soorten waarvoor de modellen een lage GOF hebben. Zeven soorten blijken voor de drie modellen een GOF te hebben lager dan 0.01. Deze modellen moeten dus met de grootste voorzichtigheid worden toegepast. Tabel 7.4 geeft een samenvatting van het percentage verklaarde variantie (deviance) (%D), door de regressies (zie ook bijlage 6.3 t/m 6.5). %D is geen directe maat voor de kwaliteit van het model omdat %D afhankelijk is van het aantal opnamen en de proportie van aan- vs. afwezigheden. Voor logistische regressiemodellen is een %D van 20 tot 30 % vrij normaal omdat 0/1-opnamen met [0,1]-voorspellingen vergeleken worden. De meeste modellen presteren dus goed.


Modelevaluatie |66 Tabel 7.3: Lijst van soorten met een lage GOF (< 0.01, grijze achtergrond) voor tenminste één modeltype. In vet staan de zeven soorten welke voor de drie modellen een lage GOF hebben. VexW

VinWinW

VinW

Alopecurus pratensis

0.057

0.006

0.001

Angelica sylvestris

0.004

0

0

Berula erecta

0.071

0.761

0.008

Calamagrostis canescens

0.001

0.4

0.4

Calla palustris

0.016

0

0.092

Caltha palustris

0

0

0.007

Carex acutiformis

0.014

0

0

Carex acuta

0.452

0

0.035

Carex curta

0.33

0.056

0.005

Carex elongata Carici elongatae-Alnetum glutinosae Cirsium oleraceum

0.113

0

0

0.092

0.004

0.42

0.005

0.114

0.114

Dactylorchis majalis

0.001

0.001

0.001

Deschamspsia flexuosa

0.399

0.277

0.002

Soort

Equisetum palustre

0

0

0

Equisetum telmateia

0.143

0.003

0.025

Filipendulion

0.001

0.068

0.688

Filipendula ulmaria

0.306

0

0

Galium palustris

0

0.002

0

Galium uliginosum

0.063

0.022

0

Glyceria maxima

0.165

0.026

0.004

0

0

0

Lotus uliginosus

0.019

0.001

0.001

Lythrum salicaria

0.034

0.018

0

Molinia caerulea

0.103

0.279

0.001

Peucedanum palustris

0.004

0.002

0

Phalaris arundinacea

0.194

0.001

0.001

Phragmites australis

0.098

0

0.45

Pteridium aquilinum

0.269

0.054

0

Ranunculus flammula

0.006

0.048

0.048

Scirpus sylvaticus

0.019

0

0

Scutellaria galericulata

0.004

0

0.122

0.21

0.001

Juncus acutiflorus

Thuidium tamarescinum


Modelevaluatie |67 Tabel 7.4: Aantal regressies (soorten volgens verklaarde variantie (% Deviance)

en

vegetatietypen)

% Deviance

VexW

VinW

VinWinW

< 20%

8

9

6

20 - 40 %

25

34

32

40 - 60%

37

38

40

%D >= 60%

14

10

13

gerangschikt

7.2.2 Modeldiscriminatie De discriminatie wordt met behulp van kruistabellen (ook "confusion matrix" genoemd) geanalyseerd, waar het aantal aan- en afwezigheden met het aantal voorspelde aan- en afwezigheden vergeleken wordt (Figuur 7.1). Uit deze tabel zijn verschillende maten van discriminatie af te leiden. Figuur 7.1: Kruistabel met a = opnamen met waargenomen en voorspelde aanwezigheid, b = opnamen met waargenomen afwezigheid maar voorspelde aanwezigheid, c = opnamen met waargenomen aanwezigheid maar voorspelde afwezigheid, d = opnamen met waargenomen en voorspelde afwezigheid, N = totaal aantal opnamen.

Aanwezig -heid

Afwezigheid

a

b

c

d

Afwezig- Aanwezigheid heid

Voorspeld

Waargenomen

N Gezien de voorspellingen van de logistische regressie op een continue schaal tussen nul en één liggen moet eerst een drempelwaarde worden vastgesteld waaronder de voorspelling als nul (afwezigheid) en waarboven de voorspelling als één (aanwezigheid) geclassificeerd wordt. Er zijn verschillende manieren om tot een drempelwaarde te komen, afhankelijk van de doelstelling. Een echt objectief criterium voor het kiezen van een drempelwaarde is niet voorhanden. Zo kan het belangrijk zijn juist het aantal aanwezigheden goed te voorspellen als de vraagstelling is: waar, of onder welke omgevingsomstandigheden, zou het model het waargenomen aantal aanwezigheden voorspellen. De drempel wordt dan zo gekozen dat het aantal als één geclassificeerde voorspellingen gelijk is aan het aantal positieve waarnemingen. Voor andere doeleinden kan het juiste aantal afwezigheden het belangrijkst zijn en de drempel wordt overeenkomstig gekozen. Hier werd gekozen voor een drempel waarbij de foute voorspellingen voor aan- en afwezigheid proportioneel verdeeld worden. Voor de berekening van de drempelwaarde worden de voorspellingen gesorteerd naar afnemende probabiliteit en proportioneel aan de aan- en afwezigheden in de veldgegevens als één dan wel nul geclassificeerd (bijlage 7.3 voor S-Plus code). Aan de hand van de kruistabel zijn er vier maten berekend: 1)

Correct

classification

rate

(CCR);

deze

maat

geeft

de

proportie


Modelevaluatie |68 juiste voorspellingen (van de gekozen drempelwaarde uitgaande) en is volgens Figuur 7.1 CCR = (a + d)/N 2)

Sensitivity (Sen.); geeft de proportie goed voorspelde aanwezigheden en is volgens Figuur 7.1 Sen. = a/(a + c)

3)

Specificity (Spec.); geeft de proportie goed voorspelde afwezigheden en is volgens Figuur 7.1 Spec. = d/(b + d)

4)

Misclassification rate (MCR); geeft de proportie foute voorspellingen en is volgens Figuur 7.1 MCR = (b + c)/N

De resultaten van deze discriminatie zijn gegeven in bijlage 6.3 t/m 6.5. Een overzicht wordt gegeven in Tabel 7.5. Hierbij wordt per model een gemiddelde, standaard deviatie, maximum en minimum waarde berekend voor de gebruikte discriminatiemaat. Ook wordt gekeken hoeveel vergelijkingen er een discriminatiemaat hebben boven respectievelijk 0.25, 0.5, 0.75 en 0.9. Uit deze tabel blijkt dat de gemiddelde proportie juiste voorspellingen (CCR) hoger ligt dan de foute voorspellingen (MCR) en dit voor de drie modellen (CCR > 50%). Vooral VexW heeft een heel hoge CCR (82 %) in vergelijking met MCR (17%). Dit model geeft dus het best de responsies weer. Per model zien we dat de gemiddelde proportie goed voorspelde aan (SEN)- en afwezigheden (SPEC) ongeveer gelijk zijn. Ook hier scoort VexW het beste met een gemiddelde van 80%.


Modelevaluatie |69 Tabel 7.5: Tabel met samenvatting (gemiddelde, standaarddeviatie, maximum en minimum waarde) voor de discriminatiematen. Per model wordt eveneens het aantal regressies weergegeven met een discriminatie maat hoger dan respectievelijk 0.25, 0.5, 0.75 en 0.9. Ook het gemiddelde van deze maten is weergegeven per model.

vinW

VinWinW

VexW

gemiddelde standdev max min # > 0.25 # > 0.50 # > 0.75 # > 0.9 gemiddelde standdev max min # > 0.25 # > 0.50 # > 0.75 # > 0.9 gemiddelde standdev max min # > 0.25 # > 0.50 # > 0.75 # > 0.9

CCR

MCR

Sen

Spec

0.573 0.130 0.879 0.301 91 60 11 0 0.549 0.160 0.834 0.004 89 58 11 0 0.823 0.122 0.988 0.414 85 84 66 23

0.427 0.130 0.699 0.121 80 31 0 0 0.451 0.160 0.996 0.166 80 33 2 2 0.177 0.122 0.586 0.012 19 1 0 0

0.567 0.138 0.825 0.125 88 66 9 0 0.577 0.148 1.000 0.125 90 64 12 2 0.808 0.165 0.969 0.071 82 81 70 16

0.566 0.135 0.886 0.301 91 58 11 0 0.541 0.165 0.833 0.000 89 56 11 0 0.818 0.129 0.988 0.429 85 84 66 23

7.2.3 Betrouwbaarheidsintervallen De fout van de berekende modelvoorspellingen kan met betrouwbaarheidsintervallen worden weergegeven (Figuur 7.2).

behulp

van

Bij de berekening van betrouwbaarheidsintervallen gaat men ervan uit dat de modelfout op de schaal van de lineaire predictor – de logit schaal – symmetrisch en normaal verdeeld is. Voor iedere voorspelling wordt op deze schaal de standaard fout (s.e.) en daarvan afgeleid een boven en onderlimiet van betrouwbaarheid berekend. Een 95% betrouwbaarheidsinterval op de logit schaal wordt dus benaderd door

[ηˆ(X )

− 2 × s.e., ηˆ(X ) + 2 × s.e.]

ˆ(X ) = de modelvoorspelling en s.e. = standaard fout, beide op de met η lineaire logit schaal. Getransformeerd naar de respons schaal van P(X) is het betrouwbaarheidsinterval dan

ª exp[ηˆ(X ) − 2 × s.e.] exp[ηˆ(X ) + 2 × s.e.] º «1 + exp[ηˆ(X ) − 2 × s.e.] , 1 + exp[ηˆ(X ) + 2 × s.e.]» ¬ ¼ Voor een betrouwbaarheidsinterval van 99% gebruiken wij 2.6 × s.e. i.p.v. 2 × s.e.. Ter herinnering: voor een significantie niveau α = 0.05 is 1.96 de kritische waarde voor een tweezijdige t-test voor grote bestanden (met


Modelevaluatie |70

kans van voorkomen

meer dan 500 opnamen); voor α = 0.01, is 2.58 de kritische waarde. De in SPlus gebruikte functies zijn in bijlage 7.4 met weergegeven.

1.0

||| |||||| |||

|||||||||||||||| ||||||||||||||||| | | | ||||| ||

|| | |||

|||| | | | ||| |

0.8

0.6

0.4

0.2

0.0

|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||| ||||||||||||||||||||||||||||| |||| ||| |||||||||||||||| | | |||| |||||||| |||||| || | | |||| |||| ||||||||||||

0

10

20

30

40

50

| |

|

60

Fe Figuur 7.2: Voorbeeld betrouwbaarheidsintervallen voor de soort Viola palustris gemodelleerd met een kwadratische functie van Fe als voorspellende variabele (de stafjes duiden op de observaties) Betrouwbaarheidsintervallen zijn verschillend per regressie (en dus per soort) en voor elke locatie (rastercel). Het is niet mogelijk dit allemaal in het rapport weer te geven daarom werd enkel het 95%betrouwbaarheidsinterval(= bovenlimiet verminderd met onderlimiet) berekend en het gemiddelde per soort bepaald (bijlagen 7.5 t/m 7.7). De minimum waarde, eerste quartiel, mediaan, gemiddelde, derde quartiel en maximum waarde worden er weergegeven. Een gemiddelde BI van 0.2 duidt op een grote kans van een meer betrouwbare voorspelling dan een gemiddelde BI van 0.5. Bij een betrouwbaarheidsinterval gelijk aan 1 weten we dat de voorspelling volledig onbetrouwbaar is omdat het interval gelijk is aan de volledige voorspellingsrange. Tabel 7.6 geeft een overzicht van de berekende gemiddelde BI’s voor de drie modellen. Van deze waarden per soort en vegetatietype wordt een gemiddelde, standaard afwijking, minimum en maximum gegeven zodat er per model een idee kan worden gevormd van de range van de BI per model. Ook wordt het aantal regressievergelijkingen (voor soorten en vegetatietypen) gegeven boven een bepaalde gemiddelde BI. Hier zien we dat VinW en VinWinW het meest aantal gemiddelde BI’s hebben onder de 0.1. In het algemeen hebben alle soorten een klein betrouwbaarheidinterval (en dus een grote kans op een betrouwbare voorspelling). Tabel 7.7 geeft een lijst van soorten welke een gemiddelde BI hebben boven 0.2 voor tenminste 1 modeltype.


Modelevaluatie |71 Tabel 7.6: Tabel met samenvatting (gemiddelde, standaard deviatie, minimum en maximum) van het gemiddelde BI (betrouwbaarheidsinterval) voor alle soorten per model berekend en het aantal vergelijkingen met een BI kleiner dan 0.1, tussen 0.1 en 0.2, enz. Mean BI

VexW

VinW

VinWinW

gemiddelde

0.153

0.127

0.126

standev

0.156

0.148

0.152

minimum

0.008

0.023

0.015

maximum

0.889

0.672

0.672

<= 0.1

46

65

68

0.1 - 0.2

19

8

5

0.2 - 0.5

15

9

8

0.5 - 0.7

3

8

9

0.7 - 0.9

1

1

1

> 0.9

1

0

0

Tabel 7.7: Tabel met soorten welke een gemiddeld betrouwbaarheidsinterval hebben hoger dan 0.2 (vet) voor tenminste 1 van de drie modellen. Cursieve waarden zijn hoger dan 0.1. Plantennamen in vet hebben een groot interval (> 0.2) voor de drie modellen samen. (-: geen BI voorhanden aangezien voor deze soorten geen regressievergelijking is opgesteld. Soort

VexW

VinWinW

VinW

Barbarea intermediaa

0.593

0.078

0.073

-

0.466

0.466

Calla palustris

0.162

0.028

0.240

Carex echinata

0.889

0.161

0.120

Carex pseudocyperus

0.299

0.037

0.037

Carex sylvatica

-

0.405

0.446

Crepis biennis

0.048

0.548

0.415

Cirsio Molinietum

0.217

0.274

0.274

Comarum palustris

0.333

0.044

0.044


0.343

0.375

0.375

Digitalis purpurea

0.254

0.170

0.170

Eleocharis palustris

0.495

0.574

0.574

Brachypodium sylvatica

Equisetum arvense

0.288

0.030

0.030

Juncus filiformis

0.576

0.263

0.540

Lamium galeobdolon

-

0.314

0.312

Leucobryum glaucum

0.618

0.023

0.023

Luzula multiflora

0.283

0.216

0.216

Magnocaricion

0.225

0.023

0.091

Myrica gale

0.010

0.672

0.672

Osmundia regalis

0.354

0.254

0.015

Oxalis fontana

0.015

0.453

0.453

Polygonatum multiflorum

0.306

0.220

0.220

-

0.529

0.529

Rhinanthus minor

0.248

0.237

0.237

Ribes nigrum

0.260

0.267

0.267

Potentilla sterilis

Rumex hydrolapatum

0.346

0.043

0.042

Saxifraga granulata

0.389

0.452

0.452

-

0.509

0.501

0.338

0.043

0.038

Thuidium tamarescinum Viola palustris


Modelevaluatie |72 De soorten met grote BI’s geven dus meer kans op onbetrouwbare voorspellingen dan soorten met een kleine BI. Carex echinata, Leucobryum glaucum en Barbarea intermedia scoren slecht (gemiddelde BI > 0.5) voor VexW. Voor VinWinW hebben de voorspellingen van Myrica gale en Crepis biennis een groot BI (> 0.5)en zijn dus minder betrouwbaar. Deze eerste soort heeft ook voor VinW een brede BI. Soorten die voor de drie (of twee voor deze zonder VexW) modellen een grote gemiddelde BI hebben zijn: Brachypodium sylvatica, Carex sylvatica, Eleocharis palustris, Dactylorchis majalis, Juncus filiformis, Lamium galeobdolon, Luzula multiflora, Polygonatum multiflorum, Rhinanthus minor, Ribes nigrum, Saxifraga granulata en Thuidium tamarescinum. Ook het vegetatietype Cirsio Molinietum heeft een groot gemiddeld BI voor de drie modellen.

7.3 Evaluatie ruimtelijke patronen De statistische evaluatie vat samen in welke mate voorspelde probabiliteiten kwantitatief aansluiten bij de waarnemingen. Ze vertelt echter niets over de ruimtelijke coherentie van de voorspellingen. Hoewel door de keuze van de studiegebieden gestreefd werd naar optimale condities voor het opstellen van een hydro-ecologisch model, roepen de huidige verspreidingspatronen van soorten vragen op. Zo komen sommige soorten wel voor in een bepaalde zone, maar niet op een continue manier. In vele rastercellen in die zone komt de soort niet voor, terwijl er geen aanduidingen zijn dat de standplaats ten opzichte van de naburige cellen, waar de soort wel voorkomt, sterk verandert. Sommige oorzaken hiervan kunnen worden vermoed. Naast het ondiepe grondwater, bodem en beheer kunnen nog andere variabelen bepalend zijn voor de spreiding van soorten. Ook is het mogelijk dat het voorkomen van bepaalde soorten (nog) niet in evenwicht is met de abiotische variabelen of dat de verspreiding van de soort nog niet voltooid is. Om deze reden is het nuttig naast de statistische evaluatie ook de evaluatie van de voorspelde ruimtelijke patronen te maken. Het nadeel van deze ruimtelijke inspectie is dat ze moeilijk te kwantificeren is en een zekere subjectiviteit inhoudt. Hier wordt dit uitgevoerd aan de hand van gecombineerde kaarten van effectieve veldobservaties en het voorspelde voorkomen. Bij een goed voorspellingsmodel zouden de hoogste probabiliteiten moeten terug gevonden worden in zones waar de soort of het vegetatietype ook werkelijk wordt geobserveerd. Bij de analyse van discriminatiematen wordt dezelfde redenering gevolgd, maar daar wordt steeds de rastercel als eenheid genomen, terwijl ruimtelijke relaties tussen de verschillende rastercellen worden verwaarloosd. Het evalueren van een ruimtelijk patroon van probabiliteiten kan deze bijkomende informatie geven over de juistheid en bruikbaarheid van het model. De resultaten lopen echter niet noodzakelijk parallel met de statistische benadering. Een model dat een slechte goodness-of-fit heeft kan toch aanvaardbare voorspellingen geven als rekening wordt gehouden met het ruimtelijk verspreidingspatroon van de probabiliteiten.

7.3.1

Soorten en vegetatietypen

Voor elke soort/model combinatie werden de probabiliteiten cartografisch voorgesteld in combinatie met de waarneming van aan- of afwezigheid van de soort. Om een evaluatie mogelijk te maken worden de kaarten ingedeeld in drie klassen gegeven in bijlage 7.8, te weten : S Klasse 1: de voorspellingen onderscheiden op onvoldoende wijze de verschillende gebieden. De verdeling van hoge en lage probabiliteiten over de studiegebieden strookt niet met de waarnemingen. Er worden hoge probabiliteiten berekend in gebieden waar de soort niet voorkomt en omgekeerd. Het is voldoende dat dit laatste voor één gebied het geval is om de soort tot deze klasse te rekenen.


Modelevaluatie |73 S Klasse 2: de voorspellingen onderscheiden op voldoende wijze de verschillende gebieden maar niet de zones binnen deze gebieden. In gebieden waar de soort aanwezig is worden hoge probabiliteiten berekend en omgekeerd. De verdeling van hoge en lagere probabiliteiten binnen de gebieden klopt echter onvoldoende met de waarnemingen. Het is voldoende dat dit laatste voor één gebied het geval is om de soort tot deze klasse te rekenen. S Klasse 3: de voorspellingen onderscheiden op voldoende gebieden en de verschillende zones binnen deze gebieden.

wijze

de

In figuur 7.3 worden hiervan een aantal voorbeelden gegeven. Tabel 7.8 geeft een overzicht per klasse van de gemiddelde GOF samen met de standaarddeviatie. Hierin zien we dat VexW het hoogste aantal goede ruimtelijke voorspellingen geeft (hoogste aantal in klasse 3 en laagste aantal in klasse 1). Uit bijlage 7.8 zien we dat er geen overeenkomst is tussen GOF en de ruimtelijke klassen. Dit is logisch aangezien bij het berekenen van de GOF geen rekening wordt gehouden met eventuele observaties of voorspellingen in de buurt. Bij het kijken naar ruimtelijke patronen wordt er niet per rastercel gekeken maar naar het algemene patroon van probabiliteiten. Wel valt op dat klasse 3 de hoogste gemiddelde GOF heeft. Tabel 7.8: Overzicht per klasse van gemiddelde GOF en standaard deviatie.

VinW

VinWinW

VexW

het

aantal

soorten

TOT

DB

SN

VO

WA

ZB

mean stdev aantal mean stdev aantal mean

0.107 0.232 27 0.225 0.273 46 0.482

0.020 0.034 9 0.101 0.155 27 0.383

0.075 0.149 10 0.155 0.244 19 0.322

0.053 0.131 19 0.135 0.256 29 0.430

0.119 0.246 18 0.025 0.045 18 -

0.130 0.215 16 0.095 0.185 25 0.538

stdev

0.347

0.335

0.209

0.425

-

0.472

aantal

17

8

6

7

0

2


0.221 0.309 27 0.140 0.207 38 0.303

0.112 0.193 12 0.126 0.170 21 0.207

0.105 0.223 10 0.080 0.171 15 0.225

0.091 0.135 18 0.197 0.262 29 0.453

0.078 0.174 19 0.047 0.120 12 0.206

0.105 0.149 15 0.049 0.087 23 0.286

stdev

0.314

0.251

0.293

0.338

0.364

0.320

aantal

26

11

10

9

5

6


0.225 0.186 10 0.169 0.217 38 0.298

0.055 0.110 5 0.195 0.249 25 0.151

0.039 0.048 7 0.096 0.208 16 0.182

0.156 0.114 6 0.132 0.209 32 0.273

-

0.069 0.083 7 0.174 0.247 24 0.245

stdev

0.272

0.245

0.210

0.252

-

0.253

aantal

37

14

12

19

-

13

samen

met

klasse 1

2

3

1

2

3

1

2

3


de

Modelevaluatie |74 Tabel 7.9 geeft per klasse een overzicht van de discriminatiematen per model. Per modeltype blijkt klasse 3 de hoogste CCR (correcte voorspellingen), SPEC (juist voorspelde afwezigheden) en SEN (juist voorspelde aanwezigheden) te hebben. Een uitzondering hierop is VinW met een hoogste SEN voor klasse 1. Bij het vergelijken van de verschillende modeltypen vinden we dat VexW telkens het best scoort. Tabel 7.9: Overzicht per klasse van de discriminatiematen

VexW

VinwinW

VinW

mean stdev mean stdev mean stdev mean stdev mean stdev mean stdev mean stdev mean stdev mean stdev

CCR

MCR

Sen

Spec

klasse

0.797 0.100 0.794 0.107 0.861 0.134 0.531 0.125 0.508 0.143 0.627 0.191 0.564 0.108 0.552 0.126 0.646 0.154

0.203 0.100 0.206 0.107 0.124 0.112 0.469 0.125 0.492 0.143 0.373 0.191 0.436 0.108 0.448 0.126 0.354 0.154

0.796 0.095 0.807 0.092 0.819 0.231 0.558 0.101 0.558 0.129 0.624 0.200 0.591 0.095 0.551 0.132 0.572 0.201

0.794 0.100 0.788 0.112 0.871 0.123 0.521 0.134 0.498 0.146 0.626 0.192 0.556 0.117 0.544 0.130 0.644 0.155

1 2 3 1 2 3 1 2 3


Doode Bemde

Walenbos


Figuur 7.3: Voorbeelden per klasse bekomen uit de ruimtelijke evaluatie: Klasse 1 : Carex rostrata met GOF tot = 0.09 (VexW)en Carex acutiformis met een GOF tot = 0.00 (VinWinW)

Snoekengracht

Vorsdonkbos

Zwarte Beek

Modelevaluatie |75

Arrhenatherum elatius met een GOF tot = 0.058 (VinWinW)en Rumex hydrolapatum met een GOF tot = 0.112


Klasse 2: (VexW)

Modelevaluatie |76


Klasse 3: Filipendula ulmaria met een GOF tot = 0.306 (VexW)en Myrica gale met een GOF tot = 0.06 (VexW)

Modelevaluatie |77

Modelevaluatie |78

7.3.2 Voorspellingskaarten voor de vegetatietypen In de voorbereidende projecten (zie deel 2.1) zijn voor elk studiegebied vegetatiekaarten gemaakt op basis van soortenopnamen. Aan iedere rastercel werd één vegetatietype toegekend. De vegetatietypen die duidelijk gedefinieerd zijn werden ook in dit onderzoek betrokken. Overgangstypes werden niet beschouwd. Om met behulp van een model het vegetatietype in een bepaalde rastercel te voorspellen werd een eenvoudige beslisregel gehanteerd. Per model en per rastercel wordt gekeken welk vegetatietype de hoogste probabiliteit van voorkomen heeft. Dit type is voor die cel de voorspelde vegetatie. De voorspelling kan dan met de waarneming vergeleken worden. Bij deze methode wordt wel de kanttekening geplaatst dat vegetatietypen met een algemeen lage probabiliteit (vaak zeldzame) uiteraard veel minder voorspeld zullen worden. In de vegetatiekaarten in dit hoofdstuk wordt per vegetatietype (zowel geobserveerd als voorspeld) dezelfde kleur gehanteerd. Het rastervlak werd opgevuld met het bestaande vegetatietype. De gekleurde cirkel die daarop wordt afgedrukt verwijst naar de voorspelling. Vlakken die egaal gekleurd zijn, zijn met andere woorden correct voorspeld en een dubbele kleur geeft een foute voorspelling. Lege rasters met enkel een cirkel komen overeen met plaatsen waar geen zuiver vegetatietype werd gedefinieerd in dit project, en waarvoor dus slechts een voorspelling voor handen is, geen waarneming. De drie modelkaarten worden gegeven in figuur 7.4, 7.5 en 7.6 voor respectievelijk VexW, VinW en VinWinW. Algemeen geven de 3 modellen een goede voorspelling. De meeste fouten zijn te vinden op de grenzen van de vegetatietypen. Het bostype Carici elongatae-Alnetum glutinosae (Mesotroof elzenbroek) geeft minder goede voorspellingen dan de andere types. Op plaatsen waar het voorkomt wordt vaak een ander type voorspeld: Magnocaricion met Phragmites (Rietruigte), of Sphagno-Alnetum glutinosae (Oligotroof elzen-berkenbroek) bijvoorbeeld. Uiteraard is het ook zo dat minder frequente vegetatietypen een lagere probabiliteit hebben en dus minder voorspeld zullen worden. Nochtans wordt het voorkomen van bijvoorbeeld Cirsio Molinietum (Blauwgrasland) goed bepaald. Een overzicht van het aantal observaties, Goodness of Fit (GOF) en aantal voorspellingen en % juiste voorspellingen van de vegetatietypen wordt voor de drie modeltypen gegeven in Tabel 7.10. Uit deze tabel blijkt dat de drie modeltypen 75% juist voorspellen. Dit is een hoge score. Het verschil tussen de modeltypen is niet groot, hoewel VexW en VinWinW doorgaans het hoogste percentage juiste voorspellingen voor de vegetatietypen geven. Het best worden Caricion curto-nigrae (Kleine zeggenvegetatie) en Filipendulion (Moerasspirearuigte) voorspeld, terwijl Magnocaricion (Grote zeggenvegetatie) het minst goed uit de verf komen. Wanneer men naar de overeenkomstige GOF kijkt blijkt dit geen verband te houden met het aantal juiste voorspellingen. Zo ziet men dat Magnocaricion met een GOF van 0.944 voor VinW het laagste aantal juiste voorspellingen heeft. Een omgekeerde situatie vindt men voor Filipendulion in VexW met een GOF van 0.00 en 88% juiste voorspellingen.


Modelevaluatie |79

. Figuur 7.4: Vegetatiekaart voor de 4 studiegebieden in het model VexW. Rasters geven het geobserveerde vegetatietype weer, de cirkels geven de voorspellingen weer. De witte rasters hebben geen duidelijk definieerbaar vegetatietype en zijn daarom buiten beschouwing gelaten.


Modelevaluatie |80

Zwarte Beek

Doode Bemde

Vorsdonkbos

Snoekengracht

Walenbos

Figuur 7.5: Vegetatiekaart voor de 5 studiegebieden in het model VinW. Rasters geven geobserveerde vegetatietype weer, de cirkels geven de voorspellingen weer. De witte rasters hebben geen duidelijk definieerbaar vegetatietype en zijn daarom buiten beschouwing gelaten.


Modelevaluatie |81

Figuur 7.6: Vegetatiekaart voor de 5 studiegebieden in het model VinWinW. Rasters geven geobserveerde vegetatietype weer, de cirkels geven de voorspellingen weer. De witte rasters hebben geen duidelijk definieerbaar vegetatietype en zijn daarom buiten beschouwing gelaten.


2059

aantal

1685

66

80

93

63

335

28

250

261

201

161

147

70 79

0.75 0.27 1685

99

92

313

34

215

257

204

157

165

0.03

0.05

0.00

0.48

0.09

0.22

0.03

0.37

0.61

75

56

69

71

41

0.05

0.03

0.01

0.18

0.07

88

2059

186

66

105

62

350

31

0.8

76

258

210

441

0.84

97

140

210

0.53

78

75

73

0.1

0.48

0.94

51

71

0.69

87

0.8

68 89

0.42

95

2059

170

62

94

70

350

33

478

258

203

134

0.87 0.83

207

74

64

82

72

41

82

76

67

96

74

72

65

# voor% juiste spellingen voorspelde

VinW

0.59

GOF

0.85

78

60

67

# voor% juiste spellingen voorspelde

0

0.3

78

65

0.17

0.35

66

69

GOF

VinWinW

en % juiste voorspellingen (# juiste drie modellen (cellen zonder eenduidig


166

Sphagno-Alnetum glutinosae

335

Filipendulion

80

28

Cirsio Molinietum

Phragmitetalia

455

Carici elongatae-Alnetum

63

261

Caricion curto-nigrae

93

201

Calthion

Magnocaricion met Phragmites

161

Arrhenatherion

Magnocaricion

216

Alno-Padion

# # VexW obser- obser# voor% juiste vaties vaties GOF spellingen voorspelde excl WA

Tabel 7.10: Overzicht van het aantal observaties, voorspellingen voorspellingen/ # voorspellingen), dit per vegetatietypen voor de vegetatietype zijn buiten beschouwing gelaten)

Modelevaluatie |82

Modelevaluatie |83 Tabel 7.11 geeft een overzicht van het aantal vegetatietypen per klasse en ook hun overeenkomstige gemiddelde GOF. Te zien is dat VinWinW het hoogst aantal goede ruimtelijke voorspellingen geeft. Per model is er telkens maar 1 vegetatietype dat bij de ruimtelijke evaluatie bij klasse 1 wordt ingedeeld. Het gaat hier telkens om Calthion. Dit vegetatietype wordt nochtans vrij goed ruimtelijk voorspeld, enkel zijn er in Zwarte Beek en Walenbos ook zones met hoge probabiliteiten, hoewel het vegetatietype daar niet voorkomt. Bij de andere vegetatietypen worden de ruimtelijke patronen nog beter voorspeld. Figuur 7.7 geeft Calthion voorspeld door VinWinW weer. Tabel 7.11 Overzicht van de ruimtelijke evaluatie voor de vegetatietypen samen met de gemiddelde GOF. #

Gemidd. GOF

klasse

1

0.031

1

VexW

4

0.2657

2

VinWinW

6 1 0 10 1

0.2997 0.3 0.2503 0.83

3 1 2 3 1

VinW

4

0.4945

2

6

0.715

3

Figuur 7.7: Validatiekaart voor Calthion door VinWinW in de 5 gebieden


Modelevaluatie |84

7.3.3 Soorten met lage GOF Tabel 7.12 geeft een lijst van soorten met een lage GOF en basis van de ruimtelijke evaluatie. De meeste soorten met werden ingedeeld in klasse 2 waar de gebieden goed worden maar de interne zones niet. 20% van de lage GOF worden gesitueerd, terwijl slechts drie soorten met een lage ruimtelijke spreiding goed voorspellen.

hun klasse op een lage GOF onderscheiden in klasse 1 GOF toch de

Tabel 7.12 Lijst van soorten met een lage GOF (< 0.01, grijze achtergrond) voor tenminste één modeltype samen met hun klassenindeling voor de ruimtelijke evaluatie. In vet staan de zeven soorten welke voor de drie modellen een lage GOF hebben. VexW

VinWinW

VinW

ruimtelijke evaluatie

GOF


GOF


GOF


1

0.057

2

0.006

2

0.001

Angelica sylvestris

3

0.004

2

0

2

0

Berula erecta

3

0.071

3

0.761

2

0.008

Soort


3

0.001

2

0.4

2

0.4

Calla palustris

3

0.016

3

0

2

0.092

2

0.007

Caltha palustris

2

0

2

0

Carex acutiformis

2

0.014

1

0

Carex acuta

1

0.452

2

0

1

0.035

Carex curta

2

0.33

1

0.056

1

0.005

Carex elongata Carici elongatae-Alnetum glutinosae Cirsium oleraceum

2

0.113

2

0

2

0

2

0.092

3

0.004

2

0.42

2

0.005

3

0.114

3

0.114


1

0.001

2

0.001

1

0.001

Deschamspsia flexuosa

1

0.399

1

0.277

1

0.002

0

Equisetum palustre

2

0

1

0

2

0

Equisetum telmateia

3

0.143

3

0.003

3

0.025

Filipendulion

2

0.001

3

0.068

3

0.688

Filipendula ulmaria

3

0.306

2

0

2

0

Galium palustris

2

0

1

0.002

2

0

Galium uliginosum

2

0.063

2

0.022

2

0

Glyceria maxima

2

0.165

1

0.026

1

0.004

Juncus acutiflorus

2

0

1

0

2

0

Lotus uliginosus

2

0.019

2

0.001

2

0.001

Lythrum salicaria

2

0.034

1

0.018

1

0

Molinia caerulea

3

0.103

3

0.279

1

0.001


2

0.004

1

0.002

2

0


2

0.194

2

0.001

2

0.001


2

0.098

2

0

2

0.45

Pteridium aquilinum

2

0.269

1

0.054

1

0

Ranunculus flammula

2

0.006

2

0.048

2

0.048

Scirpus sylvaticus

2

0.019

2

0

2

0


2

0.004

1

0

1

0.122

1

0.21

2

0.001

Thuidium tamarescinum

Voor VexW hebben Calamagrostis canescens en Angelica sylvestris (Figuur 7.8) een lage GOF terwijl hun ruimtelijke evaluatie een goede score geeft. Het blijkt hier om twee vrij algemene soorten te gaan met een grote verspreiding. Voor VinWinW vindt men voor de soorten Calla palustris Ontwikkeling van een hydro-ecologisch model voor vallei-ecosystemen in Vlaanderen, ITORS-Vl. VLINA 00/16

Modelevaluatie |85 (Figuur 7.9) en Equisetum telmateia en het vegetatietype Carici elongataeAlnetum glutinosae een lage GOF maar een goede ruimtelijke evaluatie.

Figuur 7.8: gebieden

Validatiekaart

voor

Angelica

sylvestris

door

VexW

in

de


5

Modelevaluatie |86

Figuur 7.9: Validatiekaart voor Calla palustris door het model VinWinW

7.4 Conclusies Uit de statistische analyse blijkt dat ongeveer 20% van de regressievergelijkingen een lage Goodness-of-fit hebben. De gemiddelde GOF is voor de drie modellen ongeveer gelijk. Voor het model waarin geen bodem en grondwaterstand (VinW) is opgenomen vinden we het hoogste aantal regressies met een slechte statistische evaluatie. Het model inclusief deze variabelen, maar zonder het Walenbos-bestand (VexW) komt het best naar voren uit de statistische analyse. Zeven soorten blijken voor alle modellen een zeer lage Goodness-of-fit (GOF) te hebben, lager dan 0.01. Toepassing van


Modelevaluatie |87 het hydro-ecologisch model voor deze soorten is dus uitsluitend met grote voorzichtigheid toegestaan. De resultaten van de discriminatie tonen aan dat de proportie juiste voorspellingen hoger liggen dan de foute voorspellingen, het juiste aantal aan- en afwezigheden zijn ongeveer gelijk. Dit laatste komt door de keuze van de berekeningsmethode van de drempelwaarde. VexW komt er als model het beste uit. De gemiddelde betrouwbaarheidsintervallen tonen aan dat voor de meeste soorten de voorspellingen binnen een kleine range vallen (< 0.1). Soorten met een groot betrouwbaarheidsinterval (> 0.2) komen het meest voor in VexW en hebben dus een grotere kans op minder betrouwbare voorspellingen. Uit deel 7.3 komt naar voor dat een ruimtelijke inspectie van de voorspelling van de modellen bijkomende inzichten oplevert in de kwaliteit ervan. De resultaten moeten met de nodige voorzichtigheid worden behandeld, doordat ze niet werden gekwantificeerd en een zekere subjectiviteit in de interpretatie meedragen. Duidelijk is dat de modellen in staat zijn voor een reeks soorten een onderscheid te maken tussen gebieden waar de soort kan voorkomen en waar niet. Voor sommige soorten hiervan wordt ook intern in het gebied door de modellen op een correcte manier een onderscheid gemaakt tussen zones waar de soort kan voorkomen en waar niet. Tenslotte is ook uit de ruimtelijke analyse duidelijk dat een beperkt aantal soorten niet goed door de modellen voorspeld worden. In deze studie kon geen goede ecologische verklaring worden gevonden voor het slecht presteren (ruimtelijk of statistisch) van bepaalde soorten in de modellen. Opvallend is het falen van de regressies voor de meeste kensoorten van de Dottergraslanden, terwijl het vegetatietype zelf vrij goed voorspeld wordt. Afwijkingen tussen voorspelling en waarneming kunnen verschillende oorzaken hebben. Het kan dat de verspreiding van een soort niet primair door de hydrologie wordt bepaald waardoor de voorspelling slecht kan zijn. Anderzijds mag er niet van worden uitgegaan dat in de praktijk, in deze studiegebieden, de soort enkel wordt waargenomen waar ze ook potentieel kan voorkomen. Het is niet verkeerd te veronderstellen dat in vele gevallen het potentieel verspreidingsareaal (op basis van hydrologie) groter is dan datgene dat wordt waargenomen, omdat nog andere factoren een rol spelen. De statistische toets en ruimtelijke inspectie lopen niet altijd parallel. Dit is een logisch gevolg van de methodes op zich. In de statistische tests is geen rekening gehouden met eventueel ruimtelijke patronen; er wordt uitsluitend per rastercel geëvalueerd. Bij de ruimtelijke evaluatie werd gekeken naar patronen die rastercel-overschrijdend zijn. Het mathematisch vergelijken van waarnemingen en voorspellingen houdt geen rekening met deze ruimtelijke context. Het suggereert dat de modellen beter presteren dan op basis van de statistische analyse kan worden aangenomen. Op het vlak van de vegetatietypen blijkt dat de drie modeltypen in 75% van de gevallen een juiste voorspelling doen, wat een hoge score is. Het verschil tussen de modeltypen is niet groot. De meeste fouten zijn te vinden op de grenzen van de vegetatietypen, wat logisch is gezien daar de geleidelijke overgang van het ene naar het andere type plaats vindt. Niet alle vegetatietypen worden even goed voorspeld. Het bostype Carici elongatae-Alnetum glutinosae(Mesotroof elzenbroek) geeft meer problemen met de voorspellingen dan de andere types. De beste regressievergelijkingen worden gevonden voor de modellen zonder het Walenbos bestand. Dit volgt zowel uit de statistische als uit de ruimtelijke evaluatie. In het model VexW zitten ook het hoogste aantal


Modelevaluatie |88 variabelen chemie van gemiddelde voorspellen

dat de verspreiding van de soort kan voorspellen. Buiten de het grondwater en het beheer blijken dus ook de bodem en de grondwaterstand een belangrijke bijdrage te leveren aan het van soorten en vegetatietypen.


Modelvalidatie |89

Hoofdstuk 8 Validatie van de modellen

8.1 Inleiding Om de kwaliteit en de toepasbaarheid van ITORS-Vl zo groot mogelijk te maken, werden zoveel mogelijk geschikte data in de ontwikkeling van de modellen betrokken. Een gevolg hiervan is wel dat in Vlaanderen weinig datasets resteren die op dezelfde manier zijn opgebouwd, en die kunnen dienen als validatiebestand. Toch werden in deze studie een aantal bijkomende testgebieden geselecteerd. Dit hoofdstuk is de neerslag van de resultaten van deze tests. De drie modellen worden toegepast op de gebieden Aardgat, Rodebos, een deel van de Dijlevallei te Neerijse en de Demervallei nabij Webbekom. De basisgegevens daar zijn van dezelfde aard als deze die gebruikt werden bij de opbouw van de modellen, maar de wijze waarop ze verzameld werden verschilt enigszins. Het betreft namelijk puntgegevens, discreet verdeeld over de gebieden. De vegetatieopnamen zijn rechtstreeks gekoppeld aan een piëzometer die de hydrologische variabelen levert. De ruimtelijke discontinuïteit is geen bezwaar voor een statistische test maar wel voor een goede evaluatie van het ruimtelijk patroon (cfr. Hoofdstuk 7). Verder is het aantal herhalingen (punten) voor bepaalde soorten in bijvoorbeeld Aardgat of Rodebos beperkt. Een ander probleem waar zeker rekening mee moet worden gehouden is dat noch op het vlak van de hydrologie noch op het vlak van het beheer een stabiliteit over een langere periode gegarandeerd kan worden voor deze gebieden. De kans dat vegetatie en hydrologie niet in evenwicht zijn, is dus reëel. Uit bovenstaande mag blijken dat in deze omstandigheden een vergaande evaluatie problematisch is. Het is niettemin belangrijk om de lezer een idee te geven van de mogelijkheden van ITORS-Vl.

8.2 Beschrijving testgebieden. 8.2.1 Aardgat Dit terrein is gesitueerd ten zuiden van Tienen, tegen de spoorlijn LeuvenLuik, in de vallei van de Kleine beek een zijrivier van de Gete. Het gebied wordt ter hoogte van Tienen intens gevoed door uitgesproken mineraalrijk grondwater afkomstig uit de Formatie van Brussel. Het is in beheer bij Natuurpunt vzw sinds halverwege de jaren 80 en wordt sinds een tiental jaar ten dele gemaaid en ten dele gemaaid en nabegraasd. Het gebied is sterk vergelijkbaar met de Snoekengracht maar veel kleiner en het aanwezige grondwater is nog mineraalrijker.

8.2.2 Rodebos Het Rodebos vormt samen met de naastliggende Laanvallei één aaneengesloten Vlaams reservaat van ca. 120 ha. Het wordt gevoed door grote hoeveelheden mineraalrijk kwelwater uit de Formatie van Brussel. Een groot gedeelte van dit reservaat beslaat de rechter valleiflank met oude (bron-)bossen van de Laan en slechts een beperkte oppervlakte riviervallei zelf. De opnamen die hier als test-dataset gebruikt worden, zijn enkel afkomstig uit het valleigedeelte. Het gebied lijkt goed op de Doode Bemde.

Ontwikkeling van een hydro-ecologisch model voor vallei-ecosystemen in Vlaanderen, ITORS-Vl, VLINA 00/16

Modelvalidatie |90

8.2.3 Dijlevallei (exclusief Doode Bemde) In de Dijlevallei ten zuiden van Leuven wordt uitgebreid eco-hydrologisch onderzoek verricht. Een deel van dit gebied, de Doode Bemde, werd reeds gebruikt voor de ontwikkeling van de hier gebruikte modellen. Elders in de Dijlevallei zijn gecombineerde gegevens van hydrologie en vegetatie voorhanden. Een selectie van deze gegevens werd hier gebruikt. Voor een verdere beschrijving van het gebied wordt verwezen naar 2.2.1.

8.2.4 Webbekom Het bekken te Webbekom, een deel van de Demervallei gelegen in de omgeving van Diest, werd sinds 1997 ingericht als hydrologisch wachtbekken. De oppervlakte bedraagt ongeveer 75 ha. Het grondwater is afkomstig van de Formatie van Diest.

8.3 Beschikbare gegevens In elk van de gebieden werden dezelfde standplaatsvariabelen verzameld als voor de originele datasets op basis waarvan de modellen ontwikkeld werden. De vegetatieopnamen voor het Aardgat werden gemaakt in 1997, de grondwateranalysen gebeurden in de zomer en de winter van 1997 en de gemiddelde grondwaterstand werd berekend uit tijdreeksen van waterpeilmetingen van begin 1996 tot einde 1997. De vegetatieopnamen voor het Rodebos werden in 1994 gemaakt. De chemische analysen werden uitgevoerd in de zomer en de herfst van datzelfde jaar en de gemiddelde grondwaterstand werd berekend uit de tijdsreeksen van 1994 en 1995. De vegetatieopnamen voor de Dijlevallei werden in 1999 verzameld. De chemische analysen voor de samenstelling van het grondwater vonden plaats tijdens de zomers en winters van 1999 en 2000. In 1997 werd een gedetailleerde vegetatiekaart van Webbekom gemaakt. Hiervoor werden in totaal 86 vegetatieopnamen gemaakt, met een standaard oppervlakte 3 bij 3 meter. De grondwatermetingen en chemische analysen gebeurden in 1997 en 1998. De ranges van de verschillende standplaatsgegevens worden uitgezet in boxplots, dit om een idee te krijgen in hoeverre de testgebieden overeenkomen met de oorspronkelijke studiegebieden waarop het model gebaseerd is (Figuur 8.1). In de figuur komen E, A, R, I, Z, W, V, S en D overeen met volgende gebiedsnamen Webbekom, Aardgat, Rodebos, Dijlevallei, Zwarte Beek, Walenbos, Vorsdonkbos, Snoekengracht en de Doode Bemde. Het aantal opnamen en soorten dat betrokken werd in deze validatie van het model zijn gegeven in Tabel 8.1. Ook het aantal soorten zonder observatie in de geselecteerde opnamen worden weergegeven naast het aantal soorten ddatie in alle opnamen aanwezig is.


Modelvalidatie |91 Figuur 8.1: Ranges van de testgebieden voor de verschillende variabelen (E =Webbekom, A=Aardgat, R=Rodebos,I=Dijle, Z=Zwarte beek,W=Walenbos, V=Vorsdonkbos, S=Snoekengracht, D=Doode Bemde) Ranges

E

E

A

A

R

R

I

I gebied

gebied

Ranges

Z W

Z W

V S D -1.8

-1.4

-1.0

-0.6

-0.2

0.2

0.6

Non-Outlier Max Non-Outlier Min 75% 25% Median Outliers Extremes

V S D 0

20

40

60

Ranges

E

E

A

A

R

R

I

I gebied

gebied

Ranges

Z W

Z W

V S D -5

0

5

10

15

20

25

30

35

40


1.1


160


V S D -0.1

0.1

0.3

0.5

K

0.7

0.9

PO4

Ranges

Ranges

E

E

A

A

R

R

I

I gebied

gebied

100

IR

gemiddelde

Z W

Z W

V S D -2

4

10

16

22

28

34

V

Non-Outlier Max Non-Outlier Min 75% 25% Median Outliers

S D -20

0

20

40

60

Mg

100

120

140

Ranges E

A

A

R

R

I

I gebied

E

Z W

Z W

V S D -50

80 Fe

Ranges

gebied

80


0

50

100

150 SO4

200

250

300

350

400


V S D 3.5

4.5

5.5

6.5

7.5

8.5

pH



Modelvalidatie |92 Figuur 8.1 (vervolg) Ranges

E

E

A

A

R

R

I

I gebied

gebied

Ranges

Z

Z W

W V S D -20

0

20

40

60

80

100

120

140

160


V S D -50

0

50

100

200

250

300

350

400

Ca

Cl

Ranges

Ranges

E

E

A

A

R

R

I

I GEBIED

gebied

150


Z W V S D -1

1

3

5

7

9


Z W V S D -2

2

NO3

6

10

14

18

22

26


NH4

Tabel 8.1 Aantal opnamen en soorten per gebied betrokken in de validatie van het model # soorten in geen opname # soorten in Totaal # Totaal # aanwezig alle opn. aanw. opnamen soorten Aardgat Dijlevallei Rodebos Webbekom

6 33 6 29

83 83 83 40

67 43 66 15

3 0 0 0

8.4 De modellen in de testgebieden. Voor de testgebieden werden op basis van de drie in Hoofdstuk 6.4 omschreven modeltypen voorspellingen voor de soorten en vegetatietypen berekend. Hierbij werd uitgegaan van de probabiliteitsberekeningen zoals voorzien in de hydro-ecologische modellen. Anderzijds werd getoetst of de aan- of afwezigheid goed kon worden voorspeld. Voor dit laatste werd een drempelwaarde bepaald, die de evaluatie mede beïnvloed (zie deel 7.2.2). Omdat veel soorten en vegetatietypen in deze bestanden niet voorkomen of extreem zeldzaam zijn is een Hosmer-Lemeshow goodness-of-fit test vaak onbruikbaar, wat een bijzonder nadeel is in deze evaluatie. De performantie van de modellen in de testgebieden wordt daarom met discriminatie maten geëvalueerd naar de methoden beschreven in deel 7.2. Voor alle soorten en vegetatietypen zijn de validatieresultaten in bijlage 8.1 t/m 8.12 te vinden.


Modelvalidatie |93 Tabel 8.2 geeft een overzicht van de discriminatiematen berekend met de drie modellen voor de 4 testgebieden. Bij het berekenen van het gemiddelde en de standaard deviatie voor sensitiviteit en specificiteit zijn soorten die in geen enkele opname voorkomen of in alle opnamen worden genoteerd, niet in rekening gebracht. De discriminatiematen zijn niet van toepassing in deze gevallen. Voor Aardgat blijken er 67 soorten van de totaal 83 te zijn die niet werden waargenomen in één van de 6 proefvlakken. 3 soorten kwamen voor in alle proefvlakken. Voor de Dijle zijn er 43 soorten zonder observatie, maar geen enkele soort kwam in alle 33 proefvlakken voor. 66 soorten werden niet waargenomen in een van de 6 proefvlakken van Rodebos en soorten in alle proefvlakken kwamen niet voor. Voor Webbekom zijn er 15 soorten zonder observaties in de opnamen. Geen enkele soort werd geobserveerd in alle 29 opnamen. Uit tabel 8.2 blijkt dat voor alle modellen de CCR (correct classification rate) groter is dan MCR (misclassification rate) met uitzondering voor het model VinW toegepast in Webbekom. De hoogste CCR, bijna 80 %, vindt terug bij VexW voor Aardgat, Dijle en Rodebos, de hoogste MCR (40-50%) voor VinW toegepast in Webbekom en VinWinW in Rodebos. Enkel voor dit laatste is de CCR hoger dan de MCR. Per gebied bekeken ziet men dat VexW telkens de hoogste CCR behaald. De aanwezigheid (Sen) wordt het best voorspeld met VinWinW. Meer dan 70% juist voorspelde aanwezigheden vinden we terug in Webbekom voorspeld met VinW en VinWinW. De afwezigheden worden het best voorspeld (80%) met VexW in Aardgat en Rodenbos. Het model VexW voorspelt de afwezigheid (Spec) beter dan de aanwezigheid (Sen) en dit voor alle gebieden. Men kan concluderen dat de drie toegepaste modellen een redelijke score halen bij de voorspellingen. Het aandeel correcte voorspellingen is groter dan de foute voorspellingen. Vooral de afwezigheden worden goed voorspeld, wat logisch is aangezien deze de dataset domineren, maar ook de aanwezigheden worden doorgaans voor meer dan 50 % met een maximum van 70 % goed voorspeld. Wanneer het belangrijk is de aanwezigheden goed te voorspellen blijkt VinWinW de beste keuze. Voor een algemene goede voorspelling (zowel aan- als afwezigheid) presteert VexW beter in de hier behandelde testgebieden.


Modelvalidatie |94 Tabel 8.2 Overzicht (gemiddelde en standaarddeviatie) van de discriminatie waarden voor de vier testgebieden Aardgat, Dijlevallei, Rodebos en Webbekom, toegepast met de drie modeltypen.

CCR

MCR

Sen

Spec

gemiddelde

0.777

0.223

0.49

0.8

stdev

0.299

0.299

0.421

0.33

gemiddelde

0.647

0.353

0.6

0.641

stdev

0.338

0.338

0.429

0.371

VexW

Aardgat

VinWinW gemiddelde

0.675

0.325

0.351

0.678

stdev

0.342

0.342

0.392

0.366

gemiddelde

0.789

0.211

0.505

0.788

stdev

0.188

0.188

0.369

0.217

gemiddelde

0.604

0.396

0.657

0.583

Vinw

VexW

Dijle

VinWinW stdev

0.22

0.22

0.371

0.243

gemiddelde

0.603

0.397

0.639

0.575

Vinw stdev

0.225

0.225

0.359

0.266

gemiddelde

0.779

0.221

0.524

0.803

VexW

Rodebos

stdev

0.265

0.265

0.442

0.258

gemiddelde

0.573

0.427

0.655

0.563

VinWinW stdev

0.349

0.349

0.455

0.365

gemiddelde

0.656

0.344

0.437

0.665

VinW stdev

0.288

0.288

0.449

0.301

gemiddelde

0.673

0.327

0.473

0.684

stdev

0.202

0.202

0.38

0.252

gemiddelde

0.511

0.489

0.717

0.475

stdev

0.236

0.236

0.299

0.268

gemiddelde

0.491

0.509

0.709

0.443

stdev

0.259

0.259

0.366

0.302

VexW

Webbekom

VinWinW

Vinw


ITORS-Vl |95

Hoofdstuk 9 ITORS- Vl

9.1 Inleiding Op basis van de bovenstaande onderzoeken en tests worden de responsfuncties voor de geselecteerde soorten en vegetatietypen berekend. Deze functies vormen samen het ITORS-Vl model. De definitieve modelparameters die daaruit resulteren worden in het ITORS-Vl programma gebruikt. Dit programma berekent op basis van de modelparameters en de variabelen die de standplaats beschrijven de trefkansen van planten en vegetatietypen. De consequenties van beslissingen met betrekking tot inrichting, beheer of hydrologische ingrepen in valleigebieden kunnen met het model worden getoetst door varianten in standplaatsgegevens te gebruiken. Door deze varianten, resulterend in verschillende trefkansen per soort, te vergelijken kan een keuze worden onderbouwd. In dit hoofdstuk worden de belangrijkste aspecten van het programma toegelicht. Voor meer details wordt verwezen naar de handleiding van ITORSVl die geïnspireerd is op de oorspronkelijke ITORS-handleiding (Ertsen, 1995).

9.2 Verschillen tussen ITORS en ITORS-Vl dataset Het model ITORS-Vl is gebaseerd op het concept dat gebruikt werd in ITORS. Toch zijn er een aantal verschillen aan te geven, die vooral te maken hebben met de standplaatsvariabelen en de manier waarop deze werden verzameld. Ook het beheer en de definitie van de bodem kunnen verschillen. Het ITORS programma berust echter op een vrij eenvoudig concept, dat de mogelijkheid biedt om ‘nieuwe’ modelcoëfficiënten in te voeren. Bij een vergelijking van de Nederlandse met Belgische gegevens zijn enkele belangrijke verschillen waar te nemen. ITORS is gebaseerd op een selectie van karakteristieke homogene gebieden. In totaal zijn 524 opnamen gemaakt in homogene gebieden van 10m². 147 soorten (van de opgenomen 406 soorten) zijn uiteindelijk gebruikt om het model op te bouwen. Het gaat hier om puntgegevens. Voor de Belgische gegevens zijn gebiedsdekkende regelmatige rasters met vegetatieopnamen voorhanden. De hydrologische en hydrochemische gegevens zijn verkregen via een interpolatie van over het gebied verdeelde meetpunten. Het voordeel van gebiedsdekkende opnamen is dat een completere range van standplaatsvariabelen bemonsterd kan worden. Verder kunnen deze gegevens goed ruimtelijk gemodelleerd en voorspeld worden Een nadeel echter is dat de abiotische variabelen niet uit één homogeen gebied stammen maar uit deelgebieden. De geïnterpoleerde variabelen zijn dus verschillend van de werkelijke waarden. Verder zijn de (biotische en abiotische) variabelen ruimtelijk afhankelijk, wat een evaluatie van regressie modellen bemoeilijkt. Uit de tabel 9.1 blijkt dat, afgezien van de meeste grondwaterchemische variabelen, ITORS en ITORS-Vl weinig vergelijkbare abiotische gegevens hebben. Zo wordt de bodemchemie alleen in ITORS uitgebreid behandeld en worden hydrodynamica en beheer in ITORS en ITORS-Vl op een net andere manier benaderd. Zo wordt voor grondwaterstand de mediaan gebruikt in ITORS en het gemiddelde in ITORS-Vl. Voor de electrische geleidbaarheid wordt in ITORS de bodem-EC, terwijl in ITORS-Vl de EC van het grondwater wordt gebruikt.


ITORS-Vl |96 Tabel 9.1: Overzicht van gegevens in ITORS en ITORS-Vl dataset Variabele Hydrodynamica

ITORS         D10 NORM N10 FLUC NVG PF PF42

Grondwater-  chemie PHL CL HCO3 SO4 NO3 NH4 PO4 Ca Mg Na K Fe index1 index2 index3 indexir  Bodem  PHH20 EC LUTUM GLOEI CN CP CEC CABEZ KBEZ MGBEZ NABEZ KKJ PKJ NKJ ALOX FEOX POX Beheer

NKLAS MAAIX 

MAX MIN MEA AMPLI VEX CAAF CEN SUM Mediane gws in meteorologisch 10% droge periode Mediane gws in meteorologisch normale periode Mediane gws in meteorologisch 10% natte periode Fluctuatietraject tussen 10% droge en 10% natte periode normaal voorjaarsgrondwaterstand Gemiddelde pF-waarde in wortelzone gedurendegroeiseizoen Periode dat verwelkingpunt in wortelzone overschreden wordt Zuurgraad Chloride concentratie Bicarbonaatconcentratie Sulfaat concentratie Nitraat concentratie Ammonium concentratie Fosfaat concentratie Calcium concentratie Magnesium concentratie Natrium concentratie Kalium concentratie IJzer concentratie (Cl+SO4)/HCO3 (Cl/SO4) (Ca+Mg)/(Na+K) Ca/ (Ca+Mg+Na+K)

Actuele zuurgraad van de bodem Actueel elektrisch geleidingsvermogen Lutumgehalte Organische stof gehalte/gloeiverlies C/N ratio , maat trofiegraad C/P ratio, maat trofiegraad Actuele uitwisselingscapaciteit Actuele Calciumbezetting Actuele Kaliumbezetting Actuele Magnesiumbezetting Actuele Natriumbezetting Totaal gehalte aan K (Kjeldahl) Totaal gehalte aan P (Kjeldahl) Totaal gehalte aan N (Kjeldahl) Aluminiumhydroxiden, waaraan P geadsorbeerd is IJzerhydroxiden, waaraan P geadsorbeerd is Restsorptiecapaciteit van fosfor N input via bemesting en atmosferische depositie Aantal keren maaien per jaar

(m) (m) (m) (m) (%) (%) (%) (%)

ITORS-Vl Maximale diepte onder maaiveld Minimale diepte onder maaiveld Gemiddelde diepte onder maaiveld Max. schommeling in waarnemingsperiode Convex buigpunt op duurcurve Concaaf buigpunt op duurcurve Helling van centraal gedeelte van duurcurve Helling van rechtse gedeelte van duurcurve

       EC PHL CL HCO3 SO4 NO3 NH4 PO4 Ca Mg Na K Fe     IR Textuur              

Elektrisch geleidingsvermogen Zuurgraad Chloride concentratie Bicarbonaatconcentratie Sulfaat concentratie Nitraat concentratie Ammonium concentratie Fosfaat concentratie Calcium concentratie Magnesium concentratie Natrium concentratie Kalium concentratie IJzer concentratie

0.5*Ca / (0.5*Ca + Cl)

     jaar/cyclisch/ geen


ITORS-Vl |97

9.3 ITORS-Vl inpassen in de ITORS programmatuur Zoals reeds aangehaald, is ITORS qua concept vrij eenvoudig en biedt het de mogelijkheid om ‘nieuwe’ modelcoëfficiënten in te voeren. Desalniettemin zijn er in de programma code aanpassingen nodig om de nieuwe regressie coëfficiënten in te lezen en het programma betrouwbaarder te maken. In de eerste fase van dit project zijn enkel de belangrijkste functies aangepast om zo tot een juiste berekening van de trefkansen te komen. De randfuncties werden nog niet aangepast.

9.3.1 Variabelen Door het gebruik van verschillende variabelen in vergelijking met ITORS, zijn de grootste aanpassingen gebeurt bij het inlezen van de tabel met regressiecoëfficiënten en standplaatsgegevens. De opbouw van het invoerbestand met standplaatsgegevens is grondig aangepast. De vroegere tekstfile opgebouwd uit enkel cijfergegevens, is vervangen door een tekstfile met een verwijzing naar de variabelen. Dit maakt het nu ook mogelijk meer controle te hebben op de berekeningen zodat de juiste standplaatsgegevens vermenigvuldigd worden met de overeenkomstige regressie coëfficiënten. In ITORS bestaat de mogelijkheid om een ionenbalans te berekenen, wat een bijkomende controle levert voor de ingevoerde gegevens. In de Vlaamse versie zijn echter niet al de nodige chemische variabelen voorhanden en kan de balans dus niet gecontroleerd worden. Daarom werd de ionenbalans verwijderd. Naast de ionenbalans zijn ook de ‘Nederlandse’ indexen verwijderd en is de nieuwe ‘Ionic Ratio’,IR, ingevoerd. De berekening van de continue variabelen blijft hetzelfde, enkel de logtransformatie is verwijderd aangezien er geen transformatie plaatsvindt in de Vlaamse dataset. Een bijkomende berekening gebeurt met de klassenvariabelen. Voor deze variabelen zijn er codes gebruikt. Deze omzetting naar de code is nodig om een vermenigvuldiging met de overeenkomstige regressiecoëfficiënten mogelijk te maken. Deze codes zitten in het programma verwerkt zodat de gebruiker enkel de waarde voor de variabele hoeft in te vullen en de omzetting achter de schermen gebeurd. Een extra deel werd toegevoegd zodat het niet meer nodig is rekening te houden met landinstellingen van de PC waarop het programma wordt gebruikt.

9.4.2 Twee modeltypen voorhanden Zoals reeds in hoofdstuk 2 aangehaald zijn er voor Walenbos geen bodemgegevens voorhanden, dit heeft implicaties voor het berekenen van de regressievergelijkingen en meer specifiek voor het aantal variabelen. Dit ongemak wordt opgelost door 2 modeltypen voor te stellen. Het programma biedt de gebruiker de mogelijkheid om zelf een regressie coëfficiëntentabel te selecteren. Hierdoor wordt het mogelijk om een eigen regressie coëfficiëntentabel in te voegen. Deze tabel moet wel opgebouwd zijn zoals de oorspronkelijke, hiervoor wordt verwezen naar de handleiding. De volgende keuzes kunnen gemaakt worden, afhankelijk van de beschikbare standplaatsgegevens: 1) Model met bodem en grondwaterstand (VexW) In deze set regressievergelijkingen is een interactieterm bodem-water


ITORS-Vl |98 ingebracht. Uitleg vind men onder 6.3.2. Deze set is berekend zonder de dataset van Walenbos te gebruiken. 2) Model zonder bodem met grondwaterstand (VinWinW) Deze set vergelijkingen maakt geen gebruik van de bodemgegevens. Naast de selectie chemische variabelen is ook de gemiddelde grondwaterstand in het model meegenomen (zie § 6.4). 3) Eigen regressie coëfficiëntentabel Deze dient wel opgebouwd te zijn volgens het principe van de vorige twee. De opbouw staat beschreven in de handleiding van ITORS-Vl.

9.4.3 Drempelwaarden Aangezien voorspellingen van logistische regressies op een continue schaal tussen nul en één liggen, moet een waarde worden vastgesteld zodat voorspellingen van aan- of afwezigheden mogelijk worden. Terwijl de som van de regressievoorspellingen bij voorbaat overeenkomt met de som van de waarnemingen is het moeilijk te bepalen of een soort op een bepaalde locatie aan- of afwezig voorspeld is. Een voor de hand liggend criterium zou zijn alle trefkansen die gelijk aan of groter dan 0.5 zijn als aanwezigheid en alle lagere trefkansen als afwezigheid te interpreteren. Het aantal voorspellingen gelijk aan of groter dan 0.5 is echter vaak kleiner dan het aantal waargenomen aanwezigheden. Drempelwaarden kunnen een beter beeld van de voorspelde aanwezigheid geven, het is de trefkans waaronder de voorspelling als nul (afwezigheid) en waarboven de voorspelling als één (aanwezigheid) geclassificeerd wordt. Er zijn verschillende manieren om tot een drempelwaarde te komen, afhankelijk van de doelstelling. Een echt objectief criterium voor het kiezen van een drempelwaarde is niet voorhanden. In ITORS wordt voor iedere plantensoort één van de vier ‘drempelwaarden’ (0.5, 0.25, 0.1, 0.05) gekozen. Binnen ITORS-Vl is gekozen voor een iteratieve bepaling van de drempelwaarde. Zo kan het belangrijk zijn juist het aantal aanwezigheden goed te voorspellen als de vraagstelling is: waar, of onder welke omgevingsomstandigheden, zou het model het waargenomen aantal aanwezigheden voorspellen. De drempel wordt dan zo gekozen dat het aantal als één geclassificeerde voorspellingen gelijk is aan het aantal positieve waarnemingen. Voor andere doeleinden kan het juiste aantal afwezigheden het belangrijkst zijn en de drempel wordt overeenkomstig gekozen. Hier werd een drempel genomen waarbij de foute voorspellingen voor aan- en afwezigheid proportioneel verdeeld worden. In ITORS-Vl wordt echter in de eerste plaats met probabiliteiten gewerkt aangezien het kiezen van een drempelwaarde nog steeds een subjectief criterium is. De gebruikte drempelwaarden in dit onderzoek zullen wel mee in het programma verwerkt zitten maar enkel als bijkomende informatie, niet als beslissingscriterium.

9.4.4 Lijsten met ecotoop- en freatofyten Bij het berekenen van de trefkansen is het mogelijk een selectie te maken gebaseerd op ecotoopgroepen of een groep freatofyten. Deze groepen zijn uiteraard afhankelijk van de dataset waarop de regressievergelijkingen zijn gebaseerd. De mogelijke groepen worden weergegeven in bijlage 9.1 en 9.2 voor respectievelijk de ecotoop- en freatofytgroepen en in de handleiding van het programma ITORS-Vl. De informatie gebruikt voor deze indeling is gebaseerd op het Register Flora Vlaanderen (Biesbrouck et al, 2001).


Toepassingen met ITORS-Vl|99

Hoofdstuk 10 Toepassingen met ITORS-Vl Hydro-ecologische voorspellingmodellen kunnen op verschillende manieren in het natuurbeleid en –beheer worden ingezet: inschatten van potenties van bepaalde gebieden, nagaan waar bepaalde soorten of vegetaties kunnen voorkomen en evalueren van de effecten van ingrepen in de waterhuishouding op vegetaties zijn het meest voor de hand liggend. In dit hoofdstuk worden vier toepassingen van ITORS-Vl behandeld. Het betreft 4 scenario’s waarbij de hydrologische randvoorwaarden of het beheer worden gewijzigd. Er wordt daarbij nagegaan welk effect deze wijzigingen hebben op de kans van voorkomen van een selectie soorten en vegetaties. Deze 4 scenario’s worden toegepast in de studiegebieden zelf. De besproken ingrepen zijn niet volledig realistisch aangezien binnen een scenario slechts één aspect veranderd wordt, zoals het verlagen van de grondwaterstand. In realiteit is er een samenhang tussen verschillende variabelen, bijvoorbeeld tussen grondwaterstanden en chemische samenstelling van het grondwater. Deze relaties worden in deze oefening niet expliciet in rekening gebracht. Voor elk scenario wordt een vegetatiekaart gemaakt volgens het principe gehanteerd bij de validatie van het model (hoofdstuk 7). Per model en per rastercel wordt gekeken welk vegetatietype de hoogste probabiliteit heeft. Dit type is voor die cel de voorspelde vegetatie. De resultaten van de scenarioberekening worden vergeleken met deze van de validatie. Per vegetatietype wordt één kleur gehanteerd. Het rastervlak werd opgevuld met het originele voorspelde vegetatietype. De gekleurde cirkel die daarop wordt afgedrukt verwijst naar het voorspelde vegetatietype bij het scenario. Er wordt op deze wijze nagegaan welke vegetatietypen, volgens het model en bij een bepaalde ingreep zullen uitbreiden of verdwijnen.

10.1 Scenario 1: vernatting in de Doode Bemde Scenario 1 geeft het effect van vernatting in de Doode Bemde. Daar heeft men de laatste jaren een vernatting van de komgrond kunnen vaststellen. Aan de hand van recent verzamelde gegevens (1999) werd de gemiddelde waterstand opnieuw berekend voor het studiegebied. Tabel 10.1 geeft een vergelijking van de waterstanden die bij de modelontwikkeling werden gebruikt en de recentere waterstanden. De gemiddelde grondwaterstand in dit scenario is hoger is dan deze gehanteerd in de originele dataset. Tabel 10.1 Overzicht van de gemiddelde grondwaterstand in originele dataset en scenario 1 GrondwaterModel diepte (1996-1998)

Scenario (1999)

gemiddelde

-0.343

-0.292

mediaan

-0.257

-0.205

maximum

-1.184

-1.162

minimum

0.028

0.144

Tabel 10.2 geeft een samenvatting van de reactie (verandering in probabiliteiten van voorkomen) van een aantal soorten per model. De GOF (goodness-of-fit) die in hoofdstuk 7 werd berekend is eveneens gegeven als indicatie voor de kwaliteit van het model. De volgende symbolen worden gebruikt om de algemene reacties weer te geven:


Toepassingen met ITORS-Vl|100 O :gewijzigde variabele is niet geselecteerd voor de regressievergelijking, dus geen invloed in het scenario + :gemiddelde probabiliteit is toegenomen; - :gemiddelde probabiliteit is afgenomen; G :gebied met hoge probabiliteiten is uitgebreid; K :gebied met hoge probabiliteiten is verkleind; Z :gebied met hoge probabiliteiten is ongeveer gelijk, en geen ruimtelijke verschuiving; V :gebied met hoge probabiliteiten is ongeveer gelijk, maar ruimtelijk verschoven; N :nieuw gebied met hoge probabiliteiten erbij. Tabel 10.2 Overzicht van de reacties van soorten op vernatting met hun overeenkomstige GOF als indicatie van modelcorrectheid, zowel op totale dataset (GOFtot) als op het deelbestand van de Doode Bemde (GOFdeel) Scenario 1

VexW

VinWinW

Doode Bemde

GOFtot

GOFdeel

reactie

GOFtot

GOFdeel

reactie

Berula erecta Caltha palustris Carex acutiformis Phragmites australis Arrhenatherion Calthion palustris Magnocaricion Magnocaricion met Phragmites

0.071 0.000 0.014 0.098 0.366 0.031 0.052

0.691 0.000 0.001 0.386 0.070 0.008 0.046

O + Z + Z + Z - K - K + Z

0.761 0.000 0.000 0.000 0.171 0.300 0.176

0.729 0.000 0.001 0.000 0.176 0.036 0.176

+ ZN + Z + Z + Z - K - V + Z

0.032

0.013

+ G

0.001

0.012

+ G

De kans op voorkomen voor de meeste soorten is toegenomen zoals berekend door de modellen, vooral daar waar ze reeds een hoge probabiliteit kenden. Het ruimtelijk patroon is echter nauwelijks veranderd. Bij de vegetatietypen gaan Arrhenatherion (Glanshavergrasland) en Calthion palustris (Dottergrasland) achteruit als vernatting optreedt. De probabiliteiten van Magnocaricion (Grote zeggevegetatie) en Magnocaricion met Phragmites (Grote zeggevegetatie met riet) nemen toe volgens deze modellen. Als voorbeeld wordt in figuur 10.1 Carex acutiformis (Moeraszegge) gegeven. Men kan vaststellen dat de probabiliteiten zijn toegenomen. De zone met hoge probabiliteiten is met één tot enkele cellen vergroot. De vegetatiekaart wordt weergegeven in figuur 10.2. Volgens beide modellen zal Magnocaricion met Phragmites australis (Grote zeggevegetatie met riet) uitbreiden ten nadele van het Calthion palustris (Dottergrasland) en Magnocaricion (Grote zeggen). Het Dottergrasland schuift meer naar het westen ten nadele van het Glanshavergrasland (Arrhenatherion), dat grotendeels verdwijnt en ook doordat de Moerasspirearuigte uitbreidt. Dit laatste is niet logisch omdat in werkelijkheid het beheer hier een dwingende factor zou moeten zijn. Hieruit blijkt dat in de modellen de rol van het beheer onvoldoende in rekening werd gebracht. Het voorspellen van Mesotroof elzenbroek op de oeverwal met model VinWinW moet in hetzelfde licht worden bezien.



Figuur 10.1 Kans op voorkomen van Carex acutiformis (Moeraszegge) in de Doode Bemde berekend voor de originele standplaatsgegevens (validatie) en voor de nieuwe standplaatsgegevens bij vernatting (scenario). Toegepast voor twee modellen: VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand).



Figuur 10.2: Vegetatiekaart van de Doode Bemde berekend voor de originele (validatie) als voor de nieuwe standplaatsgegevens bij vernatting (scenario), gebruik makend van model VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand).



10.2 Scenario 2: verandering in grondwaterchemie van Vorsdonkbos. Dit scenario bestudeert de invloed van verandering in de chemische samenstelling van het grondwater in Vorsdonkbos. In Vorsdonkbos wordt het ondiepe grondwater gevoed door zowel grondwater van de Formatie van Brussel als van de Formatie van Diest. Dit scenario veronderstelt dat de invloed van grondwater uit de Formatie van Brussel verdwijnt en de waterchemie bepaald wordt door de Formatie van Diest. Hiervoor werd de gemiddelde grondwaterkwaliteit van het watertype 1a (Huybrechts et al. 2000) genomen, en verondersteld dat dit grondwatertype over het gehele gebied voorkomt. Tabel 10.3 geeft een samenvatting van de gemiddelde waarden van de grondwaterchemie en de nieuwe waarden die voor scenario 2 werden ingezet. Hierin zien we dat de pH lager ligt, Cl-- en Fe-gehalte zijn hoger dan het waargenomen gemiddelde, de andere chemische variabelen hebben een lagere waarde dan het waargenomen gemiddelde gekregen. Dit grondwater is veel minder Ca2+-rijk dan dat van de Formatie van Brussel. Voor de nutriënten is het stikstofgehalte vergelijkbaar. De fosforconcentratie is veel lager, K+ ligt iets hoger. Tabel 10.4 geeft de reacties van de vegetatie weer. Tabel 10.3 Overzicht van de grondwaterchemie dataset en deze voor scenario 2.

gebruikt

in

de

originele

pH

Cl-

Ca2+

Fe

K+

Mg2+

NO3-

NH4+

PO43-

SO42-

IR

gemiddelde

6.161

33.325

56.033

11.798

4.735

5.321

0.565

0.215

0.150

71.842

42.614

mediaan

6.314

33.793

48.964

9.432

4.581

5.411

0.589

0.129

0.148

62.516

43.021

minimum

5.011

11.661

13.424

4.177

4.087

2.618

0.221

0.129

0.032

26.390

9.191

maximum

6.891

55.535

139.682

29.857

6.391

7.722

0.717

0.553

0.264

162.143

66.234

Scenario 2

5.077

45.778

22.253

24.008

5.880

2.969

0.564

0.214

0.037

56.604

17.696

Tabel 10.4: Overzicht van de reacties van een selectie van soorten en vegetatietypen op een verandering in grondwaterchemie samen met hun overeenkomstige GOF, zowel op totale dataset (GOFtot) als op het deelbestand van Vorsdonkbos (GOFdeel). Voor verklaring van de gebruikte symbolen zie tekst Scenario 2

VexW

Vorsdonkbos

GOFtot

Caltha palustris Carex curta Molinia caerulea Scirpus sylvaticus

0.000 0.330 0.103 0.019

0.000 0.001 0.196 0.004

Cirsio molinietum Sphagno-Alnetum

0.476 0.266

0.323 0.261

VinWinW

GOFdeel reactie GOFtot

GOFdeel

+ + + + + -

0.000 0.056 0.279 0.000

0.000 0.007 0.001 0.000

+ + + +

0.8 0.048

0.8 0.320

+ N + G

G G G V N K

reactie G G G V

Uit Tabel 10.4 tabel blijkt dat de gemiddelde probabiliteit van de hier geselecteerde soorten is gestegen. Hun hoge probabiliteiten komen over een groter gebied voor, afhankelijk van de soort kan het om een sterke uitbreiding gaan (vb Molinia caerulea). Bij Sphagno-Alnetum glutinosae (Oligotroof elzenberkenbos) neemt de probabiliteit af in het model VexW. Een verklaring vindt men in de modeltermen voor de regressievergelijking van deze soort: Modeltermen : Intercept; K; K2; PO4; PO42; Cl-; Fetot; NH4


Toepassingen met ITORS-Vl|104 Dit vegetatietype heeft in heel het gebied trouwens dezelfde probabiliteit aangezien het enkel variabelen bevat die betrekking hebben op de chemie van het grondwater en waarvoor een gemiddelde waarde werd genomen. Als voorbeeld wordt Carex curta (Zompzegge) gegeven in figuur 10.3. Waar watertype 1a voorkomt in realiteit, had deze soort reeds haar hoogste probabiliteit. Bij een veralgemening van dit grondwatertype neemt de gemiddelde probabiliteit sterk toe. Volgens de modellen zal deze soort dus een groter potentieel verspreidingsgebied kennen als de voeding van de Formatie van Brussel wegvalt. Op de hoger gelegen delen (donken) van Vorsdonkbos en in zones waar het grondwater diep staat (in het noorden nabij de Moutlaak) krijgt de soort desondanks weinig kansen. In het model VinWinW speelt deze grondwaterstand duidelijk een kleinere rol. De probabiliteiten zijn ook op de donken en in het noorden vrij hoog.

Figuur 10.3: Probabiliteiten berekend voor Carex curta (Zompzegge)in Vorsdonkbos met de originele standplaatsgegevens en deze van het nieuwe scenario. Dit voor de twee modellen VexW en VinWinW


Toepassingen met ITORS-Vl|105 Het effect van dit scenario op de verspreiding van vegetatietypen vindt men in Figuur 10.4 voor twee modellen. Een belangrijke vaststelling is de algemene toename van Carici elongatae-Alnetum glutinosae (Mesotroof elzenbroek). Vooral in VexW is dit spectaculair en ten koste van SphagnoAlnetum glutinosae (Oligotroof berken-elzenbos), Arrhenatherion (Glanshavergrasland), Calthion palustris (Dottergrasland) en Filipendulion (Moerasspirearuigte). In VinWinW is het beperkt tot het zuiden van het gebied. Centraal houdt het Oligotroof berken-elzenbos stand en breidt zelfs uit ten koste van het Mesotroof elzenbroek. Filipendulion wordt daar vervangen door Kleine zeggevegetatie (Magnocaricion). VexW en VinWinW verschillen ook bij het voorspelling van Kleine zeggevegetatie en Blauwgrasland (Cirsio molinietum) in het zuiden en het oosten van Vorsdonkbos. Bij VinWinW kennen Kleine zeggen een aanzienlijke uitbreiding, terwijl VexW vooral Blauwgrasland voorspelt. Beide vegetatietypen hebben trouwens sterk vergelijkbare standplaatseisen. Het zijn relatieve kleine details in het beheer die op het terrein het verschil bepalen (Huybrechts et al. 2000). Deze details zijn niet als dusdanig in het model opgenomen. Uit de doorrekening van dit scenario blijkt opnieuw dat er in het model een uitwisselbaarheid is tussen graslanden, ruigten en bossen wat niet strookt met de werkelijkheid.



Figuur 10.4: Vegetatiekaart van Vorsdonkbos berekend met de originele standplaatsgegevens (validatie) en de nieuwe standplaatsgegevens bij een verandering in grondwaterchemie (scenario 2). Toegepast voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand).



10.3 Scenario 3: verdroging. Het derde scenario simuleert een verdroging waarbij het gemiddelde grondwaterpeil met 0.5 en 0.3 m daalt in respectievelijk Zwarte Beek en in de Snoekengracht. Een overzicht van de nieuwe waarden staat in tabel 10.5. Tabel 10.5: Grondwaterstanden in scenario 3 voor de Zwarte Beek en de Snoekengracht na een verlaging van respectievelijk 0.5 en 0.3 m. Zwarte beek

Snoekengracht

dataset

scenario 3

dataset

scenario 3

gemiddelde

-0.1447

-0.6447

-0.3344

-0.6344

mediaan

-0.1350

-0.6350

-0.3445

-0.6445

maximum

-0.4168

-0.9168

-0.7067

-1.0067

minimum

-0.0492

-0.5492

-0.1027

-0.4027

De reactie van een aantal plantensoorten en hun GOF zijn weergegeven in tabel 10.6 voor Zwarte Beek en in tabel 10.7 voor Snoekengracht. De meeste soorten kennen een afname in hun probabiliteiten als het grondwater daalt. Van de geselecteerde soorten kent in de Zwarte beek enkel Molinia caerulea een toename, en enkel volgens model VexW. Wanneer men naar de probabiliteiten van de validatie kijkt, blijkt dat Molinia caerulea voor VinWinW reeds lagere probaliteiten heeft dan voor VexW. Een mathematische verklaring ligt bij de bijhorende coëfficiënten in de regressievergelijking. Bij een verdroging blijkt in de Snoekengracht de probabiliteit van Arrhenatherum elatius (Glanshaver) sterk toe te nemen. Ook de kans op het voorkomen van het vegetatietype Arrhenatherion neemt toe. Tabel 10.6: Overzicht van de reacties van soorten op een verandering in de grondwaterstand samen met hun overeenkomstige GOF, zowel op totale dataset (GOFtot) als op het deelbestand van de Vallei van de Zwart Beek (GOFdeel). Scenario 3

VexW

VinWinW

Zwarte Beek

GOFtot

GOFdeel

reactie

GOFtot

GOFdeel

reactie

Carex curta Calla palustris Equisetum fluviatile Molinia caerulea

0.330 0.016 0.052 0.103

0.465 0.016 0.028 0.663

-K O -K +G

0.056 0.000 0.038 0.279

0.112 0.000 0.001 0.023

-K -K -K -K

Caricion curto-nigrae

0.216

0.000

-V

0.843

0.065

-K

Figuur 10.5 geeft de wijzigingen in de probabiliteiten van Equisetum fluviatile (Holpijp) bij verdroging in de Vallei van de Zwarte beek. De soort kent een sterke afname volgens de twee modellen.


Toepassingen met ITORS-Vl|108 Tabel 10.7: Overzicht van de reacties van soorten op een verandering in de grondwaterstand samen met hun overeenkomstige GOF, zowel op totale dataset (GOFtot) als op het deelbestand van Snoekengracht (GOFdeel). VexW

Scenario 3

VinWinW

Snoekengracht

GOFtot

GOFdeel

reactie

GOFtot

GOFdeel

reactie

Berula erecta Caltha palustris Carex acutiformis Dactylorchis majalis Juncus acutifloris Arrhenatherion Calthion Magnocaricion Phragmitetalia

0.071 0.000 0.014 0.001 0.000 0.366 0.031 0.052 0.754

0.038 0.000 0.000 0.002 0.000 0.157 0.004 1.000 0.794

-K -K -Z O +K +G -K -K -K

0.761 0.000 0.000 0.001 0.000 0.171 0.300 0.176 0.033

1.000 0.000 0.000 0.002 0.000 0.018 0.093 1.000 0.217

-K -K -K O -K +G -K -K -K

Figuur 10.5: Kans op voorkomen van Equisetum fluviatile berekend met de originele standplaatsgegevens (validatie) en nieuwe standplaatsgegevens bij een daling van de grondwaterstand van 0.5 m in de Zwarte Beek (scenario). Toegepast voor twee modellen: VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand).

Figuur 10.6 geeft de wijzigingen in de probabiliteiten van Carex acutiformis (moeraszegge) bij verdroging in de Snoekengracht. De soort plooit duidelijk terug op een aantal kerngebieden en de kans op voorkomen neemt algemeen af. Het valt echter op dat deze kerngebieden in de model validatie allemaal hoge probabiliteiten hebben, maar diegene die overblijven zijn verschillend naargelang het model. In de details is het resultaat dus modelafhankelijk.



Figuur 10.6: Kans op voorkomen van Carex acutiformis berekend met de originele standplaatsgegevens (validatie) en nieuwe standplaatsgegevens bij een daling van de grondwaterstand van 0.3 m in de Snoekengracht (scenario). Toegepast voor twee modellen: VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand).

Op het vlak van de vegetatietypen ziet men dat bij een verlaging van de waterstand met 0.3 m in de Snoekengracht (figuur 10.7) de veranderingen relatief beperkt blijven volgens model VexW. De enige duidelijke trend is de afname van Calthion palustris (Dottergrasland) ten voordele van Arrhenatherion (Glanshavergrasland) en Filipendulion (Moerasspirearuigte). In model VinWinW wordt bovendien een grote oppervlakte Carici elongataeAlnetum glutinosae (Mesotroof elzenbroek) vervangen door Alno-Padion (Elzen-Vogelkersbos). Arrhenatherion en Filipendulion (Moerasspirearuigte) kennen een uitbreiding ten nadele van Carici elongatae-Alnetum glutinosae.



Figuur 10.7: Vegetatiekaart voor Snoekengracht berekend voor de originele standplaatsgegevens (validatie) als voor de nieuwe standplaatsgegevens bij een verlaging van de watertafel (scenario), dit voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand).


Toepassingen met ITORS-Vl|111 In de Zwarte Beek, waar de grondwaterstand verlaagd werd met 0.5 m, zien we dat de twee modellen een groot verschil vertonen (figuur 10.8). Volgens VexW gaat vooral Arrhenatherion (Glanshavergrasland) grote delen van de vallei overheersen, dit ten koste van Calthion palustris (Dottergrasland) en Caricion curto-nigrae (Kleine zeggevegetatie). Anderzijds breidt ook in het zuiden Carici elongatae-Alnetum glutinosae (Mezostroof elzenbroek) uit naar het noorden ten nadele van Caricion curto-nigrae. In VinWinW wordt Caricion curto-nigrae volledig vervangen door Arrhenatherion en Filipendulion (moerasspirearuigte). Een groot verschil met VexW is dat hier ook Alno-padion (Elzen-Vogelkersbos) belangrijk wordt dit ten koste van Caricion curto-nigrae. In de Zwarte Beek en de Snoekengracht blijkt opnieuw dat, zij het over beperkte oppervlakten, het beheer te weinig als dwingende variabele wordt gehanteerd. Hierdoor zijn graslanden en bossen onderling uitwisselbaar.



Figuur 10.8: Vegetatiekaart van de Zwarte Beek berekend voor het verdrogingscenario met de originele standplaatsgegevens (validatie) en de nieuwe standplaatsgegevens (scenario), dit voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand).



10.4 Scenario 4 : wijziging van het beheer Scenario 4 gaat in op de invloed van het beheer in de Snoekengracht. In het scenario wordt het volledige gebied verondersteld jaarlijks gemaaid te worden. Men mag verwachten dat bos en ruigten verdwijnen. Soorten die gevoelig zijn voor beheer werden in dit scenario betrokken. Het gaat om Alopecurus pratensis (Grote vossestaart), Angelica sylvestris (Gewone engelwortel), Arrhenatherum elatior (Glanshaver), Calamagrostis canescens (Hennegras), Carex distichia (Tweerijige zegge), Eleocharis palustris (Gewone waterbies), Galium uliginosum (Ruw walstro), Alno-Padion, Calthion, Carici elongatae-Alnetum, Filipendulion en Phragmitetalia. Tabel 10.8 geeft naast GOF ook de reactie van de soorten op een verandering van het beheer. De meeste geselecteerde soorten nemen toe bij verandering van beheer. Vegetatietypen Alno-Padion en Carici elongatae-Alnetum glutinosae nemen af, wat logisch is aangezien dit bostypen zijn. Als voorbeeld wordt in figuur 10.9 Alopecurus pratensis (Grote vossestaart) voorgesteld. De kans van voorkomen van deze soort neemt aanzienlijk toe in het oostelijk deel van de Snoekengracht, bij het instellen van een maaibeheer. Dit is vooral zo in het zuiden voor model VexW, en in tegenstelling daarmee in het noorden voor VinWinW. Tabel 10.8 Overzicht van de reacties van soorten op een jaarlijks beheer samen met hun overeenkomstige GOF als indicatie van modelcorrectheid, zowel op totale dataset (GOFtot) als op het deelbestand van Snoekengracht (GOFdeel). VexW

Scenario 4

VinWinW

Snoekengrachte

GOFtot GOFdeel

reacties

GOFtot GOFdeel

Alopecurus pratensis Angelica sylvestris Arrhenatherum elatior Berula erecta Carex distichia Galium uliginosum Alno-Padion Calthion Caricion elongataeAlnetum glutinosae Filipendulion Phragmitetalia

0.057 0.004 0.033 0.071 0.101 0.063 0.606 0.031

0.065 0.000 0.359 0.038 0.029 0.985 0.608 0.004

+ G + G + G O + G + G - K O

0.006 0.000 0.058 0.761 0.150 0.022 0.348 0.300

0.029 0.034 0.000 0.856 0.447 1.000 0.097 0.093

reacties + G +V + G O + G + G - K + G

0.092

0.003

- K

0.004

0.077

- G

0.001 0.754

0.000 0.794

-V O

0.068 0.033

0.001 0.217

-V + G



Figuur 10.9 Probabiliteiten in Snoekengracht berekend voor de originele standplaatsgegevens (validatie) en voor het nieuwe beheer (scenario). Toegepast voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand).

Met betrekking tot de vegetatietypen (figuur 10.10) ziet men dat voor VexW Arrhenatherion (Glanshavergrasland) het noorden van de Snoekengracht invadeerd ten koste van Filipendulion (Moerasspirearuigte) en Alno-Padion (Elzen-Vogelkersbos). Ook het potentieel gebied van Calthion palustris (Dottergrasland) en Phragmitetalia (Rietland) breidt lichtjes uit in het zuiden van het gebied volgens dit model, ondanks dat in deze regressievergelijkingen beheer niet is meegenomen. Een verklaring ligt bij de afname van potenties voor de andere vegetatietypen onder dit beheer. In grote lijnen komt ook de prognose van VinWinW met dit patroon overeen. Het potentiële gebied van Phragmitetalia is hier groter. In het noordoosten wordt het bos vervangen door Calthion palustris. In de scenarioberekeningen zien we dat beide modellen nog niet optimaal werken voor vegetatietypen als Carici elongatae-Alnetum glutinosae. Het Oligotroof Elzenberkenbos zou volledig moeten verdwijnen bij het invoeren van een maaibeheer. In de voorspellingen wordt hun potentieel verspreidingsgebied wel kleiner, maar de bossen blijven bestaan. Dit is niet realistisch.



Figuur 10.10: Vegetatiekaart berekend voor de originele standplaatsgegevens (validatie) en voor de nieuwe standplaatsgegevens (scenario), dit voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand).



10.5 Conclusies Hydro-ecologische modellen zijn geschikt om de effecten van ingrepen in standplaatsfactoren op vegetatietypen en soorten in te schatten. In dit hoofdstuk werden een aantal hypothetische ingrepen uitgewerkt. Hierbij vertonen de soorten en vegetatietypen reacties die te verwachten zijn op basis van de bestaande kennis over hun standplaatseisen. Soorten die gevoelig zijn voor verandering in grondwaterstand hebben grotere of kleinere potentiële verspreidingsgebieden naargelang verdroging of vernatting wordt gesimuleerd. Ook veranderingen in chemie van het ondiepe grondwater brengen veranderingen teweeg in de probabiliteitspatronen van de soorten. De modellen kwantificeren de effecten echter en ze geven de gebruiker een idee van de ruimtelijke consequenties van de ingrepen. De gebruikte modellen geven dezelfde trends aan, maar willen in de details wel eens verschillen. Deze verschillen wijzen erop dat de resultaten afhankelijk zijn van het type model dat gebruikt wordt, en dus van de basisgegevens die aan de grondslag liggen van de modellen. Het wijst er ook op dat met de huidige versie van ITORS-Vl 1.0 de algemene trends betrouwbaar zijn, maar dat geen nauwkeurigheid op niveau van rastercellen verwacht mag worden. Uit de scenarioberekeningen blijkt ook dat de manier waarop met het in het model word omgegaan niet optimaal is. Hoewel het beheer technisch op een specifieke manier als variabele werd ingebracht in het model, kan men stellen dat het verder op dezelfde basis wordt behandeld als alle andere variabelen. Er wordt op dezelfde manier mee omgegaan bij het opstellen van de regressies. Dit blijkt geen optimale resultaten op te leveren voor de vegetatietypes. Vegetatietypes die een verschillend beheer vereisen blijven onderling vervangbaar op basis van hydrologie en bodem alleen. In scenarioberekeningen wordt bijvoorbeeld bos vervangen door grasland of ruigte, terwijl de beheervariabele niet wijzigt. Het betreft vaak kleine oppervlakten maar het is natuurlijk niet realistisch. We concluderen dat het beheer op een meer discriminerende wijze zou moeten worden gebruikt in het model. In de regressieprocedure wordt de dwingende rol van de beheerfactor onvoldoende gegarandeerd. Het beheer wordt voor bepaalde soorten of vegetatietypen niet als een sturende variabele geselecteerd, zelfs als men zou verwachten dat dit nodig is. Zo ziet men dat voor Calthion palustris geen beheer werd geselecteerd in het model VexW. Dit lijkt niet logisch. Een mogelijke verklaring is dat er een relatie bestaat tussen het beheer en één of meer hydrologische variabelen. Het is niet denkbeeldig dat bijvoorbeeld maaibeheer bij voorkeur wordt gevoerd op drogere plaatsen. Op deze wijze zou na selectie van de grondwaterstand als sturende variabele, het beheer statistisch slechts in beperkte mate bijdragen tot de verklaring van de variatie in de dataset, en dus niet worden geselecteerd. Anderzijds zijn niet alle bestaande vegetatietypes opgenomen in het model. Een selectie werd gedaan op basis van de op dit ogenblik bestaande, ‘zuivere’ vegetatietypen in de vijf studiegebieden. Een gevolg hiervan kan zijn dat als in deze set geen bostype zit dat past bij de hydrologische condities, dat dan een vegetatietype met een ander beheer de hoogste probabiliteit heeft. Dit probleem komt het duidelijkste tot uiting bij de vegetatietypes, maar er kan niet worden uitgesloten dat ook op het niveau van de soorten dit effect meespeelt. De zuiver statistische benadering biedt onvoldoende garanties om met de variabele beheer correct om te kunnen gaan. Een mogelijke oplossing voor volgende versies van ITORS-Vl is dat beheer dwingender wordt bij de selectie van een vegetatietype voor een bepaalde rastercel. Men kan


Toepassingen met ITORS-Vl|117 overwegen om de variabele beheer bij de regressie gedwongen te laten opnemen als verklarende variabele. Men vertrekt dan niet van een leeg model, maar van een model dat de variabele beheer reeds bevat. Om het voorspelde vegetatietype te bepalen is het ook mogelijk, het vegetatietype met de hoogste berekende kans op voorkomen uit de subset van vegetatietypen te kiezen. Bijvoorbeeld indien jaarlijks wordt gemaaid komen enkel de hooilanden in aanmerking, waaruit het hooiland met de hoogste trefkans wordt gekozen als voorspelde vegetatietype. Deze benadering is te vergelijken met de benadering die in Martens en Hermy (2000) en Mertens en Meire (2001) bij het opstellen van natuurtypen en natuurtypengroepen wordt gevolgd.


Conclusies |119

Hoofdstuk 11 Algemene conclusies en toepassingsmogelijkheden van ITORS-Vl 1.0 In dit onderzoeksproject wordt een prototype van het hydro-ecologisch model, ITORS-Vl 1.0, ontwikkeld. Het model is een eerste stap om de grote lacune die bestaat op het vlak van hydro-ecologische modellen in Vlaanderen in te vullen. Hydro-ecologische modellen bestaan uit uitgewerkte beslisregels waarmee op basis van milieu- en standplaatskenmerken, de mogelijkheden op voorkomen van bepaalde plantensoorten of vegetatieontwikkelingen ingeschat kunnen worden. Dergelijke modellen kunnen goede diensten bewijzen in talrijke hydrologische, ecologische en ecohydrologische studies in Vlaanderen. Er bestaat een grote behoefte aan instrumenten die de invloed van de waterhuishouding op ecosystemen kunnen begroten in tal van toepassingen. ITORS-Vl 1.0 berekent de kans op voorkomen van een reeks soorten en vegetatietypen op basis van kenmerken van het ondiepe grondwater, de bodem en het beheer. In deze versie voorspelt het model niet of de soort daadwerkelijk zal voorkomen of voorkomt. Dit heeft te maken met het concept van het model. Om te voorpellen of een soort al dan niet voorkomt, moeten namelijk drempelwaarden voor de probabiliteiten worden ingesteld, iets wat niet éénduidig kan worden opgelost. Om het vegetatietype te voorspellen wordt in dit project een eenvoudige beslisregel gehanteerd: het vegetatietype met de hoogste probabiliteit. Het concept van ITORS-Vl 1.0 werd ontleend aan het Nederlandse model ITORS (Invloed Terrestrisch milieu Op Responsie van Soorten) dat kansen van voorkomen voor plantensoorten in afhankelijkheid van een aantal omgevingsfactoren voorspelt. De relatie tussen plantensoorten en de standplaatsvariabelen is bepaald door een multiple logistisch respons model waarbij de respons variabele de kans op voorkomen van een plantensoort is. ITORS werd ontwikkeld aan de Universiteit Utrecht, één van de partners in dit onderzoeksproject. De basisgegevens voor dit onderzoeksproject werden in eerdere projecten verzameld en zijn afkomstig uit 5 studiegebieden namelijk: Het Walenbos, De Snoekengracht, Vorsdonkbos-Turfputten, De Doode Bemde en De Zwarte Beek. In de vijf studiegebieden werd een volledig gebiedsdekkende kartering van planten- en mossoorten uitgevoerd. Per gebied werd een raster uitgezet waarbinnen per rastercel een vooraf geselecteerde lijst van plantensoorten werd nagelopen op aan-/afwezigheid. Uitgangspunt bij het opstellen van de plantenlijsten zijn de freatofyten (sensu Londo 1988). Zij werden aangevuld met kensoorten voor de typische plantengemeenschappen in het gebied. Op de soortenlijsten die dienden voor de karteringen in de vijf gebieden komen in totaal 292 soorten voor (37 mossen en 255 hogere planten). Daarvan werden er 111 soorten consequent in de vijf gebieden gekarteerd. Niet alle soorten komen voldoende frequent voor om te worden betrokken in het onderzoek. De finale lijst omvat derhalve 80 soorten waarvan 5 mossen en 75 hogere planten. Hiervan maken de freatofyten (sensu Londo 1988), met 53 soorten, het merendeel uit. Er zijn slechts 13 soorten die in alle vijf gebieden voorkomen. Voor het modeltype VexW zijn er 6 soorten waarvoor er geen respons wordt berekend en wordt dus slechts voor 74 soorten de kans op voorkomen bepaald. De vegetatietypen werden niet op het terrein gekarteerd. Ze werden afgeleid uit de dataset van plantensoorten afzonderlijk gekarteerd in de verschillende studiegebieden. Om redenen van eenvoud werden voor verdere


Conclusies |120 verwerking enkel de meest helder te definiëren vegetatietypen gehandhaafd. Dit zijn er 11 in totaal en deze worden als ‘pseudo-soorten’ behandeld. De voorspellende variabelen zijn afkomstig uit verschillende groepen van standplaatsfactoren: grondwaterdynamiek, grondwaterchemie, bodem en beheer. De grondwaterdynamiek en grondwaterchemie betreft kwantitatieve gegevens, terwijl voor beheer en bodem enkel beschrijvende informatie beschikbaar is. Dit laatste in tegenstelling tot ITORS, waar ook de standplaatsvariabelen met betrekking tot de bodem gekwantificeerd zijn. Op basis van statistische analyse van de beschikbare gegevens werd een selectie doorgevoerd. Sterk gecorreleerde variabelen werden niet in beschouwing genomen en uiteindelijk werden de volgende variabelen geselecteerd: S S S S

beheer bodem (model exclusief Walenbos) gemiddelde grondwaterdiepte nutriënten in grondwater NO3NH4+ - PO42- K+ S andere chemische variabelen grondwater - Ca2+ - Cl- Fetot - Mg2+ - pH - SO42- IR (afgeleide chemische variabele)

Daarnaast bestaan er natuurlijk nog andere factoren die een invloed hebben op de verspreiding van soorten, zoals licht, aanwezigheid van verstoringen, detailkenmerken van de bodem, specifiek soortgericht beheer, detailtopografie, kleine landschapselementen, concurrentie, soortenverbreiding, enz. In het model wordt ervan uitgegaan dat voor het type gebieden en de soorten die in dit project wordt bestudeerd deze factoren van ondergeschikt belang zijn (Huybrechts et al. 2000). Het spreekt vanzelf dat voor soorten en vegetatietypen waarvoor deze werkhypothese minder goed opgaat, de betrouwbaarheid van het model vermindert. De hydrologische variabelen werden verzameld in een piëzometernetwerk. Het netwerk is min of meer gebiedsdekkend. De dichtheid van piëzometers verschilt echter per gebied. Door interpolatie werd voor elke rastercel van elk studiegebied een waarde verkregen voor de hydrologische variabelen. Dit gebeurde na ruimtelijke analyse en op basis van block-kriging. Per gebied werd op deze wijze in een continu raster over een oppervlakte tussen 10 en 25 ha een databestand opgebouwd van gecombineerde gegevens met betrekking tot grondwater, bodem, beheer, soorten en vegetatietypen. Uit een voorlopige berekening werden verschillende regressievergelijkingen verkregen in de verschillende gebieden. Een zogenaamde gebiedsvariabele droeg in belangrijke mate bij tot de verklaring van de variantie. Nochtans werden de deelbestanden van de vijf studiegebieden samengevoegd tot één groot bestand op basis waarvan ITORS-Vl 1.0 werd ontwikkeld. Het is de bedoeling met het model een zo breed mogelijk toepassingsveld na te streven en is het van belang om een zo groot mogelijke range van hydro-ecologische standplaats condities in beschouwing te kunnen nemen. Het model is gebaseerd op multiple logistische regressie, met gebruik van Ontwikkeling van een hydro-ecologisch model voor vallei-ecosystemen in Vlaanderen, ITORS-Vl VLINA 00/16

Conclusies |121 lineaire en kwadratische functies voor de continue variabelen en met factorklassen voor de niet-continue variabelen. Ook interactietermen tussen variabelen kunnen meegenomen worden. De opbouw van het logistische model gebeurt in een voorwaartse selectie: uitgaande van een leeg model wordt de meest verklarende abiotische variabele toegevoegd. De selectie stopt als geen toevoeging 2,5% of meer van de variantie verklaart. Drie modeltypen werden in het project onderzocht, waarvan er uiteindelijk twee werden behouden, namelijk een algemeen model zonder de variabele ‘bodem’: VinWinW; een algemeen model op basis van alle variabelen, maar ontwikkeld zonder het deelbestand Walenbos, VexW. De statistische en ruimtelijke evaluatie van beide modeltypen en de tests in bijkomende gebieden geven aan dat deze modellen over het algemeen goed presteren bij het bepalen van de kans op voorkomen van soorten en vegetatietypen. Ze zijn in staat om voor de meeste onderzochte soorten, gebieden van elkaar te onderscheiden waar de soort kan voorkomen en waar niet. Voor sommige soorten wordt ook intern in een gebied door de modellen op een correcte manier een onderscheid gemaakt tussen zones waar de soort kan voorkomen en waar niet. Het model voorspelt de kans op voorkomen van mos en plantensoorten, niet hun aan- of afwezigheid. Voor dit laatste moet worden bepaald vanaf welke kansgrootte de soorten als aan- of afwezig worden beschouwd, zgn. drempelwaarden. Deze drempelwaarden werden in deze studie niet vastgelegd. Bij het voorspellen van vegetatietypen werd een eenvoudige beslisregel gehanteerd. Het model blijkt in 75% van de gevallen een juiste voorspelling te geven, wat een hoge score is. De beide modellen scoren statistisch ongeveer even sterk, met een lichte voorkeur voor VexW. Dit model is ook ecologisch het meest zinvol. Er wordt van alle relevante variabelen gebruik gemaakt, ook de bodem. Dit laat toe de grondwaterstanden zinvoller te interpreteren a.d.v. een interactieterm tussen beide variabelen. In ITORS-VL 1.0 zijn echter toch beide modeltypes behouden om in functie van de beschikbare data te kunnen worden ingezet. Hoewel het uiteindelijke streefdoel een hydro-ecologisch model voor Vlaamse valleigebieden moet zijn, is uit voorgaande hoofdstukken duidelijk dat bij ITORS-VL 1.0 met bepaalde beperkingen rekening moet worden gehouden. Deze beperkingen situeren zich op verschillende vlakken: de geografische streek waarvoor het gebruikt kan worden, het type van gebied waarvoor het kan worden ingezet, het bereik van de variabelen waarvoor het model kan worden gebruikt en de soorten en vegetatietypen die kunnen worden behandeld. In de vorige hoofdstukken zijn deze elementen reeds aan bod gekomen en werden de mogelijkheden en de beperkingen reeds behandeld. Hieronder worden ze bondig samengevat. Bij een empirisch statistische benadering is de prestatie van het model in sterke mate gekoppeld aan de omgeving waarin het model werd opgesteld. Voor ITORS-Vl 1.0 betekent dit dat het vrij goed kan worden toegepast op de vijf studiegebieden op basis waarvan het werd ontwikkeld. Toepassingen in andere gebieden zijn aan grotere onzekerheden onderworpen, naarmate ze meer afwijken van deze vijf gebieden. Uit hoofdstuk 8 blijkt dat in vergelijkbare gebieden tot goede resultaten wordt gekomen. De huidige beperkingen van ITORS-Vl 1.0 zijn dus het gevolg van de beperkingen in de beschikbare dataset. Hoewel de dataset vrij uitgebreid en gedetailleerd is, zouden gegevens uit andere gebieden en regio’s de toepasbaarheid in Vlaanderen verhogen. ITORS-Vl 1.0 kan de kans van voorkomen inschatten van soorten en vegetatietypen die in het kader van dit project met voldoende aantal herhalingen werden waargenomen. Het betreft vooral soorten die in sterke


Conclusies |122 mate waterafhankelijk zijn (freatofyten) en waarvan de ruimtelijke spreiding in belangrijke mate door grondwater wordt bepaald. ITORS-Vl 1.0 presteert niet voor alle soorten en vegetatietypen even goed. Uit de statistische analyse blijkt dat ongeveer 20% van de regressievergelijkingen niet zeer betrouwbaar zijn. Voor zeven soorten blijken voor beide modellen een zeer lage Goodness-of-fit (GOF) te geven. Toepassing van het hydroecologisch model voor deze soorten is dus niet aan te raden. De volledige lijst van soorten waarvoor het model kan worden ingezet wordt gegeven in Bijlage 2.1. In de onderstaande tabel 11.1 vindt de gebruiker een lijst vaan soorten waarvoor de modellen slecht presteren. Voor het modeltype VexW werd voor 6 soorten geen regressie uitgevoerd. Tabel 11.1 Lijst van soorten waarvoor de modellen slecht presteren (met GOF < 0.01, grijze achtergrond) voor tenminste één modeltype. In vet staan de zeven soorten welke voor de twee modellen een lage GOF hebben. Ook de soorten zonder regressievergelijking voor VexW staan hierin vermeld (/). Soort Alopecurus pratensis Angelica sylvestris Brachypodium sylvatica Calamagrostis canescens Calla palustris Caltha palustris Carex acutiformis Carex acuta Carex elongata Carex sylvatica Carici elongatae-Alnetum glutinosae Cirsium oleraceum Dactylorchis majalis Equisetum palustre Equisetum telmateia Filipendulion Filipendula ulmaria Galium palustris Juncus acutiflorus Lamium galeobdolon Lotus uliginosus Peucedanum palustris Phalaris arundinacea Phragmites australis Potentilla sterilis Ranunculus flammula Scirpus sylvaticus Scutellaria galericulata Thuidium tamarescinum Vaccinium myrtillus

VexW VinWinW 0.057 0.004 / 0.001 0.016 0 0.014 0.452 0.113 / 0.092 0.005 0.001 0 0.143 0.001 0.306 0 0 / 0.019 0.004 0.194 0.098 / 0.006 0.019 0.004 / /

0.006 0 0.036 0.4 0 0 0 0 0 0.759 0.004 0.114 0.001 0 0.003 0.068 0 0.002 0 0.034 0.001 0.002 0.001 0 0.939 0.048 0 0 0.21 0.042

Enkel vegetatietypen die duidelijk konden worden gedefinieerd in dit project (tabel 11.2) werden in het model opgenomen. Overgangsvormen en verruigde vegetaties zitten niet in het model vervat. Het feit dat het gaat om een


Conclusies |123 selectie aan vegetatietypen, maakt dat toepassingen van ITORS-Vl in omstandigheden waar andere vegetatietypen belangrijk zijn, moeilijkheden oplevert. Tabel 11.2 Lijst met de gebruikte vegetatietypen in ITORS-Vl CODE Wetenschappelijke naam Nederlandse naam AlnoPadio Alno-Padion Elzen-vogelkersenbos Arrhenath Arrhenatherion Glanshavergrasland Calthion Calthion Dottergrasland Caricurto Caricion curto-nigrae Kleine zeggevegetatie Caricelong Carici elongatae-Alnetum glutinosae Mesotroof elzenbroek CirsioMolin Cirsio-Molinietum Blauwgrasland Filipend Filipendulion Moerasspirearuigte Magnocar Magnocaricion Grote zeggevegetatie MagnoPhragm Magnocaricion + Phragmites Rietruigte Phragmit Phragmitetea Rietland SphagnoAlnetum Sphagno-Alnetum glutinosae Oligotroof elzen-berkenbroek

In principe zijn regressiemodellen alléén geldig voor het gebied waarvoor ze berekend zijn. De voorspellende variabelen zijn niet noodzakelijk causaal verantwoordelijk voor de modelrespons. Generalisatie van ecologische modellen naar andere gebieden is dan ook vaak moeilijk, omdat de gemeten abiotiek in verschillende gebieden een andere invloed kan hebben op de verspreiding van planten. Daarom zijn alle beschikbare deelgebieden samen gemodelleerd om modellen te verkrijgen die zo algemeen mogelijk toepasbaar zijn. Extrapolatie van de modellen naar andere gebieden kan enkel wanneer deze overeenkomstige ecologische kenmerken hebben. De basisgegevens voor het opstellen van het model zijn afkomstig uit het Demer en het Dijle bekken. De Leemstreek is vertegenwoordigd door de Doode Bemde en de Snoekengracht, de Kempen door de Vallei van de Zwarte Beek, het Hageland (een overgangsgebied tussen beide) door Vorsdonkbos. Een veilig gebruik van het model beperkt zich in ieder geval tot het Kempisch en Brabants district. Het model wordt best enkel gebruikt in valleigebieden, met natte en vochtige standplaatsen, met gemiddelde waterstanden tussen 0 en 1.5 m beneden maaiveld. De bodemvochtigheid van deze gebieden wordt in de eerste plaats bepaald door opkwellend grondwater eventueel aangevuld met neerslagwater. Overstromingen hebben er geen dominante invloed. De bodem is samengesteld uit klei, leem, zand of veen. ITORS-Vl 1.0 is ontwikkeld op basis van gegevens die een bepaalde abiotische range beslaan. De onzekerheden nemen toe bij toepassingen buiten dit bereik (tabel 11.3). De nutriënten NO3, NH4, PO4 en K bestrijken slechts een beperkt bereik van wat kan voorkomen in Vlaamse valleien. ITORS-Vl 1.0 werd ontwikkeld in en voor gebieden met nutriëntarm grondwater.


Conclusies |124 Tabel 11.3 Overzicht van het bereik van de abiotische variabelen(mean in m onder maaiveld, ionen in mg/l). gemiddelde

mean pH ClCa2+ Fetot K+ Mg2+ NO3NH4+ PO43SO42IR

-0.287 6.492 29.446 79.513 10.466 2.108 8.162 0.796 0.322 0.157 44.932 51.578

maximum

minimum

0.165 -1.184 7.518 4.042 137.893 8.333 221.248 10.442 58.609 0.250 10.734 0.500 28.916 1.725 8.102 0.221 7.708 0.129 0.876 0.032 330.822 2.500 80.811 9.191

Het hier voorgestelde model is een prototype dat ongetwijfeld nog voor verbetering vatbaar is. De grootste mogelijkheden liggen bij een uitbreiding van de dataset die aan de basis van het model ligt. Deze weg vraagt echter ook grote inzet van middelen en mensen: - uitbreiden van de soortenlijst; - meer herhalingen van de waarnemingen voor de soorten; - een vollediger palet van vegetatietypen in het model brengen; - uitbreiding naar andere regio’s en type van gebieden. Indien meer data ter beschikking zouden zijn, dan zou dat toelaten om het model beter te testen. In dit project was een duidelijk gebrek aan goede testgegevens. Ondanks de doorgevoerde selectie vereist het model nog relatief veel gegevens als input. Anderzijds is het type gegevens (grondwaterstanden en samenstelling) vaak standaard voorzien in vele hydrologische en ecohydrologische studies. De bodem wordt op vrij eenvoudige manier in het model behandeld, omdat kwantitatieve informatie ontbreekt. Het kwantificeren van de bodem (cf. ITORS) biedt uitzicht op een verbetering van het model. Vooral voor het inschatten van de nutriëntenbeschikbaarheid leveren bodemanalyses een meerwaarde op boven meting van nutriënten in grondwater. In dit verband kunnen ook metingen van mineralisatiesnelheden (kg N, P en K/ha/jaar) veel inzicht geven. Het zou anderzijds het aantal variabelen verhogen en bij toepassing van het model vereisen dat deze variabelen bekend zijn. De details van de beheeractiviteiten zoals aantal sneden bij het maaien, begrazing en verschillende mengvormen, werden in deze studie verwaarloosd. ITORS-Vl kan daarover dan ook geen uitspraken doen. Hiervoor moet worden teruggevallen op ecologische expertkennis. De variabele ‘beheer’ is niet optimaal in het model ingebracht. Beheer heeft dezelfde status als de andere variabelen. Vooral met het oog op de toepassing voor vegetatietypen is het nodig het beheer een meer sturende rol te laten spelen. In grensgevallen bestaat de mogelijkheid dat vegetatietypen worden voorspeld die niet overeenkomen met het gevoerde beheer: bijvoorbeeld bostypen worden voorspeld waar gemaaid wordt of omgekeerd. Een aantal oplossingen hiervoor worden aangegeven. Indien bodem- of beheergrenzen een rastercel doorsnijden, wordt voor die cel een dubbele bodem- of beheerdefinitie ingebracht. Dit compliceert de modelopbouw. Het kan overwogen worden om de rastercel op te splitsen en


Conclusies |125 beide helften als een volwaardig datapunt te behandelen. In de huidige versie werd enkel gewerkt met aan- en afwezigheden van soorten. De basisgegevens bevatten eveneens informatie over de abundantie van deze soorten. Voor een volgende versie van het model moet worden nagegaan of het inbrengen van deze abundanties (bvb. met behulp van ‘pseudosoorten’) meerwaarde zou geven.


Referenties |127

Referenties BARENDREGT A. & WASSEN M.J. (1986). Het hydro-ecologisch model ICHORS (versies 2.0 en 3.0). Universiteit Utrecht - Interfacultaire Vakgroep Milieukunde. BEERLING D.J., HUNTLEY B. & BAILEY J.P. (1995). Climate and the distribution of Fallopia japonica: use of an introduced species to test the predictive capacity of response surfaces. Journal of Vegetation Science 6: 269-282. BERNALDEZ F.H., REY BENAYAS J.M. & MARTINEZ A. (1993). Ecological impact of groundwater extraction on wetlands (Douro Basin, Spain). Journal of Hydrology 141: 219-238. BIESBROUCK B., ES K., VAN LANDUYT W., VANHECKE L., HERMY M. & VAN DEN BREMT P.(2001) Een ecologisch register voor hoger planten als instrument voor het natuurbehoud in Vlaanderen. Brussle, Rapport VLINA 00/01. FLO.WER.vzw, het Instituut voor Natuurbehoud, de Nationale Plantentuin van België en KULeuven in opdracht van de Vlaamse Gemeenschap. BIO A.M.F., ALKEMADE R. & A. BARENDREGT. (1998). Determining alternative models for vegetation response analysis: a non-parametric approach. Journal of Vegetation Science 9: 5-16. BOEYE D. (1992). Hydrologie, hydrochemie en ecologie van een grondwaterafhankelijk veen. Universiteit Antwerpen. BOOTSMA M.C. & BARENDREGT A. (1991). De toepasbaarheid van het model ICHORS versie 3.2, in het interprovinciaal onderzoek Grondwaterbeheer Midden Nederland. Interfacultaire werkgroep milieukunde vakgroep milieukunde Universiteit Utrecht. BOOTSMA M.C. & WASSEN M.J. (1996). Environmental conditions and fen vegetation in three lowland mires. Vegetatio 127: 173-189. CLAESEN F.A.M. (1993). Future questions of policy and management for application of Hydro-ecological models. TNO proceedings and information, 47: 3-10 CRESSIE N. (1985). Fitting variogram models by weighted least squares. Mathematical Geology 17 : 563-586. DE BECKER P., HERMY M. & BUTAYE J. (1999). Ecohydrological characterization of a groundwater-fed alluvial floodplain mire. Applied Vegetion Science 2: 215-228. DE BECKER P. & HUYBRECHTS W. (1997). Het Walenbos, ecohydrologische atlas. Rapport Instituut voor Natuurbehoud R.1997.03. DEKKER S. & VAN DER LEE G. (2002). Strategie van ecologische modellen te toetsen. Landschap 18 (4): 285-290. DE MARS H. (1996). Chemical and physical dynamics in fen hydro-ecology. Proefschrift Universiteit Utrecht, Nederlandse Geografische Studies 203. ERTSEN A.C.D. (1995). ITORS: Een hydro-ecologisch model voor terrestrische ecosystemen in Noord-Holland. Vakgroep Milieukunde, Universiteit Utrecht. ERTSEN A.C.D. (1998). Ecohydrological response modelling - Predicting plant species response to changes in site conditions. Proefschrift Universiteit Utrecht, Nederlandse Geografische Studies 245. GOLDEN SOFTWARE INC (1999). SURFER 7: User’s Guide. Contouring and 3D Surface Mapping for Scientists and Engineers. GREMMEN N.J.M. (1997). Natuurtechnisch model voor de beschrijving en voorspelling van effecten van veranderingen in waterregime op de waarde van een gebied vanuit natuurbehoudsstandpunt I: Uitgangspunten en modelconcept. Utrecht: SWNBL, Standplaats en Plant. GROOTJANS A.P. (1985). Changes of groundwater regime in wet meadows. Proefschrift Rijksuniversiteit Groningen.


Referenties |128 GROOTJANS A.P. VAN WIRDUM G. KEMMERS R & VAN DIGGELEN R. (1996). Ecohydrology in the Netherlands: principles of an application-driven interdiscipline. Acta Botanica Neerlandica 45: 491-516. HASTIE, T. J. & R. J. TIBSHIRANI (1990). Generalized additive models. London: Chapman and Hall. HEIDA Z., ERTSEN D.& WASSEN M.J. (1995). Ecologische potenties van drie milieubeschermingsgebieden voor bodem in de Noordoostpolder. Rapport Vakgroep Milieukunde, Universiteit Utrecht. HILL M. (1979). TWINSPAN – a FORTRAN Program for arranging multivariate data in an Ordered Two-Way Table by Classification of the Individuals and Attributes. Ithaca, New York – Cornell University. HOOGHART J.W. & POSTHUMUS C.W.S. (eds.). (1993). The use of hydroecological models in the Netherlands. TNO proceedings and information, 47: 3-10. HUNTLEY B., BERRY P.M.& CRAMER W., MCDONALD A.P. (1995). Modelling present and potential future ranges of some European higher plants using climate response surfaces. Journal of Biogeography 22: 967-1001. HUYBRECHTS W., BATELAAN O., DE BECKER P., JORIS I. & VAN ROSSUM P. (2000) Ecohydrologisch onderzoek Waterrijke Vallei-ecosystemen VLINA 96/03. HUYBRECHTS W.& DE BECKER P. (1997). Dynamische en chemische kenmerken van ondiep grondwater in kwelsystemen: Het Walenbos. Mededelingen van het Instituut voor Natuurbehoud,5,1-94. HUYBRECHTS W.& DE BECKER P. (1999). De Snoekengracht, ecohydrologische atlas. Rapport Instituut voor Natuurbehoud R.1999.02. HUYBRECHTS W.& DE BECKER P. (2000). De Doode Bemde, ecohydrologische atlas. Rapport Instituut voor Natuurbehoud R.2000.13. HUYBRECHTS W.& DE BECKER P. (2000). Vorsdonkbos , ecohydrologische atlas. Rapport Instituut voor Natuurbehoud R.2000.14. HUYBRECHTS W.& DE BECKER P. (2000). De Zwarte Beek, ecohydrologische atlas. Rapport Instituut voor Natuurbehoud R.2000.16. ISAAKS E.H.& SRIVATSAVA R.M.(1989) Applied geostatistics. Oxford University Press, Inc.New York JANSEN A.J.M. (1993). Van hydrologische ingreep naar ecologische effectvoorspelling, enkele resultaten en toepassingen van hydroecologisch onderzoek. KIWA-mededeling 122, KIWA N.V. Nieuwegein. JONGMAN R.H.G., TER BRAAK C.J.F. & VAN TONGEREN O.F.R. (1995) Data analysis in community and landscape ecology. Cambridge University Press. JOURNEL A.G.& HUIJBREGTS C.J. (1978). Mining geostatistics. London, Academic press. KUIJKEN E., BOEYE D., DE BRUYN L., DE ROO K., DUMORTIER M., PEYMEN J., SCHNEIDER A., VAN STRAATEN D. & WEYEMBERGH G. (red.)(2001) Natuurrapport 2001. Toestand van de natuur in Vlaanderen: cijfers voor het beleid. Brussel, Instituut voor Natuurbehoud. LECHMERE-OERTEL R.G.& COWLING R.M. (1999). Predicting the distribution of fynbos and succulent karoo biome boundaries and plant communities using generalised linear models and geographic information systems. South African Journal of Botany 61(1): 89-96. LONDO G. (1988). Nederlandse freatofyten, Pudoc, Wageningen. MANLY B.F.J.(1986) Multivariate statistical methods: a primer. Chapman and Hall Ltd., London. MARTENS L. & HERMY M. (2000) Ontwerp van ecosysteemvisie voor de Demervallei tussen Werchter en Diest (Onderzoeksopdracht MINA/105/98/01) Brussel, Ministerie van de Vlaamse Gemeenschap, Departement Leefmilieu en Infrastructuur (LIN), Administratie Milieu, Natuur, Land- en Waterbeheer (AMINAL) Afdeling Natuur. MATHSOFT (1996). S+SPATIALSTATS User’s Manuel. Version 1.0. Seatlle WA: Mathsoft. MATHSOFT (1999) S-PLUS 2000 User's Guide. Seattle WA: Mathsoft. MERTENS & MEIRE P. (2001) Ontwerp van ecosysteemvisie voor de vallei van de Zwarte Beek. Wilrijk, Universiteit Antwerpen (UA).


Referenties |129 MINA-PLAN 2: Het Vlaamse milieubeleidsplan 1997 – 2001. Brussel, Ministerie van de Vlaamse Gemeenschap, Departement Leefmilieu en Infrastructuur (LIN), Administratie Milieu, Natuur, Land- en Waterbeheer (AMINAL). Mira-T (1999). Milieu- en Natuurrapport Vlaanderen: thema's. VMM-Garant, Leuven. NELDER, J. A. & R. W. N. WEDDERBURN (1972) Generalized linear models. Journal of the Royal Statistical Society, A 135: 370-384. NICHOLLS, A. O. (1989). How to make biological surveys go further with generalised linear models. Biological Conservation 50: 51-75. NOEST V. (1994). A Hydrology-Vegetation Interaction Model for Predicting the Occurrence of Plant Species in Dune Slacks. Journal of Environmental Management 40: 119-128. OLDE VENTERINK H.G.M. & WASSEN M.J. (1997). A comparison of six models predicting vegetation response to hydrological habitat change. Ecological Modelling, 101: 347-361. PEBESMA E.J. (1997). Gstat user’s Manuel. Avialable at: http://www.geog.uu.nl/gstat/. RUNHAAT H. (1999). The impact of hydrological changes on nature conservation areas in the Netherlands. Proefschrift Universiteit Leiden. SIVAL F.P. (1997). Dune soil acidification threatening rare plant species. Proefschrift Universiteit Groningen. TER BRAAK C.F.J. & LOOMAN C.W.L. (1986). Weighing averaging, logistic regression and Gaussian response model. Vegetation 65: 3-11. VAN DER VEEN G.J.& GARRITSEN A.C. (eds.). (1994). Kennisoverzicht Ecohydrologie. Een inventarisatie van kennis en expertise op het gebied van ecohydrologie en verdroging. Lelystad RIZA. VAN DIGGELEN et al. (1991). Prediction of vegetation changes under different hydrological scenarios – IAHS, 202:71-80. VAN WIRDUM G. (1991). Vegetation and hydrology of floating rich-fens. Proefschrift. VERKROOST A.W.M., OLDE VENTERINK H, PIETERSE N.M., SCHOT P.P. & WASSEN M.J. (1998). Demonstration Project for the Development of Integrated Management Plans for Catchment Areas of Small Trans-Border Lowland Rivers: the River Dommel. 1. Ecohydrological modelling and integrated management planning in the catchment of the river Dommel. Vakgroep Milieukunde, Universiteit Utrecht. WASSEN M.J. (1990). Water flow as a major landscape ecological factor in fen development. Proefschift Universiteit Utrecht. WASSEN M.J. & SCHOT P. (1992). Hydro-ecologische modellen - mogelijkheden, beperkingen en perspectieven. Landschap 9(2):83-105. WASSEN M.J., VAN DIGGELEN R., VERHOEVEN J.T.A. & WOLEJKO L.. (1996). A comparison of fens in natural and artificial landscapes. Vegetatio 126: 5-26. WHEELER B.D. (1980). Plant communities of Rich-Fen systems in England and Wales - Introduction. Tall sedge and reed communities. Journal of ecology 68: 365-395. WIERDA A, FRESCO L.F.M, GROOTJANS A.P. & VAN DIGGELEN R. (1997). Numerical assessment of plant species as indicators of the groundwater regime. Journal of Vegetation Science 8: 707-715. WIERTZ J., VAN DIJK J.& LATOUR J.B. (1992). MOVE: vegetatie-module; de kans op voorkomen van ca. 700 plantensoorten als functie van vocht, pH, nutriënten en zout. Wageningen Instituut voor Bos- en Natuuronderzoek IBN-DLO. WITTE J.Ph.M., KLIJN F., CLAESEN F.A.M., GROEN D.L.G & VAN DER MEIJDEN R. (1992). A model to predict and assess the impacts of hydrologic changes on terrestrial ecosystems in The Netherlands, and its use en a climate scenario. Wetland ecology and Management 2: 69-83. YEE, T. W. & MITCHELL N. D. (1991). Generalized additive models in plant ecology. Journal of Vegetation Science 2: 587-602.


Bijlagen

Bijlagen

Bijlage 2.1: Soortenlijst met wetenschappelijke naam, nederlandse naam, aantal observaties per gebied en totaal. planten in een witte cel komen te weinig voor °: freatofyten, *: soorten komen te weinig voor in dataset zonder walenbos Rastergrootte (m) Hogere planten Achillea ptarmica° Alisma plantago-aquatica° Allium vineale Alopecurus pratensis Angelica sylvestris° Anthriscus sylvestris Arrhenatherum elatior Barbarea intermedia Berula erecta° Blechnum spicant Brachypodium sylvatica * Calamagrostis canescens° Calla palustris° Caltha palustris° Campanula rapunculoïdes Carex acuta° Carex acutiformis° Carex curta° Carex diandra° Carex disticha° Carex echinata° Carex elongata° Carex hirta Carex nigra° Carex paniculata° Carex pseudocyperus° Carex rostrata° Carex sylvatica * Carex vesicaria° Circaea lutetiana° Cirsium oleraceum° Comarum palustris° Convallaria majalis Crepis biennis Crepis paludosa° Dactylorchis maculata° Dactylorchis majalis° Deschampsia caespitosa° Deschampsia flexuosa

Wilde bertram Grote waterweegbree Kraailook Grote vossestaart Gewone engelwortel Fluitekruid Glanshaver Barbarakruid Kleine watereppe Dubbelloof Boskortsteel Hennegras Slangewortel Dotterbloem Rapunzelklokje Scherpe zegge Moeraszegge Zompzegge Ronde zegge Tweerijïge zegge Sterzegge Elzenzegge Ruige zegge Zwarte zegge Pluimzegge Hoge cyperzegge Snavelzegge Boszegge Blaaszegge Groot heksenkruid Moesdistel Wateraardbei Lelietje-der-dalen Groot streepzaad Moerasstreepzaad Gevlekte orchis Brede orchis Ruwe smele Bochtige smele

Doode Bemde dataset zonder walenbos 20*20 24 158 244 32 123 36 76 70 115 270 81 27 34 5 10 9 299 9 34 7 -

Vorsdonk 636 20*20

Zwarte Beek 608 20*20

Snoekengracht 817 10*10

Walenbos 770 40*40

Totaal 3357

27 29 51 380 39 92 5 71 12 32 4 8 17 204 12 27 18 51 16 4 245 38 7 47 6 44 -

301 19 1 24 374 43 121 73 185 119 124 90 46 1 175 10 140 174 5 3 11 10

3 20 384 5 72 51 133 294 21 300 71 19 1 10 53 568 11 7 42 -

21 9 175 59 31 9 434 17 20 96 3 111 82 8 115 3 1 374 162

352 51 1 253 1403 37 277 51 169 9 175 256 73 672 5 335 1016 173 4 250 37 373 66 206 139 133 179 115 14 307 870 221 13 45 7 50 55 429 172

Bijlagen

planten in een witte cel komen te weinig voor °: freatofyten, *: soorten komen te weinig voor in dataset zonder walenbos Rastergrootte (m) Digitalis purpurea Eleocharis palustris° Equisetum arvense Equisetum fluviatile° Equisetum palustre° Equisetum telmateia° Eriophorum vaginatum° Filipendula ulmaria° Galium palustris° Galium uliginosum° Geum urbanum Glyceria maxima° Juncus acutiflorus° Juncus filiformis° Lamium galeobdolon * Lotus uliginosus° Luzula multiflora° Lysimachia vulgaris° Lythrum salicaria° Menyanthes trifoliata° Mercurialis perrenis° Millium effusum Molinia caerulea Myrica gale° Nasturtium officinale° Oenanthe fistulosa° Ornitogalum umbellatum Osmundia regalis° Oxalis fontana Paris quadrifolia Peucedanum palustris° Phalaris arundinacea° Phragmites australis° Pimpinella major Polygonatum multiflorum Polygonum bistorta° Potamogeton polygonifolius° Potentilla sterilis * Pteridium aquilinum Pulicaria dysenterica° Ranunculus flammula° Ranunculus lingua° Ribes nigrum°

Vingerhoedskruid Gewone waterbies Heermoes Holpijp Lidrus Reuzenpaardestaart Veenpluis Moerasspirea Moeraswalstro Ruw walstro Gewoon nagelkruid Liesgras Veldrus Draadrus Gele dovenetel Moerasrolklaver Veelbloemige veldbies Gewone wederik Kattestaart Waterdrieblad Overblijvend bingelkruid Bosgierstgras Pijpestrootje Gagel Slanke waterkers Pijptorkruid Gewone vogelmelk Koningsvaren Stijve klaverzuring Eénbes Melkeppe Rietgras Riet Grote bevernel Veelbloemige salomonszegel Adderwortel Duizendknoopfonteinkruid Aardbeiganzerik Adelaarsvaren Heelblaadjes Egelboterbloem Grote boterbloem Zwarte bes

Doode Bemde 526 20*20 10 80 267 16 356 34 85 34 42 85 139 201 13 8 14 166 254 2 14 24 -

Vorsdonk 636 20*20 130 41 55 357 277 79 84 107 101 110 32 358 287 12 89 15 24 23 309 144 16 28 10 25 3 -

Zwarte Beek 608 20*20 19 3 340 91 50 307 378 250 406 30 395 410 275 52 316 56 77 106 5 8 37 115 -

Snoekengracht 817 10*10 6 13 230 472 204 6 62 69 18 220 85 125 1 1 43

Walenbos 770 40*40 15 13 38 14 94 70 11 154 27 13 309 7 8 5 7 3 9 133 22 3 23 68 5 7

Totaal 3357 19 19 130 489 656 16 50 1530 703 414 382 217 622 30 154 659 32 952 983 77 8 13 714 15 7 14 8 29 23 7 368 481 634 6 52 8 13 23 105 15 169 3 50

Bijlagen

planten in een witte cel komen te weinig voor °: freatofyten, *: soorten komen te weinig voor in dataset zonder walenbos Grote ratelaar Kleine ratelaar Waterzuring Knolsteenbreek Jacobskruiskruid Schaduwkruiskruid Bosbies Blauw glidkruid Klein glidkruid Valse salie Poelruit Blauwe bosbes Bos-ereprijs Ringelwikke Voederwikke Kleine maagdenpalm Moerasviooltje

Doode Bemde 526 20*20 34 24 10 72 21 -

Vorsdonk 636 20*20 36 162 148 6 41 162

Zwarte Beek 608 20*20 67 4 5 244 164 1 40 1 1 2 56

Snoekengracht 817 10*10 93

Sliertig nerf-puntmos Kammos Kussentjesmos Gewoon haarmos Gewimperd veenmos Geoord veenmos Moeras-veenmos Thuyamos

-

12 7 8 12 53 1 1 -

9 5 10 -

Rastergrootte (m) Rhinantyhus angustifolius° Rhinanthus minor Rumex hydrolapatum° Saxifraga granulata Scenecio jacobea Scenecio nemorea Scirpus sylvaticus° Scutellaria galericulata° Scutellaria minor° Teucrium scorodonia Thalictrum flavum° Vaccinium myrtillus * Veronica montana Vicia hirsuta Vicia sativa Vinca minor Viola palustris° Mossen Calliergon stramineum Ctenidium molluscum Leucobryum glaucum Polytrichum commune Sphagnum fimbriatum Sphagnum lescurii Sphagnum subsecundum Thuidium tamarescinum *

Totaal 3357

10 135 3 -

Walenbos 770 40*40 11 41 208 51 3 12 6

-

32 135 94

21 7 40 17 198 1 1 94

34 93 127 24 5 11 654 336 1 254 41 51 4 1 2 12 224

Bijlagen

Bijlagen Bijlage 3.1: interpolatie

max LAG richting

pH

vorsdonkbos

Walenbos

200

300

800

22.5 azimut alle h richtingen

azimuth 123.75 model spherical

model exponential

slope 0.00005259

range 47.1917

slope 0.001364

range623.9403

range 4121750

range 134.7095

sill 0.03593 nugget 0 alle azimuth richtingen

nugget 0.3488

sill1.5708 nugget0.08

azimut alle h richtingen

sill 0.683 nugget 0.08

azimuthalle richtingen

sill 0.1572 nugget 0.1097 alle azimuth richtingen

model spherical

model spherical

model linear

modellinear

model spherical

range 108.7789

range 40

slope 0.00001956

slope0.00001375

range 145.9671


nugget 0.03699 azimut alle h richtingen

nugget0.01746



model spherical

model linear

model linear

modelexponential

model spherical

range 71.2281

slope 0.06059

slope 0.0003006

range35.7498

range 130.9176

nugget 4.2053

nugget 0.1159

sill31.2789

sill 0.1352

nugget0 alle azimuth richtingen


nugget 0 alle azimuth richtingen


model spherical

model spherical

model spherical

modelspherical

model spherical

range 148.4181

range 81.6724

range 187.2208

range97.2024

range 195.9755

nugget 0 azimut alle h richtingen


sill 0.02709 nugget 0.05429 azimut alle h richtingen

sill0.03667

sill 0.1706

nugget0 azimuth56.25

azimuth 146.25


model linear

model exponential

model linear

modellinear

model Gaussian

model spherical

slope 1.3594

range 245.399

slope 13.5861

slope22.9463

range 694263

range 301.4979



nugget 2616.2187

nugget10

sill 37658493 nugget 10


azimuth0

azimuth 90


model linear

model spherical

model spherical

modelspherical

model spherical

model exponential

slope 0.1777

range 41.7233

range 197.5343

range492.4998

range 6421520

range 51.1192


sill 1530.1769 nugget 0 alle azimuth richtingen

model linear

model spherical

slope 0.01822

range 105.982584



sill 171.8046 nugget 0 azimut alle h richtingen

sill163.152 nugget31.6

sill 3854917 nugget 31.6



model linear

modelspherical

model exponential

slope 0.002125

range445.2

range 160.5638

nugget 0.9164

sill0.4897

sill 7.4744

nugget0.428 azimut alle h richtingen

azimuth33.75

azimuth 123.75


model spherical

model linear

model linear

modelexponential

model spherical

model exponential

range 87.541

slope 1.7752

slope 5.0874

range180.4635

range 4871530

range .

sill 1615.573 nugget 0 azimut alle h richtingen Mg2+

azimuth33.75

22.5 alle azimuth richtingen

modelspherical

sill 3.3085

Ca2+

400

45

model linear


K+

22.5 azimut alle h richtingen

Zwarte Beek

model exponential

sill 5.5149

Cl-


geostatistische

model linear

sill 0.07332

SO42-

voor

Snoekengracht

nugget 0 azimut alle h richtingen

NH4+

semivariogrammen

350


NO3-

van

Doode Bemde

nugget 0.0318

PO42-

Parameters

nugget 1117.6833

nugget 263.356

sill3489.3603 nugget0

alle azimuth richtingen


azimuth45

sill 23586555 nugget 0 azimuth 135


model spherical

model linear

model linear

modelspherical

model spherical

model spherical

range 1773192

slope 0.2948

slope 0.01738

range556.4762

range 6435820

range 190.1041

sill25.5925

sill 132106

sill 14108.617 nugget 63337

nugget 7.6916

nugget 3.8293

nugget1

nugget 1

sill 0.7776 nugget 0.9398

Bijlagen Bijlage 3.1: Parameters interpolatie (vervolg) max LAG richting

Fe

Doode Bemde

Snoekengracht

350

200

van

semivariogrammen

vorsdonkbos

geostatistische

Walenbos

300

22.5 22.5 22.5 alle alle alle azimuth richtingen azimuth richtingen azimuth richtingen

voor

Zwarte Beek

800

400

45 azimuth 78.75

azimuth 168.75


model linear

model spherical

model linear

model linear

model exponential

model exponential

slope 2.4763

range 100

slope 0.2759

slope 0.2299

range 1182324

range 78.589

nugget 221.9556

sill 25

nugget 109.3767

nugget 7 alle alle alle azimuth richtingen azimuth richtingen azimuth richtingen model spherical

model linear

model Spherical

slope 0.0002773

range 127.3658

MEAN range 258.6079 sill 0.1617

nugget 0.01915

sill 0.03071

nugget 0.0822 nugget 0 alle alle alle azimuth richtingen azimuth richtingen azimuth richtingen model linear

model spherical

model linear

slope 0.3766

range 47.0171

slope 1.1061

IR nugget 66.0034

sill 124.3148 nugget 0

nugget 14.1261

nugget 0

sill 594688 nugget 0

azimuth alle richtingen model linear 0.00014 slope 5 nugget 0.03844

azimuth alle richtingen spheric model al 540.534 range 4 555.473 sill 1 nugget 49.5293

sill 151.2775 nugget 0 alle azimuth richtingen model exponential range

84.3179

sill 0.02717 nugget 0.03417 alle azimuth richtingen model spherical range 232.9179 sill 142.9254 nugget 135.2554

Bijlagen Bijlage 3.2: Geïnterpoleerde abiotische gegevens (deze bijlage wordt enkel in digitale vorm bij het rapport geleverd)

Bijlagen

Bijlagen Bijlage 4.1: Ecologische amplituden voor soorten geobserveerd in minstens 3 studiegebieden en dit voor de variabelen gemiddelde, maximum grondwaterstand, amplitude, conductiviteit, Ca2+- en HCO32—concentratie. Achillea ptarmica

TDO

TDO

TDO

ZB

GEBIED

TVO

VO

ZB

VO

DO -1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

DO -3.0

-2.5

-2.0

MEAN

0.0

0.5

-0.2

TDO

GEBIED

TDO

ZB

ZB

VO

160

220

280

-100

ZB

100

200

300

400

500

600

700

800

0

Alisma plantago-aquatica


TVO

TVO

TSN

TSN

TSN GEBIED

TVO

GEBIED

TZB

ZB

VO

SN -0.6

-0.4

-0.2

0.0

0.2

0.4

-1.4

-1.0

-0.6

-0.2

0.2

-0.2


TVO

TSN

TSN GEBIED

TVO

TSN GEBIED

TVO

ZB

VO

160

220

280

-100

100

200

300

400

500

600

700

800

-200


TVO

TSN

TSN

TDO

TDO

TDO

GEBIED

TVO

TSN

GEBIED

TVO

ZB VO SN

SN

DO

DO

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN


-1.5

-1.0

-0.5

0.0

0.5

-0.2

TSN

TDO

TDO

TDO

ZB

GEBIED

TVO

TSN

GEBIED

TVO

TSN

VO

ZB VO SN

SN

DO

DO

280

-100

1200

1400

1600

1.0

1.6

2.2

2.8

ZB

SN

220

1000

VO

DO 160

800


TVO

CA

0.4

Alopecurus pratensis TZB

100

600

AMPLI

TZB

40

400

MAX

TZB

-20

200

ZB

SN

-0.4

1.6

VO

DO -0.8

1.4


-1.2

0


-1.6

1.2

COND

TZB

ZB

1.0

ZB

HCO3

VO

0.8

SN 0

CA

-2.0

0.6

VO

SN 100

0.4


TZB

40

0.2


TZB

-20

0.0

AMPLI

TZB

SN

1200

ZB

MAX

VO

1000

SN

-1.8

MEAN

ZB

800

VO

SN -0.8

600


TZB

-1.0

400

COND

TZB

-1.2

200

HCO3

VO

2.8

DO 0

CA

ZB

2.2

VO

DO 100

1.6

Achillea ptarmica

TDO

40

1.0 AMPLI

TVO

-20

0.4

Achillea ptarmica

GEBIED

GEBIED

-0.5

TVO

DO

GEBIED

-1.0

TVO

VO

GEBIED

-1.5 MAX

Achillea ptarmica

GEBIED

ZB

VO

DO

-2.0

GEBIED

Achillea ptarmica

TVO

GEBIED

GEBIED

Achillea ptarmica

TVO

0

100

200

300 HCO3

400

500

600

700

800

-200

0

200

400

600 COND

800

1000

1200

1400

1600

Bijlagen Angelica sylvestris

TWA

TWA

TWA

TVO

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

ZB

GEBIED

TZB

WA

ZB WA

VO

VO

VO

SN

SN

SN

DO

DO

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

0.0

0.5

-0.2

TWA

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

GEBIED

TWA

TVO

ZB

ZB WA VO

VO

SN

SN

DO

DO

220

280

-100

0

100

200

300

CA

400

500

600

700

800

-200

Arrhenatherum elatior

TVO

TSN

TSN

TDO

TDO

TDO

ZB

GEBIED

TVO

TSN

GEBIED

TVO

ZB VO

SN

-0.4

0.0

0.4

-3.5

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Arrhenatherum elatior

TVO

TSN

TSN

TDO

TDO

TDO

GEBIED

TVO

TSN

GEBIED

TVO

ZB VO SN

SN

DO

DO

220

280

-100

0

100

200

300

CA

400

500

600

700

800

-200


TWA

TDO

TDO GEBIED

TWA

TDO GEBIED

TWA

ZB

WA

DO

DO -0.8

-0.4

0.0

0.4

-3.5

-2.5


-2.0

-1.5

-1.0

-0.5

0.0

0.5

-0.2

TWA

TDO

TDO GEBIED

TWA

TDO GEBIED

TWA

ZB

WA

220

280

-100

1600

1.0

1.6

2.2

2.8

ZB

WA

DO 160

1400


TZB

CA

0.4


DO

1200

AMPLI

TZB

WA

1000

DO -3.0

MAX

ZB

800

ZB

TZB

100

600

WA

MEAN

40

400


TZB

-20

200


TZB

WA

2.8

COND

TZB

-1.2

0

HCO3

ZB

2.2

ZB

SN

160

1.6

VO

DO

-1.6

1.0

Arrhenatherum elatior TZB

-2.0

0.4


100

1600

AMPLI

TZB

40

1400

ZB

MAX

ZB

1200

DO -3.0

MEAN

VO

1000

SN

DO -0.8

800

VO

SN

DO

-20

600


-1.2

400


-1.6

200

COND

TZB

-2.0

0

HCO3

VO

2.8

ZB

SN

160

2.2

WA

DO 100

1.6

Angelica sylvestris

TWA

40

1.0 AMPLI

TZB

-20

0.4

Angelica sylvestris

GEBIED

GEBIED

-0.5

TZB

VO

GEBIED

-1.0

TZB

WA

GEBIED

-1.5 MAX

Angelica sylvestris

GEBIED

ZB WA

DO -2.0

GEBIED

Angelica sylvestris

TZB

GEBIED

GEBIED

Angelica sylvestris TZB

DO 0

100

200

300 HCO3

400

500

600

700

800

-200

0

200

400 COND

600

800

1000

1200

Bijlagen Caltha palutris

TWA

TWA

TWA

TVO

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

ZB

GEBIED

TZB

WA

ZB WA

VO

VO

VO

SN

SN

SN

DO

DO

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

0.0

0.5

-0.2

TWA

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

GEBIED

TWA

TVO

ZB

ZB WA VO

VO

SN

SN

DO

DO

220

280

-100

0

100

200

300

CA

400

500

600

700

800

-200

Carex acuta

TWA

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

WA

GEBIED

TWA

TVO

GEBIED

TWA

ZB WA

VO

VO

SN DO

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Carex acuta

TWA

TWA

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

ZB WA

WA

VO

VO

VO

SN

280

-100

DO 0

100

200

300

CA

400

500

600

700

800

-200

Carex acutiformis

Carex acutiformis

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

GEBIED

TVO

GEBIED

TWA

WA VO

SN

SN

SN

DO

DO

DO

-0.8

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Carex acutiformis

TVO

TSN

TSN

TDO

TDO

TDO

GEBIED

TVO

TSN

GEBIED

TVO

WA VO

SN

SN

SN

DO

DO

DO

220

280

-100

1400

1600

1.6

2.2

2.8

WA

VO

160

1200

Carex acutiformis TWA

CA

1.0

Carex acutiformis TWA

100

1000

AMPLI

TWA

40

0.4

MAX

WA

800

VO

MEAN

-20

600

WA

VO

-1.2

400

Carex acutiformis

TWA

-1.6

200

COND

TWA

-2.0

0

HCO3

WA

2.8

SN

DO 220

2.2

ZB

WA

160

1.6

TVO

GEBIED

GEBIED

TWA

SN

1600

Carex acuta TZB

100

1.0

Carex acuta TZB

DO

1400

AMPLI

TZB

40

0.4

MAX

ZB

1200

VO

SN DO -0.4

1000

ZB

SN

-0.8

800

WA

DO

-20

600

Carex acuta TZB

-1.2

400

Carex acuta TZB

-1.6

200

COND

TZB

-2.0

0

HCO3

ZB

2.8

ZB

SN

160

2.2

WA

DO 100

1.6

Caltha palustris

TWA

40

1.0 AMPLI

TZB

-20

0.4

Caltha palustris

GEBIED

GEBIED

-0.5

TZB

VO

GEBIED

-1.0

TZB

WA

GEBIED

-1.5 MAX

Caltha palustris

GEBIED

ZB WA

DO -2.0

GEBIED

Caltha palustris

TZB

GEBIED

GEBIED

Caltha palustris TZB

VO

0

100

200

300 HCO3

400

500

600

700

800

0

200

400

600

800 COND

1000

1200

1400

1600

Bijlagen Carex curta

TWA

TWA

TWA

TVO

TVO

TVO

ZB

GEBIED

TZB

WA

ZB

WA

VO -1.2

-0.8

-0.4

0.0

0.4

VO

-2.0

-1.6

-1.2

-0.8

MEAN

-0.2

TWA

TVO

TVO

ZB

GEBIED

TWA

TVO

ZB

WA

100

140

180

220

260

50

150

250

350

450

550

650

-200

Carex distichia

TVO

TSN

TSN

TDO

TDO

TDO

GEBIED

TVO

TSN

GEBIED

TVO

ZB VO

SN

SN

-0.8

-0.4

0.0

0.4

-3.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

-0.2

TVO

TSN

TSN

TDO

TDO

TDO

GEBIED

TVO

TSN

GEBIED

TVO

ZB VO SN

SN

DO

DO

-100

0

100

200

300

CA

400

500

600

700

800

-200

Carex elongata

TWA

TVO

TVO

TDO

TDO

TDO

GEBIED

TWA

TVO

GEBIED

TWA

ZB WA VO

VO

DO

DO

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Carex elongata

TWA

TSN

TVO

TDO

TDO

TDO

GEBIED

TVO

TVO

GEBIED

TWA

ZB

ZB VO SN

VO

DO

DO

280

-100

1400

1600

1.6

2.2

2.8

ZB

VO

220

1200

WA

DO 160

1000

Carex elongata TZB

CA

1.0

Carex distichia

WA

800

AMPLI

TZB

100

0.4

MAX

TZB

40

600

ZB

VO

-20

400

WA

DO -0.8

2.8

Carex elongata TZB

-1.2

200

Carex elongata TZB

ZB

2.2

COND

TZB

-1.6

0

HCO3

WA

1.6

ZB

SN

280

1200

VO

DO 220

1000

Carex distichia TZB

-2.0

1.0

Carex distichia

160

800

AMPLI

TZB

100

0.4

MAX

ZB

600

SN

-2.5

Carex distichia

40

400

ZB

TZB

-20

200

DO -3.0

MEAN

VO

1.6

VO

DO -1.2

1.4

Carex distichia TZB

-1.6

0

Carex distichia TZB

DO

1.2

COND

TZB

ZB

1.0

ZB

HCO3

VO

0.8

VO

-50

CA

-2.0

0.6

WA

VO 60

0.4

Carex curta

TWA

20

0.2

AMPLI

TZB

-20

0.0

Carex curta

GEBIED

GEBIED

0.4

TZB

VO

GEBIED

0.0

TZB

WA

GEBIED

-0.4

MAX

Carex curta

GEBIED

ZB

WA

VO

-1.6

GEBIED

Carex curta

TZB

GEBIED

GEBIED

Carex curta

TZB

0

100

200

300 HCO3

400

500

600

700

800

-200

0

200

400 COND

600

800

1000

1200

Bijlagen Carex hirta

TVO

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

ZB

GEBIED

TZB

VO

ZB VO

SN

SN

SN

DO

DO

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

-1.5

MEAN

0.5

-0.2

TVO

TSN

TSN

TDO

TDO

TDO

GEBIED

TVO

TSN

ZB

ZB VO

SN

SN

160

220

280

-100

ZB

SN

100

200

300

400

500

600

700

800

-200

Carex nigra

TWA

TVO

TVO

TSN

TSN

TSN

GEBIED

TWA

TVO

GEBIED

TWA

ZB WA

VO

-0.4

0.0

0.4

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-0.2

Carex nigra

TWA

TVO

TVO

TSN

TSN

TSN

GEBIED

TWA

TVO

GEBIED

TWA

ZB WA

WA

VO

VO

VO

SN

SN 220

280

-100

100

200

300

400

500

600

700

800

-200

Carex paniculata

TWA

TVO

TVO GEBIED

TWA

TVO GEBIED

TWA

ZB

WA

-0.4

0.0

0.4

-2.0

-1.2

-0.8

-0.4

0.0

0.4

-0.2

Carex paniculata

0.2

0.4

Carex paniculata

TWA

TVO

TVO GEBIED

TWA

TVO GEBIED

TWA

ZB

WA

180

220

260

-50

1200

1400

1600

0.6

1.0

1.2

1.4

1.6

0.8

ZB

WA

VO 140

1000

Carex paniculata

TZB

VO

800

AMPLI

TZB

CA

0.0

MAX

WA

600

ZB

TZB

100

400

VO -1.6

MEAN

ZB

1.6

WA

VO -0.8

1.4

Carex paniculata

TZB

60

200

Carex paniculata

TZB

VO

1.2

COND

TZB

20

0

HCO3

WA

1.0

SN 0

CA

ZB

0.8

0.6

ZB

WA

-20

0.4

Carex nigra TZB

-1.2

0.2

Carex nigra

160

1600

AMPLI

TZB

-1.6

0.0

MAX

100

1400

ZB

TZB

40

1200

SN

-2.0

MEAN

ZB

1000

VO

SN -0.8

800

WA

VO

SN

600

Carex nigra TZB

-20

400

Carex nigra TZB

-1.2

200

COND

TZB

-1.6

0

HCO3

WA

2.8

DO 0

CA

ZB

2.2

VO

DO 100

1.6

Carex hirta

TVO

40

1.0 AMPLI

TZB

-20

0.4

Carex hirta

GEBIED

GEBIED

0.0

TZB

DO

GEBIED

-0.5

TZB

VO

GEBIED

-1.0

MAX

Carex hirta

GEBIED

ZB VO

DO -2.0

GEBIED

Carex hirta

TZB

GEBIED

GEBIED

Carex hirta TZB

VO 50

150

250 HCO3

350

450

550

650

-200

0

200

400 COND

600

800

1000

1200

Bijlagen Carex rostrata

TWA

TWA

TWA

TVO

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

ZB

GEBIED

TZB

WA

ZB WA

VO

VO

VO

SN

SN

SN

DO

DO

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

0.0

0.5

-0.2

TWA

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

GEBIED

TWA

TVO

ZB

ZB WA VO

VO

SN

SN

DO

DO

220

280

-100

0

100

200

300

CA

400

500

600

700

800

-200

Circaea lutetiana

GEBIED

TSN

TDO

GEBIED

TSN

VO

VO

SN

SN

DO

DO

DO

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Circaea lutetiana

GEBIED

TSN

TDO

GEBIED

TSN

TDO

VO

SN

SN

DO

DO

DO

280

-100

0

100

200

300

CA

400

500

600

700

800

0

Comarum palustris

GEBIED

TVO

TDO

GEBIED

TVO

ZB

VO

DO -0.8

-0.4

0.0

0.4

-3.5

-2.5

-2.0

Comarum palustris

-1.5

-1.0

-0.5

0.0

0.5

-0.2

GEBIED

TVO

TDO

GEBIED

TVO

TDO

ZB

VO

160 CA

220

280

-100

1.6

2.2

2.8

ZB

VO

DO 100

1.0

Comarum palustris

TVO

DO

1600

TZB

TDO

40

0.4

Comarum palustris

ZB

1400

AMPLI

TZB

VO

1200

ZB

MAX

TZB

1000

DO -3.0

MEAN

-20

800

VO

DO -1.2

600

Comarum palustris

TDO

ZB

2.8

TZB

TVO

-1.6

400

Comarum palustris

TZB

VO

2.2

COND

TDO

-2.0

200

HCO3

TZB

1.6

VO

SN

220

1600

Circaea lutetiana

TSN

160

1400

TVO

TDO

100

1.0

Circaea lutetiana

VO

1200

AMPLI

TVO

40

0.4

MAX

TVO

1000

VO

SN

-0.8

800

Circaea lutetiana

TDO

-20

600

TVO

TSN

-1.2

400

Circaea lutetiana

TVO

-1.6

200

COND

TDO

-2.0

0

HCO3

TVO

2.8

ZB

SN

160

2.2

WA

DO 100

1.6

Carex rostrata

TWA

40

1.0 AMPLI

TZB

-20

0.4

Carex rostrata

GEBIED

GEBIED

-0.5

TZB

VO

GEBIED

-1.0

TZB

WA

GEBIED

-1.5 MAX

Carex rostrata

GEBIED

ZB WA

DO -2.0

GEBIED

Carex rostrata

TZB

GEBIED

GEBIED

Carex rostrata TZB

DO 0

100

200

300 HCO3

400

500

600

700

800

-200

0

200

400 COND

600

800

1000

1200

Bijlagen Dactylorchis majalis


TVO

TSN

TSN

TDO

TDO

VO

GEBIED

TSN

TDO

VO

SN

SN

DO

DO

DO

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

-1.5

MEAN


0.5

-0.2

TSN

TDO GEBIED

TSN

VO

VO

SN

SN

DO

DO

DO

160

220

280

-100

0

100

200

300

400

500

600

700

800

0

Deschampsia caespitosa

TWA

TVO

TVO GEBIED

TWA

TVO GEBIED

TWA

ZB

WA

VO

VO -0.8

-0.4

0.0

0.4

-1.6

-1.2


-0.8

-0.4

0.0

0.4

-0.2

TWA

TVO

TVO GEBIED

TWA

TVO GEBIED

TWA

ZB

WA

180

220

260

50

150

250


350

450

550

650

GEBIED

TSN

TDO

GEBIED

TSN

ZB

SN

-0.4

0.0

0.4

-3.5

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

GEBIED

TSN

TDO

GEBIED

TSN

ZB

SN

1.0

220

280

-100

1.6

2.2

2.8

ZB

SN

DO 160

1200


TDO

DO

1000

TZB

TSN

ZB

800

AMPLI

TDO

CA

0.4


SN

600

ZB

-0.2

TZB

100

400

MAX


40

200

DO -3.0

MEAN

TZB

1.6

SN

DO -0.8

1.4


TDO

DO

1.2

TZB

TSN

ZB

1.0

COND

TDO

-20

0


SN

0.8

ZB

-200

TZB

-1.2

0.6

HCO3

TZB

-1.6

0.4

VO

-50

CA

-2.0

0.2

WA

VO 140

1600


TZB

100

0.0


VO

1400

AMPLI

TZB

WA

1200

VO

-2.0

MAX

ZB

1000

ZB

TZB

60

800

WA

MEAN

20

600


TZB

-20

400


TZB

WA

2.8

COND

TZB

-1.2

200

HCO3

ZB

2.2

VO

SN

100

1.6


TDO

-1.6

1.0

TVO

TSN

40

0.4

AMPLI

TDO GEBIED

GEBIED

0.0


CA

GEBIED

-0.5

TVO

-20

GEBIED

-1.0

MAX

TVO

GEBIED

VO

SN

-2.0

GEBIED


TVO

GEBIED

GEBIED

TVO

DO 0

100

200

300 HCO3

400

500

600

700

800

-200

0

200

400

600 COND

800

1000

1200

1400

1600

Bijlagen Equisetum fluviatile


TWA

TWA

TWA

TVO

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

GEBIED

WA

GEBIED

TZB

GEBIED

TZB

ZB

ZB WA

VO

VO

VO

SN

SN

SN

DO

DO

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

0.0

0.5

-0.2

TWA

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

GEBIED

TWA

TVO

ZB

ZB WA VO

VO

SN

SN

DO

DO

220

280

-100

0

100

200

300

CA

400

500

600

700

800

-200

Equisetum palustre

TWA

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

WA

GEBIED

TWA

TVO

GEBIED

TWA

ZB WA

VO

VO

SN DO

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Equisetum palustre

TWA

TWA

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

ZB WA

WA

VO

VO

VO

SN

280

-100

DO 0

100

200

300

CA

400

500

600

700

800

-200

Filipendula ulmaria

TZB TWA

TVO

GEBIED

TSN TDO

GEBIED

TSN TDO

ZB

ZB WA

WA

VO

VO

VO

SN

SN

-0.4

0.0

0.4

-3.5

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Filipendula ulmaria

TZB TWA

TVO

GEBIED

TSN TDO

GEBIED

TSN TDO ZB WA

WA

VO

VO

VO

SN

SN

DO

CA

220

280

-100

2.8

ZB

WA

160

2.2

TVO

TSN TDO

SN

1.6

Filipendula ulmaria

TZB TWA

100

1.0

Filipendula ulmaria

TZB

DO

1600

AMPLI

TWA

40

0.4

MAX

ZB

1400

DO -3.0

MEAN

TVO

1200

SN

DO -0.8

1000

ZB

WA

DO

800

TVO

TSN TDO

-20

600

Filipendula ulmaria

TZB TWA

-1.2

400

Filipendula ulmaria

TZB

-1.6

200

COND

TWA

-2.0

0

HCO3

TVO

2.8

SN

DO 220

2.2

ZB

WA

160

1.6

TVO

GEBIED

GEBIED

TZB

SN

1600

Equisetum palustre

TZB

100

1.0

Equisetum palustre

TZB

DO

1400

AMPLI

TWA

40

0.4

MAX

ZB

1200

VO

SN DO -0.4

1000

ZB

SN

-0.8

800

WA

DO

-20

600

Equisetum palustre TZB

-1.2

400

Equisetum palustre TZB

-1.6

200

COND

TZB

-2.0

0

HCO3

ZB

2.8

ZB

SN

160

2.2

WA

DO 100

1.6


TWA

40

1.0 AMPLI

TZB

-20

0.4


GEBIED

GEBIED

-0.5

TZB

VO

GEBIED

-1.0

TZB

WA

GEBIED

-1.5 MAX


GEBIED

ZB WA

DO -2.0

GEBIED


TZB

DO 0

100

200

300 HCO3

400

500

600

700

800

-200

0

200

400

600 COND

800

1000

1200

1400

1600

Bijlagen Galium palustris

TWA

TWA

TWA

TVO

TVO

TVO

TDO

TDO

TDO

ZB

GEBIED

TZB

WA

ZB WA

VO

VO

VO

DO

DO

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

0.0

0.5

-0.2

TWA

TVO

TVO

TDO

TDO

TDO

GEBIED

TWA

TVO

ZB

ZB WA

VO

VO

160

220

280

-100

ZB

VO

100

200

300

400

500

600

700

800

-200

Galium uliginosum

Galium uliginosum

TWA

TWA

TWA

TVO

TVO

TDO

ZB

ZB

ZB

VO

VO

DO -0.4

0.0

0.4

-3.5

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Galium uliginosum

TWA

TWA

TVO

TVO

TDO

ZB

ZB

ZB

VO

VO

DO 280

-100

DO 0

100

200

CA

300

400

500

600

700

800

-200

Geum urbanum

TVO

TSN

TSN

WA

VO

SN

SN -0.4

0.0

0.4

GEBIED

TVO

TSN GEBIED

TVO

VO

-1.6

-1.2

-0.8

-0.4

0.0

0.4

0.0

Geum urbanum

TVO

TSN

TSN

WA

SN 160 CA

220

280

GEBIED

TVO

TSN GEBIED

TVO

100

0.6

-100

0.8

1.0

1.2

1.4

Geum urbanum

TWA

40

0.4

Geum urbanum

TWA

-20

0.2

AMPLI

TWA

SN

1200

WA

MAX

VO

1000

SN

-2.0

VO

800

VO

MEAN

WA

600

Geum urbanum

TWA

-0.8

400

Geum urbanum

TWA

-1.2

200

COND

TWA

-1.6

0

HCO3

WA

2.8

TDO

VO

220

2.2

TVO GEBIED

GEBIED

TWA

160

1.6

Galilum uliginosum TZB

100

1.0

Galium uliginosum TZB

40

1200

AMPLI

TZB

-20

0.4

MAX

DO

1000

DO -3.0

MEAN

TDO

800

TDO

VO

-0.8

600

TVO GEBIED

GEBIED

TZB

-1.2

400

Galium uliginosum

TZB

-1.6

200

COND

TZB

-2.0

0

HCO3

DO

2.8

DO 0

CA

TDO

2.2

WA

DO 100

1.6

Galium palustris

TWA

40

1.0 AMPLI

TZB

-20

0.4

Galium palustris

GEBIED

GEBIED

-0.5

TZB

DO

GEBIED

-1.0

TZB

WA

GEBIED

-1.5 MAX

Galium palustris

GEBIED

ZB WA

DO -2.0

GEBIED

Galium palustris

TZB

GEBIED

GEBIED

Galium palustris TZB

WA

VO

SN 0

100

200

300 HCO3

400

500

600

700

800

0

200

400

600

800 COND

1000

1200

1400

1600

Bijlagen Glyceria maxima

TVO

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

WA

GEBIED

TWA

WA VO

SN

SN

SN

DO

DO

DO

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

VO

-3.0

-2.5

-2.0

MEAN

0.0

0.5

-0.2

TVO

TSN

TSN

TDO

TDO

TDO

GEBIED

TVO

TSN

WA

WA

VO

VO

SN

SN

220

280

-100

WA

SN

100

200

300

400

500

600

700

800

0

Juncus acutiflorus

TWA

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

GEBIED

TWA

TVO

GEBIED

TWA

ZB WA

VO

VO

SN DO

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Juncus acutiflorus

TWA

TWA

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

ZB WA

WA

VO

VO

VO

SN

SN

DO 160

220

280

-100

DO 0

100

200

300

CA

400

500

600

700

800

-200

Lotus uliginosus

TVO

TSN

TSN

TDO

TDO

TDO

ZB

GEBIED

TVO

TSN

GEBIED

TVO

ZB VO SN

SN

DO

DO

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Lotus uliginosus

TVO

TSN

TSN

TDO

TDO

TDO

GEBIED

TVO

TSN

GEBIED

TVO

ZB VO SN

SN

DO

DO

220

280

-100

1.6

2.2

2.8

ZB

SN

160

1600

VO

DO

CA

1400

Lotus uliginosus TZB

100

1.0


ZB

1200

AMPLI

TZB

40

0.4

MAX

VO

1000

ZB

SN

-0.8

800

VO

DO

-20

600


-1.2

400


-1.6

200

COND

TZB

-2.0

0

HCO3

VO

2.8

ZB

WA

100

2.2

TVO

GEBIED

GEBIED

TWA

SN

1.6

Juncus acutiflorus TZB

40

1.0


DO

1600

AMPLI

TZB

-20

0.4

MAX

ZB

1400

VO

SN DO 0.0

1200

ZB

SN

-0.4

1000

WA

DO -0.8

800


-1.2

600


-1.6

400

COND

TZB

-2.0

200

HCO3

WA

2.8

DO 0

CA

ZB

2.2

VO

DO 160

1.6

Glyceria maxima

TVO

100

1.0 AMPLI

TWA

40

0.4

Glyceria maxima

GEBIED

GEBIED

-0.5

TWA

-20

GEBIED

-1.0

TWA

DO

GEBIED

-1.5 MAX

Glyceria maxima

GEBIED

WA

VO

-2.0

GEBIED

Glyceria maxima

TWA

GEBIED

GEBIED

Glyceria maxima TWA

0

100

200

300 HCO3

400

500

600

700

800

-200

0

200

400

600 COND

800

1000

1200

1400

1600

Bijlagen Lysimachia vulgaris

TWA

TWA

TWA

TVO

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

ZB

GEBIED

TZB

WA

ZB WA

VO

VO

VO

SN

SN

SN

DO

DO

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

0.0

0.5

-0.2

TWA

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

GEBIED

TWA

TVO

ZB

ZB WA VO

VO

SN

SN

DO

DO

220

280

-100

0

100

200

300

CA

400

500

600

700

800

-200

Lythrum salicaria

TVO

TSN

TSN

TDO

TDO

TDO

ZB

GEBIED

TVO

TSN

GEBIED

TVO

ZB VO

SN

-0.4

0.0

0.4

-3.5

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Lythrum salicaria

TVO

TSN

TSN

TDO

TDO

TDO

GEBIED

TVO

TSN

GEBIED

TVO

ZB VO SN

SN

DO

DO

220

280

-100

0

100

200

300

CA

400

500

600

700

800

-200

Menyanthes trifoliata

ZB

GEBIED

TVO

TDO

GEBIED

TVO

TDO

ZB

VO

DO

DO -0.8

-0.4

0.0

0.4

-3.5

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

-0.2

1.0

GEBIED

TVO

TDO

GEBIED

TVO

TDO

ZB

VO

280

-100

2.2

2.8

ZB

VO

DO 220

1.6


TVO

160

1600

TZB

TDO

CA

0.4


DO

1400

AMPLI

TZB

ZB

1200

DO -3.0


VO

1000

ZB

MAX

TZB

800

VO

MEAN

100

600


TVO

40

400

TZB

TDO

-20

200


VO

2.8

COND

TZB

-1.2

0

HCO3

TZB

2.2

ZB

SN

160

1.6

VO

DO

-1.6

1.0

Lythrum salicaria TZB

-2.0

0.4


100

1600

AMPLI

TZB

40

1400

ZB

MAX

ZB

1200

DO -3.0

MEAN

VO

1000

SN

DO -0.8

800

VO

SN

DO

-20

600


-1.2

400


-1.6

200

COND

TZB

-2.0

0

HCO3

VO

2.8

ZB

SN

160

2.2

WA

DO 100

1.6

Lysimachia vulgaris

TWA

40

1.0 AMPLI

TZB

-20

0.4

Lysimachia vulgaris

GEBIED

GEBIED

-0.5

TZB

VO

GEBIED

-1.0

TZB

WA

GEBIED

-1.5 MAX

Lysimachia vulgaris

GEBIED

ZB WA

DO -2.0

GEBIED

Lysimachia vulgaris

TZB

GEBIED

GEBIED

Lysimachia vulgaris TZB

DO 0

100

200

300 HCO3

400

500

600

700

800

-200

0

200

400 COND

600

800

1000

1200

Bijlagen Molinia caerulea

TWA

TWA

TWA

TVO

TVO

TVO

ZB

GEBIED

TZB

WA

ZB

WA

VO -1.2

-0.8

-0.4

0.0

0.4

VO

-2.0

-1.6

-1.2

-0.8

MEAN

-0.2

TWA

TVO

TVO

ZB

GEBIED

TWA

TVO

ZB

WA

100

140

180

220

260

50

150

250

350

450

550

650

-200


TWA

TVO

TVO GEBIED

TWA

TVO GEBIED

TWA

ZB

WA

-0.4

0.0

0.4

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-0.2

TWA

TVO

TVO GEBIED

TWA

TVO GEBIED

TWA

ZB

WA

VO 180

220

260

50

150

250

350

450

550

650

-200


TVO

GEBIED

TSN TDO

GEBIED

TSN TDO ZB WA

WA

VO

VO

VO

SN

0.0

0.4

-3.5

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

-0.2


TVO

GEBIED

TSN TDO

GEBIED

TSN TDO ZB WA

WA

VO

VO

VO

SN

CA

1.0

220

280

-100

1.6

2.2

2.8

SN

DO 160

1200

ZB

WA

SN

1000

TVO

TSN TDO

DO

800

Phalaris arundinacea TZB TWA

100

0.4


ZB

600

AMPLI

TZB

40

400

MAX

TWA

-20

200

DO -3.0

MEAN

TVO

1.6

SN

DO -0.4

1.4

ZB

WA

-0.8

1.2

TVO

TSN TDO

SN

1.0


-1.2

0


DO

0.8

COND

TZB

-1.6

0.6

ZB

TWA

-2.0

0.4

HCO3

ZB

1200

VO

-50

CA

TVO

1000

WA

VO 140

800


TZB

100

0.2


WA

600

AMPLI

TZB

60

0.0

MAX


20

400

ZB

TZB

-20

200

VO

-2.0

MEAN

ZB

1.6

WA

VO -0.8

1.4


TZB

-1.2

0


TZB

VO

1.2

COND

TZB

WA

1.0

ZB

HCO3

ZB

0.8

VO

-50

CA

-1.6

0.6

WA

VO 60

0.4

Molinia caerulea

TWA

20

0.2

AMPLI

TZB

-20

0.0

Molinia caerulea

GEBIED

GEBIED

0.4

TZB

VO

GEBIED

0.0

TZB

WA

GEBIED

-0.4

MAX

Molinia caerulea

GEBIED

ZB

WA

VO

-1.6

GEBIED

Molinia caerulea

TZB

GEBIED

GEBIED

Molinia caerulea

TZB

DO 0

100

200

300 HCO3

400

500

600

700

800

-200

0

200

400

600 COND

800

1000

1200

1400

1600

Bijlagen Phragmites australis

TWA

TWA

TWA

TVO

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

ZB

GEBIED

TZB

WA

ZB WA

VO

VO

VO

SN

SN

SN

DO

DO

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

0.0

0.5

-0.2

TWA

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

GEBIED

TWA

TVO

ZB

ZB WA VO

VO

SN

SN

DO

DO

220

280

-100

0

100

200

300

CA

400

500

600

700

800

-200


GEBIED

TVO

TDO

GEBIED

TVO

WA

WA

VO

VO

DO

DO

DO

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

-1.5

-1.0

-0.5

0.0

0.5

-0.2


GEBIED

TVO

TDO

GEBIED

TVO

TDO

WA

VO

VO

DO

DO

DO

280

-100

0

100

200

300

CA

400

500

600

700

800

0

Ranunculus flammula

TWA

TVO

TVO

TDO

TDO

TDO

GEBIED

TWA

TVO

GEBIED

TWA

ZB WA VO

VO

DO

DO

-0.8

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

MEAN

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Ranunculus flammula

TWA

TVO

TVO

TDO

TDO

TDO

GEBIED

TWA

TVO

GEBIED

TWA

ZB WA VO

VO

DO

DO

220

280

-100

2.2

2.8

ZB

VO

160

1.6

WA

DO

CA

1200

Ranunculus flammula TZB

100

1.0


ZB

1000

AMPLI

TZB

40

0.4

MAX

WA

800

ZB

VO

-20

600

WA

DO -1.2

2.8


-1.6

400


ZB

2.2

COND

TZB

-2.0

200

HCO3

WA

1.6

WA

VO

220

1600


TVO

160

1400

TWA

TDO

100

1.0


WA

1200

AMPLI

TWA

40

0.4

MAX

TWA

1000

WA

VO

-0.8

800


TDO

-20

600

TWA

TVO

-1.2

400


TWA

-1.6

200

COND

TDO

-2.0

0

HCO3

TWA

2.8

ZB

SN

160

2.2

WA

DO 100

1.6


TWA

40

1.0 AMPLI

TZB

-20

0.4


GEBIED

GEBIED

-0.5

TZB

VO

GEBIED

-1.0

TZB

WA

GEBIED

-1.5 MAX


GEBIED

ZB WA

DO -2.0

GEBIED


TZB

GEBIED

GEBIED

Phragmites australis TZB

0

100

200

300 HCO3

400

500

600

700

800

-200

0

200

400 COND

600

800

1000

1200

Bijlagen Rumex hydrolapatum

Rumex hydrolapatum

TZB

TVO

TVO

TDO

TDO

ZB

ZB

VO

DO -2.0

GEBIED

TVO

TDO

VO

DO -1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

DO -3.0

-2.5

-2.0

Rumex hydrolapatum

0.0

0.5

-0.2

TVO

TDO GEBIED

TVO

ZB

ZB

VO

160

220

280

-100

ZB

100

200

300

400

500

600

700

800

-200

Saxifraga granulata

GEBIED

TSN

TDO

GEBIED

TSN

ZB

SN

DO -0.4

0.0

0.4

-3.5

ZB

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

-0.2

saxifraga granulata

Saxifraga granulata

GEBIED

TSN

TDO

GEBIED

TSN

TDO

ZB

SN

DO 160

220

280

-100

ZB

DO 0

100

200

300

CA

400

500

600

700

800

-200

Scirpus sylvaticus

TZB TWA

TVO

GEBIED

TSN TDO

GEBIED

TSN TDO

ZB

ZB WA

WA

VO

VO

VO

SN

SN

-0.4

0.0

0.4

-3.5

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Scirpus sylvaticus

TZB TWA

TVO

GEBIED

TSN TDO

GEBIED

TSN TDO ZB WA

WA

VO

VO

VO

SN

SN

DO

CA

220

280

-100

2.8

ZB

WA

160

2.2

TVO

TSN TDO

SN

1.6

Scirpus sylvaticus

TZB TWA

100

1.0

Scirpus sylvaticus

TZB

DO

1600

AMPLI

TWA

40

0.4

MAX

ZB

1400

DO -3.0

MEAN

TVO

1200

SN

DO -0.8

1000

ZB

WA

DO

800

TVO

TSN TDO

-20

600

Scirpus sylvaticus

TZB TWA

-1.2

400

Scirpus sylvaticus

TZB

-1.6

200

COND

TWA

-2.0

0

HCO3

TVO

2.8

SN

DO 100

2.2

TZB

TSN

ZB

1.6

Saxifraga granulata

TZB

40

1.0 AMPLI

TDO

-20

0.4

MAX

SN

1200

DO -3.0

MEAN

TZB

1000

SN

DO -0.8

800

Saxifraga granulata

TDO

ZB

600

TZB

TSN

-1.2

400

Saxifraga granulata

TZB

-1.6

200

COND

TDO

-2.0

0

HCO3

SN

2.8

DO 0

CA

TZB

2.2

VO

DO 100

1.6

Rumex hydrolapatum

TDO

40

1.0

TZB

TVO

-20

0.4

AMPLI

TDO GEBIED

GEBIED

-0.5

Rumex hydrolapatum

DO

GEBIED

-1.0

TZB

VO

GEBIED

-1.5 MAX

TZB

GEBIED

ZB

VO

MEAN

GEBIED

Rumex hydrolapatum

TZB

GEBIED

GEBIED

TZB

DO 0

100

200

300 HCO3

400

500

600

700

800

-200

0

200

400

600 COND

800

1000

1200

1400

1600

Bijlagen Scutellaria galericulata

TVO

TVO

TVO

TSN

TSN

TSN

TDO

TDO

TDO

ZB

GEBIED

TZB

VO

ZB VO

SN

SN

SN

DO

DO

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-3.5

-3.0

-2.5

-2.0

-1.5

MEAN

0.5

-0.2

TVO

TSN

TSN

TDO

TDO

TDO

GEBIED

TVO

TSN

ZB

ZB VO

SN

SN

160

220

280

-100

ZB

SN

100

200

300

400

500

600

700

800

-200

Sphagnum fimbriatum

TWA

TVO

TVO GEBIED

TWA

TVO GEBIED

TWA

ZB

WA

VO

VO -0.8

-0.4

0.0

0.4

-1.6

-1.2

-0.8

-0.4

0.0

0.4

-0.2

Sphagnum fimbriatum

TWA

TVO

TVO GEBIED

TWA

TVO GEBIED

TWA

ZB

WA

180

220

260

50

150

250

350

450

550

650

-200

Stachys sylvatica

TVO

GEBIED

TSN TDO

GEBIED

TSN TDO ZB WA

WA

VO

VO

VO

SN

SN

-0.4

0.0

0.4

-3.5

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

-0.2

Stachys sylvatica

1.0

Stachys sylvatica TZB TWA

TVO

GEBIED

TSN TDO

GEBIED

TSN TDO ZB WA

WA

VO

VO

VO

SN

220

280

-100

1.6

2.2

2.8

SN

DO 160

1200

ZB

WA

SN

1000

TVO

TSN TDO

DO

800

Stachys sylvatica

TZB TWA

ZB

600

AMPLI

TZB

CA

0.4

MAX

TWA

100

400

DO -3.0

MEAN

TVO

1.6

SN

DO -0.8

1.4

ZB

WA

DO

1.2

TVO

TSN TDO ZB

1.0

Stachys sylvatica TZB TWA

40

200

Stachys sylvatica TZB

TVO

0.8

COND

TWA

-20

0

HCO3

TZB

-1.2

0.6

ZB

TWA

-1.6

0.4

VO

-50

CA

-2.0

0.2

WA

VO 140

1600

Sphagnum fimbriatum

TZB

100

0.0

Sphagnum fimbriatum

TZB

60

1400

AMPLI

TZB

VO

1200

VO

-2.0

WA

1000

ZB

MAX

ZB

800

WA

MEAN

20

600

Sphagnum fimbriatum

TZB

-20

400

Sphagnum fimbriatum

TZB

-1.2

200

COND

TZB

-1.6

0

HCO3

WA

2.8

DO 0

CA

ZB

2.2

VO

DO 100

1.6


TVO

40

1.0 AMPLI

TZB

-20

0.4


GEBIED

GEBIED

0.0

TZB

DO

GEBIED

-0.5

TZB

VO

GEBIED

-1.0

MAX


GEBIED

ZB VO

DO -2.0

GEBIED


TZB

GEBIED

GEBIED

Scutellaria galericulata TZB

DO 0

100

200

300 HCO3

400

500

600

700

800

-200

0

200

400

600 COND

800

1000

1200

1400

1600

Bijlagen Teucrium scorodonia

TWA

TWA

TWA

TVO

TVO

TVO

ZB

GEBIED

TZB

WA

ZB

WA

VO -1.2

-0.8

-0.4

0.0

0.4

-2.0

VO -1.6

-1.2

-0.8

MEAN

0.0

0.4

-0.2

TWA

TWA

TVO

TVO

TVO

ZB

WA

GEBIED

TWA

ZB

WA

VO 100

140

180

220

260

-50

150

250

350

450

550

650

-200

Viola palustris

TWA

TVO

TVO GEBIED

TWA

TVO GEBIED

TWA

ZB

WA

-0.4

0.0

0.4

-2.0

-1.2

-0.8

-0.4

0.0

0.4

-0.2

TWA

TVO

TVO GEBIED

TWA

TVO GEBIED

TWA

ZB

WA

VO 180

220

260

-50

1000

1200

0.4

0.6

0.8

1.0

1.2

1.4

1.6

ZB

WA

VO 140 CA

800

Viola palustris

TZB

100

0.2

Viola palustris

WA

600

AMPLI

TZB

60

0.0

MAX

Viola palustris

20

400

ZB

TZB

-20

200

VO -1.6

MEAN

ZB

1.6

WA

VO -0.8

1.4

Viola palustris

TZB

-1.2

0

Viola palustris

TZB

-1.6

1.2

COND

TZB

VO

1.0

ZB

HCO3

WA

0.8

VO 50

CA

ZB

0.6

WA

VO 60

0.4

Teucrium scorodonia

TZB

20

0.2

Teucrium scorodonia

TZB

-20

0.0

AMPLI

TZB

GEBIED

GEBIED

-0.4

MAX

Teucrium scorodonia

GEBIED

ZB

WA

VO

-1.6

GEBIED

Teucrium scorodonia

TZB

GEBIED

GEBIED

Teucrium scorodonia

TZB

VO 50

150

250 HCO3

350

450

550

650

-200

0

200

400 COND

600

800

1000

1200

Bijlagen Bijlage 5.1: Correlatiecoëfficient voor chemische en dynamische grondwatervariabelen voor de 6 subsets (5 gebieden afzonderlijk en samen) (in vet= significant, onderlijnd = coefficient boven 0.5) 5 GEBIEDEN Cond pH HCO3 PO4 NO3 NH4 SO4 Cl Na K Ca Mg Fe

Cond

pH

1.000 0.593 0.881 -0.395 0.075 0.110 0.326 0.443 0.365 -0.343 0.962 0.830 0.011

5 GEBIEDEN Mean Min Max Ampli Caaf Vex Cen Sum

DOODE BEMDE Cond pH HCO3 PO4 NO3 NH4 SO4 Cl Na K Ca Mg Fe

HCO3

PO4

NO3

1.000 0.711 1.000 -0.065 -0.246 1.000 -0.065 -0.046 -0.069 1.000 0.071 0.198 0.038 -0.061 -0.033 -0.057 -0.225 0.095 -0.105 0.190 -0.410 0.233 -0.069 0.173 -0.221 0.247 -0.403 -0.535 0.077 0.063 0.674 0.932 -0.323 0.039 0.530 0.822 -0.380 -0.006 -0.169 0.034 0.124 -0.166

Mean

0.001 0.131

Cl

Na

K

Ca

1.000 0.454 0.442 0.281 0.277 0.222 0.036

1.000 0.744 0.111 0.376 0.511 -0.050

1.000 0.090 0.328 0.266 0.164

1.000 -0.407 -0.361

1.000 0.848

Caaf

Vex

Cen

Sum

1.000 0.825 1.000 0.905 0.579 1.000 -0.653 -0.164 -0.899 1.000 0.057 0.095 0.168 -0.152 0.513 0.351 0.563 -0.490 0.586 0.159 0.751 -0.824 0.389 0.129 0.526 -0.569

1.000 0.043 0.205 0.136

1.000 0.159 -0.136

1.000 0.526

1.000

pH

HCO3

Max

1.000 -0.120 -0.158 -0.107 -0.129 0.148

SO4

Ampli

Cond

Min

NH4

PO4

NO3

NH4

SO4

Cl

Na

Mg

1.000 -0.011 -0.031 -0.113

K

1.000 0.476 1.000 0.940 0.442 1.000 -0.298 0.080 -0.221 1.000 -0.252 -0.180 -0.398 -0.233 1.000 0.228 0.166 0.356 -0.316 -0.129 1.000 0.195 -0.219 -0.079 -0.272 0.375 -0.294 1.000 0.252 0.135 -0.035 -0.044 0.121 -0.400 0.478 1.000 0.329 0.084 0.135 0.092 0.007 -0.413 0.489 0.660 1.000 -0.260 0.104 -0.357 0.063 0.534 -0.177 0.217 0.021 0.020 1.000 0.975 0.530 0.920 -0.325 -0.256 0.319 0.127 0.234 0.230 -0.313 0.688 0.478 0.737 0.082 -0.170 -0.003 -0.173 -0.031 0.159 0.000 0.329 -0.328 0.434 -0.064 -0.285 -0.072 0.115 -0.246 -0.043 -0.161

Fe

1.000

Ca

Mg

Fe

1.000 0.657 0.182

1.000 0.173

1.000

Bijlagen Bijlage 5.1(vervolg) DOODE BEMDE Mean Min Max Ampli Caaf Vex Cen Sum

SNOEKENGRACHT Cond pH HCO3 PO4 NO3 NH4 SO4 Cl Na K Ca Mg Fe

Mean

Ampli

Caaf

Vex

Cen

Sum

1.000 0.919 1.000 0.976 0.854 1.000 -0.902 -0.691 -0.965 1.000 0.405 0.452 0.471 -0.419 0.201 0.219 0.163 -0.114 0.803 0.934 -0.898 0.932 0.680 0.499 0.743 -0.784

1.000 0.390 0.425 0.209

1.000 0.139 -0.314

1.000 0.607

1.000

Cond

Min

pH

1.000 0.072 0.645

HCO3

1.000 -0.206 -0.047 -0.240 0.079 0.075 -0.263 0.062 0.601 0.087 0.887 0.204 0.829 0.094 0.046 0.145 0.960 -0.003 0.740 0.016 -0.166 -0.134

SNOEKENGRACHT Mean Min Max Ampli Caaf Vex Cen Sum

Mean

Max

PO4

NO3

NH4

SO4

Cl

Na

K

Ca

Mg

Fe

1.000 0.049

1.000

1.000 0.155 1.000 -0.407 -0.232 -0.180 -0.054 0.326 0.222 -0.190 0.748 0.743 0.171

Min

1.000 0.442 -0.196 1.000 -0.253 0.391 -0.240 1.000 -0.080 0.127 -0.167 0.615 1.000 -0.039 0.254 -0.221 0.759 0.900 1.000 0.221 0.242 0.079 0.206 0.109 0.155 1.000 -0.015 0.019 -0.331 0.530 0.768 0.704 0.077 1.000 -0.103 -0.279 -0.095 0.275 0.579 0.386 -0.261 0.715 0.353 -0.255 0.407 -0.447 -0.271 -0.284 -0.334 -0.200

Max

Ampli

Caaf

Vex

Cen

1.000 0.801 1.000 0.927 0.601 1.000 -0.763 -0.285 -0.937 1.000 0.129 0.294 0.158 -0.061 1.000 0.646 0.711 -0.572 0.164 1.000 0.767 0.447 0.005 0.536 -0.640 -0.061 -0.065 1.000 -0.04 -0.228 0.2088 -0.35 0.0073 -0.376 0.3998

Sum

1

Bijlagen Bijlage 5.1(vervolg) VORSDONK

Cond

Cond pH HCO3 PO4 NO3 NH4 SO4 Cl Na K Ca Mg Fe

1.000 0.105 0.474 0.089 0.343

pH

HCO3

1.000 0.736 0.352

1.000 0.450

NO3

NH4

1.000 -0.025 0.000 -0.033 1.000 0.076 0.247 0.365 -0.136 1.000 -0.075 0.136 -0.101 0.364 0.110 -0.664 -0.611 -0.347 0.028 0.079 -0.413 -0.236 -0.307 -0.067 0.156 -0.395 -0.323 -0.265 0.068 -0.196 0.355 0.671 0.228 0.306 0.219 0.349 0.332 0.040 0.054 -0.041 -0.284 -0.292 -0.234 -0.008 0.231

0.220 0.885 0.125 0.269 0.009 0.913 0.536 0.079

VORSDONK

Mean

Mean

1.000

Min

0.579

1.000

Max

0.916

Ampli

0.373 0.048

Caaf

-0.726 -0.068

Vex Cen Sum

PO4

Min

Max

Ampli

Caaf

SO4

1.000 0.238 0.304 0.091 0.790 0.511 0.132

Vex

Cl

Na

Cen

0.290

0.603

-0.519

0.268

1.000

0.518 0.061

-0.283

0.672 0.198

-0.851 -0.276

-0.226

0.130

1.000

0.006

-0.327

0.377

1.000

NO3

NH4

Cl

Na

Cond pH HCO3 PO4 NO3 NH4 SO4 Cl Na K Ca Mg Fe

1.000 0.370 0.591 -0.279 -0.217 -0.300 0.853 0.072 0.173 0.095 0.944 0.911 0.347

1.000

1.000

0.454

pH

Fe

1.000 0.113

Cond

Mg

Sum

0.272

WALENBOS

Ca

1.000 0.717 1.000 0.439 0.342 1.000 -0.212 -0.038 -0.187 1.000 -0.074 -0.215 -0.074 0.559 1.000 0.617 0.728 0.389 -0.241 -0.165

-0.909 0.009

-0.140

K

HCO3

1.000 0.849 1.000 -0.188 -0.214 -0.377 -0.349 -0.536 -0.446 -0.023 0.114 -0.732 -0.687 -0.663 -0.571 -0.093 -0.042 0.603 0.799 0.493 0.705 -0.342 -0.328

PO4

1.000

1.000 0.313 1.000 0.378 0.337 1.000 -0.213 -0.110 -0.134 0.041 0.294 0.371 -0.006 0.210 0.340 0.152 0.207 0.042 -0.294 -0.281 -0.406 -0.139 -0.230 -0.322 -0.143 -0.127 0.194

SO4

1.000 0.431 0.482 0.059 0.679 0.679 0.602

K

1.000 0.900 1.000 0.207 0.323 1.000 -0.227 -0.139 -0.026 -0.140 -0.066 0.167 0.704 0.784 0.124

Ca

Mg

Fe

1.000 0.915 0.088

1.000 0.131

1.000

Bijlagen Bijlage 5.1(vervolg)

ZWARTE BEEK

WALENBOS

Mean

Mean

1.000

Min

0.926

1.000

Max

0.958

0.811

1.000

Ampli

-0.736

-0.455

-0.890

Caaf

-0.329

-0.199

-0.340

0.363

1.000

Vex

0.565

0.329

0.663

-0.753

-0.325

1.000

Cen

0.412

0.288

0.530

-0.582

0.091

Sum

0.366

0.275

0.452

-0.473

-0.244

0.153 -0.015

HCO3

PO4

Cond

pH

Cond

1.000

pH

-0.097

1.000

HCO3 PO4

0.366 0.129

0.632 0.245

NO3

0.071

-0.234

NH4

0.385

0.119

SO4

0.696

Cl

Min

Max

Ampli

Caaf

Vex

Cen

Sum

1.000

NO3

NH4

SO4

1.000 0.515

Cl

1.000

Na

K

Ca

Mg

Fe

1.000 1.000

0.409 -0.273

-0.071

1.000

0.354 -0.033

-0.092

1.000

-0.541

0.586 -0.183

0.249

0.259

1.000

0.729

-0.340

-0.094

-0.153

0.030

0.015

0.543

1.000

Na

0.581

-0.336

-0.095

-0.201

0.002

-0.012

0.373

0.890

1.000

K

0.521

-0.394

-0.179

0.019

0.165

0.086

0.671

Ca

0.752

0.711

-0.042

0.522

0.355

0.615

0.315

0.322 0.053

0.476 0.064

Mg

0.382 -0.026

0.487 0.248

0.112

0.361

Fe

0.346

0.184

0.647

0.228

-0.177

0.595

0.401 0.168

0.409 0.119

0.299 0.055

ZWARTE BEEK

Mean

Min

Max

Ampli

Caaf

Vex

Mean

1.000

Min

0.652

1.000

Max

0.846

Ampli

-0.682

0.417 -0.080

Caaf Vex

0.359 0.205

Cen

0.788

Sum

0.367

Cen

Sum

1.000 -0.939

1.000

0.492 -0.033

0.334

-0.181

0.429

-0.483

0.159

1.000

0.331 0.200

0.803

-0.756

0.288

0.112

1.000

0.559

-0.538

0.155

-0.257

0.466

1.000

1.000

1.000 0.061

1.000

0.118

0.467

1.000

-0.045

0.412

0.311

1.000

Bijlagen Bijlage 6.1: Multiple regressies voor de 12 voorbeeldsoorten uit hoofdstuk 4, per Deelgebied, met gebruik van polynomen (GLM) of smoothers (GAM), en met/zonder logaritmesering van de abiotische variabelen (Soort = soort code, G = deelgebied, D = Doode Bemde, S = Snoekengracht, V = Vorsdonkbos, W = Walenbos, Z = Zwarte Beek, = Pos. = totaal aantal positieve waarnemingen, Modeltermen = stapsgewijs gekozen model predictoren in keuzevolgorde, df = aantal voor model gebruikte vrijheidsgraden, %D = percentage verklaarde deviance) Soort G Model Pos. Modeltermen df %D Angesylv

D

GLMlog GLM GAMlog GAM GLMlog

244 244 244 244 384

GLM GAMlog

384 384

GAM

384

GLMlog GLM GAMlog GAM W GLMlog GLM GAMlog GAM Z GLMlog GLM GAMlog GAM D GLMlog GLM

380 380 380 380 21 21 21 21 374 374 374 374 70 70

S

V

Caltpalu

S

V

W

Z

GAMlog GAM

70 70

GLMlog

294

GLM GAMlog

294 294

GAM

294

GLMlog

92

GLM GAMlog GAM GLMlog GLM GAMlog GAM GLMlog GLM

92 92 92 31 31 31 31 185 185

GAMlog GAM

185 185

poly(CL,2)+poly(FE,2)+poly(CA,2)+HCO3+NO3 9 poly(NO3,2)+Na+SO4+MEAN+CL 7 s(NO3,2)+s(CL,2)+s(FE,2)+K+NH4+PHL+MEAN 11 s(NO3,2)+s(CL,2)+PO4+MG+K+FE+NH4 10 poly(CONDL,2)+poly(NH4,2)+poly(MAX,2)+poly(MG,2) 11 +poly(PHL,2) poly(CONDL,2)+PHL+MIN+NH4+poly(AMPLI,2) 8 s(CONDL,2)+s(MG,2)+s(NH4,2)+s(MAX,2)+PHL 13 +s(HCO3,2)+PO4 s(CONDL,2)+s(MIN,2)+PHL+MG+s(PO4,2)+s(HCO3,2) 15 +s(AMPLI,2) PO4+MEAN+PHL+FE+Na 6 poly(PO4,2)+MEAN+MG+FE+Na 7 PO4+MEAN+PHL+FE+Na 6 s(PO4,2)+MEAN+MG+FE+Na+s(MIN,2) 9 FE 2 PHL 2 FE+s(AMPLI,2) 4 PHL+s(AMPLI,2)+CA 5 AMPLI+poly(NH4,2)+poly(MG,2)+poly(PHL,2)+K 9 AMPLI+NH4+poly(MG,2)+poly(Na,2)+PHL 8 AMPLI+s(NH4,2)+s(MG,2)+MIN+K+s(PO4,2)+s(MEAN,2) 12 AMPLI+NH4+s(MG,2)+MIN+s(Na,2)+s(PO4,2)+MEAN 11 poly(AMPLI,2)+PO4+MAX+poly(CA,2)+NO3 8 poly(AMPLI,2)+poly(PO4,2)+MAX+poly(CA,2) 10 +poly(NO3,2) PO4+s(AMPLI,2)+MAX+s(CA,2)+PHL+NO3+SO4 10 s(AMPLI,2)+s(PO4,2)+MAX+s(HCO3,2)+s(MG,2)+K 13 +s(CONDL,2) poly(MEAN,2)+poly(AMPLI,2)+poly(PO4,2) 10 +poly(SO4,2)+NO3 poly(MEAN,2)+poly(AMPLI,2)+poly(PO4,2)+SO4+NO3 9 s(MEAN,2)+s(AMPLI,2)+s(PO4,2)+NO3+s(SO4,2) 14 +s(CL,2)+s(PHL,2) s(MEAN,2)+s(AMPLI,2)+s(PO4,2)+SO4+NO3+NH4+s(PHL,213 ) poly(CA,2)+poly(AMPLI,2)+poly(K,2)+NO3 10 +poly(Na,2) poly(AMPLI,2)+poly(K,2)+NO3+PHL 7 s(AMPLI,2)+CA+s(K,2)+NO3+PHL 8 s(AMPLI,2)+s(K,2)+NO3+PHL 7 MEAN+poly(CA,2)+PO4+poly(MIN,2)+poly(AMPLI,2) 9 MEAN+PO4+poly(CA,2)+poly(CL,2)+HCO3 8 MEAN+PO4+s(CA,2) 5 MEAN+PO4+s(CA,2) 5 MEAN+NH4+poly(MIN,2)+poly(MG,2)+poly(MEAN,2) 8 MEAN+poly(NH4,2)+poly(MG,2)+poly(MIN,2) 9 +poly(MEAN,2) MEAN+NH4+s(MIN,2)+s(MG,2)+Na 8 MEAN+s(NH4,2)+PO4+s(MG,2)+s(MIN,2) 9

22.4 20.6 23.7 22.6 16.9 16.3 18.3 19.4 35.1 35.4 35.1 36.7 5.1 4.1 10.6 14.5 29.8 29.4 30.5 30.6 43.9 49.5 45.4 48.1 39.7 39.7 40.3 42 30.3 27.3 27.7 27 42.8 38.5 30.6 29.6 32.8 32.2 32.5 31.3

Bijlagen Bijlage 6.1: Vervolg Soort Careacut

G Model D GLMlog GLM GAMlog GAM S GLMlog GLM GAMlog GAM V GLMlog

W

Z

Carerost

D

S

V

W

Z

GLM GAMlog GAM GLMlog GLM GAMlog GAM GLMlog GLM GAMlog GAM GLMlog GLM GAMlog GAM GLMlog GLM GAMlog GAM GLMlog GLM GAMlog GAM GLMlog GLM GAMlog GAM GLMlog GLM GAMlog GAM

Pos. 115 115 115 115 21 21 21 21 71

Modeltermen

71 71 71 9 9 9 9 119 119 119 119 5 5 5 5 10 10 10 10 16 16 16 16 8 8 8 8 140 140 140 140

9 19.2 s(FE,2)+s(MEAN,2)+s(CL,2)+MG+s(K,2) 10 19.4 s(NH4,2)+PHL+s(MEAN,2)+s(K,2) 8 13 K 2 63 K 2 62.7 K 2 63 K 2 62.7 MEAN+K+poly(NO3,2)+poly(PHL,2) 7 10 MEAN+poly(K,2)+poly(SO4,2) 6 9.6 MEAN+K+s(PHL,2)+s(NO3,2) 7 10.8 MEAN+CONDL+s(PHL,2)+s(K,2) 7 10.4 poly(CA,2)+MEAN+poly(K,2) 6 95.2 poly(CA,2)+poly(MEAN,2) 5 80.3 s(CA,2)+Na+MEAN+CONDL 6 89.8 PO4+PHL+s(FE,2)+s(MG,2) 7 82.7 poly(NO3,2)+PO4+poly(Na,2)+MEAN+CONDL 8 80.1 PO4+PHL+poly(MAX,2)+poly(SO4,2)+poly(FE,2) 9 77.1 PO4+PHL+s(Na,2)+FE+MEAN+NH4 8 72.9 PO4+PHL+s(Na,2)+s(FE,2) 7 65.1 poly(MAX,2)+K+poly(CL,2)+poly(SO4,2)+poly(FE,2) 10 67.8 poly(MAX,2)+K+poly(CL,2)+CA+MIN 8 61.8 K+s(MAX,2)+MIN 5 42.9 K+s(MAX,2)+s(MIN,2) 6 45.6 AMPLI 2 9.9 AMPLI 2 9.9 AMPLI 2 9.9 AMPLI 2 9.9 MAX+poly(MG,2)+NH4+HCO3+MIN 7 28.9 MAX+poly(MG,2)+poly(NH4,2)+HCO3+MIN 8 30.6 MAX+s(MG,2)+NH4+HCO3+PHL 7 28.8 MAX+s(NH4,2)+HCO3+PHL 6 28.2

poly(MEAN,2)+AMPLI+PO4+poly(Na,2)+PHL poly(MEAN,2)+AMPLI+Na+MAX+K s(MEAN,2)+s(AMPLI,2)+MAX+K+Na+s(NO3,2)+PO4 s(MEAN,2)+s(AMPLI,2)+MAX+Na+K+CONDL+s(PO4,2) MAX+PO4+NO3+poly(FE,2) MAX+NO3+FE+poly(NH4,2) MAX+PO4+NO3+s(FE,2)+SO4 MAX+NO3+FE poly(FE,2)+poly(MEAN,2)+poly(MAX,2)+MG +poly(HCO3,2) poly(NH4,2)+PHL+poly(HCO3,2)+PO4+poly(MEAN,2)

df %D 8 29.1 7 28 11 34.9 11 31.7 6 94.3 6 91.9 7 96 4 84.8 10 21.1

Bijlagen Bijlage 6.1: Vervolg Soort Equifluv

Equipalu

G Model D GLMlog GLM GAMlog GAM S GLMlog GLM GAMlog GAM V GLMlog GLM GAMlog GAM W GLMlog GLM GAMlog GAM Z GLMlog GLM GAMlog GAM D GLMlog GLM GAMlog GAM

Pos. 80 80 80 80 13 13 13 13 41 41 41 41 15 15 15 15 340 340 340 340 267 267 267 267

S GLMlog GLM GAMlog GAM

230 230 230 230

V GLMlog GLM GAMlog GAM W GLMlog GLM GAMlog GAM Z GLMlog

55 55 55 55 13 13 13 13 91

GLM 91 GAMlog 91

Modeltermen

df %D 7 40.8 FE+CA+poly(MEAN,2)+PHL+poly(SO4,2) 8 45.3 FE+HCO3+s(MEAN,2)+K+CA+s(SO4,2) 9 41.3 FE+CA+s(MEAN,2)+PHL+s(SO4,2) 8 43.6 poly(CONDL,2)+poly(MG,2)+CA 6 77.3 poly(CONDL,2)+poly(MG,2)+CA 6 77.6 s(CONDL,2)+MEAN+NO3 5 77.2 s(CONDL,2)+MEAN+HCO3+NH4+MG 7 76.3 PO4+poly(K,2)+AMPLI+poly(MIN,2) 7 31.1 PO4+K+SO4 4 26.8 PO4+s(K,2)+AMPLI+s(MIN,2) 7 30.8 PO4+K+SO4 4 26.8 AMPLI+FE+poly(AMPLI,2) 4 21.5 AMPLI+FE+K+CL 5 29.3 AMPLI+FE+K+CL 5 27.9 AMPLI+FE+K+CL 5 29.3 MAX+NH4+MG+PO4+PHL 6 27.4 MAX+NH4+MG+poly(NO3,2)+CA 7 26.4 MAX+NH4+MG+PO4+s(PHL,2)+AMPLI+MEAN 9 31.1 MAX+NH4+MG+CA+PO4+s(MG,2)+s(SO4,2) 9 28.6 PO4+MEAN+poly(AMPLI,2)+Na+CONDL 7 27.4 poly(PO4,2)+MEAN+poly(AMPLI,2)+Na+CONDL 8 27.3 PO4+MEAN+s(AMPLI,2)+Na+CONDL+s(PO4,2)+NH4 9 29.8 s(PO4,2)+MEAN+s(AMPLI,2)+s(Na,2)+CONDL+s(NO3,2) 12 31.1 FE+HCO3+poly(MEAN,2)+CA+K

+MIN poly(CONDL,2)+poly(PO4,2)+poly(SO4,2)+PHL+MIN poly(CONDL,2)+poly(PO4,2)+poly(SO4,2)+PHL+MIN s(CONDL,2)+s(PO4,2)+s(SO4,2)+PHL+MIN+NO3+FE s(CONDL,2)+s(PO4,2)+s(SO4,2)+PHL+MIN+s(NH4,2) +s(NO3,2) NH4+poly(MG,2)+PO4+MIN+poly(FE,2) NH4+PO4+poly(MG,2) NH4+s(AMPLI,2)+s(MG,2)+PO4 NH4+PO4+s(MG,2) MG+poly(CA,2) MG+poly(PO4,2)+FE s(MG,2)+CA MG+FE+NO3 poly(NH4,2)+SO4+poly(HCO3,2)+poly(PHL,2) +poly(MIN,2) poly(NH4,2)+CA+FE+poly(SO4,2)+MEAN s(NH4,2)+s(SO4,2)+s(HCO3,2)+MEAN+s(MIN,2)+MAX +s(NO3,2)

9 42.8 9 45.8 11 44 14 49.8 8 37.4 5 28.8 7 32.6 5 28 4 33 5 35.5 4 30.4 4 29 10 51.8 8 47.5 13 53.7

Bijlagen Bijlage 6.1: Vervolg Soort Filiulma

G Model Pos. Modeltermen D GLMlog 356 poly(MEAN,2)+poly(AMPLI,2)+poly(NH4,2)+CA GLM

356

GAMlog 356

Juncacut

GAM

356

S GLMlog GLM GAMlog GAM V GLMlog GLM GAMlog GAM W GLMlog GLM GAMlog GAM Z GLMlog GLM GAMlog GAM D GLMlog GLM

472 472 472 472 357 357 357 357 38 38 38 38 307 307 307 307 42 42

GAMlog 42 GAM 42 S GLMlog 62 GLM GAMlog GAM V GLMlog GLM GAMlog GAM W GLMlog GLM GAMlog GAM Z GLMlog GLM GAMlog GAM

62 62 62 101 101 101 101 11 11 11 11 406 406 406 406

+poly(SO4,2) poly(MEAN,2)+poly(AMPLI,2)+poly(MG,2)+poly(CL,2) +poly(SO4,2) s(MEAN,2)+s(AMPLI,2)+s(PO4,2)+s(MG,2)+s(NH4,2) +s(SO4,2) s(MEAN,2)+s(AMPLI,2)+NH4+K+s(SO4,2)+CONDL +s(MG,2) poly(CL,2)+MEAN+CONDL+NH4+poly(MG,2)

df %D 10 31 11 34.6 13 33.8 12 34.5

8 26.3 8 26.5 s(CL,2)+MEAN+CONDL+NH4+s(Na,2)+s(MG,2)+s(PHL,2) 12 28.4 s(CL,2)+MEAN+CONDL+NH4+s(MG,2)+s(Na,2)+s(PHL,2) 12 28.3 PO4+PHL+Na+MEAN+FE 6 42.3 poly(PO4,2)+PHL+Na+MEAN+FE 7 41.4 PO4+PHL+Na+MEAN+FE+s(SO4,2) 8 44.4 s(PO4,2)+s(Na,2)+AMPLI+FE+MG+MEAN+s(K,2) 11 45.3 PHL+MG+AMPLI+poly(Na,2) 6 34.9 PHL+MG+AMPLI+poly(MIN,2) 6 34.8 PHL+MG+AMPLI 4 31.2 PHL+MG+AMPLI+s(MIN,2) 6 33.9 MAX+PO4+K+PHL+NO3 6 25.8 MAX+PO4+PHL+NO3+poly(MG,2) 7 24.2 MAX+PO4+K+PHL+NO3+s(MG,2)+SO4 9 29.5 MAX+PO4+PHL+NO3+s(MG,2)+s(SO4,2)+K 10 26.2 poly(PHL,2)+poly(MAX,2)+Na+poly(AMPLI,2)+SO4 9 74 poly(PHL,2)+poly(MAX,2)+Na+poly(AMPLI,2) 10 76.6 poly(CL,2)+MEAN+CONDL+NH4+poly(MG,2)

+poly(CA,2) s(PHL,2)+s(MAX,2)+Na+FE+MIN+SO4 s(PHL,2)+s(MAX,2)+Na+s(AMPLI,2) poly(SO4,2)+poly(NH4,2)+PHL+poly(CONDL,2) +poly(MG,2) poly(CONDL,2)+poly(SO4,2)+PO4+PHL+Na s(NH4,2)+s(SO4,2)+PHL+s(CONDL,2)+MIN+s(MG,2) s(SO4,2)+NH4+PHL+s(PO4,2)+K+AMPLI+s(K,2) CL+poly(MEAN,2)+AMPLI+Na+PO4 CL+poly(MEAN,2)+AMPLI+Na s(CL,2)+s(MIN,2)+s(MEAN,2)+FE+s(NH4,2)+PO4 s(CL,2)+MIN+s(MEAN,2)+s(FE,2) MEAN+poly(FE,2)+MIN+CL MEAN+poly(FE,2)+MIN+CL MEAN+s(FE,2)+MIN MEAN+s(FE,2)+MIN+CL poly(NH4,2)+poly(MG,2)+CL NH4+Na+poly(MG,2) s(NH4,2)+CL+s(MG,2) s(NH4,2)+s(MG,2)+Na

9 76.5 8 70.5 10 61.8 8 63.1 11 61.1 11 65.4 7 28.5 6 27.6 11 31.4 8 27.9 6 51.6 6 52.7 5 42.6 6 51.9 6 13.6 5 12.9 6 13.8 6 13.8

Bijlagen Bijlage 6.1: Vervolg Soort Lysivulg

Phalarun

G Model D GLMlog GLM GAMlog GAM S GLMlog GLM GAMlog GAM V GLMlog GLM GAMlog GAM W GLMlog GLM GAMlog GAM Z GLMlog

Pos. 139 139 139 139 18 18 18 18 358 358 358 358 27 27 27 27 410

GLM

410

GAMlog GAM D GLMlog GLM

410 410 166 166

GAMlog 166 GAM 166 D GLMlog 85 GLM 85 GAMlog GAM V GLMlog GLM GAMlog GAM W GLMlog GLM GAMlog GAM Z GLMlog GLM GAMlog GAM

85 85 144 144 144 144 9 9 9 9 77 77 77 77

Modeltermen

df %D 6 51.8 AMPLI+FE+poly(CL,2)+poly(AMPLI,2)+MEAN 7 56.1 AMPLI+s(FE,2)+s(CL,2)+s(AMPLI,2)+MG+MEAN 11 57.8 AMPLI+FE+s(CL,2)+MEAN+s(AMPLI,2)+s(SO4,2)+s(K,2) 11 59.9 poly(PO4,2)+MIN+MG 5 38 NO3+MIN+poly(PO4,2)+MEAN+MAX 7 48.1 NO3+MIN+s(PO4,2)+CL+FE 7 41.9 NO3+MIN+s(PO4,2)+MEAN+MAX 7 48 AMPLI+poly(NH4,2)+CL 5 29.4 AMPLI+poly(NH4,2)+CL+HCO3 6 29.9 AMPLI+s(NH4,2)+CL 5 29.2 AMPLI+s(NH4,2)+CL 5 29 NO3+poly(MIN,2) 4 25.2 poly(MAX,2)+PHL+MG+poly(SO4,2) 7 33.3 NO3+s(MIN,2) 4 23.5 K+PHL+MG+CL 5 27.2 poly(K,2)+poly(CA,2)+poly(Na,2)+poly(MIN,2) 11 24 AMPLI+FE+CL+poly(AMPLI,2)+MG

+poly(MG,2) poly(K,2)+poly(CA,2)+poly(MIN,2)+poly(MG,2) +poly(Na,2) s(K,2)+s(CA,2)+s(MIN,2)+s(Na,2)+s(MG,2) s(K,2)+s(CA,2)+s(Na,2)+s(MIN,2) poly(CL,2)+poly(FE,2)+poly(MIN,2)+NH4+MEAN poly(NO3,2)+poly(CL,2)+poly(MIN,2)+poly(NH4,2) +MEAN s(CL,2)+s(FE,2)+s(MIN,2)+NH4+s(NO3,2)+s(K,2) +s(MEAN,2) s(CL,2)+s(NO3,2)+s(MIN,2)+MEAN+PO4+s(NH4,2) poly(CONDL,2)+SO4+K+poly(NO3,2)+FE poly(CONDL,2)+poly(SO4,2)+K+poly(NO3,2) +poly(MG,2) s(CONDL,2)+s(SO4,2)+K+FE+s(NO3,2) s(CONDL,2)+s(SO4,2)+K+FE+s(NO3,2) AMPLI+poly(CA,2)+MIN+MAX+poly(PO4,2) AMPLI+MIN+K+MG+MAX AMPLI+s(CA,2)+MIN+MAX+PO4+s(K,2) AMPLI+MIN+K+MG+MAX+Na PHL+NO3+poly(CL,2) PHL+K PHL+NO3+s(CL,2) PHL+K poly(MIN,2)+PHL+HCO3+NO3+poly(PHL,2) poly(MIN,2)+PHL+HCO3+NO3+SO4 s(MIN,2)+PHL+HCO3+NO3+s(PHL,2) s(MIN,2)+PHL+HCO3+SO4+NO3

11 21.4 11 22.1 9 19.7 9 16.5 10 17.5 14 19.9 11 15.8 8 26.5 10 29.9 9 9 8 6 9 7 5 3 5 3 7 7 8 8

26.4 27.1 29.8 28.1 30.3 29.4 38.5 27.1 37.4 27.1 39.7 40.1 38.3 39.4

Bijlagen Bijlage 6.1: Vervolg Soort Phraaust

Scirsylv

G Model D GLMlog GLM GAMlog GAM S GLMlog GLM GAMlog GAM

Pos. 254 254 254 254 125 125 125 125

V GLMlog GLM GAMlog GAM W GLMlog GLM GAMlog GAM Z GLMlog GLM GAMlog GAM D GLMlog GLM

16 16 16 16 133 133 133 133 106 106 106 106 72 72

GAMlog 72 GAM 72 S GLMlog 135 GLM GAMlog GAM V GLMlog GLM GAMlog GAM W GLMlog GLM GAMlog GAM Z GLMlog GLM GAMlog GAM

135 135 135 162 162 162 162 41 41 41 41 244 244 244 244

Modeltermen

df %D 8 71.1 MAX+FE+poly(CONDL,2)+K+HCO3 7 69.1 MAX+FE+s(CONDL,2)+s(K,2)+CA 8 68.6 MAX+FE+K+SO4+MEAN+s(HCO3,2)+MG 9 71.6 MAX+poly(HCO3,2)+PO4+NH4+PHL 7 50.4 MAX+poly(HCO3,2)+poly(PO4,2)+poly(NO3,2)+NH4 9 50.1 MAX+s(HCO3,2)+PO4+NH4+s(MG,2)+PHL+s(MEAN,2) 11 53.6 MAX+s(HCO3,2)+s(PO4,2)+s(NO3,2)+s(CA,2)+s(MG,2) 15 55.1 MAX+FE+poly(CONDL,2)+poly(K,2)+CA

+CONDL NH4+poly(AMPLI,2)+MAX+poly(PO4,2)+NO3

8 62.3 9 67 s(NH4,2)+s(AMPLI,2)+NO3+s(MEAN,2) 8 58.3 NH4+s(AMPLI,2)+MEAN 5 43.9 poly(Na,2)+poly(NO3,2)+K+MIN+poly(AMPLI,2) 9 36.5 poly(CL,2)+NO3+K+Na+poly(MAX,2) 8 37 s(CL,2)+s(NO3,2)+s(SO4,2)+s(Na,2)+s(K,2) 11 36.3 s(CL,2)+NO3+K+Na+s(MAX,2) 8 36.5 MG+poly(MAX,2)+poly(PHL,2)+CONDL+Na 8 40.1 MG+poly(PO4,2)+poly(AMPLI,2)+poly(SO4,2)+FE 9 43.6 MG+s(PO4,2)+s(AMPLI,2)+SO4+NO3+NH4+s(K,2) 11 46.1 MG+s(PO4,2)+s(NH4,2)+NO3+s(K,2)+s(HCO3,2)+AMPLI 12 47.4 poly(MAX,2)+NO3+MIN+FE+poly(CONDL,2) 8 46.2 poly(MAX,2)+poly(PHL,2)+CL+poly(CONDL,2) 10 48.5 NH4+poly(AMPLI,2)+MAX+poly(PO4,2)+poly(MG,2)

+poly(SO4,2) s(PHL,2)+PO4+s(MAX,2)+MIN+NH4+FE

9 48.7 s(PHL,2)+s(MAX,2)+PO4+MIN+K+s(NH4,2)+s(AMPLI,2) 12 48.2 poly(CONDL,2)+poly(MIN,2)+PHL+poly(PO4,2) 10 41.7 +poly(NH4,2) poly(CONDL,2)+poly(MIN,2)+poly(PO4,2)+PHL+NH4 s(CONDL,2)+s(MIN,2)+PHL+s(PO4,2)+s(NH4,2) s(CONDL,2)+s(MIN,2)+PHL+s(PO4,2)+NH4+s(CL,2) MIN+poly(MAX,2)+NH4+poly(CL,2)+FE MIN+poly(MAX,2)+poly(CL,2)+PO4+FE MIN+s(MAX,2)+NH4+PO4+FE+s(NH4,2)+s(CL,2) MIN+s(MAX,2)+PO4+s(FE,2)+s(CL,2) MIN+poly(CL,2) poly(CL,2) MIN+s(CL,2) MIN+PO4+s(CL,2) poly(K,2)+MG+CA+CONDL+poly(Na,2) MG+HCO3+poly(FE,2)+poly(CA,2)+poly(Na,2) MG+s(MIN,2)+MAX+CA+s(Na,2)+CONDL+PHL MG+s(MIN,2)+HCO3+MAX+s(PHL,2)+s(FE,2)+NH4

9 42.8 10 41.7 12 43.9 8 19.4 8 21 10 22.1 9 20.5 4 7.5 3 6.6 4 7.2 5 10.1 8 19.5 9 19.2 10 21.8 11 19.8

Bijlagen Bijlage 6.2: Functie voor een multiple regressie met stapsgewijze selectie voor SPlus: function() { fstart <- gam(y1 ~ 1, family = binomial) par <- 0.1 step <- 5 while(deviance(fstart) < (deviance(fstart) + par) & step > 0) { fst <- fstart ft1 <- update(fstart, ~ . + pH) ft2 <- update(fstart, ~ . + Cl) ft3 <- update(fstart, ~ . + Ca) ft4 <- update(fstart, ~ . + Fe) ft5 <- update(fstart, ~ . + K) ft6 <- update(fstart, ~ . + Mg) ft7 <- update(fstart, ~ . + NO3) ft8 <- update(fstart, ~ . + NH4) ft9 <- update(fstart, ~ . + PO4) ft10 <- update(fstart, ~ . + SO4) ft11 <- update(fstart, ~ . + IR) ft12 <- update(fstart, ~ . + mean) ft13 <- update(fstart, ~ . + poly(pH, 2)) ft14 <- update(fstart, ~ . + poly(Cl, 2)) ft15 <- update(fstart, ~ . + poly(Ca, 2)) ft16 <- update(fstart, ~ . + poly(Fe, 2)) ft17 <- update(fstart, ~ . + poly(K, 2)) ft18 <- update(fstart, ~ . + poly(Mg, 2)) ft19 <- update(fstart, ~ . + poly(NO3, 2)) ft20 <- update(fstart, ~ . + poly(NH4, 2)) ft21 <- update(fstart, ~ . + poly(PO4, 2)) ft22 <- update(fstart, ~ . + poly(SO4, 2)) ft23 <- update(fstart, ~ . + poly(IR, 2)) ft24 <- update(fstart, ~ . + poly(mean, 2)) ft25 <- update(fstart, ~ . + treat) ft26 <- update(fstart, ~ . + soil) ft27 <- update(fstart, ~ . + soil:mean) difdf <- fstart$df.resid - ft1$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft1) < deviance(fstart) - chipar) fst <- ft1 difdf <- fstart$df.resid - ft2$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft2) < deviance(fstart) - chipar & deviance(ft2) < deviance(fst)) fst <- ft2 difdf <- fstart$df.resid - ft3$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft3) < deviance(fstart) - chipar & deviance(ft3) < deviance(fst)) fst <- ft3 difdf <- fstart$df.resid - ft4$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft4) < deviance(fstart) - chipar & Bijlage 6.2: vervolg

Bijlagen deviance(ft4) < deviance(fst)) fst <- ft4 difdf <- fstart$df.resid - ft5$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft5) < deviance(fstart) - chipar & deviance(ft5) < deviance(fst)) fst <- ft5 difdf <- fstart$df.resid - ft6$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft6) < deviance(fstart) - chipar & deviance(ft6) < deviance(fst)) fst <- ft6 difdf <- fstart$df.resid - ft7$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft7) < deviance(fstart) - chipar & deviance(ft7) < deviance(fst)) fst <- ft7 difdf <- fstart$df.resid - ft8$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft8) < deviance(fstart) - chipar & deviance(ft8) < deviance(fst)) fst <- ft8 difdf <- fstart$df.resid - ft9$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft9) < deviance(fstart) - chipar & deviance(ft9) < deviance(fst)) fst <- ft9 difdf <- fstart$df.resid - ft10$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft10) < deviance(fstart) - chipar & deviance(ft10) < deviance(fst)) fst <- ft10 difdf <- fstart$df.resid - ft11$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft11) < deviance(fstart) - chipar & deviance(ft11) < deviance(fst)) fst <- ft11 difdf <- fstart$df.resid - ft12$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft12) < deviance(fstart) - chipar & deviance(ft12) < deviance(fst)) fst <- ft12 difdf <- fstart$df.resid - ft13$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) Bijlage 6.2: vervolg else chipar <- 0

Bijlagen if(deviance(ft13) < deviance(fstart) - chipar & deviance(ft13) < deviance(fst)) fst <- ft13 difdf <- fstart$df.resid - ft14$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft14) < deviance(fstart) - chipar & deviance(ft14) < deviance(fst)) fst <- ft14 difdf <- fstart$df.resid - ft15$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft15) < deviance(fstart) - chipar & deviance(ft15) < deviance(fst)) fst <- ft15 difdf <- fstart$df.resid - ft16$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft16) < deviance(fstart) - chipar & deviance(ft16) < deviance(fst)) fst <- ft16 difdf <- fstart$df.resid - ft17$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft17) < deviance(fstart) - chipar & deviance(ft17) < deviance(fst)) fst <- ft17 difdf <- fstart$df.resid - ft18$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft18) < deviance(fstart) - chipar & deviance(ft18) < deviance(fst)) fst <- ft18 difdf <- fstart$df.resid - ft19$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft19) < deviance(fstart) - chipar & deviance(ft19) < deviance(fst)) fst <- ft19 difdf <- fstart$df.resid - ft20$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft20) < deviance(fstart) - chipar & deviance(ft20) < deviance(fst)) fst <- ft20 difdf <- fstart$df.resid - ft21$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft21) < deviance(fstart) - chipar & deviance(ft21) < deviance(fst)) fst <- ft21 difdf <- fstart$df.resid - ft22$df.resid Bijlage 6.2: vervolg if(difdf > 0)

Bijlagen chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft22) < deviance(fstart) - chipar & deviance(ft22) < deviance(fst)) fst <- ft22 difdf <- fstart$df.resid - ft23$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft23) < deviance(fstart) - chipar & deviance(ft23) < deviance(fst)) fst <- ft23 difdf <- fstart$df.resid - ft24$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft24) < deviance(fstart) - chipar & deviance(ft24) < deviance(fst)) fst <- ft24 difdf <- fstart$df.resid - ft25$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft25) < deviance(fstart) - chipar & deviance(ft25) < deviance(fst)) fst <- ft25 difdf <- fstart$df.resid - ft26$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft26) < deviance(fstart) - chipar & deviance(ft26) < deviance(fst)) fst <- ft26 difdf <- fstart$df.resid - ft27$df.resid if(difdf > 0) chipar <- qchisq(0.99, difdf) else chipar <- 0 if(deviance(ft27) < deviance(fstart) - chipar & deviance(ft27) < deviance(fst)) fst <- ft27 if(fstart$deviance == fst$deviance) par <- 0 else par <- 0.1 if(fstart$deviance != fst$deviance) { print(anova(fstart, fst, test = "Chi")) fstart <- fst } step <- step - 1 } }

Bijlagen Bijlage 6.3: Overzicht waterstand variabelen)

regressiemodellen

voor

VinW

(zonder

bodem

en

(Soort/VT = soort/vegetatie type code, Pos = totaal aantal positieve waarnemingen, Modeltermen = stapsgewijs gekozen model predictoren in keuzevolgorde, df = aantal voor model gebruikte vrijheidsgraden, %D = percentage verklaarde deviance, p-HL = p-waarde Hosmer-Lemeshow goodnessof-fit criterion, Drem. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/VT

Pos

Modeltermen

df

%D

p-HL

Drem.

Achiptar

352

Mg+Mg2+treat+pH+pH2+NO3+PO4

12

50

0.181

0.004574 0.448 0.552 0.500 0.442

Alisplan

51

IR+IR2+treat+PO4+PO42

10

20

0.161

0.006257 0.543 0.457 0.471 0.544

Alopprat

253

treat+Ca+Ca2+NH4+Mg+Mg2+IR+IR2 13

30

0.001

0.045899 0.652 0.348 0.672 0.650

13

19

0

0.267071 0.528 0.472 0.666 0.430

7

42

0.108

4.06E-05 0.511 0.489 0.514 0.511

treat+NH4+NH42+Fe+Fe2+IR+pH+pH2 13

27

0.14

0.0646

Barbinter 51

treat+PO4+pH+pH2+Cl+Cl2+NO3 +NO32

54

0.407

8.88E-09 0.415 0.585 0.412 0.415

Beruerec

169

Mg+SO4+SO42+Fe+IR+IR2+PO4+PO42 9

52

0.008

3.99E-08 0.455 0.545 0.467 0.454

Bracsylv

175

K+K2+pH+pH2+treat+Fe+IR+IR2

13

51

0.036

0.002401 0.688 0.312 0.703 0.687

Calacane

256

Mg+K+K2+Fe+Fe2+PO4 +PO42+NO3+NO32

10

27

0.4

0.024555 0.531 0.469 0.559 0.529

Callpalu

73

pH+pH2+Cl+Fe+Fe2+treat+SO4

12

56

0.092

5.43E-11 0.551 0.449 0.534 0.551

Caltpalu

672

K+K2+IR+IR2+NO3+NO32+Mg+SO4

9

15

0.007

0.132825 0.456 0.544 0.546 0.433

Careacut

335

PO4+PO42+treat+IR+IR2+NO3+Cl+ Cl2

13

18

0.035

0.047901 0.494 0.506 0.537 0.489

Careacuf

1016

pH+pH2+K+K2+Cl+Cl2+Fe +Fe2+NH4+NH42

11

29

0

0.153576 0.454 0.546 0.580 0.400

Carecurt

173

Ca+treat+PO4+K+IR+IR2

11

36

0.005

0.005176 0.560 0.440 0.572 0.560

Caredist

250

treat+pH+pH2+SO4+SO42+Mg+Ca+Ca2 13

29

0.15

0.021129 0.530 0.470 0.560 0.528

Careechi

37

IR+IR2+treat+pH+pH2+SO4+Cl+Cl2 13

50

0.064

1.56E-07 0.533 0.467 0.459 0.534

Careelon

373

K+K2+treat+NO3+NO32+SO4+Cl

12

25

0

0.043071 0.491 0.509 0.534 0.486

Carehirt

66

pH+pH2+treat+NO3+NO32+IR+IR2

12

25

0.061

0.010008 0.632 0.368 0.636 0.632

Carenigr

206

Ca+Ca2+treat+NO3+Cl+Cl2+K

12

46

0.265

0.003788 0.528 0.472 0.549 0.527

carepani

141

Ca+Ca2+pH+pH2+PO4+PO42+treat+ NH4+NH42

14

40

0.032

0.016531 0.696 0.304 0.702 0.695

Carepseu

133

Ca+Ca2+PO4+K+Mg+Mg2+Cl+Cl2

9

25

0.033

0.0156

Carerost

179

Ca+Ca2+treat+K+Mg+Fe

11

37

0.348

0.008904 0.536 0.464 0.553 0.535

Caresylv

115

K+K2+pH+treat+IR+IR2+SO4

12

49

0.395

0.001057 0.670 0.330 0.670 0.670

Circlute

307

K+K2+Mg+Mg2+IR+IR2+treat+SO4 +SO42

14

41

0.041

0.021044 0.574 0.426 0.609 0.570

Circoler

867

Ca+Ca2+SO4+NH4+Mg+Mg2+Fe

8

55

0.114

0.01528

0.608 0.392 0.687 0.580

Comapalu

221

Ca+Ca2+treat+Fe+Cl+Cl2+SO4

12

47

0.413

0.001734

0.478 0.522 0.502 0.476

Crepbien

45

NH4+pH+pH2+treat+Mg+Mg2+SO4

12

63

0.822

1.64E-05

0.629 0.371 0.622 0.629

11

54

0.668

0.000882

0.586 0.414 0.580 0.586

Anthsylv

treat+IR+IR2+Fe+Fe2+PO4+PO42+ 1403 NH4 37 IR+SO4+Cl+Cl2+Mg+NO3

Arrhelat

277

Angesylv

Dactmacu

50

2

2

K+K +treat+PO4+PO4 +IR

13

CCR

MCR

Sen

Spec

0.669 0.331 0.693 0.667

0.602 0.398 0.617 0.601

Bijlagen Bijlage 6.3: vervolg Soort/VT Dactmaja

Pos 55

Modeltermen 2

treat+Cl+Cl +SO4+NH4+pH+pH

2

2

2

2

df

%D

p-HL

Drem.

CCR

MCR

Sen

Spec

12

48

0.001

0.003265 0.762 0.238 0.764 0.762

Desccaes

429

K+K +PO4+PO4 +SO4+NH4+IR+IR

9

35

0.024

0.047941 0.591 0.409 0.636 0.584

Descflex

172

IR+IR2+NO3+NO32+treat+K+Mg+Mg2

13

50

0.002

0.008395 0.689 0.311 0.703 0.689

Digipurp

19

Cl+treat+pH

8

50

0.679

5.20E-10 0.370 0.630 0.368 0.370

2

Eleopalu

19

treat+NH4+NH4

8

26

0.812

0.004969 0.694 0.306 0.526 0.695

Equiarve

130

K+K2+SO4+SO42+NH4+PO4+Fe

8

48

0.017

4.03E-09 0.421 0.579 0.431 0.421

Equifluv

489

Mg+Mg2+treat+SO4+Fe+IR+IR2

12

43

0.037

0.022914 0.426 0.574 0.495 0.414

12

24

0

0.165208 0.666 0.334 0.718 0.653

Equipalu

656

2

treat+IR+IR +NO3+NH4+SO4+SO4 2

2

2

2

Equitelm

16

Fe+Cl+Cl +SO4+SO4 +Ca+Ca

Eriovagi

50

pH+pH2+Cl+Cl2+K+Ca+IR

Filiulma

1530 IR+IR2+treat+PO4+PO42+Ca+SO4+SO42 2

2

2

Galipalu

703

Mg+NO3+NO3 +pH+pH +K+K +Ca+Ca

Galiulig

414

Mg+treat+PO4+PO42+Fe+IR+IR2

382

2

Geumurba

treat+NH4+NH4 +pH+Fe+SO4+SO4 2

2

2

2

2

Glycmaxi

217

Ca+Ca +NO3+NO3 +K+Mg+Mg +Cl+Cl

Juncacuf

622

Mg+Mg2+treat+Ca+Ca2+NO3+NH4

Juncfili

30

Mg+treat+pH+pH2+K+Ca 2

2

2

2

8

62

0.025

2.66E-06 0.619 0.381 0.563 0.620

8

52

0.175

2.94E-16 0.534 0.466 0.440 0.536

13

19

0

0.426109 0.599 0.401 0.723 0.495

10

37

0

0.030127 0.405 0.595 0.508 0.378

12

35

0

0.028705 0.474 0.526 0.531 0.466

12

35

0.03

0.016822 0.370 0.630 0.427 0.362

10

19

0.004

0.032407 0.505 0.495 0.530 0.503

12

50

0

0.041922 0.484 0.516 0.563 0.467

11

56

0.03

8.52E-10 0.514 0.486 0.467 0.514

2

Lamigaleo

154

K+K +PO4+PO4 +treat+NO3+NO3 +Ca+Ca 14

46

0.089

0.000292 0.648 0.352 0.662 0.647

Lotuulig

659

Mg+Mg2+treat+Ca+K+NO3+NO32

12

42

0.001

0.049633 0.455 0.545 0.543 0.434

Luzumulti

32

K+K2+treat+Cl

9

77

0.827

2.55E-05 0.879 0.121 0.125 0.886

10

39

0.012

0.044612 0.385 0.615 0.520 0.332

Lysivulg

952

2

2

2

2

Mg+Mg +NO3+NO3 +Fe+Fe +IR+IR +NH4 2

2

Lythsali

983

treat+PO4+PO4 +IR+IR +Ca+Fe

12

11

0

0.22646

Menytrif

77

Mg+Fe+treat+NH4+SO4

10

36

0.564

0.000632 0.469 0.531 0.468 0.469

Molicaer

714

Ca+Mg+Mg2+K+IR+IR2+NO3+NO32

9

40

0.001

0.100168 0.615 0.385 0.682 0.596

2

0.470 0.530 0.589 0.421

Myrigale

15

IR+K+K

4

63

0.205

3.19E-14 0.605 0.395 0.333 0.607

Osmurega

29

Ca+Ca2+PO4+PO42+K+Fe+Fe2

8

43

0.857

4.89E-15 0.401 0.599 0.379 0.401

4

42

0.605

8.80E-06 0.785 0.215 0.13 0.789

Oxalfont

23

2

K+K +SO4 2

2

2

Peucpalu

368

K+K +Ca+NO3+NO3 +Fe+PO4+PO4

9

46

0

0.002121 0.358 0.642 0.421 0.35

Phalarun

481

treat+Ca+Ca2+Mg+Mg2 +NH4+NH42+Fe

13

18

0.001

0.096762 0.571 0.429 0.617 0.563

Phraaust

634

Fe+Fe2+pH+PO4+PO42 +NH4+NH42+SO4

9

28

0.45

0.10993

0.479 0.521 0.562 0.46 0.571 0.429 0.558 0.571

2

2

Polymult

52

treat+Mg+Mg +K+K +Fe

11

27

0.018

0.00059

Potester

23

K+K2+treat+pH+pH2+IR+IR2

12

29

0.939

0.000897 0.637 0.363 0.565 0.637

Pteraqui

72

pH+pH2+IR+treat+K+K2+NO3

12

34

0

0.00117

7

44

0.609

0.001231 0.791 0.209 0.467 0.792

2

2

0.496 0.504 0.5

0.496

Pulidyse

15

K+PO4+PO4 +pH+Fe+Fe

Ranuflam

169

Mg+treat+PO4+IR+K

10

30

0.048

0.009459 0.488 0.512 0.509 0.487

Rhinmin

93

Ca+Ca2+treat+Fe+NO3+Cl+Cl2

12

78

0.141

4.36E-15 0.686 0.314 0.529 0.687

11

69

0.181

3.53E-07 0.789 0.211 0.774 0.79

10

43

0.052

0.000187 0.541 0.459 0.54 0.541

Rhinangu Ribenigr

34 50

2

2

2

2

Cl+Cl +Fe+Fe +NO3+NO3 +K+K +pH+pH 2

PO4+NO3+NO3 +treat+pH

2

Bijlagen Bijlage 6.3: vervolg Soort/VT Rumehydr Saxigran Scirsylv

Pos Modeltermen df %D Mg+treat+NO3+NO32+Fe+Fe2+IR+ 127 13 28 IR2 24 treat+pH+pH2+Ca+SO4+SO42 11 33

p-HL Drem.

CCR

0.01 0.00448

0.458 0.542

0.472 0.458

0.103 0.00128

0.681 0.319

0.667 0.681

treat+Ca+Ca2+NO3+NO32+PO4+ 654 PO42+pH+pH2

14 16

0

0.12199

0.462 0.538

0.549 0.441

14 25

0.122 0.01703

0.416 0.584

0.467 0.41

13 36

0.061 0.02858

0.686 0.314

0.701 0.685

6

48

0.989 1.16E-10 0.322 0.678

0.317 0.322

6

46

0.042 1.00E-04 0.660 0.340

0.627 0.660

224 pH+pH +NO3+NO3 +Mg+Mg +Cl+Ca 9

35

0.058 0.00097

0.378 0.622

0.406 0.376

10 31

0.045 0.00017

0.416 0.584

0.381 0.416

7

36

0.267 0.00029

0.626 0.374

0.625 0.626

41

0.201 1.14E-05 0.301 0.699

0.235 0.301

38

0.084 0.00821

0.601 0.578

2

Scutgale Teucscor Thaliflav Vaccmyrt Violpalu Callstram Leucglau

pH+pH +NO3+NO3 +PO4 +PO42+Fe+Fe2+treat K+K2+IR+treat+Ca+Ca2+SO4+ 254 SO42 41 K+K2+Mg+Mg2+SO4

40

Polycomm

17

Sphafimb

198

Thuitama

94

Alno. Padion 216 Arrhenatheri 161 on Calthion

201

Caricion 261 curto-nigrae

Carici-elong 455 Alnetum Cirsio Molinietum

2

2

K+K +IR+Mg+Mg 2

21

28

2

2

2

IR+treat+PO4+PO4 +Mg 2

2

Ca+Ca +PO4+Cl+Fe+Fe 2

IR+treat+NH4+NH4 9 2 2 2 Ca+Ca +PO4+PO4 +NO3+NO3 + 13 treat+SO4 2 2 K+K +treat+PO4+IR+IR + NH4 12 treat+Mg+Mg2+Fe+Ca+Ca2+SO4+ 18 Cl+pH+PO4+PO42+NH4+NH42 NH4+treat+PO4+Fe+IR+NO3+Mg+ 13 Mg2 2 2 2 pH+pH +treat+K+K +PO4+PO4 + 20 Mg+Mg2+SO4+SO42 +IR+IR2+Ca+Ca2 Ca+treat+PO4+PO42+Fe+Fe2+ 21 SO4 pH+pH2+NO3+NO32+Mg+Mg2+K+IR+K+K 2 pH+pH2+treat+Fe+Fe2+PO4+Ca 20 +NH4+NH42+NO3+NO32+Mg+Mg2 +IR+K K+K2+Cl+treat+PO4 2

Sphagno. Alnetum

166

Spec

0.580 0.420

31

0.001 0.004

0.651 0.349

0.660 0.651

52

0.593 0.03942

0.820 0.180

0.824 0.820

50

0.866 0.01174

0.683 0.317

0.689 0.683

53

0.83 0.01521

0.753 0.247

0.766 0.752

68

0.845 0.00202

0.769 0.231

0.783 0.768

34

0.42 0.12623

0.734 0.266

0.760 0.731

6.04E-14 0.794 0.206

0.786 0.794

10 85

0.8

22 56

0.688 0.01392

0.689 0.311

0.710 0.686

8

56

0.944 6.85E-05 0.825 0.175

0.825 0.825

10 69

0.533 2.52E-06 0.679 0.321

0.684 0.679

12 72

0.48 1.12E-08 0.711 0.289

0.700 0.712

0.099 0.02057

0.765 0.761

2

treat+Ca+Ca +Fe+Mg+Mg +NH4 335 +NH42+pH+pH2+IR+IR2+NO3+NO32 +SO4+SO42+Fe+Fe2 Magnocarici 63 Mg+Mg2+PO4+PO42+SO4+SO42+Fe Fe+SO4+SO42+Ca+Ca2+NH4+Mg MagnoPhragm 93 +Cl+IR SO4+SO42+Fe+Fe2+IR+IR2+pH+ Phragmitetea 80 pH2+PO4+PO42+Mg Filipendulion

Sen

2

336

51

MCR

Ca+Ca2+PO4+treat+Cl+SO4+IR+ 17 43 IR2+Cl+Cl2+SO4+SO42+pH+NH4

0.761 0.239

Bijlagen Bijlage 6.4:Overzicht regressiemodellen voor VinWinW (zonder bodem maar met waterstand) (Soort/VT = soort/vegetatie type code, Pos = totaal aantal positieve waarnemingen, Modeltermen = stapsgewijs gekozen model predictoren in keuzevolgorde, df = aantal voor model gebruikte vrijheidsgraden, %D = percentage verklaarde deviance, p-HL = p-waarde Hosmer-Lemeshow goodnessof-fit criterion, Drem. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/VT Pos Modeltermen

df %D p-HL Drem.

2

2

Achiptar 352 Mg+Mg +treat+mean+PO4+PO4 +pH+pH Alisplan 51

2

2

2

mean+mean +PO4+PO4 +treat+IR+IR +SO4 2

Alopprat 253 treat+Ca+Ca +mean+mean +NH4+ PO4+PO4 2

2

Angesylv 1403 treat+IR+IR +mean+Fe+Fe + pH+pH Anthsylv 37

2

13 20 0

mean+pH+pH +SO4+mean+mean +Fe

7

Arrhelat 277 treat+mean+Fe+Fe +PO4+IR mean+mean +treat+Cl+Cl +K 2

2

2

10 54 0.761 7.93E-06 0.507 0.493 0.527 0.506

2

Bracsylv 175 K+K +pH+pH +treat+Fe+IR+IR 2

2

47 0.408 7.25E-05 0.570 0.430 0.514 0.570

11 54 0.069 1.62E-07 0.406 0.594 0.392 0.406

2

Beruerec 169 Mg+mean+mean +Ca+Ca +SO4+SO4 +Fe+Fe 2

0.2951236 0.520 0.480 0.658 0.421

11 30 0.058 0.0731917 0.695 0.305 0.715 0.693

2

2

Spec

13 33 0.006 0.0539809 0.713 0.287 0.727 0.711

2

2

Barbinter 51

Sen

13 27 0.211 0.0021325 0.512 0.488 0.451 0.513 2

2

2

MCR

13 51 0.272 0.002099 0.413 0.587 0.463 0.407

2

2

CCR

13 51 0.036 0.002401 0.688 0.312 0.703 0.687

2

Calacane 256 Mg+K+K +Fe+Fe +PO4+PO4 +NO3+NO3

2

10 27 0.4

0.0245548 0.531 0.469 0.559 0.529

10 64 0

7.33E-16 0.692 0.308 0.370 0.699

Caltpalu 672 mean+mean +K+K +PO4+PO4 +NO3+NO3 +Fe+Fe 11 19 0

0.1285865 0.458 0.542 0.546 0.436

Callpalu 73

2

2

2

pH+pH +Cl+Fe+Fe +mean+mean +Ca+Ca 2

2

2

2

2

2

2

2

Careacut 335 PO4+PO4 +treat+mean+IR+IR + mean+mean

2

2

2

2

2

Careacuf 1016 pH+pH +K+K +Cl+Cl +Fe+Fe +mean Carecurt 173 Ca+treat+mean+PO4+K 2

Caredist 250 treat+pH+pH +SO4+SO4 +Mg+Ca+Ca Careechi 37

2

Careelon 373 K+K +mean+treat+Ca+Ca +Mg+Mg

2

13 33 0 2

pH+pH +mean+mean +treat+IR+IR

9

2

2

2

carepani 141 Ca+Ca +pH+pH +PO4+PO4 +mean+mean +K+K 2

2

Carepseu 133 Ca+Ca +PO4+mean+mean +Mg+Mg +SO4+SO4 2

Carerost 179 Ca+Ca +treat+mean+K +PO4+PO4 2

2

2

2

Caresylv 115 K+K +pH+mean+mean +IR +IR +treat 2

2

Circlute 307 K+K +Mg+Mg +mean+treat+IR+IR 2

2

Circoler 867 Ca+Ca +SO4+NH4+Mg+Mg +Fe

2

0.0379707 0.521 0.479 0.560 0.516

12 29 0.012 0.0054042 0.632 0.368 0.636 0.632

Carenigr 206 Ca+Ca2+treat+mean

2

0.1674427 0.457 0.543 0.584 0.402

13 51 0.99 5.03E-12 0.511 0.489 0.486 0.511

2

2

2

10 29 0

13 29 0.15 0.0211294 0.530 0.470 0.560 0.528

IR+IR +treat+pH+pH +mean+SO4+SO4 2

Carehirt 66

2

2

2

0.044269 0.457 0.543 0.507 0.451

10 37 0.056 0.003636 0.491 0.509 0.514 0.490 2

2

12 19 0

46 0.712 0.0014456 0.387 0.613 0.417 0.385

2

11 43 0.305 0.0096801 0.619 0.381 0.631 0.618

2

10 28 0.026 0.01142

0.639 0.361 0.639 0.639

12 40 0.18 0.003986 0.405 0.595 0.402 0.406 13 50 0.752 0.0003154 0.632 0.368 0.635 0.631 13 43 0.107 0.021987 0.592 0.408 0.625 0.589 8

55 0.114 0.0152798 0.608 0.392 0.687 0.580

Bijlagen Bijlage 6.4: vervolg Soort/VT

Pos Modeltermen

df

%D p-HL

Comapalu

221

Crepbien

45

Ca+Ca2+mean+mean2+treat+Fe+Cl+ Cl2

13

52 0.047 6.80E-06

NH4+pH+pH2+mean+mean2+treat+Mg +Mg2

13

65 0.059 0.0001588 0.781 0.219 0.778 0.781

Dactmacu Dactmaja Desccaes

50 K+K2+treat+PO4+PO42+IR 55 treat+Cl+Cl2+SO4+NH4+pH+pH2 429 K+K2+mean+mean2+NH4 +treat+SO4

11 12 12

54 0.668 0.0008819 0.586 0.414 0.580 0.586 48 0.001 0.0032654 0.762 0.238 0.764 0.762 38 0.091 0.0330542 0.574 0.426 0.622 0.567

Descflex

172

13

50 0.277 0.005252

0.660 0.340 0.674 0.659

Digipurp Eleopalu Equiarve Equifluv Equipalu Equitelm Eriovagi Filiulma Galipalu

8 8 8 12 11 8 8 12 8

50 26 48 43 24 62 52 21 41

0.370 0.630 0.694 0.306 0.421 0.579 0.347 0.653 0.660 0.340 0.570 0.430 0.534 0.466 0.570 0.430 0.387 0.613

13

39 0.022 0.0016282 0.365 0.635 0.435 0.355

Geumurba Glycmaxi

19 Cl+treat+pH 19 treat+NH4+NH42 130 K+K2+SO4+SO42+NH4+PO4 +Fe 489 Mg+Mg2+mean+mean2 +treat+SO4+Fe 656 treat+IR+IR2+mean+NO3+K 16 Fe+Cl+Cl2+mean+mean2 +SO4+SO42 50 pH+pH2+Cl+Cl2+K+Ca+IR 1530 IR+IR2+treat+mean+PO4+PO42+Ca 703 Mg+mean+SO4+SO42+IR +IR2+Cl mean+mean2+treat+Mg 414 +Mg2+pH+pH2+K 382 treat+NH4+NH42+pH+Fe +SO4+SO42 217 Ca+Ca2+mean+mean2+NO3 +NO32+Mg+K

12 9

35 0.03 0.0168217 0.370 0.630 0.427 0.362 24 0.026 0.0271251 0.542 0.458 0.562 0.540

Juncacuf

622

Mg+Mg2+treat+Ca+Ca2 +mean+mean2+NO3

13

51 0

Juncfili

30

Mg+treat+mean+Ca+Ca2 +SO4+SO42

Galiulig

IR+IR2+mean+mean2+NO3 +NO32+treat+SO4

0.679 0.812 0.017 0.038 0 0.003 0.175 0 0.002

Drem.

5.20E-10 0.0049685 4.03E-09 0.0101923 0.1534269 3.38E-07 2.94E-16 0.3844084 0.0173832

CCR

MCR

Sen

Spec

0.349 0.651 0.371 0.348

0.368 0.370 0.526 0.695 0.431 0.421 0.431 0.332 0.715 0.646 0.500 0.570 0.440 0.536 0.705 0.458 0.492 0.359

0.0291822 0.419 0.581 0.508 0.399

12

64 0.317 5.26E-16

K+K2+PO4+PO42+mean Lamigaleo 154 +mean2+Fe+treat

13

46 0.034 0.0003647 0.621 0.379 0.630 0.621

Lotuulig 659 Mg+Mg2+treat+Ca+K+NO3+NO32 Luzumulti 32 K+K2+treat+Cl Lysivulg 952 mean+Mg+Fe+IR+IR2+NO3+NO32

12 9 8

42 0.001 0.0496329 0.455 0.545 0.543 0.434 77 0.827 2.30E-16 0.599 0.401 0.125 0.604 46 0.041 0.0277999 0.360 0.640 0.501 0.304

13

16 0.018 0.2273084 0.432 0.568 0.560 0.379

10 9

36 0.564 0.0006317 0.469 0.531 0.468 0.469 42 0.279 0.0758253 0.602 0.398 0.671 0.584

mean+mean2+treat+pH +pH2+Fe+Fe2+Ca

0.584 0.416 0.533 0.584

Lythsali

983

Menytrif Molicaer

77 Mg+Fe+treat+NH4+SO4 714 Ca+Mg+Mg2+K+mean+mean2+IR+IR2

Myrigale

15

IR+K+K2

4

63 0.205 2.22E-16

0.004 0.996 1.000 0.000

Osmurega Oxalfont Peucpalu Phalarun Phraaust

29 23 368 481 634

Ca+Ca2+mean+PO4 K+K2+SO4 K+K2+mean+mean2+IR+NO3+NO32+pH treat+Ca+Ca2+Mg+Mg2+NH4+NH42+Fe mean+mean2+IR+SO4+SO42+Fe+Fe2+pH

5 4 9 13 9

41 42 51 18 33

0.426 0.007 0.422 0.571 0.455

0.345 0.605 0.002 0.001 0

1.32E-09 2.22E-16 0.0039833 0.096762 0.0734313

0.574 0.993 0.578 0.429 0.545

0.345 1.000 0.478 0.617 0.539

0.427 0.000 0.415 0.563 0.436


Pos Modeltermen

Polymult

52 treat+Mg+Mg2+K+K2+Fe

df %D p-HL Drem. 11 27 0.018 0.00059

Potester

23 K+K2+treat+pH+pH2+IR +IR2

12 29 0.939 0.0008969 0.637 0.363 0.565 0.637

Pteraqui

72 pH+pH2+IR+mean+mean2 +treat+Cl+Cl2 2

2

2

Pulidyse

15 K+PO4+PO4 +mean+mean +Fe+Fe +NO3

Ranuflam

169 Mg+treat+PO4+IR+K 2

2

CCR

MCR

Sen

Spec

0.571 0.429 0.558 0.571

13 38 0.054 0.0016186 0.535 0.465 0.528 0.535 9 57 0.487 0.0002583 0.793 0.207 0.467 0.794 10 30 0.048 0.009459 0.488 0.512 0.509 0.487

2

2

2

Rhinangu

34 Cl+Cl +Fe+Fe +NO3+NO3 +K+K +pH+pH

Rhinmin

93 Ca+Ca2+treat+Fe+NO3 +Cl+Cl2

12 78 0.141 3.53E-07 0.789 0.211 0.774 0.790

2

10 43 0.052 0.0001871 0.541 0.459 0.540 0.541

Ribenigr

50 PO4+NO3+NO3 +treat+pH

Rumehydr

127 mean+mean2+Cl+Cl2 +treat+PO4+pH+pH2 2

2

11 69 0.181 4.36E-15 0.686 0.314 0.529 0.687

13 33 0.028 0.0002062 0.420 0.580 0.433 0.420

Saxigran

24 treat+pH+pH +Ca+SO4 +SO4

11 33 0.103 0.0012803 0.681 0.319 0.667 0.681

Scirsylv

654 treat+mean+mean2+pH+pH2+NO3+NO32+K

13 18 0

0.1081657 0.417 0.583 0.511 0.394 0.0072678 0.376 0.624 0.432 0.369

2

2

2

Scutgale

336 mean+mean +pH+pH +SO4 +SO4 +Cl+IR

9 29 0

Teucscor

254 K+K2+IR+treat+Ca+Ca2 +SO4+SO42

13 36 0.061 0.0285762 0.686 0.314 0.701 0.685

Thaliflav Vaccmyrt Violpalu Callstram Leucglau Polycomm

41 K+K2+Mg+Mg2+SO4 51 K+K2+IR+Mg+Mg2 224 pH+pH2+mean+mean2+Cl +Ca+SO4 21 IR+treat+PO4+PO42+Mg 40 Ca+Ca2+PO4+Cl+Fe+Fe2 17 IR+treat+NH4+NH42

6 48 6 46 8 42 10 31 7 36 9 41

Sphafimb

198

Thuitama

94 K+K2+treat+PO4+IR+IR2 +mean

Ca+Ca2+PO4+PO42+NO3 +NO32+mean+mean2+K+K2

treat+Mg+Mg2+Fe+mean+mean2+NH4+ Alno.Padion 216 NH42+SO4+pH+pH2+NO3+Ca+Ca2

0.989 7.06E-11 0.303 0.697 0.366 0.302 0.042 1.00E-04 0.660 0.340 0.627 0.660 0.121 0.0003043 0.372 0.628 0.411 0.370 0.045 0.0001732 0.416 0.584 0.381 0.416 0.267 0.0002933 0.626 0.374 0.625 0.626 0.201 8.76E-06 0.260 0.740 0.412 0.260

11 41 0.569 0.0088408 0.553 0.447 0.571 0.552 12 32 0.21 0.0053892 0.675 0.325 0.681 0.675 19 56 0.348 0.0342531 0.834 0.166 0.843 0.833

Arrhenatheri NH4+treat+PO4+mean 14 51 0.171 0.0109275 0.697 0.303 0.702 0.697 161 on +mean2+Fe+NO3+NO32+pH 2 2 2 2 pH+pH +treat+K+K +mean+mean +Fe+Fe +Mg+ Calthion 201 SO4+IR+IR2+PO4+Ca+Ca2+NH4+NH42+NO3+NO32+ 26 57 0.3 0.0116476 0.761 0.239 0.771 0.761 PO4+PO42 Caricion.cur Ca+treat+mean+PO4+PO42+Fe+Fe2+K+K+K2+ 261 to.nigrae Mg+Mg2+mean2

16 67 0.843 0.0041586 0.786 0.214 0.795 0.785

Carici.elong pH+pH2+treat+Fe+Fe2+mean+PO4+Ca+ 455 .Alentum NO3+NO32+K+K2

17 37 0.004 0.1093132 0.742 0.258 0.770 0.739

Cirsio. Molinietum

10 85 0.8

Filipendulion Magnocaricion

28 K+K2+Cl+treat+PO4 335

treat+mean+mean2+SO4+SO42+NH4+ NH42+PO4+PO42+Ca+Ca2+Fe+Mg+Mg2

63 Mg+Mg2+PO4+PO42+SO4 +SO42+mean+mean2+K

6.04E-14 0.794 0.206 0.786 0.794

19 59 0.068 0.0097903 0.666 0.334 0.688 0.664 10 62 0.176 2.12E-06 0.799 0.201 0.794 0.799

MagnoPhragm 93 Fe+SO4+SO42+mean+K+pH+pH2

8 78 0.012 1.71E-10 0.674 0.326 0.684 0.674

SO4+SO42+mean+mean2+IR+IR2+Fe+pH+treat Phragmitetea 80 +PO4 +Cl+Cl2+Ca

18 75 0.033 2.07E-08 0.764 0.236 0.750 0.764

Sphagno. Alnetum

166

Ca+Ca2+PO4+treat+mean+mean²+NO3+NO3² +PO4²+Cl+Cl²+IR+K+NH4+pH+ SO4+SO4²

22 51 0.048 0.0158193 0.786 0.214 0.795 0.785

Bijlagen Bijlage 6.5: Overzicht regressiemodellen voor VexW (zonder het deelbestand Walenbos met bodem en waterstand) (Soort/VT = soort/vegetatie type code, Pos = totaal aantal positieve waarnemingen, Modeltermen = stapsgewijs gekozen model predictoren in keuzevolgorde, df = aantal voor model gebruikte vrijheidsgraden, %D = percentage verklaarde deviance, p-HL = p-waarde Hosmer-Lemeshow goodnessof-fit criterion, Drem. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/VT Achiptar Alisplan

Pos Modeltermen 352Mg+treat+PO4+PO42+pH +pH2+soil:mean 51IR+IR2+PO4+PO42+treat +soil+SO4+SO42

df %D p-HL 15 48 0.184 15 28

0.494

Alopprat

253Ca+Ca2+treat+Mg+Mg2 +NH4+soil:mean

15 28

0.057

Angesylv

1382NH4+pH+pH2+treat+Fe +Fe2+soil:mean

15 16

0.004

8 41

0.079

17 29

0.033

15 51

0.078

Anthsylv Arrhelat Barbinter

37Ca+Ca2+SO4+soil:mean 277treat+SO4+SO42+K+K2 +soil+soil:mean 51soil+treat+Cl+Cl2 +soil:mean

Beruerec

169Mg+soil+SO4+SO42+K+K2 +Fe

10 54

0.071

Calacane

197SO4+Fe+Fe2+PO4+PO42 +treat+soil:mean

15 35

0.001

11 60

0.016

Callpalu

73pH+pH2+Cl+Fe+Fe2+soil +Ca+Ca2

Caltpalu

641K+PO4+PO42+NO3+Fe+Fe2 +soil:mean

11 20

0

Careacut

326PO4+PO42+treat+pH+pH2 +Cl+Cl2+soil:mean 16 17

0.452

Careacuf

582Ca+Ca2+treat+Fe+Fe2 +SO4+SO42+soil:mean 16 55

0.014

Carecurt

156Ca+treat+PO4+K +soil:mean

13 42

0.33

Caredist

250treat+pH+pH2+SO4+SO42 +Mg+soil:mean

15 29

0.101

11 71

0.825

16 39

0.113

13 23

0.67

15 46

0.167

Careechi Careelon Carehirt Carenigr

17K+K2+treat+PO4+Mg+Mg2 277K+K2+treat+Fe+Fe2+IR +IR2+soil:mean 66pH+pH2+soil+Ca+IR+IR2 +soil:mean 203Ca+Ca2+treat+PO4+PO42 +Cl+soil:mean

carepani

28Ca+Ca2+NH4+PO4+NH4 +NH42

6 34

0.373

Carepseu

51K+K2+Mg+treat +soil:mean

13 43

0.052

Carerost

171Ca+Ca2+treat+K+Mg +soil:mean

14 39

0.09

Circlute

307treat+SO4+SO42+K+K2+Mg+Mg2+NO3

13 49

0.237

Circoler

867pH+pH2+K+K2+NH4+treat +SO4

12 51

0.005

Comapalu

221Ca+Ca2+treat+Fe+SO4 +soil:mean

14 48

0.429

Crepbien

45NH4+Mg+Mg2+SO4+SO42+pH+pH2+Fe

9 64

0.079

Drem.

CCR

MCR

Sen

Spec

0.150053 0.848 0.152 0.866 0.846 0.033311 0.825 0.175 0.824 0.825 0.096291 0.770 0.230 0.783 0.769 0.486026 0.696 0.304 0.802 0.575 0.020243 0.916 0.084 0.892 0.916 0.112636 0.782 0.218 0.798 0.780 0.080995 0.946 0.054 0.941 0.946 0.071338 0.901 0.099 0.899 0.901 0.110599 0.840 0.160 0.848 0.840 0.126812 0.964 0.036 0.945 0.964 0.227651 0.690 0.310 0.750 0.671 0.149616 0.717 0.283 0.745 0.713 0.264656 0.885 0.115 0.905 0.879 0.093588 0.865 0.135 0.872 0.864 0.105316 0.787 0.213 0.800 0.786 0.091544 0.988 0.012 0.941 0.988 0.129111 0.838 0.162 0.852 0.836 0.032063 0.794 0.206 0.788 0.795 0.126348 0.878 0.122 0.882 0.878 0.025607 0.880 0.120 0.857 0.880 0.047189 0.885 0.115 0.882 0.885 0.082202 0.834 0.166 0.842 0.834 0.127782 0.877 0.123 0.886 0.876 0.556364 0.845 0.155 0.884 0.825 0.109647 0.861 0.139 0.869 0.860 0.039443 0.954 0.046 0.911 0.955


df %D p-HL

Drem.

Dactmacu

50

Pos Modeltermen IR+treat+Ca+Ca2+Cl+PO4+PO42

12 54 0.286

0.018099 0.906 0.094 0.900 0.906

Dactmaja

55

treat+Cl+Cl2+SO4+NH4 +pH+pH2

12 45 0.001

0.021502 0.887 0.113 0.873 0.887

Desccaes

55

K+K2+PO4+PO42+Cl+Mg +SO4

8

24 0.014

0.031695 0.824 0.176 0.800 0.825

Descflex

10

Mg

2

18 0.399

0.008821 0.796 0.204 0.700 0.796

Digipurp

19

Cl+treat

7

48 0.748

0.02763

2

CCR

MCR

Sen

Spec

0.952 0.048 0.895 0.952

Eleopalu

19

treat+K+NH4+NH4 +soil:mean

13 31 0.566

0.012444 0.877 0.123 0.842 0.878

Equiarve

130

SO4+SO42+PO4+PO42+Ca+Ca2+soil:mean

11 49 0.118

0.106529 0.889 0.111 0.885 0.889

2

Equifluv

474

Mg+Mg +SO4+treat+Fe+soil:mean

14 44 0.052

0.204415 0.839 0.161 0.863 0.834

Equipalu

643

treat+IR+IR2+NO3+NH4+soil:mean

14 21 0

0.24285

2

2

2

0.723 0.277 0.778 0.705

Equitelm

16

Fe+Cl+Cl +SO4+SO4 +Ca+Ca

8

62 0.143

0.057906 0.986 0.014 0.938 0.986

Eriovagi

50

pH+pH2+Cl+Cl2+Ca+IR+SO4

8

51 0.231

0.045568 0.922 0.078 0.920 0.922

Filiulma

1492 pH+pH2+Ca+NH4+PO4+PO42+soil:mean

11 16 0.306

0.521267 0.693 0.307 0.805 0.542

Galipalu

689

pH+pH2+SO4+SO42+Ca+K+K2+soil:mean

12 39 0

0.403595 0.825 0.175 0.861 0.811

Galiulig

414

Mg+treat+PO4+PO42+Fe+soil:mean

14 32 0.063

0.18701

Geumurba

288

NH4+NH42+treat+pH+SO4+SO42+soil:mean 15 45 0.483

Glycmaxi

147

Ca+Ca2+NO3+NO32+K +treat+soil:mean

15 33 0.165

0.088883 0.820 0.180 0.823 0.820

Juncacuf

611

Ca+Ca2+treat+Mg+Mg2+K+soil:mean

15 48 0

0.197094 0.841 0.159 0.871 0.831

Juncfili

30

IR+IR2+treat+SO4+SO42+soil:mean

14 61 0.032

0.026038 0.950 0.050 0.933 0.950

Lotuulig

659

Ca+Ca2+treat+K+K2+Mg+SO4+SO42

13 39 0.019

0.214113 0.802 0.198 0.839 0.789

2

0.782 0.218 0.812 0.776

0.112129 0.847 0.153 0.854 0.846

Luzumulti 32

K+K +treat+Cl

9

76 0.827

0.064418 0.986 0.014 0.969 0.986

Lysivulg

925

10 44 0.461

0.419303 0.828 0.172 0.872 0.804

Lythsali

983

16 9

0.369186 0.629 0.371 0.730 0.566

Menytrif

77

Mg+PO4+Fe+IR+IR2+soil:mean SO4+SO42+NO3+NO32 +treat+pH+pH2 +soil:mean Mg+Fe+treat+NH4+SO4

10 33 0.537

0.04862

Molicaer

405

Ca+Ca2+NO3+NO32+treat+K+soil:mean

15 54 0.103

0.264244 0.880 0.120 0.896 0.877

Myrigale

15

pH+SO4

3

63 0.06

0.098318 0.988 0.012 0.933 0.988

Osmurega

24

PO4+PO42+Ca+Ca2+Fe+Fe2

7

50 0.061

0.068775 0.961 0.039 0.917 0.961

4

2

Oxalfont

23

SO4+PO4+PO4

Peucpalu

365

K+K2+IR+NO3+NO32+Cl+Cl2+soil:mean

Phalarun

472

Phraaust

501

0.034

0.835 0.165 0.831 0.835

38 0.102

0.008473 0.868 0.132 0.826 0.868

12 49 0.004

0.133916 0.854 0.146 0.871 0.851

Ca+Ca2+Mg+Mg2+Fe+NH4+NH42+soil

11 15 0.194

0.162385 0.695 0.305 0.742 0.685

IR+IR2+SO4+treat+Fe+Fe2+soil:mean

15 45 0.098

0.173927 0.812 0.188 0.840 0.805

2

Polymult

30

Mg+Mg +treat+Fe+Cl

10 43 0.494

0.059352 0.941 0.059 0.900 0.942

Pteraqui

37

5

54 0.269

0.032399 0.937 0.063 0.892 0.937

Pulidyse

15

12 58 0.812

0.007205 0.938 0.062 0.933 0.938

Ranuflam

164

Cl+K+Fe+IR SO4+SO42+NH4+NH42+PO4 +PO42+NO3+soil:mean Ca+treat+PO4+Ca+Ca2+K

10 28 0.006

0.091833 0.807 0.193 0.817 0.806

Rhinangu

34

Cl+Cl2+soil+K+K2+Ca+Ca2+Mg

11 70 0.137

0.014948 0.963 0.037 0.941 0.964

2

2

Rhinmin

93

Ca+Ca +treat+Fe+NO3+Cl+Cl

12 77 0.141

0.136243 0.980 0.020 0.968 0.980

Ribenigr

43

Mg+Mg2+NO3+NO32+pH+pH2+Ca

8

55 0.618

0.040569 0.943 0.057 0.930 0.943

Rumehydr

127

Cl+Cl2+treat+PO4+pH+pH2+soil:mean

15 27 0.112

0.067886 0.784 0.216 0.787 0.784

Saxigran

24

treat+pH+pH2+Ca+SO4+SO42

11 29 0.115

0.016606 0.874 0.126 0.875 0.874

15 19 0.019

0.235895 0.713 0.287 0.767 0.696

Scirsylv

613

2

2

pH+pH +treat+PO4+PO4 +K+soil:mean


Pos

Modeltermen 2

df %D p-HL Drem. 2

2

CCR

MCR

Sen

Spec

2

Teucscor

pH+pH +SO4+SO4 +Ca+Ca +Mg+Mg + 13 26 0.004 0.18845 0.772 0.228 0.798 0.768 soil:mean 2 46 Mg+treat+IR+Cl+Cl +NO3 11 40 0.693 0.016893 0.850 0.150 0.848 0.850

Thaliflav

41 SO4+Ca+Ca2+pH+Fe+Fe2

7 49 0.247 0.019538 0.904 0.096 0.902 0.904

Violpalu

218 IR+IR2+Fe+Fe2+PO4+soil:mean

10 42 0.753 0.109079 0.847 0.153 0.853 0.846

Callstram

21 IR+SO4+SO42+PO4+pH+pH2

7 34 0.658 0.027156 0.910 0.090 0.857 0.910

Leucglau

8

SO4+SO42+soil:mean

7 50 0.298 0.044567 0.985 0.015 0.875 0.985

Polycomm

17 pH

2 29 0.328 0.008349 0.876 0.124 0.824 0.876

Sphafimb

63 pH+pH2+NO3+NO32+soil:mean

9 43 0.051 0.02737 0.893 0.107 0.889 0.893

Scutgale

336

147 pH+pH2+treat+Mg+PO4 +Fe treat+NH4+NH42+soil Arrhenatherion 161 +Fe+soil:mean pH+pH2+K+K2+Mg+Mg2+Ca+ Calthion 201 soil:mean Caricion Ca+treat+PO4+PO42+Mg+Mg2+K+ 261 curto-nigrae K2+IR+Fe+Fe2+soil:mean Carici SO4+SO42+treat+NH4 elongatae250 +NH42+Fe+Fe2+Ca Alentum Cirsio 28 IR+treat+Cl+Mg+SO4+SO42 Molinietum treat+NH4+NH42+Fe+IR+ Filipendulion 335 soil:mean Mg+Mg2+SO4+SO42+PO4+Fe+ Magnocaricion 63 soil:mean Magnocaricion Fe+SO4+SO42+K+pH+pH2 93 +soil:mean met Phragmites SO4+SO42+K+K2+Ca+Fe+Fe2 Phragmitetea 80 +soil:mean Sphagno66 K+K2+PO4+PO42+Cl+Fe+NH4 Alnetum Alno-Padion

11 70 0.606 2.26E-16 0.414 0.586 0.170 0.429 16 51 0.366 0.013434 0.637 0.363 0.634 0.637 12 50 0.031 0.007132 0.566 0.434 0.592 0.564 20 66 0.216 0.000608 0.532 0.468 0.570 0.527 13 34 0.092 0.038729 0.626 0.374 0.643 0.624 11 89 0.476 2.22E-16 0.729 0.271 0.071 0.736 14 49 0.001 0.0224

0.559 0.441 0.608 0.552

11 59 0.052 2.37E-09 0.586 0.414 0.571 0.586 11 77 0.032 4.34E-09 0.661 0.339 0.679 0.660 12 60 0.754 2.45E-06 0.501 0.499 0.500 0.501 8 60 0.266 3.50E-16 0.702 0.298 0.076 0.718

Bijlagen Bijlage 6.6: Mathematische vergelijkingen voor de responsfuncties voor de drie modeltypen (deze bijlage wordt enkel in digitale vorm bij het rapport geleverd)

Bijlagen Bijlage 7.1: Hosmer-Lemeshow goodness-of-fit voor responsfuncties van VinW (zonder waterstand) en bodem) en VinWinW (gemiddelde waterstand maar zonder bodem), voor alle gebieden samen (TOT) en per deelgebied (D = Doode Bemde, S = Snoekengracht, V = Vorsdonkbos, W = Walenbos, Z = Zwarte Beek; Soort = soortcode, VT = vegetatietype code) Soort VT

VinW VinWinW TOT D S V W Z TOT D S V W Z Achiptar 0.181 0.000 0.003 0.032 0.272 0.000 0.018 0.164 Alisplan 0.161 0.000 0.029 0.211 0.244 0.010 Alopprat 0.001 0.000 0.474 0.002 0.000 0.006 0.058 0.029 0.000 0.003 Angesylv 0.000 0.000 0.004 0.000 0.000 0.000 0.000 0.000 0.034 0.000 0.000 0.000 Anthsylv 0.108 0.147 0.408 0.324 Arrhelat 0.140 0.008 0.308 0.000 0.110 0.058 0.329 0.000 0.000 0.001 Barbinter 0.407 0.293 0.069 0.005 Beruerec 0.008 0.235 0.003 0.761 0.729 0.856 Bracsylv 0.036 0.059 0.036 0.059 Calacane 0.400 0.142 0.001 0.009 0.400 0.142 0.001 0.009 Callpalu 0.092 0.090 0.000 0.000 Caltpalu 0.007 0.001 0.006 0.000 0.000 0.056 0.000 0.000 0.000 0.000 0.000 0.095 Careacut 0.035 0.000 0.020 0.003 0.342 0.000 0.000 0.000 0.000 0.017 Careacuf 0.000 0.005 0.000 0.002 0.000 0.000 0.001 0.000 0.000 0.000 Carecurt 0.005 0.045 0.058 0.049 0.056 0.007 0.022 0.112 Caredist 0.150 0.002 0.447 0.000 0.150 0.002 0.447 0.000 Careechi 0.064 0.086 0.349 0.990 0.051 0.029 Careelon 0.000 0.009 0.000 0.005 0.033 0.000 0.367 0.000 0.000 0.001 Carehirt 0.061 0.045 0.049 0.207 0.012 0.000 0.542 0.625 Carenigr 0.265 0.148 0.243 0.712 0.386 0.369 carepani 0.032 0.056 0.011 0.079 0.305 0.227 0.109 0.019 Carepseu 0.033 0.921 0.010 0.026 0.554 0.017 Carerost 0.348 0.006 0.017 0.154 0.180 0.052 0.276 0.042 Caresylv 0.395 0.121 0.752 0.414 Circlute 0.041 0.000 0.001 0.107 0.001 0.000 Circoler 0.114 0.000 0.164 0.114 0.000 0.164 Comapalu 0.413 0.001 0.447 0.047 0.696 0.127 Crepbien 0.822 0.500 0.663 0.059 0.012 0.655 Dactmacu 0.668 0.425 0.668 0.425 Dactmaja 0.001 0.002 0.001 0.002 Desccaes 0.024 0.000 0.000 0.006 0.091 0.000 0.008 0.067 Descflex 0.002 0.002 0.024 0.277 0.219 0.455 Digipurp 0.679 0.798 0.679 0.798 Eleopalu 0.812 0.641 0.812 0.641 Equiarve 0.017 0.017 0.017 0.017 Equifluv 0.037 0.000 0.355 0.572 0.037 0.007 0.038 0.171 0.716 0.025 0.000 0.001 Equipalu 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 Equitelm 0.025 0.007 0.003 0.006 -

Bijlagen Bijlage 7.1: vervolg Soort VT

VinW VinWinW TOT D S V W Z TOT D S V W Z Eriovagi 0.175 0.204 0.175 0.204 Filiulma 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.001 Galipalu 0.000 0.191 0.000 0.000 0.001 0.002 0.087 0.000 0.000 0.055 Galiulig 0.000 0.000 0.000 0.006 0.022 0.000 0.697 0.000 Geumurba 0.030 0.001 0.002 0.002 0.030 0.001 0.002 0.002 Glycmaxi 0.004 0.100 0.007 0.000 0.026 0.001 0.159 0.400 Juncacuf 0.000 0.005 0.000 0.097 0.132 0.000 0.000 0.076 0.000 0.279 0.000 0.000 Juncfili 0.030 0.017 0.317 0.139 Lamigaleo 0.089 0.106 0.034 0.004 Lotuulig 0.001 0.140 0.012 0.043 0.000 0.001 0.140 0.012 0.043 0.000 Luzumulti 0.827 0.827 0.827 0.827 Lysivulg 0.012 0.001 0.001 0.000 0.000 0.000 0.041 0.003 0.184 0.015 0.001 0.000 Lythsali 0.000 0.004 0.013 0.000 0.000 0.018 0.000 0.000 0.000 0.007 Menytrif 0.564 0.058 0.064 0.283 0.564 0.058 0.064 0.283 Molicaer 0.001 0.001 0.000 0.002 0.279 0.001 0.000 0.023 Myrigale 0.205 0.202 0.205 0.202 Osmurega 0.857 0.625 0.345 0.457 Oxalfont 0.605 0.569 0.605 0.569 Peucpalu 0.000 0.000 0.000 0.002 0.031 0.000 Phalarun 0.001 0.008 0.000 0.021 0.002 0.001 0.008 0.000 0.021 0.002 Phraaust 0.450 0.070 0.000 0.007 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 Polymult 0.018 0.033 0.003 0.018 0.033 0.003 Poteerec 0.835 0.808 0.835 0.808 Potester 0.939 0.668 0.939 0.668 Pteraqui 0.000 0.002 0.000 0.054 0.028 0.018 Pulidyse 0.609 0.323 0.487 0.579 Ranuflam 0.048 0.424 0.008 0.284 0.048 0.424 0.008 0.284 Rhinangu 0.181 0.341 0.181 0.341 Rhinmin 0.141 0.158 0.141 0.158 Ribenigr 0.052 0.041 0.052 0.041 Rumehydr 0.010 0.104 0.000 0.043 0.028 0.074 0.706 0.018 Saxigran 0.103 0.162 0.086 0.103 0.162 0.086 Scirsylv 0.000 0.009 0.000 0.000 0.000 0.000 0.000 0.543 0.000 0.000 0.003 0.000 Scutgale 0.122 0.054 0.000 0.326 0.000 0.000 0.056 0.000 Teucscor 0.061 0.013 0.163 0.061 0.013 0.163 Thaliflav 0.989 0.997 0.989 0.997 Vaccmyrt 0.042 0.020 0.042 0.020 Violpalu 0.058 0.000 0.038 0.121 0.143 0.103 Vaccmyrt 0.042 0.020 0.042 0.020 Violpalu 0.058 0.000 0.038 0.121 0.143 0.103

Bijlagen Bijlage 7.1: vervolg Soort VT

VinW VinWinW TOT D S V W Z TOT D S V W Z Callstram 0.045 0.014 0.045 0.014 Leucglau 0.267 0.093 0.267 0.093 Polycomm 0.201 0.141 0.201 0.141 Sphafimb 0.084 0.026 0.835 0.801 0.569 0.354 0.029 0.288 Thuitama 0.001 0.000 0.210 0.001 Alno. 0.593 0.690 0.073 0.348 0.097 0.855 Padion Arrhena- 0.866 0.000 0.108 0.171 0.176 0.018 therion Calthion 0.830 0.011 0.360 0.300 0.036 0.093 0.129 0.871 0.843 0.390 0.551 Caricion. 0.845 curto. nigrae 0.420 0.009 0.717 0.034 0.000 0.004 0.000 0.077 0.261 0.035 Carici. elongatae. Alentum Cirsio.Mo 0.800 0.800 0.800 0.800 linietum Filipen- 0.688 0.087 0.170 0.036 0.068 0.351 0.001 0.278 dulion Magnoca- 0.944 0.920 0.176 0.132 ricion 0.012 0.044 Magnocari 0.533 0.536 cion...Ph ragmites Phragmi- 0.480 0.674 0.484 0.033 0.245 0.217 tetea Sphagno. 0.099 0.738 0.001 0.048 0.320 0.046 Alnetum

Bijlagen Bijlage 7.2: Hosmer-Lemeshow goodness-of-fit voor responsfuncties van Vex (zonder Walenbos, met gemiddelde waterstand en bodem), voor alle gebieden samen (TOT) en per deelgebied (D = Doode Bemde, S = Snoekengracht, V = Vorsdonkbos, Z = Zwarte Beek; Soort = soortcode, VT = vegetatietype code) Soort VT Achiptar Alisplan Alopprat Angesylv Anthsylv Arrhelat Barbinter Beruerec Calacane Callpalu Caltpalu Careacut Careacuf Carecurt Caredist Careechi Careelon Carehirt Carenigr Carepani Carepseu Carerost Circlute Circoler Circpalu Comapalu Crepbien Dactmacu Dactmaja Desccaes Descflex Digipurp Eleopalu Equiarve Equifluv Equipalu Equitelm

VexW TOT D pos S pos V pos Z pos 0.184 0.076 0.01 0.484 0.494 0.184 0.401 0.057 0.009 0.065 0.23 0.004 0.004 0 0 0.004 0.005 0.079 0.056 0.033 0.745 0.359 0.01 0.004 0.078 0.077 0.071 0.691 0.038 0.001 0 0.473 0.016 0.016 0 0 0 0 0.009 0.452 0 0 0.011 0.225 0.014 0.001 0 0.257 0.33 0.001 0.465 0.101 0.252 0.029 0.023 0.825 0.597 0.113 0.291 0 0.089 0.67 0.34 0.093 0.342 0.167 0.459 0.15 0.373 0.16 0.02 0.052 0.062 0.09 0.041 0.023 0.08 0.237 0 0.092 0.005 0 0.025 0.169 0.103 0 0.027 0.092 0.429 0.745 0.354 0.079 0.08 0.128 0.286 0.268 0.001 0.002 0.014 0.01 0.027 0.399 0.004 0.748 0.716 0.566 0.796 0.118 0.135 0.052 0.072 0.35 0.228 0.028 0 0 0 0 0 0.143 0.079 -

Bijlagen Bijlage 7.2: vervolg Soort VT Eriovagi Filiulma Galipalu Galiulig Geumurba Glycmaxi Juncacuf Juncfili Lotuulig Luzumulti Lysivulg Lythsali Menytrif Molicaer Myrigale Osmurega Oxalfont Peucpalu Phalarun Phraaust Polymult Poteerec Pteraqui Pulidyse Ranuflam Rhinangu Rhinmin Ribenigr Rumehydr Saxigran Scirsylv Scutgale Teucscor Thaliflav Violpalu Callstram Polycomm Sphafimb

VexW TOT D pos S pos V pos Z pos 0.231 0.227 0.306 0 0.006 0.049 0 0 0.015 0 0.004 0.063 0.001 0.024 0.012 0.483 0.109 0 0.165 0.007 0.575 0 0.614 0 0.802 0.01 0.032 0.012 0.019 0.021 0.012 0.011 0.002 0.827 0.826 0.461 0.004 0.134 0.245 0.128 0.034 0.479 0.125 0.176 0.054 0.537 0.12 0.074 0.158 0.103 0.196 0.663 0.06 0.06 0.061 0.163 0.102 0.051 0.004 0.013 0 0.194 0.131 0.033 0.062 0.01 0.098 0.386 0 0 0.891 0.494 0.08 0.836 0.835 0.269 0.262 0.812 0.746 0.006 0.446 0.03 0.056 0.137 0.139 0.141 0.158 0.618 0.55 0.112 0.106 0.593 0.023 0.115 0.162 0.086 0.019 0.009 0 0.004 0 0.004 0.138 0.163 0.108 0.693 0.649 0.247 0.192 0.753 0.035 0.378 0.658 0.342 0.328 0.518 0.051 0.035 0.392

Bijlagen Bijlage 7.2: vervolg Soort VT Alno. Padion Arrhenatherion Calthion Caricion. curto. nigrae Carici. elongatae. Alentum Cirsio. Molinietum Filipendulion Magnocaricion Magnocaricion... Phragmites Phragmitetea Sphagno. Alnetum

VexW TOT D pos S pos V pos Z pos 0.606 0.608 0.366

0.07 0.157 -

-

0.031 0.008 0.004 0.216 0.044 0.218 0.092 0.001 0.003 0.016 0.476 0.001

0

0.323 0 0.003 -

0.052 0.046 -

-

-

0.032 0.013 -

-

-

0.754 0.114 0.794 -

-

0.266 -

-

0.261 -

Bijlagen Bijlage 7.3: Functie voor het berekenen drempelwaarde met S-Plus Berekening drempelwaarde:

function(sp, modelfit) # Met sp = waarnemingen van aan-/afwezigheid van een planten # soort, modelfit = model voorspelling voor dezelfde plantensoort { dremp1 <- rev(sort(modelfit))[length(sp[sp == 1])] dremp0 <- sort(modelfit)[length(sp[sp == 0])] prop1 <- length(sp[sp == 1])/length(modelfit) prop0 <- length(sp[sp == 0])/length(modelfit) drempel <- dremp1 - (dremp1 - dremp2) * prop1 cat(c(drempel, "\n")) }

Bijlagen Bijlage 7.4: Functie voor het met S-Plus

berekenen van betrouwbaarheidsintervallen

Berekening betrouwbaarheidsintervallen:

p1_predict(f1,type="l",se=T) upp_p1$fit+2*p1$se.fit low_p1$fit-2*p1$se.fit pr_predict(f1,type="r") uppr_exp(upp)/(1+exp(upp)) lowr_exp(low)/(1+exp(low)) grafisch weergeven voor één continue variabele dat1_data.frame(variabele, lowr, pr, uppr) dat1_dat1[ sort.list(dat1[,1]), ] plot(dat1[,1], dat1[,3]*2,ylim=c(0,1), type="l", lty=1, xlab="naam variabele", ylab="aan-/afwezigheid cq. kans op voorkomen") lines(dat1[,1], dat1[,2]*2,lty=2) lines(dat1[,1], dat1[,4]*2, lty=2) points(variabele, soortopnamen, pch="|"

Bijlagen Bijlage 7.5: De minimum en maximum waarde, het 1ste en 3de quartiel,de mediaan en het gemiddelde van de betrouwbaarheidsintervallen van de responsfunctie per soort, voor VinW.

Soort Achiptar Alisplan Alno.Padion Alopprat Angesylv Anthsylv Arrhelat Arrhenatherion Barbinter Beruerec Bracsylv Calacane Callpalu Callstram Calthion Caltpalu Careacuf Careacut Carecurt Caredist Careechi Careelon Carehirt Carenigr carepani Carepseu Carerost Caresylv Caricelong Cariccurto Circlute Circoler CirsioMolin Comapalu Crepbien Dactmacu Dactmaja Desccaes Descflex Digipurp Eleopalu Equiarve

Betrouwbaarheidsintervallen VinW Min. 1st Qu. Median Mean 3rd Qu. 0.000 0.003 0.013 0.051 0.073 0.000 0.005 0.014 0.028 0.028 0.000 0.000 0.011 0.054 0.056 0.000 0.008 0.029 0.054 0.085 0.009 0.063 0.083 0.097 0.108 0.000 0.000 0.001 0.023 0.013 0.000 0.009 0.032 0.056 0.088 0.000 0.002 0.010 0.048 0.037 0.000 0.000 0.004 0.078 0.032 0.000 0.000 0.000 0.033 0.023 0.000 0.031 0.223 0.466 0.968 0.000 0.008 0.029 0.050 0.082 0.000 0.000 0.000 0.028 0.000 0.000 0.002 0.006 0.050 0.018 0.000 0.000 0.010 0.062 0.067 0.002 0.047 0.062 0.070 0.085 0.000 0.044 0.079 0.076 0.099 0.000 0.021 0.044 0.066 0.097 0.000 0.002 0.008 0.042 0.049 0.000 0.005 0.027 0.056 0.093 0.000 0.000 0.002 0.161 0.068 0.000 0.016 0.056 0.090 0.098 0.000 0.002 0.013 0.033 0.040 0.000 0.002 0.009 0.043 0.034 0.000 0.015 0.040 0.127 0.119 0.000 0.002 0.015 0.037 0.062 0.000 0.002 0.012 0.042 0.052 0.000 0.020 0.222 0.405 0.894 0.000 0.015 0.039 0.064 0.095 0.000 0.000 0.007 0.053 0.091 0.000 0.003 0.021 0.055 0.089 0.000 0.003 0.018 0.052 0.095 0.000 0.000 0.000 0.274 0.873 0.000 0.001 0.006 0.044 0.051 0.000 0.032 0.797 0.548 1.000 0.000 0.001 0.004 0.026 0.014 0.000 0.008 0.079 0.375 0.918 0.000 0.010 0.034 0.054 0.087 0.000 0.006 0.033 0.174 0.172 0.000 0.000 0.001 0.170 0.047 0.007 0.013 0.999 0.574 0.999 0.000 0.000 0.000 0.030 0.010

Max 0.792 0.477 0.947 0.559 0.437 1.000 0.730 0.999 1.000 0.466 1.000 0.356 0.982 1.000 1.000 0.599 0.872 0.442 0.464 0.289 1.000 1.000 0.582 0.665 1.000 0.401 0.456 1.000 0.573 0.692 0.694 0.459 1.000 0.814 1.000 0.970 1.000 0.270 1.000 1.000 1.000 0.937

Bijlagen Bijlage 7.5: vervolg

Soort Equifluv Equipalu Equitelm Eriovagi Filipendulion Filiulma Galipalu Galiulig Geumurba Glycmaxi Juncacuf Juncfili Lamigaleo Leucglau Lotuulig Luzumulti Lysivulg Lythsali MagnoPhragmites Magnocar Menytrif Molicaer Myrigale Osmurega Oxalfont Peucpalu Phalarun Phraaust Phragmitetea Polycomm Polymult Potester Pteraqui Pulidyse Ranuflam Rhinangu Rhinmin Ribenigr Rumehydr Saxigran Scirsylv

Betrouwbaarheidsintervallen VinW Min. 1st Qu. Median Mean 3rd Qu. 0.000 0.008 0.031 0.060 0.100 0.000 0.029 0.075 0.075 0.106 0.000 0.001 0.024 0.173 0.149 0.000 0.000 0.000 0.025 0.002 0.000 0.003 0.014 0.051 0.082 0.003 0.080 0.096 0.101 0.113 0.000 0.011 0.057 0.064 0.102 0.000 0.008 0.030 0.061 0.106 0.000 0.008 0.035 0.058 0.091 0.000 0.011 0.035 0.048 0.074 0.002 0.015 0.039 0.058 0.087 0.000 0.000 0.002 0.263 0.416 0.000 0.009 0.097 0.314 0.758 0.000 0.000 0.006 0.023 0.024 0.001 0.021 0.044 0.066 0.098 0.000 0.000 0.000 0.216 0.174 0.000 0.022 0.074 0.069 0.100 0.020 0.057 0.088 0.094 0.110 0.000 0.000 0.004 0.064 0.069 0.000 0.000 0.000 0.023 0.001 0.000 0.000 0.003 0.030 0.023 0.000 0.011 0.049 0.059 0.094 0.000 0.048 0.999 0.672 1.000 0.000 0.000 0.022 0.254 0.400 0.008 0.066 0.263 0.453 0.935 0.000 0.000 0.022 0.045 0.081 0.000 0.030 0.054 0.073 0.105 0.000 0.028 0.048 0.060 0.080 0.000 0.000 0.000 0.025 0.000 0.000 0.000 0.001 0.083 0.012 0.000 0.004 0.038 0.220 0.113 0.000 0.022 1.000 0.529 1.000 0.000 0.001 0.006 0.060 0.036 0.000 0.001 0.007 0.029 0.020 0.001 0.006 0.015 0.041 0.042 0.000 0.000 0.000 0.025 0.000 0.000 0.000 0.000 0.237 0.272 0.000 0.003 0.018 0.267 0.478 0.000 0.003 0.019 0.043 0.056 0.000 0.018 0.110 0.452 1.000 0.008 0.045 0.069 0.085 0.113

Max 0.380 0.353 1.000 0.654 0.579 0.363 0.533 0.364 0.453 0.497 0.691 1.000 1.000 0.513 0.667 1.000 0.375 0.401 1.000 0.586 0.547 0.471 1.000 1.000 1.000 0.549 0.410 0.863 0.765 1.000 1.000 1.000 1.000 0.857 0.515 0.895 1.000 1.000 0.543 1.000 0.691


Soort Scutgale Sphafimb SphagnoAlnet Teucscor Thaliflav Thuitama Vaccmyrt Violpalu

Betrouwbaarheidsintervallen VinW Min. 1st Qu. Median Mean 3rd Qu. 0.000 0.008 0.045 0.065 0.106 0.000 0.005 0.017 0.057 0.064 0.000 0.008 0.052 0.139 0.138 0.000 0.005 0.024 0.050 0.079 0.000 0.000 0.003 0.128 0.046 0.000 0.042 0.225 0.509 0.996 0.000 0.000 0.005 0.035 0.032 0.000 0.000 0.016 0.043 0.065

Max 0.431 0.993 1.000 0.465 1.000 1.000 1.000 0.331

Bijlagen Bijlage 7.6: De minimum en maximum waarde, het 1ste en 3de quartiel,de mediaan en het gemiddelde van de betrouwbaarheidsintervallen van de responsfunctie per soort, voor VinWinW


Min. 0.000 0.000 0.000 0.000 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.002 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.007 1.18E-13

Betrouwbaarheidsintervallen VinWinW 1st Qu. Median Mean 3rd Qu. 0.002 0.010 0.053 0.083 0.002 0.010 0.033 0.035 0.000 0.005 0.070 0.059 0.008 0.024 0.052 0.070 0.070 0.087 0.099 0.115 0.001 0.004 0.024 0.019 0.009 0.030 0.051 0.075 0.002 0.008 0.050 0.036 0.000 0.001 0.073 0.017 0.000 0.001 0.036 0.013 0.031 0.223 0.466 0.968 0.008 0.029 0.050 0.082 0.000 0.000 0.240 0.311 0.002 0.006 0.050 0.018 0.000 0.007 0.062 0.066 0.039 0.070 0.075 0.102 0.049 0.079 0.076 0.099 0.017 0.040 0.062 0.091 0.002 0.009 0.040 0.041 0.005 0.027 0.056 0.093 0.000 0.000 0.120 0.016 0.018 0.042 0.062 0.090 0.001 0.009 0.033 0.044 0.002 0.007 0.037 0.029 0.003 0.014 0.037 0.042 0.002 0.012 0.037 0.059 0.003 0.012 0.043 0.048 0.022 0.224 0.446 0.955 0.013 0.042 0.063 0.095 0.000 0.008 0.040 0.073 0.004 0.022 0.052 0.083 0.003 0.018 0.052 0.095 0.000 0.000 0.274 0.873 0.000 0.001 0.044 0.046 0.008 0.130 0.415 0.977 0.001 0.004 0.026 0.014 0.008 0.079 0.375 0.918 0.013 0.038 0.056 0.088 0.006 0.033 0.194 0.198 0.000 0.001 0.170 0.047 0.013 0.999 0.574 0.999 0.000 0.000 0.030 0.010

Max 0.850 0.547 1.000 0.556 0.319 0.959 0.341 0.999 1.000 0.554 1.000 0.356 1.000 1.000 1.000 0.615 0.567 0.418 0.477 0.289 1.000 0.795 0.586 0.573 0.901 0.807 0.690 1.000 0.559 0.699 0.699 0.459 1.000 0.929 1.000 0.970 1.000 0.554 1.000 1.000 1.000 0.937


Soort Equifluv Equipalu Equitelm Eriovagi Filipendulion Filiulma Galipalu Galiulig Geumurba Glycmaxi Juncacuf Juncfili Lamigaleo Leucglau Lotuulig Luzumulti Lysivulg Lythsali MagnoPhragm Magnocar Menytrif Molicaer Myrigale Osmurega Oxalfont Peucpalu Phalarun Phraaust Phragmitetea Polycomm Polymult Potester Pteraqui Pulidyse Ranuflam Rhinangu Rhinmin Ribenigr Rumehydr Saxigran Scirsylv

Min. 0.000 0.000 0.000 0.000 0.000 0.004 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.008 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.001 0.000 0.000 0.000 0.000 0.000 0.000

Betrouwbaarheidsintervallen VinW 1st Qu. Median Mean 3rd Qu. 0.007 0.028 0.060 0.105 0.030 0.069 0.073 0.105 0.000 0.001 0.029 0.021 0.000 0.000 0.025 0.002 0.003 0.014 0.051 0.082 0.072 0.092 0.095 0.108 0.006 0.043 0.056 0.094 0.000 0.028 0.063 0.125 0.008 0.035 0.058 0.091 0.007 0.026 0.045 0.073 0.014 0.041 0.061 0.089 0.001 0.973 0.540 1.000 0.009 0.111 0.312 0.690 0.000 0.006 0.023 0.024 0.021 0.044 0.066 0.098 0.000 0.000 0.216 0.174 0.015 0.054 0.058 0.088 0.062 0.089 0.095 0.114 0.000 0.004 0.064 0.069 0.000 0.000 0.091 0.009 0.000 0.003 0.030 0.023 0.010 0.052 0.060 0.099 0.048 0.999 0.672 1.000 0.000 0.000 0.015 0.006 0.066 0.263 0.453 0.935 0.001 0.014 0.044 0.066 0.030 0.054 0.073 0.105 0.019 0.050 0.060 0.094 0.000 0.000 0.026 0.000 0.000 0.001 0.083 0.012 0.004 0.038 0.220 0.113 0.022 1.000 0.529 1.000 0.001 0.007 0.059 0.035 0.000 0.001 0.019 0.006 0.006 0.015 0.041 0.042 0.000 0.000 0.025 0.000 0.000 0.000 0.237 0.272 0.003 0.018 0.267 0.478 0.000 0.007 0.042 0.066 0.018 0.110 0.452 1.000 0.043 0.070 0.082 0.106

Max 0.453 0.329 0.516 0.654 0.579 0.359 0.593 0.370 0.453 0.370 0.680 1.000 1.000 0.513 0.667 1.000 0.283 0.417 1.000 1.000 0.547 0.251 1.000 0.434 1.000 0.434 0.410 0.759 0.999 1.000 1.000 1.000 1.000 0.666 0.515 0.895 1.000 1.000 0.479 1.000 0.705

Bijlagen Bijlage 7.6:vervolg


Betrouwbaarheidsintervallen VinW Min. 1st Qu. Median Mean 3rd Qu. 0.000 0.004 0.028 0.051 0.089 0.000 0.003 0.014 0.042 0.055 0.000 0.005 0.033 0.122 0.115 0.000 0.005 0.024 0.050 0.079 0.000 0.000 0.003 0.128 0.046 0.000 0.046 0.496 0.501 0.990 0.000 0.000 0.005 0.035 0.032 0.000 0.001 0.007 0.038 0.058

Max 0.722 0.933 1.000 0.465 1.000 1.000 1.000 0.360

Bijlagen Bijlage 7.7: De minimum en maximum waarde, het 1ste en 3de quartiel,de mediaan en het gemiddelde van de betrouwbaarheidsintervallen van de responsfunctie per soort, voor VexW.


Min. 0.000 0.000 0.000 0.000 0.001 0.000 0.003 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.002 0.000

Betrouwbaarheidsintervallen VexW 1st Qu. Median Mean 3rd 0.001 0.031 0.073 0.004 0.024 0.151 0.000 0.000 0.077 0.022 0.050 0.075 0.094 0.111 0.125 0.006 0.015 0.126 0.023 0.058 0.080 0.002 0.025 0.172 0.065 0.968 0.593 0.001 0.008 0.112 0.024 0.089 0.338 0.011 0.029 0.071 0.000 0.000 0.162 0.003 0.008 0.024 0.002 0.017 0.100 0.063 0.086 0.090 0.010 0.051 0.081 0.036 0.070 0.092 0.010 0.055 0.149 0.016 0.050 0.075 0.999 1.000 0.889 0.011 0.046 0.093 0.006 0.027 0.086 0.006 0.018 0.071 0.000 0.000 0.020 0.001 0.064 0.299 0.003 0.025 0.083 0.003 0.025 0.083 0.004 0.032 0.110 0.000 0.012 0.086 0.002 0.025 0.062 0.004 0.087 0.079 0.000 0.000 0.217 0.017 0.138 0.333 0.000 0.002 0.048 0.001 0.007 0.035 0.008 0.060 0.343 0.000 0.015 0.031 0.002 0.005 0.008 0.000 0.003 0.254 0.020 0.175 0.495 0.003 0.072 0.288

Qu. 0.131 0.085 0.019 0.102 0.141 0.031 0.113 0.112 1.000 0.082 1.000 0.104 0.073 0.017 0.104 0.109 0.136 0.133 0.176 0.120 1.000 0.135 0.065 0.101 0.016 0.646 0.123 0.123 0.123 0.133 0.112 0.123 0.060 0.880 0.034 0.023 0.911 0.039 0.011 0.351 1.000 0.527

Max 0.422 1.000 1.000 0.551 0.335 1.000 0.821 1.000 1.000 1.000 1.000 0.805 1.000 0.506 1.000 0.534 0.536 0.494 1.000 0.625 1.000 0.979 1.000 1.000 0.869 1.000 1.000 1.000 1.000 0.999 0.656 0.537 1.000 1.000 0.874 0.938 1.000 0.714 0.075 1.000 1.000 1.000


Soort Equifluv Equipalu Equitelm Eriovagi Filipendulion Filiulma Galipalu Galiulig Geumurba Glycmaxi Juncacuf Juncfili Lamigaleo Leucglau Lotuulig Luzumulti Lysivulg Lythsali MagnoPhragmites Magnocar Menytrif Molicaer Myrigale Osmurega Oxalfont Peucpalu Phalarun Phraaust Phragmitetea Polycomm Polymult Potester Pteraqui Pulidyse Ranuflam Rhinangu Rhinmin Ribenigr Rumehydr Saxigran Scirsylv

Min. 0.000 0.007 0.000 0.000 0.000 0.004 0.001 0.000 0.000 0.000 0.002 0.000 0.000 0.000 0.000 0.000 0.000 0.021 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.009

Betrouwbaarheidsintervallen VexW 1st Qu. Median Mean 3rd Qu. 0.012 0.053 0.081 0.136 0.060 0.099 0.103 0.128 0.000 0.017 0.112 0.109 0.000 0.000 0.121 0.070 0.009 0.034 0.085 0.114 0.082 0.094 0.104 0.115 0.010 0.086 0.086 0.137 0.006 0.070 0.086 0.145 0.004 0.026 0.070 0.110 0.003 0.036 0.133 0.122 0.024 0.061 0.084 0.122 0.003 1.000 0.576 1.000 0.204 1.000 0.704 1.000 0.062 0.965 0.618 1.000 0.037 0.070 0.088 0.125 0.000 0.001 0.283 0.767 0.029 0.074 0.079 0.113 0.105 0.117 0.133 0.149 0.002 0.020 0.070 0.095 0.000 0.021 0.225 0.313 0.001 0.006 0.039 0.049 0.004 0.031 0.110 0.153 0.000 0.000 0.010 0.000 0.000 0.009 0.354 1.000 0.002 0.005 0.015 0.012 0.000 0.030 0.061 0.106 0.048 0.075 0.087 0.116 0.017 0.059 0.083 0.132 0.000 0.000 0.099 0.040 0.001 0.002 0.009 0.007 0.000 0.021 0.306 1.000 0.027 0.491 0.515 1.000 0.000 0.000 0.017 0.002 0.000 0.002 0.110 0.026 0.002 0.026 0.052 0.082 0.000 0.000 0.086 0.000 0.000 0.000 0.248 0.323 0.000 0.003 0.260 0.353 0.044 0.106 0.346 1.000 0.016 0.066 0.389 1.000 0.057 0.105 0.108 0.139

Max 0.519 0.403 1.000 1.000 0.995 0.376 0.388 0.370 0.578 1.000 0.618 1.000 1.000 1.000 0.399 1.000 0.296 0.430 0.935 1.000 0.548 1.000 0.681 1.000 0.404 0.993 0.450 0.527 1.000 0.247 1.000 1.000 0.568 1.000 0.441 1.000 1.000 1.000 1.000 1.000 0.571



Min. 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Betrouwbaarheidsintervallen VexW 1st Qu. Median Mean 3rd 0.019 0.075 0.078 0.001 0.021 0.190 0.000 0.000 0.028 0.000 0.003 0.031 0.000 0.001 0.024 0.001 0.021 0.190 0.000 0.001 0.024 0.024 0.089 0.338

Qu. 0.114 0.128 0.000 0.024 0.011 0.128 0.011 1.000

Max 0.392 1.000 0.639 0.996 0.580 1.000 0.580 1.000

Bijlagen Bijlage 7.8: Score voor de ruimtelijke evaluatie aan de hand van de drie klassen, aangevuld met de Goodness-of-Fit. Vex Soort Achiptar Alisplan Alno.Padion Alopprat Angesylv Anthsylv Arrhelat Arrhenatherion Barbinter Beruerec Bracsylv Calacane Callpalu Callstram Calthion Caltpalu Careacuf Careacut Carecurt Caredist Careechi Careelon Carehirt Carenigr carepani Carepseu Carerost Caresylv Caricelong Caricurto Circlute Circoler CirsioMolin Comapalu Crepbien Dactmacu Dactmaja Desccaes Descflex Digipurp Eleopalu Equiarve

klas 2 2 3 1 3 3 2 3 3 3 3 3 3 1 2 2 1 2 1 3 2 2 3 1 2 1 '2 2 3 2 3 3 3 1 1 2 1 3 2 2

GOF 0.184 0.494 0.606 0.057 0.004 0.079 0.033 0.366 0.078 0.071 '0.001 0.016 0.658 0.031 0 0.014 0.452 0.33 0.101 0.825 0.113 0.67 0.167 0.373 0.052 0.09 '0.092 0.216 0.237 0.005 0.476 0.429 0.079 0.286 0.001 0.014 0.399 0.748 0.566 0.118

VinWinW klas GOF 2 0.272 2 0.211 3 0.348 2 0.006 2 0 1 0.408 2 0.058 3 0.171 3 0.069 3 0.761 1 0.036 2 0.4 3 0 2 0.045 1 0.3 2 0 1 0 2 0 1 0.056 2 0.15 1 0.99 2 0 2 0.012 1 0.712 2 0.305 2 0.026 1 0.18 2 0.752 3 0.004 3 0.843 1 0.107 3 0.114 3 0.8 2 0.047 3 0.059 2 0.668 2 0.001 1 0.091 1 0.277 3 0.679 1 0.812 2 0.017

VinW klas 2 1 2 2 2 2 2 2 3 2 1 2 2 2 1 2 1 1 2 1 2 2 1 1 2 2 2 2 3 1 3 3 2 3 2 1 1 1 2 2 3

GOF 0.181 0.161 0.593 0.001 0 0.108 0.14 0.866 0.407 0.008 0.036 0.4 0.092 0.045 0.83 0.007 0 0.035 0.005 0.15 0.064 0 0.061 0.265 0.032 0.033 0.348 0.395 0.42 0.845 0.041 0.114 0.8 0.413 0.822 0.668 0.001 0.024 0.002 0.679 0.812 0.017

Bijlagen Bijlage 7.8: vervolg Vex Soort Equifluv Equipalu Equitelm Eriovagi Filipendulion Filiulma Galipalu Galiulig Geumurba Glycmaxi Juncacuf Juncfili Lamigaleo Leucglau Lotuulig Luzumulti Lysivulg Lythsali Magnocar MagnoPhragm Menytrif Molicaer Myrigale Osmurega Oxalfont Peucpalu Phalarun Phraaust Phragmitetea Polycomm Polymult Potester Pteraqui Pulidyse Ranuflam Rhinangu Rhinmin Ribenigr Rumehydr Saxigran

klas 1 2 3 3 2 3 2 2 3 2 2 3 '3 2 3 1 2 3 3 3 3 3 3 2 2 2 2 2 2 2 '2 3 2 3 3 3 2 2

GOF 0.052 0 0.143 0.231 0.001 0.306 0 0.063 0.483 0.165 0 0.032 '0.298 0.019 0.827 0.461 0.034 0.052 0.032 0.537 0.103 0.06 0.061 0.102 0.004 0.194 0.098 0.754 0.328 0.494 '0.269 0.812 0.006 0.137 0.141 0.618 0.112 0.115

VinWinW klas GOF 1 0.038 1 0 3 0.003 3 0.175 3 0.068 2 0 1 0.002 2 0.022 1 0.03 1 0.026 1 0 3 0.317 2 0.034 3 0.267 2 0.001 3 0.827 1 0.041 1 0.018 3 0.176 3 0.012 2 0.564 3 0.279 3 0.205 2 0.345 2 0.605 1 0.002 2 0.001 2 0 3 0.033 2 0.201 1 0.018 1 0.939 1 0.054 3 0.487 2 0.048 2 0.181 3 0.141 2 0.052 2 0.028 2 0.103

VinW klas 1 2 3 3 3 2 2 2 1 1 2 2 1 2 2 3 1 1 3 3 2 1 3 2 2 2 2 2 3 2 1 1 1 2 2 3 3 2 1 2

GOF 0.037 0 0.025 0.175 0.688 0 0 0 0.03 0.004 0 0.03 0.089 0.267 0.001 0.827 0.012 0 0.944 0.533 0.564 0.001 0.205 0.857 0.605 0 0.001 0.45 0.48 0.201 0.018 0.939 0 0.609 0.048 0.181 0.141 0.052 0.01 0.103

Bijlagen Bijlage 7.8: vervolg. Vex Soort Scirsylv Scutgale Sphafimb Sphagno.Alnetum Teucscor Thaliflav Thuitama Vaccmyrt Violpalu

klas 2 2 2 3 2 3 ''3

GOF 0.019 0.004 0.051 0.266 0.693 0.247 ''0.753

VinWinW klas GOF 2 0 1 0 1 0.569 3 0.048 1 0.061 3 0.989 1 0.21 2 0.042 2 0.121

VinW klas 2 1 1 2 1 3 2 2 2

GOF 0 0.122 0.084 0.099 0.061 0.989 0.001 0.042 0.058

Bijlagen Bijlage 8.1: Validatieresultaten van VinW (zonder bodem en waterstand variabelen) getest op de Aardgat gegevens (Soort/VT = soort/vegetatie type code, Pos = aantal positieve waarnemingen testbestand, Corr1 = waargenomen en voorspelde aanwezigheid, Corr0 = waargenomen en voorspelde afwezigheid, Fout1 = observatie geen voorspelling, Fout0 = geen observatie wel voorspelling, drempel. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/VT Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR MCR Sen Spec Achiptar 0 0.00457 0 5 0 1 0.833 0.167 0.833 Alisplan 0 0.00626 0 2 0 4 0.333 0.667 0.333 Alopprat 0 0.04590 0 0 0 6 0.000 1.000 0.000 Angesylv 5 0.26707 5 0 0 1 0.833 0.167 1.000 0.000 Anthsylv 0 4.06E-05 0 4 0 2 0.667 0.333 0.667 Arrhelat 1 0.06460 0 4 1 1 0.667 0.333 0.000 0.800 Barbinter 0 8.88E-09 0 0 0 0 Beruerec 1 3.99E-08 0 2 1 3 0.333 0.667 0.000 0.400 Bracsylv 0 0.00240 0 6 0 0 1.000 0.000 1.000 Calacane 0 0.02455 0 6 0 0 1.000 0.000 1.000 Callpalu 0 5.43E-11 0 6 0 0 1.000 0.000 1.000 Caltpalu 3 0.13283 3 1 0 2 0.667 0.333 1.000 0.333 Careacut 0 0.04790 0 3 0 3 0.500 0.500 0.500 Careacuf 5 0.15358 3 0 2 1 0.500 0.500 0.600 0.000 Carecurt 0 0.00518 0 5 0 1 0.833 0.167 0.833 Caredist 0 0.02113 0 2 0 4 0.333 0.667 0.333 Careechi 0 1.56E-07 0 4 0 2 0.667 0.333 0.667 Careelon 0 0.04307 0 6 0 0 1.000 0.000 1.000 Carehirt 1 0.01001 0 3 1 2 0.500 0.500 0.000 0.600 Carenigr 0 0.00379 0 3 0 3 0.500 0.500 0.500 carepani 0 0.01653 0 0 0 0 Carepseu 0 0.01560 0 4 0 2 0.667 0.333 0.667 Carerost 0 0.00890 0 0 0 6 0.000 1.000 0.000 Caresylv 0 0.00106 0 6 0 0 1.000 0.000 1.000 Circlute 0 0.02104 0 6 0 0 1.000 0.000 1.000 6 Circoler 0.01528 5 0 1 0 0.833 0.167 0.833 Comapalu 0 0.00173 0 5 0 1 0.833 0.167 0.833 Crepbien 0 1.64E-05 0 4 0 2 0.667 0.333 0.667 Dactmacu 0 0.00088 0 0 0 6 0.000 1.000 0.000 Dactmaja 0 0.00327 0 4 0 2 0.667 0.333 0.667 Desccaes 0 0.04794 0 2 0 4 0.333 0.667 0.333 Descflex 0 0.00839 0 6 0 0 1.000 0.000 1.000 Digipurp 0 5.20E-10 0 4 0 2 0.667 0.333 0.667 Eleopalu 0 0.00497 0 5 0 1 0.833 0.167 0.833 Equiarve 0 4.03E-09 0 5 0 1 0.833 0.167 0.833 Equifluv 3 0.02291 0 2 3 1 0.333 0.667 0.000 0.667 Equipalu 4 0.16521 3 1 1 1 0.667 0.333 0.750 0.500 Eriovagi 0 2.94E-16 0 6 0 0 1.000 0.000 1.000

Bijlagen Bijlage 8.1: vervolg Soort/VT Pos Drempel Corr1 Corr0 Fout1 Fout0 Filiulma 6 0.42611 1 0 5 0 Galipalu 0 0.03013 0 6 0 0 Galiulig 1 0.02870 0 5 1 0 Geumurba 0 0.01682 0 5 0 1 Glycmaxi 0 0.03241 0 3 0 3 Juncacuf 0.04192 0 0 0 6 Juncfili 0 8.52E-10 0 6 0 0 Lamigaleo 0 6.00E-11 0 0 0 0 Lotuulig 0 0.04963 0 0 0 6 Luzumulti 0 2.55E-05 0 0 0 0 Lysivulg 1 0.04461 0 5 1 0 Lythsali 2 0.22646 1 2 1 2 Menytrif 0 0.00063 0 6 0 0 Molicaer 0 0.10017 0 5 0 1 Myrigale 0 3.19E-14 0 6 0 0 Osmurega 0 4.89E-15 0 3 0 3 Oxalfont 0 8.80E-06 0 6 0 0 Peucpalu 0 0.00212 0 6 0 0 Phalarun 0 0.09676 0 1 0 5 Phraaust 5 0.10993 3 0 2 1 Polymult 0 0.00059 0 6 0 0 Potester 0 0.00090 0 6 0 0 Pteraqui 0 0.00117 0 6 0 0 Pulidyse 4 0.00123 0 2 4 0 Ranuflam 0 0.00946 0 6 0 0 Ribenigr 0 0.00019 0 0 0 6 Rhinangu 0 4.36E-15 0 5 0 1 Rhinmino 0 3.53E-07 0 2 0 4 Rumehydr 0 0.00448 0 6 0 0 Saxigran 0 0.00128 0 6 0 0 Scirsylv 0 0.12199 0 0 0 6 Scutgale 0 0.01703 0 6 0 0 Teucscor 0 0.02858 0 6 0 0 Thaliflav 0 1.16E-10 0 0 0 0 Vaccmyrt 0 1.00E-04 0 6 0 0 Violpalu 0 0.00097 0 6 0 0 Arrhenatherion 0 0.01174 0 0 0 6 Calthion 6 0.01521 1 0 5 0 Filipendulion 0 0.01392 0 3 0 3

CCR

MCR

Sen

0.167 0.833 0.167 1.000 0.000 0.833 0.167 0.000 0.833 0.167 0.500 0.500 0 11.000 0.000 0.000 1.000 0.833 0.167 0.000 0.500 0.500 0.500 1.000 0.000 0.833 0.167 1.000 0.000 0.500 0.500 1.000 0.000 1.000 0.000 0.167 0.833 0.500 0.500 0.600 1.000 0.000 1.000 0.000 1.000 0.000 0.333 0.667 0.000 1.000 0.000 0.000 1.000 0.833 0.167 0.333 0.667 1.000 0.000 1.000 0.000 0.000 1.000 1.000 0.000 1.000 0.000 1.000 0.000 1.000 0.000 -

Spec 1.000 1.000 0.833 0.500 0 1.000 0.000 1.000 0.500 1.000 0.833 1.000 0.500 1.000 1.000 0.167 0.000 1.000 1.000 1.000 1.000 1.000 0.000 0.833 0.333 1.000 1.000 0.000 1.000 1.000 1.000 1.000

0.000 1.000 0.000 0.167 0.833 0.167 0.500 0.500 0.500

Bijlagen Bijlage 8.1: vervolg Soort/VT Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR MagnocarPhragm 0 2.52E-06 0 6 0 0 1.000 Magnocaricion 0 6.85E-05 0 6 0 0 1.000 Alno.Padion 0 0.03942 0 6 0 0 1.000 Caricelong 0 0.12623 0 6 0 0 1.000

MCR

Sen

Spec

0.000 0.000 0.000 0.000

-

1.000 1.000 1.000 1.000

Bijlagen Bijlage 8.2: Validatieresultaten van VinWinW (zonder bodem maar met waterstand variabelen) getest op de Aardgat gegevens (Soort/VT = soort/vegetatie type code, Pos = aantal positieve waarnemingen testbestand, Corr1 = waargenomen en voorspelde aanwezigheid, Corr0 = waargenomen en voorspelde afwezigheid, Fout1 = observatie geen voorspelling, Fout0 = geen observatie wel voorspelling, drempel. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/Veg Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR MCR Sen Spec Achiptar 0 0.002099 0 4 0 2 0.667 0.333 0.667 Alisplan 0 0.0021325 0 3 0 3 0.500 0.500 0.500 Alopprat 0 0.0539809 0 5 0 1 0.833 0.167 0.833 Angesylv 5 0.2951236 5 1 0 0 1.000 0.000 1.000 1.000 Anthsylv 0 7.25E-05 0 3 0 3 0.500 0.500 0.500 Arrhelat 1 0.0731917 1 5 0 0 1.000 0.000 1.000 1.000 Barbinte 0 1.62E-07 0 0 0 0 Beruerec 1 7.93E-06 1 3 0 2 0.667 0.333 1.000 0.600 Bracsylv 0 0.002401 0 6 0 0 1.000 0.000 1.000 Calacane 0 0.0245548 0 6 0 0 1.000 0.000 1.000 Callpalu 0 7.33E-16 0 6 0 0 1.000 0.000 1.000 Caltpalu 3 0.1285865 2 0 1 3 0.333 0.667 0.667 0.000 Careacut 0 0.044269 0 1 0 5 0.167 0.833 0.167 Careacuf 5 0.1674427 3 0 2 1 0.500 0.500 0.600 0.000 Carecurt 0 0.003636 0 4 0 2 0.667 0.333 0.667 Caredist 0 0.0211294 0 2 0 4 0.333 0.667 0.333 Careechi 0 5.03E-12 0 4 0 2 0.667 0.333 0.667 Careelon 0 0.0379707 0 4 0 2 0.667 0.333 0.667 Carehirt 1 0.0054042 0 5 1 0 0.833 0.167 0.000 1.000 Carenigr 0 0.0014456 0 1 0 5 0.167 0.833 0.167 Carepani 0 0.0096801 0 0 0 0 Carepseu 0 0.01142 0 5 0 1 0.833 0.167 0.833 Carerost 0 0.003986 0 0 0 6 0.000 1.000 0.000 Caresylv 0 0.0003154 0 6 0 0 1.000 0.000 1.000 Circoler 6 0.0152798 3 0 3 0 0.500 0.500 0.500 Circlute 0 0.021987 0 6 0 0 1.000 0.000 1.000 Comapalu 0 0.17585 0 0 0 0 Crepbien 0 0.0001588 0 6 0 0 1.000 0.000 1.000 Dactmacu 0 0.0008819 0 0 0 6 0.000 1.000 0.000 Dactmaja 0 0.0032654 0 4 0 2 0.667 0.333 0.667 Desccaes 0 0.0330542 0 3 0 3 0.500 0.500 0.500 Descflex 0 0.005252 0 6 0 0 1.000 0.000 1.000 Digipurp 0 5.20E-10 0 4 0 2 0.667 0.333 0.667 Eleopalu 0 0.0049685 0 5 0 1 0.833 0.167 0.833 Equiarve 0 4.03E-09 0 5 0 1 0.833 0.167 0.833 Equifluv 3 0.0101923 3 1 0 2 0.667 0.333 1.000 0.333 Equipalu 4 0.1534269 4 0 0 2 0.667 0.333 1.000 0.000 Eriovagi 0 2.94E-16 0 6 0 0 1.000 0.000 1.000

Bijlagen Bijlage 8.2: vervolg Soort/Veg Filiulma Galipalu Galiulig Geumurba Glycmaxi Juncacuf Juncfili Lamigale Lotuulig Luzumult Lysivulg Lythsali Menytrif Molicaer Myrigale Osmurega Oxalfont Peucpalu Phalarun Phraaust Polymult Potester Pteraqui Pulidyse Ranuflam Ribenigr Rhinangu Rhinmino Rumehydr Saxigran Scirsylv Scutgale Teucscor Thalflav Vaccmyrt Violpalu

Pos 6 0 1 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 5 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0

Drempel Corr1 Corr0 Fout1 Fout0 0.3844084 4 0 2 0 0.0173832 0 6 0 0 0.0016282 0 5 1 0 0.0168217 0 5 0 1 0.0271251 0 4 0 2 0.0291822 0 2 0 4 5.26E-16 0 6 0 0 2.29E-12 0 0 0 0 0.0496329 0 0 0 6 2.30E-16 0 0 0 0 0.0277999 0 4 1 1 0.2273084 2 1 0 3 0.0006317 0 6 0 0 0.0758253 0 5 0 1 2.22E-16 0 0 0 6 1.32E-09 0 5 0 1 2.22E-16 0 0 0 6 0.0039833 0 5 0 1 0.096762 0 1 0 5 0.0734313 5 1 0 0 0.00059 0 6 0 0 0.0008969 0 6 0 0 0.0016186 0 6 0 0 0.0002583 0 2 4 0 0.009459 0 6 0 0 0.0001871 0 0 0 6 4.36E-15 0 5 0 1 3.53E-07 0 2 0 4 0.0002062 0 3 0 3 0.0012803 0 6 0 0 0.1081657 0 1 0 5 0.0072678 0 1 0 5 0.0285762 0 6 0 0 7.06E-11 0 0 0 0 1.00E-04 0 6 0 0 0.0003043 0 1 0 5

CCR 0.667 1.000 0.833 0.833 0.667 0.333 1.000 0.000 0.667 0.500 1.000 0.833 0.000 0.833 0.000 0.833 0.167 1.000 1.000 1.000 1.000 0.333 1.000 0.000 0.833 0.333 0.500 1.000 0.167 0.167 1.000 1.000 0.167

MCR 0.333 0.000 0.167 0.167 0.333 0.667 0.000 1.000 0.333 0.500 0.000 0.167 1.000 0.167 1.000 0.167 0.833 0.000 0.000 0.000 0.000 0.667 0.000 1.000 0.167 0.667 0.500 0.000 0.833 0.833 0.000 0.000 0.833

Sen 0.667 0.000 0.000 1.000 1.000 0.000 -

Spec 1.000 1.000 0.833 0.667 0.333 1.000 0.000 0.800 0.250 1.000 0.833 0.000 0.833 0.000 0.833 0.167 1.000 1.000 1.000 1.000 1.000 1.000 0.000 0.833 0.333 0.500 1.000 0.167 0.167 1.000 1.000 0.167

Bijlagen Bijlage 8.2: vervolg Soort/Veg Arrhenatherion Calthion Filipendulion

Pos 0 6 0

Drempel Corr1 Corr0 Fout1 Fout0 CCR 0.0109275 0 0 0 6 0.000 0.0116476 1 0 5 0 0.167 0.0097903 0 3 0 3 0.500

MCR 1.000 0.833 0.500

Sen 0.167 -

Magnocaricion...Phragmites

0

1.71E-10

0

5

0

1 0.833

0.167

-

Magnocaricion Alno.Padion Carici.elongatae.Alentum

0 0 0

2.12E-06 0.0342531 0.1093132

0 0 0

6 5 5

0 0 0

0 1.000 1 0.833 1 0.833

0.000 0.167 0.167

-

Bijlagen Bijlage 8.3: Validatieresultaten van VexW (zonder het deelbestand Walenbos met bodem en waterstand variabelen) getest op de Aardgat gegevens. (Soort/VT = soort/vegetatie type code, Pos = aantal positieve waarnemingen testbestand, Corr1 = waargenomen en voorspelde aanwezigheid, Corr0 = waargenomen en voorspelde afwezigheid, Fout1 = observatie geen voorspelling, Fout0 = geen observatie wel voorspelling, drempel. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/Veg Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR MCR Sen Spec Achiptar 0 0.15005 0 6 0 0 1.000 0.000 1.000 Alisplan 0 0.03331 0 3 0 3 0.500 0.500 0.500 Alopprat 0 0.09629 0 1 0 5 0.167 0.833 0.167 Angesylv 5 0.48603 4 1 1 0 0.833 0.167 0.800 1.000 Anthsylv 0 0.02024 0 4 0 2 0.667 0.333 0.667 Arrhelat 1 0.11264 1 2 0 3 0.500 0.500 1.000 0.400 Barbinter 0 0.08099 0 0 0 0 Beruerec 1 0.07134 0 4 1 1 0.667 0.333 0.000 0.800 Calacane 0 0.1106 0 6 0 0 1.000 0.000 1.000 Callpalu 0 0.12681 0 6 0 0 1.000 0.000 1.000 Caltpalu 3 0.22765 2 0 1 3 0.333 0.667 0.667 0.000 Careacut 0 0.14962 0 6 0 0 1.000 0.000 1.000 Careacuf 5 0.26466 3 1 2 0 0.667 0.333 0.600 1.000 Carecurt 0 0.09359 0 6 0 0 1.000 0.000 1.000 Caredist 0 0.10532 0 6 0 0 1.000 0.000 1.000 Careechi 0 0.09154 0 6 0 0 1.000 0.000 1.000 Careelon 0 0.12911 0 6 0 0 1.000 0.000 1.000 Carehirt 1 0.03206 0 5 1 0 0.833 0.167 0.000 1.000 Carenigr 0 0.12635 0 4 0 2 0.667 0.333 0.667 carepani 0 0.02561 0 0 0 0 Carepseu 0 0.04719 0 6 0 0 1.000 0.000 1.000 Carerost 0 0.0822 0 1 0 5 0.167 0.833 0.167 Circlute 0 0.12778 0 6 0 0 1.000 0.000 1.000 Circoler 6 0.55636 4 0 2 0 0.667 0.333 0.667 Crepbien 0 0.03944 0 6 0 0 1.000 0.000 1.000 Dactmacu 0 0.0181 0 6 0 0 1.000 0.000 1.000 Dactmaja 0 0.0215 0 5 0 1 0.833 0.167 0.833 Desccaes 0 0.0317 0 6 0 0 1.000 0.000 1.000 Descflex 0 0.00882 0 6 0 0 1.000 0.000 1.000 Digipurp 0 0.02763 0 6 0 0 1.000 0.000 1.000 Eleopalu 0 0.01244 0 5 0 1 0.833 0.167 0.833 Equiarve 0 0.10653 0 6 0 0 1.000 0.000 1.000 Equifluv 3 0.20442 0 3 3 0 0.500 0.500 0.000 1.000 Equipalu 4 0.24285 4 0 0 2 0.667 0.333 1.000 0.000 Eriovagi 0 0.04557 0 6 0 0 1.000 0.000 1.000 Filiulma 6 0.52127 6 0 0 0 1.000 0.000 1.000 Galipalu 0 0.40359 0 4 0 2 0.667 0.333 0.667 Galiulig 1 0.18701 0 5 1 0 0.833 0.167 0.000 1.000

Bijlagen Bijlage 8.3: vervolg Soort/Veg Geumurba Glycmaxi Juncacuf Juncfili Lotuulig Luzumulti Lysivulg Lythsali Menytrif Molicaer Myrigale Osmurega Oxalfont Peucpalu Phalarun Phraaust Polymult Pteraqui Pulidyse Ranuflam Ribenigr Rhinangu Rhinmin Rumehydr Saxigran Scirsylv Scutgale Teucscor Thaliflav Violpalu Arrhenatherion Calthion Filipendulion MagnoPhragm Magnocaricion Alno.Padion Caricielong

Pos 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 5 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0

Drempel Corr1 Corr0 Fout1 Fout0 CCR 0.112129 0 6 0 0 1.000 0.088883 0 6 0 0 1.000 0.197094 0 4 0 2 0.667 0.026038 0 6 0 0 1.000 0.214113 0 0 0 6 0.000 0.064418 0 0 0 0 0.419303 0 5 1 0 0.833 0.369186 2 2 0 2 0.667 0.04862 0 6 0 0 1.000 0.264244 0 6 0 0 1.000 0.098318 0 6 0 0 1.000 0.068775 0 6 0 0 1.000 0.008473 0 5 0 1 0.833 0.133916 0 5 0 1 0.833 0.162385 0 2 0 4 0.333 0.173927 3 1 2 0 0.667 0.059352 0 6 0 0 1.000 0.032399 0 6 0 0 1.000 0.007205 0 2 4 0 0.333 0.091833 0 6 0 0 1.000 0.040569 0 6 0 0 1.000 0.014948 0 5 0 1 0.833 0.136243 0 3 0 3 0.500 0.067886 0 6 0 0 1.000 0.016606 0 6 0 0 1.000 0.235895 0 2 0 4 0.333 0.18845 0 6 0 0 1.000 0.016893 0 6 0 0 1.000 0.019538 0 0 0 0 0.109079 0 6 0 0 1.000 0.013434 0 0 0 6 0.000 0.007132 3 0 3 0 0.500 0.0224 0 0 0 6 0.000 4.34E-09 0 5 0 1 0.833 2.37E-09 0 6 0 0 1.000 2.26E-16 0 0 0 6 0.000

MCR 0.000 0.000 0.333 0.000 1.000 0.167 0.333 0.000 0.000 0.000 0.000 0.167 0.167 0.667 0.333 0.000 0.000 0.667 0.000 0.000 0.167 0.500 0.000 0.000 0.667 0.000 0.000 0.000 1.000 0.500 1.000 0.167 0.000 1.000

Sen 0.000 1.000 0.600 0.000 0.500 -

Spec 1.000 1.000 0.667 1.000 0.000 1.000 0.500 1.000 1.000 1.000 1.000 0.833 0.833 0.333 1.000 1.000 1.000 1.000 1.000 1.000 0.833 0.500 1.000 1.000 0.333 1.000 1.000 1.000 0.000 0.000 0.833 1.000 0.000

0.038729

0.000

-

1.000

0

6

0

0

1.000

Bijlagen Bijlage 8.4: Validatieresultaten van VinW (zonder bodem en waterstand variabelen) getest op de Dijle gegevens (Soort/VT = soort/vegetatie type code, Pos = aantal positieve waarnemingen testbestand, Corr1 = waargenomen en voorspelde aanwezigheid, Corr0 = waargenomen en voorspelde afwezigheid, Fout1 = observatie geen voorspelling, Fout0 = geen observatie wel voorspelling, drempel. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/Veg Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR MCR Sen Spec Achiptar 2 0.0045736 2 14 0 17 0.485 0.515 1.000 0.452 Alisplan 0 0.0062568 0 23 0 10 0.697 0.303 0.697 Alopprat 19 0.0458987 17 6 2 8 0.697 0.303 0.895 0.429 Angesylv 15 0.267071 12 6 3 12 0.545 0.455 0.800 0.333 Anthsylv 4 4.06E-05 2 5 2 24 0.212 0.788 0.500 0.172 Arrhelat 6 0.0646004 4 12 2 15 0.485 0.515 0.667 0.444 Barbinte 0 8.88E-09 0 0 0 0 Beruerec 1 3.99E-08 1 10 0 22 0.333 0.667 1.000 0.313 Bracsylv 0 0.002401 0 32 0 1 0.970 0.030 0.970 Calacane 0 0.0245548 0 20 0 13 0.606 0.394 0.606 Callpalu 0 5.43E-11 0 25 0 8 0.758 0.242 0.758 Caltpalu 6 0.1328251 5 9 1 18 0.424 0.576 0.833 0.333 Careacut 12 0.0479007 9 3 3 18 0.364 0.636 0.750 0.143 Careacuf 6 0.1535755 3 4 3 23 0.212 0.788 0.500 0.148 Carecurt 0 0.0051761 0 22 0 11 0.667 0.333 0.667 Caredist 7 0.0211294 4 7 3 19 0.333 0.667 0.571 0.269 Careechi 0 1.56E-07 0 30 0 3 0.909 0.091 0.909 Careelon 1 0.0430707 1 29 0 3 0.909 0.091 1.000 0.906 Carehirt 2 0.0100076 2 21 0 10 0.697 0.303 1.000 0.677 Carenigr 0 0.0037883 0 14 0 19 0.424 0.576 0.424 Carepani 0 0.0165307 0 0 0 0 Carepseu 0 0.0156003 0 14 0 19 0.424 0.576 0.424 Carerost 0 0.0089044 0 15 0 18 0.455 0.545 0.455 Caresylv 0 0.0010571 0 32 0 1 0.970 0.030 0.970 Circlute 1 0.0210436 0 28 1 4 0.848 0.152 0.000 0.875 Circoler 13 0.0152798 12 3 1 17 0.455 0.545 0.923 0.15 Comapalu 0 0.0017344 0 9 0 24 0.273 0.727 0.273 Crepbien 0 1.64E-05 0 7 0 26 0.212 0.788 0.212 Dactmacu 0 0.0008819 0 21 0 12 0.636 0.364 0.636 Dactmaja 1 0.0032654 0 20 1 12 0.606 0.394 0.000 0.625 Desccaes 1 0.0479406 0 18 1 14 0.545 0.455 0.000 0.563 Descflex 0 0.0083948 0 32 0 1 0.970 0.030 0.970 Digipurp 0 5.20E-10 0 9 0 24 0.273 0.727 0.273 Eleopalu 0 0.0049685 0 11 0 22 0.333 0.667 0.333 Equiarve 0 4.03E-09 0 24 0 9 0.727 0.273 0.727 Equifluv 0 0.0229136 0 13 0 20 0.394 0.606 0.394 Equipalu 17 0.165208 16 0 1 16 0.485 0.515 0.941 0.000 Eriovagi 0 2.94E-16 0 22 0 11 0.667 0.333 0.667


Pos Drempel Corr1 Corr0 Fout1 Fout0 23 0.4261088 11 7 12 3 4 0.0301268 3 13 1 16 1 0.0287045 1 24 0 8 1 0.0168217 0 29 1 3 0 0.0324074 0 25 0 8 4 0.0419219 4 4 0 25 0 8.52E-10 0 25 0 8 0 6.00E-11 0 0 0 0 8 0.0496329 8 6 0 19 0 2.55E-05 0 0 0 0 4 0.0446124 2 21 2 8 8 0.2264604 6 15 2 10 1 0.0006317 1 13 0 19 0 0.1001679 0 22 0 11 0 3.19E-14 0 29 0 4 0 4.89E-15 0 12 0 21 0 8.80E-06 0 29 0 4 0 0.002121 0 21 0 12 3 0.096762 1 17 2 13 8 0.1099298 6 4 2 21 0 0.00059 0 32 0 1 0 0.0008969 0 32 0 1 0 0.00117 0 19 0 14 2 0.0012312 0 28 2 3 5 0.009459 3 16 2 12 0 0.0001871 0 16 0 17 7 4.36E-15 2 18 5 8 0 3.53E-07 0 25 0 8 1 0.0044798 0 25 1 7 0 0.0012803 0 14 0 19 3 0.1219903 3 2 0 28 2 0.0170269 0 28 2 3 0 0.0285762 0 30 0 3 0 1.16E-10 0 0 0 0 0 1.00E-04 0 29 0 4 0 0.0009703 0 20 0 13

CCR MCR Sen Spec 0.545 0.455 0.478 0.700 0.485 0.515 0.750 0.448 0.758 0.242 1.000 0.750 0.879 0.121 0.000 0.906 0.758 0.242 0.758 0.2424 0.75758 1 0.1379 0.758 0.242 0.758 0.424 0.576 1.000 0.240 0.697 0.303 0.500 0.724 0.636 0.364 0.750 0.600 0.424 0.576 1.000 0.406 0.667 0.333 0.667 0.879 0.121 0.879 0.364 0.636 0.364 0.879 0.121 0.879 0.636 0.364 0.636 0.545 0.455 0.333 0.567 0.303 0.697 0.750 0.160 0.970 0.030 0.970 0.970 0.030 0.970 0.576 0.424 0.576 0.848 0.152 0.000 0.903 0.576 0.424 0.600 0.571 0.485 0.515 0.485 0.606 0.394 0.286 0.692 0.758 0.242 0.758 0.758 0.242 0.000 0.781 0.424 0.576 0.424 0.152 0.848 1.000 0.067 0.848 0.152 0.000 0.903 0.909 0.091 0.909 0.879 0.121 0.879 0.606 0.394 0.606

Bijlagen Bijlage 8.4: vervolg Soort/Veg Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR Arrhenatherion 7 0.0117381 6 9 1 17 0.455

MCR 0.545

Sen 0.857

Spec 0.346

Calthion Filipendulion MagnoPhragm Magnocaricion Alno.Padion Caricelong

0.424 0.273 0.697 0.091 0.061 0.333

0.692 0.500 0.667 1.000 1.000

0.500 0.800 0.267 0.906 0.939 0.656

13 8 3 1 0 1

0.0152055 0.0139163 2.52E-06 6.85E-05 0.0394188 0.1262308

9 4 2 1 0 1

10 20 8 29 31 21

4 4 1 0 0 0

10 5 22 3 2 11

0.576 0.727 0.303 0.909 0.939 0.667

Bijlagen Bijlage 8.5: Validatieresultaten van VinWinW (zonder bodem maar met waterstand variabelen) getest op de Dijle gegevens. (Soort/VT = soort/vegetatie type code, Pos = aantal positieve waarnemingen testbestand, Corr1 = waargenomen en voorspelde aanwezigheid, Corr0 = waargenomen en voorspelde afwezigheid, Fout1 = observatie geen voorspelling, Fout0 = geen observatie wel voorspelling, drempel. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/Veg Pos Achiptar 2 Alisplan 0 Alopprat 19 Angesylv 15 Anthsylv 4 Arrhelat 6 Barbinte 0 Beruerec 1 Bracsylv 0 Calacane 0 Callpalu 0 Caltpalu 6 Careacut 12 Careacuf 6 Carecurt 0 Caredist 7 Careechi 0 Careelon 1 Carehirt 2 Carenigr 0 Carepani 0 Carepseu 0 Carerost 0 Caresylv 0 Circlute 1 Circoler 13 Comapalu 0 Crepbien 0 Dactmacu 0 Dactmaja 1 Desccaes 1 Descflex 0 Digipurp 0 Eleopalu 0 Equiarve 0 Equifluv 0 Equipalu 17 Eriovagi 0

Drempel Corr1 Corr0 Fout1 Fout0 0.002099 2 18 0 13 0.002133 0 25 0 8 0.053981 10 8 9 6 0.295124 11 6 4 12 0.000073 3 10 1 19 0.073192 3 16 3 11 1.62E-07 0 0 0 0 0.000008 0 17 1 15 0.002401 0 32 0 1 0.024555 0 20 0 13 7.33E-16 0 32 0 1 0.128587 4 11 2 16 0.044269 11 11 1 10 0.167443 3 12 3 15 0.003636 0 12 0 21 0.021129 4 7 3 19 5.03E-12 0 29 0 4 0.037971 1 24 0 8 0.005404 2 19 0 12 0.001446 0 10 0 23 0.009680 0 0 0 0 0.011420 0 17 0 16 0.003986 0 8 0 25 0.000315 0 29 0 4 0.021987 0 27 1 5 0.015280 12 3 1 17 0.175850 0 0 0 0 0.000159 0 12 0 21 0.000882 0 21 0 12 0.003265 0 20 1 12 0.033054 0 25 1 7 0.005252 0 31 0 2 5.20E-10 0 9 0 24 0.004969 0 11 0 22 4.03E-09 0 24 0 9 0.010192 0 7 0 26 0.153427 17 3 0 13 2.94E-16 0 22 0 11

CCR 0.606 0.758 0.545 0.515 0.394 0.576 0.515 0.970 0.606 0.970 0.455 0.667 0.455 0.364 0.333 0.879 0.758 0.636 0.303 0.515 0.242 0.879 0.818 0.455 0.364 0.636 0.606 0.758 0.939 0.273 0.333 0.727 0.212 0.606 0.667

MCR 0.394 0.242 0.455 0.485 0.606 0.424 0.485 0.030 0.394 0.030 0.545 0.333 0.545 0.636 0.667 0.121 0.242 0.364 0.697 0.485 0.758 0.121 0.182 0.545 0.636 0.364 0.394 0.242 0.061 0.727 0.667 0.273 0.788 0.394 0.333

Sen 1.000 0.526 0.733 0.750 0.500 0.000 0.667 0.917 0.500 0.571 1.000 1.000 0.000 0.923 0.000 0.000 1.000 -

Spec 0.581 0.758 0.571 0.333 0.345 0.593 0.531 0.970 0.606 0.970 0.407 0.524 0.444 0.364 0.269 0.879 0.750 0.613 0.303 0.515 0.242 0.879 0.844 0.150 0.364 0.636 0.625 0.781 0.939 0.273 0.333 0.727 0.212 0.188 0.667

Bijlagen Bijlage 8.5: vervolg Soort/Veg Pos Filiulma 23 Galipalu 4 Galiulig 1 Geumurba 1 Glycmaxi 0 Juncacuf 4 Juncfili 0 Lamigale 0 Lotuulig 8 Luzumult 0 Lysivulg 4 Lythsali 8 Menytrif 1 Molicaer 0 Myrigale 0 Osmurega 0 Oxalfont 0 Peucpalu 0 Phalarun 3 Phraaust 8 Polymult 0 Potester 0 Pteraqui 0 Pulidyse 2 Ranuflam 5 Ribenigr 0 Rhinangu 7 Rhinmino 0 Rumehydr 1 Saxigran 0 Scirsylv 3 Scutgale 2 Teucscor 0 Thalflav 0 Vaccmyrt 0 Violpalu 0

Drempel Corr1 Corr0 Fout1 Fout0 0.384408 14 7 9 3 0.017383 4 21 0 8 0.001628 1 20 0 12 0.016822 0 29 1 3 0.027125 0 29 0 4 0.029182 4 11 0 18 5.26E-16 0 25 0 8 2.29E-12 0 0 0 0 0.049633 8 6 0 19 2.30E-16 0 0 0 0 0.027800 4 14 0 15 0.227308 6 12 2 13 0.000632 1 13 0 19 0.075825 0 23 0 10 2.22E-16 0 0 0 33 1.32E-09 0 14 0 19 2.22E-16 0 0 0 33 0.003983 0 31 0 2 0.096762 1 17 2 13 0.073431 7 9 1 16 0.000590 0 32 0 1 0.000897 0 32 0 1 0.001619 0 25 0 8 0.000258 0 28 2 3 0.009459 3 16 2 12 0.000187 0 16 0 17 4.36E-15 2 18 5 8 3.53E-07 0 25 0 8 0.000206 0 15 1 17 0.001280 0 14 0 19 0.108166 3 11 0 19 0.007268 2 17 0 14 0.028576 0 30 0 3 7.06E-11 0 0 0 0 0.000100 0 29 0 4 0.000304 0 20 0 13

CCR 0.636 0.758 0.636 0.879 0.879 0.455 0.758 0.424 0.545 0.545 0.424 0.697 0.000 0.424 0.000 0.939 0.545 0.485 0.970 0.970 0.758 0.848 0.576 0.485 0.606 0.758 0.455 0.424 0.424 0.576 0.909 0.879 0.606

MCR 0.364 0.242 0.364 0.121 0.121 0.545 0.242 0.576 0.455 0.455 0.576 0.303 1.000 0.576 1.000 0.061 0.455 0.515 0.030 0.030 0.242 0.152 0.424 0.515 0.394 0.242 0.545 0.576 0.576 0.424 0.091 0.121 0.394

Sen 0.609 1.000 1.000 0.000 1.000 1.000 1.000 0.750 1.000 0.333 0.875 0.000 0.600 0.286 0.000 1.000 1.000 -

Spec 0.700 0.724 0.625 0.906 0.879 0.379 0.758 0.240 0.483 0.480 0.406 0.697 0.000 0.424 0.000 0.939 0.567 0.360 0.970 0.970 0.758 0.903 0.571 0.485 0.692 0.758 0.469 0.424 0.367 0.548 0.909 0.879 0.606

Bijlagen Bijlage 8.5: vervolg Soort/Veg Pos Arrhenatherion 7

Drempel Corr1 Corr0 Fout1 Fout0 0.010927 5 16 2 10

CCR 0.636

MCR 0.364

Sen 0.714

Spec 0.615

Calthion 13 Filipendulion 8 MagnocarPhragm 3 Magnocaricion 1 Alno.Padion 0 Caricelong 1

0.011648 0.009790 1.71E-10 0.000002 0.034253 0.109313

0.576 0.636 0.485 0.788 0.970 0.606

0.424 0.364 0.515 0.212 0.030 0.394

0.538 0.500 1.000 1.000 1.000

0.600 0.680 0.433 0.781 0.970 0.594

7 4 3 1 0 1

12 17 13 25 32 19

6 4 0 0 0 0

8 8 17 7 1 13

Bijlagen Bijlage 8.6: Validatieresultaten van VexW (zonder het deelbestand Walenbos met bodem en waterstand variabelen) getest op de Aardgat gegevens. (Soort/VT = soort/vegetatie type code, Pos = aantal positieve waarnemingen testbestand, Corr1 = waargenomen en voorspelde aanwezigheid, Corr0 = waargenomen en voorspelde afwezigheid, Fout1 = observatie geen voorspelling, Fout0 = geen observatie wel voorspelling, drempel. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/Veg Pos Drempel Corr1 Corr0 Fout1 Fout0 Achiptar 2 0.15005 1 29 1 2 Alisplan 0 0.03331 0 30 0 3 Alopprat 19 0.09629 15 6 4 8 Angesylv 15 0.48603 11 9 4 9 Anthsylv 4 0.02024 2 10 2 19 Arrhelat 6 0.11264 6 10 0 17 Barbinter 0 0.08099 0 0 0 0 Beruerec 1 0.07134 1 32 0 0 Calacane 0 0.1106 0 26 0 7 Callpalu 0 0.12681 0 32 0 1 Caltpalu 6 0.22765 2 19 4 8 Careacut 12 0.14962 2 21 10 0 Careacuf 6 0.26466 3 12 3 15 Carecurt 0 0.09359 0 32 0 1 Caredist 7 0.10532 1 19 6 7 Careechi 0 0.09154 0 31 0 2 Careelon 1 0.12911 1 32 0 0 Carehirt 2 0.03206 2 18 0 13 Carenigr 0 0.12635 0 29 0 4 carepani 0 0.02561 0 0 0 0 Carepseu 0 0.04719 0 31 0 2 Carerost 0 0.0822 0 30 0 3 Circlute 1 0.12778 0 28 1 4 Circoler 13 0.55636 8 9 5 11 Crepbien 0 0.03944 0 29 0 4 Dactmacu 0 0.0181 0 24 0 9 Dactmaja 1 0.0215 0 26 1 6 Desccaes 1 0.0317 0 31 1 1 Descflex 0 0.00882 0 32 0 1 Digipurp 0 0.02763 0 32 0 1 Eleopalu 0 0.01244 0 31 0 2 Equiarve 0 0.10653 0 32 0 1 Equifluv 0 0.20442 0 24 0 9 Equipalu 17 0.24285 16 6 1 10 Eriovagi 0 0.04557 0 33 0 0 Filiulma 23 0.52127 16 4 7 6 Galipalu 4 0.40359 0 29 4 0 Galiulig 1 0.18701 1 27 0 5

CCR 0.909 0.909 0.636 0.606 0.364 0.485 1.000 0.788 0.970 0.636 0.697 0.455 0.970 0.606 0.939 1.000 0.606 0.879 0.939 0.909 0.848 0.515 0.879 0.727 0.788 0.939 0.970 0.970 0.939 0.970 0.727 0.667 1.000 0.606 0.879 0.848

MCR 0.091 0.091 0.364 0.394 0.636 0.515 0.000 0.212 0.030 0.364 0.303 0.545 0.030 0.394 0.061 0.000 0.394 0.121 0.061 0.091 0.152 0.485 0.121 0.273 0.212 0.061 0.030 0.030 0.061 0.030 0.273 0.333 0.000 0.394 0.121 0.152

Sen 0.500 0.789 0.733 0.500 1.000 1.000 0.333 0.167 0.500 0.143 1.000 1.000 0.000 0.615 0.000 0.000 0.941 0.696 0.000 1.000

Spec 0.935 0.909 0.429 0.500 0.345 0.370 1.000 0.788 0.970 0.704 1.000 0.444 0.970 0.731 0.939 1.000 0.581 0.879 0.939 0.909 0.875 0.450 0.879 0.727 0.813 0.969 0.970 0.970 0.939 0.970 0.727 0.375 1.000 0.400 1.000 0.844

Bijlagen Bijlage 8.6: vervolg Soort/Veg Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR Geumurba 1 0.112129 0 30 1 2 0.909 Glycmaxi 0 0.088883 0 32 0 1 0.970 Juncacuf 4 0.197094 2 19 2 10 0.636 Juncfili 0 0.026038 0 33 0 0 1.000 Lotuulig 8 0.214113 5 12 3 13 0.515 Luzumulti 0 0.064418 0 0 0 0 Lysivulg 4 0.419303 1 26 3 3 0.818 Lythsali 8 0.369186 4 18 4 7 0.667 Menytrif 1 0.04862 1 26 0 6 0.818 Molicaer 0 0.264244 0 32 0 1 0.970 Myrigale 0 0.098318 0 33 0 0 1.000 Osmurega 0 0.068775 0 33 0 0 1.000 Oxalfont 0 0.008473 0 31 0 2 0.939 Peucpalu 0 0.133916 0 31 0 2 0.939 Phalarun 3 0.162385 0 24 3 6 0.727 Phraaust 8 0.173927 5 12 3 13 0.515 Polymult 0 0.059352 0 33 0 0 1.000 Pteraqui 0 0.032399 0 31 0 2 0.939 Pulidyse 2 0.007205 0 27 2 4 0.818 Ranuflam 5 0.091833 2 19 3 9 0.636 Ribenigr 0 0.040569 0 32 0 1 0.970 Rhinangu 7 0.014948 1 23 6 3 0.727 Rhinmin 0 0.136243 0 33 0 0 1.000 Rumehydr 1 0.067886 0 30 1 2 0.909 Saxigran 0 0.016606 0 24 0 9 0.727 Scirsylv 3 0.235895 2 22 1 8 0.727 Scutgale 2 0.18845 1 30 1 1 0.939 Teucscor 0 0.016893 0 25 0 8 0.758 Thaliflav 0 0.019538 0 0 0 0 Violpalu 0 0.109079 0 32 0 1 0.970 Arrhenatherion 7 0.013434 4 12 3 14 0.485 Calthion 13 0.007132 10 11 3 9 0.636 Filipendulion 8 0.0224 6 12 2 13 0.545 MagnocarPhragm 3 4.34E-09 3 13 0 17 0.485 Magnocaricion 1 2.37E-09 1 20 0 12 0.636 Alno.Padion 0 2.26E-16 0 7 0 26 0.212 Caricelong 1 0.038729 0 29 1 3 0.879

MCR 0.091 0.030 0.364 0.000 0.485 0.182 0.333 0.182 0.030 0.000 0.000 0.061 0.061 0.273 0.485 0.000 0.061 0.182 0.364 0.030 0.273 0.000 0.091 0.273 0.273 0.061 0.242 0.030 0.515 0.364 0.455 0.515 0.364 0.788 0.121

Sen 0.000 0.500 0.625 0.250 0.500 1.000 0.000 0.625 0.000 0.400 0.143 0.000 0.667 0.500 0.571 0.769 0.750 1.000 1.000 0.000

Spec 0.938 0.970 0.655 1.000 0.480 0.897 0.720 0.813 0.970 1.000 1.000 0.939 0.939 0.800 0.480 1.000 0.939 0.871 0.679 0.970 0.885 1.000 0.938 0.727 0.733 0.968 0.758 0.970 0.462 0.550 0.480 0.433 0.625 0.212 0.906

Bijlagen Bijlage 8.7: Validatieresultaten van VinW (zonder bodem en waterstand variabelen) getest op de Rodebos gegevens. (Soort/VT = soort/vegetatie type code, Pos = aantal positieve waarnemingen testbestand, Corr1 = waargenomen en voorspelde aanwezigheid, Corr0 = waargenomen en voorspelde afwezigheid, Fout1 = observatie geen voorspelling, Fout0 = geen observatie wel voorspelling, drempel. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/Veg Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR MCR Sen Spec Achiptar 0 0.004574 0 5 0 1 0.833 0.1670.833 Alisplan 0 0.006257 0 3 0 3 0.500 0.5000.500 Alopprat 0 0.045899 0 6 0 0 1.000 0.0001.000 Angesylv 1 0.267071 0 5 1 0 0.833 0.167 0.000 1.000 Anthsylv 0 4.06E-05 0 5 0 1 0.833 0.1670.833 Arrhelat 0 0.0646 0 6 0 0 1.000 0.0001.000 Barbinte 0 8.88E-09 0 0 0 0 Beruerec 0 3.99E-08 0 4 0 2 0.667 0.3330.667 Bracsylv 0 0.002401 0 2 0 4 0.333 0.6670.333 Calacane 0 0.024555 0 4 0 2 0.667 0.3330.667 Callpalu 0 5.43E-11 0 5 0 1 0.833 0.1670.833 Caltpalu 0 0.132825 0 3 0 3 0.500 0.5000.500 Careacut 4 0.047901 0 1 4 1 0.167 0.833 0.000 0.500 Careacuf 0 0.153576 0 0 0 6 0.000 1.0000.000 Carecurt 0 0.005176 0 3 0 3 0.500 0.5000.500 Caredist 0 0.021129 0 5 0 1 0.833 0.1670.833 Careechi 0 1.56E-07 0 2 0 4 0.333 0.6670.333 Careelon 0 0.043071 0 5 0 1 0.833 0.1670.833 Carehirt 0 0.010008 0 6 0 0 1.000 0.0001.000 Carenigr 0 0.003788 0 4 0 2 0.667 0.3330.667 Carepani 0 0.016531 0 0 0 0 Carepseu 0 0.0156 0 1 0 5 0.167 0.8330.167 Carerost 0 0.008904 0 3 0 3 0.500 0.5000.500 Caresylv 0 0.001057 0 3 0 3 0.500 0.5000.500 Circlute 3 0.021044 2 2 1 1 0.667 0.333 0.667 0.667 Circoler 1 0.01528 0 3 1 2 0.500 0.500 0.000 0.600 Comapalu 0 0.001734 0 5 0 1 0.833 0.1670.833 Crepbien 0 1.64E-05 0 6 0 0 1.000 0.0001.000 Dactmacu 0 0.000882 0 5 0 1 0.833 0.1670.833 Dactmaja 0 0.003265 0 6 0 0 1.000 0.0001.000 Desccaes 0 0.047941 0 2 0 4 0.333 0.6670.333 Descflex 0 0.008395 0 2 0 4 0.333 0.6670.333 Digipurp 0 5.20E-10 0 3 0 3 0.500 0.5000.500 Eleopalu 0 0.004969 0 6 0 0 1.000 0.0001.000 Equiarve 0 4.03E-09 0 2 0 4 0.333 0.6670.333 Equifluv 0 0.022914 0 4 0 2 0.667 0.3330.667 Equipalu 0 0.165208 0 6 0 0 1.000 0.0001.000 Eriovagi 0 2.94E-16 0 4 0 2 0.667 0.3330.667


Pos 3 1 0 2 0 0 0 2 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 5


CCR 0.500 0.500 1.000 0.167 0.833 0.833 0.667 0.667 0.333 0.833 1.000 0.500 0.833 0.167 1.000 0.667 1.000 0.667 0.667 0.000 0.667 1.000 0.833 0.000 1.000 0.833 0.500 1.000 0.500 0.500 0.167 0.500 0.167

MCR 0.500 0.500 0.000 0.833 0.167 0.167 0.333 0.333 0.667 0.167 0.000 0.500 0.167 0.833 0.000 0.333 0.000 0.333 0.333 1.000 0.333 0.000 0.167 1.000 0.000 0.167 0.500 0.000 0.500 0.500 0.833 0.500 0.833

Sen 0.000 0.000 0.500 1.000 1.000 1.000 0.000 0.200

Spec 1.000 0.600 1.000 0.000 0.833 0.833 0.667 0.667 0.200 0.833 1.000 0.500 0.833 0.167 1.000 0.667 1.000 0.667 0.667 0.000 0.667 1.000 0.833 0.000 1.000 0.833 0.500 1.000 0.400 0.500 0.167 0.600 0.000

Bijlagen Bijlage 8.7: vervolg Soort/Veg Pos Arrhenatherion 0 Calthion 0 Filipendulion 0 MagnocarPhragm 0 Magnocaricion 0 Alno.Padion 2 Caricelong 4

Drempel Corr1 Corr0 Fout1 Fout0 0.011738 0 6 0 0 0.015206 0 5 0 1 0.013916 0 6 0 0 2.52E-06 0 5 0 1 6.85E-05 0 6 0 0 0.039419 2 2 0 2 0.126231 3 2 1 0

CCR 1.000 0.833 1.000 0.833 1.000 0.667 0.833

MCR Sen Spec 0.000 1.000 0.167 0.833 0.000 1.000 0.167 0.833 0.000 1.000 0.333 1.000 0.500 0.167 0.750 1.000

Bijlagen Bijlage 8.8: Validatieresultaten van VinWinW (zonder bodem maar met waterstand variabelen) getest op de Rodebos gegevens. (Soort/VT = soort/vegetatie type code, Pos = aantal positieve waarnemingen testbestand, Corr1 = waargenomen en voorspelde aanwezigheid, Corr0 = waargenomen en voorspelde afwezigheid, Fout1 = observatie geen voorspelling, Fout0 = geen observatie wel voorspelling, drempel. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/Veg Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR MCR Sen Spec Achiptar 0 0.002099 0 4 0 2 0.667 0.333 0.667 Alisplan 0 0.0021325 0 0 0 6 0.000 1.000 0.000 Alopprat 0 0.0539809 0 6 0 0 1.000 0.000 1.000 Angesylv 1 0.2951236 0 1 1 4 0.167 0.833 0.000 0.200 Anthsylv 0 7.25E-05 0 5 0 1 0.833 0.167 0.833 Arrhelat 0 0.0731917 0 6 0 0 1.000 0.000 1.000 Barbinte 0 1.62E-07 0 0 0 0 Beruerec 0 7.93E-06 0 4 0 2 0.667 0.333 0.667 Bracsylv 0 0.002401 0 2 0 4 0.333 0.667 0.333 Calacane 0 0.0245548 0 4 0 2 0.667 0.333 0.667 Callpalu 0 7.33E-16 0 6 0 0 1.000 0.000 1.000 Caltpalu 0 0.1285865 0 0 0 6 0.000 1.000 0.000 Careacut 4 0.044269 0 2 4 0 0.333 0.667 0.000 1.000 Careacuf 0 0.1674427 0 0 0 6 0.000 1.000 0.000 Carecurt 0 0.003636 0 1 0 5 0.167 0.833 0.167 Caredist 0 0.0211294 0 5 0 1 0.833 0.167 0.833 Careechi 0 5.03E-12 0 2 0 4 0.333 0.667 0.333 Careelon 0 0.0379707 0 1 0 5 0.167 0.833 0.167 Carehirt 0 0.0054042 0 6 0 0 1.000 0.000 1.000 Carenigr 0 0.0014456 0 3 0 3 0.500 0.500 0.500 Carepani 0 0.0096801 0 0 0 0 Carepseu 0 0.01142 0 1 0 5 0.167 0.833 0.167 Carerost 0 0.003986 0 0 0 6 0.000 1.000 0.000 Caresylv 0 0.0003154 0 5 0 1 0.833 0.167 0.833 Circlute 3 0.021987 3 1 0 2 0.667 0.333 1.000 0.333 Circoler 1 0.0152798 0 3 1 2 0.500 0.500 0.000 0.600 Comapalu 0 0.17585 0 0 0 0 Crepbien 0 0.0001588 0 6 0 0 1.000 0.000 1.000 Dactmacu 0 0.0008819 0 5 0 1 0.833 0.167 0.833 Dactmaja 0 0.0032654 0 6 0 0 1.000 0.000 1.000 Desccaes 0 0.0330542 0 4 0 2 0.667 0.333 0.667 Descflex 0 0.005252 0 5 0 1 0.833 0.167 0.833 Digipurp 0 5.20E-10 0 3 0 3 0.500 0.500 0.500 Eleopalu 0 0.0049685 0 6 0 0 1.000 0.000 1.000 Equiarve 0 4.03E-09 0 2 0 4 0.333 0.667 0.333 Equifluv 0 0.0101923 0 3 0 3 0.500 0.500 0.500 Equipalu 0 0.1534269 0 3 0 3 0.500 0.500 0.500 Eriovagi 0 2.94E-16 0 4 0 2 0.667 0.333 0.667


Pos 3 1 0 2 0 0 0 2 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 5


CCR 0.667 0.167 0.667 0.167 0.667 0.833 0.667 0.667 0.167 0.333 1.000 0.333 0.000 0.167 0.000 0.667 1.000 0.333 0.667 0.000 0.833 1.000 0.833 0.000 1.000 0.833 0.000 1.000 0.833 0.167 0.167 0.500 0.833

MCR 0.333 0.833 0.333 0.833 0.333 0.167 0.333 0.333 0.833 0.667 0.000 0.667 1.000 0.833 1.000 0.333 0.000 0.667 0.333 1.000 0.167 0.000 0.167 1.000 0.000 0.167 1.000 0.000 0.167 0.833 0.833 0.500 0.167

Sen 0.667 1.000 0.500 1.000 1.000 1.000 0.000 1.000

Spec 0.667 0.000 0.667 0.000 0.667 0.833 0.667 0.667 0.000 0.333 1.000 0.333 0.000 0.167 0.000 0.667 1.000 0.333 0.667 0.000 0.833 1.000 0.833 0.000 1.000 0.833 0.000 1.000 0.800 0.167 0.167 0.600 0.000

Bijlagen Bijlage 8.8: vervolg Soort/Veg Pos Drempel Corr1 Corr0 Fout1 Fout0 Arrhenatherion 0 0.0109275 0 6 0 0 Calthion 0 0.0116476 0 6 0 0 Filipendulion 0 0.0097903 0 6 0 0 MagnocarPhragm 0 1.71E-10 0 4 0 2 Magnocaricion 0 2.12E-06 0 3 0 3 Alno.Padion 2 0.0342531 2 4 0 0 Caricelong 4 0.1093132 4 2 0 0

CCR 1.000 1.000 1.000 0.667 0.500 1.000 1.000

MCR 0.000 0.000 0.000 0.333 0.500 0.000 0.000

Sen 1.000 1.000

Spec 1.000 1.000 1.000 0.667 0.500 1.000 1.000

Bijlagen Bijlage 8.9: Validatieresultaten van VexW (zonder het deelbestand Walenbos met bodem en waterstand variabelen) getest op de Rodebos gegevens. (Soort/VT = soort/vegetatie type code, Pos = aantal positieve waarnemingen testbestand, Corr1 = waargenomen en voorspelde aanwezigheid, Corr0 = waargenomen en voorspelde afwezigheid, Fout1 = observatie geen voorspelling, Fout0 = geen observatie wel voorspelling, drempel. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/Veg Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR MCR Sen Spec Achiptar 0 0.15005 0 6 0 0 1.000 0.000 1.000 Alisplan 0 0.03331 0 2 0 4 0.333 0.667 0.333 Alopprat 0 0.09629 0 6 0 0 1.000 0.000 1.000 Angesylv 1 0.48603 1 4 0 1 0.833 0.167 1.000 0.800 Anthsylv 0 0.02024 0 5 0 1 0.833 0.167 0.833 Arrhelat 0 0.11264 0 5 0 1 0.833 0.167 0.833 Barbinter 0 0.08099 0 0 0 0 Beruerec 0 0.07134 0 5 0 1 0.833 0.167 0.833 Calacane 0 0.1106 0 5 0 1 0.833 0.167 0.833 Callpalu 0 0.12681 0 6 0 0 1.000 0.000 1.000 Caltpalu 0 0.22765 0 1 0 5 0.167 0.833 0.167 Careacut 4 0.14962 0 2 4 0 0.333 0.667 0.000 1.000 Careacuf 0 0.26466 0 4 0 2 0.667 0.333 0.667 Carecurt 0 0.09359 0 5 0 1 0.833 0.167 0.833 Caredist 0 0.10532 0 6 0 0 1.000 0.000 1.000 Careechi 0 0.09154 0 6 0 0 1.000 0.000 1.000 Careelon 0 0.12911 0 3 0 3 0.500 0.500 0.500 Carehirt 0 0.03206 0 6 0 0 1.000 0.000 1.000 Carenigr 0 0.12635 0 6 0 0 1.000 0.000 1.000 carepani 0 0.02561 0 0 0 0 Carepseu 0 0.04719 0 6 0 0 1.000 0.000 1.000 Carerost 0 0.0822 0 3 0 3 0.500 0.500 0.500 Circlute 3 0.12778 2 3 1 0 0.833 0.167 0.667 1.000 Circoler 1 0.55636 0 3 1 2 0.500 0.500 0.000 0.600 Crepbien 0 0.03944 0 6 0 0 1.000 0.000 1.000 Dactmacu 0 0.0181 0 4 0 2 0.667 0.333 0.667 Dactmaja 0 0.0215 0 6 0 0 1.000 0.000 1.000 Desccaes 0 0.0317 0 6 0 0 1.000 0.000 1.000 Descflex 0 0.00882 0 6 0 0 1.000 0.000 1.000 Digipurp 0 0.02763 0 6 0 0 1.000 0.000 1.000 Eleopalu 0 0.01244 0 6 0 0 1.000 0.000 1.000 Equiarve 0 0.10653 0 3 0 3 0.500 0.500 0.500 Equifluv 0 0.20442 0 6 0 0 1.000 0.000 1.000 Equipalu 0 0.24285 0 6 0 0 1.000 0.000 1.000 Eriovagi 0 0.04557 0 6 0 0 1.000 0.000 1.000 Filiulma 3 0.52127 3 2 0 1 0.833 0.167 1.000 0.667 Galipalu 1 0.40359 0 2 1 3 0.333 0.667 0.000 0.400 Galiulig 0 0.18701 0 6 0 0 1.000 0.000 1.000

Bijlagen Bijlage 8.9: vervolg Soort/Veg Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR Geumurba 2 0.112129 1 2 1 2 0.500 Glycmaxi 0 0.088883 0 5 0 1 0.833 Juncacuf 0 0.197094 0 6 0 0 1.000 Juncfili 0 0.026038 0 5 0 1 0.833 Lotuulig 0 0.214113 0 4 0 2 0.667 Luzumulti 0 0.064418 0 0 0 0 Lysivulg 1 0.419303 1 3 0 2 0.667 Lythsali 0 0.369186 0 1 0 5 0.167 Menytrif 0 0.04862 0 6 0 0 1.000 Molicaer 0 0.264244 0 6 0 0 1.000 Myrigale 0 0.098318 0 5 0 1 0.833 Osmurega 0 0.068775 0 6 0 0 1.000 Oxalfont 0 0.008473 0 5 0 1 0.833 Peucpalu 0 0.133916 0 5 0 1 0.833 Phalarun 1 0.162385 1 5 0 0 1.000 Phraaust 0 0.173927 0 3 0 3 0.500 Polymult 0 0.059352 0 4 0 2 0.667 Pteraqui 0 0.032399 0 6 0 0 1.000 Pulidyse 0 0.007205 0 6 0 0 1.000 Ranuflam 0 0.091833 0 6 0 0 1.000 Ribenigr 0 0.040569 0 6 0 0 1.000 Rhinangu 0 0.014948 0 6 0 0 1.000 Rhinmin 0 0.136243 0 6 0 0 1.000 Rumehydr 0 0.067886 0 4 0 2 0.667 Saxigran 0 0.016606 0 6 0 0 1.000 Scirsylv 1 0.235895 1 4 0 1 0.833 Scutgale 0 0.18845 0 2 0 4 0.333 Teucscor 0 0.016893 0 6 0 0 1.000 Thaliflav 1 0.019538 0 0 0 0 Violpalu 5 0.109079 2 1 3 0 0.500 Arrhenatherion 0 0.013434 0 4 0 2 0.667 Calthion 0 0.007132 0 1 0 5 0.167 Filipendulion 0 0.0224 0 6 0 0 1.000 MagnocarPhragm 0 4.34E-09 0 4 0 2 0.667 Magnocaricion 0 2.37E-09 0 3 0 3 0.500 Alno Padion 2 2.26E-16 0 0 2 4 0.000 Caricelong 4 0.038729 1 2 3 0 0.500

MCR 0.500 0.167 0.000 0.167 0.333 0.333 0.833 0.000 0.000 0.167 0.000 0.167 0.167 0.000 0.500 0.333 0.000 0.000 0.000 0.000 0.000 0.000 0.333 0.000 0.167 0.667 0.000 0.500 0.333 0.833 0.000 0.333 0.500 1.000 0.500

Sen 0.500 1.000 1.000 1.000 0.400 0.000 0.250

Spec 0.500 0.833 1.000 0.833 0.667 0.600 0.167 1.000 1.000 0.833 1.000 0.833 0.833 1.000 0.500 0.667 1.000 1.000 1.000 1.000 1.000 1.000 0.667 1.000 0.800 0.333 1.000 1.000 0.667 0.167 1.000 0.667 0.500 0.000 1.000

Bijlagen Bijlage 8.10: Validatieresultaten van VinW (zonder bodem en waterstand variabelen) getest op de Webbekom gegevens. (Soort/VT = soort/vegetatie type code, Pos = aantal positieve waarnemingen testbestand, Corr1 = waargenomen en voorspelde aanwezigheid, Corr0 = waargenomen en voorspelde afwezigheid, Fout1 = observatie geen voorspelling, Fout0 = geen observatie wel voorspelling, drempel. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort VinW Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR MCR SEN SPEC Achiptar 0 0.00457 0 7 0 22 0.241 0.759 0.241 Alisplan 0 0.00626 0 7 0 22 0.241 0.759 0.241 Alopprat 22 0.0459 18 1 4 6 0.655 0.345 0.818 0.143 Angesylv 8 0.26707 4 6 4 15 0.345 0.655 0.500 0.286 Anthsylv 0 4.1E-05 0 12 0 17 0.414 0.586 0.414 Arrhelat 2 0.0646 2 19 0 8 0.724 0.276 1.000 0.704 Bracsylv 0 0.0024 0 27 0 2 0.931 0.069 0.931 Caltpalu 4 0.13283 4 9 0 16 0.448 0.552 1.000 0.360 Careacut 1 0.0479 9 2 1 17 0.379 0.621 0.900 0.105 Careacuf 10 0.15358 1 6 0 22 0.241 0.759 1.000 0.214 Caredist 9 0.02113 8 6 1 14 0.483 0.517 0.889 0.300 Carehirt 12 0.01001 6 13 6 4 0.655 0.345 0.500 0.765 Caresylv 0 0.00106 0 26 0 3 0.897 0.103 0.897 Circlute 0 0.02104 0 25 0 4 0.862 0.138 0.862 Circoler Crepbien Desccaes Eleopalu Equifluv Equipalu Filiulma Galipalu Galiulig Geumurba Glycmaxi Juncacuf Lamigaleo Lotuulig Lysivulg Lythsali Phalarun Phraaust Polymult

0 0 0 0 1 23 8 9 1 0 8 0 0 7 0 8 12 3 0

0.01528 1.6E-05 0.04794 0.00497 0.02291 0.16521 0.42611 0.03013 0.0287 0.01682 0.03241 0.04192 0.00029 0.04963 0.04461 0.22646 0.09676 0.10993 0.00059

0 0 0 0 1 18 2 8 1 0 1 0 0 7 0 6 4 3 0

14 5 10 0 7 1 20 3 6 26 16 0 25 6 5 8 9 10 29

0 0 0 0 0 5 6 1 0 0 7 0 0 0 0 2 8 0 0

15 24 19 29 21 5 1 17 22 3 5 29 4 16 24 13 8 16 0

0.483 0.172 0.345 0.000 0.276 0.655 0.759 0.379 0.241 0.897 0.586 0.000 0.862 0.448 0.172 0.483 0.448 0.448 1.000

0.517 0.828 0.655 1.000 0.724 0.345 0.241 0.621 0.759 0.103 0.414 1.000 0.138 0.552 0.828 0.517 0.552 0.552 0.000

1.000 0.783 0.250 0.889 1.000 0.125 1.000 0.750 0.333 1.000 -

0.483 0.172 0.345 0.000 0.250 0.167 0.952 0.150 0.214 0.897 0.762 0.000 0.862 0.273 0.172 0.381 0.529 0.385 1.000

Bijlagen Bijlage 8.10: vervolg Soort VinW Pulidyse Ranuflam Rhinangu Rumehydr Scirsylv Scutgale Thaliflav

Pos 1 8 2 1 6 4 1

Drempel Corr1 Corr0 Fout1 Fout0 0.00123 0 26 1 2 0.00946 8 7 0 14 4.4E-15 0 18 2 9 0.00448 1 8 0 20 0.12199 6 3 0 20 0.01703 0 18 4 7 1.2E-10 1 5 0 23

CCR 0.897 0.517 0.621 0.310 0.310 0.621 0.207

MCR 0.103 0.483 0.379 0.690 0.690 0.379 0.793

SEN 0.000 1.000 0.000 1.000 1.000 0.000 1.000

SPEC 0.929 0.333 0.667 0.286 0.130 0.720 0.179

Bijlagen Bijlage 8.11: Validatieresultaten van VinWinW (zonder bodem maar met waterstand variabelen) getest op de Webbekom gegevens. (Soort/VT = soort/vegetatie type code, Pos = aantal positieve waarnemingen testbestand, Corr1 = waargenomen en voorspelde aanwezigheid, Corr0 = waargenomen en voorspelde afwezigheid, Fout1 = observatie geen voorspelling, Fout0 = geen observatie wel voorspelling, drempel. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/VT Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR MCR SEN SPEC Achiptar 0 0.002099 0 7 0 22 0.241 0.759 0.241 Alisplan 0 0.002133 0 11 0 18 0.379 0.621 0.379 Alopprat 22 0.053981 10 4 12 3 0.483 0.517 0.455 0.571 Angesylv 8 0.295124 5 4 3 17 0.310 0.690 0.625 0.190 Anthsylv 0 7.25E-05 0 15 0 14 0.517 0.483 0.517 Arrhelat 2 0.073192 2 18 0 9 0.690 0.310 1.000 0.667 Bracsylv 0 0.002401 0 27 0 2 0.931 0.069 0.931 Caltpalu 4 0.128587 2 9 2 16 0.379 0.621 0.500 0.360 Careacut 1 0.167443 1 9 0 19 0.345 0.655 1.000 0.321 Careacuf 10 0.044269 7 6 3 13 0.448 0.552 0.700 0.316 Caredist 9 0.021129 8 6 1 14 0.483 0.517 0.889 0.300 Carehirt 12 0.005404 6 14 6 3 0.690 0.310 0.500 0.824 Caresylv 0 0.000315 0 24 0 5 0.828 0.172 0.828 Circlute 0 0.021987 0 25 0 4 0.862 0.138 0.862 Circoler Crepbien Desccaes Eleopalu Equifluv Equipalu Filiulma Galipalu Galiulig Geumurba Glycmaxi Juncacuf Lamigaleo Lotuulig Lysivulg Lythsali Phalarun Phraaust Polymult

0 0 0 0 1 23 8 9 1 0 8 0 0 7 0 8 12 3 0

0.01528 0.000159 0.033054 0.004969 0.010192 0.153427 0.384408 0.017383 0.001628 0.016822 0.027125 0.029182 0.000365 0.049633 0.0278 0.227308 0.096762 0.073431 0.00059

0 0 0 0 1 18 3 7 1 0 6 0 0 7 0 6 4 2 0

14 11 17 0 5 1 19 7 9 26 15 3 25 6 5 6 9 10 29

0 0 0 0 0 5 5 2 0 0 2 0 0 0 0 2 8 1 0

15 18 12 29 23 5 2 13 19 3 6 26 4 16 24 15 8 16 0

0.483 0.379 0.586 0.000 0.207 0.655 0.759 0.483 0.345 0.897 0.724 0.103 0.862 0.448 0.172 0.414 0.448 0.414 1.000

0.517 0.621 0.414 1.000 0.793 0.345 0.241 0.517 0.655 0.103 0.276 0.897 0.138 0.552 0.828 0.586 0.552 0.586 0.000

1.000 0.783 0.375 0.778 1.000 0.750 1.000 0.750 0.333 0.667 -

0.483 0.379 0.586 0.000 0.179 0.167 0.905 0.350 0.321 0.897 0.714 0.103 0.862 0.273 0.172 0.286 0.529 0.385 1.000

Bijlagen Bijlage 8.11: vervolg ( Soort/VT Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR Pulidyse 1 0.000258 0 24 1 4 0.828 Ranuflam 8 0.009459 8 7 0 14 0.517 Rhinangu 2 4.36E-15 0 18 2 9 0.621 Rumehydr 1 0.000206 1 13 0 15 0.483 Scirsylv 6 0.108166 5 6 1 17 0.379 Scutgale 4 0.007268 4 9 0 16 0.448 Thaliflav 1 7.06E-11 1 5 0 23 0.207

MCR 0.172 0.483 0.379 0.517 0.621 0.552 0.793

SEN 0.000 1.000 0.000 1.000 0.833 1.000 1.000

SPEC 0.857 0.333 0.667 0.464 0.261 0.360 0.179

Bijlagen Bijlage 8.12: Validatieresultaten van VexW (zonder het deelbestand Walenbos met bodem en waterstand variabelen) getest op de Webbekom gegevens. (Soort/VT = soort/vegetatie type code, Pos = aantal positieve waarnemingen testbestand, Corr1 = waargenomen en voorspelde aanwezigheid, Corr0 = waargenomen en voorspelde afwezigheid, Fout1 = observatie geen voorspelling, Fout0 = geen observatie wel voorspelling, drempel. = drempelwaarde, CCR = correct classification rate, MCR = miss-classification rate, Sen. = sensitivity, Spec. = specitivity) Soort/VT Pos Drempel Corr1 Corr0 Fout1 Fout0 CCR MCR SEN SPEC Achiptar 0 0.15005 0 23 0 6 0.793 0.207 0.793 Alisplan 0 0.03331 0 18 0 11 0.621 0.379 0.621 Alopprat 22 0.09629 14 2 8 5 0.552 0.448 0.636 0.286 Angesylv 8 0.48603 5 8 3 13 0.448 0.552 0.625 0.381 Anthsylv 0 0.02024 0 26 0 3 0.897 0.103 0.897 Arrhelat 2 0.11264 2 4 0 23 0.207 0.793 1.000 0.148 Caltpalu 4 0.22765 2 19 2 6 0.724 0.276 0.500 0.760 Careacut 10 0.14962 0 19 10 0 0.655 0.345 0.000 1.000 Careacuf 1 0.26466 0 22 1 6 0.759 0.241 0.000 0.786 Caredist 9 0.10532 7 13 2 7 0.690 0.310 0.778 0.650 Carehirt 12 0.03206 6 14 6 3 0.690 0.310 0.500 0.824 Circlute 0 0.12778 0 24 0 5 0.828 0.172 0.828 Circoler Crepbien Desccaes Eleopalu Equifluv Equipalu Filiulma Galipalu Galiulig Geumurba Glycmaxi Juncacuf Lotuulig Lysivulg Lythsali Phalarun Phraaust Polymult Pulidyse Ranuflam Rhinangu Rumehydr Scirsylv Scutgale Thaliflav

0 0 0 0 1 23 8 9 1 0 8 0 7 0 8 12 3 0 1 8 2 1 6 4 1

0.55636 0.03944 0.03170 0.01244 0.20442 0.24285 0.52127 0.40359 0.18701 0.11213 0.08888 0.19709 0.21411 0.41930 0.36919 0.16238 0.17393 0.05935 0.00721 0.09183 0.01495 0.06789 0.23589 0.18845 0.01954

0 0 0 0 1 13 5 3 0 0 2 0 7 0 5 0 0 0 0 7 0 0 6 2 1

21 28 27 27 17 3 6 16 21 26 20 4 6 13 9 14 21 29 25 8 24 24 9 20 24

0 0 0 0 0 10 3 6 1 0 6 0 0 0 3 12 3 0 1 1 2 1 0 2 0

8 1 2 2 11 3 15 4 7 3 1 25 16 16 12 3 5 0 3 13 3 4 14 5 4

0.724 0.966 0.931 0.931 0.621 0.552 0.379 0.655 0.724 0.897 0.759 0.138 0.448 0.448 0.483 0.483 0.724 1.000 0.862 0.517 0.828 0.828 0.517 0.759 0.862

0.276 0.034 0.069 0.069 0.379 0.448 0.621 0.345 0.276 0.103 0.241 0.862 0.552 0.552 0.517 0.517 0.276 0.000 0.138 0.483 0.172 0.172 0.483 0.241 0.138

1.000 0.565 0.625 0.333 0.000 0.250 1.000 0.625 0.000 0.000 0.000 0.875 0.000 0.000 1.000 0.500 1.000

0.724 0.966 0.931 0.931 0.607 0.500 0.286 0.800 0.750 0.897 0.952 0.138 0.273 0.448 0.429 0.824 0.808 1.000 0.893 0.381 0.889 0.857 0.391 0.800 0.857

Bijlagen Bijlage 9.1: De gebruikte Ecotoopgroepen in ITORS-Vl. De lijsten zijn gebaseerd op het Register Flora Vlaanderen (Biesbrouck et al, 2001).

Laagveenplant = Van Maarel; Calamagrostis canescens (Weber) Roth, Carex canescens L., Carex echinata Murray, Carex nigra (L.) Reichard, Carex rostrata Stokes, Comarum palustre L., Galium uliginosum L., Juncus filiformis L., Menyanthes trifoliata L., Peucedanum palustre (L.) Moench, Ranunculus flammula L., Viola palustris L. plant van blauwgraslanden = Van Maarel; Dactylorhiza fistulosa (Moench) H. Baumann et Künkele, Dactylorhiza maculata (L.) Soó, plant van bossen op droge, zure grond = Van Maarel; Deschampsia flexuosa (L.) Trin., Pteridium aquilinum (L.) Kuhn, Teucrium scorodonia L., Vaccinium myrtillus L. plant van natte bossen = Van Maarel; Carex elongata L., Circaea lutetiana L., Equisetum telmateia Ehrh., Osmunda regalis L., Ribes nigrum L., Eriophorum polystachion L., Molinia caerulea (L.) Moench, Myrica gale L., Angelica sylvestris L., Lythrum salicaria L., Thalictrum flavum L. plant van natte, bemeste graslanden = Van Maarel; Achillea ptarmica L., Caltha palustris L., Carex disticha Huds., Cirsium oleraceum (L.) Scop., Filipendula ulmaria (L.) Maxim., Juncus acutiflorus Ehrh. ex Hoffmann, Lotus pedunculatus Cav., Luzula multiflora (Ehrh.) Lej., Lysimachia vulgaris L., Rhinanthus angustifolius C.C. Gmel, Scirpus sylvaticus L. plant van voedselrijke oevers en moerassen = Van Maarel; Alisma plantagoaquatica L., Berula erecta (Huds.) Coville, Calla palustris L., Carex acuta L., Carex acutiformis Ehrh., Carex paniculata L., Carex pseudocyperus L., Eleocharis palustris (L.) Roem. et Schult., Equisetum fluviatile L., Galium palustre L., Glyceria maxima (Hartm.) Holmberg, Phalaris arundinacea L., Phragmites australis (Cav.) Steud., Rumex hydrolapathum Huds., Scutellaria galericulata L. bos en struweel op natte matig voedselrijke bodem = CLM-ecotopen; Carex paniculata L., Carex pseudocyperus L., Circaea lutetiana L., Ribes nigrum L. bos en struweel op vochtige voedselarme basische bodem = CLM-ecotopen; Brachypodium sylvaticum (Huds.) Beauv., Geum urbanum L., Lamium galeobdolon (L.) L., Potentilla sterilis (L.) Garcke grasland op natte matig voedselrijke bodem = CLM-ecotopen; Achillea ptarmica L., Berula erecta (Huds.) Coville, Caltha palustris L., Carex disticha Huds., Deschampsia cespitosa (L.) Beauv., Eleocharis palustris (L.) Roem. et Schult., Equisetum fluviatile L., Equisetum palustre L., Filipendula ulmaria (L.) Maxim., Lotus pedunculatus Cav., Pulicaria dysenterica (L.) Bernh., Scirpus sylvaticus L., Scutellaria galericulata L. grasland op natte voedselarme zure bodem = CLM-ecotopen; Carex canescens L., Carex nigra (L.) Reichard, Carex rostrata Stokes, Dactylorhiza maculata (L.) Soó, Eriophorum polystachion L., Molinia caerulea (L.) Moench grasland op natte voedselarme zwak zure bodem = CLM-ecotopen; Calamagrostis canescens (Weber) Roth, Carex echinata Murray, Galium palustre L., Galium uliginosum L., Juncus acutiflorus Ehrh. ex Hoffmann, Juncus filiformis L., Luzula multiflora (Ehrh.) Lej., Lysimachia vulgaris L., Peucedanum palustre (L.) Moench, Ranunculus flammula L., Rhinanthus angustifolius C.C. Gmel., Viola palustris L.

Bijlagen

Bijlage 9.2: De gebruikte Freatyfytgroepen in ITORS-Vl. De lijsten zijn gebaseerd op het Register Flora Vlaanderen (Biesbrouck et al, 2001). Freatofyt = soorten die uitsluitend groeien binnen de invloedsfeer van het grondwater; Achillea ptarmica L., Carex canescens L., Carex nigra (L.) Reichard, Equisetum telmateia Ehrh., Filipendula ulmaria (L.) Maxim., Lythrum salicaria L., Myrica gale L., Osmunda regalis L., Ribes nigrum L., Scirpus sylvaticus L., Scutellaria galericulata L., Thalictrum flavum L., Angelica sylvestris L., Calamagrostis canescens (Weber) Roth, Circaea lutetiana L., Dactylorhiza fistulosa (Moench) H. Baumann et Künkele, Deschampsia cespitosa (L.) Beauv., Lotus pedunculatus Cav., Luzula multiflora (Ehrh.) Lej., Lysimachia vulgaris L., Phalaris arundinacea L., Pulicaria dysenterica (L.) Bernh., Saxifraga granulata L., Alopecurus pratensis L., Barbarea intermedia Boreau, Carex sylvatica Huds., Lamium galeobdolon (L.) L., Molinia caerulea (L.) Moench, Rhinanthus angustifolius C.C. Gmel., Rhinanthus minor L., Alisma plantago-aquatica L., Berula erecta (Huds.) Coville, Calla palustris L., Caltha palustris L., Carex acuta L., Carex acutiformis Ehrhr., Carex disticha Huds., Carex echinata Murray, Carex elongata L., Carex paniculata L., Carex pseudocyperus L., Carex rostrata Stokes, Cirsium oleraceum (L.) Scop., Comarum palustre L., Eleocharis palustris (L.) Roem. et Schult., Equisetum fluviatile L., Equisetum palustre L., Eriophorum polystachion L., Galium palustre L., Galium uliginosum L., Glyceria maxima (Hartm.) Holmberg, Juncus acutiflorus Ehrh. ex Hoffmann, Juncus filiformis L., Menyanthes trifoliata L., Peucedanum palustre (L.) Moench, Phragmites australis (Cav.) Steud., Ranunculus flammula L., Rumex hydrolapathum Huds., Viola palustris L. Afreatofyt = soorten die niet aan de invloedsfeer van grondwater gebonden zijn; Anthriscus sylvestris (L.) Hoffmann, Arrhenatherum elatius (L.) Beauv. ex J. et C. Presl, Brachypodium sylvaticum Boreau, Carex hirta L., Crepis biennis L., Deschampsia flexuosa (L.) Trin., Digitalis purpurea L., Geum urbanum L., Oxalis fontana Bunge, Polygonatum multiflorum (L.) All., Potentilla sterilis (L.) Garcke, Pteridium aquilinum (L.) Kuhn, Teucrium scorodonia L., Vaccinium myrtillus L. Kalk afreatofyt = soorten die binnen de invloedsfeer van het grondwater voorkomen, maar op kalkrijke bodem ook 'droog' kunnen groeien; Dactylorhiza maculata (L.) Soó Duinfreatofyt = soorten die in vele milieus niet zijn gebonden aan de invloedsfeer van het grondwater maar in duinen en andere zandgebieden wel; Equisetum arvense L.

VLAAMS IMPULSPROGRAMMA NATUURONTWIKKELING

Recommend Documents