Mendelova univerzita v Brně Lesnická a dřevařská fakulta Ústav lesnické botaniky, dendrologie a geobiocenologie
Analýza a optimalizace inventarizačních metod v podmínkách tropického deštného lesa v peruánské Amazonii Dizertační práce
Ing. Petr Němec
2014 1
Čestné prohlášení Prohlašuji, že jsem práci: Analýza a optimalizace inventarizačních metod v podmínkách tropického deštného lesa v peruánské Amazonii vypracoval samostatně a veškeré použité prameny a informace uvádím v seznamu použité literatury. Souhlasím, aby moje práce byla zveřejněna v souladu s § 47b zákona č. 111/1998 Sb., o vysokých školách ve znění pozdějších předpisů a v souladu s platnou Směrnicí o zveřejňování vysokoškolských závěrečných prací. Jsem si vědom, že se na moji práci vztahuje zákon č. 121/2000 Sb., autorský zákon, a že Mendelova univerzita v Brně má právo na uzavření licenční smlouvy a užití této práce jako školního díla podle § 60 odst. 1 autorského zákona. Dále se zavazuji, že před sepsáním licenční smlouvy o využití díla jinou osobou (subjektem) si vyžádám písemné stanovisko univerzity, že předmětná licenční smlouva není v rozporu s oprávněnými zájmy univerzity, a zavazuji se uhradit případný příspěvek na úhradu nákladů spojených se vznikem díla, a to až do jejich skutečné výše.
V Brně dne: 14. 2. 2014 …………………………………………………….. podpis
2
PODĚKOVÁNÍ
Děkuji všem, kteří byli nápomocni vzniku této práce. Ať už šlo o podporu odbornou, psychickou, materiální, či o sdělení životní moudrosti. Zejména bych chtěl poděkovat Jindřichu Pavlišovi, Jiřímu Fejfarovi, Haně Habrové, Martinu Čermákovi, Martinu Danzerovi a Terézii Durdiakové. Zvláštní dík si zaslouží mí peruánští přátelé, Jorge Mattos, Carla Zúñiga a Victor Barrena.
3
Autor: Ing. Petr Němec Název práce: Analýza a optimalizace inventarizačních metod v podmínkách tropického deštného lesa v peruánské Amazonii
Abstrakt V předložené práci byly srovnány výsledky dvou lesnických inventarizací provedených na stejném území o rozloze dvou set hektarů v rámci lesnické koncese v tropickém deštném lese v peruánské Amazonii. První inventarizace byla provedena v roce 2007 tradiční metodou za užití kompasů a pásem, která je v oblasti běžně používaná. Druhá inventarizace byla provedena v roce 2008 za užití sady elektronických měřících přístrojů, propojených s terénním počítačem vybaveným specializovaným softwarem Field-Map. V obou inventarizacích byly zmapovány pozice stromů s výčetní tloušťkou ≥ 400 mm a u všech byly zaznamenány následující charakteristiky: druh, výška, výška nasazení koruny a výčetní tloušťka. V použitých metodách byly zjištěny značné rozdíly a byly popsány jejich nedostatky. Metoda používající měřící sadu se ukázala být rychlejší a výrazně přesnější díky minimalizaci chyb při měření veličin i při navigaci v porostu. Nicméně i při použití této metody nedošlo ke zmapování všech přítomných vzrostlých stromů a z toho důvodu byla pro zpřesnění inventarizačních výsledků a doplnění nezmapovaných jedinců aplikována metoda odhadu hustoty populace „distance sampling“. Následně byla vytvořena mapa populace vzrostlých stromů, v níž byly v prostředí GIS provedeny simulace různého počtu kruhových a pásových inventarizačních ploch různých velikostí, s cílem nalézt jejich nejvhodnější varianty. Výsledky simulací těchto inventarizací byly zhodnoceny z hlediska jejich přesnosti a časové náročnosti, čímž byly navrženy inventarizační metody vhodné pro použití v oblasti.
Klíčová slova: distance sampling, field-map, inventarizace lesa, peruánská Amazonie, tropický deštný les
4
Author: Ing. Petr Němec Title: Inventory methods analysis and its optimizing for conditions of the tropical rainforest in the Peruvian Amazon.
Abstract
The submitted work compares results of two forest inventories conducted on the plot of 200 ha within the forestry concession in the tropical rainforest in the Peruvian Amazon. First inventory conducted in 2007 used for field data collection the common method with tapes and mechanical compasses. The second inventory conducted in 2008 used a set of electronic devices, consisting of a field computer, laser rangefinder, electronic compass, a GPS unit and a specialized software Field-Map. In both inventories the positions of all trees with a dbh ≥ 400 mm were mapped and following attributes were recorded: position, species, total height, trunk height and dbh. Significant differences were discovered between both methods and the inadequacies were described. The results from the comparison study show that the method conducted using electronic devices is faster and more exact in measurement of tree attributes and in navigation on the plot. However, nor use of this method encompassed to map all the trees and that is why the distance sampling method for population density estimation was used for completion of inventory results. The population map of big trees was created and used for inventory simulations using circular and belt plots of different size and different density with the aim to find most suitable variants. Results of simulated inventories were evaluated regarding their accuracy and time expenses and the variants suitable for use in the zone were suggested.
Keywords: distance sampling, field-map, forest inventory, Peruvian Amazon, tropical rainforest
5
Seznam použitých zkratek
°C CIA CITES DBH DGFFS EU FAO GIS GPS h ha HDP IFER IIAP IMAZA INRENA ITTO JV JZ km ks kWh m m n. m MINAG MINAM mm NIL 1 OSINFOR PAAN PC PDA SERFOR SERNANP SINANPE SNFI TDL UNALM UNESCO USA UTM
stupeň Celsia Central Intelligence Agency Convention on International Trade in Endangered Species of Wild Fauna and Flora diameter at breast height, výčetní tloušťka Dirección General Forestal y de Fauna Silvestre Evropská unie Food and Agriculture Organization of the United Nations Geografické informační systémy Global Positioning System hodina hektar, 10 000 metrů čtverečních hrubý domácí produkt Institute of Forest Ecosystem Research (Ústav pro výzkum lesních ekosystémů, s.r.o.) Instituto de Investigación de la Amazonia Peruana (Výzkumný institut peránské Amazonie) Industria Maderera Zapote (Dřevařská společnost Zapote) Instituto Nacional de Recursos Naturales (Národní institut přírodních zdrojů) International Tropical Timber Organization jihovýchod jihozápad kilometr kus, kusů kilowatthodina metr nadmořská výška (metrů nad mořem) Ministerio de Agricultura y Riego (Ministerstvo zemědělství Peru) Ministerio del Ambiente (Ministerstvo životního prostředí Peru) milimetr Národní inventarizace lesů v České republice, 2001–2004 Organismo de Supervisión de los Recursos Forestales y de Fauna Silvestre Proyecto Amazonas Araucaria Nauta personal computer (osobní počítač) personal digital assistant, (terénní počítač) Servicio Nacional Forestal y de Fauna Silvestre Servicio Nacional de Áreas Naturales Protegidas por el Estado Sistema Nacional de Áreas Naturales Protegidas por el Estado Swiss National Forest Inventory (Švýcarská národní inventarizace lesů) tropický deštný les Universidad Nacional Agraria La Molina United Nations Educational, Scientific and Cultural Organization Spojené státy americké Universal Transverse Mercator (geografický systém) 6
WWF ZRS π
World Wildlife Fund Zahraniční rozvojová spolupráce Ludolfovo číslo (3,141 592 6…)
7
Obsah Úvod .............................................................................................................................. 1 Cíl práce......................................................................................................................... 4 Literární rešerše k řešené problematice ....................................................................... 5 3.1 Tropický deštný les............................................................................................... 5 3.1.1 Charakteristika tropického deštného lesa ........................................................... 5 3.1.2 Biodiverzita tropického deštného lesa ............................................................... 6 3.1.3 Ekologie a adaptace rostlin tropického deštného lesa ....................................... 8 3.2 Peru ...................................................................................................................... 12 3.2.1 Demografické a geografické informace ........................................................... 12 3.2.2 Přírodní zdroje a hospodářství Peru ................................................................. 13 3.2.3 Lesy a lesnictví Peru ......................................................................................... 15 3.2.4 Lesnická politika a legislativa .......................................................................... 20 3.2.5. Instituce v lesnictví Peru .................................................................................. 23 3.2.6 Důležité lesnicky využívané dřeviny ............................................................... 24 3.3 Charakteristika zájmové oblasti ......................................................................... 27 3.3.1 Klima .................................................................................................................. 27 3.3.2 Hydrologie ......................................................................................................... 28 3.3.3 Půdy .................................................................................................................... 29 3.3.4 Lesní typ ............................................................................................................. 30 3.4 Inventarizace lesů ............................................................................................... 31 3.4.1 Inventarizace lesů v Peru .................................................................................. 33 4. Materiál a metody ....................................................................................................... 34 4.1 Lokalita terénního výzkumu .............................................................................. 34 4.2 Tradiční metoda inventarizace naplno .............................................................. 35 4.2.1 Práce v terénu .................................................................................................... 35 4.2.2 Zpracování dat ................................................................................................... 37 4.3 Metoda inventarizace s užitím technologie Field-Map .................................... 37 4.3.1 Práce v terénu .................................................................................................... 37 4.3.2 Zpracování dat ................................................................................................... 40 4.4 Metoda distance sampling .................................................................................. 41 4.5 Simulace zkusných inventarizačních ploch ...................................................... 44 4.5.1 Simulace jednoduchých kruhových inventarizačních ploch do mapy s pozicemi stromů ....................................................................................................... 44 4.5.2 Simulace jednoduchých kruhových inventarizačních ploch do mapy lokálních hustot nesoucí hodnoty hektarové kruhové základny ............................................... 46 4.5.3 Simulace inventarizačních ploch o dvou soustředných kruzích do mapy lokálních hustot nesoucí hodnoty hektarové kruhové základny .............................. 47 4.5.4 Simulace transektů do mapy lokálních hustot nesoucí hodnoty hektarové kruhové základny ........................................................................................................ 50 4.5.5 Časové náklady na simulované inventarizace ................................................. 51 5. Výsledky ...................................................................................................................... 54 5.1 Srovnání výsledků provedených censů ............................................................. 54 5.1.1 Čas a personál .................................................................................................... 54 5.1.2 Pozice stromů..................................................................................................... 54 5.1.3 Počet stromů a druhová skladba ....................................................................... 56 5.1.4 Dendrometrické vlastnosti stromů.................................................................... 61 5.1.4.1 První přístup srovnání dendrometrických vlastností ................................ 61 5.1.4.2 Druhý přístup srovnání dendrometrických vlastností .............................. 64 5.1.4.3 Třetí přístup srovnání dendrometrických vlastností................................. 68 1. 2. 3.
8
5.2 Výsledky aplikace metody distance sampling .................................................. 69 5.3 Výsledky simulací kruhových inventarizačních ploch..................................... 71 5.3.1. Výsledky simulací jednoduchých kruhových inventarizačních ploch do mapy s pozicemi stromů ....................................................................................................... 71 5.3.2 Výsledky simulací jednoduchých kruhových inventarizačních ploch do mapy lokálních hustot s hodnotami hektarové kruhové základny ..................................... 73 5.3.3 Výsledky simulací inventarizačních ploch o dvou soustředných kruzích do mapy lokálních hustot s hodnotami hektarové kruhové základny ........................... 74 5.3.4 Výsledky simulací transektů do mapy lokálních hustot s hodnotami hektarové kruhové základny ........................................................................................................ 76 6. Diskuze ........................................................................................................................ 79 6.1 Inventarizace lesů v tropickém deštném lese peruánské Amazonie ...................... 79 6.2 Srovnání výsledků dvou realizovaných censů ........................................................ 81 6.2.1 Čas a personál .................................................................................................... 82 6.2.2 Pozice stromů..................................................................................................... 82 6.2.3 Počet stromů a druhová skladba ....................................................................... 83 6.2.4 Srovnání dendrometrických parametrů třemi přístupy ................................... 83 6.3 Aplikace metody distance sampling ........................................................................ 85 6.4 Simulace kruhových a pásových inventarizačních ploch ....................................... 86 7. Závěr ............................................................................................................................ 89 8. Summary ..................................................................................................................... 91 9. Použitá literatura ......................................................................................................... 94 10. Seznam obrázků .................................................................................................... 101 11. Seznam tabulek ..................................................................................................... 103 12. Přílohy ................................................................................................................... 104
9
1. Úvod Od pradávné historie člověka byla vždy značná část lidské populace závislá na lese, coby na zdroji potravy, paliva, ale i materiálu k nejrůznějším účelům. Dřevo lidem sloužilo a stále slouží k vytápění jejich příbytků i k přípravě pokrmů, stejně tak bylo a je jedním z nejdůležitějších stavebních materiálů. Naštěstí pro člověka je les, zdroj tohoto materiálu, zdrojem obnovitelným, nicméně ale také zdrojem snadno podléhajícím destrukci. Pouze pokud je s lesními porosty uvědoměle zacházeno, můžeme se těšit trvalé produkci dřeva i ostatních lesních produktů. Neřízená exploatace bez ohledů na obnovu však nedává lesům žádnou perspektivu a její průběh na mnoha místech planety stále způsobuje zmenšování celkové rozlohy světových lesů (FAO, 1948). Amazonský deštný les je nejrozlehlejším tropickým deštným lesem (TDL) světa, který svou rozlohou přes 5 500 000 km2 tvoří více než polovinu všech stávajících tropických deštných lesů na Zemi. V minulosti vzniklý mýtus o Amazonii, coby o rozsáhlém teritoriu plném nevyčerpatelných přírodních zdrojů (Ruiz Murrieta, 1992), měl za následek, že tento les je ve stále větším tempu přeměňován na zemědělská pole, pastviny, sekundární les, plantáže a v nejhorším případě na degradovanou půdu. Setrvalý pokles rozlohy tropických deštných lesů zapříčiňuje v posledních dekádách nejen zvýšení zájmu o jeho ochranu, ale obecně také o trvale udržitelné hospodaření ve všech typech ekosystémů na planetě. Díky mnoha faktorům a zejména podpoře společnosti Map GeoSolutions, jsem měl možnost několikrát navštívit ekosystém tropického deštného lesa na západě rozlehlého území Amazonie, v Peruánské republice. Jakmile člověk na vlastní kůži zažije prostředí TDL, uvědomí si bezbřehou bohatost a rozmanitost tohoto ekosystému. Teprve po poodhalení zákonitostí života a hospodaření místních obyvatel i reality komerčního lesnického sektoru si však uvědomí nejasnou budoucnost amazonských lesů a potřebu opatření vedoucích k zastavení postupné destrukce tohoto přírodního bohatství. V případě Peru se rychlost odlesňování v posledních desetiletích zpomalila (FAO, 2010) a ochrana lesních ekosystémů se v zemi stala důležitým tématem. Nicméně snížení plochy lesa mezi roky 2000 a 2010 se odhaduje na 94 000 ha (Vláda Peruánské republiky, 2010). Přímými příčinami odlesňování jsou stavby nových cest; zakládání nových sídel v Amazonské pánvi; rozšiřování plochy obdělávané zemědělské půdy 1
z důvodu pěstování potravinových či tržních plodin; exploatační těžba dřevní suroviny; ilegální těžba a nahrazování lesních porostů ilegálně pěstovanými plantážemi koky; stavba hydroelektráren a zřizování nových dolů nerostných surovin a zemního plynu v jižní části peruánské Amazonie. Nepřímé příčiny odlesňování jsou migrace obyvatel do Amazonie, podpora pěstování tržních plodin státnímí zemědělskými úřady, vůle rozvojových úřadů podporovat výrobu energie a nové, globalizací vznikající investiční příležitosti (Blaser et al., 2011). Podle některých studií (z nejnovějších např. Lojka et al., 2012) má v dnešní době pravděpodobně největší podíl na odlesňování peruánské Amazonie maloplošné kočovné zemědělství, které je v oblasti značně rozšířené. Témata jako odlesňování a ochrana pralesů v tropických oblastech jsou již několik desetiletí populární a veřejnosti poměrně dobře známá. Z lesnického pohledu nás navíc samozřejmě napadá otázka trvale udržitelného hospodaření, které se např. ve středoevropských podmínkách jistým způsobem provozuje již stovky let. Bruenig (1996) konstatoval, že v devadesátých letech dvacátého století již existovaly na poli tropického lesnictví dostupné technologie pro trvale udržitelný management deštných lesů. Problematika trvalé udržitelnosti není podmíněna ani tak komplikovaností a křehkostí TDL, ale leží v rovině lidské etiky, v geneticky podmíněných tendencích chování člověka coby jedince a v systémech fungování místní lidské společnosti (Pavliš, 1998). Ekosystémy TDL jsou po narušení často nahrazovány sekundárními lesy, které podle peruánské vlády (2010) zabírají jednu třetinu celkové plochy lesů, což je oproti ostatním amazonským zemím poměrně nízké číslo. Nicméně kvůli nárůstu podílu sekundárních lesů v tropech se zdá být důležité znát jejich možnosti a jejich dalším vhodným obhospodařováním snížit tlak na původní deštné pralesy. Sekundární tropické lesy by měly poskytovat užitek z těženého dříví, nedřevních lesních produktů, sloužit jako podpůrný ekosystém pro cenné dřeviny a zároveň plnit ostatní, mimoprodukční funkce lesa. Značná část rozlohy těchto lesů je obydlená drobnými farmáři, kteří lesní prostředí využívají coby zdroj potravin, stavebního materiálu i paliva. Při volbě přístupů k využívání lesních zdrojů v oblasti je tedy nutné vycházet z potřeb venkovského obyvatelstva a počítat s jeho aktivní účastí. V Peru vzešel v roce 2000 v platnost lesní zákon (Ley Forestal y de Fauna Silvestre – Ley 27308/2000), který by spolu s pozdějšími vyhláškami mohl zajišťovat vhodné právní prostředí pro poměrně vysoký standard uvědomělého a udržitelného lesního hospodaření. Rozdíly mezi zákonem předepsanými postupy a realitou provozu těžby 2
a obchodu s dřívím jsou však značné. Nedodržování těžebních norem je tolerovaným postupem a korupce na úrovni regionální státní správy, spojená s ilegální těžbou či ilegálním obchodem se dřevem, je poměrně častým jevem (Smith et al., 2006). Výsledky zákonem předepsaných inventarizací lesa jsou základem pro tvorbu plánů hospodaření v lesnických koncesích. Proto jsou inventarizace a jejich způsob provedení esenciální činností ovlivňující celý lesnický provoz a poskytují podklady pro další nakládání s hospodářskými lesy v peruánské Amazonii. Díky místním partnerům i díky finanční podpoře strukturálních fondů EU a české ZRS, mají v Peru v posledních letech studenti a zaměstnanci Mendelovy univerzity v Brně vhodné zázemí pro vzdělávání a výzkum a mohou se této i dalším problematikám týkajících se amazonského TDL věnovat přímo na místě.
3
2. Cíl práce Hlavním cílem práce bylo zhodnotit metody používané při lesnických inventarizacích v amazonském deštném lese, jejichž výsledky jsou zásadním podkladem pro tvorbu plánů lesnického hospodaření s porosty. V práci byly srovnány výsledky dvou inventarizací (censů) realizovaných na stejném území na ploše 200 ha zapojeného tropického deštného lesa v peruánské Amazonii v regionu Loreto, okrese Nauta. První inventarizace byla provedena v roce 2007 tradiční metodou za užití kompasů a pásem, která je v oblasti běžně používaná. Druhá inventarizace byla provedena v roce 2008 za užití sady elektronických měřících přístrojů, propojených s terénním počítačem vybaveným specializovaným softwarem Field-Map. Dalšími cíli, které vyplynuly z průběžných výsledků práce, byla aplikace metody odhadu hustoty populace „distance sampling“ na populaci vzrostlých stromů v TDL a návrh optimalizace inventarizačních metod. Návrh optimalizace se prováděl pomocí simulací různého počtu kruhových i pásových inventarizačních ploch různých velikostí do mapy 200ha plochy lesa, nesoucí pozice a dendrometrické charakteristiky zaměřených stromů. Výsledky simulací těchto inventarizací byly zhodnoceny z hlediska jejich přesnosti a časové náročnosti s cílem nalézt nejvhodnější varianty.
4
3. Literární rešerše k řešené problematice 3.1
Tropický deštný les
3.1.1 Charakteristika tropického deštného lesa Tropický deštný les (TDL) je jedním z osmi terestrických zonálních biomů planety, jeho potenciální rozšíření pokrývá cca 12,5 mil. km2 , tj. 8,3 % souše (Jeník, 1996). Jedná se o druhově velmi bohaté společenstvo s dostatečným zásobením vodou. Termín tropický odkazuje na jeho polohu v tropickém klimatickém pásu, tj. polohu mezi obratníky Kozoroha a Raka, čímž se odlišuje např. od horských deštných lesů netropických oblastí. Pojem „deštný“, a to nejen v češtině, ale i v jiných jazycích (anglicky „tropical rain forest“, francouzsky „foret ombrophile“, německy „Regenwald“, latinsky „pluvisilva“, atp. (Jeník a Pavliš, 2011), charakterizuje pak dostatečný přísun srážek po celé období roku, kdy období bez srážek jsou poměrně vzácná a omezují se pouze na několik dní v roce. Tropické deštné lesy jsou geograficky obecně vázány na polohy kolem rovníku, tj. mezi 10° severní a 10° jižní šířky; vhodnější je však charakterizovat jejich výskyt na základě klimatických charakteristik, neboť ve srážkově chudých územích kolem rovníku chybí, stejně tak jako jsou nahrazeny jinými společenstvy v rovníkových horských oblastech, jako je např. oblast Kilimandžára. Naopak v některých srážkově bohatých a teplých oblastech jeho výskyt přesahuje 20° severní i jižní šířky (Karibik, Havaj, jižní Asie, JZ Brazílie, Madagaskar). Podle umístění na kontinentech lze rozlišit čtyři hlavní varianty TDL, které se liší svým druhovým složením rostlinných i živočišných organismů, strukturou a biodiverzitou: americký TDL, africký TDL, indomalajský TDL a australasijský TDL (Jeník a Pavliš 2011). Klima TDL je ekvatoriální (Valíček et al., 2002), po celý rok se v něm udržuje vlhký a teplý rovníkový vzduch. Roční úhrny srážek dosahují průměrně mezi 1 500 a 4 000 (výjimečně i přes 10 000) mm, přičemž je jejich rozložení v průběhu roku víceméně rovnoměrné a měsíční úhrny zřídkakdy klesají pod 100 mm. Srážky mívají během roku dvě maxima v období okolo rovnodennosti a dvě minima mezi nimi v létě a v zimě. Průměrná relativní vlhkost vzduchu se pohybuje nad 80 %. 5
Průměrné měsíční i roční teploty se pohybují zpravidla mezi 25 a 28 °C, roční amplituda bývá většinou do tří stupňů Celsia. Teplota zřídkakdy stoupá nad 32 °C, neboť značná část energie se spotřebovává na výpar, naopak poklesy teploty pod 20 °C jsou řídké z důvodu nízkého efektivního vyzařování tepelné energie vlivem velmi vlhkého vzduchu. Pro TDL je tedy charakteristický i fakt, že denní amplitudy převyšují amplitudy ročních průměrných teplot. Roční suma globální radiace činí 1 200 až 1 700 kWh . m-², roční úhrn slunečního svitu je většinou 1 600–2 200 hodin (Valíček et al., 2002).
3.1.2 Biodiverzita tropického deštného lesa Tropické deštné lesy jsou druhově nejbohatším terestrickým biomem Země, v TDL se dle odhadů vyskytuje přibližně 50 % všech druhů planety (Goldsmith, 1998). Podle Gentryho (1982) se jen v neotropickém TDL nachází nejméně třetina všech světových druhů vyšších rostlin, pouze v Amazonii je to pak 12 %. Kromě příznivých a stálých klimatických podmínek k tomu přispěl i relativně dlouhodobý a nepřerušený vývoj jeho populací. Na druhové skladbě TDL se podílí většina taxonomických skupin suchozemských životních forem, jako jsou bakterie, archea, prvoci, houby, živočichové a rostliny. Inventarizaci a taxonomickým zařazením této ohromné rozmanitosti druhů se věnuje dlouhodobě mnoho výzkumníků, přičemž největší pozornost je pochopitelně věnována stromům, jakožto nejsnáze identifikovatelným entitám s největším zastoupením v celkové biomase TDL. Výzkum zaměřený na bakterie, houby, členovce aj. doposud nebyl tolik rozvinut, proto je v těchto taxonomických skupinách stále velké množství nepopsaných druhů. Přitom právě zástupci členovců zde dle různých zdrojů dosahují podílu až 90 % všech druhů ve své taxonomické skupině, stejně tak houby mají z důvodu velkého významu pro mykorrhizu, parazitismus, saprofytizmus a další vztahy v TDL enormní význam. Nicméně také inventarizace makrofytických organismů je v TDL velice náročná, neboť v porovnání s mírným pásmem je jejich diverzita mnohonásobně větší. Na jednom hektaru se vyskytuje běžně přes 100 druhů stromů s výčetní tloušťkou více než 100 (150) mm, studie z Amazonie udávají mezi 130 až 310 druhy (Whitmore, 1990; De Oliveira a Mori, 1999; Zent a Zent, 2004; Condé a Tonini, 2013 aj.), některé studie, zejména z Asie, udávají až 400 druhů (Goldsmith, 6
1998). Díky provedeným inventarizacím a soupisům druhů existují stále dokonalejší klíče pro určování stromů v oblastech TDL a to ve všech z jeho čtyř variant. Podstatně méně dokonalé jsou soupisy druhů ostatních růstových forem, neboť k popisu druhové rozmanitosti je třeba značně rozsáhlejších zkusných ploch (v jednotkách či desítkách hektarů) než je tomu v jiných biomech, např. Klinge et al. (1975) uvádějí 500 druhů rostlin na 0,2 ha a na stejném území 600 druhů rostlin na hektar. Náročnost terénních studií zvyšuje i celková struktura primárních porostů, kde hraje důležitou roli patrovitost, výška porostu (často přes 50 metrů) a výskyt nejrůznějších růstových forem včetně lián a epifytů rostoucích vysoko v korunách stromů. Fanerofyty, tj. zejména stromy, liány a palmy, vytváří jak kostru porostů, tak tvoří podstatnou část biomasy TDL. Nejen jejich druhová, ale i architektonická rozmanitost je v těchto porostech výjimečná a projevuje se např. rozmanitou maximální tloušťkou kmene, výškou nasazení koruny, typem větvení, typem kořenového systému, rozmístěním listoví, typy listů, charakterem borky, typy generativních orgánů atd. Na fyziologické úrovni jsou to pak různé způsoby adaptace na místní vlhké a teplé prostředí, rozdíly ve fenologii, rozmanité způsoby lákání opylovačů a přenašečů semen, ochrana před herbivory apod.
Obr. 1 Poloepifytický škrtič (Ficus sp.) po vyklíčení v koruně spustí vzdušné kořeny okolo kmene, hostitelského stromu, který časem zahubí a nahradí. Foto: autor (2008).
7
Na základní konstrukci fanerofytů jsou vázány další organismy, zejména epifyty, hmyz (mravenci a termiti), drobní obratlovci, obojživelníci i prvoci. Tyto organismy společně vytvářející mikro-ekotopy a ekologické vazby v rámci strukturovaného porostu ať už mezidruhové nebo vnitrodruhové. Vytváří se zde nejrůznější vazby potravní, opylovačů a opylovaných květů, predační, symbiotické a další. TDL je ve výsledku hostitelem nejrozmanitějších vůní, barev, struktur, zvuků a jiných projevů své obrovské druhové, strukturní a funkční biodiverzity.
3.1.3 Ekologie a adaptace rostlin tropického deštného lesa Tropický deštný les je dynamický ekosystém se složitými ekologickými vazbami napříč celou svojí strukturou. Neustále zde probíhají nejrůznější interakce na úrovni jeho jedinců, populací i celých společenstev, jako je růst, rozmnožování, kompetice o živiny a světlo, odumírání, humifikace atd. V ideálně rozvinutém primárním TDL lze rozlišit pět pater (Jeník a Pavliš, 2011): 1/ Přízemní patro primárního nenarušeného TDL je vzhledem k velmi omezeným světelným podmínkám tmavé a dobře prostupné, nachází se zde pouze malé množství stínomilných bylin, kapraďorosty a mechorosty, vyskytují se zde i semenáčky dřevin. Velká část plochy je obsazena kmeny mohutných stromů a jejich náběhy, kde lze jen zřídka najít epifytické druhy. Na zamokřených místech je povrch půdy pokryt dýchacími kořeny. Odumřelá biomasa včetně kmenů mohutných stromů se velmi rychle rozkládá, a tak zde téměř nenajdeme neprostupné úseky. 2/ Patro trpasličích stromků a vysokých bylin, pro něž jsou typické stínomilné dřeviny s nízkým, většinou nevětveným kmenem, rostou zde jednoděložné byliny z čeledí Zingiberaceae a Maranthaceae. Výška tohoto patra je asi 5 m a výskyt jeho typických zástupců je spíše řídký. 3/ Spodní stromové patro s výškou cca 10 metrů dává prostor nižším stromům, kapraďorostům a palmám. Na kmenech vzrostlých stromů se daří epifytům a různým liánám, častý je zde výskyt živočichů. 4/ Střední stromové patro tvoří zapojený porost a tím vytváří dominantní kostru porostů. Podílejí se na něm nejrůznější dřeviny s výškou 20–40 metrů, bohaté je zastoupení
8
epifytů, lián a stěžejní zastoupení zde mají mnozí savci, ptáci, plazi, hmyz a další živočichové. 5/ Vrchní stromové patro tvoří světlomilné nadúrovňové tzv. emergentní stromy, které ční nad zapojeným porostem. Koruny jsou zde značně osluněné a stromy dosahují výšek 40–50 m, někdy (zejména v Asii) až 80 m. Plynulost pětiúrovňového TDL je narušována občasnými zásahy, jako jsou pády emergentních nebo úrovňových mohutných stromů, které se často rozlomí pod tíhou epifytů a lián a spolu s nimi jsou k zemi strženy i okolní liánami propletené stromy, čímž vznikne světlina. Na ní pak velmi rychle vyrůstají pionýrské druhy, které mají ovšem pouze omezenou životnost a po jejich odumření přebírají dominanci v jejich zástinu doposud rostoucí cílové dominantní druhy stromů. Sekundární TDL se oproti primárnímu dobře pozná právě díky své hustotě spodních pater a tudíž zhoršené prostupnosti.
Obr. 2 Pohled do korun horního stromového patra ze světliny vzniklé pádem vzrostlého stromu. Foto: autor (2008).
9
TDL je charakteristický ohromnými zásobami biomasy, které jsou různými autory odhadované min. na 250–530 tun nadzemní biomasy na hektar (Brown et al., 1995; Keller et al., 2001; Chave et al., 2001; Nascimento a Laurance, 2002; Baker et al., 2004; Kumarathunge et al., 2011 aj.), ve studiích jsou však často posuzovány pouze kmeny stromů, přičemž větve, listy, liány, epifyty a živočichové tvoří nezanedbatelný podíl, který může dosahovat až 1/3 celkové nadzemní biomasy. Podzemní biomasa je odhadována na 1/3–1/5 biomasy nadzemní (Niiyama et al., 2010; Saner et al., 2012 aj.). Roční primární produkce biomasy je odhadována min. na 15–25 t . ha-1 (Clark et al., 2001; Hertel et al., 2009 aj.). V nenarušeném TDL však výtěžek fotosyntézy z velké části prodýchají sami primární producenti, zbývající část pak herbivoři, destruenti, karnivoři, takže celkový biogeochemický cyklus je uzavřený a čistá primární produkce je nulová (Jeník a Pavliš, 2011). Všechny přítomné druhy organismů jsou na prostředí TDL dokonale adaptovány. V případě fanerofytů (tj. zejména stromů), jejichž podíl dosahuje až k 80 % celkové biomasy, jsou to nejrůznější adaptace spojené se zdejšími abiotickými podmínkami a též interakce mezi nimi a ostatními organismy. Tropický deštný les se někdy nazývá i stálezelený či vždyzelený, což odkazuje oproti opadavým či poloopadavým formacím na fakt, že listy jsou u stromových druhů většinou přítomny po celý rok kontinuálně. Stromy mají čtyři základní strategie výměny listů (Jeník a Pavliš, 2011), které závisí mimo jiné na vzdálenosti od rovníku tj. roční změně fotoperiody. Jedná se o průběžnou výměnu listů, kdy rašení i opad probíhá průběžně během celého roku, nebo o periodickou výměnu listů, kdy nové listy raší hromadně před, po, nebo souběžně s opadem starých listů během určité roční doby. Listy v TDL mají kratší životnost, než např. nahosemenné stromy mírného pásu, ta většinou nepřekračuje 15 měsíců. Tvar a uspořádání listů jsou natolik adaptovány, že na pohled mohou poukazovat spíše na místní podmínky vlhkého a teplého klimatu, než na taxonomické zařazení. Různé druhy stromů pak mívají shodně kapací špičky a kožovitý povrch umožňující rychlé odvodnění, bývají často celokrajné, častá je přítomnost kloubů umožňujících otáčení listů dle aktuálního oslunění, projevuje se zde anizofylie, při které mívají listy jedné rostliny v koruně jiný tvar i velikost než listy ve spodních patrech porostu. Místním podmínkám jsou také velmi dobře přizpůsobeny kmeny a kořeny rostlin. Charakteristické jsou rozšířené báze kmenů s mohutnými kořenovými náběhy a opěrné a chůdovité kořeny umožňující ukotvení stromu v mělké a často zamokřené půdě, 10
vyskytují se zde nejrůznější typy dýchacích kořenů. Kořeny pod povrchem jsou soustředěny ve většině do svrchních 100–200 mm půdy (Huttel, 1975; Pavliš a Jeník, 2000), kde se vyskytuje nejvíce dostupných organických látek z rozložené biomasy, kosterní kořeny se díky tomu horizontálně rozbíhají od kmene, jen malá část kořenů směřuje vertikálně.
Obr. 3 Chůdovité kořeny a mohutné kořenové náběhy. Adaptace dřevin TDL na periodické zaplavování lesa, opěrná a chladící funkce. Foto: autor (2007).
Květy a plody tropických rostlin jsou velmi dobře přizpůsobeny opylovačům i způsobu rozšiřování diaspor. Pro tropické oblasti obecně je typická kauliflorie, tj. kvetení a vytváření plodů přímo z kmene a nikoliv z makroblastů či brachyblastů jak je to obvyklé v mírném zeměpisném pásu. Je to adaptace usnadňující opylení mravenci a jiným nelétavým hmyzem, případně stínomilnými můrami. Zvláštností je pak i fyliflorie, pří níž květy vyrůstají z hlavní žilky listů. Kromě entomogamie se v TDL hojně vyskytuje i chiropterogamie (opylování netopýry) a ornitogamie, při které opylování zprostředkovávají kolibříci v Americe a medonosky v ostatních tropických částech světa. Opylování pomocí větru je v TDL vzácné, šíření plodů větrem je však časté zejména u nadúrovňových stromů. Jejich další strategií je vytváření poměrně těžkých plodů umožňujících proražení spleti větví a listoví; mezi další rozšiřovací agenty v tomto případě patří nejrůznější konzumenti většinou dužnatých plodů.
11
3.2 Peru 3.2.1 Demografické a geografické informace Peruánská republika (República del Perú) leží na západním pobřeží Jižní Ameriky. Je to země s bohatou historií, která byla před i dlouho po příchodu evropských kolonizátorů kulturním i mocenským centrem celé Jižní Ameriky. Dnes žije na území státu 29 849 303 obyvatel (odhad CIA World Factbook, červenec 2013) a jeho rozloha 1 285 220 km² ho činí čtvrtým největším na jihoamerickém kontinentu (FAO, 2013a). Průměrná hustota zalidnění v zemi je 23,2 obyvatel na km², země je výrazně urbanizovaná, s více než 77 % obyvatel koncentrovanými do měst (CIA, 2013). V posledních letech zažívá Peru významný ekonomický růst, ze kterého prosperují zejména městské a pobřežní komunity. Rurálního chudého obyvatelstva, včetně komunit původních obyvatel v horských oblastech And a pralesních oblastech Amazonie, se tento růst týká jen okrajově, nebo se ho netýká vůbec. Množství lidí žijících pod hranicí chudoby pokleslo v poslední dekádě na 30 % obyvatel (55 % ve venkovských oblastech). Podvýživa a rozšíření nemocí začaly klesat po zavedení vládního programu zaměřeného na hygienu, sanitaci a čistou vodu. Školní docházku a vzdělání soustavně narušuje dětská práce, běžná u téměř třetiny peruánských dětí ve věku 6–14 let (CIA, 2013). Zatímco v 19. a v první části 20. století zažívalo Peru příliv imigrantů, dnes lze mluvit o problému vysoké emigrace. Za posledních 10 let opustily zemi více než 2 miliony Peruánců, především do USA, Španělska a Argentiny (FAO, 2013b). Peru má velmi rozmanitou kulturní i přírodní krajinu. Podle přírodních podmínek se země rozděluje na tři hlavní oblasti, a to pobřeží (Costa), převážně se skládající z pouštních a polopouštních ekosystémů, horské pásmo And (Sierra), přesahující na mnoha místech nadmořskou výšku 6 000 m a Amazonskou pánev (Selva), která zaujímá téměř 60 % rozlohy země a primárně je porostlá tropickým deštným lesem, protkaným hustou říční sítí. Zásadní vliv na podnebí pobřežní oblasti a západní strany andských hřebenů má studený Humboldtův (peruánský) proud, který proudí z jihu od břehů Antarktidy na sever podél tichomořského pobřeží celé Jižní Ameriky. Díky němu ovlivňuje pobřežní oblasti proudění chladného oceánského vzduchu, jehož příčinou jsou extrémně nízké úhrny srážek. Velmi suché a poměrně stálé pobřežní klima v západní 12
části Peru bývá v několikaletých intervalech ovlivňováno jevem zvaným El Niňo, při kterém dochází k dočasnému odklonu Humboldtova proudu a následným vydatným přívalovým srážkám. Tyto pak v západní části země působí katastrofální povodně, erozi a sesuvy půdy. Na druhé straně andských hřebenů se nachází Amazonská nížina, která je zavlažována častými tropickými dešti. Řeka Amazonka, pramenící v peruánských Andách, je největší řekou světa jak délkou, průtokem, tak i velikostí povodí s rozlohou přibližně 7,5 miliónu km². Do amazonské nížiny zasahuje území devíti států, jmenovitě Brazílie, Francouzská Guyana, Surinam, Guyana, Venezuela, Kolumbie, Ekvádor, Bolívie, a Peru. Přibližně 5,5 miliónu km² je tvořeno tropickým deštným lesem, který je tak největším komplexem TDL na naší planetě. Oblast je také zásobárnou 57 % sladkovodních vod světa (Amazonka + přibližně 16 000 popsaných přítoků), což předznamenává její klíčovou roli ve fungování klimatické stability planety. Délka samotné Amazonky, pramenící v Andách a ústící do Atlantského oceánu, činí 7 025 km, její šířka se pohybuje v rozmezí 4 až 80 km (Cousteau, 1994).
3.2.2 Přírodní zdroje a hospodářství Peru
Peruánský HDP je tvořen sektory služeb, průmyslu a zemědělství v poměru 57,3 % / 36,3 % / 6,4 %. Průmysl se soustřeďuje na těžbu nerostných surovin, zejména zemního plynu, surové ropy, rudy mědi, zlata, stříbra, zinku a olova. Zpracovatelský průmysl je zaměřen na metalurgii, rafinaci ropy, zpracování zemního plynu, výrobu cementu, skla a textilu. Významnou roli hraje průmyslový rybolov a zpracování ryb díky na ryby bohatým chladným vodám Tichého oceánu. Zemědělství a chov dobytka, přes svůj nízký příspěvek k HDP, však zůstává důležitou činností pro většinu venkovského obyvatelstva. Nejdůležitějšími plodinami jsou bavlna, káva, rýže, cukrová třtina, ovoce, zelenina, palma olejná, brambory a koka. Živočišná výroba se soustřeďuje na chov kuřat, lam, alpak, ovcí a prasat. V roce 2011 zabírala orná půda 2,84 % území, tržní plodiny se pěstovaly na 0,66 % území (CIA, 2013). Zemědělství má v Peru historii sahající mnoho tisíc let zpět. Centrální Andy jsou prehistorickým centrem domestikace důležitých zemědělských druhů, jako jsou například brambory, kukuřice, papriky, dýně, maniok, bavlna, koka a mnoho ovocných druhů, například ananas a avokádo (Vera, 2006). Archeologický výzkum potvrdil, že 13
region Amazonie má dlouhou prehistorii osídlení, kterému dlouhou dobu nebyla věnována pozornost. Je zřejmé, že nejméně před 10 000 lety byl tok Amazonky a jeho přítoky osídleny přírodními národy. Tyto národy žily jako lovci, sběrači a rybáři, používaly luky a oštěpy. Tito paleo-indiáni pravděpodobně káceli stromy a užívali oheň, ale ne u všech bylo potvrzeno pěstování plodin (Vester a Cleef, 1998). Dodnes žijí v Amazonii některé domorodé kmeny způsobem podobným těmto raným lovcům a sběračům. La Rotta (1988) konstatoval: „Jen na málo místech světa mají domorodci tak široké znalosti o vlastnostech a využití rostlin jako v severozápadní části Amazonie, obývané tolika různými kmeny, vzájemně velmi odlišnými jak ve svém původu, kultuře a jazyce tak ve způsobu využití bohatosti vegetace a přírodního prostředí. Tento kout Amazonie má pravděpodobně nejbohatší flóru z celého povodí. Jednou z příčin je pravděpodobně koncentrace geografických a floristických vlivů And na západě, savan a galeriových lesů na severovýchodě (llanos) a amazonské nížiny uprostřed. Nicméně je to současně oblast velmi ohrožená jak z hlediska jejích přírodních zdrojů, tak z hlediska mizejících znalostí přírodních národů o těchto zdrojích vlivem akulturace. Z tohoto pohledu není možné ztrácet čas ani při ochraně přírody, ani při ochraně domorodé kultury, jejíž vysoká úroveň poznání vlastního životního prostředí je na cestě ke ztracení se navždy.“
14
Obr. 4 Skupina téměř izolovaně žijících obyvatel domorodého kmene Ashaninka. Foto: Joel Rivera (2006).
Kromě drobných farmářů, hospodařících v peruánské Amazonii kočovným způsobem zemědělství, najdeme dnes v Peru také velké zemědělské objekty, pěstující kromě původních zemědělských plodin zejména introdukovanou rýži, obilniny, citrusy, čaj, kořenovou zeleninu, vinnou révu a olivy. Přes vysokou diverzitu autochtonní fauny jsou z větších zvířat domestikovány pouze lamy a alpaky, další hospodářská zvířata byla do Peru introdukovaná, čímž se zvýšila rozmanitost živočišné produkce a tím i rozmanitost potravy místního obyvatelstva.
3.2.3 Lesy a lesnictví Peru Zalesněné oblasti se v Peru nachází jak v semiaridních horských oblastech, tak zejména ve vlhké Amazonské pánvi a na mlžných východních svazích And. FAO (2010) odhaduje celkovou rozlohu peruánských lesů na 679 000 km², což je 53 % celkové rozlohy státu. Celých 92 % těchto lesů leží v Amazonské pánvi. Jiné odhady (Vláda Peruánské republiky, 2010) uvádějí dokonce 720 000 km² lesní půdy (Obr. 5).
15
Obr. 5 Mapa lesnatosti Peruánské republiky. Zdroj: INRENA (2006).
Semiaridní a aridní lesy v pobřežních oblastech zabírají společně s vlhkými lesy hor a horských údolí přibližně 112 000 km². Na severu země v pobřežní oblasti Tumbes, poblíž státních hranic s Ekvádorem, se nachází asi 53 km² mangrovů (Spalding et al., 2010). Nejrozšířenějším lesním biomem v Peru je amazonský deštný les. Pokrývá přibližně 570 000 km² s různými subtypy, vycházejícími z podmínek závislých na nadmořské výšce, půdních typech a pozici vzhledem k řekám. Nejzastoupenějším subtypem, pokrývajícím 370 000 km², jsou deštné terasové a kopcovité lesy na zvlněném terénu s mírnými svahy (INRENA, 1996). Nejlepší podmínky pro lesní hospodaření a agrolesnictví poskytují aluviální lesy na nízko položených říčních terasách z důvodu jejich bujného růstu daného vhodnými klimatickými podmínkami a dobré přístupnosti na rovinatém terénu. Jejich horní patra dosahují obvykle výšky 35 až 40 m a důležité lesnicky využitelné druhy jsou v nich hojně zastoupeny (Blaser et al., 2011). Dobře přístupné lesy jsou intenzivně využívány již po staletí, což dokazují značné rozlohy sekundárních lesů poblíž vodních toků, ve kterých dominují rychlerostoucí světlomilné pionýrské dřeviny. Peruánský lesní zákon klasifikuje lesní porosty dle funkcí a užívání následovně: produkční lesy (lesy permanentní produkce a produkční lesy v záloze); lesy na chráněných územích; lesy pro budoucnost (lesní plantáže, sekundární a degradované lesy určené k rekonstrukci); přírodní chráněná území; lesy původních a rurálních 16
komunit; lokální lesy. Produkční lesy jsou určeny jak k produkci dřeva a nedřevních lesních produktů, tak k ochraně a uchování lesních zdrojů. Využívání těchto lesů provádí peruánská státní správa prostřednictvím prodeje lesnických koncesí. V roce 2010 bylo 330 000 km² zařazeno do kategorie produkčních lesů, 194 000 km² do kategorie chráněných lesů, 8 200 km² do kategorie lesních plantáží a více než 154 000 km² lesů zůstalo neklasifikovaných (Blaser et al., 2011).
Obr. 6 Mapa Peru zobrazující lesy permanentní produkce a koncese. Zdroj: INRENA (2006).
Rozlehlá území peruánských lesů jsou ohrožena odlesňováním. Jeho hlavní důvody jsou budování nových dopravních tepen (např. silnice Iquitos–Nauta, brazilsko–peruánská mezioceánská dálnice, a silnice Pucallpa–Lima), stavba přehrad, migrace obyvatelstva, zakládání pastvin, těžba dřeva, zemního plynu, ropy a nerostných surovin. Na odlesňování a změny v lesních ekosystémech Peru má nemalý vliv také kočovná zemědělská činnost venkovského obyvatelstva. Farmáři obvykle pěstují své plodiny na
17
půdě uvolněné po odstranění lesního porostu. Po několika letech, po snížení úrodnosti, tuto půdu opouští a pole zakládají na jiném území na úkor lesa. Opuštěná půda následně rychle zarůstá sekundárním lesem a její úrodnost díky návratu přísunu množství humusového materiálu pozvolna roste. Po určité době je tedy možné opětovně na této půdě založit pole. Je-li tento systém provozován v malé míře s dostatečnou délkou periody, je možno mluvit o udržitelnosti (Obr.7). Populační tlak však v některých oblastech peruánské Amazonie zapříčinil snížení této periody z 10–15 na 3–5 let (Fujisaka et al., 1998), což vede ke zvýšení tlaku plevelů, snižování výnosů zemědělských plodin a k degradaci půdy. Ta je následně neúrodná, má vysokou kyselost, vysoký obsah hliníku a nízký obsah živin v jiných horizontech, než v povrchovém humusovém (Lojka et al., 2012). Tyto vlastnosti nejen limitují další pěstování plodin, ale také na velmi dlouhou dobu zamezí lesnímu ekosystému navrátit se do stavu blízkému primárnímu lesu.
Obr. 7 Příklad fungování maloplošného kočovného zemědělství v lesní oblasti peruánské Amazonie v regionu Junín. Foto: autor (2008).
18
Zalesňování a lesní plantáže Peru má třetí největší rozlohu lesních plantáží ze všech jihoamerických zemí, tj. přibližně 8 200 km². Nejvíce plantáží leží v Andách a v Amazonii, nejpěstovanějšími druhy jsou Eucalyptus globulus, Polylepis spp. a Alnus acuminata. Mnoho z těchto plantáží je však na chudých půdách, čímž je jejich produkční potenciál značně omezen. V roce 2005 bylo zalesňování prohlášeno vládní vyhláškou (Decreto Supremo 0032005-AG, 2005) za národní zájem a následně byl rozvinut národní zalesňovací program. V Amazonii bylo v minulosti provedeno mnoho úspěšných vzorových pokusů zalesňování a výsadeb obohacujících porosty o místní cenné druhy, jako Cedrelinga catenaeformis (tornillo), Simarouba amara (marupa), Parkia velutina (pashaco). Reprezentativními příklady s dobrými výsledky jsou výzkumné centrum institutu IIAP Jenaro Herrera a experimentální les pucallpské university, Bosque Von Humbolt (ITTO, 2006).
Obr. 8 Pětiletá plantáž dřeviny Guazuma crinita (bolaina) v nížině západní Amazonie. Foto: autor (2008).
Certifikace lesů Peruánská vláda propaguje certifikaci lesů coby vhodný nepovinný pomocný nástroj trvale udržitelného hospodaření. Akreditační systém FSC certifikace byl stanoven v roce 2004 ve spolupráci s WWF Peru. Podle Komettera (2010) byla v Peru počátkem roku 2010 certifikována celková plocha 713 380 ha, z níž 458 600 ha tvořilo 19
15 lesnických koncesí a 150 700 ha tvořily lesy dvanácti komunit původního obyvatelstva. Celková plocha certifikovaných lesů vzrostla od roku 2005 do roku 2010 více než desetkrát. 3.2.4 Lesnická politika a legislativa Podle vlastnictví jsou lesy v Peru klasifikovány jako státní lesy (ve správě národní či regionální státní správy), lesy komunit původního obyvatelstva a lesy soukromé. Peruánský stát vlastní většinu lesů, tj. lesní půdu o rozloze 545 000 km². Celková rozloha komunitních lesů je 132 000 km², fyzické osoby, firmy a korporace vlastní 19 500 km² (Hatcher a Bailey, 2011). Lesní hospodářství Peru se řídí lesním zákonem (Ley Forestal y de Fauna Silvestre – Ley 27308/2000), který je v platnosti od roku 2000. V roce 2004 peruánská vláda oficiálně přijala vyhláškou (Decreto Supremo 031-2004-AG) národní lesnickou strategii. Tato strategie je založena na přístupech k trvale udržitelnému hospodaření s lesními porosty určenými pro trvalou produkci. Předepisuje čtyřicetileté koncese na těžbu dříví a nedřevních lesních produktů, na ekoturistiku a environmentální služby. Popisuje udržitelné hospodaření s lesy patřícími indiánským komunitám, s lokálními lesy obhospodařovanými úřady regionální správy a zakládání čtyřicetiletých koncesí k opětovnému zalesnění či dosadbě po těžbě dříví (ITTO, 2006). Po ratifikaci dohody o podpoře obchodu mezi Peru a USA v roce 2007 spustila peruánská vláda reformu lesnické legislativy, která restrukturalizuje a decentralizuje systém řízení a správy lesů. Tato reforma proběhla vydáním řady státních vyhlášek a dokonce vydáním nového lesního zákona. Měla však vysoce kontroverzní dopady a vedla k dlouhodobým protestům společnosti, zejména indiánského obyvatelstva Amazonie, přerůstajících v konflikty při kterých bylo vícekrát použito násilí. Tyto protesty a spory vedly ke zrušení nového lesního zákona a s ním spojených vyhlášek, ke společnému dialogu, následnému usmíření a uklidnění situace (Blaser et al., 2011).
20
Obr. 9 Přibližování ilegálně těženého dříví. Foto: autor (2007).
Využívání produkčních lesů je v Peru podmíněno tvorbou a dodržováním zákonem předepsaných pravidel lesního hospodaření. Koncesionáři jsou povinni poskytnout podklady pro tvorbu pětiletých „rámcových plánů udržitelného hospodaření“ a „ročních operativních plánů“ (Plan Operativo Anual), Torres (2013). Tyto podklady tvoří informace z realizovaných inventarizací lesů, které koncesionář provádí na vlastní náklady. Plány jsou cyklicky vypracovávány podle lesního zákona a koncesionáři jsou povinni se jimi řídit. Koncese na těžbu dříví mají v Peru poměrně malou průměrnou rozlohu, přibližně 12 900 ha. Jejich ziskovost z těžby kvůli těmto malým rozlohám tedy závisí především na dostupných prodejních cenách dříví na trzích. Mnoho koncesí leží v lesních územích, na kterých již dříve proběhla selektivní těžba. Zejména podél amazonských vodních toků je již zastoupení nejvíce ceněných dřevin nízké. Reakcí na nedostatečné objemy dřeva těchto druhů je nárůst těžby méně známých dřevin a rozšíření trhu s nimi (ITTO, 2006).
21
Obr. 10 Přístav na řece Ucayali ve městě Pucallpa využívaný dřevařským průmyslem. Foto: autor (2008).
Peruánský lesní zákon předepisuje evaluace a audity koncesí v pětiletých intervalech, navíc se periodicky provádí inspekce v rámci programu týkajícího se strategie sledování mahagonu, zaštítěného organizací CITES. Koncesní smlouvy obsahují detailní předpisy lesnického hospodaření obsahující mimo jiné minimální výčetní tloušťky pro všechny těžené dřeviny a zalesňovací povinnosti po provedení těžby. Minimálně 10 % vzrostlých jedinců každého těženého druhu musí zůstat zachováno z důvodu přítomnosti
semenných
stromů.
Z pěstebních
zásahů
jsou
pro
koncesionáře
předepisovány také uvolňovací a prosvětlovací seče a roztroušené obohacující výsadby pro urychlení regenerace porostu po těžbě a zachování jeho druhové pestrosti. Koncesionáři musí plnit polycyklický plán řízení s minimální délkou cyklu 20 let (FAO, 2010). Tab. 1 Lesní koncese v Peru aktivní k prosinci 2009 podle regionů. Zdroj: ITTO podle Komettera (2010).
Region Huánuco
Počet koncesí
Celková rozloha v ha
Průměrná rozloha v ha
48
284 342
5 923
250
2 644 756
10 579
Madre de Dios
85
1 267 111
14 907
San Martin
34
494 668
14 549
Ucayali
171
2 871 925
16 794
Celkem
588
7 562 802
12 861
Loreto
22
3.2.5. Instituce v lesnictví Peru Proces restrukturalizace a decentralizace správy a řízení lesů byl spuštěn vládním nařízením v roce 2007 (Decreto Supremo 011-2007-AG) a vyvrcholil zrušením Národního institutu pro přírodní zdroje (INRENA). Zodpovědnost za lesní sektor byla oproti předchozímu systému centrální správy zčásti přenesena na regionální vlády. Tento proces byl velmi rychlý a přinášel chaotické změny (Kometter, 2010). Na národní úrovni převzalo řízení a správu lesů ministerstvo zemědělství (Ministerio de Agricultura y Riego, MINAG), nově vzniklé ministerstvo životního prostředí (Ministerio del Ambiente, MINAM) a Agentura pro správu lesních zdrojů a volně žijící fauny (Organismo de Supervisión de los Recursos Forestales y de Fauna Silvestre, OSINFOR), která byla vytvořena v roce 2008 a dodnes je zodpovědná za monitoring a dohled nad udržitelnými způsoby těžby dříví, ochranou lesů a lesní fauny a využíváním lesních zdrojů ke všem dalším účelům. Ve stejném roce vzniklo v rámci MINAG nové Generální ředitelství pro lesní flóru a faunu (Dirección General Forestal y de Fauna Silvestre, DGFFS), které se však od svého vzniku potýkalo s rozpočtovými a personálními problémy. V červenci 2011 vznikl Národní úřad pro lesnictví a volně žijící faunu (Servicio Nacional Forestal y de Fauna Silvestre – SERFOR), který se až nařízením vlády z července 2013 (Decreto Supremo 007-2013-MINAG) stal řídící státní institucí vedoucí reformu lesnického sektoru směřující k udržitelnému lesnímu hospodaření. Dalším vládním nařízením (Decreto Supremo 009-2013-MINAG) byla v srpnu 2013 odsouhlasena národní koncepce pro lesy a volně žijící faunu, coby součást strategie vládní politiky. Tato koncepce, v zodpovědnosti SERFOR, je nyní klíčovým nástrojem řízení hospodaření s lesy a volně žijícími živočichy. Byla vytvořena za přispění veřejných organizací, představitelů profesionálních asociací, akademického sektoru i vlastníků lesů všech kategorií. Za správu a řízení chráněných lesních území Peru je zodpovědný Národní úřad pro chráněná přírodní území (Servicio Nacional de Áreas Naturales Protegidas por el Estado, SERNANP), který ve stavu podřízeném k MINAM řídí Národní systém státních chráněných území (Sistema Nacional de Áreas Naturales Protegidas por el Estado, SINANPE). Rostoucí vliv na lesnickou politiku mají v Peru také sdružení indiánských komunit, jako např. Mezietnická asociace pro rozvoj peruánského pralesa (Asociación 23
Interétnica de Desarrollo de la Selva Peruana), nebo Národní institut pro rozvoj andských, amazonských a afroperuánských sídel (Instituto Nacional de Desarrollo de Pueblos Andinos, Amazónicos y Afroperuanos). Tato sdružení hájí a prosazují zájmy a kulturní dědictví indiánských komunit, a protože je les jejich životním prostředím, aktivně se angažují v otázkách jeho správy (Blaser et al., 2011).
3.2.6 Důležité lesnicky využívané dřeviny Více než 100 druhů dřevin je v Peru využíváno za účelem produkce dřevní suroviny, ale pouze o několik až několik desítek z nich je stálý zájem trhu (Dancé Caballero, 2006). Peru je společně s Bolívií největším vývozcem vysoce žádaného mahagonu (Swietenia macrophylla). Druhým nejžádanějším je cenné dřevo česnekovníku (Cedrela odorata). Na místním trhu jsou však nejobchodovanější dřeva druhu Calycophyllum spruceanum (capirona) a rodu Guazuma spp (bolaina). Další významné druhy a rody, co se objemu obchodovaného dříví týče, jsou Amburana cearensis (ishpingo), Virola spp. (cumala), Dipteryx micrantha (shihuahuaco), Hura crepitans (catahua), Cariniana decandra (cachimbo) a další.
Tab. 2 Pět nejtěženějších dřevin a jejich průměrná roční produkce dřevní suroviny v letech 1991–2008. Zdroj: Blaser et al. (2011).
Dřevina
Rončí těžba m³
Oblasti těžby v rámci Peru
Eucalyptus globulus
258 000
lesní plantáže v andských údolích
Virola spp.
218 000
lesy Amazonské nížiny a lesy na nízkých kopcích
Cedrelinga catenaeformis
173 300
lesy na nízkých kopcích Amazonské nížiny
Chorisia intregrifolia
147 100
lesy na amazonských terasách a na nízkých kopcích
Cedrela odorata
127 000
lesy v záplavových územích a na nízkých kopcích
Nejdůležitějšími druhy užívanými na palivové dříví jsou podle ITTO (2012) Prosopis pallida (algarrobo), Eucalyptus globulus (eucalipto), Calycophyllum spruceanum (capirona), Acacia macracantha (huarango) a andský Polylepis spp (queuña). Studie provedená peruánskou vládou v roce 2006 se zabývala známými dřevinami peruánské Amazonie a provedla průzkum domácího i zahraničního trhu se surovým 24
dřívím. Tab. 3 znázorňuje dřeviny, které se na trzích obchodují. Uvedené latinské a vernakulární názvy se přesně neshodují s druhy determinovanými při terénních prací předložené studie, z důvodu nejednoznačnosti vernakulárních názvů a zejména jejich odlišnosti mezi regiony. Autor Dancé Caballero (2006) také použil více klasifikačních systémů a některé starší latinské názvy.
25
Tab. 3 Druhy dřevin obchodované na trhu dříví v roce 2006. Zdroj: Dancé Caballero (2006).
Vernakulární název
Latinský název
Poptávka na trhu místním
zahraničním
Azúcar huayo
Hymenaea oblongifolia
Cachimbo
Carinaria sp.
X
X
Capirona
Callycophylum spruceanum
X
X
Catahua
Hura crepitans
X
X
Copaiba
Copaifera reticulata
X
X
Copal
Protium sp.
X
Cumala
Virola sp., Iryanthera sp.
X
X
Estoraque
Myroxylon balsamum
X
X
Huayruro
Myroxylon sp., Ormosia sp.
X
X
Ishpingo
Amburana cearensis
X
X
Lagarto caspi
Calophyllum brasilense
X
X
Lupuna
Ceiba pentandra
X
X
Machimango, Misa
Eschweilera sp.
X
Marupa
Simarouba amara
Mashonaste
Clarisia sp.
X
X
Moena
Ocotea sp., Nectandra sp., Aniba sp.
X
X
Moena amarilla
Nectandra longifolia
X
X
Oje renaco, Loro micuna
Ficus sp.
Papelillo
Calyptranthes sp.
Pali sangre
Brosimum rubescens
Pashaco
Parkia sp., Acacia sp.
X
Quillobordón
Aspidosperma vargasii
X
Quina quina
Micropholis guyanensis, Eugenia sp.
X
Quinilla
Manilkara bidentata
X
X
Requia
Guarea guidonia, Guarea kunthiana
X
X
Sapote, Sapotillo,
Quararibea cordata, Matisia
X
X
Sacha sapote,
cordata, Matisia sp.
Shihuahuaco
Dipteryx alata
X
X
Tahuarí
Tabebuia serratifolia, Tabebuia sp.
X
X
X
X
X X X
26
X
3.3 Charakteristika zájmové oblasti Terénní část studie byla realizována na ploše 200 ha zapojeného tropického deštného lesa v regionu Loreto, v okrese Nauta, přibližně 8 km severozápadně od města Nauta v nadmořské výšce mezi 125 až 155 m n. m.
Obr. 11 Lokalizace zájmovéhého území a jeho pozice v koncesi IMAZA.
3.3.1 Klima Podle klimatických charakteristik oblasti lze jednoznačně konstatovat, že v ní panuje typické rovníkové klima (Gautier a Spichiger, 1986). Amazonské klima, coby kontrast oproti velké rozmanitosti ekosystémů v celém povodí, působí relativně uniformním dojmem a v rozlehlých nížinných oblastech vykazuje pouze nepatrnou regionální variabilitu (Pavliš, 1998). Nejkomplexnější klimatická data v oblasti pochází z meteorologické stanice umístěné ve výzkumném centru Jenaro Herrera, ležícím přibližně 48 km jižně od lokality terénního šetření. Během 22 let sledování (1972–1994) byl zaregistrován průměrný roční úhrn srážek 2 730 mm. Nejdeštivější období, kdy měsíční úhrny přesahují 200 mm, je mezi říjnem a květnem. Nejnižší měsíční srážkové úhrny jsou zaznamenávány mezi červnem a zářím, klesající k minimům okolo 160 mm (Zumaeta, 27
2009). Průměrná roční teplota je zde 26,4 °C s rozptylem 2 °C mezi jednotlivými roky. Průměrné měsíční teploty kolísají od 21,1 °C do 32,6 °C. Nejvyšší teploty, dosahující v extrému 37,6 °C, mohou nastat v lednu, únoru, březnu, srpnu či září. Roční minima, klesající v extrému až k 11,4 °C, nastávají téměř vždy v červnu, někdy však i v červenci, v srpnu a v září (Spichiger et al., 1989). Průměrná roční délka slunečního svitu ze zmíněného období činí 1652 hodin. Její hodnoty kolísají mezi 1 500 h (roky 1974 a 1977) a 1 876 h (rok 1983). Průměrná měsíční délka slunečního svitu se pohybuje od 100 h v lednu a v březnu po 170 h v srpnu a v září. Zaznamenané extrémní hodnoty měsíční délky slunečního svitu jsou 56,2 h v březnu roku 1979 a 217,4 h v červenci roku 1983 (Zumaeta, 2009). Klima oblasti a jeho změny v průběhu roku charakterizuje krátké, poměrně suché období od června do září, které je v některých letech výraznější než v jiných. Toto období je charakteristické nižšími teplotami kvůli proudění chladného vzduchu z jihu. Po zbytek roku je klima vlhčí, mírně teplejší a s méně slunečnými dny. Některé roky se však objevuje druhé suché období, většinou mezi prosincem a březnem. Marmillod (1982) zařazuje území na hranici zóny subklimatu západní Amazonie, která má dvě krátká suchá období. Dále na východ se nachází klimatická zóna centrální Amazonie (subklima Manaus), která se vyznačuje pouze jedním sušším obdobím. Právě tato suchá období v jinak poměrně uniformním klimatu určují limity prosperity mnohých druhů vegetace. Jak potvrdil již např. Holdridge (1987), v humidních oblastech je daleko významnějším ekologickým faktorem počet dní sucha (méně srážek než potenciální evapotranspirace), než celkový roční úhrn srážek.
3.3.2 Hydrologie Oblast, ležící v nadmořské výšce okolo 140 m n. m., se dá v širším měřítku považovat za aluviální nížinu. Je vzdálená 8 km od řeky Maraňon a 18 km od jejího soutoku s dalším veletokem, řekou Ucayali. Od jejich soutoku níže po proudu se již tento největší tok světa nazývá Amazonka. Území, na kterém bylo provedeno terénní šetření, je protkáno systémem potoků a říček, které jsou téměř nepřetržitě syceny častými tropickými dešti. Tyto drobné toky s pomalu proudící vodou se stékají do větších říček a jejich voda je odváděna do řeky Maraňon. Podle vlivu záplav je možno rozdělit Amazonskou nížinu do třech ekologických zón, Terra firme (Altura), Varzea a Igapó. 28
Zájmové území spadá do zóny Terra firme, ve které nedochází na rozdíl od dalších dvou zón ani k sezonnímu zaplavování (De Jong, 1995).
3.3.3 Půdy Golley (1983) popisuje půdní typy převažující v TDL jako oxisoly a ultisoly (někdy souborně označované jako latosoly), na zamokřených půdách pak glejosoly a organosoly s výrazně okrovou, oranžovou nebo červenou barvou půdního profilu. V půdách proběhlo významné rozložení primárních minerálů a syntéza druhotných jílových minerálů typu kaolinitu. V tropických podmínkách s celoročními vysokými teplotami, téměř nepřetržitým zavlhčením a při vysoké aciditě půd, probíhají zvětrávací procesy velmi rychle. Němeček et al. (1990) popisují půdy TDL jako většinou velmi staré, o čemž svědčí jejich hloubka (nezřídka několik desítek metrů) a pokročilý stupeň feralitizace a lateritizace (Obr. 12). Těmito procesy je z půdy vyluhována kyselina křemičitá a v půdním profilu převládnou oxidy železa, oxidy hliníku a půdní jílový minerál kaolinit. Dostatečná zásoba živin se nachází jen v povrchové vrstvě.
Obr. 12 Hluboká lateritizovaná půda v oblasti Nauta. Foto: IIAP (2005).
29
Geologická mapa oblasti (IIAP a PAAN, 2005) uvádí, že studované území leží na pleistocenní formaci Nauta. Jedná se o čtvrtohorní sedimentační podloží na nižších a středních říčních terasách vzniklých kontinentální sedimentací materiálu přinášeného z andského pohoří. Podle některých autorů jsou půdy v západní Amazonii úrodnější než v její centrální části. Díky blízkosti pohoří And, odkud pochází jejich minerální složky, jsou tyto půdy mladší a jejich složení je obecně pro růst vegetace příznivější (Spichiger et al., 1989). Většina studované oblasti ležící na zvlněné střední terase má relativně dobře drénované písčito-hlinité půdy sedimentačního původu lateritického typu, s vysokým obsahem železa. Podle klasifikačního systému FAO/UNESCO se jedná o kambisoly, výrazná nasycenost sorpčního komplexu určuje subtyp kambizem dystrická (dystric cambisol) (IIAP a PAAN, 2005).
3.3.4 Lesní typ Podle Holdridge (1987) jsou vegetační formace téměř celého území regionu Loreto klasifikovány jako tropický deštný les. Většinu území regionu porůstá nížinný TDL (v Peru označován jako Selva baja). Lesy na území realizace terénního výzkumu značí známky primárního TDL. Nicméně jsou ve studované oblasti patrné stopy po předchozí selektivní těžbě, provedené pravděpodobně z komerčních důvodů v případě cenných dřevin (Swietenia macrophylla a Cedrela odorata) a pro palivové a stavební dříví, v případě okrajových částí území nedaleko silnice Iquitos–Nauta. Les roste na poměrně pravidelně zvlněném terénu s výškovými rozdíly mezi dolinami a kopci dosahujícími hodnot dvou až tří desítek metrů. Topografie zde pravděpodobně ovlivňuje bonitu stanoviště, u jedinců nacházejících se v dolinách a nižších částech svahů se projevuje bujnější růst, pravděpodobně díky příznivějším edafickým podmínkám. Podle mapy lesů Peru (INRENA, 1996) odpovídají tyto lesy vlhkým lesům na nízkých kopcích, nacházejícím se na středních říčních terasách (španělsky terrazas medias). Ekologická zonace regionu (IIAP a PAAN, 2005) klasifikuje tyto porosty jako lesy na nízkých mírně členěných kopcích. Většina rozlohy studovaného území leží na mírných
30
svazích o sklonu 0 až 18 %. Sklon svahů vyšších částí některých kopců je mezi 18 a 48 % (Zúñiga, 2012).
3.4 Inventarizace lesů Proces inventarizace lesa se dá popsat jako systematický sběr informací o lesním porostu a jejich následná analýza. Prvotním cílem inventarizace lesa je podat údaje o stavu lesního porostu, ať už z hlediska ekologie lesa, nebo z hlediska jeho hospodářské využitelnosti. Výsledky inventarizací se užívají jak k plánování lesního hospodaření, tak k výzkumu lesních ekosystémů. Mají stěžejní význam pro tvorbu plánů a strategií v trvale udržitelném hospodaření v lesích, zjišťují druhové složení, zdravotní stav lesa, porostní zásoby a popisují řadu dalších parametrů, které charakterizují plnění produkčních i mimoprodukčních funkcí lesa. První inventarizace lesů se prováděly v Evropě již ve 14. a 15. století při rozvoji hornictví a hutnictví (Vašíček et al., 2007). Nejstarší inventarizace popisuje společně s principy udržitelného hospodaření s lesy důlní ekonom Hans Carl von Carlowitz, ve svém díle Sylvicultura oeconomica z roku 1713 (Kleinn, 2011). První zevrubný pokus odhadnout množství a stav lesních zdrojů světa provedli Dr. Raphael Zon a William A. Sparhawk ze Spojených států amerických ihned po první světové válce. Výsledky jejich snahy byly publikovány v roce 1922 a sloužily jako uznávaný zdroj informací o světových lesích během celého meziválečného období. První poválečná globální inventarizace lesů byla provedena v roce 1947, krátce po založení divize lesnictví a lesních produktů při FAO (FAO, 1948). Tato inventarizace klasifikovala zjištěné lesy podle typu (jehličnaté a listnaté), podle jejich využití (produkční a bez prvotního důrazu na produkci) a podle vlastnictví. Dále popsala porostní zásoby, roční přírůsty a těžební úhrny. Podle Malleuxe (1982) se v prvé řadě dělí inventarizace na dva typy. Prvním jsou inventarizace všech jedinců určité populace na zvoleném území, tedy inventarizace celého zájmového souboru, nazývané censy. Druhým typem jsou inventarizace, při kterých se zjišťování informací v terénu provádí pouze na reprezentativních vzorcích populace, tzv. výběrových souborech. Na základě informací získaných ze vzorků zvolených náhodným či systematickým výběrem se pomocí statistických metod 31
provádějí odhady parametrů, pomocí nichž se následně charakterizuje celý zájmový soubor. Podle Higginse a Ruokolainena (2004) jsou inventarizace lesů rozhodujícím nástrojem pro plánování a management ochrany suchozemských ekosystémů. Údaje získané jejich provedením nás obeznamují s aktuálním stavem lesního porostu a napomáhají předvídat situaci v budoucnu, což je zásadní pro volbu správné strategie zacházení s porostem. V regionálním měřítku jsou inventarizace nezbytné pro tvorbu vegetačních map, které jsou základem pro management a ochranu lesů a krajiny. V kontinentálním měřítku umožňují inventarizace a vegetační mapy definovat velkoplošné správní a plánovací jednotky, ekoregiony, v rámci kterých je díky podobným ekosystémovým vlastnostem možné provádět plánování hospodaření a ochrany (Olson et al., 2001). V managementu lesních porostů řídícím se zásadami trvale udržitelného hospodaření hrají inventarizace důležitou roli pro tvorbu rámcových plánů hospodaření i pro samotné těžební a pěstební zásahy.
Umožňují
i kvalitativního
charakterizovat
pohledu.
Popisují
zdroje jejich
lesních
porostů
druhovou
skladbu
z kvantitativního i zdravotní
stav,
u jednotlivých stromů charakterizují jejich stavbu, formu kmene, výšku koruny apod. Z kvantitativního hlediska vyčíslují množství druhů dřevin na plošnou jednotku, jejich procentuální
zastoupení,
množství
jedinců
jednotlivých
druhů.
Pomocí
dendrometrických charakteristik popisují inventarizace výšky stromů, výšky nasazení koruny, výčetní tloušťky. Na základě těchto charakteristik se poté vypočítává kruhová základna a zásoba na jednotku plochy. V lesním hospodářství jsou dnes inventarizace běžným nástrojem a zdrojem informací pro jeho plánování. V mnoha státech jsou údaje o lesních zdrojích zjišťovány pomocí národních inventarizací lesů, jejichž úkolem je stanovit a pravidelně aktualizovat stav, množství a majetkovou strukturu lesních zdrojů daného státu. Jejich výsledky většinou popisují objem, kvalitu a přírůsty porostních zásob. Národní inventarizace lesů jsou kvůli svému rozsahu založeny na terénním měření výběrových souborů. Přesnost následného odhadu, tj. přenesení zjištěných charakteristik na celou zájmovou oblast, je zatížena chybami, které narůstají s rozlohou této oblasti. Koncem dvacátého století byly vyvinuty metody, které tyto chyby snižují. Jde zejména o vícezdrojové inventarizace, které výsledky terénního šetření na zkusných plochách kombinují s využitím map vegetačního pokryvu vytvořených pomocí leteckých či satelitních snímků (Tomppo et al., 2008). Při extrapolaci výsledků na známou geografickou doménu se používají tzv. 32
dvoufázové odhady, vycházející z kombinace obou těchto zdrojů informací (Mandallaz, 2008).
3.4.1 Inventarizace lesů v Peru Inventarizace lesů jsou v Peru v případě komerčního lesního hospodaření zákonem předepsaným povinným prostředkem pro tvorbu
ročních operativních
plánů
hospodaření (Zúñiga, 2012). V těchto případech jsou realizovány censy populací vzrostlých stromů na parcelách, které jsou ročním operativním plánem určeny k selektivní těžbě (Parcela de Corta Anual). Pro realizaci censů jsou předepsané charakteristiky stromů a porostů, které je nutno popsat. Podle Malleuxe (1982) zaznamenává census všechny jedince populace, jejich pozice a jejich parametry. WWF Peru (2006) charakterizuje census lesa jako inventarizaci všech jedinců komerčně využitelných
druhů,
zaznamenání
jejich
pozice,
taxonomickou
determinaci
a dendrometrickou charakteristiku včetně výpočtu porostní zásoby. Výsledky censů slouží nejen pro tvorbu plánů hospodaření, ale také jako podklad pro následný monitoring činnosti. V případě, že jsou censy prováděny opakovaně, umožňují evaluaci lesnických zásahů a výpočet porostní produkce v čase. Mimo tyto inventarizace realizované v lesnických koncesích začaly v březnu roku 2013 ve spolupráci s FAO a s finskou vládou práce na první celoplošné národní inventarizaci lesů Peru. Podle plánů by měla trvat 5 let (Vláda Peruánské republiky, 2013) a slibuje se od ní zlepšení hospodaření s lesními zdroji směrem k trvalé udržitelnosti v kontextu ekologickém, ekonomickém i sociálním.
33
4. Materiál a metody 4.1 Lokalita terénního výzkumu Zkoumané území o ploše 200 ha leží v jihovýchodní části lesnické koncese IMAZA (Industria Maderera Zapote) určené ke komerční těžbě dříví, jejíž celková rozloha činí 47 579 ha. Inventarizovaná plocha je ve tvaru obdélníku s rozměry 1 000 x 2 000 m, její delší strany mají severojižní orientaci. Počátečním bodem inventarizované plochy byl určen její JV roh, což je bod s UTM souřadnicemi 651985 m E a 9508146 m N, zóna 18M.
Obr. 13 Satelitní snímek homogenního porostu TDL přímo v místě realizace studie, 8 km od města Nauta. Zdroj: google.com.
34
4.2 Tradiční metoda inventarizace naplno 4.2.1 Práce v terénu Na terénní části inventarizace provedené v roce 2007, která trvala 12 dní, se podílel peruánský tým o 14 osobách najatý koncesionářem, vedený lesním inženýrem. Složení týmu, rozděleného do dvou skupin zobrazuje Tab. 4). Při terénních pracích byly použity následující přístroje a materiál: GPS Garmin, dva kompasy Sunnto, tři 25m pásma, dřevěné průměrky, plastové štítky na označení stromů, papírové terénní zápisníky pro zápis veškerých dat a mačety pro zlepšení průchodnosti terénu.
Tab. 4 Počet osob zúčastněných na terénních pracích.
Personál
Census
Census
2007
2008
Vedoucí brigády
1
1
Mačetista
4
5
Obsluha výtyčky
2
2
Obsluha kompasu
1
0
Vedoucí měření
2
1
Dendrolog
1
2
Zdravotní sestra
1
1
Kuchař
1
1
Logista
1
1
Celkem
14
14
Počátečnímu bodu inventarizované plochy byly dány souřadnice x, y, pomocné souřadnicové soustavy s hodnotami 0, 0. Plocha byla rozdělena na 10 pásových subploch o rozměrech 2 000 x 100 m. Po středové linii každé subplochy byla mačetami zprůchodněna stezka, po níž postupovala inventarizační brigáda od jihu k severu a mapovala tento pás. Od severu k jihu se vracela středem sousedního pásu, každá 100 m široká subplocha byla tedy zmapována zvlášť. Navigace z důvodu nemožnosti použít GPS pod hustým stromovým porostem probíhala pomocí měření vzdáleností pásmem a odečítání azimutu z kompasu. Pozice všech stromů s výčetní tloušťkou ≥ 400 mm byly zaměřeny obdobným způsobem a vzhledem k počátečnímu bodu jim byly dány souřadnice x, y. U všech těchto stromů byly ve výšce 1,3 m změřeny výčetní 35
tloušťky dřevěnou průměrkou, odhadnuty celkové výšky a výšky nasazení koruny. Limitní výčetní tloušťky vychází z hodnot stanovených peruánským lesním zákonem pro většinu komerčně využívaných druhů, coby minimální výčetní tloušťky jedinců dozrálých do komerční velikosti. U většiny druhů určených k těžbě je to 400 mm. Při provádění měření byly zaznamenány vernakulární názvy dřevin, zdravotní stav stromů a přítomnost generativních orgánů. Dřeviny byly identifikovány místním specialistou přímo v terénu v průběhu měření podle vizuálních, čichových a chuťových znaků různých částí orgánů stromů.
Obr. 14 Apuleia leiocarpa (ana caspi) na studované ploše. Foto: Carla Zúñiga (2008).
36
4.2.2 Zpracování dat Informace z terénních zápisníků byly digitalizovány přepisem na PC do programu MS Excel a data byla zpracována v programu ArcView 3.2. Kruhová základna
byla
vypočítána jako: ,
kde je polovina výčetní tloušťky. Objem kmene
byl vypočítán podle vzorce:
,
kde
je kruhová základna v m²,
je výška nasazení koruny v metrech,
je v regionu
používaný koeficient tvaru kmene s konstantní hodnotou 0,65. Z celkové zásoby dříví na ploše se spočítala průměrná hektarová kruhová základna a průměrná hektarová zásoba dříví.
4.3 Metoda inventarizace s užitím technologie Field-Map 4.3.1 Práce v terénu Druhý census na stejné ploše provedla v roce 2008 soukromá peruánská firma Map GeoSolutions za účasti pracovníků limské UNALM s podporou odborníků z Ústavu pro výzkum lesních ekosystémů, s.r.o. (IFER) a Mendelovy univerzity v Brně. Stejně jako v roce 2007 vykonávaly terénní práce dvě pracovní skupiny o celkovém počtu 14 osob (Tab. 4), terénní práce však byly vykonány za pouhých sedm dní. Ke sběru dat byla použita sada měřících přístrojů propojená s terénním počítačem (PDA) vybaveným softwarem Field-Map Data Collector, vyvinutým IFER. Field-Map je obecným nástrojem pro získávání údajů o stromech a porostech v terénu, osvědčil se v řadě projektů nejen v České Republice, ale i v zahraničí (Vašíček et al., 2007). Dále byly použity následující přístroje a materiál: terénní počítač (PDA) RECOM Trimble, laserový dálkoměr Impulse 200 Standard, elektronická buzola Mapstar Module II. Měřící sada byla propojena a upevněna na nosném monopodu. Dále byla použita jednotka GPS Trimble, teleskopická tyč s odrazkou, dřevěné průměrky a mačety. Použití podobné měřící sady pro inventarizace TDL popsali Hédl et al. (2009) ve studii dynamiky nížinného lesa v Bruneji. 37
Tab. 5 Srovnání základních charakteristik, parametrů a vybavení u obou realizovaných censů.
Census 2007
Census 2008
Inventarizovaná plocha
200 ha
200 ha
Rozměry subploch
2 000 x 1 000 m
2 000 x 1 000 m
Počet subploch
10
10
Personál
14 osob / 2 pracovní skupiny
14 osob / 2 pracovní skupiny
Předcházející školení
ne
3 dny
Celková doba práce
34 dnů
25 dnů
Způsob zápisu dat
terénní zápisník
elektronický formulář v PDA
Navigace v terénu
kompas a pásmo
elektronická buzola a laserový dálkoměr
Hodnocená populace
všichni jedinci s výčetní tloušťkou
všichni jedinci s výčetní tloušťkou
≥ 400 mm
≥ 400 mm
průměrky
průměrky
Způsob měření výšek
odhad
laserový dálkoměr
Způsob měření pozic
kompas a pásmo
elektronická buzola a laserový
Způsob měření výčetních tlouštěk
dálkoměr s polohovým sensorem Zpracování dat
Tvorba map
přepis a zpracování v programech
přímý export a zpracování
MS Excel, a ArcView 3.2.
v programech MS Excel a MS Access
převod digitalizovaných dat do
přímý export v podobě shape files do
GIS programu ArcView 3.2
programu ArcGIS 9.2, PostGIS 2.1.
Stejně jako u censu realizovaného v roce 2007, byla plocha rozdělena na 10 pásových subploch o rozměrech 2 000 x 100 m a počátečnímu bodu v jihovýchodním rohu plochy byly přiřazeny souřadnice x, y, z, s hodnotami 0, 0, 0. Vlastnímu měření na inventarizační ploše předcházelo zjištění geografické polohy v terénu pomocí GPS a následná navigace na počáteční bod subplochy. Po středové linii každé pásové subplochy byla mačetami zprůchodněna stezka, z níž byly zaznamenávány stromy do vzdálenosti 50 m po každé straně této stezky. Navigace na ploše se prováděla pomocí elektronických měřících přístrojů. Vzdálenosti se měřily laserovým dálkoměrem, horizontální úhly elektronickou buzolou a vertikální úhly zaznamenával polohový senzor vestavěný v laserovém dálkoměru. Pozice všech stromů s výčetní tloušťkou ≥ 400 mm byly zaměřeny s použitím měřící sady, která jim přiřadila lokální souřadnice 38
x, y, z, vzhledem k počátečnímu bodu. Tyto body se ihned zobrazily v předdefinované mapě plochy na displeji PDA. Výšky stromů a výšky nasazení koruny byly změřeny laserovým
dálkoměrem
a společně
s dalšími
charakteristikami,
konkrétně
identifikačním číslem, výčetní tloušťkou ve výšce 1,3 m a vernakulárním názvem dřeviny, byly přiřazeny k příslušným stromům do databáze v PDA. Popisné údaje hodnoticí zdravotní stav a zmiňující přítomnost generativních orgánů se vkládaly do počítače rovněž přímo v terénu. Dřeviny byly identifikovány dvěma místními specialisty z IIAP Iquitos za asistence dendrologa z UNALM přímo v terénu. Byly sbírány vzorky rostlinného materiálu, s jejichž pomocí se následně vernakulární názvy převáděly do vědeckých názvů druhů či rodů.
Obr. 15 Měření výčetních tlouštěk a vkládání dat do PDA. Foto: autor (2008).
Po zmapování všech stromů viditelných z jednoho stanoviště byla změněna pozice měřící sady za použití dvou referenčních bodů. Nejdříve se zaznamenala vzdálenost a azimut k oběma referenčním bodům z původní pozice; poté se měřící sada přemístila na následnou, z hlediska výhledu vhodnou pozici, ze které se opět změřila vzdálenost a azimut k referenčním bodům, čímž se automaticky určily souřadnice nové pozice. Tento systém referenčních bodů umožnil navigaci po celé ploše bez ztráty souřadnic aktuální pozice a orientaci v prostoru s přesností v řádu metrů.
39
Po ukončení vlastního sběru dat na každé subploše byla provedena softwarová kontrola úplnosti měření. Kromě stromů byla na celé 200ha ploše bodově zaměřena také hydrografická síť.
Obr. 16 Využití měřící sady pro zaměřování referenčních bodů za účelem udržení souřadnic při pohybu na inventarizované ploše. Foto: Jorge Mattos (2008).
4.3.2 Zpracování dat Informace z měření v terénu byly zpracovávány pomocí softwaru Field-Map Project Manager, dále byly přímo vyexportovány v podobě tabulek MS Excel a jako shape files, které byly zpracovány v ArcGIS 9.2. Díky souřadnicím všech zaměřených bodů byla vytvořena terénní mapa území s aproximovaným reliéfem a s hydrografickou sítí. V ní byly znázorněny pozice všech mapovaných stromů s příslušnými atributy. Dendrometrické charakteristiky jako kruhová základna, objem kmene a zásoba, se počítaly stejně jako v případě zpracování dat z předchozí inventarizace. Fotografie a sesbíraný rostlinný materiál sloužily k převedení vernakulárních názvů do názvů latinských. To bylo provedeno s pomocí odborníků z UNALM s užitím biodiverzitního informačního systému Atrium (http://atrium.andesamazon.org), online encyklopedie Encyclopedy of Life (www.eol.org) a následujících publikací: Reynel et al. (2003), Rutter, R. (1990), Barreto a Alván Ruiz (2010), Spichiger et al. (1989), Castillo (2010), Dancé Caballero (2006), Brack (1999), Malleux (1974). 40
Obr. 17 Vizualizace plochy censu 2008 se zaměřenými stromy a aproximovanou sítí vrstevnic.
4.4 Metoda distance sampling Distance sampling je metoda pro výpočet hustoty populace či množství jejich jedinců, široce rozšířená a používaná zejména v ekologických a biodiverzitních studiích (Marques et al., 2011). Výpočet je založen na přesném změření vzdálenosti detekovaných jedinců od bodu či linie (Buckland et al., 2001). Tato metoda, používaná při sčítání živočišných i rostlinných populací, zohledňuje skutečnost, že počet zaznamenaných jedinců klesá s rostoucí vzdáleností od sčitatele. Tento přístup je nejvhodnější používat pro zpracování dat sesbíraných z bodových stanovišť či z liniových transektů. Jedinci jsou sčítáni do vzdálenosti dohledu či doslechu, nebo do maximální vzdálenosti, kterou v daných podmínkách umožňuje vyhodnotit měřící technika. Změřené vzdálenosti následně slouží k výpočtu početnosti jedinců na studované ploše za použití softwarového zpracování dat. Značnou roli při provádění této metody hraje velikost jedinců a jejich stanoviště. Její podstatou je, že počítá i s jedinci, kteří pravděpodobně byli nebo jsou na inventarizované ploše přítomni, ale nebyli při sčítání zaznamenáni. Z prostorového rozložení stromů zmapovaných při censu v roce 2008 je patrné, že mapování pásových subploch o šířce 100 m (50 m na každou stranu od středové linie subplochy, tj. trasy sčitatele) není pro inventarizaci „naplno“ v podmínkách amazonského TDL vhodné. Špatná průhlednost porostu a zvlněný terén nedovoluje plnohodnotné zmapování stromů v celé šíři těchto pásů. Výsledky censu ukazují, že zatímco ve vzdálenostech do 30 m od středové linie subplochy byla hustota zaměřených 41
stromů přibližně stejná, s dále rostoucí vzdáleností začala rapidně klesat. Vypracovaný histogram četností stromů v 10 m širokých pásech se stejnou vzdáleností od středových linií subploch jasně ukazuje, že při terénních pracích došlo k přehlédnutí mnoha stromů vzdálenějších od středových linií jednotlivých subploch, tedy tras inventarizační brigády o celkové součtové délce 20 000 m (Obr. 19). Proto byla na výsledky censu aplikována metoda distance sampling, užívající algoritmus vedoucí k odhadu množství těchto přehlédnutých stromů. Mapa inventarizovaného porostu byla rozdělena na severojižně orientované pásy o šířce 10 m a délce 2 000 m, četnosti zaměřených stromů v těchto pásech zobrazuje první graf na Obr. 18. Tyto pásy byly seřazeny podle vzdálenosti od středových linií subploch a rozděleny tímto do pěti skupin s hodnotami vzdálenosti 0–10, 10–20, 20–30, 30–40, a 40–50 m. Četnosti stromů v těchto skupinách zobrazuje první histogram na Obr. 19. Podle algoritmu (Fiske et al., 2013; příloha I.II) byl vypočten předpokládaný průměrný počet stromů na jednotku plochy. Příslušné množství jedinců chybějící k dosažení této hustoty bylo dopočítáno pro každou skupinu 10m pásů se stejnou vzdáleností od středové linie subplochy (druhý histogram Obr. 19). Z důvodu nadprůměrné hustoty stromů v některých pásech byla dopočtená množství snížena tak, aby celkový počet zaměřených a dosazených jedinců odpovídal vypočtené plošné hustotě. Vygenerované stromy byly následně dosazeny do mapy s náhodnou pozicí v rámci příslušných skupin pásů stejně vzdálených od středové linie.
42
Obr. 18 Výsledky použití metody distance sampling, zobrazující počty stromů v 10 m širokých pásech podle vzdálenosti na ose X od bodu počátku inventarizace. Stromy zaměřené, stromy vypočtené a jejich součty.
Obr. 19 Součty četností zmapovaných stromů podle vzdálenosti od středových linií subploch. Stromy zaměřené, stromy vypočtené metodou distance sampling a jejich součty.
43
4.5 Simulace zkusných inventarizačních ploch 4.5.1 Simulace jednoduchých kruhových inventarizačních ploch do mapy s pozicemi stromů Jako základ pro provedení simulací zkusných kruhových ploch sloužila mapa 200ha inventarizované plochy, do níž byly zaneseny body značící pozice stromů zmapovaných v terénu při censu 2008 a body značící pozice stromů dopočtených pomocí metody distance sampling a v patřičném množství dosazených do jednotlivých skupin 10 m širokých a 2 km dlouhých pruhů (Obr. 41). V „open source“ programu PostGIS 2.1 byla navržena rovnoměrná čtvercová mřížka, tvořící inventarizační síť (příloha II.I.II). Délka bloku
této
mřížky
byla
stanovena
podle
navrženého
rozestupu
kruhových
inventarizačních ploch v terénu v pravidelné čtvercové síti. Bylo vytvořeno pět verzí mřížky o velikosti strany bloku 200, 250, 300, 350 a 400 m. Dále bylo podle zkušeností z terénu (zejména dohled uvnitř porostu a možnost použití laserového dálkoměru) navrženo pět různých velikostí kruhových inventarizačních ploch s poloměry 20, 25, 30, 35 a 40 m. Simulace inventarizací byly provedeny tak, že mapa byla proložena sítí, na jejímž každém průsečíku ležícím uvnitř plochy byla středem umístěna kruhová inventarizační plocha (Obr. 20) a podle množství stromů spadajících do všech těchto ploch byla vypočtena hustota stromů na plošnou jednotku.
44
Obr. 20 Mapa pozic stromů se simulovaným proložením kruhovými inventarizačními plochami o poloměru 30 m (měřítko v metrech).
Simulace byla pro každou variantu velikosti kruhové plochy a každou variantu velikosti strany bloku mřížky provedena v počtu 1 000, kdy před každým dalším proložením mapy mřížkou byla mřížka posunuta o vektor směřující z průsečíku do náhodného místa uvnitř bloku mřížky ležícího vlevo dole od počátku (Obr. 21). Poté byl ze všech 1 000 hodnot hektarových počtů stromů vypočten aritmetický průměr a jeho směrodatná odchylka.
Obr. 21 Posun inventarizační mřížky před každým proložením mapy proběhl o vektor směřující do náhodného místa v rámci jednoho bloku mřížky.
45
Směrodatná odchylka je mírou statistického rozptylu, jedná se o kvadratický průměr odchylek hodnot od jejich aritmetického průměru. U souboru s normálním rozložením platí pravidlo 68–95–99,7. To udává, že hodnota se od aritmetického průměru bude lišit maximálně o jednu směrodatnou odchylku s pravděpodobností 68 %, maximálně o dvě směrodatné odchylky s pravděpodobností 95 % a maximálně o tři směrodatné odchylky s pravděpodobností 99,7 %. Simulace byly v počtu 1 000 provedeny v pěti verzích velikosti kruhových ploch pro pět různých velikostí mřížky, čímž bylo dosaženo 25 variant výsledků simulovaných inventarizací s různými parametry.
4.5.2 Simulace jednoduchých kruhových inventarizačních ploch do mapy lokálních hustot nesoucí hodnoty hektarové kruhové základny V mapě inventarizované plochy byly kolem bodů znázorňujících pozice stromů vytvořeny kruhové zóny zahrnutí, odpovídající velikosti navržené zkusné plochy. Zóny zahrnutí nesou hodnoty hektarové kruhové základny
, vypočtené pro každý strom
vztahem
Kde
je polovina výčetní tloušťky stromu v metrech a
je plocha jeho kruhové zóny
zahrnutí v hektarech. Bylo navrženo 11 velikostí kruhových inventarizačních ploch s poloměry 20, 22, 24, 26, 28, 30, 32, 34, 36, 38 a 40 m. Zanesením zón zahrnutí o těchto velikostech vzniklo 11 verzí mapy lokálních hustot. Simulace zkusných inventarizačních ploch byly provedeny tak, že mapa lokálních hustot byla proložena mřížkou, pro každý průsečík této mřížky v mapě byla zjištěna hodnota hektarové kruhové základny a z údajů odečtených na všech průsečících byl vypočítán aritmetický průměr. Simulace byly provedeny v počtu 6 000, kdy před každým dalším proložením byla mřížka posunuta o vektor směřující z počátku do náhodného místa uvnitř bloku mřížky ležícího vlevo dole od počátku. Z hodnot průměrné hektarové kruhové základny byla z 6 000 proložení vypočtena její střední hodnota a směrodatná odchylka. Každá z verzí mapy lokálních hustot (daných průměrem zvolené kruhové plochy) byla proložena jedenácti verzemi inventarizační mřížky, tj. čtvercové sítě o velikosti strany bloku 200 m, 220 m, 240 m, 260 m, 280 m, 300 m, 320 m, 340 m, 360 m, 380 m
46
a 400 m. Tím bylo dosaženo výsledků 121 variant simulovaných inventarizací s různými parametry.
Obr. 22 Mapa inventarizované plochy znázorňující hodnoty hektarové kruhové základny. Vizualizace byla vytvořena pomocí 2 000 simulací sítě kruhových ploch o rozestupu 200 m a poloměru 40 m. Kruhové plochy byly obarveny podle lokální hustoty s velkou průhledností. Vizualizace zobrazuje celé spektrum lokálních hustot, neumožňuje však přesně určovat hodnotu lokální hustoty v daném místě (měřítko v metrech).
4.5.3 Simulace inventarizačních ploch o dvou soustředných kruzích do mapy lokálních hustot nesoucí hodnoty hektarové kruhové základny
Návrh simulací vycházel z diskrétní aproximace relaskopické metody použité např. při švýcarské národní inventarizaci lesů SNFI (Mandallaz, 2008), nebo národní inventarizaci lesů České republiky NIL 1 (Vašíček et al., 2007). Touto metodou se optimalizuje jak velikost kruhových inventarizačních ploch, tak volba registračních hranic, tj. určení, minimální zaznamenávané hodnoty charakterizující veličiny, tzv. 47
„tresholdu“. Navrženou zkusnou inventarizační plochu tvoří dva soustředné kruhy, u nichž velikost toho většího byla stanovena podle vhodnosti pro využití v terénu a velikost toho menšího byla dopočítána pomocí algoritmu na výpočet registračních hranic a poměru ploch soustředných kruhů (Mandallaz, 2008; str. 238). Algoritmus je založen na četnostech výčetních tlouštěk mapovaných stromů. Obr. 23 zobrazuje průběh funkce gamma, která svou nejnižší hodnotou indikuje prahovou hodnotu (treshold) výčetní tloušťky na 630 mm.
Obr. 23 Graf průněhu funkce gamma, použité pro výpočet hraniční hodnoty výčetní tloušťky (tresholdu).
Před provedením simulací těchto zkusných inventarizačních ploch byla opět vytvořena mapa lokálních hustot tím, že do mapy s body označujícími pozice stromů byly zaneseny kruhové zóny zahrnutí s hodnotami hektarové kruhové základny. Kolem pozic stromů s výčetní tloušťkou menší než hodnota tresholdu byly vytvořeny kruhové zóny zahrnutí o velikosti menšího ze soustředných kruhů a kolem pozic stromů s výčetní tloušťkou ≥ hodnotě tresholdu byly vytvořeny kruhové zóny zahrnutí o velikosti většího ze soustředných kruhů (Obr. 24).
48
Obr. 24 Výřez mapy lokálních hustot kolem pozic všech stromů. Každý kruh nese hodnotu hektarové kruhové základny (měřítko v metrech).
Použití kruhových zón zahrnutí odpovídá faktu, že při reálné terénní inventarizaci by se na inventarizační ploše s menším poloměrem zaznamenávaly stromy s výčetní tloušťkou 400 mm a více, na zbylé části plochy s větším poloměrem, tj. mezikruží obou ploch, pouze stromy s výčetní tloušťkou ≥ hodnotě tresholdu. Simulace zkusných inventarizačních ploch byly provedeny proložením mapy mřížkou, odečtením hodnoty hektarové kruhové základny
pro každý průsečík
mřížky a výpočtem jejího
aritmetického průměru. Simulace byly provedeny v počtu 6 000, kdy před každým dalším proložením byla mřížka posunuta o vektor směřující z počátku do náhodného místa uvnitř bloku mřížky ležícího vlevo dole od počátku. Z hodnot průměrné hektarové kruhové základny každé simulace byl vypočten aritmetický průměr a směrodatná odchylka. Bylo vytvořeno 11 verzí mapy se zónami zahrnutí nesoucími hodnoty hektarové kruhové základny. Velikosti poloměrů větších a k nim dopočtených menších soustředných kruhů v metrech zobrazuje Tab. 9.
49
Tab. 6 Velikosti poloměrů ploch o dvou soustředných kruzích.
r1
20
22
24
26
28
30
32
34
36
38
40
r1
12,34 13,57 14,80 16,04 17,27 18,51 19,74 20,97 22,21 23,44 24,67
Každá z jedenácti verzí mapy lokálních hustot byla proložena jedenácti verzemi mřížky o velikosti bloku 200, 220, 240, 260, 280, 300, 320, 340, 360, 380 a 400 m. Bylo tedy simulováno 121 variant inventarizací.
4.5.4 Simulace transektů do mapy lokálních hustot nesoucí hodnoty hektarové kruhové základny Stejně jako při simulacích kruhových zkusných ploch sloužila jako základ pro simulace transektů mapa lokálních hustot nesoucí hodnoty hektarové kruhové základny. Ta byla vytvořena z mapy 200ha inventarizované plochy nesoucí pozice stromů zmapovaných při censu 2008 a pozice stromů vygenerovaných a pomocí metody distance sampling. Byly navrženy severojižně orientované pásové zkusné plochy o délce 2 000 m. Podle zkušeností z terénních prací (byl uvažován postup po středové linii pásu) jim byly přiděleny šířky o hodnotách 32, 36, 40, 44, 48, 52 a 56 m. Všech těchto sedm navržených velikostních variant transektů bylo do mapy náhodně vkládáno v počtu od 2 do 8 ks (Obr. 25), čímž vzniklo 49 variant výsledků simulovaných inventarizací pásových ploch. Pro každou z variant bylo provedeno 6 000 opakovaných proložení, při každém proložení byla zaznamenána kruhová základna stromů spadajících do těchto ploch a byl vypočten její aritmetický průměr. Podle velikosti a množství zkusných ploch byla ze zjištěné kruhové základny vypočtena její průměrná hektarová hodnota a její směrodatná odchylka.
50
Obr. 25 Mapa inventarizované oblasti se dvěma transekty o šířce 56 m (měřítko v metrech).
4.5.5 Časové náklady na simulované inventarizace Výpočet časových nákladů na simulované inventarizace vycházel z reálných časových nákladů na terénní práce realizované v roce 2008. Provedení všech inventarizačních úkonů, jako zaměření pozic stromů, určení druhů, změření a zaznamenání zjišťovaných charakteristik a sběr rostlinného materiálu na jedné inventarizované 20ha subploše, trvalo včetně přesunu měřící techniky pracovní skupině s obvyklým výše popsaným složením průměrně 480 minut. Při průměrném hektarovém počtu stromů 18,24 lze časovou spotřebu v minutách na jeden strom vyjádřit následovně:
S tímto časem bylo počítáno v případě simulovaných pásových ploch, kde charakter terénní práce odpovídá práci vykonané na pásových subplochách při censu 2008. Přesun pracovní skupiny lesním porostem s udržováním pozice pomocí měřící sady za použití
51
sítě referenčních bodů trval bez zaznamenávání stromů průměrně 65 minut na 1 000 m. Časová spotřeba při simulacích transektů v minutách byla tedy vypočítána následovně: (
) je šířka transektu v metrech,
Kde
(
(
)
)
je počet transektů a 27,99 je hodnota průměrného
hektarového počtu stromů po jejich dopočtení a dosazení do mapy pomocí metody distance sampling. Vztah (
) vyjadřuje počet přesunů mezi transekty, hodnoty
1 000 a 2 000 jsou délky stran v metrech. Výpočet časových nákladů na simulované inventarizace s užitím kruhových ploch o jednom kruhu vycházel z počtu ploch a jejich velikostí. Při vyjádření časových nákladů na provedení inventarizačních úkonů se také vyšlo z času na inventarizaci 20ha subplochy. Z tohoto času však byl odečten čas na 2km přesun, protože v rámci kruhové plochy k přesunu nedochází. Časová spotřeba v minutách na jeden strom byla vyjádřena následovně:
Součtová vzdálenost přesunů mezi plochami odpovídá délce bloku mřížky násobené počtem ploch (počtem přesunů mezi nimi). Závislost počtu inventarizačních ploch na zkoumané 200ha ploše na délce strany bloku inventarizační mřížky lze vyjádřit vztahem:
Kde n je počet ploch, mřížky
v metrech
je plocha inventarizovaného území v m², (Obr.
26).
K výpočtu
doby
přesunu
je délka strany bloku mezi
jednotlivými
inventarizačními plochami byl použit časový náklad na přesun s udržováním pozice, 65 minut na 1 000 m. Výpočet časové spotřeby na inventarizace kruhových ploch je tedy následující: (
Kde
)
(
)
je čas na inventarizaci v minutách,
v metrech,
je poloměr kruhové inventarizační plochy
je počet inventarizačních ploch,
52
je délka strany bloku mřížky v metrech.
Výpočet časových nákladů na simulované inventarizace s užitím kruhových ploch o dvou soustředných kruzích vycházel ze stejného vzorce. Byly však navíc odečteny časové náklady na inventarizaci stromů s výčetní tloušťkou menší, než je hodnota tresholdu, ležících v území zahrnutém do většího, ale nezahrnutém do menšího ze soustředných kruhů. Časová spotřeba byla spočtena následovně: (
) ((
Kde
(
)
)
)
je čas na inventarizaci v minutách,
plochy v metrech,
je poloměr větší kruhové inventarizační
je poloměr menší kruhové inventarizační plochy v metrech,
počet inventarizačních ploch,
je
je délka strany bloku mřížky v metrech, 21,155 je
vypočtená hodnota průměrné hektarové hustoty stromů s výčetní tloušťkou mezi 400 a 629 mm včetně.
Obr. 26 Závislost počtu kruhových zkusných ploch na velikosti bloku inventarizační mřížky.
53
5. Výsledky 5.1 Srovnání výsledků provedených censů 5.1.1 Čas a personál Terénní práce při censu 2007 byly provedeny během 13 dní, při censu 2008 během pouhých sedmi dní. Zpracování dat trvalo v roce 2008 o sedm dní méně než v roce 2007. Kvůli náročnější obsluze elektronických přístrojů bylo před realizací censu v roce 2008 nutné provést školení personálu, které trvalo 3 dny. Celková doba realizace včetně zpracování dat a formulování výsledků byla 34 dnů
Počet dnů
u censu 2007 a 25 dnů, tedy o 7 dnů méně, u censu 2008 (Obr. 27).
12 10 8 6 4 2 0
Census 2007
Census 2008
Obr. 27 Srovnání časové spotřeby na inventarizační práce.
5.1.2 Pozice stromů Nepřesnosti v navigaci prováděné pomocí pásem a kompasů způsobily při censu 2007 klikaté zkrácené trasy uprostřed pásových subploch. Vzdálenost 2 000 m nebyla dosažena u žádné z deseti pásových subploch, stejně jako nebyly pásy zmapovány v celé šíři 100 m (Tab. 7). Tyto chyby způsobily, že mnoho stromů odpovídajících inventarizačním kritériím na ploše nebylo zmapováno.
54
Tab. 7 Vyčíslení zmapovaných a opomenutých délek subploch censu 2007.
Číslo
Délka trasy
Chybějící délka
subplochy
(m)
(m)
1
1 226
774
2
1 587
413
3
1 656
344
4
1 687
313
5
1 646
354
6
1 674
326
7
1 713
287
8
1 695
305
9
1 610
390
10
1 656
344
Výsledné pozice stromů zmapovaných při obou censech se výrazně liší. Stromy zaměřené a označené štítkem v roce 2007 byly v roce 2008 dohledány a jejich pozice opět zaneseny do mapy. Rozdíly mezi pozicemi týchž jedinců jsou v řádu jednotek až desítek metrů. Pozice všech stromů zaměřených během obou censů v mapě parcely zobrazuje Obr. 28. Příčiny rozdílů v pozicích stromů jsou popsány v kapitole 6.2.2.
Obr. 28 Pozice stromů zaměřených během obou censů vizualizované v mapě studované plochy.
55
5.1.3 Počet stromů a druhová skladba Na zájmovém území bylo při censu 2007 zmapováno a změřeno 955 stromů odpovídajících inventarizačním kritériím. Bylo určeno 92 taxonů, kterým byly přiřazeny vernakulární názvy. Při censu 2008 bylo zmapováno a změřeno 3 648 jedinců a přímo v terénu bylo určeno 163 taxonů. Celkem 61 jedinců nebylo determinováno. K vernakulárním názvům determinovaných stromů byly na půdě UNALM, s pomocí sesbíraného rostlinného materiálu, fotografií a odborné literatury, přiděleny názvy vědecké. U některých stromů se podařilo identifikovat pouze rod či čeleď. V jiných případech, kdy se jeden vernakulární název používá pro více druhů a tyto druhy nebyly vždy spolehlivě rozlišeny, byly k tomuto názvu přiřazeny dva vědecké názvy druhů. Ve výjimečných případech se došlo k závěru, že dva vernakulární názvy označovaly jeden stejný druh. U pěti taxonů popsaných vernakulárními názvy nebylo možné determinaci a přiřazení latinských názvů provést. Zaznamenané vernakulární názvy, určené vědecké názvy, zařazení do čeledí a počty zaměřených jedinců zobrazuje Tab. 8. Ve výsledcích censu 2007 tvoří 15 nejvíce zastoupených druhů (dle vernakulárních názvů) 61,78 % celkového počtu mapovaných stromů a 73 % celkové zásoby. Pouze čtyři určené druhy svou zásobou přesahují hodnotu 1 m³ . ha -1. Ve výsledcích censu 2008 tvoří 15 nejvíce zastoupených taxonů 56,85 % celkového počtu mapovaných stromů a 61,2 % celkové zásoby. Zásoba přesahující hodnotu 1 m³ . ha-1 byla zjištěna u devíti taxonů. Dvacet pět druhů bylo zastoupeno pouze jedním jedincem v censu 2007, přičemž v censu 2008 to bylo 38 taxonů.
Tab. 8 Přehled taxonů zmapovaných při censu 2008, počet jedinců a jejich procentuální zastoupení.
Vernakulární název Acero caspi Achiote caspi Achotillo Aguanillo Alcanfor moena Almendro Ampi moena Ana caspi Anallo caspi Anonilla
Latinský název
Čeleď
Cosmibuena grandiflora (Ruiz & Pav.) Rusby Bixa orellana L. Caryocar amygdaliferum Mutis ex Cav. Compsoneura capitellata (A. DC.) Warb. Ocotea aciphylla (Nees & Mart.) Mez Caryocar amygdaliforme G. Don Lauraceae Apuleia leiocarpa (Vogel) J. F. Macbr. Cordia alliodora (Ruiz & Pav.) Oken Annona excellens R. E. Fr.
Rubiaceae
56
Počet
%
7
0,19
Bixaceae Caryocaraceae Myristicaceae
1 16 15
0,03 0,44 0,41
Lauraceae Caryocaraceae Lauraceae Caesalpinaceae Boraginaceae Annonaceae
2 25 10 19 2 2
0,05 0,69 0,27 0,52 0,05 0,05
Vernakulární název Añuje caspi Añuje moena Añuje rumo Apacharama Azucar huayo Azufre caspi Balatillo Barbasco caspi Batan caspi Bolaina Bolaina negra Brea caspi Caballo chupa Caballo micuna Cachimbo Cachimbo caspi Caimitillo Camu camillo Canela moena Capinuri Capirona de altura Carahuasca Casho caspi Castaña Caucho Cepanchina Cetico Cetico blanco Charapilla Chimicua Chingonga Chontaquiro Chuchuhuasi Cinta caspi Copal Cuchara caspi Cuchiri moena Cumaceba Cumala Cumala caupuri
Latinský název
Čeleď
Swartzia polyphylla DC. Anaueria brasiliensis Kosterm. Dendropanax sp. Licania sp. Hymenaea Courbaril L. Symphonia globulifera L. f. Haploclathra cordata Vásquez Lonchocarpus sp. Didymocistus chrysadenius Kuhlm. Guazuma crinita Mart. Guazuma ulmifolia Lam. Symphonia globulifera L. f. Cespedesia spathulata (Ruiz & Pav.) Planch. Trichilia quadrijuga Kunth Cariniana decandra Ducke Iryanthera juruensis Warb. Pouteria sp. Calyptranthes sp. Ocotea javitensis (Kunth) Pittier Pseudolmedia laevis (Ruiz & Pav.) J. F. Macbr. Loretoa sp.
Leguminosae Lauraceae Araliaceae Chrysobalanaceae Caesalpinaceae Guttiferae Clusiaceae Fabaceae Euphorbiaceae Sterculiaceae Sterculiaceae Clusiaceae Ochnaceae
20 4 32 5 31 13 1 1 1 28 1 22 3
0,55 0,11 0,88 0,14 0,85 0,36 0,03 0,03 0,03 0,77 0,03 0,60 0,08
Meliaceae Myristicaceae Lecythidaceae Sapotaceae Myrtaceae Lauraceae Moraceae
2 27 2 32 1 15 1
0,05 0,74 0,05 0,88 0,03 0,41 0,03
2
0,05
Guatteria elata R. E. Fr. Anacardium occidentale L. Ouratea hexasperma (A. St. Hil.) Baill. Castilla sp. Sloanea spp. Cecropia sp. Cecropia sp. Dipteryx micrantha Harms Perebea guianensis Aubl. Brosimum utile (Kunth) Pittier Hymenolobium sp. Agonandra brasiliensis Miers Cariniana decandra Ducke Protium altsonii Sandwith Malouetia killipii Woodson
Annonaceae Anacardiaceae Ochnaceae Moraceae Elaeocarpaceae Urticaceae Urticaceae Papilionaceae Moraceae Moraceae Fabaceae Opiliaceae Lecythidaceae Burseraceae Apocynaceae
Swartzia sp. Virola sp., Iryanthera sp. Virola pavonis (A. DC.) A. C. Sm.
Fabaceae Myristicaceae Myristicaceae
30 4 2 3 19 10 1 24 126 97 30 1 1 37 1 1 25 3 35
0,82 0,11 0,05 0,08 0,52 0,27 0,03 0,66 3,45 2,66 0,82 0,03 0,03 1,01 0,03 0,03 0,69 0,08 0,96
57
Rubiaceae
Počet
%
Vernakulární název Cumala, Cumala aguanillo Cumala llorona Cumala blanca Cumala colorada Cumala negra Cunchi moena Espintana Guacamayo caspi Guariuba Guayabilla Guisador caspi Huacapú Huamanzamana Huariuba Huarmi caspi Huayabilla Huayruro Huimba Huira caspi Humari Icoja Intuto caspi Iporuro
Latinský název
Čeleď
Virola peruviana (A. DC.) Warb.
Myristicaceae
12
0,33
Virola albidiflora Ducke Virola sebifera Aubl. Iryanthea sp. Virola decorticans Ducke Ocotea cernua (Nees) Mez Oxandra acuminata Diels Sickingia sp.
Myristicaceae Myristicaceae Myristicaceae Myristicaceae Lauraceae Annonaceae Rubiaceae
136 44 22 12 3 1 4
3,73 1,21 0,60 0,33 0,08 0,03 0,11
Clarisia racemosa Ruiz & Pav. Myrcia guianensis (Aubl.) DC. Zanthoxylum sp. Minquartia guianensis Aubl. Jacaranda copaia (Aubl.) D. Don Clarisia racemosa Ruiz & Pav. Sterculia apetala (Jacq.) H. Karst. Eugenia patens Poir. Myroxylon sp., Batesia floribunda Benth. Ceiba samauma (Mart.) K. Schum. Tapirira guianensis Aubl. Poraqueiba sericea Tul. Unonopsis floribunda Diels
Moraceae Myrtaceae Rutaceae Coulaceae Bignoniaceae Moraceae Sterculiaceae Myrtaceae Fabaceae
15 3 1 2 9 10 15 1 77
0,41 0,08 0,03 0,05 0,25 0,27 0,41 0,03 2,11
Bombacaceae Anacardiaceae Icacinaceae Annonaceae
8 44 2 3 11 3
0,22 1,21 0,05 0,08 0,30 0,08
1 13 1 5 16 2 1 1 381 2
0,03 0,36 0,03 0,14 0,44 0,05 0,03 0,03 10,4 0,05
8 7 38 41 17 1 23
0,22 0,19 1,04 1,12 0,47 0,03 0,63
Alchornea castaneifolia (Humb. & Bonpl. ex Willd.) A. Juss. Lacre Protium sp. Lagarto caspi Calophyllum brasiliense Cambess. Lanza caspi Votomita pubescens Morley Leche caspi Couma sp. Leche huayo Couma macrocarpa Barb. Rodr. Limoncillo Siparuna aspera (Ruiz & Pav.) A. DC. Lupuna colorada Cavanillesia hylogeiton Ulbr. Macambillo Cordia sp. Machimango Eschweilera spp. Machin sapote Quararibea rhombifolia (Standl. ex Cuatrec.) J. F. Macbr. Manchari caspi Vantanea spp. Manchari moena Vantanea spp. Mari mari Hymenolobium sp. Maria buena Guatteria sp. Marupa Simarouba amara Aubl. Mashaco Moena Ocotea spp.
58
Euphorbiaceae Burseraceae Guttiferae Melastomataceae Apocynaceae Apocynaceae Monimiaceae Bombacaceae Boraginaceae Lecythidaceae Bombacaceae Humiriaceae Humiriaceae Fabaceae Annonaceae Simaroubaceae Lauraceae
Počet
%
Vernakulární název Moena amarilla Moena blanca Moena negra Mullaca caspi Mullo huayo Naranjo podrido
Latinský název
Čeleď
Nectandra reflexa Rohwer Nectandrea japurensis Nees. Ocotea sp. Humiriastrum sp. Myrcia crassimarginata McVaugh Parahancornia sp.
Lauraceae Lauraceae Lauraceae Humiriaceae Myrtaceae Apocynaceae
Ficus insipida Willd. Brosimum rubescens Taub. Brosimum utile (Kunth) Pittier Cariniana multiflora Ducke Licania spp. Fabaceae Parkia igneiflora Ducke Parkia nitida Miq.
Moraceae Moraceae Moraceae Lecythidaceae Chrysobalanaceae Fabaceae Mimosoideae Mimosoideae
Neidentifikováno
Ojé Palisangre Panguana Papelillo Parinari Pasha casho Pashaco Pashaco (oreja de negro) Peine de mono Pinsha caspi Pisho Pucuna caspi Punga Punga negra Purma caspi Quillobordon
Apeiba membranacea Spruce ex Benth. Xtlopia sp. Crudia glaberrima (Steud.) J. F. Macbr. Iryanthera tricornis Ducke Pachira sp. Pachira aquatica Aubl. Tapirira sp. Aspidosperma spruceanum Benth. ex Müll. Arg. Quillosisa Qualea paraensis Ducke Quinilla Manilkara sp. Quinilla blanca Pouteria procera (Mart.) K. Hammer Quinilla colorada Manilkara bidentata (A. DC.) A. Chev. Remo caspi Aspidosperma excelsum Benth. Renaco Ficus spp. Requia Guarea cinnamomea Harms Rifari Miconia sp. Sacha casho Anacardium giganteum W. Hancock Ex Engl. Sacha cetico Cecropia spp. Sacha Maytenus macrocarpa (Ruiz & Pav.) chuchuhuasi Briq. Sacha cumaceba Swartzia laevicarpa Amshoff Sacha guayaba Eugenia patrisii Vahl Sacha mangle Sterigmapetalum obovatum Kuhlm. Sacha moena Ocotea sp. Sacha palta Paypayrola grandiflora Tul. Sacha pana
59
Tiliaceae Annonaceae Caesalpinaceae Myristicaceae Bombacaceae Bombacaceae Humiriaceae Apocynaceae Vochysiaceae Sapotaceae Sapotaceae Sapotaceae Apocynaceae Moraceae Meliaceae Melastomataceae Anacardiaceae Cecropiaceae Celastraceae Fabaceae Myrtaceae Rhizophoraceae Lauraceae Violaceae
Počet
%
11 1 2 1 5 35 61 3 97 4 136 168 1 274 2
0,30 0,03 0,05 0,03 0,14 0,96 1,67 0,08 2,66 0,11 3,73 4,61 0,03 7,51 0,05
9 1 18 29 1 5 8 31
0,25 0,03 0,49 0,79 0,03 0,14 0,22 0,85
55 1 26 121 19 25 55 1 20
1,51 0,03 0,71 3,32 0,52 0,69 1,51 0,03 0,55
25 13
0,69 0,36
4 1 1 2 1 1
0,11 0,03 0,03 0,05 0,03 0,03
Vernakulární název Sacha parinari Sacha quinilla Sacha sapote Sacha ubilla Sacha umari Sapote Sapotillo Shapaja Shebon Shimbillo Shiringa Shiringarana Tahuarí Tamamuri Tamara Tangarana Tigre caspi Tigrilla Tinta caspi Topa Tornillo colorado Ubilla Ubo colorado Ubos Uchumullaca Umari Urma caspi Uvilla renaco Yacushapana Yanabara Yutubanco Zancudo caspi Zapotillo
Latinský název
Čeleď
Licania spp. Pouteria caimito (Ruiz & Pav.) Radlk. Matisia sp. Pourouma cucura Standl. & Cuatrec. Dendrobangia boliviana Rusby Matisia cordata Bonpl. Quararibea asterolepis Pittier Attalea tessmannii Burret Attalea humboldtiana Spruce Inga aria J. F. Macbr. Hevea brasilensis (Willd. ex A. Juss.) Müll. Arg. Micrandra spruceana (Baill.) R. E. Schult. Tabebuia spp. Brosimum acutifolium subsp. obovatum Ducke Leonia sp. Triplaris peruviana Fisch. Mey. ex C. A.Mey Zygia cataractae (Kunth) L. Rico
Chrysobalanaceae Sapotaceae Sapotaceae Moraceae Icacinaceae Bombacaceae Bombacaceae Arecaceae Arecaceae Mimosoideae Euphorbiaceae
Haematoxylum sp. Ochroma sp. Cedrelinga catenaeformis (Ducke) Ducke Pourouma sp. Spondias sp. Spondias mombin L. Humiriastrum excelsum (Ducke) Cuatrec Poraqueiba sericea Tul. Casearia sp. Puorouma sp. Terminalia spp. Aparisthmium cordatum (A. Juss.) Baill. Drypetes amazonica Steyerm. Alchornea triplinervia (Spreng.) Müll. Arg. Quararibea asterolepis Pittier
60
Počet
%
47 1 2 65 4 1 2 6 1 115 39
1,29 0,03 0,05 1,78 0,11 0,03 0,05 0,16 0,03 3,15 1,07
Euphorbiaceae
1
0,03
Bignoniaceae Moraceae
8 2
0,22 0,05
Violaceae Polygonaceae
1 171
0,03 4,69
Fabaceae Bombacaceae Fabaceae
1 1 1 1 54
0,03 0,03 0,03 0,03 1,48
Cecropiaceae Anacardiaceae Anacardiaceae Humiriaceae Icacinaceae Flacourtiaceae Cecropiaceae Combretaceae Euphorbiaceae Euphorbiaceae Euphorbiaceae
1 1 3 2 5 1 1 36 1 2 6
0,03 0,03 0,08 0,05 0,14 0,03 0,03 0,99 0,03 0,05 0,16
Bombacaceae
2
0,05
Fabaceae
5.1.4 Dendrometrické vlastnosti stromů Srovnání obou censů co se týče zjištěných dendrometrických parametrů stromů a porostu, jako je výška, výčetní tloušťka, výška nasazení koruny, kruhová základna a zásoba, bylo provedeno s užitím třech přístupů. První přístup srovnává parametry 955 stromů, které byly v censu 2007 zmapovány a označeny plastovým štítkem. V censu 2008 byly tyto stromy rozpoznány, podle přiděleného čísla identifikovány a znovu změřeny. Druhý přístup srovnává parametry 955 stromů zmapovaných v roce 2007 a 3 648 stromů zmapovaných v roce 2008, tj. všech zmapovaných stromů splňujících inventarizační kritéria. Třetí přístup srovnává parametry 955 stromů zmapovaných v roce 2007 a 5 598 stromů, což je součet stromů zmapovaných v roce 2008 a stromů vygenerovaných a do mapy studované plochy dosazených pomocí metody distance sampling.
5.1.4.1 První přístup srovnání dendrometrických vlastností U tohoto přístupu jsou eliminovány rozdíly vzniklé chybami v navigaci na inventarizované ploše, tj. zejména nedokončení jejího censu na celé její rozloze a přehlédnutí či opomenutí některých jedinců. Rozdíly ve výsledcích zobrazují vliv systematických a osobních chyb v měření výšek a výčetních tlouštěk, zapříčiněné použitými pomůckami i lidským faktorem.
Výška Stromy byly podle změřených výšek rozděleny do výškových tříd v rozestupu pěti metrů. Nejvíce stromů v censu 2007 spadalo do třídy 15–19 m (694 jedinců), zatímco v censu 2008 to bylo do třídy 20–24 m (457 jedinců). Střední a maximální výšky v censu 2007 byly 17,6 a 30 m, v censu 2008 pak byly 21,9 a 36 m. Přesnější metoda používající k měření výšek laserový dálkoměr dokazuje, že výšky byly v censu 2007 silně podhodnoceny. Nepřesná metoda odhadu také zapříčinila absenci stromů ve třídách 5–9 a 35–39 m. Srovnání výšek v obou inventarizacích zobrazuje Obr. 29.
61
Počet stromů
700 600 500 400 300 200 100 0
Výškové třídy (m) Census 2007
Census 2008
Obr. 29 Porovnání výšek stromů změřených při obou censech.
Výška nasazení koruny Střední a maximální výšky nasazení koruny v censu 2007 byly 14,1 a 20 m, v censu 2008 pak byly 10,9 a 22 m. Do výškové třídy 0–4 m nespadal v censu 2007 žádný strom, v censu 2008 to bylo 19 jedinců. Největší rozdíly se projevily ve třídě 5–9 m, kam připadlo 26 jedinců v censu 2007 a 333 jedinců v censu 2008. Podobně do třídy 15–19 m v censu 2007 připadlo 457 jedinců, v cenzu 2008 to bylo pouhých 110 jedinců. Tyto značné rozdíly byly opět následkem systematických chyb vzniklých zejména užitím nepřesné metody odhadu výšek při terénních pracích v roce 2007. Srovnání
Počet stromů
výšek nasazení koruny v obou inventarizacích zobrazuje Obr. 30.
700 600 500 400 300 200 100 0 0–4
5–9
10–14 15–19 20-24
Třídy výšek nasazení koruny (m) Census 2007
Census 2008
Obr. 30 Porovnání výšky nasazení koruny stromů změřených při obou censech.
62
Výčetní tloušťka Stromy byly podle změřených výčetních tlouštěk rozděleny do tloušťkových tříd v rozestupu 100 mm. Střední a maximální výčetní tloušťky v censu 2007 byly 572 a 1 200 mm, v censu 2008 pak byly 635 a 1 500 mm. Nejvíce jedinců bylo v obou případech zařazeno do tloušťkové třídy 400–499 mm. Počet stromů měl vzhledem k rostoucí výčetní tloušťce sestupnou tendenci (Obr. 31) a jeho rozdíly v jednotlivých tloušťkových třídách byly mírné. Množství stromů s velkými tloušťkami nad 800 mm bylo v censu 2007 podhodnoceno, což mělo za následek rozdíl v průměrné výčetní tloušťce zjištěné v jednotlivých censech. Chyby systematického charakteru vznikly pravděpodobně při samotném měření průměrkou, kdy v prvním censu byl měřen pouze jeden průměr kmene, ve druhém pak byl k němu přidán druhý průměr na něj kolmý a z těchto dvou naměřených hodnot se započítal aritmetický průměr. Zejména u stromů
Počet stromů
s elipsoidním průřezem poskytuje druhá metoda přesnější výsledky.
400 350 300 250 200 150 100 50 0
Tloušťkové třídy (mm) Census 2007 Census 2008 Obr. 31 Porovnání výčetních tlouštěk stromů změřených při obou censech.
Kruhová základna Průměrná kruhová základna pro census 2007 byla spočítána na 1,27 m² . ha-1. Pro census 2008 byla spočítána na 1,67 m² . ha-1 . Tento rozdíl vznikl popsanými chybami a nepřesnostmi při měření výčetních tlouštěk. Srovnání kruhové základny zjištěné v obou inventarizacích zobrazuje Obr. 32.
63
Kruhová základna (m² .ha-1)
2
1,67
1,5
1,27
1 0,5 0 Census 2007
Census 2008
Obr. 32 Porovnání hektarové kruhové základny stromů změřených při obou censech.
Zásoba Objem průměrného kmene od paty po výšku nasazení koruny byl 2,44 m³ v censu 2007 a 2,62 m³ v censu 2008. Průměrná hektarová zásoba byla z výsledků censu 2007 spočítána na 11,64 m³ . ha-1, z dílčích výsledků censu 2008 pak na 12,52 m³ . ha-1. Ačkoliv nejsou rozdíly v tomto případě velké, přesnost měření výšek a tlouštěk stromů
Zásoba (m³ . ha-1 )
může mít nicméně i jistý ekonomický význam. Srovnání zásoby zobrazuje Obr. 33.
11,64
12 10 8 6 4 2 0
Census 2007
12,52
Census 2008
Obr. 33 Porovnání hektarové zásoby stromů změřených při obou censech.
5.1.4.2 Druhý přístup srovnání dendrometrických vlastností U tohoto přístupu srovnání dendrometrických parametrů se k rozdílům zapříčiněným chybami měření výšek a výčetních tlouštěk přidávají také rozdíly vzniklé chybami v navigaci na inventarizované ploše, kvůli kterým nebylo mnoho stromů během censu 2007 zmapováno. 64
Výška V censu 2007 byly všechny stromy splňující inventarizační kritéria rozděleny podle výšek do pěti výškových tříd. V censu 2008 to bylo do sedmi tříd. První census nepřiřadil žádné jedince do tříd 5–9 a 35–39 m. V censu 2008 do nich připadl jeden, respektive sedm jedinců. Střední a maximální výšky v censu 2007 byly 17,6 a 30 m, v censu 2008 pak byly 22,7 a 36 m. Srovnání výšek zobrazuje Obr. 34.
Počet stromů
2000 1500 1000 500 0
Výškové třídy (m) Census 2007
Census 2008
Obr. 34 Porovnání výšek všech změřených stromů.
Výška nasazení koruny Census 2007 nepřiřadil žádné jedince do třídy 0–4 m, do které census 2008 přiřadil 32 jedinců. Stření a maximální výšky nerozvětveného kmene v censu 2007 byly 14,1 a 20 m, v censu 2008 pak byly 11,1 a 26 m. První i druhý přístup srovnání výsledků ukazuje, že chyby měření způsobené užitím nepřesné metody odhadu byly výraznější u výšek celkových, než u výšek nasazení koruny. Srovnání výšek nasazení koruny zobrazuje Obr. 35.
65
Počet stromů
2000
1500 1000 500 0 0–4
5–9
10–14 15–19
20+
Třídy výšek nasazení koruny (m) Census 2007
Census 2008
Obr. 35 Porovnání výšky nasazení koruny všech změřených stromů.
Výčetní tloušťka Střední a maximální výčetní tloušťky v censu 2007 byly 572 a 1 200 mm, v censu 2008 pak byly 559 a 1 700 mm. Nejvíce jedinců bylo v obou případech opět zařazeno do tloušťkové třídy 400–499 mm a počet stromů měl vzhledem k rostoucí výčetní tloušťce sestupnou tendenci. Srovnání výčetních tlouštěk zobrazuje Obr. 36.
Počet stromů
1500 1000 500 0
Tloušťkové třídy (mm) Census 2007
Census 2008
Obr. 36 Porovnání výčetních tlouštěk všech změřených stromů.
Kruhová základna Průměrná kruhová základna pro census 2007 byla spočítána na 1,27 m² . ha-1. Pro census 2008 byla spočítána na 4,78 m² . ha-1 . Tento výrazný rozdíl vznikl nepřesnostmi při měření výčetních tlouštěk a chybami v navigaci vedoucími k neobsažení celé inventarizované plochy. Srovnání kruhové základny zobrazuje Obr. 37. 66
Kruhová základna (m² . ha-1)
4,78
5 4 3 2
1,27
1 0 Census 2007
Census 2008
Obr. 37 Porovnání hektarové kruhové základny všech změřených stromů.
Zásoba Objem průměrného kmene z censu 2007 byl 2,44 m³, z censu 2008 pak byl pouze 1,98 m³. Průměrná hektarová zásoba byla z výsledků censu 2007 spočítána na 11,64 m³ . ha-1 , z výsledků censu 2008 pak na 36,15 m³ . ha-1. Rozdíl v zásobě zjištěné v obou censech je 24,81 m³ . ha-1, což na 200 ha ploše činí 4962 m³. Znamená to, že do censu 2007 nebylo zahrnuto množství dříví odpovídající 213 % celkové zjištěné zásoby (Obr. 38).
Zásoba (m³ . ha-1)
40
36,15
30 20 11,64 10 0 Census 2007
Census 2008
Obr. 38 Porovnání hektarové zásoby všech změřených stromů.
67
5.1.4.3 Třetí přístup srovnání dendrometrických vlastností U tohoto přístupu srovnání dendrometrických parametrů nejsou brány v úvahu pouze stromy v terénu reálně změřené, ale i stromy dopočtené a do mapy studované plochy dosazené pomocí metody distance sampling. Těmto stromům byly za účelem výpočtu zásoby přiřazeny výčetní tloušťky podle kvantilového rozložení tohoto parametru u stromů změřených v censu 2008. Dále byla použita střední hodnota výšky nasazení koruny, tj. 11,1 m. Výsledky tohoto srovnání tedy ukazují rozdíly vzniklé nepřesným měřením výšek a výčetních tlouštěk a rozdíly vzniklé chybami v navigaci na inventarizované ploše, kvůli kterým nebylo mnoho přítomných stromů během censu 2007 zmapováno. Navíc se projevují rozdíly vzniklé nevhodnou volbou šířky inventarizačních subploch v censu 2008. Z výsledků tohoto censu bylo metodou distance sampling zjištěno, že z důvodu špatné průhlednosti porostu bylo mnoho stromů přehlédnuto a tudíž nezaměřeno. Jediné dendrometrické parametry, na jejichž porovnání je tento přístup aplikovatelný, jsou kruhová základna a zásoba. Počítá se totiž s vygenerovanými jedinci, kterým byly parametry přiděleny podle jejich kvantilového rozložení v souboru změřených stromů. Průměrná hektarová kruhová základna byla z výsledků censu 2007 spočítána na 1,27 m² . ha-1. Z výsledků censu 2008 doplněných o výsledky užití metody distance sampling pak byla 7,27 m² ha-1 . Průměrná hektarová zásoba byla z výsledků censu 2007 spočítána na 11,64 m³ . ha-1. Z výsledků censu 2008 doplněných o výsledky užití metody distance sampling pak byla 52,45 m³ . ha-1 . Rozdíl ve zjištěných zásobách je 40,81 m³ . ha-1, což na 200 ha ploše činí 8 162 m³. Znamená to, že do censu 2007 nebylo zahrnuto 8 162 m³ odpovídajících 350,6 % zjištěné zásoby a do censu 2008 nebylo zahrnuto 3 260 m³ odpovídající 45,1 % zjištěné zásoby. Srovnání vypočtených zásob zobrazuje Obr. 39.
68
Zásoba (m³ . ha-1)
52,45
60 36,15
40 20
11,64
0 Census 2007 Census 2008 Census 2008 + dopočtené stromy
Obr. 39 Porovnání hektarové zásoby zjištěné v obou censech a vypočtené s použitím metody distance sampling.
5.2 Výsledky aplikace metody distance sampling Nejdříve byly změřeny vzdálenosti všech zaměřených stromů od inventarizační stezky vedoucí po středové linii každé subplochy. Podle této vzdálenosti byly mapované stromy rozděleny do skupin 10 m širokých pásů stejně vzdálených od středové linie. Četnosti stromů v těchto jednotlivých skupinách (stupních vzdálenosti) od středové linie subplochy zobrazuje první histogram na Obr. 19. Podle tohoto rozložení hodnot vzdáleností byl použit výpočet pro odhad počtu stromů nezmapovaných, ale pravděpodobně přítomných (příloha I.II). Tím byl vypočten předpokládaný průměrný hektarový počet stromů o hodnotě 28. Tento počet indikuje, že počet stromů s výčetní tloušťkou ≥ 400 mm, které nebyly při terénním měření zaznamenány, ale pravděpodobně byly přítomny, je na 200ha ploše celkem 1 950 ks. Příslušné množství jedinců bylo spočteno pro každou skupinu 10 m širokých a 2 000 m dlouhých pásů a bylo dosazeno do mapy s náhodnou pozicí v rámci této skupiny určené vzdáleností od středové linie (příloha I.III; druhý histogram na Obr. 18 a Obr. 19). Podle kvantilového rozložení výčetních tlouštěk všech 3 648 stromů změřených v censu 2008 byla v odpovídajícím kvantilovém rozložení přiřazena výčetní tloušťka každému vygenerovanému stromu, která byla společně s průměrnou výškou nasazení koruny použita pro výpočet zásoby (příloha I.IV, Obr. 40).
69
Obr. 40 Kvantilové rozložení stromů podle výčetní tloušťky. Stromy zaměřené, stromy vypočtené metodou distance sampling a jejich součty.
Výsledkem užití metody je tedy mapa inventarizovaného 200ha území, která obsahuje stromy změřené v censu 2008 a stromy dopočtené touto metodou a do mapy dosazené. Celkové množství stromů v mapě je 5 598 jedinců. Výsledná mapa (Obr. 41), umožňuje podle barevného rozlišení rozpoznat výrazný rozdíl
v hustotách zaměřených
a generovaných stromů v závislosti na vzdálenosti od středové linie, respektive od okrajů subploch. Tato mapa byla následně použita jako základ pro simulace inventarizací prováděných v programu PostGIS. Jednak do ní byly vkládány inventarizační plochy o různé velikosti i hustotě, jednak sloužila ke zhotovení mapy lokálních hustot nesoucí hodnoty hektarové kruhové základny. Stromy dopočtené a do mapy dosazené mají také vliv na výpočet časových nákladů na inventarizace. Časová spotřeba na jejich mapování a změření jejich charakteristik byla vyjádřena ve vzorcích uvedených v kapitole 4.5.5.
70
Obr. 41 Mapa inventarizované plochy zobrazující pozice stromů zaměřených při censu 2008 a stromů dopočítaných metodou distance sampling a do mapy dosazených (měřítko v metrech).
5.3 Výsledky simulací kruhových inventarizačních ploch 5.3.1. Výsledky simulací jednoduchých kruhových inventarizačních ploch do mapy s pozicemi stromů Provedením simulací v pěti verzích velikosti kruhových ploch pro pět různých velikostí bloku inventarizační mřížky bylo dosaženo 25 variant výsledků simulovaných inventarizací různých parametrů. Obr. 42 zobrazuje výsledné histogramy četností průměrných hektarových počtů stromů, jejich aritmetický průměr a směrodatnou odchylku pro všech 25 variant.
71
Obr. 42 Histogramy zobrazující rozložení četností průměrných hektarových počtů stromů, jejich aritmetický průměr (Mean) a směrodatnou odchylku (Std.) pro všech 25 variant simulovaných inventarizací.
Dostatečný počet opakování (1 000 simulovaných inventarizací) způsobuje, že průměrné hodnoty hektarového počtu stromů se v jednotlivých variantách inventarizací liší pouze nepatrně. Směrodatná odchylka se však pohybuje v rozmezí od 0,98 u nejpřesnější varianty, po 4,93 u varianty nejméně přesné. Výsledky logicky zobrazují, že velikost směrodatné odchylky je přímo úměrná délce strany inventarizační mřížky a nepřímo úměrná velikosti kruhové zkusné plochy. Zobrazené histogramy ukazují, že např. varianta inventarizační mřížky o délce strany bloku 250 m s kruhovými plochami o poloměru 35 m udává průměrný hektarový počet 28,08 stromů, téměř přesně odpovídající reálnému hektarovému počtu v mapě, a směrodatnou odchylku 1,42. Téměř shodné hodnoty vycházejí také u varianty inventarizační mřížky o délce strany bloku 200 m s kruhovými plochami o poloměru 30 m. U obou těchto variant můžeme konstatovat, že v 95 % simulací dosáhneme výsledku hektarových počtů stromů přibližně mezi 25,2 a 31, tj. ± 10,1 %.
72
5.3.2 Výsledky simulací jednoduchých kruhových inventarizačních ploch do mapy lokálních hustot s hodnotami hektarové kruhové základny
Simulace byly v počtu 6 000 provedeny v jedenácti verzích velikosti kruhových ploch pro jedenáct různých velikostí bloku inventarizační mřížky, čímž bylo dosaženo výsledků 121 variant simulovaných inventarizací. Obr. 43 zobrazuje histogramy četností průměrných hodnot hektarové kruhové základny, jejich aritmetický průměr a směrodatnou odchylku pro vybraných 16 variant.
Obr. 43 Histogramy zobrazující rozložení četností průměrné hektarové kruhové základny, její aritmetický průměr (Mean) a směrodatnou odchylku (Std.) pro vybraných 16 variant simulovaných inventarizací jednoduchých kruhových ploch.
Časové náklady na všechny varianty simulovaných inventarizací byly spočteny dle vzorců uvedených v kapitole 4.5.5. Vztah mezi přesností extrapolace výsledků inventarizací na celou 200ha plochu a časovými náklady pro všechny varianty dané velikostí kruhových inventarizačních ploch a délkou strany bloku mřížky zobrazuje vrstevnicový graf (Obr. 44). Vrstevnice zobrazené červeně označují hodnoty směrodatné odchylky, vrstevnice zobrazené modře znázorňují časové náklady pro příslušné varianty inventarizace v hodinách. 73
Obr. 44 Vrstevnicový graf znázorňující směrodatnou odchylku průměrné hektarové zásoby v závislosti na časových nákladech provedení inventarizací pro všechny varianty jednoduchých kruhových ploch.
5.3.3 Výsledky simulací inventarizačních ploch o dvou soustředných kruzích do mapy lokálních hustot s hodnotami hektarové kruhové základny Simulace byly v počtu 6 000 provedeny v jedenácti verzích velikostí kruhových ploch pro jedenáct různých velikostí bloku inventarizační mřížky, čímž bylo dosaženo výsledků 121 variant simulovaných inventarizací různých parametrů. Obr. 45 zobrazuje histogramy četností průměrných hodnot hektarové kruhové základny, jejich aritmetický průměr a směrodatnou odchylku pro vybraných 16 variant.
74
Obr. 45 Histogramy zobrazující rozložení četností průměrné hektarové kruhové základny, její aritmetický průměr (Mean) a směrodatnou odchylku (Std.) pro vybraných 16 variant simulovaných inventarizací ploch o dvou soustředných kruzích.
Metoda inventarizace za použití výpočtu registračních hranic hodnoty (tresholdu) výčetní tloušťky a inventarizační plochy v podobě dvou soustředných kruhů slouží k dosažení přesnějších výsledků při stejné časové spotřebě. Časové náklady na všechny varianty simulovaných inventarizací o dvou soustředných kruzích v závislosti na směrodatné odchylce vypočítané hektarové kruhové základny zobrazuje vrstevnicový graf (Obr. 46). Vrstevnice zobrazené červeně označují hodnoty směrodatné odchylky, vrstevnice zobrazené modře znázorňují časové náklady pro příslušné varianty inventarizace v hodinách.
75
Obr. 46 Vrstevnicový graf znázorňující směrodatnou odchylku průměrné hektarové zásoby v závislosti na časových nákladech provedení inventarizací pro všechny varianty ploch o dvou soustředných kruzích.
5.3.4 Výsledky simulací transektů do mapy lokálních hustot s hodnotami hektarové kruhové základny Simulace byly provedeny v sedmi verzích počtu transektů (v počtu od 2 do 8), v sedmi různých šířkách, od 32 do 56 m v rozestupu 4 m, čímž bylo dosaženo 49 variant. Obr. 47 zobrazuje výsledné histogramy četností průměrných hodnot hektarové kruhové základny, jejich aritmetický průměr a směrodatnou odchylku pro vybraných 16 variant.
76
Obr. 47 Histogramy zobrazující rozložení četností průměrné hektarové kruhové základny, její aritmetický průměr (Mean) a směrodatnou odchylku (Std.) pro vybraných 16 variant simulovaných inventarizací pásových ploch.
Časové náklady na všechny varianty simulovaných inventarizací transektů v závislosti na
směrodatné
odchylce
vypočítané
hektarové
kruhové
základny
zobrazuje
vrstevnicový graf (Obr. 48). Vrstevnice zobrazené červeně označují hodnoty směrodatné odchylky, vrstevnice zobrazené modře znázorňují časové náklady pro příslušné varianty inventarizace v hodinách.
77
Obr. 48 Vrstevnicový graf znázorňující směrodatnou odchylku průměrné hektarové zásoby v závislosti na časových nákladech provedení simulovaných inventarizací pro všechny varianty pásových ploch.
78
6. Diskuze 6.1 Inventarizace lesů v tropickém deštném lese peruánské Amazonie Lesnické inventarizace v neotropických lesích jsou notoricky známé svou obtížností, způsobenou přítomností extrémního počtu druhů, nedokonale zpracovanou taxonomií a potíži s determinací v terénu (Pitman et al., 2001). Nejpoužívanějším východiskem z těchto potíží je omezení inventarizací na populace vzrostlých stromů v porostu, např. stromů s výčetní tloušťkou ≥ 400 mm. Tato metoda omezí množství zaznamenávaných jedinců i druhů zachycením reprezentativní části porostu, čímž charakterizuje dominantní roli svrchního stromového patra a emergentních stromů (Campbell, 1989). V rámci praxe lesního hospodaření je využívána zejména pro tvorbu plánů těžební činnosti. Higgins a Ruokolainen (2004) uvádějí, že doposud nebylo evaluováno, do jaké míry populace vzrostlých stromů v TDL charakterizují vztahy v celém lesním ekosystému. Později se tímto zabývali Réjou-Méchain et al. (2011), kteří srovnali výsledky komerčních inventarizací v tropických lesích Středoafrické republiky s výsledky inventarizace provedené později na stejných plochách botaniky za účelem floristické studie. Závěrem tohoto srovnání bylo, že výsledky inventarizací se v případě stromové vegetace téměř neliší a komerční inventarizace jsou tedy pro studium biodiverzity lesních ekosystémů použitelné. Jisté však je, že inventarizace populací na celém zájmovém území (censy) prováděné touto metodou, jsou časově velmi náročné. Téměř všechny stromy jsou vysoké a jejich generativní i zelené vegetační orgány jsou nedostupné, čímž se zásadně ztěžuje jejich determinace. Tu komplikuje mimo jiné i anizofylie, tj. výskyt listů jiného tvaru i velikosti na jedné rostlině. Špatná prostupnost a krátká dohlednost komplikuje lokalizaci inventarizovaných stromů zejména v druhotných lesích. Inventarizace realizované pro výzkum lesních ekosystémů jsou tedy v neotropickém TDL, a zvláště pak v západní Amazonii, prováděny ve velmi omezeném rozsahu (Pitman et al., 1999). Extrapolace zjištěných zákonitostí ekosystému z malého počtu inventarizovaných ploch na rozlehlá území pak nemusí přinášet uspokojivé výsledky, zejména co se týče druhové skladby porostů (Condit et al., 2002). Nejjednodušší cesta, jak urychlit inventarizace a obsáhnout tak větší území se stejnou spotřebou času, je omezení množství inventarizovaných jedinců a druhů. Higgins 79
a Ruokolainen (2004) popisují čtyři typy zjednodušení inventarizace: Šetření v rámci určitých tloušťkových tříd, šetření v rámci populace určitého taxonu či několika taxonů, determinace jedinců pouze do rodu či čeledí, určení pouhé přítomnosti/absence či zařazení do předdefinované třídy četnosti. Pro účely lesního hospodaření a komerční těžbu dřeva v Peru jsou vypracovávány lesní censy, které zahrnují populace všech stromů o výčetní tloušťce ≥ 300 mm, nebo o výčetní tloušťce ≥ 400 mm. Slabinami těchto censů jsou časová náročnost, nepřesné taxonomické údaje z důvodu komplikovanosti determinace stromů v terénu, zastaralé a nepřesné metody měření stromů a navigace v porostu. Výsledky srovnání dvou realizovaných censů přidávají k těmto slabinám také nedostatek vyškolených a zodpovědných pracovníků, který popisuje také Zúňiga (2012). Křehké výsledky stávajících inventarizací z území lesnických koncesí realizovaných jednoduchými metodami mohou být ovlivňovány nejen chybami, ale také vůlí nepodat přesné informace o zásobě dříví v porostu. Poměrně mírné požadavky na inventarizační výstupy a nastavený zákonný systém evaluací a auditů prováděných úřady místní správy mohou mít za následek neprůhlednost procesu těžby a prodeje dříví. Současnému, korupci umožňujícímu systému může, dodat transparentnost také elektronická „trasabilita dříví“ (anglicky timber traceability) tj. evidence a dohledatelnost jednotlivých těžených kmenů od jejich identifikace při inventarizaci, přes těžbu a dopravu až po jejich prodej konečnému zákazníkovi (Torres, 2013). Prvním krokem k možnosti sledovat tento řetězec je právě důsledné provedení inventarizací s elektronickou evidencí jejich výsledků, kdy každému mapovanému stromu je přidělen štítek s elektronickým kódem produktu, nesoucím identifikační číslo a údaje o původu. Systém elektronické „trasability“ byl pod záštitou ITTO prakticky vyzkoušen organizacemi Bosques, Sociedad y Desarollo a Map GeoSolutions na těžbě peruánského mahagonu a jeho prodeji do USA (Torres, 2013). V případě jeho plné implementace do komerční těžby dříví by mohl sjednotit a zprůhlednit celý systém lesnických koncesí v Peru a umožnil by tak koncesionářům na trzích dokázat legálnost původu jejich produktů a dodržení principů udržitelnosti. Elektronická trasabilita dříví také odpovídá požadavkům dohod o volném obchodu mezi Peru a největšími odběrateli dříví, USA a EU. V případě USA by zajistila plnění podmínek zákona o ochraně rostlin a živočichů (Lacey Act of 1990), v případě EU by prokazatelnost původu dříví byla v souladu s akčním plánem boje proti ilegální těžbě dříví (Forest Law Enforcement, Governance 80
and Trade). Překážky, které je nutno pro implementaci překonat, jsou náklady na registrační a identifikační techniku, vyškolení pracovníků zajišťujících sledování řetězce,
inspektorů
pro
kontrolu
a pravděpodobně
nejednoznačnost
názorů
v akademickém sektoru, odborné veřejnosti a decentralizovaném lesním hospodářství Peru.
6.2 Srovnání výsledků dvou realizovaných censů Aplikace vyspělého hardwarového a softwarového vybavení minimalizuje počet chyb, které mohou vzniknout při terénním šetření. Snižuje se časová náročnost rutinních úkonů při lokalizaci plochy měřící sady, zaměřování polohy stromů, měření výšek apod. Poměrně rozsáhlé terénní šetření je tak možné provést efektivně a s vysokou mírou přesnosti (Vašíček et al., 2007). Hlavní výhody použití měřící sady jsou výrazně přesnější navigace v terénu, přesnější měření dendrometrických parametrů, menší spotřeba času na terénní práce a na zpracování sesbíraných dat. Přístrojové měření navíc každému zaměřenému bodu přidělí i souřadnici z, popisující relativní elevaci oproti počátku. Zjištěnou slabinou metody je potřeba kvalifikované obsluhy přístrojů a kvalifikované osoby pro zpracování dat. Na první pohled výraznou nevýhodou se může zdát také vysoká pořizovací cena přístrojů a příslušného softwaru. Omezujícím faktorem je průhlednost hustého tropického lesa. Hédl et al. (2009) uvádějí, že laserový dálkoměr je v nížinném tropickém lese na Borneu použitelný do maximální vzdálenosti 20–30 m. V případě censu provedeného na zájmovém území v roce 2008, kdy nebyly na rozdíl od studie z Bornea mapovány menší stromy, ale pouze stromy vzrostlé, je použití měřící sady možno označit za vhodné do maximální vzdálenosti cca 30–35 m. Klimatické faktory díky vodotěsnému provedení všech přístrojů jejich využití nijak neomezují.
81
6.2.1 Čas a personál Čas strávený v terénu se v rozlehlých lesních oblastech tropů stává extrémně cenným zejména z důvodu komplikované a časově náročné dostupnosti zájmových území (Baraloto et al., 2013), je také často nevyhnutelné nocování pracovních skupin v terénu, je zejména z důvodu větší materiálové zátěže problematické a časové i finanční náklady zvyšující. Celková doba realizace včetně vyškolení pracovníků, zpracování dat a formulování výsledků byla 34 dnů u censu 2007 a 25 dnů u censu 2008 (Obr. 27). Tento časový rozdíl (snížení času o 26 %) hraje markantní roli v celkových finančních nákladech na realizaci prací.
6.2.2 Pozice stromů Pozice stromů v mapách vytvořených v roce 2007 a 2008 se od sebe liší vzdáleností 1 až 178 m. Tato chyba je přičítána z větší části nepřesnostem v navigaci v roce 2007, pouze v malé míře pak nepřesnostem metody používající měřící sadu. U té se dá počítat kvůli rozptylu GPS s chybami o hodnotách 2–5 m (Trimble Navigation Limited, 2013) a s chybou vzniklou při navigaci v jednotkách metrů. Výrazná chyba při realizaci censu 2008 však vznikla špatnou volbou šířky subploch. Šířka 100 m, tj. záběr 50 m na každou stranu od středové linie subplochy se ukázaly být příliš široké. Špatná průhlednost porostu a zvlněný terén nedovoluje v podmínkách amazonského TDL plnohodnotné zmapování stromů v celé jejich šíři. Mapa obsahující pozice zaměřených stromů jasně zobrazuje, že hustota stromů klesá téměř exponenciálně se vzdáleností od centrální linie subplochy, tj. stezky použité při výkonu inventarizace (Obr. 28). Tato chyba byla formulována a kvantifikována pomocí metody distance sampling, což popisuje kapitola 5.2. Magnetická
deklinace,
určující
úhlový
rozdíl
mezi
směry
k zeměpisnému
a magnetickému severnímu pólu, nebyla při měření v roce 2007 brána v úvahu. Vzhledem k tomu, že její hodnota v oblasti byla v roce 2007 přes 4,7°, způsobilo její opomenutí při pracích s kompasy další zhoršení přesnosti navigace. To mělo za následek jak posun výchozích bodů jednotlivých subploch, tak zanesení nepřesných souřadnic všech mapovaných stromů i ostatních bodů.
82
6.2.3 Počet stromů a druhová skladba Značné rozdíly v počtech mapovaných stromů i určených druhů byly zaviněny zejména nepřesnou navigací na ploše v roce 2007, která způsobila, že mnoho stromů nebylo do censu zahrnuto. Z mapy inventarizované plochy (Obr. 28) je patrné, že jednotlivé subplochy nebyly zmapovány celé, čímž bylo mnoho stromů vynecháno. Při určování druhů mohly hrát roli také rozdílné znalosti či zkušenosti místních odborníků a dále fakt, že v roce 2007 prováděla identifikaci pouze jedna osoba, kdežto v roce 2008 to byly osoby tři a determinace tak byla objektivnější. Výsledek censu 2008, tj. celkem 163 zaznamenaných taxonů (oproti 92 taxonům zjištěným v roce 2007), jistě více odpovídá diverzitě stromové vegetace TDL peruánské Amazonie, popisované některými autory jako nejbohatší ze všech světových ekosystémů.
6.2.4 Srovnání dendrometrických parametrů třemi přístupy Kromě mnoha přehlédnutých stromů při terénních pracích v roce 2007 způsobilo největší rozdíly ve výsledcích nepřesné měření výšek. Přesnější metoda používající laserový dálkoměr dokazuje, že výšky byly v censu 2007 silně podhodnoceny. Patra vzrostlých a emergentních stromů v lesích na aluviálních půdách a říčních terasách v peruánské Amazonii běžně dosahují výšky 35–40 m (Blaser et al., 2011). Feldpausch et al. (2011) popisují výškovou distribuci stromů o výčetní tloušťce ≥ 400 mm v lesích západní Amazonie mezi 17 a 38 m, s čímž korespondují hodnoty střední a maximální výšky 22,7 a 36 m zjištěné realizací censu v roce 2008. Pouze dva stromy zmapované a označené v roce 2007 byly o rok později odumřelé, výsledky tedy nebyly mortalitou ovlivněny. Clark a Clark (1996) i další autoři uvádí, že průměrná roční mortalita vzrostlých a emergentních stromů v neotropických deštných lesích dosahuje cca 2 %. Podle Rondona et al. (2009) je průměrný roční růst výčetní tloušťky vzrostlých stromů menší než 5 mm. Dřevařsky využívané druhy v regionu dosahují mýtních rozměrů většinou mezi 50 a 60 lety a nárůst objemu dříví nepřesahuje 2 % ročně. Vezmeme-li v úvahu nárůst zásoby o 1,5 %, rozdíl mezi zjištěnou zásobou v jednotlivých censech vzniklý ročním nárůstem můžeme upravit jen minimálně, o pouhých 0,17 m³ . ha -1.
83
Část z mapovaných stromů nemá aktuálně na místním trhu vysokou obchodovatelnou hodnotu a nejsou přímým předmětem hospodaření. Nicméně v posledních letech se mezi tradičně těženými druhy dřevin objevují mnohé další druhy a to zejména z důvodu změn v poptávce i z důvodu nedostatečné nabídky nejžádanějších dřev na trhu. Přesnější inventarizační metody mohou mít na celý proces hospodaření s porosty pozitivní vliv. Použití přesných měřících přístrojů při inventarizačních měřeních a využití vyškoleného personálu při determinaci druhů dřevin by svými výsledky mohlo výrazně zlepšit lesnické plánování v peruánské Amazonii. Vládní nařízení 017–2003–INRENA (Vláda Peruánské republiky, 2003), vztahující se k evaluacím a auditům plánů lesního hospodaření, rozděluje lesnické koncese v regionu Loreto do tří kategorií, z nichž každá je předmětem jiného přístupu a jiné úrovně dozoru správního orgánu. První kategorie jsou koncese se zjištěnou zásobou obchodovatelného dříví ≤ 25 m³ . ha-1, ve kterých není ke schválení plánu hospodaření potřebná žádná kontrolní akce správního orgánu. Druhou kategorii tvoří koncese se zjištěnou zásobou obchodovatelného dříví mezi 25 a 30 m³ . ha -1, ve kterých správní úřad před schválením plánu hospodaření ověřuje zjištěnou zásobu srovnáním s výsledky inventarizací provedených vládními institucemi v regionu. Do třetí kategorie spadají koncese se zjištěnou zásobou obchodovatelného dříví ≥ 30 m³ . ha-1, ve kterých správní úřad provede kontrolu výsledků inventarizace terénní inspekcí na území koncese. V případě studovaného území spadá koncese podle výsledků provedeného censu do první kategorie. Výsledky censu 2008 však ukazují, že koncese by měla spadat do třetí kategorie a být tak předmětem terénní evaluační inspekce. Tyto okolnosti poskytují podmínky umožňující nekontrolovanou ilegální těžbu a mohou způsobit konflikty mezi koncesionářem a regionálním správním úřadem. V rámci regionálního programu hospodaření s lesními zdroji a volně žijícími živočichy, došlo v roce 2011 k zásahu správního orgánu regionu Loreto kvůli ilegální těžební činnosti v koncesi IMAZA, kdy bylo zadrženo velké množství plaveného ilegálně vytěženého dříví pocházejícího právě z oblasti studie (Oficina de Información Forestal y Fauna Ssilvestre, 2011). Podobným ilegálním činnostem, v peruánské Amazonii poměrně častým, vedoucím ke konfliktům mezi těžebními společnostmi a státní správou, by bylo možno alespoň částečně zamezit správným lesnickým plánováním podloženým právě inventarizačními výsledky odpovídajícími realitě.
84
6.3 Aplikace metody distance sampling Buckland et al. (2001) uvádějí, že pro populace řídčeji zastoupené na rozlehlých územích je užití metody distance sampling nákladově velmi efektivní a často i jediná možná akceptovatelná varianta. Užití tohoto přístupu při sčítání populace vzrostlých stromů v tropickém deštném lese se na základě výsledků jeví jako vhodná metoda, zejména pro dopočítání hustoty stromů na inventarizačních transektech, tj. pásech různé šířky okolo jejich středových linií. Vzrostlé stromy jsou v TDL zastoupeny značně nerovnoměrně a pro spolehlivé sečtení jejich populace je vhodné obsáhnout relativně rozlehlou plochu. Možnost pokrýt tuto rozlehlou plochu se skromnými, ať už časovými či finančními náklady, je výhodou právě použití liniových transektů (Jensen a Meilby, 2012). Oproti inventarizační metodě užívající síť čtvercových či kruhových ploch má užití liniových transektů značnou výhodu pokrytí větší plochy za stejný čas. Následný výpočet odhadu zjišťovaných parametrů pro celé šetřené území je tedy přesnější, neboť je prováděn za užití dat z větší části tohoto území (Buckland et al., 2007). Vzhledem k rozdílné
hustotě
a průhlednosti
porostu
je
potřebná
dostatečná
velikost
inventarizovaného souboru (délka transektu). V případě censu 2008 tvoří součet středových linií subploch délku 20 km, což se jeví jako dostatečně velký soubor k aplikaci použité metody. Četnosti detekovaných stromů zařazených podle vzdálenosti od středové linie, tj. od trasy sčitatele, do souborů po 10 m s rostoucí vzdáleností výrazně klesají, což přehledně vizualizuje první histogram na Obr. 19. Průměrný počet stromů s výčetní tloušťkou ≥ 400 mm, zaměřených v roce 2008, dosahuje hodnoty 18,24 ks . ha-1 . Po dopočítání přehlédnutých jedinců již tento počet činí 28 ks . ha-1. V jiné studii, realizované v amazonském TDL v Brazílii, udává Keller (2001) průměrný počet vzrostlých stromů, detekovaných při lesnických inventarizacích, 55 ks . ha-1. V tomto případě však byly do inventarizací zahrnuty stromy s výčetní tloušťkou ≥ 350 mm.
85
6.4 Simulace kruhových a pásových inventarizačních ploch Lesní censy, zahrnující populace všech stromů o cílové výčetní tloušťce, jsou v Peru vypracovávány pro účely lesního hospodaření a komerční těžby dřeva. Předmětem těchto censů jsou celé parcely určené k selektivní těžbě, podle specifikace v ročním operativním plánu hospodaření. Nevyhnutelné terénní práce jsou časově i organizačně značně náročné, což bylo potvrzeno i realizací dvou popisovaných censů, přestože využití měřící techniky v roce 2008 realizaci výrazně urychlilo. S cílem najít vhodnou variantu inventarizace, která podá dostatečně uspokojivé výsledky a zároveň bude časově a tedy i finančně výrazně méně nákladná, byly v prostředí „open source“ GIS s použitím mapy nesoucí hodnoty hektarové kruhové základny provedeny popsané simulace kruhových a pásových zkusných ploch. Na první pohled dostačujících výsledků bylo dosaženo simulací inventarizací pomocí jednoduchých kruhových ploch. Ve střední ze zkoumaných 121 variant (plochy o poloměru 26 m v rozestupu 320 m) výsledky ukazují, průměrnou hektarovou kruhovou základnu 7,25 m² . ha -1 a směrodatnou odchylku 0,64. To znamená, že v 95 % těchto simulací dosáhneme hektarové kruhové základny mezi 5,97 a 8,53, to je v rozmezí ± 17,6 %. Časové náklady při této variantě inventarizace však dosahují pouze 10,8 % časových nákladů realizace celého censu. Při nejpřesnější ze zkoušených variant (plochy o poloměru 38 m v rozestupu 200 m) dosáhneme v 95 % simulací hodnoty hektarové kruhové základny v rozmezí ± 11,3 % od aritmetického průměru, s časovou spotřebou činící 26,2 % časových nákladů realizace censu. Srovnání simulovaných inventarizací jednoduchých kruhových ploch a ploch o dvou soustředných kruzích do mapy lokálních hustot s hodnotami hektarové kruhové základny ukazuje, že použitím ploch o dvou
soustředných kruzích se dá dosáhnout stejné přesnosti jako
u jednoduchých kruhových ploch s nižšími časovými náklady. Použitím této metody byly sníženy časové náklady na inventarizace snížením počtu měřených stromů. Průměrné počty registrovaných stromů a jejich rozdíly v rámci metod inventarizace ploch o jednom a dvou kruzích zobrazuje pro vybraných 16 variant závisejících na průměru většího kruhu a délky strany mřížky Tab. 9.
86
Tab. 9 Průměrné počty registrovaných stromů při provedení inventarizací metodou s kruhovými plochami, metodou s plochami o dvou soustředných kruzích a rozdíly v počtech stromů při užití obou metod. Hodnoty pro jednotlivé varianty v závislosti na poloměru kruhové plochy a délce strany inventarizančí mřížky.
Metoda jednoduchých kruhových ploch Délka strany
Poloměr kruhové plochy
mřížky
20 m
26 m
32 m
38 m
200 m
175,9
297,2
450,2
634,9
260 m
104,1
175,9
266,4
375,7
320 m
68,7
116,1
175,9
248,0
380 m
48,7
82,3
124,7
175,9
Metoda ploch o dvou soustředných kruzích Délka strany
Poloměr kruhové plochy
mřížky
20 m
26 m
32 m
38 m
200 m
93,5
158,1
239,4
337,6
260 m
55,3
93,5
141,7
199,8
320 m
36,5
61,7
93,5
131,9
380 m
25,9
43,8
66,3
93,5
Rozdíly počtů měřených stromů v obou použitých metodách Délka strany
Poloměr kruhové plochy
mřížky
20 m
26 m
32 m
38 m
200 m
82,3
139,2
210,8
297,3
260 m
48,7
82,3
124,7
175,9
320 m
32,2
54,4
82,3
116,1
380 m
22,8
38,5
58,4
82,3
Podle dosažených výsledků se však dá konstatovat, že nejlepšího poměru přesnosti a časových nákladů bylo dosaženo při simulaci transektových inventarizací. Například při variantě čtyř transektů o šířce 48 m dosáhneme v 95 % simulací hodnoty hektarové kruhové základny v rozmezí pouhých ± 6,3 % a to s časovou spotřebou činící 30,8 % časových nákladů realizace celého censu. Tato varianta tedy bezpečně splňuje požadavek na inventarizace prováděné v středoevropských podmínkách, kdy přípustná relativní chyba určení zásoby je zpravidla ± 10 %. Jako hraniční varianta tomuto požadavku vyhovuje simulace dvou transektů o šířce 40 m. Časová spotřeba této varianty inventarizace tvoří pouhých 13,5 % časových nákladů realizace censu. Výhoda pásových zkusných ploch se projevila zejména v časové spotřebě, kde inventarizace 87
pravidelně rozmístěných kruhových ploch je zatížena z důvodu udržování pozice časově náročným přesunem mezi plochami. V rámci inventarizací těžebních parcel v měřítku stovek hektarů se tedy užití transektů jeví jako nejvhodnější způsob, je-li zamezeno okrajovému efektu. Ten může hrát významnou roli z důvodu liniového charakteru zkusné plochy, např. při blízkosti komunikace či říčního toku. Pro potřeby inventarizace velkých rozloh amazonského lesa v měřítku tisíců hektarů a více, se však jako vhodnější jeví použití sítě kruhových zkusných ploch. S rostoucím počtem výběrových souborů klesá chyba vznikající při extrapolaci inventarizačních výsledků na celý zkoumaný soubor a stanovení odhadu zásoby je tak přesnější.
88
7. Závěr Srovnáním výsledků censu provedeného v peruánské Amazonii běžně používanou metodou za užití pásem a kompasů a censu provedeného metodou používající sadu elektronických měřících přístrojů, propojených s terénním počítačem vybaveným specializovaným softwarem, byly zjištěny značné rozdíly. Metoda používající měřící sadu se ukázala být výrazně přesnější a také méně časově náročná. Tyto rozdíly ve výsledcích censů byly zaviněny zejména velmi nepřesnou navigací v terénu pomocí pásem a kompasu, dále pak chybami při odhadu výšek stromů a při měření výčetních tlouštěk. Kromě přesnosti měření, dané použitými pomůckami, je příčinou pravděpodobně také lidský faktor, tj. rozdílné dovednosti a znalosti některých členů pracovních skupin obou inventarizací. Přibližně 8 230 m³ těžitelného dříví bylo při censu realizovaném v roce 2007 na ploše 200 ha opomenuto. Použitím metody odhadu četnosti populací distance sampling byly zjištěny a kvantifikovány také chyby vzniklé při měření metodou užívající sadu elektronických přístrojů v roce 2008. Zejména následkem nevhodné metodiky (volby příliš širokých subploch), obtížnosti terénních prací a nedůslednosti pracovníků, bylo i v tomto censu opomenuto téměř 3 330 m³ dříví. Toto množství tvoří významnou část celkové zásoby parcely a může mít vliv na management celé koncese. Podle peruánského lesního zákona se pro lesnické koncese vypracovávají roční operativní plány právě podle výsledků povinných inventarizací porostů. Tyto plány jsou základním nástrojem lesnického hospodaření, výsledky inventarizací jsou tedy směrodatnými údaji určující nakládání s produkčními porosty. Ilegální těžba spojená s korupcí na různých úrovních státní správy je v Peru stále poměrně běžným jevem (Smith et al., 2006). Hospodaření s lesními porosty proto vyžaduje řádné plánování postavené na realitě odpovídajících údajích o porostech. Výsledky práce jasně ukazují, že způsob, kterým se v peruánské Amazonii provádějí lesnické inventarizace, tyto reálné údaje často nepřináší a může tak negativně ovlivňovat celé lesní hospodářství v oblasti. Používání přesnějších inventarizačních metod by poskytlo pravdivější údaje o lesních porostech, napomohlo by ke tvorbě odpovídajících plánů hospodaření a společně s evidencí těženého a přepravovaného dříví by mohlo mít pozitivní dopad na transparentnost a zákonnost hospodaření s produkčními porosty. Podmínky aktuálně
89
umožňující ilegální těžbu v produkčních porostech a prodej dříví na černém trhu by díky reálným výsledkům inventarizací mohly být změněny k lepšímu. Výsledky práce také potvrdily, že podmínky pro terénní práce jsou v amazonském TDL obtížné a censy celých parcel určených k těžbě jsou časově velmi náročné. Proto se ukázalo jako vhodné nahradit je inventarizacemi realizovanými pomocí sítě zkusných kruhových ploch, nebo pomocí ploch pásových. Některé varianty simulovaných inventarizací, bezpečně splňující požadavek přípustné relativní chyby určení zásoby ± 10 %, dosahují časové spotřeby odpovídající pouhým 15–30 % časových nákladů realizace celého censu. Skloubením využití přesných měřících technologií, sofistikovaných inventarizačních metod založených na výběrových souborech a následného softwarového zpracování dat, lze tedy dosáhnout výrazně přesnějších výsledků, zásadně omezit časové náklady na celý proces lesnických inventarizací, a zároveň tomuto procesu dodat legitimitu a transparentnost.
90
8. Summary
Peru’s forest cover is estimated at 67.9 million hectares, which is 53 % of the total land area; 92 % of these forests are in the Amazon Basin. Terrace and hill forests, on terrain with moderate slopes, are the most widespread humid forest sub-type, covering approximately 37 million hectares (FAO, 2010). Forest management in Peru follows the Forestry and Wildlife Law (Ley Forestal y de Fauna Silvestre – Ley 27308), which came into effect in 2000. This law prescribes several options for sustainable forest management, including 40-year concessions for timber, non-timber forest products and reforestation. According to the law, the annual operative plans for Peruvian forest concessions are implemented based on the results of mandatory inventories. Present study shows that the results of forest inventories, conducted by concessionaires, are not always correct. Errors in height measurements, dbh and navigation inside the forest stand cause distinctive differences in the characteristics of the forest stands, especially the timber stock. The application of methods that use a set of electronic devices and sampling techniques can thus minimise errors and provide satisfactory results with less time expenses. The field part of study was conducted in the Loreto Department, in the Nauta district of Peru in 2008. The study site is approximately 8 km northwest from the town of Nauta and lies in the southeast part of the timber concession IMAZA. A set of electronic devices, consisting of a field computer, laser rangefinder, electronic compass and a GPS unit, was used for field data collection with the objective of comparing forest inventory methods. The set describes the forest stand from inside by mapping trees and thereby obtaining spatial dimensions and basic tree characteristics. The results of the inventory conducted on 200 ha of forest were compared with previous inventory conducted using the common method (using tapes and mechanical compasses) on the same place in 2007. A map of the study site was created, and the following attributes of all trees with a dbh ≥ 400 mm were recorded: position, species, total height, trunk height and dbh. The results from the comparison study show that the method conducted using electronic devices is more exact and faster. The fieldwork was finished in 13 days in the 2007 inventory and in 7 days in 2008. The data processing in 2008 took 7 fewer days than in 2007. The difference in total time spent for inventory and analysis works was 9 days. 91
Faster fieldwork and data processing markedly influences the costs of the inventory. In the 2007 inventory, the common names of trees were identified by one local specialist directly in the field, where 92 species were identified within 955 evaluated trees. In the 2008 inventory, the common names of trees were identified by two local specialists and verified by dendrologists from La Molina National Agrarian University. The species were taxonomically determined and translated into their scientific names. One hundred sixty-three species were identified within the 3,648 evaluated trees. The difference in timber stock measured by both inventories was 24.5 m³ . ha-1 , which indicates a stock of over 4,900 m³ at the study site. These differences arise from the use of different navigation techniques in the field, different devices for measurement and probably also from differently skilled staff during the field work of each inventory. Navigation inaccuracies using a compass and tape caused zigzag trajectories and the shortening of traces on subplots of the 2007 inventory. The 2,000-m distance was not reached on the subplots, and the entire width was not mapped. These errors caused many trees in the study area to be overlooked. Resulted differences may play an important economic role in planning and management of forestry concessions in the region. The use of more precise inventory methods in the region would collect more accurate data about evaluated forests and could positively influence the creation of annual operative plans. This process may have a positive impact on the transparency and legitimacy of the management process of permanent production forests, reduce illegal logging and restrict the sale of timber on the black market, which with its relationship with corruption is still a frequent phenomenon in in the Peruvian Amazon (Smith et al., 2006). The method using measuring set shows its deficiencies too. Due to density of the forest and design of improper size of belt subplots it couldn’t map all the width of subplots and encompassed all the trees. That is why the distance sampling method for population density estimation using software calculation was used for completion of inventory results. This method discovered another 1,950 probably undetected trees. The population map of the study site containing positions and characteristics of all the mapped and computed big trees was created and used for inventory simulations. Circular and belt plots of different size and different density were designed and simulated in a regular rectangular grid into the map. For each variant the mean basal area per hectare and its standard deviation was calculated in the number of 6,000 simulations. Results of simulated inventories were evaluated regarding their 92
accuracy and time expenses with the aim of finding the most suitable variant. The methodology optimizing resulted in using of belt plots with the width of 40–60 m for areas with size of hundreds of hectares. Use of circular plots in rectangular grid were less efficient in this case due to large time expenses for displacing between them using the system of reference points necessary for repositioning of the measuring set without losing spatial reference. On the other hand, use of circular plots resulted as the most suitable for inventories of large areas. Higher accuracy with equal time expanses was reached by using inventory plots of two concentric circles. Within the smaller circle all the trees with a dbh ≥ 400 mm were mapped, within the bigger circle only the trees with a dbh ≥ the value of computed threshold were mapped. This way the number of measured trees together with time and supposed financial expenses were reduced.
93
9. Použitá literatura Aristeguieta, L. 1973. Familias y géneros de los árboles de Venezuela. Venezuela, Instituto Botánico, 845 s. Baker, T. R., et al. 2004. Increasing biomass in Amazonian forest plots. Philosophical Transactions of the Royal Society of London. Series B: Biological Sciences 359 (1443). 353–365. Baraloto, C. et al. 2013. Rapid simultaneous estimation of aboveground biomass and tree diversity across Neotropical forests: a comparison of field inventory methods. Biotropica 45 (3). 288–298. Barreto, E. D., Alván Ruiz, J. E. 2010. Regeneración de un bosque natural de terraza alta con fines de manejo, carretera Iquitos-Nauta, Loreto, Perú. Conocimiento Amazónico 1 (1). 33–40. Bendezú, Y. F. 2012. El cedro blanco [online] citováno 15. září 2013. Dostupné na World Wide Web: . Bendezú, Y. F. 2013. La familia Sapotaceae en Ucayali [online] citováno 15. září 2013. Dostupné na World Wide Web: . Berchtold, F. G., Presl, J. S. 1820. O Přirozenosti Rostlin, aneb Rostlinář. Praha, Karel Vilém Enders, 322 s. Blaser, J. et al. 2011. Status of Tropical Forest Management 2011 (ITTO Technical Series No 38). Yokohama, International Tropical Timber Organization, 419 s. ISBN 4-902045-78-8. Brack, A. 1999. Diccionario enciclopédico de plantas útiles del Perú. Lima, CBC; Centro de Estudios Regionales Andinos "Bartolomé de Las Casas", 550 s. ISBN 9972-691-21-0. Brown, I. F., et al. 1995. Uncertainty in the biomass of Amazonian forests: an example from Rondonia, Brazil. Forest Ecology and Management 75 (1–3). 175–189. Bruenig, E. F. 1996. Conservation and management of tropical rainforests: an integrated approach to sustainibility. Wallingford, CAB International. 339 s. ISBN 0851989942. Buckland, S. T. et al. 2001. Introduction to Distance Sampling-Estimating Abundance of Biological Populations. New York, Oxford University Press, 432 s. ISBN 978-0-19-850927-8. Buckland, S. T. et al. 2007. Line transect methods for plant surveys. Biometrics 63 (4). 989–998. Campbell, D. G. Quantitative inventory of tropical forests. In Campbell, D. G., Hammond, H. D. (eds.) 1989. Floristic inventory of Tropical Countries: the status of plant systematics, collections, and vegetation, plus recommendations for the future. New York, The New York Botanical Garden, 523–533. Castillo, A. Q. 2010. Manual dendrológico de las principales especies de interés comercial actual y potencial de la zona del Alto Huallaga. Lima, Cámara Nacional Forestal, 83 s.
94
CIA. 2013. The World Factbook [online] citováno 9. května 2013. Dostupné na World Wide Web: . Clark, D. A. et al. 2001. Net primary production in tropical forests: an evaluation and synthesis of existing field data. Ecological applications 11 (2). 371–384. Clark, D. B., Clark, D. A. 1996. Abundance, growth and mortality of very large trees in neotropical lowland rain forest. Forest Ecology and Management 80 (1–3). 235–244. Condé, T. M., Tonini, H. 2013. Phytosociology of a dense ombrophilous forest in the northern Amazon, Roraima, Brazil. Acta Amazonica 43 (3). 247–259. Condit, R. et al. 2002. Beta-diversity in tropical forest trees. Science 295 (5555). 666–669. Cousteau, J. Y. 1994. Tajemství Amazonie. Bratislava, Slovart, 45 s. ISBN: 80-7145-139-8. Dancé Caballero, J. J. 2006. Consultoria introducción de especies líderes en los mercados de exportación. Sexto informe bimensual. Lima, Vláda Peruánské republiky. 104 s. De Jong, W. 1995. Diversity, Variation and Change in Ribereno Agriculture and Agroforestry. Dizertační práce. Wagenigen: Wageningen Agricultural University. 186 s. De Oliviera, A. A., Mori, S. 1999. A central Amazonian terra firme forest. I. High tree species richness on poor soils. Biodiversity & Conservation 8 (9). 1219–1244. Encyclopedy of Life [online] citováno 20. srpna 2013. Dostupné na World Wide Web: . FAO. 1948. Forest resources of the world. Unasylva 2 (4) [online] citováno 3. září 2013. Dostupné na World Wide Web: . FAO. 2010. Evaluación de los recursos forestales mundiales 2010 [online] citováno 25. dubna 2013. Dostupné na World Wide Web: . FAO. 2013a. FAOSTAT. Resources. Land [online] citováno 27. září 2013. Dostupné na World Wide Web: < http://faostat.fao.org/site/377/DesktopDefault.aspx?PageID=377#ancor>. FAO. 2013b. FAOSTAT. Population. Annual time series [online] citováno 27. září 2013. Dostupné na World Wide Web: < http://faostat.fao.org/site/550/default.aspx#ancor>. Feldpausch, T. R. et al. 2011. Height-diameter allometry of tropical forest trees. Biogeosciences 8. 1081–1106. Fiske, I. et al. 2013. Unmarked: Models for Data from Unmarked Animals [online] citováno 12. srpna 2013. Dostupné na World Wide Web: . Fujisaka, S. et al. 1998. Plant community diversity relative to human land uses in an Amazon forest colony. Biodiversity and Conservation 7 (1). 41–57. Gautier, L., Spichiger, R. 1986. Ritmos de reproducción en el estrato arbóreo del Arborétum Jenaro Herrera (provincia de Requena, departamento de Loreto, Perú). Contribución al estudio de la flora y de la vegetación de la Amazonia peruana. Candollea 41 (1). 193–207.
95
Gentry, A. H. 1982. Neotropical floristic diversity: phytogeographical connections between Central and South America, Pleistocene climatic fluctuations, or an accident of the Andean orogeny? Annals of the Missouri Botanical Garden 69 (3). 557–593. Gentry, A. H. 1993. Field Guide to the Families and Genera of Woody Plants of Northwest South America (Colombia, Ecuador, Peru): With Supplementary Notes on Herbaceous Taxa. Chicago, University of Chicago Press. 920 s. ISBN: 0226289443. Goldsmith, F. B. et al. 1998. Tropical rain forest: a wider perspective. London, Chapman & Hall. 416 s. ISBN 0-412-81520-6. Golley, F. B. 1983. Ecosystems of the world. 14A. Tropical rain forest ecosystems. Structure and function. Philadelphia, Elsevier Scientific Publishing. 1983 s. ISBN 0-444-41986-1. Hatcher, J., Bailey, L. 2011. Tropical Forest Tenure Assessment: Trends, Challenges and Opportunities (ITTO Technical Series No. 37). ITTO, Yokohama, ITTO, 48 s. ISBN 4-902045-77-X. Hédl, R. et al. 2009. A new technique for inventory of permanent plots in tropical forests: a case study from lowl and dipterocarp forest in KualaBelalong, Brunei Darussalam. Blumea – Biodiversity, Evolution and Biogeography of Plants 54 (1–3). 124–130. Hertel, D. et al. 2009. Below-and above-ground biomass and net primary production in a paleotropical natural forest (Sulawesi, Indonesia) as compared to neotropical forests. Forest Ecology and Management 258 (9). 1904–1912. Higgins, M. A., Ruokolainen, K. 2004. Rapid tropical forest inventory: a comparison of techniques based on inventory data from western Amazonia. Conservation Biology 18 (3). 799–811. Holdrige, L. R. 1987. Ecología basada en zonas de vida. San José, Instituto Interamericano de Cooperación para la Agricultura, Agroamerica, 216 s. ISBN 9290391316. Huttel, Ch. 1975. Root distribution and biomass in three Ivory Coast rain forest plots. Tropical ecological systems 11. 123–130. Chave, J. et al. 2001. Estimation of biomass in a neotropical forest of French Guiana: spatial and temporal variability. Journal of Tropical Ecology 17 (1). 79–96. Chudnoff, M. et al. 1984. Tropical timbers of the world. Washington, D. C., US Department of Agriculture, Forest Service, 464 s. IIAP, PAAN. 2005. Zonificación Ecológica y Económica para el Desarrollo Sostenible, IquitosNauta [online] citováno 20. dubna 2013. Dostupné na World Wide Web: . INRENA. 1996. Guía explicativa del mapa forestal. Lima, Instituto Nacional de Recursos Naturales, Dirección General Forestal. 126 s. INRENA. 2006. Mapa forestal del Peru [online] stáhnuto 3. května 2013. Dostupné na World Wide Web: . ITTO. 2006. Status of tropical forest managment 2005 (ITTO Technical Series No 24). Yokohama, ITTO, 305 s. ISBN 4-902045-24-9.
96
ITTO. 2012. The Annual Review Statistic Database [online] citováno 12. dubna 2013. Dostupné na World Wide Web: . Janovec, J. P. 2003. Image information. Euphorbiaceae [online] citováno 15. září 2013. Dostupné na World Wide Web: . Jeník, J. 1996. Ekosystémy: úvod do organizace zonálních a azonálních biomů. Praha, Karolinum, 135 s. ISBN 8071840408. Jeník, J., Pavliš, J. 2011. Terestrické biomy: lesy a bezlesí Země. Učební text. Brno, Mendelova univerzita v Brně, 238 s. ISBN 978-80-7375-481-5. Jensen, A., Meilby, H. 2012. Assessing the Population Status of a Tree Species Using Distance Sampling: Aquilaria crassna (Thymelaeaceae) in Northern Laos. International Journal of Forestry Research 2012. 11 s. Keller, M. et al. 2001. Biomass estimation in the Tapajos National Forest, Brazil: examination of sampling and allometric uncertainties. Forest Ecology and Management 154 (3). 371–382. Kleinn, C. 2011. Lecture Notes for the Teaching Module: Monitoring of Forest Resources. Göttingen, Georg-August-Universität Göttingen, 190 s. Klinge, H. et al. 1975. Biomass and structure in a central Amazonian rain forest. Tropical ecological systems 11. 115–122. Kometter, R. 2010. Situación del sector forestal del Peru. Lima, Interní zpráva WWF. Kumarathunge, D. P., et al. 2011. Evaluation of the plotless sampling method to estimate aboveground biomass and other stand parameters in tropical rain forests. Applied Ecology and Environmental Research, 9 (4). 425–431. La Rotta, C. C. 1988. Estudio etnobotánico sobre las especies utilizadas por la comunidad indigena Miraña. Amazonas, Colombia. Bogota, FEN, WWF. 386 s. ISBN: 958-9129-05-6. Lamb, F. B. 1966. Mahogany of tropical America: its ecology and management. Michigan, University of Michigan Press, 220 s. Little, E. L., Dixon, R. G. 1969. Arboles comunes de la Provincia de Esmeraldas: Ecuador. Wasington, Cuerpo de Paz, 535 s. Lojka, B. et al. 2012. Use of the Amazonian Tree Species Inga edulis for Soil Regeneration and Weed Control. Journal of Tropical Forest Science 24 (1). 89–101. Longwood, F. R. et al. 1961. Puerto Rican woods. Their machining, seasoning and related characteristics. Washington, US Department of Agriculture, Forest Service, 98 s. Lorenzi, H. 2002. Brazilian trees: A Guide to the Cultivation and Identification of Brazilian Trees - Volume 02. Nova Odessa, Instituto Plantarum de Estudos da Flora, 374 s. ISBN 85-86714-15-1. Lugo, A.E. et al. 2002. Big-leaf Mahogany: Genetics, ecology and management (Ecological Studies No. 159). New York, Springer, 433 s. ISBN: 978-0-387-98837-5.
97
Malleaux, J. O. 1974. Estudio de la Relación Tipo de Bosque-Especie, en los Bosques de la Colonización de Jenaro Herrera. Revista Forestal del Perú 5 (1–2). 1–6. Malleaux, J. O. 1982. Inventarios Forestales en Bosques Tropicales. Lima: Universidad Nacional Agraria la Molina, Facultad de Ciencias Forestales. 460 s. Mandallaz, D. 2008. Sampling techniques for forest inventories. Boca Raton, Chapman & Hall/CRC, 272 s. ISBN 978-1-58488-976-2. Marmillod, D. 1982. Methodik und Ergebnisse von Untersuchungen über Zusammensetzung und Aufbaueines Terrassenwaldes in peruanischen Amazonien. Dizertační práce. Göttingen: Georg-August-Universität, Fakultät fűr Forstwissenschaften, 198 s. Marques, T. A. et al. Distance sampling. In Lovric, M. (ed.) 2011. International Encyclopedia of Statistical Science. Berlin, Springer Berlin Heidelberg. 398–400. Mayhew, J. E., Newton, A. C. 1998. The silviculture of mahogany (Swietenia macrophylla). Wallingford, CAB INTERNATIONAL, 226 s. ISBN 0851993079. Nascimento, H. E. M., Laurance, W. F. 2002. Total aboveground biomass in central Amazonian rainforests: a landscape-scale study. Forest ecology and management 168 (1–3). 311–321. Němeček, J. et al. 1990: Pedologie a paleopedologie. Praha, Academia, 546 s. ISBN 9788020001535. Niiyama, K. et al. 2010. . Estimation of root biomass based on excavation of individual root systems in a primary dipterocarp forest in Pasoh Forest Reserve, Peninsular Malaysia. Journal of Tropical Ecology 26 (3). 271–284. Oficina de Información Forestal y Fauna Silvestre. 2011. Programa regional de manejo de recursos forestales y de fauna silvestre intervino más de mil 500 trozas de madera [online] citováno 17. května 2013. Dostupné na World Wide Web: . Olson, D. M. et al. 2001. Terrestrial Ecoregions of the World: A New Map of Life on Earth: A new global map of terrestrial ecoregions provides an innovative tool for conserving biodiversity. BioScience 51 (11). 933–938. Orwa, C. et al. 2009. Cedrela odorata [online] citováno 2. října 2013. Dostupné na World Wide Web: < http://www.worldagroforestry.org/treedb2/AFTPDFS/Cedrela_odorata.pdf >. Pavliš, J. 1998. Obnova tropického deštného lesa se zřetelem na vývoj kořenových systémů. Dizertační práce. Brno: Mendelova zemědělská a lesnická univerzita v Brně, Lesnická a dřevařská fakulta. 130 s. Pavliš, J., Jeník, J. 2000. Roots of pioneer trees in the Amazonian rain forest. Trees 14 (8). 442–455. Pennington, T. D. et al. 2004. Illustrated guide to the trees of Peru. Milborne Port, David Hunt, 848 s. ISBN 0-9538134-3-6. Pitman, N. C. A. et al. 1999. Tree species distributions in an upper Amazonian forest. Ecology 80 (8). 2651-2661.
98
Pitman, N. C.A. et al. 2001. Dominance and distribution of tree species in upper Amazonian terra firme forests. Ecology 82 (8). 2101–2117. Presl, J. S. 1846. Všeobecný rostlinopis I–II. Praha, Kronberger a Řivnáč, 2072 s. Réjou-Méchain, M. et al. 2011. Detecting large-scale diversity patterns in tropical trees: Can we trust commercial forest inventories? Forest Ecology and Management 261 (2). 187–194. Reynel, C. et al. 2003. Árboles útiles de la Amazonía Peruana. Peru, Talleres Gráficos de Tarea Asociación Gráfica Educativa, 50 s. Rondon, X. J. et al. 2009. Projection of tree growth and timber volume following strip clear – cutting in the Peruvian Amazon. Forest Ecology and Managment 257 (2). 588–599. Ruiz Murrieta, J. 1992. Food From The Forest: The Peruvian Case. Journal of Tropical Forest Science 5 (1). 115–129. Russell, J. R., et al. 1999. Genetic variation of Calycophyllum spruceanum in the Peruvian Amazon Basin, revealed by amplified fragment length polymorphism (AFLP) analysis. Molecular Ecology 8 (2). 199–204. Rutter, R. 1990. Catalogo de plantas utiles de la Amazonia peruana. Peru, Ministerio de Educacion, Instituto Linguistico de Verano, 349 s. Saner, P. et al. 2012. Carbon stocks and fluxes in tropical lowland dipterocarp rainforests in Sabah, Malaysian Borneo. PloS ONE 7 (1). 1–11. Schmidt, L., Joker, D. 2000. Swietenia macrophylla King. Seed Leaflet No. 30, September 2000. Denmark, Danida Forest Seed Centre. Smith, J. et al. 2006. Why policy reforms fail to improve logging practices: The role of governance and norms in Peru. Forest Policy and Economics 8 (4). 458–469. Soerianegara, I., Lemmens, R. H. M. J. 1993. Plant resources of South-east Asia 5(1): Timber trees: major commercial timbers. Bogor, Prosea Foundation, 610 s. ISBN 90-220-1033-3. Spalding, M. et al. 2010. World Atlas of Mangroves. London, Earthscan, 319 s. ISBN 978-1-84407-657-4. Spichiger, R. et al. 1989. Contribución a la Flora de la Amazonía Peruana. Los Arboles del Arboretum Jenaro Herrera, vol. 1. Geneva, Conservatoire et Jardin botanique de Genéve, 358 s. Swaine, M. D., Beer, T. 1977. Explosive Seed Dispersal in Hura crepitans L. (Euphorbiaceae). New Phytologist 78 (3). 695–708. Taylor, C. M., Janovec, J. P. 2005. Image information. Rubiaceae [online] citováno 15. září 2013. Dostupné na World Wide Web: . Tomppo, E. et al. 2008. Multi-source National Forest Inventory: Methods and Applications (Vol. 18). New York, Springer, 374 s. ISBN 1402087128. Torres, M. 2013. Electronic timber traceability. ITTO Tropical forest update 22 (2). 3–4.
99
Trimble Navigation Limited. Ultimate field solution for asset management with 3.5G voice and data capability [online] citováno 25. června 2013. Dostupné na World Wide Web: . Valcárcel, J. 1990. Lecythidaceae [online] citováno 15. září 2013. Dostupné na World Wide Web: . Valíček, P. et al. 2002. Užitkové rostliny tropů a subtropů. Praha, Academia. 486 s. ISBN 80-200-0939-6. Vašíček, J. et al. 2007. Národní inventarizace lesů v České republice 2001–2004. Úvod, metody, výsledky. Brandýs nad Labem, Ústav pro hospodářskou úpravu lesů Brandýs nad Labem, 224 s. ISBN 978-80-7084-587-5. Vera, R. R. 2006. Country Pasture/Forage Resource Profiles. Peru. Rome, FAO. 18 s. Vester, H. F. M., Cleef, A. M. 1998. Tree architecture and secondary tropical rainforest development. A case study in Araracuara, Colombian Amazonia. Flora 193 (1). 75–97. Vláda Peruánske republiky. 2003. Directiva para la autorización de volúmenes de madera en los planes de manejo forestal.Directiva N° 017-2003-INRENA-IFFS [online] citováno 28. dubna 2013. Dostupné na World Wide Web: . Vláda Peruánské republiky. 2010. Peru Readiness Preparation Proposal [online] citováno 4. září 2013. Dostupné na World Wide Web: . Vláda Peruánské republiky. 2013. Inventario Nacional Forestal. [online] citováno 5. září 2013. Dostupné na World Wide Web: . Wadsworth, F. H., et al. 1997. Forest production for tropical America. Washington, U.S. Department of Agriculture, Forest Service, 563 s. Weber, E. et al. 2003. Invasive plant species of the world: a reference guide to environmental weeds. Wallingford, CABI publishing. 548 s. ISBN 0-85199-695-7. Whitmore, T. C. 1990. An introduction to tropical rain forests. Oxford, Oxford University Press, 226 s. WWF Peru. 2006. Manual de Censos Forestales. Lima, WWF Peru, 72 s. ISBN 0198542763. Zent, E. L., Zent S. 2004. Floristic composition, structure, and diversity of four forest plots in the Sierra Maigualida, Venezuelan Guayana. Biodiversity & Conservation 13 (13). 2453–2483. Zumaeta, I. L. E. C. 2009. Dendrocronología en árboles de Tornillo, Cedrelinga cateniformis Ducke (Fabaceae), del Centro de Investigaciones Jenaro Herrera en el noreste de la Amazonia, Región Loreto, Perú. Diplomová práce. Lima: Universidad Nacional Agraria La Molina, Escuela de Postgrado. 129 s. Zúñiga, C. M. 2012. Uso del sistema electrónico colector de datos Field-Map en el censo de una parcela de corta anual del bosque tropical, en Loreto. Diplomová práce. Lima: Universidad Nacional Agraria la Molina, Facultad de Ciencias Forestales. 109 s.
100
10. Seznam obrázků Obr. 1 Poloepifytický škrtič (Ficus sp.) po vyklíčení v koruně spustí vzdušné kořeny okolo kmene, hostitelského stromu, který časem zahubí a nahradí.. .........................................................................7 Obr. 2 Pohled do korun horního stromového patra ze světliny vzniklé pádem vzrostlého stromu................9 Obr. 3 Chůdovité kořeny a mohutné kořenové náběhy. Adaptace dřevin TDL na periodické zaplavování lesa, opěrná a chladící funkce. Foto: autor (2007). ...........................................................................11 Obr. 4 Skupina téměř izolovaně žijících obyvatel domorodého kmene Ashaninka.. ...................................15 Obr. 5 Mapa lesnatosti Peruánské republiky.. ............................................................................................16 Obr. 6 Mapa Peru zobrazující lesy permanentní produkce a koncese. .......................................................17 Obr. 7 Příklad fungování maloplošného kočovného zemědělství v lesní oblasti peruánské Amazonie v regionu Junín..................................................................................................................................18 Obr. 8 Pětiletá plantáž dřeviny Guazuma crinita (bolaina) v nížině západní Amazonie.. ..........................19 Obr. 9 Přibližování ilegálně těženého dříví. ...............................................................................................21 Obr. 10 Přístav na řece Ucayali ve městě Pucallpa využívaný dřevařským průmyslem.. ...........................22 Obr. 11 Lokalizace zájmovéhého území a jeho pozice v koncesi IMAZA. ...................................................27 Obr. 12 Hluboká lateritizovaná půda v oblasti Nauta. ...............................................................................29 Obr. 13 Satelitní snímek homogenního porostu TDL přímo v místě realizace studie, 8 km od města Nauta. ...........................................................................................................................................................34 Obr. 14 Apuleia leiocarpa (ana caspi) na studované ploše.. ......................................................................36 Obr. 15 Měření výčetních tlouštěk a vkládání dat do PDA.. .......................................................................39 Obr. 16 Využití měřící sady pro zaměřování referenčních bodů za účelem udržení souřadnic při pohybu na inventarizované ploše.. .................................................................................................................40 Obr. 17 Vizualizace plochy censu 2008 se zaměřenými stromy a aproximovanou sítí vrstevnic. ...............41 Obr. 18 Výsledky použití metody distance sampling, zobrazující počty stromů v 10 m širokých pásech podle vzdálenosti na ose X od bodu počátku inventarizace. Stromy zaměřené, stromy vypočtené a jejich součty. ...................................................................................................................................43 Obr. 19 Součty četností zmapovaných stromů podle vzdálenosti od středových linií subploch. Stromy zaměřené, stromy vypočtené metodou distance sampling a jejich součty. ........................................43 Obr. 20 Mapa pozic stromů se simulovaným proložením kruhovými inventarizačními plochami o poloměru 30 m (měřítko v metrech). ..............................................................................................45 Obr. 21 Posun inventarizační mřížky před každým proložením mapy proběhl o vektor směřující do náhodného místa v rámci jednoho bloku mřížky. ..............................................................................45 Obr. 22 Mapa inventarizované plochy znázorňující hodnoty hektarové kruhové základny. .......................47 Obr. 23 Graf průněhu funkce gamma, použité pro výpočet hraniční hodnoty výčetní tloušťky (tresholdu). ...........................................................................................................................................................48 Obr. 24 Výřez mapy lokálních hustot kolem pozic všech stromů. ...............................................................49 Obr. 25 Mapa inventarizované oblasti se dvěma transekty o šířce 56 m (měřítko v metrech). ...................51 Obr. 26 Závislost počtu kruhových zkusných ploch na velikosti bloku inventarizační mřížky. ...................53 Obr. 27 Srovnání časové spotřeby na inventarizační práce........................................................................54 Obr. 28 Pozice stromů zaměřených během obou censů vizualizované v mapě studované plochy. ..............55 Obr. 29 Porovnání výšek stromů změřených při obou censech...................................................................62 Obr. 30 Porovnání výšky nasazení koruny stromů změřených při obou censech. .......................................62 Obr. 31 Porovnání výčetních tlouštěk stromů změřených při obou censech. ..............................................63 Obr. 32 Porovnání hektarové kruhové základny stromů změřených při obou censech. ..............................64 Obr. 33 Porovnání hektarové zásoby stromů změřených při obou censech. ...............................................64 Obr. 34 Porovnání výšek všech změřených stromů. ....................................................................................65 Obr. 35 Porovnání výšky nasazení koruny všech změřených stromů. .........................................................66 Obr. 36 Porovnání výčetních tlouštěk všech změřených stromů. ................................................................66 Obr. 37 Porovnání hektarové kruhové základny všech změřených stromů. ................................................67 Obr. 38 Porovnání hektarové zásoby všech změřených stromů. .................................................................67 Obr. 39 Porovnání hektarové zásoby zjištěné v obou censech a vypočtené s použitím metody distance sampling. ...........................................................................................................................................69 Obr. 40 Kvantilové rozložení stromů podle výčetní tloušťky. Stromy zaměřené, stromy vypočtené metodou distance sampling a jejich součty. .....................................................................................................70 Obr. 41 Mapa inventarizované plochy zobrazující pozice stromů zaměřených při censu 2008 a stromů dopočítaných metodou distance sampling a do mapy dosazených (měřítko v metrech). ...................71
101
Obr. 42 Histogramy zobrazující rozložení četností průměrných hektarových počtů stromů, jejich aritmetický průměr (Mean) a směrodatnou odchylku (Std.) pro všech 25 variant simulovaných inventarizací. .....................................................................................................................................72 Obr. 43 Histogramy zobrazující rozložení četností průměrné hektarové kruhové základny, její aritmetický průměr (Mean) a směrodatnou odchylku (Std.) pro vybraných 16 variant simulovaných inventarizací jednoduchých kruhových ploch....................................................................................73 Obr. 44 Vrstevnicový graf znázorňující směrodatnou odchylku průměrné hektarové zásoby v závislosti na časových nákladech provedení inventarizací pro všechny varianty jednoduchých kruhových ploch. ...........................................................................................................................................................74 Obr. 45 Histogramy zobrazující rozložení četností průměrné hektarové kruhové základny, její aritmetický průměr (Mean) a směrodatnou odchylku (Std.) pro vybraných 16 variant simulovaných inventarizací ploch o dvou soustředných kruzích. .............................................................................75 Obr. 46 Vrstevnicový graf znázorňující směrodatnou odchylku průměrné hektarové zásoby v závislosti na časových nákladech provedení inventarizací pro všechny varianty ploch o dvou soustředných kruzích. ..............................................................................................................................................76 Obr. 47 Histogramy zobrazující rozložení četností průměrné hektarové kruhové základny, její aritmetický průměr (Mean) a směrodatnou odchylku (Std.) pro vybraných 16 variant simulovaných inventarizací pásových ploch. ...........................................................................................................77 Obr. 48 Vrstevnicový graf znázorňující směrodatnou odchylku průměrné hektarové zásoby v závislosti na časových nákladech provedení simulovaných inventarizací pro všechny varianty pásových ploch..78
102
11. Seznam tabulek Tab. 1 Lesní koncese v Peru aktivní k prosinci 2009 podle regionů. ..........................................................22 Tab. 2 Pět nejtěženějších dřevin a jejich průměrná roční produkce dřevní suroviny v letech 1991–2008. 24 Tab. 3 Druhy dřevin obchodované na trhu dříví v roce 2006. ....................................................................26 Tab. 4 Počet osob zúčastněných na terénních pracích. ..............................................................................35 Tab. 5 Srovnání základních charakteristik, parametrů a vybavení u obou realizovaných censů. ..............38 Tab. 6 Velikosti poloměrů ploch o dvou soustředných kruzích. ..................................................................50 Tab. 7 Vyčíslení zmapovaných a opomenutých délek subploch censu 2007. ..............................................55 Tab. 8 Přehled taxonů zmapovaných při censu 2008, počet jedinců a jejich procentuální zastoupení. .....56 Tab. 9 Průměrné počty registrovaných stromů při provedení inventarizací metodou s kruhovými plochami, metodou s plochami o dvou soustředných kruzích a rozdíly v počtech stromů při užití obou metod. Hodnoty pro jednotlivé varianty v závislosti na poloměru kruhové plochy a délce strany inventarizančí mřížky. ............................................................................................................87
103
12. Přílohy I. Dokumentace k metodě distance sampling I.I Příprava dat -Skript spočte vzdálenosti stromů od středové linie. import psycopg2 import numpy as np from matplotlib import pyplot as plt def count_hist(faja): try: conn = psycopg2.connect("dbname='nazev_databaze' user='uzivatelske_jmeno' host='localhost' password='uzivatelske_heslo'") except: print "I am unable to connect to the database" cur = conn.cursor() sql = "SELECT tree.gid from censo_imaza_2008 as tree, fajas as area WHERE ST_Contains(area.geom, tree.geom) AND area.id = %d;" % faja cur.execute(sql) treesGid = cur.fetchall() distances = list() for treeGid in treesGid: sql = "SELECT ST_Distance((SELECT geom FROM censo_imaza_2008 WHERE gid='%d'), (SELECT geom FROM cesty WHERE id = %d ));" % (treeGid[0], faja) cur.execute(sql) dist = cur.fetchall() distances.append(dist[0][0]) return distances for i in range(1,11): distances=np.array(count_hist(i)) fig = plt.figure() ax = fig.add_subplot(111) ax.hist(distances) fig.savefig('results/%i_puvodni.png' % i) names = ['a','b','c','d','e','f','g','h','i','j'] f1=open('./treesDistances.csv', 'w+') f1.write('distance;transect\n') for i in range(1,11): distances=np.array(count_hist(i)) #print(distances.shape) for d in distances: f1.write('%f;%s\n' % (d, names[i-1])) f1.close()
104
I.II Výpočet využívající knihovnu „unmarked“ http://cran.rproject.org/web/packages/unmarked/index.html -Algoritmus vypočte pravděpodobný průměrný hektarový počet stromů. library(unmarked) #==========================data import===================== dists <- read.csv("treesDistances.csv", sep=";") transectString <- "vsechny" #dists <- data.frame(data.matrix(dists[dists[, "transect"] == transectString, 1:2])) #==========================data formating================== breaks=c(0,5,10,15,20,25,30,35,40,45,50) #breaks=c(0,10,20,30,40,50) yDat <- formatDistData(dists, distCol="distance", transectNameCol="transect", dist.breaks=breaks) #transect-specic covariate data #(covs <- data.frame(canopyHt = c(5, 8, 3, 2, 4, 7, 5), habitat = c('A','A','A','A','B','B','B'), row.names=letters[1:7])) umf <- unmarkedFrameDS(y=as.matrix(yDat), siteCovs=NULL, survey="line", dist.breaks=breaks, tlength=rep(2000, nrow(yDat)), unitsIn="m") #==========================data sumarizing================= #summary(umf) png(filename=paste("distSampFaja_",transectString,".png",sep="")) plot(hist(umf, xlab="distance (m)", main="", cex.lab=0.8, cex.axis=0.8)) dev.off() #==========================model fitting=================== #fm <- distsamp(~1 ~1, umf) hn_Null <- distsamp(~1 ~1, umf, keyfun="halfnorm", output="density", unitsOut="ha") #haz_Null <- distsamp(~1 ~1, umf, keyfun="hazard") #hn_Hab.Ht <- distsamp(~canopyHt ~habitat, umf) #==========================manipulating results============ names(hn_Null) print(backTransform(hn_Null, type="state")) backTransform(hn_Null, type="det") #names(haz_Null) #backTransform(haz_Null, type="state") #backTransform(haz_Null, type="det") #backTransform(haz_Null, type="scale") #backTransform(linearComb(hn_Hab.Ht['det'], c(1, 5)))
I.III Dosazení dopočtených stromů -Funkce generuje 2ha pásy (10 m x 2 000 m) pro dosazení dopočtených stromů, tedy vyrovnání na průměrný hektarový počet vypočtený metodou distance sampling. CREATE FUNCTION set_areas(number integer) RETURNS void LANGUAGE plpgsql AS $$ DECLARE x float; y float; w float;
105
h float; i integer; BEGIN x:=652970; y:=9508146; w:=10; h:=2000; FOR i IN SELECT * FROM generate_series(1,number) LOOP INSERT INTO areas(gid, id, geom) VALUES (i, i, ST_SetSRID( ST_MakePolygon( ST_MakeLine( ARRAY[ ST_MakePoint(x+50-(i-1)*w, y), ST_MakePoint(x+50-(i)*w, y), ST_MakePoint(x+50-(i)*w, y+h), ST_MakePoint(x+50-(i-1)*w, y+h), ST_MakePoint(x+50-(i-1)*w, y) ] ) ) , 32718) ); END LOOP; END; $$;
--Funkce dosadí stromy do zadané oblasti na náhodné pozice. CREATE FUNCTION set_trees(area integer, number integer) RETURNS void AS $$ DECLARE x float; y float; i integer; id integer; BEGIN area:=area-1; number:=number-1; FOR i IN SELECT * FROM generate_series(0,number) LOOP x:=random()*10-5; x:=x+45-(area*10); y:=random()*2000; id:=500000+(area+1)*1000+i; INSERT INTO generated_trees(gid, id, faja, nom_comun, geom) VALUES (id, id, area+1, 'pokus', ST_SetSRID(ST_MakePoint(652970+x, 9508146+y), 32718)); END LOOP; END; $$ LANGUAGE plpgsql;
106
-Funkce projde všechny oblasti (2ha pásy) a spočítá, kolik je do nich potřeba dosadit stromů k dosažení průměrného hektarového počtu. CREATE FUNCTION set_trees_in_areas() RETURNS void LANGUAGE plpgsql AS $$ DECLARE numberOfTrees integer; i integer; BEGIN FOR i IN SELECT * FROM generate_series(1,100) LOOP SELECT count(tree.gid) into numberOfTrees FROM censo_imaza_2008 AS tree, areas AS area WHERE ST_Contains(area.geom, tree.geom) AND area.gid=i; RAISE NOTICE 'count: %', numberOfTrees; --28/ha -> 56 / 10x2000m , 87 je navic v 11 pasech-> 55 PERFORM set_trees(i, 55-numberOfTrees); END LOOP; END; $$;
I.IV Analýza a přiřazení výčetních tlouštěk -Všem vygenerovaným a do mapy dosazeným stromům přiřadí výčetní tloušťku podle rozložení četností výčetních tlouštěk naměřených. import psycopg2 import numpy as np def count_dbh_a_ht(): try: conn = psycopg2.connect("dbname='nazev_databaze' user='uzivatelske_jmeno' host='adresa_db_serveru' password='uzivatelske_heslo'") except: print "I am unable to connect to the database" cur = conn.cursor() sql = "SELECT dap__cm_, ht__m_ FROM censo_imaza_2008;" cur.execute(sql) result = cur.fetchall() DBH = list() HT = list() for row in result: DBH.append(float(row[0])) HT.append(float(row[1])) return np.array(DBH), np.array(HT) def insertData(drawnData): try:
107
conn = psycopg2.connect("dbname='nazev_databaze' user='uzivatelske_jmeno' host='adresa_db_serveru' password='uzivatelske_heslo'") except: print "I am unable to connect to the database" cur = conn.cursor() sql="SELECT gid FROM generated_trees;" cur.execute(sql) result = cur.fetchall() GID = list() for row in result: GID.append(int(row[0])) GID=np.array(GID) params=np.vstack((drawnData,GID)).T sql = "UPDATE generated_trees SET dap__cm_ = %s WHERE gid = %s;" cur.executemany(sql, params) conn.commit() #================================================================== === [DBH, HT] = count_dbh_a_ht() from scipy.stats import norm from scipy.stats import expon import matplotlib.pyplot as plt # best fit of data #(mu, sigma) = norm.fit(HT) (start, lamb) = expon.fit(DBH) start=40 #we know from data # the histogram of the data #n, bins, patches = plt.hist(HT, 20, normed=1) plt.subplot(221) plt.hist(DBH, 50) plt.title('original DBH') plt.grid(True) plt.subplot(222) n, bins, patches = plt.hist(DBH, 50, normed=1) # add a 'best fit' line #y = norm.pdf( bins, mu, sigma) y = expon.pdf(bins, start, lamb) l = plt.plot(bins, y, 'r--', linewidth=2) plt.title('fitting with exponential distribution (normalised)') plt.grid(True) plt.subplot(223) plt.hist(expon.rvs(start, lamb, size=3 648), 50) plt.title('3 648 instances drawn') plt.grid(True) plt.subplot(224) drawnData=expon.rvs(start, lamb, size=1 950)
108
plt.hist(drawnData, 50) plt.title('1 950 instances drawn') plt.grid(True) plt.show() insertData(drawnData)
II. Dokumentace provádění simulací II.I Simulace do mapy s pozicemi stromů II.I.I Spouštění simulací kruhových ploch v mapě s pozicemi stromů -Funkce spouští simulace zkusných ploch generovaných kolem průsečíků mřížky (inventarizační sítě). CREATE FUNCTION make_simulation(sim_count integer, x_size integer, y_size integer, radius double precision) RETURNS void LANGUAGE plpgsql AS $$ DECLARE avgDensity float; x_rand float; y_rand float; number_in integer; i int; BEGIN INSERT INTO simulations (x_size, y_size, radius, sim_count) VALUES (x_size, y_size, radius, sim_count); FOR i IN SELECT * FROM generate_series(1, sim_count) LOOP DELETE FROM grid WHERE gid>0; DELETE FROM circles WHERE gid>0; x_rand:=random()*x_size*(-1); y_rand:=random()*y_size*(-1); PERFORM set_grid(x_size,30,y_size,30, x_rand, y_rand); PERFORM count_grid(radius); SELECT avg(density) FROM circles into avgDensity; SELECT count(grid) FROM grid, censo_area WHERE ST_Contains(censo_area.geom, grid.geom) into number_in; INSERT INTO simulation (simulations_id, avg_density, rand_offset_x, rand_offset_y, number_in) VALUES ((SELECT max(id) FROM simulations), avgDensity, x_rand, y_rand, number_in); --RETURN NEXT avgDensity; END LOOP; END; $$;
109
II.I.II Nastavení inventarizační mřížky - Funkce nastavuje inventarizační mřížku s daným posunem. CREATE FUNCTION set_grid(x_size integer, x_count integer, y_size integer, y_count integer, x_rand double precision, y_rand double precision) RETURNS void LANGUAGE plpgsql AS $$ DECLARE x float; y float; x_start float; y_start float; x_offset float; y_offset float; BEGIN x_start:=652020; y_start:=9508146; FOR x_offset IN SELECT * FROM generate_series(0, x_count*x_size1, x_size) LOOP FOR y_offset IN SELECT * FROM generate_series(0, y_count*y_size-1, y_size) LOOP x:=x_start+x_offset+x_rand; y:=y_start+y_offset+y_rand; --id:=500000+(area+1)*1000+i; INSERT INTO grid(geom) VALUES (ST_SetSRID(ST_MakePoint(x, y), 32718)); END LOOP; END LOOP; END; $$;
II.I.III Vytvoření zkusných ploch, počítání množství stromů a kruhové základny -Funkce generuje zkusnou plochu a spočte počet stromů a hektarovou kruhovou základnu uvnitř ní. CREATE FUNCTION count_grid(radius double precision) RETURNS void LANGUAGE plpgsql AS $$ DECLARE node RECORD; hectarDensity float; area float; numberOfOriginalTrees integer; numberOfGeneratedTrees integer; basalAreaOfOriginalTrees float; basalAreaOfGeneratedTrees float; BEGIN FOR node IN SELECT grid.* FROM grid, censo_area WHERE ST_Contains(censo_area.geom, grid.geom) LOOP
110
INSERT INTO circles(gid, geom) VALUES (node.gid, ST_Buffer(node.geom, radius)); --spocti pocet original stromu v bboxu SELECT count(*) FROM censo_imaza_2008, circles into numberOfOriginalTrees WHERE circles.gid=node.gid AND ST_Contains(circles.geom, censo_imaza_2008.geom); --spocti pocet generovanych stromu v bboxu SELECT count(*) FROM generated_trees, circles into numberOfGeneratedTrees WHERE circles.gid=node.gid AND ST_Contains(circles.geom, generated_trees.geom); --spocti plochu original stromu v bboxu SELECT COALESCE(sum((pi()*(dap__cm_/2)^2)/10000), 0) FROM censo_imaza_2008, circles INTO basalAreaOfOriginalTrees WHERE circles.gid=node.gid AND ST_Contains(circles.geom, censo_imaza_2008.geom); --spocti plochu generovanych stromu v bboxu SELECT COALESCE(sum((pi()*(dap__cm_/2)^2)/10000), 0) FROM generated_trees, circles INTO basalAreaOfGeneratedTrees WHERE circles.gid=node.gid AND ST_Contains(circles.geom, generated_trees.geom); --spocti plochu SELECT ST_Area(ST_Intersection(censo_area.geom, circles.geom)) FROM circles, censo_area into area WHERE circles.gid=node.gid; --spocti hustotu -hectarDensity=(numberOfOriginalTrees+numberOfGeneratedTrees)/area*1 0000; hectarDensity=(basalAreaOfOriginalTrees+basalAreaOfGeneratedTrees)/ area*10000; UPDATE circles SET trees_number=numberOfOriginalTrees+numberOfGeneratedTrees, area_in=area, density=hectarDensity, trees_basal_area=basalAreaOfOriginalTrees + basalAreaOfGeneratedTrees WHERE circles.gid=node.gid; END LOOP; END;$$;
111
II.II Simulace kruhových ploch do mapy lokálních hustot II.II.I Výpočet poloměrů soustředných kruhů a hraniční hodnoty výčetní tloušťky (treshold) -Skript ke stanovenému většímu kruhu dopočte velikost soustředného menšího kruhu. Podle algoritmu využívajícího rozložení četností výčetních tlouštěk mapovaných stromů spočte hodnotu tresholdu, tj. nejnižší výčetní tloušťky uvnitř menšího kruhu, která je brána v potaz. import psycopg2 import numpy as np from matplotlib import pyplot as plt def count_dbh(): try: conn = psycopg2.connect("dbname='nazev_databaze' user='uzivatelske_jmeno' host='adresa_db_serveru' password='uzivatelske_heslo'") except: print "I am unable to connect to the database" cur = conn.cursor() sql = "SELECT dap__cm_ FROM censo_imaza_2008;" cur.execute(sql) result = cur.fetchall() DBH_orig = list() for row in result: DBH_orig.append(int(row[0])) t=np.array(DBH_orig) ''' y=np.bincount(t) #convert to percent y=y/float(sum(y))*100 #with zero bins #dbh=range(0,y.shape[0]) #without zero bins dbh=np.nonzero(y)[0] #form a 2D matrix table=np.vstack((dbh,y[dbh])).T ''' bins=range(0,190,1) a=plt.hist(t,bins) #without zero bins dbh=np.nonzero(a[0]) table=np.vstack((a[1][dbh],a[0][dbh])).T.astype(float) table[:,1]=table[:,1]/float(sum(table[:,1]))*100 return table #================================================================== ==================== #X = np.genfromtxt('dataMandallaz.csv', delimiter=',') X = count_dbh() ''' from matplotlib import pyplot as plt
112
plt.bar(X[:,0],X[:,1]) plt.xticks(range(35,180,5)) plt.grid(True) plt.show() ''' #================================================================== ===================== n = X.shape[0] #p = X.shape[1] + 5 cumx = 0 newx = np.zeros((n, 5)) for i in range(0, n): newx[i, 0] = X[i, 0] newx[i, 1] = X[i, 1] / 100 newx[i, 2] = cumx + newx[i, 1] cumx = newx[i, 2] #kruhova plocha newx[i, 3 ] = np.pi*((X[i,0]/2.0)/100.0)**2 #objem Mandallaz #newx[i, 3 ] = np.exp(-12.4 + 3.826 * np.log(X[i,0]) - 0.007 * (np.log(X[i,0]))**4) #objem Nemec #newx[i, 3 ] = (np.pi*((X[i,0]/2.0)/100.0)**2) * 7.20593 newx[i, 4] = newx[i, 3]**2 #SAS #J Function .... creates a matrix of identical values #J( nrow<, ncol<, value>) gam = np.zeros((n, 5)) + 1 A0 AN F0 FN
= = = =
1 n 0 1
for A1 in range(0, n): F1 = newx[A1, 2] DBH1 = newx[A1, 0] y2 = 0 meany = 0 for k1 in range(A0, A1): y2 = y2 + (newx[k1, 1] / (F1 - F0)) * newx[k1, 4] meany = meany + newx[k1, 1] * newx[k1, 3] g1y = y2**0.5 termy2 = (F1 - F0) * (y2**0.5) if (A1 < AN): y2 = 0 for k1 in range(A1 + 1, AN): y2 = y2 + (newx[k1, 1] / (FN - F1)) * newx[k1, 4] meany = meany + newx[k1, 1] * newx[k1, 3] g2y = y2**0.5 termy2 = termy2 + (FN - F1) * (y2**0.5) gamma1 = termy2 / meany gam[A1, 0] = DBH1 gam[A1, 1] = gamma1
113
gam[A1, 2] = g1y gam[A1, 3] = g2y minim = 1000 treshold = 0 gamma = 0 g1 = 0 g2 = 0 for A1 in range(0, AN): if (gam[A1,1] < minim): treshold = gam[A1, 0] gamma = gam[A1, 1] g1 = gam[A1, 2] g2 = gam[A1, 3] minim = gam[A1, 1] print('treshold %f' % treshold) print('gamma %f' % gamma) print('g1 %f' % g1) print('g2 %f' % g2) plt.subplot(211) plt.ylabel('gamma') plt.xlabel('DBH') plt.plot(gam[:,0], gam[:,1]) plt.grid(True) plt.subplot(212) plt.ylabel('g1, g2') plt.xlabel('DBH') plt.plot(gam[:,0], gam[:,2], gam[:,0], gam[:,3]) plt.grid(True) plt.show()
II.II.II Spouštění simulací v mapě lokálních hustot -Skript spustí simulované inventarizace do mapy nesoucí hodnoty lokálních hustot. import psycopg2 import numpy as np import time try: conn = psycopg2.connect("dbname='nazev_databaze' user='uzivatelske_jmeno' host='adresa_db_serveru' password='uzivatelske_heslo'") except: print "I am unable to connect to the database" grid = range(400,180,-20) largeRadius = range(40,18,-2) smallRadius = range(40,18,-2) cur = conn.cursor() for g in grid: for i in range(0, len(largeRadius)):
114
sql = "SELECT count_censo_imaza_2008_local_density(63, %f, %f);" % (smallRadius[i], largeRadius[i]) print("%s\t\t\t%s" % (time.asctime(), sql)) cur.execute(sql) result = cur.fetchall() conn.commit() sql = "SELECT count_generated_trees_local_density(63, %f, %f);" % (smallRadius[i], largeRadius[i]) print("%s\t\t\t%s" % (time.asctime(), sql)) cur.execute(sql) result = cur.fetchall() conn.commit() sql = "VACUUM ANALYZE;" print("%s\t\t\t%s" % (time.asctime(), sql)) old_isolation_level = conn.isolation_level conn.set_isolation_level(0) cur.execute(sql) conn.commit() conn.set_isolation_level(old_isolation_level) sql = "SELECT make_simulation_local_density(1000, %d, %d, 63, %f, %f);" % (g, g, smallRadius[i], largeRadius[i]); print("%s\t\t\t%s" % (time.asctime(), sql)) cur.execute(sql) result = cur.fetchall() conn.commit() print("====================================================\n")
II.II.III Vytvoření zón zahrnutí nesoucích hodnoty lokálních hustot kruhové základny kolem zaměřených stromů -Funkce v mapě vytvoří plošné zóny zahrnutí okolo bodů značících pozice jednotlivých stromů zaměřených při inventarizaci v terénu. CREATE FUNCTION count_censo_imaza_2008_local_density(treshold double precision, small_radius double precision, large_radius double precision) RETURNS void LANGUAGE plpgsql AS $$ DECLARE tree RECORD; zoneSize float; localDensity float; treeSize float; zoneArea float; BEGIN DELETE FROM censo_imaza_2008_local_density; FOR tree IN SELECT censo_imaza_2008.* FROM censo_imaza_2008, censo_area WHERE ST_Contains(censo_area.geom, censo_imaza_2008.geom) LOOP --nastav polomer zony zahrnuti IF tree.dap__cm_ < treshold THEN
115
zoneSize=small_radius; ELSE zoneSize=large_radius; END IF; --vytvor zony zahrnuti INSERT INTO censo_imaza_2008_local_density(gid, geom) VALUES (tree.gid, ST_Buffer(tree.geom, zoneSize)); --spocti prurez stromu v m2 treeSize = pi()*((0.01*tree.dap__cm_)/2)^2; --spocti plochu zony zahrnuti uvnitr oblasti SELECT ST_Area(ST_Intersection(censo_area.geom, censo_imaza_2008_local_density.geom)) FROM censo_imaza_2008_local_density, censo_area into zoneArea WHERE censo_imaza_2008_local_density.gid=tree.gid; --spocti lokalni hustotu na ha (10000m2) localDensity=treeSize/zoneArea*10000; --spocti pocet stromu na ha (10000m2) --localDensity=1/zoneArea*10000; --uloz vypoctene hodnoty UPDATE censo_imaza_2008_local_density SET tree_size=treeSize, area=zoneArea, tree_id=tree.gid, radius=zoneSize, local_density=localDensity WHERE censo_imaza_2008_local_density.gid=tree.gid; END LOOP; END; $$;
II.II.IV Vytvoření zón zahrnutí nesoucích hodnoty lokálních hustot kruhové základny kolem generovaných stromů -Funkce v mapě vytvoří plošné zóny zahrnutí okolo bodů značících pozice jednotlivých stromů vygenerovaných metodou distance sampling a dosazených do mapy. CREATE FUNCTION count_generated_trees_local_density(treshold double precision, small_radius double precision, large_radius double precision) RETURNS void LANGUAGE plpgsql AS $$ DECLARE tree RECORD; zoneSize float; localDensity float; treeSize float; zoneArea float; BEGIN DELETE FROM generated_trees_local_density; FOR tree IN SELECT generated_trees.* FROM generated_trees, censo_area WHERE ST_Contains(censo_area.geom, generated_trees.geom) LOOP
116
--nastav polomer zony zahrnuti IF tree.dap__cm_ < treshold THEN zoneSize=small_radius; ELSE zoneSize=large_radius; END IF; --vytvor zony zahrnuti INSERT INTO generated_trees_local_density(gid, geom) VALUES (tree.gid, ST_Buffer(tree.geom, zoneSize));--, 1000)); --spocti prurez stromu v m2 treeSize = pi()*((0.01*tree.dap__cm_)/2)^2; --spocti plochu zony zahrnuti uvnitr oblasti v m2 SELECT ST_Area(ST_Intersection(censo_area.geom, generated_trees_local_density.geom)) FROM generated_trees_local_density, censo_area into zoneArea WHERE generated_trees_local_density.gid=tree.gid; --spocti lokalni hustotu na ha (10000m2) localDensity=treeSize/zoneArea*10000; --spocti pocet stromu na ha (10000m2) --localDensity=1/zoneArea*10000; --uloz vypoctene hodnoty UPDATE generated_trees_local_density SET tree_size=treeSize, area=zoneArea, tree_id=tree.gid, radius=zoneSize, local_density=localDensity WHERE generated_trees_local_density.gid=tree.gid; END LOOP; END; $$;
II.II.V Spuštění simulací inventarizace kruhových ploch a výpočet hektarové kruhové základny pomocí lokálních hustot -Funkce spouští simulace a počítá hektarovou kruhovou základnu pomocí lokální hustoty CREATE FUNCTION make_simulation_local_density(sim_count integer, x_size integer, y_size integer, treshold double precision, small_radius double precision, large_radius double precision, experiment_id integer) RETURNS void LANGUAGE plpgsql AS $$ DECLARE local_density float; x_rand float; y_rand float; number_in integer; i int; BEGIN
117
INSERT INTO simulations_local_density (x_size, y_size, sim_count, treshold, small_radius, large_radius, experiment_id) VALUES (x_size, y_size, sim_count, treshold, small_radius, large_radius, experiment_id); FOR i IN SELECT * FROM generate_series(1, sim_count) LOOP --SELECT EXTRACT(MICROSECONDS FROM now()) into t1; DELETE FROM grid WHERE gid>0; x_rand:=random()*x_size*(-1); y_rand:=random()*y_size*(-1); PERFORM set_grid(x_size,30,y_size,30, x_rand, y_rand); PERFORM count_grid_local_density(); SELECT avg(grid.local_density) FROM grid INTO local_density; SELECT count(grid.gid) FROM grid, censo_area WHERE ST_Contains(censo_area.geom, grid.geom) INTO number_in; INSERT INTO simulation_local_density (simulations_local_density_id, local_density, rand_offset_x, rand_offset_y, number_in) VALUES ((SELECT max(id) FROM simulations_local_density), local_density, x_rand, y_rand, number_in); END LOOP; END; $$;
II.II.VI Výpočet lokální hustoty kruhové základny v místech průsečíků mřížky -Funkce počítá lokální hustoty v průsečících inventarizační mřížky. CREATE FUNCTION count_grid_local_density() RETURNS void LANGUAGE plpgsql AS $$ DECLARE node RECORD; originalTreesLocalDensity float; generatedTreesLocalDensity float; BEGIN FOR node IN SELECT grid.* FROM grid, censo_area WHERE ST_Contains(censo_area.geom, grid.geom) LOOP --spocti lokalni hustotu v uzlu od originalnich stromu SELECT COALESCE(sum(censo_imaza_2008_local_density.local_density), 0) INTO originalTreesLocalDensity FROM censo_imaza_2008_local_density WHERE ST_Contains(censo_imaza_2008_local_density.geom, node.geom); --spocti lokalni hustotu v uzlu od generovanych stromu SELECT COALESCE(sum(generated_trees_local_density.local_density), 0) INTO generatedTreesLocalDensity FROM generated_trees_local_density
118
WHERE ST_Contains(generated_trees_local_density.geom, node.geom); -- uloz lokalni hustotu v uzlu UPDATE grid SET local_density=originalTreesLocalDensity+generatedTreesLocalDensity WHERE grid.gid=node.gid; END LOOP; END; $$;
II.III Simulace transektů do mapy nesoucí hodnoty lokálních hustot II.III.I Spuštění simulací transektů v mapě nesoucí hodnoty lokálních hustot -Skript spouští simulace pásových zkusných ploch – transektů. import psycopg2 import numpy as np import time try: conn = psycopg2.connect("dbname='nazev_databaze' user=‘uzivatelske_jmeno’ host='185.8.164.24' password='uzivatelske_heslo'") except: print "I am unable to connect to the database" #conn.autocommit = True #grids = range(200, 600, 50) numbersIn = range(2, 10, 2) buffers = range(16, 32, 4) experimentId = 20 cur = conn.cursor() #for g in grids: for g in numbersIn: for b in buffers: sql = "SELECT make_simulation_transects(6 000, %d, 2000, %d, %d, %d);" % (g, g, b, experimentId); print("%s\t\t\t%s" % (time.asctime(), sql)) cur.execute(sql) result = cur.fetchall() conn.commit() print("====================================================\n")
II.III.II Spuštění simulací transektů a výpočet hektarové kruhové základny pomocí lokálních hustot -Funkce spouští simulace transektů do mapy nesoucí hodnoty lokálnách hustot a počítá průměrnou hektarovou kruhovou základnu. 119
CREATE FUNCTION make_simulation_transects(sim_count integer, grid_size integer, y_length integer, x_count integer, buffer double precision, experiment_id integer) RETURNS void LANGUAGE plpgsql AS $$ DECLARE avgDensity float; x_rand float; number_in integer; i int; BEGIN INSERT INTO simulations_transects (grid_size, buffer, sim_count, experiment_id) VALUES (grid_size, buffer, sim_count, experiment_id); FOR i IN SELECT * FROM generate_series(1, sim_count) LOOP DELETE FROM transects; PERFORM setval('public.transects_gid_seq', 0, true); DELETE FROM transects_buffers; x_rand:=random()*grid_size*(-1); PERFORM set_transects(grid_size, y_length, x_count, x_rand); PERFORM count_transects(buffer); SELECT avg(density) FROM transects_buffers into avgDensity; SELECT count(transects.gid) FROM transects, censo_area WHERE ST_Contains(censo_area.geom, transects.geom) into number_in; INSERT INTO simulation_transects (simulations_transects_id, avg_density, rand_offset, number_in) VALUES ((SELECT max(id) FROM simulations_transects), avgDensity, x_rand, number_in); --RETURN NEXT avgDensity; END LOOP; END; $$;
II.III.III Nastavení transektů o zadaných parametrech -Funkce nastavuje transekty o zadaných parametrech v zadaném množství. CREATE FUNCTION set_transects(grid_size integer, y_length integer, x_count integer, x_rand double precision) RETURNS void LANGUAGE plpgsql AS $$ DECLARE x1 float; y1 float; x2 float; y2 float; x_start float; y_start float; x_offset float;
120
rand_offset float; BEGIN x_start:=652020; y_start:=9508146; FOR x_offset IN SELECT * FROM generate_series(0, x_count*grid_size-1, grid_size) LOOP --x1:=x_start+x_offset+x_rand;-- + random()*50-25; -- + random()*32-16 ... posunuti osy transektu nahodnym smerem (113m mrizka) x1:=x_start+random()*1000; y1:=y_start; x2:=x1; y2:=y_start+y_length; --id:=500000+(area+1)*1000+i; --RAISE NOTICE 'x1%, y1%, x2%, y2%', x1, y1, x2, y2; INSERT INTO transects(geom) VALUES (ST_SetSRID(ST_MakeLine(ST_MakePoint(x1, y1), ST_MakePoint(x2, y2)), 32718)); END LOOP; END; $$;
II.III.IV Výpočet počtu stromů a hektarové kruhové základny ze simulovaných transektů -Funkce počítá počet stromů a hektarovou kruhovou základnu v simulovaném transektu. CREATE FUNCTION count_transects(buffer double precision) RETURNS void LANGUAGE plpgsql AS $$ DECLARE transect RECORD; hectarDensity float; area float; numberOfOriginalTrees integer; numberOfGeneratedTrees integer; basalAreaOfOriginalTrees float; basalAreaOfGeneratedTrees float; BEGIN FOR transect IN SELECT transects.* FROM transects, censo_area WHERE ST_Contains(censo_area.geom, transects.geom) --FOR transect IN SELECT transects.* FROM transects LOOP INSERT INTO transects_buffers(gid, geom) VALUES (transect.gid, ST_Buffer(transect.geom, buffer)); --spocti plochu original stromu v bboxu SELECT COALESCE(sum((pi()*(dap__cm_/2)^2)/10000), 0) FROM censo_imaza_2008, transects_buffers INTO basalAreaOfOriginalTrees WHERE transects_buffers.gid=transect.gid AND ST_Contains(transects_buffers.geom, censo_imaza_2008.geom); --spocti plochu generovanych stromu v bboxu
121
SELECT COALESCE(sum((pi()*(dap__cm_/2)^2)/10000), 0) FROM generated_trees, transects_buffers INTO basalAreaOfGeneratedTrees WHERE transects_buffers.gid=transect.gid AND ST_Contains(transects_buffers.geom, generated_trees.geom); --spocti plochu SELECT ST_Area(ST_Intersection(censo_area.geom, transects_buffers.geom)) FROM transects_buffers, censo_area into area WHERE transects_buffers.gid=transect.gid; --spocti hustotu -hectarDensity=(numberOfOriginalTrees+numberOfGeneratedTrees)/area*1 0000; hectarDensity=(basalAreaOfOriginalTrees+basalAreaOfGeneratedTrees)/ area*10000; UPDATE transects_buffers SET trees_number=numberOfOriginalTrees + numberOfGeneratedTrees, trees_basal_area=basalAreaOfOriginalTrees + basalAreaOfGeneratedTrees, area_in=area, density=hectarDensity WHERE transects_buffers.gid=transect.gid; END LOOP; END; $$;
III. Dokumentace analýzy výsledků simulací III.I Analýza výsledků simulací, výpočet hodnot hektarové kruhové základny, výpočet jejich směrodatné odchylky -Skript analyzuje výsledky simulovaných inventarizací, vykreslí histogramy hodnot hektarové kruhové základny, spočte jejich průměr a směrodatnou odchylku. import psycopg2 import numpy as np def getSimulation(grid, Lradius, experimentId): try: conn = psycopg2.connect("dbname='nazev_databaze' user='uzivatelske_jmeno' host='adresa_db_serveru' password='uzivatelske_heslo'") except: print "I am unable to connect to the database" cur = conn.cursor() sql = ('SELECT local_density FROM ' '(SELECT id FROM simulations_local_density WHERE experiment_id>=%d AND x_size=%d AND y_size=%d AND large_radius=%d)'
122
' AS t1' ' LEFT JOIN' ' simulation_local_density ' ' ON (t1.id=simulation_local_density.simulations_local_density_id);') % (experimentId, grid, grid, Lradius) cur.execute(sql) result = cur.fetchall() conn.commit() HD = list() for row in result: HD.append(float(row[0])) return np.array(HD) #=================================================== import matplotlib.pyplot as plt grids = range(200, 420, 60) #Sradiuses = [12.3372071833286, 13.5709279016615, 14.8046486199943, 16.0383693383272, 17.2720900566601, 18.5058107749929, 19.7395314933258, 20.9732522116587, 22.2069729299915, 23.440693 6483244, 24.6744143666572] Sradiuses = [12.3372071833286, 16.0383693383272, 19.7395314933258, 23.440693 6483244] Lradiuses = range(20, 42, 6) experimentId = 21 bb=range(2,14,1) bbb=np.linspace(2,14,49) f, ax = plt.subplots(len(grids) ,len(Sradiuses)) standardDeviationsMatrix = np.zeros((len(grids) ,len(Sradiuses))) for i, g in enumerate(grids): for j, Lr in enumerate(Lradiuses): print(g, Lradiuses[j], Sradiuses[j]) HD = getSimulation(g, Lradiuses[j], experimentId) ax[i,j].hist(HD, bins=bbb) ax[i,j].set_xticks(bb) ax[i,j].set_title('Mean: %.2f Std: %.2f' % (np.mean(HD), np.std(HD))) standardDeviationsMatrix[i,j]=np.std(HD) ax[i,j].grid(True) plt.show() np.savetxt('standardDeviationsMatrix_dvaKruhy_PART.csv', standardDeviationsMatrix, delimiter=';')
III.II Výpočet časových nákladů na simulace a jejich porovnání vzhledem k přesnosti dané směrodatnou odchylkou -Skript vypočte časové náklady na různé varianty simulací a vykreslí jejich vrstevnicové grafy v porovnání s přesností danou směrodatnou odchylkou výsledků. import numpy as np
123
from matplotlib import pyplot as plt from mpl_toolkits.mplot3d import Axes3D #================================================================== ============ Sr = np.array([12.3372071833286, 13.5709279016615, 14.8046486199943, 16.0383693383272, 17.2720900566601, 18.5058107749929, 19.7395314933258, 20.9732522116587, 22.2069729299915, 23.440693 6483244, 24.6744143666572]) Lr = np.array(range(20, 42, 2)) Lr = Lr.reshape(1,Lr.shape[0]) a = np.array(range(200, 420, 20)) a = a.reshape(a.shape[0],1) #==================================VYPOCET CASU================================ #cas na strom = (cas celkem na inventarizaci [min] - 20 km * 65 min) / pocet stromu casNaStrom = (4800.0 - 20*65) / 3 648.0 pocetPloch = (200.0 * 10000.0 / a**2) # plocha kruhu * pocet ploch * stromu na ha * casNaStrom\ # + pocet ploch * cas na presun\ # - plocha mezikruzi * pocet ploch * maleStromy/ha * casNaStrom T = (np.pi*Lr**2)/10000.0 * pocetPloch * (5 598.0 / 200.0) * casNaStrom\ + pocetPloch * a / 1000.0 * 65\ - ((np.pi*Lr**2)/10000.0 - (np.pi*Sr**2)/10000.0) * pocetPloch * 4231.0 / 200.0 * casNaStrom #================================================================== ============ STD = np.genfromtxt('results/0_RESULTS_KOMPLET/standardDeviationsMatrix_d vaKruhy_FULL.csv', delimiter=';') fig = plt.figure() ax = fig.add_subplot(111, projection='3d') X, Y = np.meshgrid(Lr, a) ax.plot_wireframe(X, Y, T/60.0/24.0, color='blue') ax.scatter(X, Y, STD, color='red') #=========================LOESS==================================== ============ from rpy2.robjects import r import rpy2.robjects as robjects data = np.zeros((Lr.size * a.size, 3)) for i, x in enumerate(Lr[0]): for j, y in enumerate(a): data[i*Lr.size + j, 0] = x data[i*Lr.size + j, 1] = y data[i*Lr.size + j, 2] = STD[i,j] rv = robjects.FloatVector(data[:,0]) av = robjects.FloatVector(data[:,1]) stdv = robjects.FloatVector(data[:,2])
124
df = robjects.DataFrame({"rv": rv, "av": av, "stdv": stdv}) loess_fit = r.loess("stdv ~ rv*av", data=df) predict = r.predict(loess_fit) Z = np.array(predict).reshape(Lr.size, a.size) ''' #=========================POLYNOMIAL REGRESSION================================ from scipy.optimize import curve_fit def func(data, a, b, c): return a * data[0] + b * data[1] + c def funcPoly(data, a, b, c, d, e): return a * data[0]**2 + b * data[0] + c * data[1]**2 + d * data[1] + e data = np.array([X,Y, STD]).T data = data.reshape(data.shape[0]*data.shape[1], data.shape[2]) #popt, pcov = curve_fit(func, data[:,:2].T, data[:,2].T) popt, pcov = curve_fit(funcPoly, data[:,:2].T, data[:,2].T) #Z = func(np.array([X,Y]), popt[0], popt[1], popt[2]) Z = funcPoly(np.array([X,Y]), popt[0], popt[1], popt[2], popt[3], popt[4]) ''' #================================================================== ============ ax.plot_wireframe(X, Y, Z, color='green') fig = plt.figure() ax = fig.add_subplot(111) #A = ax.contour(X, Y, T/60.0, cmap=plt.cm.Blues) A = ax.contour(X, Y, T/60.0, np.linspace(0, 24, 25), colors='b') plt.clabel(A) #B = ax.contour(X, Y, STD, cmap=plt.cm.Reds) #B = ax.contour(X, Y, STD, np.linspace(0, 1.5, 31), colors='r') #plt.clabel(B) C = ax.contour(X, Y, Z, np.linspace(0, 1.5, 31), colors='r') plt.clabel(C) plt.xticks(range(20,42,2)) plt.yticks(range(200,420,20)) plt.grid(True) plt.show()
IV. Popis vybraných druhů dřevin hospodářsky důležitých a dřevin v oblasti studie hojně zastoupených IV.I Amburana cearensis A. C. Smith Syn.: Amburana acreana, Torresea cearensis, Torresia acreana Místní název: ishpingo Čeleď: Fabaceae – bobovité Popis: Strom dosahující výšky 30 a více m, kůra hnědá, často v malých částech odlupčivá. Stejně jako hnědavé dřevo má kumarínovou vůni. Lichozpeřené listy mají 7 125
až 15 nebo vzácně 15–25 lístků, ty jsou vejčitě kopinaté nebo vejčitě podlouhlé, přišpičatělé, papírovité, naspodu nevýrazně drobně pýřité, většinou 60–70 × 20–30 mm velké. Květenství 40 a více mm dlouhé, řídké, drobně přitiskle pýřité nebo téměř lysé. Pavéza asi 6 mm dlouhá a poněkud širší, vně chlupatá. Plody lusky, 45–70 × 15 mm velké, oba konce jsou zaoblené, leskle hnědé a lysé, nevýrazně síťnaté, silně zploštělé; semena asi 5 mm dlouhá, široce křídlatá (Pennington et al., 2004). Rozšíření: Opadavé a popoopadavé lesy Peru, Bolívie, Brazílie. Ekologické nároky: A. cearensis bývá nedílnou součástí vápencových oblastí a suchých půd opadavých lesů. Zaujímá také znatelné, ale nepravidelné rozložení v původních poloopadavých lesích. A. cearensis je silně světlomilnou dřevinu snášející vysychavé půdy. Využití: Dřevo A. cearensis bývá využíváno pro výrobu luxusního nábytku, k výrobě okrasných dýh a předmětů pro dekorační účely (Gentry, 1993).
Plody Amburana cearensis. Zdroj: Bendezú (2012).
IV.II Calycophyllum spruceanum (Benth) Syn.: Eukylista spruceana Místní název: capirona Čeleď: Rubiaceae – mořenovité Popis: Dřevina 15–27 m vysoká, kůra hnědá; listy řapíkaté a čepel podlouhlá až podlouhle vejčitá, vrcholek špičatý nebo tupý, báze stejně tak, 90–170 mm dlouhé, zespodu drobně pýřité nebo téměř lysé, v úžlabí žilek s chomáčky chlupů. Vrcholíky husté a mnohokvěté, květenství je zprvu ukryto v tenkých listenech, kalich 6–9zubý, laloky drobné, koruna bílá, 6–7 mm dlouhá, laloky rozložené, češule hustě a drobně bíle chlupatá. Plody podlouhlé tobolky, 8–11 mm dlouhé a hustě přitiskle chlupaté (Pennington et al., 2004). Rozšíření: Peru, východní Bolívie a amazonská část Brazílie, kde osídluje zejména nižší zaplavované polohy podél řek (Russell et al., 1999).
126
Ekologické nároky: C. spruceanum je hygrofilní dřevina svým výskytem úzce vázána na vodu. Roste v periodicky zaplavovaných nížinných oblastech. Přirozeně roste v hustých primárních lesích, ale často se vyskytuje i vsekundárně vytvořených porostech (Gentry, 1993). Obvykle se vyskytuje v homogenních společenstvech, které jsou nazývány "capironais" (Lorenzi, 2002). Využití: C. spruceanum je jako rychle rostoucí dřevina pionýrského charakteru využívána pro své dřevo zejména k výrobě nábytku, tyčí a nářaďových rukojetí. Dřevo je dále využíváno k výrobě dřevěného uhlí a paliva (Lorenzi, 2002).
List a květ Calycophyllum spruceanum. Zdroj: Taylor a Janovec (2005).
IV.III Cedrela odorata L. Syn.: Cedrela adenophylla, Cedrela amara, Cedrela brachystachya, Cedrela brownei, Cedrela brownii, Cedrela caldasana Místní název: cedro Česká jména: česnekovník (Berchtold a Presl, 1820), česnekovník hořký (Presl, 1846) Čeleď: Meliaceae – zederachovité Popis: Strom až 30 m vysoký, kůra hnědá, makroblasty s řídkými lenticelami; listy střídavé, sudozpeřené, asi 300 mm dlouhé, řapíky 55 mm dlouhé, lístky po 10–20, vstřícné a šikmo podlouhle vejčité, nebo vejčitě kopinaté, až 120 mm dlouhé a celokrajné; báze je nestejně zaoblená, vrcholek ostře špičatý, špice ale tupá, dosti tuhé, lysé. Květy v krátce stopkatých latách asi 6 mm dlouhé, kalich drobně špičatě zoubkovaný, později 4–5dílný, koruna žlutavá, petal 4–5, jsou hustě a jemně pýřité, 5– 6 mm dlouhé, téměř vejčitě podlouhlé, špičaté, tyčinek 4–6, semeníky lysé. Plody jsou dřevnaté kulovité tobolky asi 40 mm dlouhé, dělící se za zralosti na 5 částí, semena početná a dole křídlatá (Pennington et al., 2004). Rozšíření: Rozsáhlý areál se v tropické Americe rozkládá od jižního Mexika a ostrovů v Karibském moři až do Jižní Ameriky, kde C. odorata roste ve Francouzské Guyaně, Bolívii, Brazílii, na jih nejdále přirozeně zasahuje až do Paraguaye a severní Argentiny. Jako kulturní dřevina se pěstuje na mnoha místech v tropech celého světa (Wadsworth, 1997).
127
Ekologické nároky: C. odorata vyžaduje úrodné živné půdy s vyrovnaným vodní režimem, který ovlivňuje dobrou provzdušněnost zajišťující optimální vývoj kořenů. Je tolerantní k půdám s vysokým obsahem vápníku, ale preferuje půdy dobře propustné a slabě kyselé, snáší i půdy těžké. C. odorata je dřevina citlivá na suchá období způsobující predispozici k chorobám způsobených fyziologickým stresem (Weber et al., 2003). Přirozeně roste optimálně v nadmořských výškách 500–1900 m n. m., kde se průměrná roční teplota pohybuje v rozmezí 22–26 °C a roční úhrn srážek je 1 000 až 3 700 mm (Orwa et al., 2009). Využití: Dřevo C. odorata je velmi ceněné, bývá označováno jako španělský nebo mexický cedr. Je růžové až načervenalé a snadno se opracovává, navíc je odolné vůči hmyzu a hnilobě. Proto je oblíbenou surovinou v nábytkářství, ale používá se i na okenní rámy i jako konstrukční materiál má využití ve stavebnictví, vyrábějí se z něj také speciální předměty, např. kytary nebo krabice na doutníky (Gentry, 1993).
Plody Cedrela odorata. Zdroj: Bendezú (2012).
IV.IV Eschweilera sp. Místní název: machimango, machimango blanco, machimango colorado Čeleď: Lecythidaceae – hrnečníkovité Popis: Střední až vysoké stromy okolo 25 m výšky s průměrem kmene běžně nad 400 mm, borka jemně rozbrázděná, světle šedá. Listy postavené spirálovitě, nebo střídavě, dvouřadé, obvejčité, 170–280 × 60–100 mm, celokrajné s protáhlou špičkou, jemně ochlupené, většinou na koncích tenkých větviček (< 5 mm v průměru). Květy světlé, jednoduché, 30–40 mm dlouhé, terminální či axilární v paždí listů, 6–8 petal tvoří korunu kolem semeníku. Plod tobolka, s 1–6 semeny (Pennington et al., 2004). Rozšíření: Rod zahrnuje 85 popsaných druhů rostoucích v tropické Americe od Mexika, přes Střední Ameriku a Amazonii, až po brazilské pobřeží Atlantiku (http://atrium.andesamazon.org). Ekologické nároky: Roste v nížinných tropických oblastech s dostatkem srážek, zejména na živných aluviálních půdách, snáší periodické zaplavování. Jde o dřevinu primárních i sekundárních lesů, značně zastoupenou ve středním i vrchním stromovém patře (Little a Dixon, 1969). Využití: Kvalitní tvrdá dřeva pro vodní stavby, truhlářství, interiéry a nábytek. Lýko využíváno na výrobu provazů, dřevo na palivo. Některé druhy využívány v lékařství (Aristeguieta, 1973).
128
Herbářová položka Eschweilera parviflora. Zdroj: Valcárcel (1990).
IV.V Hura crepitans L. Místní název: catahua Čeleď: Euphorbiaceae – pryšcovité Český název: hura chřestivá Popis: Stromy vysoké 24–35 m, koruna rozkladitá, kůra světle šedá, kmen a větve často ostnité, větší kmeny až 1 500 mm v průměru, listnatá internodia 4–12 mm tlustá, lysá; palisty 6–12 (20) × 1–4 mm velké, obvykle lysé, opadavé, čárkovitě kopinaté, řapíky 150–200 mm dlouhé, často delší než čepel, čepel široce až okrouhle vejčitá, 50–250 × 30–200 mm dlouhá nebo i delší, (téměř) celokrajná nebo mělce pilovitě zoubkovaná, oboustranně matná, báze srdčitá, vrcholek náhle zašpičatělý, 7 až 20 párů žilek. Samčí květenství má stopky 20–160 m dlouhé, samičí květy jsou 3–5 mm dlouhé, na stopkách 1–2 mm dlouhých, kalich asi 1 mm dlouhý, samičí květy jednotlivé, tmavě červené, stopky květů 10–50 mm, květy jsou 40–60 mm dlouhé a lysé, kališní trubka 3–8 mm dlouhá, semeníky téměř kulovité a bledě zelené, blizny velké a fialovočervené, čnělka 30–50 mm dlouhá. Plody hluboce 5–20laločné, 40 × 80 mm velké, semena 22 × 20 mm velká (Swaine a Beer, 1977; Pennington et al., 2004). Rozšíření: Původně pochází z jižních oblastí Střední Ameriky, Karibiku a Jižní Ameriky. H. crepitants je invazivní rostlinou severní Austrálie a východní Afriky. Nově se vyskytuje v západní Africe, zde se ale jeví jako neinvazivní. Je vysazována v Číně (Valíček et al., 2002). 129
Ekologické nároky: H. crepitans upřednostňuje humózní jílovité půdy vlhkých oblastí. Jedná se o světlomilnou dřevinu snášející i zastínění. H. crepitans je typickou dřevinou amazonského deštného lesa v zaplavovaných nížinných oblastech. Využití: Vysoce kvalitní dřevo se používá k výrobě nábytku, prken a zhotovování stropních konstrukcí. Velmi ceněný latex získávaný z kmene stromů je využíván k výrobě kvalitní gumy. Olej získaný ze semen se používal k výrobě barviv a laků (Lorenzi, 2002).
Herbářová položka Hura crepitans. Zdroj: Janovec (2003).
IV.VI Manilkara bidentata (A. DC.) Chev. Syn.: Kaukenia globosa, Manilkara balata, Mimusops bidentata Místní název: quinilla colorada Čeleď: Sapotaceae – zapotovité Popis: Strom do 45 m výšky; tmavě hnědá rozpukaná borka v brázdách načervenalá, silně ronící latex; listy 30–80 × 80–210 mm velké, dlouze eliptické až obkopinaté, okrouhle zašpičatělé. Oboupohlavné květy výrazně vonící, smetanově bílé, 40–50 mm velké, elipsoidní až kulovité; plodem je jedno až vícesemenná bobule, semena laterálně zmáčknutá s lesklým, hladkým osemením (Pennington et al., 2004). Rozšíření: M. bidentata je dřevina rozšířená po celé západní Indii, od Mexika přes Panamu k severní části jižní Ameriky, včetně Venezuely, Peru a severu Brazílie (Chudnoff et al., 1984). Ekologické nároky: Přirozeně se vyskytuje v nadmořských výškách do 500 m n. m. V Portoriku přirozeně roste v pobřežních lesích na vápencových podložích, kde vystupuje až do středních horských poloh a někteří jedinci dosahují stáří 400 let. Jedná se o druh, který se podílí na skladbě primárních lesů. Dřevina není náročná na přísun světla a lze ji označit jako stínomilnou (Longwood et al., 1961). Využití: Dřevo je velmi pevné, tvrdé, odolné s jemnou strukturou. Pro své červenohnědé jádro se používá k výrobě nábytku a soustružení. Kmen stromů je využívám k těžbě latexu, tzv. balatové gumy (Longwoodet al., 1961).
130
Větévky s listy a plody Manilkara bidentata. Zdroj: Bendezú (2013).
IV.VII Swietenia macrophylla King Syn.: Swietenia belizensis, Swietenia candollei, Swietenia krukovii, Swietenia tessmannii Místní název: caoba Česká jména: svietenka (Berchtold et Presl 1820), mahagon (Presl 1846), Čeleď: Meliaceae – zederachovité Popis: Poloopadavý, rychle rostoucí jednodomý strom s deštníkovitou korunou dorůstající výšky až 50 m; kmen může mít až 2 m v průměru (Lamb, 1966). Listy jsou nahloučené na koncích větví, střídavé, sudozpeřené, 160–400 mm dlouhé, s 3–6 jařmy; lístky jsou kopinaté, 90–140 mm dlouhé a 30–50 mm široké, na líci tmavozelené, na rubu světlejší, celokrajné, na vrcholu zašpičatělé. Květy tvoří latovitá květenství 100 až 200 mm dlouhá, jsou jednopohlavné, drobné, 5četné, mají 6–8 mm v průměru; kalich je volný; koruna je žlutozelená, rovněž volná; tyčinek je v samčích květech 5; gyneceum tvoří svrchní semeník s jedinou čnělkou a kyjovitou bliznou. Plody jsou velké, dřevnaté, elipsoidní nebo vejcovité tobolky 120–150 mm dlouhé a 60–80 mm široké, obsahují 35–45 semen zavěšených na tlustém středním sloupku a otvírají se 5 chlopněmi zdola nahoru; semena jsou křídlatá, 75–120 mm dlouhá (Soerianegara a Lemmens, 1993; Schmidt a Joker, 2000). Rozšíření: Druh s velkým areálem od Mexika přes celou Střední Ameriku do Jižní Ameriky, kde se vyskytuje ve Venezuele, Peru, Bolívii a Brazílii (Amazônia, Cerrado, Mata Atlântica). Nicméně přirozené porosty v Kolumbii, Ekvádoru, Panamě a Kostarice jsou zdevastované masivní komerční těžbou (Lugo et al., 2002). Dřevina byla extenzivně pěstována zejména v jižní Asii, na Srí Lance a expandovala i do západní Afriky (Soerianegara a Lemmens, 1993). Ekologické nároky: Ačkoli Switenia macrophylla přirozeně roste na aluviálních a vulkanických půdách, snáší široké rozmezí půdních substrátů jako těžké jíly, lateritické půdy, sedimenty, nebo metamorfované horniny (Whitmore, 1990). Nejlépe odrůstá na hlubokých, živných (aluviálních) nezaplavovaných půdách. V tropické Americe je S. macrophylla druhem osídlujícím degradované zemědělské půdy a může nabývat i charakteru pionýrské dřeviny (Mayhew a Newton 1998). Podle rozsahu ekologické valence je optimální roční úhrn srážek 1 000–2 500 mm (Lamb, 1966). Z Ekvádoru a Peru jsou ovšem hlášeny i roční úhrny srážek 3 800 mm. Rozdíly průměrných teplot mezi nejteplejšími a nejchladnějšími měsíci v roce by neměl přesánout 11 °C (Soerianegara a Lemmens, 1993). 131
Využití: Velmi kvalitní, tvrdé, sytě hnědočervené dřevo je označováno jako pravý nebo také honduraský mahagon. Má všestranné využití v nábytkářství, vyrábějí se z něj také kvalitní hudební nástroje. V minulosti se z něj vyráběly i lodě, protože je odolné vůči působení vody. S. macrophylla má velký potenciál pro zalesňování neobhospodařovaných území a používá se jako meliorační dřevina. Doporučuje se pro rekultivaci erudovaných území (Soerianegara, Lemmens, 1993). Ohrožení a ochrana: S. macrophylla je v oblasti přirozeného výskytu poměrně vzácná dřevina, většinou roste jednotlivě, rozptýleně. Její výsadby jsou poškozovány škůdcem Hypsipyla grandella (Pyralidae). Je ohrožena těžbou i ničením přirozeních stanovišť. Kvůli kontrole exploatace byl tento druh v roce 2002 zařazen do úmluvy CITES. Většina dnes prodávaného dřeva pochází z plantáží.
132