Evaluatie vegetatiemeetnet Noord-Hollandse duinen
Over deze publicatie
Dit rapport beschrijft de uitkomsten van de evaluatie van het vegetatiemeetnet Noord-Hollandse Duinen, die het CBS op verzoek van drinkwaterbedrijf en natuurbeheerder PWN heeft uitgevoerd. PWN beheert twee duingebieden die als Natura2000-gebied zijn aangewezen. Sinds 2012 worden in deze gebieden op een gestructureerde manier vegetatieopnamen in vastliggende proefvlakken uitgevoerd, en er was behoefte aan een evaluatie van dit meetnet. De basis voor deze evaluatie waren veldwerkprotocollen en de set aan waarnemingen van vaatplanten en korstmossen die tussen 2012 en 2025 binnen het vegetatiemeetnet zijn verzameld.
De evaluatie omvatte een uitgebreide datacontrole, proefanalyses die leidden tot een set aanbevelingen voor toekomstige uitvoering van het veldwerk en een op simulaties gebaseerde poweranalyse. Bij de poweranalyse is voor een aantal soorten en gebieden de minimaal benodigde meetinspanning in kaart gebracht om veranderingen in abundantie te detecteren.
De belangrijkste aanbevelingen voor de toekomstige uitvoering van het veldwerk zijn dat het belangrijk is om jaarlijks een willekeurig deel van de proefvlakken te blijven opnemen, dat opnamen met een ander proefvlakformaat als nieuwe tijdreeks moeten worden behandeld en dat de spreiding in bezoekmoment per proefvlak door de jaren heen beter kan worden beperkt. Er zijn geen aanwijzingen gevonden dat bij analyses van vegetatie over tijd rekening moet worden gehouden met ruimtelijke correlatiestructuren in de data. De uitkomsten van de poweranalyses voor de 15 geanalyseerde soort-gebiedscombinaties geven samen aanknopingspunten om de beschikbare meetinspanning zo efficiënt mogelijk in te zetten. Om effectief veranderingen in de bedekkingen per soort te detecteren is het raadzaam om proefvlakken vaker te bezoeken, ook als dat ten koste gaat van het aantal meetlocaties dat kan worden gehandhaafd.
1. Inleiding
Om de natuurlijke ontwikkelingen in de vegetatie te volgen heeft PWN een vegetatiemeetnet, waarin sinds 2012 vegetatiekarteringen worden uitgevoerd. Na 12 jaar monitoren bestaat de behoefte aan een gedegen evaluatie van dit meetnet Noord-Hollandse duinen. Belangrijke punten hierin zijn de representativiteit van de steekproef, omgang met stratumontwikkeling en het gebruik van data uit onvolledige rondes of deelgebieden.
Het CBS kan deze evaluatie goed uitvoeren, omdat zij de jaarlijkse datacontrole en analyses rondom het Landelijk Meetnet Flora (LMF) verzorgt, dat onderdeel is van het Netwerk Ecologische Monitoring. Dit meetnet lijkt qua opzet en veldwerkmethodiek erg op het meetnet Noord-Hollandse duinen.
In dit rapport worden de resultaten beschreven van de evaluatie van het meetnet die het CBS op verzoek van PWN heeft uitgevoerd. Deze evaluatie omvat een uitgebreide datacontrole (uitkomsten beschreven in sectie 2), een set aanbevelingen voor toekomstige uitvoering van het veldwerk en analyse van de bestaande data (sectie 3), en een poweranalyse die de benodigde meetinspanning in kaart brengt om veranderingen in de vegetatie te detecteren (sectie 4).
2. Controle bronbestanden
De uitgevoerde controles zijn deels technische controles op bijv. toegestane waarden en sleutelproblemen tussen de inputtabellen, en deels inhoudelijke controles op onwaarschijnlijke waarnemingen en verrassende afwijkingen tussen verschillende opnamen in hetzelfde proefvlak.
De dataset bestaat uit 2218 meetpunten waarvan het merendeel 3 keer is bezocht sinds 2012. Het betreft 5899 bezoeken met in totaal 121.000 waarnemingen van 912 soorten vaatplanten, mossen en korstmossen. Het resultaat van de inhoudelijke controles was een overzicht met validatiemeldingen.
Een ecoloog die veel opnamen heeft uitgevoerd en een databasebeheerder van PWN hebben deze meldingen beoordeeld. Naar aanleiding van de controles zijn uiteindelijk 283 mutaties aan waarnemingen aangebracht en 11 opnamen niet meegenomen in verdere analyses.
Figuur 1 Aantal bezochte proefvlakken per jaar (links) en aantal bezoeken per meetpunt (rechts) na veertien jaar monitoring in het Noord-Hollands duinvegetatiemeetnet.
3. Proefanalyses en aanbevelingen
3.1 Omgang met veranderende opnamefrequentie
Vanaf het begin van het meetnet in 2012 werd jaarlijks ca. een kwart van de proefvlakken uitgezet en opgenomen, zodat na vier jaar alle proefvlakken één keer waren bezocht. Na twee vierjarige meetrondes zijn in 2020 een jaar geen opnamen uitgevoerd, en vanaf 2021 wordt jaarlijks ca. een zesde van de proefvlakken bezocht, zodat een derde meetronde eind 2026 is afgerond. Welke gevolgen heeft deze veranderende opnamefrequentie voor de analyses?
Omdat de jaarlijks bezochte proefvlakken een willekeurige subset van het totaal zijn (en niet bijv. in een jaar alle duingrasland wordt bezocht en het daaropvolgende jaar alle heide), kan jaar als verklarende variabele voor tijd worden gebruikt. Effectief ‘ontbreekt’ dan bijv. in de eerste acht jaar steeds ca. driekwart van de waarnemingen. Zolang de kans op ontbreken onafhankelijk is van de locatie, het landschap of andere factoren die de vegetatie kunnen beïnvloeden, leidt dit ontbreken niet tot bias in de uitkomsten van op regressie gebaseerde trendanalyses.
Een alternatief is om jaren te aggregeren naar meerjarige meetronden, en deze meetronde als verklarende variabele voor tijd te gebruiken. Deze aanpak wordt bijv. voor standaardanalyses rondom het Landelijk Meetnet Flora gevolgd. Als PWN vanaf 2027 zou doorgaan met zesjarige meetrondes, kan bijvoorbeeld elk bezoek aan een vierjarige periode worden toegewezen. Het belangrijkste nadeel hiervan is dat er binnen het model niet voor de invloed van jaarlijkse weersomstandigheden (bijv. zachte winters of droge zomers) kan worden gecorrigeerd. De invloed hiervan komt als statistische ruis in de restvariantie terecht, met een afname van de kans om andere effecten te detecteren tot gevolg.
3.2 Omgang met veranderend stratumtype
Er worden in het meetnet 11 verschillende landschapstypen (strata) bemonsterd en gevolgd. Om praktische redenen zijn proefvlakken niet in elk stratum even groot. Door veranderende vegetatiesamenstelling (bijv. natuurlijke successie of beheeringrepen) liggen proefvlakken inmiddels geregeld in een ander landschapstype dan aan het begin van het meetnet, en worden opnamen ook met een ander formaat gedaan. Wat zijn de gevolgen van veranderende proefvlakafmetingen voor de analyse van permanente proefvlakken?
Voor analyses van soortenrijkdom heeft een verandering van oppervlakte een tijdreeksbreuk tot gevolg. Proefvlakgrootte heeft namelijk grote invloed op het verwachte aantal gevonden soorten in een proefvlak (Chytrý, 2001) (Michalcová, 2011). De verwachting is daarom dat verandering van proefvlakgrootte op basis van de vegetatie ter plaatse een statistische bias in waargenomen soortenrijkdom tot gevolg heeft. Binnen het vegetatiemeetnet zijn op sommige plekken tegelijkertijd twee opnamen in verschillende formaten gedaan. Figuur 2 toont voor deze opnameparen het aantal gevonden soorten in de grotere opname tegen het aantal in de kleinere opname. Hierin is duidelijk zichtbaar dat de gevonden soortenrijkdom altijd hoger is in grotere proefvlakken, dus dat de verwachte bias ook in het vegetatiemeetnet Noord-Hollandse duinen aanwezig is. Bij analyses van soortenrijkdom over tijd moeten proefvlakken daarom als nieuwe meetlocatie worden behandeld wanneer het opnameformaat verandert.
Figuur 2 Proefvlakgrootte veroorzaakt bias in waargenomen soortenrijkdom. Elke stip betreft een paar vegetatieopnamen die op dezelfde dag in een groter (verticale as) en kleiner proefvlakformaat (horizontale as) zijn uitgevoerd. Het aantal waargenomen soorten in de grotere opname is vrijwel altijd groter dan of gelijk aan het aantal in de kleinere opname.
Voor bedekkingsschattingen per soort is de verwachting tussen proefvlakgrootte en bedekking minder eenduidig dan voor soortenrijkdom. De manier waarop een soort ruimtelijk clustert en de grootte van het proefvlak ten opzichte daarvan zijn beiden belangrijk voor de verwachte bias (Damgaard, 2014). Figuur 3 suggereert dat de geschatte bedekkingen per soort in het Noord-Hollands duinvegetatiemeetnet vaker toe- dan afnemen in grotere proefvlakken, hoewel het beeld minder eenduidig is dan voor soortenrijkdom. Het totaal aantal dubbel uitgevoerde opnamen (17) was niet groot genoeg om hier kwantitatieve uitspraken over te doen. Het advies is om ook bij analyses van bedekking per soort bij veranderend opnameformaat een nieuwe tijdreeks te starten.
Voor toekomstig veldwerk is het raadzaam om zoveel mogelijk de originele formaten te handhaven. Bij lastig te classificeren en/of overgangsvegetatie is het opnameformaat van de vorige keer dan leidend. Dit leidt tot langere tijdreeksen en verhoogt de kans om veranderingen in de vegetatie aan te tonen.
Figuur 3 De relatie tussen proefvlakgrootte en waargenomen bedekking per soort. Elke stip betreft de geschatte bedekking van een soort die op dezelfde plek op dezelfde dag in een groter (verticale as) en kleiner (horizontale as) proefvlakformaat is geschat. De 9 panels betreffen verschillende locaties. De geschatte bedekking is vaker hoger dan lager in de grotere opname.
3.3 Spreiding in dagnummers
Per landschapstype zijn periodes gedefinieerd waarbinnen proefvlakken in het landschapstype moeten worden bezocht. De ideale bezoekperiode is afhankelijk van de vegetatie, maar ook van de onderzoeksdoelen. Als het doel is om een zo compleet mogelijk beeld van de verspreiding van alle aanwezige soorten te krijgen, is het nuttig om te variëren in het bezoekmoment, en proefvlakken dus juist soms vroeger en soms later te bezoeken. Vegetatiemonitoring met vastliggende proefvlakken is echter niet de meest geschikte manier om de verspreiding van soorten in kaart te brengen. Als het doel is om ontwikkelingen over tijd (in bedekking, soortenrijkdom en andere van vegetatiesamenstelling afgeleide indicatoren) te volgen, is het beter om de spreiding in opnamemoment (dagnummer) per meetlocatie beperkt te houden.Bij de analyses viel op dat er een vrij grote spreiding bestaat in het moment waarop elk proefvlak in de eerste drie meetrondes is bezocht. Figuur 4 toont deze spreiding in dagnummers per proefvlak (uitgesplitst naar landschap), d.w.z. het verschil in dagen tussen het laatste en het eerste bezoek aan een proefvlak. Voor bijvoorbeeld duingraslandproefvlakken zit er regelmatig meer dan twee en soms zelfs drie maanden verschil in tijdstip tussen drie opeenvolgende opnamen. Het gevolg hiervan is een grotere variantie in bedekkingsschattingen, wat de detectie van een eventuele toe- of afname moeilijker maakt.
Als het primaire doel van het meetnet is om ontwikkelingen in de vegetatie over tijd te volgen, loont het zich om er strakker op te sturen dat proefvlakken elke meetronde op ongeveer hetzelfde moment in het seizoen worden bezocht.
Figuur 4 Spreiding in bezoekmoment binnen proefvlakken. Getoond is het verschil in dagen tussen het meest vroege en het meest late bezoek per proefvlak in het vegetatiemeetnet Noord-Hollandse duinen. Elke stip komt overeen met een proefvlak dat 3 keer is bezocht. De spreiding is voor veel landschappen groter dan de lengte van de perioden die in de veldwerkinstructies zijn vastgelegd.
3.4 Ruimtelijke autocorrelatie
Het meetnet heeft een relatief hoge meetpuntdichtheid. Figuur 5 toont de ruimtelijke ligging van alle proefvlakken, met gemiddeld 15 proefvlakken per vierkante kilometer. Figuur 6 toont een verdeling van de afstand van elk proefvlak tot het meest nabijgelegen aangrenzende proefvlak. De mediaan van deze afstanden is 70m, en slechts voor twee proefvlakken ligt het meest nabijgelegen proefvlak meer dan 400m ver weg. Bij zulke kleine onderlinge afstanden is het goed om te controleren of er sprake is van ruimtelijke autocorrelatie in de dataset: dat proefvlakken die dicht bij elkaar liggen meer op elkaar lijken dan proefvlakken die ver uit elkaar liggen. Wanneer zulke ruimtelijke autocorrelatie bestaat, leveren nabijgelegen proefvlakken deels dezelfde informatie en zijn ze dus geen onafhankelijke waarnemingen. Een analyse die daar geen rekening mee houdt, gaat uit van meer informatie dan de dataset feitelijk bevat, en zal de onzekerheid in de uitkomsten onderschatten. Zijn er aanwijzingen voor ruimtelijke autocorrelatie in de data van het vegetatiemeetnet Noord-Hollands duin?
Om de aanwezigheid van ruimtelijke autocorrelatie te controleren zijn voor een aantal soorten variogrammen gebouwd. Input hiervoor waren de bedekkingspercentages per bezoek van een specifieke soort. Deze waarden zijn getransformeerd met een logit-functie en gemiddeld per proefvlak. Daarna is voor elke mogelijke combinatie van twee meetpunten het verschil tussen de twee bedekkingen berekend. Deze verschillen zijn gekwadrateerd (zodat negatieve en positieve verschillen even zwaar tellen) en in groepen opgesplitst (vijftien is een standaardaantal groepen), op basis van oplopende fysieke afstand tussen de twee punten in een paar. Per afstandsgroep zijn de verschillen tot slot gemiddeld tot een semivariantie. Semivariantie is dus een maat voor hoe sterk bedekkingspercentages binnen een afstandsgroep van elkaar verschillen. Een lagere semivariantie betekent dat de bedekkingen van de soort in proefvlakken in de betreffende afstandsgroep op elkaar lijken, een hogere semivariantie betekent dat ze juist verschillend zijn. De variogrammen zijn berekend met behulp van het gstat R-package (Gräler, 2016).
Ruimtelijke autocorrelatie wordt in een variogram zichtbaar als lagere ongelijkheid bij kleinere afstanden (‘links’ in het variogram), die toeneemt als de afstand tussen punten toeneemt. Naar rechts in het variogram benadert de semivariantie altijd de gemiddelde variantie in de gehele dataset.
Figuur 5 Ruimtelijke ligging van de meetpunten in het vegetatiemeetnet Noord-Hollands duin (roze stippen, NHD). Meetpunten in het Landelijk Meetnet Flora (groene stippen, LMF) zijn ter referentie weergegeven. De blauwe lijnen geven de landsgrens langs de Noord-Hollandse kust en de provinciegrens met Zuid-Holland weer.
Figuur 6 Verdeling van minimumafstanden tussen proefvlakken in het vegetatiemeetnet Noord-Hollands duin. Per proefvlak is één waarde, de afstand tot het meest nabijgelegen proefvlak, in het histogram opgenomen.
Figuur 7 toont variogrammen voor Duinriet, Calamagrostis epigejos en het aantal gevonden Struikheide-indicatorsoorten per proefvlak. Beide figuren laten zien dat er vrijwel geen verband bestaat tussen semivariantie en afstand. Belangrijker, de semivariantie is vanaf de kleinste geschatte afstand van dezelfde orde van grootte als de variantie in de gehele dataset. Dit betekent dat de bedekking van Duinriet in meetpuntenparen in de kleinste afstandsgroep (waarin alle meetpuntenparen zitten met de kleinste onderlinge afstand; de gemiddelde afstand tussen de punten in deze groep is ca. 150m) evenveel verschilt als in meetpuntenparen die meerdere kilometers uit elkaar liggen.
Ruimtelijke autocorrelatie is een eigenschap van de vegetatie en kan tussen soorten en gebieden verschillen. We hebben variogrammen gebouwd en gecontroleerd op autocorrelatie voor vier soorten vaatplanten en een korstmos: Duinriet, Geel walstro, Echt bitterkruid, Struikhei en Open rendiermos. De resultaten waren in alle vijf de gevallen vergelijkbaar. Daarom zijn van de bedekkingen per soort alleen de resultaten voor Duinriet getoond. De conclusie is dat op de schaal van afstanden die met dit meetnet waarneembaar zijn, er geen aanwijzingen zijn dat een ruimtelijke correlatiestructuur in de analyse noodzakelijk is.
Figuur 7 De gemiddelde ongelijkheid tussen meetpuntenparen als een functie van de afstand ertussen (variogrammen) op basis van gemiddeld bedekkingspercentage per proefvlak van Duinriet (boven) en van het aantal indicatorsoorten voor Struikhei (rechts) in het vegetatiemeetnet Noord-Hollands duin. De variantie van de waarnemingen was resp. 1.01 en 1.73.
4. Poweranalyses
4.1 Methoden
De tot nu toe verzamelde data geven een beeld van de variantie in de dataset. Op basis van de data na 3 meetrondes werden per soort-gebiedcombinatie een kans op voorkomen (in een proefvlak), de gemiddelde bedekking per waarneming en de dispersie (hoe die bedekking in ruimte en tijd varieert) geschat. Met behulp van deze drie parameters kan extra bedekkingsdata worden gesimuleerd met dezelfde eigenschappen als de werkelijke data. Aan deze nieuwe, synthetische data worden van tevoren afgesproken effecten toegevoegd, zoals een vastliggende jaarlijkse afname. Door verschillende synthetische datasets (met dezelfde eigenschappen) te analyseren en daarbij de gebruikte meetinspanning (bijv. het aantal meetlocaties) te variëren, ontstaat een beeld van welke meetinspanning nodig is om het toegevoegde effect statistisch aan te tonen.
Dit maakt het mogelijk om een beeld te geven van de benodigde meetinspanning om specifieke onderzoeksvragen goed te beantwoorden. In overleg met PWN zijn een aantal onderzoeksvragen (casussen) opgesteld, waarvoor zulke poweranalyses zijn uitgevoerd op basis van simulaties. De lijst met casussen is te vinden in tabel 1. De gestelde vraag was steeds:
Wat is de minimale benodigde meetinspanning om een 5% jaarlijkse afname in bedekking of in soortenrijkdom meestal statistisch aan te tonen?
Meetinspanning was in dit geval een combinatie van het aantal proefvlakken en het aantal bezoeken (bezoekfrequentie), die per casus werden gevarieerd. De lengte van de tijdreeks is ook een belangrijk element van meetinspanning, die in deze studie constant is gehouden op 12 jaar. De doelparameters waren de gemiddelde bedekking van een specifieke soort in een specifiek gebied, of het gemiddelde aantal gevonden soorten uit een specifieke groep in een specifiek gebied. Het effect was altijd een jaarlijkse relatieve afname van 5%. Dit betekent dat in de simulaties de gemiddelde bedekking van de onderzochte soort altijd elk jaar 5% kromp. Het forceren van zo’n afname maakt het mogelijk om na te gaan of de meetinspanning voldoende was om.
Voor het schatten van de drie parameters (kans op voorkomen, gemiddelde bedekking en dispersie) zijn de modellen gebruikt die het CBS ook voor de reguliere analyse van data van het LMF gebruikt (Strien van, 2024) (CBS, 2023). Voor analyses van bedekking zijn dit ordinale zero-augmented betaregressiemodellen met een random plot-intercept en meetronde als categorische verklarende variabele. De trendschatting is de afgeleide (‘derived parameter’) stijlheid van een logit-lineaire regressie van gemiddelde bedekking over tijd. Deze modellen worden in een Bayesiaans raamwerk met brede (oninformatieve) priorverdelingen gedraaid met behulp van JAGS (Plummer, 2003). De modellen voor de analyses van soortenrijkdom hebben een vergelijkbaar experimenteel design met random plot-intercept, meetronde als categorische verklarende variabele en trend als afgeleide stijlheid. De responsvariabele wordt gemodelleerd als een normaal verdeelde parameter met gemiddelde en standaarddeviatie (CBS, 2023). De gesimuleerde waarden zijn afgerond als geheel getal, en de enkele negatieve waarden zijn vervangen voor een 0.
Om te toetsen hoe meetinspanning de statistische kracht van het meetnet beïnvloedt, zijn voor iedere casus synthetische datasets gesimuleerd met verschillende combinaties van het aantal proefvlakken en het aantal bezoeken. Per unieke combinatie van soort, gebied, aantal proefvlakken en aantal bezoeken zijn 10 datasets (iteraties) gesimuleerd. Deze synthetische datasets werden met dezelfde modellen geanalyseerd als gebruikt voor het schatten van eigenschappen van de oorspronkelijke data. Als de analyse van een simulatie resulteerde in een significante afname (zoals gedefinieerd in (Strien van, 2024); wanneer het 95% credibility interval van de trend de waarde 0 niet omvatte), stelden we dat de gesimuleerde afname succesvol was gedetecteerd. Wanneer het gesimuleerde effect in tenminste 8 van de 10 iteraties werd gedetecteerd, concludeerden we dat de meetinspanning voldoende was.
Tabel 1 Casussen waarvoor poweranalyses zijn uitgevoerd. De poweranalyses zijn voor elke soort uitgevoerd voor een groot en een klein deelgebied; afkortingen van deelgebieden zijn NHD = Noord-Hollandse Duinen, KV = Kraansvlak en BN is Bergen-Noord. De numerieke waarden in kolom Zeldzaamheid betreffen het aantal vindplaatsen binnen het meetnet Noord-Hollandse duinen.
| Soort | Groot deelgebied | Klein deelgebied | Zeldzaamheid | Indicatief voor proces |
|---|---|---|---|---|
| Duinriet | NHD | KV | 1551 (algemeen) | vermesting en verdroging |
| Geel walstro | NHD | KV | 857 (algemeen) | droge duingraslanden |
| Echt bitterkruid | NHD | KV | 656 (algemeen) | herstel ecosysteem op grotere schaal |
| Ruig viooltje | NHD | KV | 322 (medium) | droge duingraslanden |
| Schapenzuring | NHD | KV | 422 (medium) | lichte verzuring |
| Duinviooltje | NHD | KV | 232 (medium) | zanddynamiek |
| Walstrobremraap | NHD | KV | 63 (zeldzaam) | vochtige duinvalleien (goede kwaliteit) |
| Muurpeper | NHD | KV | 60 (zeldzaam) | droge duingraslanden |
4.2 Resultaten: Verdelingen per soort-stratum
Tabel 2 toont de parameters van de betaverdelingen per soort en gebied die gebruikt zijn om nieuwe waarnemingen te simuleren. De parameter ψ is de trefkans, d.w.z. de kans dat een soort in een proefvlak in het betreffende gebied is gevonden. μ is de geschatte gemiddelde bedekking op plaatsen waar de soort is aangetroffen. φ is de dispersie; deze waarde is groter wanneer een soort meer variantie over tijd vertoont, d.w.z. wanneer de waargenomen bedekkingen van de soort per proefvlak sterkere schommelingen vertonen. σ_b vangt tenslotte de variantie tussen meetlocaties; deze waarde is groter wanneer de soort grotere verschillen in bedekking tussen proefvlakken laat zien. φ en σ_b zijn niet op dezelfde schaal; de gevonden grotere waarden voor de eerste dan voor de laatste betekent dus niet dat de variantie door de tijd groter was dan de variantie door de ruimte. Voor enkele soort-stratumcombinaties waren er te weinig waarnemingen beschikbaar om trefkans, gemiddelde bedekking en/of varianties betrouwbaar te schatten. De rij in Tabel 2 heeft dan NA-waarden, en in dit geval geven de resultaten in het grotere gebied (Noord-Hollands duin) de beste inschatting van de benodigde meetinspanning om afnames te detecteren.
Tabel 2 Parameters van de betaverdelingen per soort en gebied die gebruikt zijn om bedekkingen te simuleren. De parameters zijn geschat op basis van de eerste 3 meetronden in het meetnet Noord-Hollandse duinen. Stratum-afkortingen staan voor NHD = Noord-Hollandse Duin, KV = Kraansvlak en BN is Bergen-Noord.
| Soort | Stratum | ψ (trefkans) | μ (gemiddelde bedekking per vindplaats) | φ (variantie door de tijd) | σ_b (variantie door de ruimte) |
|---|---|---|---|---|---|
| Duinriet | NHD | 0,67 | 0,074 | 12,3 | 0,81 |
| duinriet | KV | 0,80 | 0,104 | 15,4 | 0,91 |
| Geel walstro | NHD | 0,34 | 0,031 | 131,9 | 0,39 |
| Geel walstro | KV | 0,50 | 0,031 | 131,9 | 0,36 |
| Echt bitterkruid | NHD | 0,30 | 0,025 | 35,1 | 0,80 |
| Echt bitterkruid | KV | 0,34 | 0,012 | 214,3 | 0,62 |
| Ruig viooltje | NHD | 0,13 | 0,014 | 403,2 | 0,29 |
| Ruig viooltje | KV | NA | NA | NA | NA |
| Schapenzuring | NHD | 0,21 | 0,023 | 181,8 | 0,24 |
| Schapenzuring | KV | 0,17 | 0,047 | 38,8 | 0,26 |
| Duinviooltje | NHD | 0,08 | 0,016 | 263,7 | 0,36 |
| Duinviooltje | KV | 0,25 | 0,021 | 190,7 | 0,33 |
| Walstrobremraap | NHD | 0,04 | 0,009 | 204,5 | 0,23 |
| Walstrobremraap | KV | NA | NA | NA | NA |
| Muurpeper | NHD | 0,02 | 0,013 | 128,0 | 0,35 |
| Muurpeper | KV | NA | NA | NA | NA |
| Struikhei | BN | 0,78 | 0,433 | 7,5 | 1,76 |
Tabel 3 toont de parameters van de normaalverdeling die gebruikt is om soortenrijkdom van struikheide-indicatorsoorten te simuleren. Hier is μ de geschatte gemiddelde soortenrijkdom per opname in het betreffende gebied. σ_a is de standaarddeviatie die bepaalt hoeveel de soortenrijkdom over tijd varieert, en σ_b vangt de variantie tussen meetlocaties.
Tabel 3 Parameters van de normaalverdeling die is gebruikt om soortenrijkdom te simuleren. De parameters zijn geschat op basis van de eerste 3 meetronden aan waarnemingen in het meetnet Noord-Hollandse duinen. De stratum-afkorting staat voor BN = Bergen Noord.
| Indicator | Stratum | μ (gemiddeld aantal per vindplaats) | σ_a (variantie door de tijd) | σ_b (variantie door de ruimte) |
|---|---|---|---|---|
| Soortenrijkdom NHStruikheide | BN | 4,32 | 2,37 | 3,24 |
4.3 Resultaten: Uitkomsten meetinspanning
Figuur 8 toont de uitkomsten van de poweranalyse voor Duinriet, Calamagrostis epigejos. In het Noord-Hollands Duin en het Kraansvlak zijn 96 vindplaatsen (resp. 143 en 120 plots) niet genoeg om met 2 bezoeken in 12 jaar een jaarlijkse 5% afname te detecteren. Wanneer de bezoekfrequentie wordt verhoogd naar 3 of 4 bezoeken in 12 jaar tijd, volstaan 48 vindplaatsen (ca. 60 plots) om de afname in 8 van de 10 gevallen te detecteren. Wanneer proefvlakken 12 jaar lang elke 2 jaar worden bezocht, wordt de afname al met ca. 30 proefvlakken zichtbaar. Vanwege de lagere gemiddelde trefkans en bedekking van duinriet in het Noord-Hollands duingebied als geheel is een grotere meetinspanning nodig om een afname in bedekking te detecteren dan in het Kraansvlak. Ook hier wordt de interactie tussen bezoekfrequentie en het aantal plots duidelijk zichtbaar: Met een bezoekfrequentie van 2 per 12 jaar zijn meer plots nodig dan we in de simulaties hebben opgenomen, en met een tweejaarlijkse opname per plot neemt het benodigde aantal meetlocaties af tot 48 vindplaatsen (ca. 71 plots).
De resultaten van de poweranalyses voor de andere casussen zijn te vinden in figuren 9 t/m 16. Merk op dat de trefkans een belangrijke parameter is die bepaalt hoeveel meetinspanning nodig is. Zo laten de poweranalyses zien dat ca. 24 vindplaatsen en 4 of 6 bezoeken in 12 jaar tijd voldoende zijn voor het detecteren van een 5% jaarlijkse afname in de bedekking van Duinviooltje (Fig. 13). Met een trefkans van 8% in het Noord-Hollands duin betekent dit nog altijd dat er minstens ca. 300 plots nodig zijn. Omdat de soort in het Kraansvlak vaker wordt gevonden, is binnen dat gebied een kleiner aantal plots van ca. 100 voldoende om dezelfde afname statistisch te detecteren.
De benodigde meetinspanning voor soortenrijkdom voor indicatorsoorten van Noord-Hollandse struikhei is te vinden in Figuur 17. Het vereist minder meetinspanning om een afname in soortenrijkdom te detecteren dan een afname in bedekking per soort. Vergeleken met de resultaten voor bedekking per soort is het aantal meetlocaties hier bepalender dan het aantal bezoeken. Het volstaat om 60 à 72 plots 2 keer in 12 jaar te bezoeken, tegenover 36 à 48 plots 6 keer in 12 jaar.
Figuur 8 Benodigde meetinspanning (aantal plots en aantal bezoeken) om een 5% jaarlijkse afname in bedekking na 12 jaar te detecteren voor Duinriet in Noord-Hollands duin (boven) en in Kraansvlak (onder). De verticale as geeft het aantal proefvlakken (vindplaatsen) en de horizontale as het aantal bezoeken in 12 jaar tijd. Per combinatie van aantal vindplaatsen en aantal bezoeken zijn 10 simulaties uitgevoerd, en de kleur van de stippen geeft weer in hoeveel van de 10 simulaties de afname werd gedetecteerd. Voor groene stippen was de meetinspanning voldoende om de afname te detecteren. De verwachting is dat de kans op detectie toeneemt met toenemende aantallen plots en/of aantallen bezoeken; incidentele afwijkingen hiervan worden veroorzaakt door stochasticiteit in de simulaties.
Figuur 9 Benodigde meetinspanning (aantal plots en aantal bezoeken) om een 5% jaarlijkse afname in bedekking na 12 jaar te detecteren voor Geel walstro in Noord-Hollands duin (boven) en in Kraansvlak (onder). De verticale as geeft het aantal proefvlakken (vindplaatsen) en de horizontale as het aantal bezoeken in 12 jaar tijd. Per combinatie van aantal vindplaatsen en aantal bezoeken zijn 10 simulaties uitgevoerd, en de kleur van de stippen geeft weer in hoeveel van de 10 simulaties de afname werd gedetecteerd. Voor groene stippen was de meetinspanning voldoende om de afname te detecteren. De verwachting is dat de kans op detectie toeneemt met toenemende aantallen plots en/of aantallen bezoeken; incidentele afwijkingen hiervan worden veroorzaakt door stochasticiteit in de simulaties.
Figuur 10 Benodigde meetinspanning (aantal plots en aantal bezoeken) om een 5% jaarlijkse afname in bedekking na 12 jaar te detecteren voor Echt bitterkruid in Noord-Hollands duin (boven) en in Kraansvlak (onder). De verticale as geeft het aantal proefvlakken (vindplaatsen) en de horizontale as het aantal bezoeken in 12 jaar tijd. Per combinatie van aantal vindplaatsen en aantal bezoeken zijn 10 simulaties uitgevoerd, en de kleur van de stippen geeft weer in hoeveel van de 10 simulaties de afname werd gedetecteerd. Voor groene stippen was de meetinspanning voldoende om de afname te detecteren. De verwachting is dat de kans op detectie toeneemt met toenemende aantallen plots en/of aantallen bezoeken; incidentele afwijkingen hiervan worden veroorzaakt door stochasticiteit in de simulaties.
Figuur 11 Benodigde meetinspanning (aantal plots en aantal bezoeken) om een 5% jaarlijkse afname in bedekking na 12 jaar te detecteren voor Ruig viooltje in Noord-Hollands duin. De verticale as geeft het aantal proefvlakken (vindplaatsen) en de horizontale as het aantal bezoeken in 12 jaar tijd. Per combinatie van aantal vindplaatsen en aantal bezoeken zijn 10 simulaties uitgevoerd, en de kleur van de stippen geeft weer in hoeveel van de 10 simulaties de afname werd gedetecteerd. Voor groene stippen was de meetinspanning voldoende om de afname te detecteren. De verwachting is dat de kans op detectie toeneemt met toenemende aantallen plots en/of aantallen bezoeken; incidentele afwijkingen hiervan worden veroorzaakt door stochasticiteit in de simulaties.
Figuur 12 Benodigde meetinspanning (aantal plots en aantal bezoeken) om een 5% jaarlijkse afname in bedekking na 12 jaar te detecteren voor Schapenzuring in Noord-Hollands duin (boven) en in Kraansvlak (onder). De verticale as geeft het aantal proefvlakken (vindplaatsen) en de horizontale as het aantal bezoeken in 12 jaar tijd. Per combinatie van aantal vindplaatsen en aantal bezoeken zijn 10 simulaties uitgevoerd, en de kleur van de stippen geeft weer in hoeveel van de 10 simulaties de afname werd gedetecteerd. Voor groene stippen was de meetinspanning voldoende om de afname te detecteren. De verwachting is dat de kans op detectie toeneemt met toenemende aantallen plots en/of aantallen bezoeken; incidentele afwijkingen hiervan worden veroorzaakt door stochasticiteit in de simulaties.
Figuur 13 Benodigde meetinspanning (aantal plots en aantal bezoeken) om een 5% jaarlijkse afname in bedekking na 12 jaar te detecteren voor Duinviooltje in Noord-Hollands duin (boven) en in Kraansvlak (onder). De verticale as geeft het aantal proefvlakken (vindplaatsen) en de horizontale as het aantal bezoeken in 12 jaar tijd. Per combinatie van aantal vindplaatsen en aantal bezoeken zijn 10 simulaties uitgevoerd, en de kleur van de stippen geeft weer in hoeveel van de 10 simulaties de afname werd gedetecteerd. Voor groene stippen was de meetinspanning voldoende om de afname te detecteren. De verwachting is dat de kans op detectie toeneemt met toenemende aantallen plots en/of aantallen bezoeken; incidentele afwijkingen hiervan worden veroorzaakt door stochasticiteit in de simulaties.
Figuur 14 Benodigde meetinspanning (aantal plots en aantal bezoeken) om een 5% jaarlijkse afname in bedekking na 12 jaar te detecteren voor Walstrobremraap in Noord-Hollands duin. De verticale as geeft het aantal proefvlakken (vindplaatsen) en de horizontale as het aantal bezoeken in 12 jaar tijd. Per combinatie van aantal vindplaatsen en aantal bezoeken zijn 10 simulaties uitgevoerd, en de kleur van de stippen geeft weer in hoeveel van de 10 simulaties de afname werd gedetecteerd. Voor groene stippen was de meetinspanning voldoende om de afname te detecteren. De verwachting is dat de kans op detectie toeneemt met toenemende aantallen plots en/of aantallen bezoeken; incidentele afwijkingen hiervan worden veroorzaakt door stochasticiteit in de simulaties.
Figuur 15 Benodigde meetinspanning (aantal plots en aantal bezoeken) om een 5% jaarlijkse afname in bedekking na 12 jaar te detecteren voor Muurpeper in Noord-Hollands duin. De verticale as geeft het aantal proefvlakken (vindplaatsen) en de horizontale as het aantal bezoeken in 12 jaar tijd. Per combinatie van aantal vindplaatsen en aantal bezoeken zijn 10 simulaties uitgevoerd, en de kleur van de stippen geeft weer in hoeveel van de 10 simulaties de afname werd gedetecteerd. Voor groene stippen was de meetinspanning voldoende om de afname te detecteren. De verwachting is dat de kans op detectie toeneemt met toenemende aantallen plots en/of aantallen bezoeken; incidentele afwijkingen hiervan worden veroorzaakt door stochasticiteit in de simulaties.
Figuur 16 Benodigde meetinspanning (aantal plots en aantal bezoeken) om een 5% jaarlijkse afname in bedekking na 12 jaar te detecteren voor Struikhei in Bergen-Noord. De verticale as geeft het aantal proefvlakken (vindplaatsen) en de horizontale as het aantal bezoeken in 12 jaar tijd. Per combinatie van aantal vindplaatsen en aantal bezoeken zijn 10 simulaties uitgevoerd, en de kleur van de stippen geeft weer in hoeveel van de 10 simulaties de afname werd gedetecteerd. Voor groene stippen was de meetinspanning voldoende om de afname te detecteren. De verwachting is dat de kans op detectie toeneemt met toenemende aantallen plots en/of aantallen bezoeken; incidentele afwijkingen hiervan worden veroorzaakt door stochasticiteit in de simulaties.
5. Conclusies
Sectie 3 bevat aanbevelingen voor toekomstig veldwerk en voor de analyse van de bestaande data. Het is belangrijk om jaarlijks een willekeurig deel van de proefvlakken te blijven opnemen, omdat veranderingen van opnamefrequentie dan geen statistische problemen opleveren. Opnamen op dezelfde plaats die met een ander proefvlakformaat zijn uitgevoerd moeten als nieuwe tijdreeks worden behandeld, dus het is raadzaam om veranderingen in proefvlakformaat zoveel mogelijk te beperken. De spreiding in bezoekmoment per proefvlak door de jaren heen (dagnummer) kan beter worden beperkt. Er zijn geen signalen van ruimtelijke correlatiestructuur gevonden in de data, dus daar hoeft in de analyse geen rekening mee te worden gehouden.
Sectie 4 bevat de resultaten van een poweranalyse die op basis van de bestaande waarnemingen is uitgevoerd. De vraag hoeveel meetinspanning minimaal nodig is moet per casus (onderzoeksvraag, soort, gebied) worden beantwoord. De uitkomsten voor de 15 geanalyseerde soort-gebiedscombinaties geven samen aanknopingspunten om de beschikbare meetinspanning zo efficiënt mogelijk in te zetten en om in te schatten wanneer de huidige meetinspanning tekort schiet. Eén generieke aanbeveling is dat vaker bezoeken dan eens in de zes jaar raadzaam is om effecten in bedekking per soort te detecteren, ook als dat ten koste gaat van het aantal meetlocaties dat kan worden gehandhaafd.
Bibliografie
- Anderson, W. B. (2025). sdmTMB: an R package for fast, flexible, and user-friendly generalized linear mixed effects models with spatial and spatiotemporal random fields. Journal of Statistical Software.
- CBS, P. R. (2023). Vegetatie van de duinen, 1999-2020. CLO.
- Chytrý. (2001). Phytosociological data give biased estimates of species richness. Journal of Vegetation Science.
- Damgaard. (2014). Estimating mean plant cover from different typen of cover data: a coherent statistical framework. Ecosphere.
- Gräler, P. &. (2016). Spatio-Temporal Interpolation using gstat. The R Journal.
- Michalcová, L. C. (2011). Bias in vegetation databases? A comparison of stratified-random and preferential sampling. Journal of Vegetation Science.
- Plummer. (2003). JAGS: A Program for Analysis of Bayesian Graphical Models Using Gibbs Sampling. Proceedings of the 3rd International Workshop on Distributed Statistical Computing.
- Strien van, I. &. (2024). Trends in plant cover derived from vegetation plot data using ordinal zero-augmented beta regression. Journal of Vegetation Science.