RYCHLOST PROUDU A LARVY PAKOMÁRŮ: DVĚ ŘEKY A DVA EFEKTY Vít Syrovátka & Karel Brabec Ústav botaniky a zoologie Masarykova Univerzita GOCE-CT-2003-505540.

Slides:



Advertisements
Podobné prezentace
METODIKA VÝUKY IAS/IFRS NA VŠ EKONOMICKÉHO ZAMĚŘENÍ
Advertisements

Korelace a regrese Karel Zvára 1.
Analýza experimentu pro robustní návrh
kvantitativních znaků
VLIV SVALOVÝCH DYSBALANCÍ NA POSTAVENÍ PÁNVE U KARATISTU
Podmínky optimalizace kapitálové struktury
Pojem funkce Lineární funkce Kvadratické funkce
Vliv fenologických a meteorologických podm í nek na koncentrace CO 2 na rozhran í biosf é ry a atmosf é ry Daniel Bareš, Martin Možný, Jiří Novák Český.
1 Fakulta stavební, VŠB-Technická univerzita Ostrava 2 Civil and Environmental Engineering Department, University of Utah Modelování v mechanice Ostrava,
školitel: doc.Ing.Milan Hokr, Ph.D.
Cvičení 6 – 25. října 2010 Heteroskedasticita
Šablona funkcí „pokus o návod“
Porovnání hodnotících škál bolesti v závislosti na kognitivní funkci
Kapalinová chromatografie v analytické toxikologii Věra Pacáková Univerzita Karlova v Praze, Přírodovědecká fakulta, katedra analytické chemie.
Statistika II Michal Jurajda.
Biologická diverzita a Indexy biodiverzity
Hodnocení krajinných změn, příklad z ČR
Korelace a regrese síla (těsnost) závislosti dvou náhodných veličin: korelace symetrický vztah obou veličin neslouží k předpovědi způsob (tvar) závislosti.
kvantitativních znaků
Obecný lineární model Analýza kovariance Nelineární modely
Revitalizace Černého potoka v druhém úseku
Inference jako statistický proces 1
Vypracovaly: Iveta Vyskočilová Michaela Poláková
ÚTVARY VE DNĚ Interakce proudu a pohybu splavenin vede ke vzniku útvarů ve dně, jako např. vrásy, duny, antiduny, splaveninové lavice. Tyto útvary mohou.
Úvod do gradientové analýzy
Lineární regrese.
Lineární regresní analýza
VaVpI – pracovní skupina 2 FINANCOVÁNÍ A METODIKA Schůzka , MŠMT MAKROSKOPICKÝ MODEL UDRŽITELNOSTI PROBLÉMOVÉ OKRUHY, KTERÉ BUDOU DÁLE ŘEŠENY.
Makrozoobentos a klasifikace toků Jarkovský J. 2,3, Kubošová K. 2,3, Zahrádková S. 1, Brabec K. 1, Kokeš J. 4, Klapka R. 2,3 1) Ústav botaniky a zoologie,
Autorem materiálu a všech jeho částí, není-li uvedeno jinak, je Ing. Pavel Najman. Obchodní akademie a Střední odborná škola logistická, Opava, příspěvková.
Podélný gradient fytoplanktonu v závislosti na zařazení říční vody do vertikálního profilu nádrže Římov 1,2 Komárková J., 3 Hrubý P., 1 Nedoma J., 1,2.
Prostorová distribuce predace Lenka Čápová. -Shlukují se na místech s velkou hustotou kořisti -navzájem si konkurují a překážejí si; snižují rychlost.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
Ekologie invazních druhů rostlin pracovní skupina zahrnující projekty studentů všech úrovní vysokoškolského studia propojení na další skupiny a projekty.
Ladislav Řoutil, Zbyněk Keršner, Václav Veselý
Teorie psychodiagnostiky a psychometrie
ANALÝZA FAKTORŮ OVLIVŇUJÍCÍCH DÉLKU DOBY NEZAMĚSTNANOSTI VYUŽITÍM METOD ANALÝZY PŘEŽITÍ Jan Popelka Doktorand oboru Statistika Den doktorandů FIS
Jan Vávra Působení auxinu u Oscillatoria sp. pozorované in situ.
8. Kontingenční tabulky a χ2 test
Korelace.
Společenstva vířníků (Rotifera) v různých typech tůní Daniel Vařecha.
Gradientová analýza II
Míra růstu dividend, popř. zisku
Klasifikace a rozpoznávání
Struktura měřícího řetězce
Reakce perifytonu na změnu teploty na různých ekologických úrovních
Mann-Whitney U-test Wilcoxonův test Znaménkový test
IV..
Bc. Jaromír Šetek VNÍMÁNÍ ZEMĚ PŮVODU ZNAČKY A ZEMĚ PŮVODU PRODUKTU VEDOUCÍ PRÁCE: Ing. Pavel Štrach, Ph.D. et Ph.D.
Vliv a význam bezobratlých v systémech intenzivního chovu ryb Lukáš Mareš Tento výzkum je podpořen interním grantovým projektem č. IP 12_2016.
Testování hypotéz Testování hypotéz o rozdílu průměrů  t-test pro nezávislé výběry  t-test pro závislé výběry.
Možnosti biostatistiky RNDr. Karel Hrach, Ph.D. Ústav zdravotnických studií UJEP Biomedicínský výzkum s podporou evropských zdrojů v nemocnicích ( )
CHISA 2011, Srní, října 2011 OBRAZOVÁ ANALÝZA – porovnání vlivu recepturního složení pečiva I. Švec, M. Hrušková, T. Hofmanová.
Testování biometrického systému založeného na dynamice podpisu
Korelace. Určuje míru lineární vazby mezi proměnnými. r < 0
Korelace Korelace obecně je míra kvality (vhodnosti, těsnosti) nalezeného regresního modelu pro daná data; vychází z hodnot reziduí V každém typu regresního.
Rozcvička Urči typ funkce:
Stručný přehled modelových rozložení I.
MĚŘENÍ VIBRACÍ NA TRUBKOVÉM SVAZKU, ZPRACOVÁNÍ A UCHOVÁVÁNÍ DAT
Dvoufaktorová analýza rozptylu
4. cvičení
Genetická struktura populací lipana podhorního (Thymallus thymallus) v rybářsky obhospodařovaných řekách České republiky Dagmar Hucková Školitel: Ing.
ZVLÁŠTNÍ TYPY LOTICKÝCH HABITATŮ
Ekologie živočišných společenstev a populací
Regresní analýza výsledkem regresní analýzy je matematický model vztahu mezi dvěma nebo více proměnnými snažíme se z jedné proměnné nebo lineární kombinace.
Úvod do matematické analýzy - pokračování 3
Vodní nádrže 2017 DYNAMIKA FYTOPLANKTONU VODÁRENSKÉ NÁDRŽE HAMRY V PRŮBĚHU BIOMANIPULAČNÍCH OPATŘENÍ Radovan Kopp, Tomáš Zapletal, Pavel Jurajda, Zdeněk.
ÚSTAV VODNÍHO HOSPODÁŘSTVÍ KRAJINY
Zhongyuan Chen Jiufa Li Huanting Shen Wang Zhanghua
7. Kontingenční tabulky a χ2 test
Transkript prezentace:

RYCHLOST PROUDU A LARVY PAKOMÁRŮ: DVĚ ŘEKY A DVA EFEKTY Vít Syrovátka & Karel Brabec Ústav botaniky a zoologie Masarykova Univerzita GOCE-CT

Jaký mají hydraulické podmínky vliv na strukturu společenstva larev pakomárů? úvod - zaměření studie porovnání dvou odlišných lokalit

lokality – Svratka vs. Bečva ŠÍŘKA TOKU m25-35 m SVRATKA, Unčín BEČVA, Černotín

3,21 1,88 1,48 SVRATKA, Unčín BEČVA, Černotín lokality – Svratka vs. Bečva denní průměrné průtoky v m -3.s -1 PRŮTOK

lokality – Svratka vs. Bečva minimum průměr maximum 0,0°C 6,9°C 20,2°C 0,0°C 9,6°C 30,1°C TEPLOTA VODY SVRATKA, Unčín BEČVA, Černotín

lokality – Svratka vs. Bečva minimum průměr maximum 0,0°C 6,9°C 20,2°C 0,0°C 9,6°C 30,1°C TEPLOTA VODY SUBSTRÁT vláknité řasyrozsivky, místy mechy SVRATKA, Unčín BEČVA, Černotín

metodika DATA úroveň mesohabitatu plocha 25 x 25 cm oka 250 µm biologická: environmentální:rychlost proudu hloubka substrát teplota O 2 pH konduktivita 2 cm 20% 80%80% 40%40% (Svratka pouze)

analýza hlavních komponent - PCA SVRATKA, Unčín 1. osa2. osa Rychlost proudu Froudovo číslo korelace os: (Spearman R) Froude number: Froude = Vm / √(gd), kde Vm je průměrná rychlost proudu, g je gravitační zrychlení a d hloubka. froudovo číslo

analýza hlavních komponent - PCA Bečva, Černotín 1. osa2. osa Rychlost proudu Froudovo číslo korelace os: (Spearman R) froudovo číslo speciální habitaty

analýza hlavních komponent - PCA Bečva, Černotín 1. osa2. osa Rychlost proudu Froudovo číslo korelace os: (Spearman R) froudovo číslo – bez speciálních habitatů

PCA.. hydraulické podmínky – velmi významné! největší variabilita

PCA....a co dál? Synorthocladius semivirens (Kieffer, 1909) - modelový druh Je vliv hydraulických podmínek na distribuci jednoho druhu totožný na odlišných lokalitách? hydraulické podmínky – velmi významné! největší variabilita

lineární regrese – vstupní data TRANSFORMACE DAT přímá data log (data+1) √(data) K-S p>0.20 Lilliefors p<0.15 K-S p>0.20 Lilliefors p>0.20 K-S p>0.20 Lilliefors p<0.15 odmocninová

lineární regrese – vstupní data TRANSFORMACE DAT přímá data log (data+1) √(data) K-S p>0.20 Lilliefors p<0.15 K-S p>0.20 Lilliefors p>0.20 K-S p>0.20 Lilliefors p<0.15 odmocninová Svratka27 Bečva24 POČET VZORKŮ

lineární regrese – Svratka fr - √(Froudovo číslo) synsqrt - √(abundance S. semivirens) synsqrt = *(fr) *(fr 2 ) Coefficients: Estimate Pr(>|t|) fr e-11 *** I(fr^2) e-08 *** Adjusted R-squared: F-statistic: on 2 and 25 DF p-value: 2.475e-12 SVRATKA, Unčín

lineární regrese – Bečva fr - √(Froudovo číslo) synsqrt - √(abundance S. semivirens) synsqrt = *(fr) Coefficients: Estimate Pr(>|t|) fr 10, e-12 *** Adjusted R-squared: F-statistic: on 1 and 23 DF p-value: 4.026e-12 Bečva, Černotín

Závěr: Taxonomická strukrura společenstva larev pakomárů byla na obou studovaných lokalitách významně ovlivňována hydraulickými podmínkami (Froudovo číslo). Taktéž distribuce larev Synorthocladius semivirens. Vliv hydraulických podmínek na distribuci larev S.semivirens byl na dvou studovaných lokalitách odlišný. Abundance S. semivirens na lokalitě Svratka, Unčín byla kvadraticky závislá na Froudově číslu s vrcholem při hodnotě Fr. čísla 0,15, zatímco na lok. Bečva, Černotín byla závislá lineárně a stoupala s rostoucím Fr. číslem. Použijeme-li Froudovo číslo (hodnota=0,23) pro odlišení peřejí (riffles) od tůní (pools), pak optimální podmínky nalézal S.semivirens na Svratce v tůních, na Bečvě naopak v peřejích. Čím to? vláknité řasy? kyslíkové poměry? Froudovo číslo 0,15 Froudovo číslo 0,23 fr - √(Froudovo číslo) synsqrt - √(abundance S. semivirens)

Děkuji za pozornost Euro-limpacs (GOCE –CT ) STAR (EVK1-CT ) grantová podpora: