Angel Oak Tree – Informasi Seputar Pohon jenis oak tree

Angel Oak Tree merupakan situs informasi spesies pohon dan semak dalam genus Quercus dan beberapa genus yang berhubungan, terutama Cyclobalanopsis dan Lithocarpus.

Berita

Pentingnya Pohon Untuk Alam, Serta Mengenal Lingkungan Yang Tepat Untuk Tumbuhan

Pentingnya Pohon Untuk Alam, Serta Mengenal Lingkungan Yang Tepat Untuk Tumbuhan – Pohon memainkan peran penting dalam biosfer dan masyarakat di seluruh dunia, dengan total 60.065 spesies pohon saat ini diidentifikasi. Semakin banyak, sejumlah besar data tentang kemunculan spesies pohon dihasilkan di seluruh dunia dari inventaris hingga tanaman yang dipres.

angeloaktree

Mengenal Semua Jenis Pohon Dan Seberapa Besarnya

angeloaktree – Sementara banyak dari data ini saat ini tersedia dalam database besar, beberapa tantangan menghambat penggunaannya, terutama masalah geolokasi dan ketidakpastian taksonomi. Lebih lanjut, kami tidak memiliki gambaran lengkap tentang cakupan data dan penilaian kualitas untuk database terbuka/publik tentang kemunculan pohon.

Metode

Kami menggabungkan data dari lima agregator utama data kejadian (misalnya Fasilitas Informasi Keanekaragaman Hayati Global, Informasi Botani dan Jaringan Ekologi v.3, DRYFLOR, RAINBIO dan Atlas of Living Australia) dengan membuat alur kerja untuk mengintegrasikan, menilai, dan mengontrol kualitas data spesies pohon kejadian untuk pemodelan distribusi spesies. Kami selanjutnya menilai cakupan luasan data geografis dari lima famili pohon yang penting secara ekonomi (Arecaceae, Dipterocarpaceae, Fagaceae, Myrtaceae, Pinaceae).

Baca Juga : Mengamati dan Mengidentifikasi Pohon Saat Musim Dingin

Hasil

Secara global, kami mengidentifikasi 49.206 spesies pohon (84,69% dari total kumpulan spesies pohon) dengan catatan kejadian. Jumlah total catatan kejadian adalah 36,69 M, di antaranya 6,40 M dapat dianggap sebagai catatan berkualitas tinggi untuk pemodelan distribusi spesies.

Hasil penelitian menunjukkan bahwa Eropa, Amerika Utara dan Australia memiliki cakupan spasial data kejadian pohon yang cukup besar. Sebaliknya, wilayah keanekaragaman hayati utama seperti Asia Tenggara dan Afrika Tengah dan sebagian Amazon masih dicirikan oleh kesenjangan data publik terbuka secara geografis.

Kesenjangan seperti itu juga ditemukan bahkan untuk keluarga pohon yang penting secara ekonomi, meskipun jangkauan keseluruhannya tertutup. Hanya 15.140 spesies (26,05%) yang memiliki setidaknya 20 catatan kualitas tinggi.

Kesimpulan

Analisis cakupan geografis kami menunjukkan bahwa ada banyak data yang mudah diakses tentang kejadian spesies pohon di seluruh dunia, tetapi kesenjangan regional dan kesalahan koordinat berlimpah.

Dengan demikian, penilaian sebaran pohon akan membutuhkan protokol kontrol kualitas kejadian yang akurat dan kolaborasi kunci dan agregasi data, terutama dari program inventarisasi hutan nasional, untuk meningkatkan data yang tersedia untuk umum saat ini.

Latar Belakang

Pemantauan dan pemahaman distribusi spesies pohon di dunia merupakan agenda penelitian utama dalam ekologi tumbuhan, terutama di bawah perubahan global yang cepat (Enquist et al. 2016 ; Franklin et al. 2016 ).

Memperkirakan distribusi spesies pohon pada akhirnya diperlukan untuk memberikan pemahaman yang lebih baik tentang keanekaragaman pohon, pendorong utama fungsi hutan (Paquette dan Messier 2011 Pichancourt et al. 2014 ) dan penyediaan jasa ekosistem hutan (Gamfeldt et al. 2013 ; Thompson et al. . 2014 ). Distribusi spesies merupakan, di samping itu, informasi dasar yang diperlukan dalam perencanaan konservasi sistematis dan dinamika kisaran prakiraan di bawah perubahan iklim di masa depan (Franklin2010 ; Serra-Diaz dkk. 2012 ; Guisan dkk. 2013 ; Zhang dkk. 2017 ).

Sejauh mana populasi akan menanggapi perubahan iklim diperkirakan tergantung pada variasi dalam distribusi geografis, variasi fenotip, respon terhadap CO 2 fertilisasi, kekuatan seleksi, fekunditas, dan tingkat interaksi biotik (Franklin et al. 2016 ).

Misalnya, lokasi geografis tertentu seperti lembah Amazon, Amerika Serikat bagian barat, hutan boreal, Eropa selatan, dan Australia tampaknya lebih rentan terhadap hilangnya hutan karena perubahan suhu dan curah hujan yang spesifik di wilayah tersebut (Allen et al. 2010 ; Choat et al. 2012).

Lebih lanjut, spesies yang tersebar luas dengan populasi besar dan fekunditas tinggi lebih mungkin untuk bertahan dan beradaptasi, tetapi spesies dengan populasi kecil, rentang terfragmentasi, atau fekunditas rendah, mungkin lebih berisiko terhadap keruntuhan populasi dan mungkin menjadi kandidat untuk migrasi yang difasilitasi.

Saat ini kami tidak memiliki penilaian umum tentang distribusi pohon global, yang membatasi pemahaman kami tentang fungsi hutan, dapat secara berbahaya menyederhanakan proyeksi perubahan iklim, dan menghambat perencanaan konservasi yang efektif di bawah perubahan antropogenik planet yang sedang berlangsung.

Dalam beberapa tahun terakhir, penelitian informatika keanekaragaman hayati telah berkembang pesat (Graham et al. 2004 ; Botkin et al. 2007 ) dan ekologi hutan dengan cepat mendapat manfaat darinya (Ash et al. 2017 ; Zhang et al. 2017 ).

Saat ini, rencana pemantauan hutan regional sedang dilaksanakan di seluruh dunia, jaringan kerjasama ilmiah sedang dikembangkan dan infrastruktur data skala besar dan alat untuk penelitian keanekaragaman hayati data besar dan studi ekologi telah dikembangkan (Franklin et al. 2017).

Sementara masa depan penelitian dan pemantauan keanekaragaman hutan menjanjikan, upaya mendesak masih diperlukan untuk mendokumentasikan distribusi dan keanekaragaman pohon di seluruh dunia dengan benar untuk menilai hubungan antara kemunculan spesies dan iklim dan menyusun rencana konservasi.

Pertama, data jarang atau tidak ada di berbagai daerah (Sousa-Baena et al. 2014 ; Meyer et al. 2016 ). Kedua, ketersediaan data publik aspek kunci dari ilmu yang dapat direproduksi (Hampton et al. 2015) seringkali terbatas karena hutan dapat mewakili sumber daya nasional utama dengan dampak ekonomi yang besar.

Selain itu, beberapa inventarisasi hutan nasional belum sepenuhnya terintegrasi dalam infrastruktur atau pendaftar keanekaragaman hayati skala besar (misalnya Fasilitas Infrastruktur Keanekaragaman Hayati Global, Indeks Global Basis Data Vegetasi, Informasi Botani dan Jaringan Ekologi).

Oleh karena itu, data tentang sebaran jenis pohon, meskipun tersedia, mungkin sangat heterogen. Hasilnya adalah sebagian besar wawasan tentang peran keanekaragaman hayati dalam ekosistem hutan berasal dari wilayah tertentu yang dipelajari dengan baik (Ruiz-Benito et al. 2014 ) atau berkonsentrasi pada bioma tertentu di mana jaringan kolaborasi penelitian berada (ter Steege et al. 2006 ; Sullivan dkk. 2017 ).

Terlepas dari kekhawatiran terkait cakupan geografis dan upaya pengambilan sampel, tantangan utama lainnya adalah kualitas data yang digunakan (Boyle et al. 2013 ; Enquist et al. 2016 ; Franklin et al. 2017 ).

Misalnya, Wiser ( 2016 ) menemukan bahwa masalah umum di basis data plot vegetasi adalah salah atau hilang koordinat geografis. Tantangan lain yang umumnya ditemukan dalam kumpulan besar catatan kejadian terkait dengan kesalahan identifikasi taksonomi dan pergeseran taksonomi (Thessen dan Patterson 2011 ), di mana alat telah dirancang khusus untuk menyelaraskan konvensi penamaan (Boyle et al. 2013).

Protokol formal untuk penilaian kualitas dan kontrol kualitas masih menjadi tantangan (Franklin et al. 2017 ), meskipun ada rekomendasi utama (Costello et al. 2014 ; Enquist et al. 2016 ; Anderson et al. 2016 ).

Dalam studi ini, kami mengatasi tantangan penilaian data besar untuk data kejadian untuk semua 60.065 spesies pohon yang diidentifikasi di dunia (Beech et al. 2017 ). Secara khusus, tujuan kami adalah untuk menentukan cakupan geografis dan kualitas data besar kejadian spesies pohon saat ini yang tersedia untuk umum di repositori keanekaragaman hayati utama.

Kami mengumpulkan empat sumber data kejadian keanekaragaman hayati vegetasi utama dan mengembangkan alur kerja untuk mengkategorikan catatan kejadian menurut kualitasnya untuk tujuan analisis distribusi spesies makroekologi alat utama untuk mengeksplorasi paparan spesies terhadap perubahan iklim (Dawson et al. 2011 ; Serra -Diaz et al. 2014 ).

Setelah empat langkah ini, beberapa pengujian independen dilakukan dengan rekaman yang tersisa – yaitu rekaman tanpa label kualitas yang ditetapkan. Tes ini terdiri dari:

1. Pengecekan lingkungan yang hilang: Identifikasi lokasi yang lapisan lingkungan spasialnya tidak memiliki informasi, yang menghalangi penggunaan rekaman tersebut untuk pemodelan lingkungan.

2. Lokasi kebun raya potensial: Identifikasi catatan di kebun raya, yang kondisi lokalnya mungkin sangat berbeda dari kondisi lingkungan pada lapisan spasial lingkungan pada skala besar. Data lokalitas, jika tersedia, digunakan untuk memeriksa apakah lokasi tersebut mengandung kata-kata yang dapat diidentifikasi sebagai lokasi kebun raya: ‘botani’, ‘botanische’, ‘botanico’, ‘jardin’, ‘taman’, ‘botani’.

3. Deteksi centroid: Selama digitalisasi data, kesalahan yang terkenal adalah penetapan otomatis spesimen ke negara centroid atau ibu kotanya. Kami menggunakan World Factbook (CIA 2014) untuk informasi negara dan pusat ibukota. Data dapat diunduh secara bebas dari paket speciesgeocodeR (Zizka 2015 ). Alur kerja mengidentifikasi catatan yang termasuk dalam sel jaringan lingkungan negara atau pusat kota, atau tetangga 8 sel yang berdekatan.

4. Lingkungan hiper-antropogenik: Analisis ini mengidentifikasi catatan di lanskap yang sangat urban, di mana lapisan lingkungan global mungkin tidak sesuai menggambarkan kondisi di lokasi, dan di mana catatan kejadian mungkin mencerminkan spesimen yang ditanam.

Kami melapisi lokasi rekaman dengan lapisan spasial indeks pengaruh manusia v2 (Masyarakat Konservasi Satwa Liar WCS dan Pusat Jaringan Informasi Ilmu Bumi Internasional CIESIN Universitas Columbia 2005 ).

Indeks pengaruh manusia adalah nilai yang mengintegrasikan beberapa lapisan spasial (penggunaan lahan, populasi, dll.) untuk memperkirakan tingkat dampak antropogenik. Kami menentukan rekor pengaruh manusia yang tinggi pada catatan tersebut dengan indeks lebih besar dari 45. Ambang batas ini ditetapkan karena memungkinkan karakterisasi area metropolitan yang besar dan sangat padat.

5. Pencilan geografis: Kami mengidentifikasi potensi kesalahan dalam koordinat menggunakan metodologi lambung alfa. Teknik ini telah digunakan untuk menentukan distribusi spesies dan ukuran kisaran masing-masing di bawah bias data (Hui et al. 2011 ; Capinha dan Pateiro-López 2014 ).

Dengan menggunakan metodologi ini, lambung cembung digambar di bidang koordinat menggunakan lokasi rekaman; dan parameter alpha digunakan untuk membagi poligon di tempat-tempat di mana beberapa catatan hadir.

Bentuk alfa telah digunakan untuk mengidentifikasi outlier potensial dalam rentang spesies. Kami menggunakan parameter alfa 2 untuk analisis ini – dipilih berdasarkan analisis awal di ALA. Jika tidak ada informasi yang cukup untuk menghitung alpha hull, maka analisis geografis outlier tidak dilakukan.

6. Pencilan lingkungan: Kami mengidentifikasi potensi kesalahan dalam catatan kehadiran dengan mengidentifikasi catatan yang terletak di lingkungan yang dianggap sebagai outlier di ruang lingkungan. Lokasi-lokasi ini dapat secara signifikan mempengaruhi analisis lingkungan menggunakan distribusi spesies (Soley-Guardia et al. 2014).

Deteksi outlier lingkungan dilakukan dengan menjalankan metode reverse-jackknife pada enam variabel iklim: Suhu rata-rata tahunan, suhu maksimum bulan terpanas, suhu minimum bulan terdingin, curah hujan tahunan, curah hujan bulan terbasah, curah hujan bulan terkering.

Variabel-variabel ini dipilih untuk mencerminkan rata-rata serta batas-batas iklim dari kisaran spesies. Metode ini terdiri dari mengidentifikasi sampel outlier (misalnya kejadian) berdasarkan ambang batas kritis yang dihitung berdasarkan rata-rata, standar deviasi dan rentang seluruh rangkaian sampel (misalnya semua titik kejadian).

Metode ini telah diterapkan untuk mendeteksi outlier (Chapman 2005).). Pencilan potensial diidentifikasi jika lebih dari 20% variabel diperkirakan sebagai outlier (minimal dua variabel dalam kasus kami). Jika tidak ada informasi yang cukup untuk menghitung analisis ini, maka analisis outlier lingkungan tidak dilakukan.

Keenam tes independen yang diuraikan di atas memungkinkan klasifikasi ke dalam lima kategori kualitas (A hingga E; tertinggi hingga terendah). Label E diberikan pada catatan yang tidak memiliki informasi lingkungan (analisis 1) atau kemungkinan terjadinya di kebun raya (analisis 2).

Label D ditetapkan untuk catatan dengan setidaknya satu masalah dalam lingkungan (analisis 3-5) dan setidaknya satu masalah dalam ruang geografis (analisis 6), sehingga mengorbankan potensi analisis makroekologi.

Label B menunjukkan catatan dengan masalah hanya dalam ruang geografis (analisis 3-5), sedangkan label C ditugaskan untuk catatan dengan masalah potensial dalam ruang lingkungan (analisis 6). Label A ditetapkan untuk rekaman tanpa masalah yang jelas.

Akhirnya, kami membedakan lebih lanjut beberapa kategori di antara catatan kualitas tertinggi (Label A). Secara khusus, kami menambahkan dua kategori berkualitas tinggi lagi: AA dan AAA. Label ini menentukan ketepatan geografis data dan mungkin sangat berguna dalam analisis distribusi iklim.

Presisi ditentukan oleh lokasi catatan sehubungan dengan data lingkungan grid. Catatan presisi rendah diidentifikasi ketika catatan kehadiran terletak tepat di sudut kiri atas atau tengah resolusi spasial sel grid (Robertson et al. 2016).

Baca Juga : Sumber Daya Alam Taman Nasional Blue Mountains

Label AA ditetapkan ke rekaman AA yang sudah diklasifikasikan dengan presisi lingkungan yang baik Selanjutnya, label AAA ditetapkan ke rekaman AA yang sudah diklasifikasikan yang memiliki presisi ketinggian yang sesuai (100 m).

Ini penting di lokasi dengan heterogenitas topografi, di mana iklim mungkin sangat berbeda dalam sel grid resolusi kasar dari lapisan spasial iklim. Kami membandingkan ketinggian yang tercatat dari keberadaan dengan elevasi yang berasal dari model elevasi digital yang digunakan untuk mendapatkan variabel lingkungan (Hijmans et al. 2005 ). Jika ketidakcocokan kurang dari 250 m, kami menetapkan kembali catatan AA ke catatan AAA.