Upload
bfako
View
133
Download
0
Embed Size (px)
DESCRIPTION
Melegigényes, mediterrán díszfa fajok telepíthetőségi területének előrejelzése a 21. századra a REMO regionális klímamodell szerint és a Moesz-vonal elmozdulásának előrejelzése három módszerrel
Citation preview
Budapesti Corvinus Egyetem Tájépítészeti Kar Kert- és Szabadtértervezési Tanszék
Melegigényes díszfák telepíthetőségi területének előrejelzése a 21. századra
Belső konzulens: Dr. Gerzson László Külső konzulens: Dr. Horváth Levente Bíráló: Tanszékvezető: Mezősné Dr. Szilágyi Kinga Bede-Fazekas Ákos kert- és szabadtértervezési szakirány 2012
– Tartalom –
2
1 TARTALOM
1 Tartalom ..................................................................................................................... 2
2 Bevezetés és célkitűzés ............................................................................................... 4 2.1 Témaválasztás indoklása. Bevezetés..................................................................... 4 2.2 Célkitűzés .............................................................................................................. 5
3 Irodalmi áttekintés ..................................................................................................... 6 3.1 A globális klímaváltozás hazai vonatkozásai........................................................ 6
3.1.1 A globális klímaváltozás és modellezési lehetőségei .................................. 6 3.1.2 Regionális klímamodellek eredményei ........................................................ 9
3.2 Klímaváltozás és tájépítészet. Az alkalmazkodás tájépítészeti eszközei ............ 12 3.2.1 A tájépítészet és klímaváltozás kétirányú kapcsolata ............................... 12 3.2.2 Alkalmazkodás szabadtér-építészeti eszközei ........................................... 13 3.2.3 Növényalkalmazás újragondolása ............................................................ 15
3.3 Elterjedési területek változása a klímaváltozás tükrében .................................... 15 3.4 Telepíthetőségiterület-modellezés módszertani lehetőségei ............................... 19
3.4.1 Elterjedési terület és telepíthetőségi terület .............................................. 19 3.4.2 Modellezési lehetőségek ............................................................................ 19
3.5 A Moesz-vonal tájépítészeti és botanikai jelentősége......................................... 22
4 Kutatási módszer ...................................................................................................... 25
4.1 Kutatás rövid összefoglalása ............................................................................... 25 4.2 Vizsgálatba vont fajok ........................................................................................ 26 4.3 A telepíthetőségi területek modellezésének módszere........................................ 32
4.3.1 A modellezés elvi megközelítése ............................................................... 32 4.3.2 Klímaadatsor és elterjedési területek betöltése ........................................ 34 4.3.3 Növények igényeinek szűrése az elterjedési terület alapján ..................... 37 4.3.4 Telepíthetőségi terület modellezés a növények igénye alapján ................ 38 4.3.5 Rétegek kezelése és térképlapok létrehozása ............................................ 40
4.4 Az éghajlati igények szűrése ............................................................................... 40 4.4.1 Éghajlati igények és az elterjedési területen előforduló klimatikus értékek40 4.4.2 Ariditási indexek ....................................................................................... 42 4.4.3 Szubjektív paraméterválasztás .................................................................. 44 4.4.4 Összes paraméter egyidejű alkalmazása .................................................. 47
4.5 Moesz-vonal modellezési lehetőségei ................................................................. 48 4.5.1 Modellezési lehetőségek összehasonlítása ................................................ 48 4.5.2 Elterjedésmodellezés módszere ................................................................. 49 4.5.3 Vonalmodellezés módszere ....................................................................... 50 4.5.4 Izotermamodellezés módszere ................................................................... 50
– Tartalom –
3
5 Eredmények .............................................................................................................. 52 5.1 Módszertani eredmények a telepíthetőségiterület-modellezés vonatkozásában. Módszertani problémák és fejlesztési lehetőségek .................................................... 52
5.1.1 Ariditási indexek és az összes paraméter egyidejű alkalmazása .............. 52 5.1.2 Szubjektív paraméterválasztás és alkalmazásának elvi problémái ........... 54 5.1.3 Statisztikai módszerek alkalmazási lehetőségei ........................................ 56 5.1.4 Mesterséges intelligencia módszereinek alkalmazási lehetőségei ............ 58 5.1.5 Egyéb módszertani fejlesztési lehetőségek ................................................ 61 5.1.6 A kutatási módszer alkalmazásának további lehetőségei ......................... 64
5.2 Módszertani eredmények a Moesz-vonal modellezése vonatkozásában ............ 65 5.2.1 Elterjedésmodellezés módszere ................................................................. 65 5.2.2 Vonalmodellezés módszere ....................................................................... 66 5.2.3 Izotermamodellezés módszere ................................................................... 66 5.2.4 A modellezési módszerek összehasonlító értékelése ................................. 67
5.3 Modellezési eredmények és értékelésük ............................................................. 68 5.3.1 Telepíthetőségi területek ........................................................................... 68 5.3.2 Moesz-vonal .............................................................................................. 76
6 Következtetések ........................................................................................................ 85
6.1 Az eredmények tájépítészeti vonatkozásai ......................................................... 85 6.2 Az eredmények kertészeti és dendrológiai vonatkozásai .................................... 86 6.3 Az eredmények botanikai, erdészeti és természetvédelmi vonatkozásai ............ 87
7 Összegzés ................................................................................................................... 89
8 Köszönetnyilvánítás ................................................................................................. 90
9 Felhasznált források ................................................................................................ 91 9.1 Felhasznált nyomtatott és elektronikus irodalom................................................ 91 9.2 Szóbeli közlések .................................................................................................. 96
10 Mellékletek ................................................................................................................ 97
I. Éghajlati igények adattáblája: önálló modellezés ............................................... 97 II. Éghajlati igények adattáblája: Moesz-vonalhoz tartozó fajok .......................... 103 III. Az előzetes kutatás térképes eredményei .......................................................... 106 IV. A szubjektív paraméterválasztás különböző módszerei az Abies borisii-regis példáján .................................................................................................................... 109 V. Önálló telepíthetőségiterület-modellezés térképes eredményei ........................ 111 VI. Az elterjedésmodellezés térképes eredményei: kulcsfajok ............................... 117 VII. Az elterjedésmodellezés térképes eredményei: kapcsolt fajok ......................... 120
– Bevezetés és célkitűzés –
4
2 BEVEZETÉS ÉS CÉLKITŰZÉS
2.1 Témaválasztás indoklása. Bevezetés
A regionális éghajlat-változási modellek eredményei1 szerint a kárpát-medencei
éghajlat olyan mértékben fog melegedni és szárazodni, melyre feltétlenül fel kell
készülnünk a jelenlegi növényalkalmazás újragondolásával. A fás szárú fajok, főként
pedig a fák forgalomba hozatalához és a telepítés utáni kifejlődéséhez hosszú idő
szükséges, így a tájépítészeti dendrológiától és dísznövény-alkalmazástól mint
tudományterülettől több évtizedes előretekintés követelhető meg. Egyszerűbben szólva:
már ma meg kell ismernünk a 20-50 év múlva várható klímáját egy adott területnek, ha
oda fákat kívánunk tervezni, hogy a jövőbeli éghajlati körülményeknek megfelelő
taxont kiválaszthassuk. Fontos ezért számba venni azokat a fás fajokat, melyek a
következő évtizedekben hazánkban megtalálják a környezeti igényeiknek megfelelő
klímát. Botanikus kertek és arborétumok index plantarumai alapján korábban e témát
áttekintettem és szakdolgozat formájában összefoglaltam (BEDE-FAZEKAS 2009), így
a korábbi kutatás eredményeit jelen dolgozatban kiindulópontként használom.
Az összegyűjtött melegigényes taxonok telepíthetőségére garanciát csak
tudományosan megalapozott térinformatikai modellezéssel adhatunk. Ezért
szükségesnek találtam regionális klímamodellek alapján térinformatikai szoftver
segítségével néhány mediterrán fás fajra elvégezni a modellezést és annak módszertani
hátterét kidolgozni. Jelen dolgozat e modellezések összefoglalását adja.
1 Napjainkban számos tény, tévhit és legenda kering a klímaváltozásról, melyek között nem célom, és nincs is lehetőségem eligazítást adni. Jelen dolgozat azonban, témájából fakadóan, szükségszerűen állást kell, hogy foglaljon valamelyik oldal mellett. Véleményem szerint a klímaváltozás egy hosszú távon jól előre jelezhető globális folyamat, azonban a kutatási eredményeim – főleg a metodikai vonatkozások – azok által is értékelhetőek, akik e véleményt nem osztják. Az éghajlatváltozás antropogén eredete körüli vita pedig jelen kutatás eredményeit semmilyen értelemben nem befolyásolja. Kész regionális klímamodellt alkalmaztam, melynek adatait nem volt célom sem ellenőrizni, sem megtámasztani. Ezért összességében az éghajlat változását tagadók felé is felvállalható, hogy egy fiktív adatokon alapuló, de korántsem öncélú kutatás eredményeit és módszertani részleteit összegzi a dolgozat. A diplomamunka további részeiben a klímaváltozást mint tényt fogom említeni.
– Bevezetés és célkitűzés –
5
2.2 Célkitűzés
A dolgozat célja, hogy a 21. századra jelzett klímaváltozás mértékét és irányát
olyan térképlapokon mutassa be a növényekkel foglalkozó szakembereknek, melyek a
növények elterjedési/telepíthetőségi területének változásán keresztül érzékeltetik azt. A
térképlapok elkészítésénél kevésbé gyakorlatias vonatkozású, tudományos szempontból
viszont annál jelentősebb további cél a meglévő klímamodellek alapján végzett
telepíthetőségiterület-modellezés módszertani áttekintése és metodikai továbbfejlesztési
lehetőségeinek számbavétele. A dolgozat további célja volt a Moesz-vonal példáján
keresztül megvizsgálni, hogy több, hasonló elterjedési területű faj areamodellezése
milyen módon valósítható meg és az eredmények mennyi összefüggést mutatnak a
külön-külön végzett elterjedésiterület-modellezéssel.
A diplomamunka a hangsúlyt nagy számú térképlap elkészítésére (és így az
eredmények összevethetőségére, értékelésére) helyezte, így nem kérhető számon rajta
az egy vagy néhány fajra végzett modellezés pontossága, a paraméterválasztás (lásd a
4.4.1. fejezetben) „fajra szabottsága”. Ugyanakkor a dolgozat ezekre mint metodikai
fejlesztési lehetőségekre a későbbiekben még kitér.
A kutatási témának nemzetközi szakirodalma kiterjedt, azonban
diplomamunkámban a kutatási módszer részletes ismertetését és az eredmények
bemutatását kívántam nagyobb terjedelemben kifejteni, ezért az irodalmak – talán
némiképp szokatlan – táblázatos kezelését tartottam célszerűnek megvalósítani a 3.3. és
3.4. fejezetekben.
– Irodalmi áttekintés –
6
3 IRODALMI ÁTTEKINTÉS
3.1 A globális klímaváltozás hazai vonatkozásai
3.1.1 A globális klímaváltozás és modellezési lehetőségei
A következőkben a klíma modellezésének történetét adom WEART (2009), LE
TREUT (2007) és BEDE-FAZEKAS (in press) nyomán.
Földünk éghajlati rendszere végtelenül összetett, ezért minden előrejelzés2 csak
közelítheti a valóságot. A modellezés nagyon számításigényes, nem csoda hát, hogy a
XX. század első felében tett kezdeti kísérletek (V. Bjerkness, L. F. Richardson) kudarcba
fulladtak. Ekkor még számítógép nem segített a meteorológusoknak, így minél
egyszerűbb egyenletekben próbálták megragadni az éghajlati folyamatokat. 1946-tól
Neumann János és J. Charney kezdte el alkalmazni az ENIAC számítógépet az időjárás
előrejelzésében. Az elkövetkező évtized gépei még igen lassúak voltak, gyakran
meghibásodtak, ezért továbbra is cél volt az egyszerű matematikai összefüggések
keresése.
1954-től beszélhetünk valódi időjárás-előrejelzésről, ám ez még messze volt a mai
klímamodellektől, megbízhatósága is csak egy évtizeddel később érte el azt a szintet,
amit egy tapasztalt meteorológus megérzései jelentettek. A klímaváltozás modellezése
matematikailag is eltérő módszer alkalmazását kívánja meg, hiszen kezdetiérték-
probléma helyett határérték-problémával állunk szemben.
1955-ben N. Phillips sikeresen modellezett valósághű futóáramlást (jet stream).
Kísérlete, mely tekinthető az első Általános Keringési Modellnek3, rámutatott a
hatalmas légköri rendszerek energiaszállító képességére. 1958-ban J. Smagorinsky és
S. Manabe megalkották az első komoly, sokáig alkalmazott modellt, melynek 1965-ös
továbbfejlesztett, háromdimenziós változata kimutatta a sztratoszférát és az egyenlítői
légkörzést is. 1964-re Y. Mintz és A. Arakawa modellje – mely az atmoszférát csupán két
2 Főként, ha az több száz évre tekint a jövőbe. 3 GCM, General Circulation Model.
– Irodalmi áttekintés –
7
rétegként kezelte, viszont földrajzi, domborzati szempontból igen pontos volt – már
kimutatta az általános földi légkörzést is. Ugyanebben az évben készült egy légköri
sugárzásátvitelt is figyelembe vevő modell (W. Washington, A. Kasahara).
Az évtized előrelépése, hogy a modelleket immár nem a légköri folyamatok
megismerésére alkalmazták csak, hanem különböző paraméterek állításával a klíma
reakcióját, „érzékenységét” is elkezdték figyelni.1967-ben Manabe és R. Wetherald
2 °C-os hőmérséklet-emelkedést jósolt kétszeres CO2-szint mellett.
A ’70-es évekre – mind gyorsabb számítógépek, mind pontosabb adatok és
egyenletek segítségével – már háromnapos előrejelzéseket tudtak adni. Megoldatlan
probléma volt viszont még a felhőképződés, a tengeráramlatok, a légköri por és kémiai
anyagok, valamint a szél és hullámzás kapcsolatának modellezése. Új módszert vezettek
be a hosszúsági körök sarkok közelében történő, eleddig kezelhetetlen sűrűsödésére: a
felszínt rácsháló helyett körszeletekre osztották, majd a kapott eredményeket
visszaalakították a rácshálónak megfelelő formába. Az 1972-es Mintz–Arakawa modell
már az évszakokat is kimutatta. 1975-re Manabe–Wetherald továbbfejlesztett modellje,
mely a hótakarót és a páratartalmat is figyelembe vette, rámutatott a
csapadékkörforgás intenzitásának megváltozására és a sarki területek erőteljesebb
felmelegedésére.
A ’70-es évek végére az energiaválság és a természeti katasztrófák a politika
figyelmét is a klímaváltozásra terelték. 1979-ben már eltérő modellek eredményeit
kezdték összehasonlítani a tudósok, továbbá sikerült olyan egyesített4 modelleket
alkotni, melyek földrajzilag helyesek voltak és az évszakokat is figyelembe vették
(Manabe és K. Bryan). 1985-ben rávilágítottak, hogy négyszeres CO2-szint mellett az
észak-atlanti tengeráramlás le is állhat. 1988-ra J. Hansen igen valósághű, és a
megelőző fél évszázad trendjeit is kimutatni képes modellje hosszan elhúzódó
melegedést jósolt. A ’80-as években már mind gyakrabban futtatták a modelleket
ellenőrzésképpen a jégkorszakra, vagy az azt követő időszakra.
Az elmúlt évtizedekben újabb tendenciák jelentek meg a modellezésben: egyrészt
az USA egyeduralma megszűnt (két jelentős európai vetélytárs a Hadley Központ5 és a
Max Planck Intézet), másrészt nyílt forráskóddal dolgozó közösségi rendszerek
alakultak, melynek eredménye például az NCAR-csoport CCSM3 nevű modellje. 1995-
re sikerült a légköri aeroszolok problémáit megoldani a Pinatubo-vulkán 1991-es
4 Értsd: az óceánok tömegét, áramlásait is figyelembe vevő. 5 Többek között az előzetes kutatásomban felhasznált klímaadatsor, a HadCM3 kifejlesztője.
– Irodalmi áttekintés –
8
1. ábra Az IPCC négy jelentésének területi felbontása: FAR (1990), SAR (1996), TAR (2001), AR4 (2007). (SOLOMON 2007)
kitörésének elemzése segítségével, a ’90-es évek végére pedig már az El Niño-jelenséget
is ki tudták mutatni a modellek.
Napjaink problémáit egyrészt a regionális adottságok kezelése (kis felbontás, 1.
ábra) jelenti, másrészt bizonyos pliocén és krétakori klímaváltozásokat nem képesek
még kimutatni a modellek. Ennek ellenére a következő évszázadra nagy
megbízhatóságú, sokszorosan alátámasztott jóslatokat adnak.
Az Éghajlatváltozási Kormányközi Testület (IPCC, Intergovernmental Panel of
Climate Change) 2007-ben adta ki negyedik jelentését, az ötödik 2014 körül várható. A
különböző klímaszcenáriókat (éghajlati forgatókönyveket, 2. ábra) vizsgáló jelentése
szerint az elkövetkező évszázad várható trendjei a következők (MEEHL 2007):
2. ábra Különböző klímaszcenáriók esetén eltérő mértékű hőmérséklet-emelkedésre számíthatunk. Az A típusú (A1B, A1FI, A1T, A2) forgatókönyvek általában pesszimistábbak a B1, B2 szcenárióknál. (SOLOMON 2007)
– Irodalmi áttekintés –
9
− a század utolsó évtizedére a felszíni átlaghőmérséklet 1,8-4,0 °C-kal fog
megemelkedni ( – 2065-re vonatkozó modell),
− a tengeri jégtakaró a Déli- és Északi-sark közelében is visszahúzódik,
utóbbi a század végére nyaranként el is tűnhet,
− a tengerszint 1,1-6,4 m-rel emelkedik,
− az Atlanti-óceán áramlása kb. 25%-kal lassul,
− a magas szélességi körök mentén az átlagos csapadékmennyiség nő, az
alacsonyabb körök mentén csökken,
− heves esőzések, hőhullámok, forró szélsőségek gyakorisága megnő,
− trópusi ciklonok intenzitása megnő (gyakoriságuk megváltozása nem
egyértelmű).
3.1.2 Regionális klímamodellek eredményei
A SRES A2 és B2 jelű klímaszcenáriói alapján a 2071–2100-es időszakra végzett
regionális modellek modellek a hőmérséklet-emelkedést nagyobb pontossággal tudták
megjósolni (maximum 1,5 °C-os felülbecsléssel), mint a csapadékmennyiség változását.
A melegedés nyáron a legjelentősebb (3,7–5,1 °C) – és a legnagyobb szórás is itt
tapasztalható –, míg a legkisebb tavasszal (2,4–3,2 °C). Általában a hőmérséklet-
emelkedés 2,5 és 5,0 °C között lesz. Nyáron dél felé, télen és tavasszal pedig kelet felé
haladva nő a várható melegedés mértéke. (BARTHOLY 2007)
3. ábra A felszíni átlaghőmérséklet eltérése az 1971–2000-es referencia-időszakhoz képest az IPCC SRES A1B klímaszcenárió szerint (NOAA 2010 ábrája, a szerző által kiegészítve )
pe
fo
vi
(-
nö
le
hő
em
év
sz
ős
sz
té
m
m
Ö
A
sz
cs
sz
sz
A mele
edig ritkább
orró napok (
iszont a téli
87– -95%)
övekedésére
egjelentőseb
őmérséklete
melkedik le
Érdeke
ves mennyi
zámára igen
sszel, míg
zámíthatunk
él, majd a ta
más sorrendb
míg az A2
sszességébe
Az extrém c
zámíthatunk
sökkenő irá
zinten is jel
záma megdu
eget jelző sz
bá válnak,
(Tmax ≥ 35 °
(Tmax < 0 °
lesz éven
e is számíta
bb (4,0–5,4
ek emelked
ginkább (3,
es eredmény
iség jelentő
n kedvezőt
a csapadé
k, így az év
avasz lesz, ő
ben). A B2 f
szcenárió m
en elmondh
sapadékind
k jelentős n
ányú – válto
lentős eltéré
uplázódik (5
4. ábracsapadreferen
–
zélsőségind
így a hősé
°C) száma p
°C) és fagyo
nte a zord
ani lehet, ez
4 °C), mel
dése. A m
,5–4,8 °C).
yek születte
ősen nem f
tlen módon
ékmennyisé
vszakok sor
őket követi a
forgatóköny
megtartja a
hatjuk, hogy
dexek éves
növekedésre
ozás valósz
ést hozhat,
5. ábra). (BA
a A 2071–2100dékeloszlása önciaidőszakka
Irodalmi átt
dexek gyako
gnapok (Tm
pedig évi 4
os (Tmin < 0
nap (Tmin
az emelked
lyet általá
minimum-hő
(BARTHOL
ek a csapadé
fog megvál
n alakul át
ég növeked
rrendje telje
a nyár és az
yv kiegyenl
a jelenlegi n
y az éghajla
szinten csa
e, a nyári é
zínű. Ennek
például az
ARTHOLY
0-as időszak összehasonlítval (BARTHO
ekintés –
orisága nőni
max ≥ 30 °C
napról 20–
°C) napok
n < -10 °C
dés nyáron,
ában mérsé
őmérséklet
LY 2008)
ékváltozás e
ltozni, ám
t. Csökkené
désére télen
esen átrend
z ősz (az alk
lítettebb évs
nagy külön
atunk jelen
ak kis válto
évszakokba
k ellenére v
extrém csap
Y 2008)
várható évszva az 1961–19
OLY 2008)
i fog, a hide
C) száma 10
–33 napra e
száma, és j
C). A max
és az orszá
ékelten kö
szintén a
előrejelzése
az eloszlás
ésre nyáron
n (20–37%
deződik: a l
kalmazott sz
szakos csap
nbséget, csa
tős mértékb
ozást mutatn
an inkább c
van néhány
padékú (Rd
akos 990 közötti
eggel össze
09–156%-k
melkedik! C
jelentősen k
ximum-hőm
ág déli részé
övet a mi
a nyári év
e során (4. á
sa a mezőg
n (10–33%
%-kal) és t
legcsapadék
zcenáriótól
padékeloszlá
ak megford
ben szárazo
nak, általáb
csak kisebb
index, am
day ≥ 20 mm
10
efüggőek
kal nő, a
Csökken
kevesebb
mérséklet
én lesz a
inimum-
vszakban
ábra): az
gazdaság
%-kal) és
tavasszal
kosabb a
függően
ást jósol,
dítja azt.
odni fog.
ban télen
b – akár
ely éves
m) napok
ki
jö
(6
kö
m
5
A várh
ijelöljük azo
övőbeli klím
6. ábra), me
özti időszak
meg hazánk é
5. ábra Az öta 2010-es Zsó
ható változ
okat a terül
májával. Ma
elyek főként
kra, 2071–2
éghajlatának
tven legnagyoófia nevű cikl
6. ábéghapont
–
zásokat jól
leteket, ame
agyarország
t tőlünk dél
100 között
k. (HORVÁ
obb májusi hálonnak köszö
bra Budapestajlatával anatosabb egyez
Irodalmi átt
szemléltet
elyek mai é
g több régió
lkeletre talá
pedig legin
ÁTH 2008a)
áromnapos cönhetőek. (MÓ
t 2041–2070 klóg területekést mutatják
ekintés –
ti, ha a fö
ghajlata me
ójára is kész
álható terüle
nkább észak
)
sapadék 1951ÓRING 2010
közötti várhak. A sötétebb fk. (HORVÁTH
öldrajzi ana
eg fog egye
zültek ilyen
eteket jelöln
k-afrikai rég
1 óta. A piros0)
ató foltok a H 2008b)
alógia mód
ezni hazánk
n összehaso
nek ki a 20
giókat felelte
ssal kiemelt é
11
dszerével
k várható
onlítások
11–2070
ethetünk
értékek
– Irodalmi áttekintés –
12
3.2 Klímaváltozás és tájépítészet. Az alkalmazkodás tájépítészeti
eszközei
3.2.1 A tájépítészet és klímaváltozás kétirányú kapcsolata
A tájépítészet mint alkalmazott mérnöki tudományterület és az éghajlatváltozás
kapcsolata kétirányú: egyrészt tájépítészeti eszközökkel a klíma védelmét
elősegíthetjük, az éghajlatváltozás előrehaladását mérsékelhetjük, másrészt a
klímaváltozáshoz alkalmazkodnunk is kell. A klímavédelem szempontjából kiemelten
fontos, hogy a tájépítészet különböző módszerekkel el tudja érni a CO2-megkötő
növényzet terjedését: szabályozási tervekkel a művelési ágak közti váltást segítheti elő,
konkrét szabadtér-építészeti tervekben pedig növénytelepítést fogalmazhat meg, illetve
a növényzet életkörülményeit javíthatja például vízfelület létesítésével,
tereprendezéssel. A kert- és szabadtérépítészet kis léptékben gondolkozik, ezért
klímavédelmi szerepe mérsékelt, inkább a mikroklímára és a városi mezoklímára
kifejtett hatása számottevő.
Napjaink tendenciája az intenzív kertfenntartási módszerek előtérbe helyezése,
melyek lényege, hogy a kert állapotát még a környezeti feltételeket alig figyelembe
vevő tervek esetén is erőforrást, időt és költséget nem kímélve fenntartja. Ide soroljuk
például a közüzemi vízhálózatról üzemelt automata öntözőrendszert vagy a
műtrágyázást. Az intenzív kertfenntartás napjainkra olyan eszközt adott a kezünkbe,
melynek birtokában bátran gondolhatnánk, nincs szükségünk a klímaváltozáshoz
alkalmazkodni. Ez a szemlélet több szempontból is veszélyes: egyrészt
alkalmazkodnunk előbb, vagy utóbb elengedhetetlen lesz, az intenzív kertfenntartás
csak elodázza a probléma megoldását; másrészt egyértelműen a klímavédelmi
törekvésekkel ellentétes (energiapazarló).
Az intenzív kertfenntartás a következő évtizedekben – főként az energiaárak
növekedése miatt – válságba kerülhet, melyet megelőzendő a hazai szakmai tudatba
szükséges lenne beépíteni a természeti folyamatok érvényesülését támogató ökologikus
törekvéseket, mint amilyen a permakultúra is. Ez a hazánkban még alig ismert, az
ökológiai és biodinamikus gazdálkodáson túlmutató módszer, szemlélet leginkább úgy
foglalható össze, hogy a gazdálkodás minden elemét – beleértve az élővilágot, táji
adottságokat és épületeket – egy olyan egységes ökológiai rendszerré állítja össze,
– Irodalmi áttekintés –
13
melyben az előre megtervezett kapcsolathálózat által a produktivitás és használhatóság
növekszik, miközben a szükséges ráfordítások csökkennek (BAJI 2009).
A nagy léptékű, területi tervezésben megnyilvánuló alkalmazkodásra jó hazai
példa SZILASSI (2012) munkája, aki az Alföld mezőgazdasági művelésű, de
klímaváltozás által veszélyeztetett területeinek egy részére a területhasználati mód
váltását javasolja, melyet főként erdősítéssel valósítana meg. Az erdősítés
létjogosultságát, mely első megközelítésben megkérdőjelezhető az esetleges
talajvízszint-csökkentés miatt, szóbeli közlésében megerősítette SZILASSI (2012) és
KUN (2012).
3.2.2 Alkalmazkodás szabadtér-építészeti eszközei
Tájépítészeti oldalról nézve az éghajlatváltozás legfőbb következményei a
hőmérséklet emelkedése, vegetációs időszak szárazabbá válása, heves esőzések
gyakoriságának növekedése és a fagyveszély csökkenése. Ezeket – utóbbi kivételével –
mind negatívumként szoktuk kezelni, holott e tényezők megváltozása pusztán újabb
megoldandó tájépítészeti kihívásokat jelentenek, melyeket nem értékelnünk kell, hanem
alkalmazkodnunk hozzájuk.
A kert- és szabadtérépítészet számos olyan eszközt ismer, melyek a regionális
modellek által prognosztizált klímaváltozáshoz megfelelő alkalmazkodási módszert
nyújtanak. A teljesség igénye nélkül ilyenek a :
− zöldtetők, melyek építmények lapos, vagy kis hajlásszögű tetőszerkezetén
létesített extenzív vagy intenzív fenntartású (beleértve a tetőkerteket)
felületek. GERZSON (2011) szóbeli közlésében rámutatott, hogy a
klímaváltozáshoz való alkalmazkodás szempontjából az extenzív
zöldtetőknek van jelentősége, mely HIDY (2011) szerint „olyan
természetes vegetációs forma, amely alapvetően önfenntartó, és gondozás
nélkül is életképes. […] emberi tartózkodásra, használatra általában nem
alkalmasak, annak ellenére, hogy a csapadékvíz elleni szigetelés
szempontjából a hasznosított tetők kategóriájába tartoznak”. Utóbbi
szempontot hangsúlyozza SZABÓ (2009) is.
− zöldhomlokzatok: egyelőre kevés hazai példa ismert ezen újszerű
növényesítési törekvésre, melynek lényege a homlokzat takarása zöld
növénytömeggel. Tágan értelmezve a befuttatott falakat is
– Irodalmi áttekintés –
14
zöldhomlokzatnak tekinthetjük, és e futtatott felületeknek lehet igazán
szerepük hazánkban a klímaváltozáshoz való alkalmazkodásban (7. ábra).
− csapadékvíz-visszatartás: célként kell kitűznünk, hogy a közterületekre és
magánkertekbe lehulló csapadék minél nagyobb részét helyben tartsuk és
beszivárogtassuk a talajba, vagy párologtatással a mikroklímát javítsuk az
összegyűlt esővízzel. A nem helybentartott csapadék a szennyvízcsatorna-
hálózattól független rendszerben kerüljön elvezetésre, illetve minél később
érje el a közüzemi hálózatot. CSILLAG (2009) szerint a felszínre hulló
csapadék drénrétegen keresztül történő (felszín alatti drénkút, szikkasztó
árok) összegyűjtését és talajba szivárogtatását kombinálhatjuk
növényzettel. Hazánkban még nem terjedt el a növényzettel segített
vízelvezetés, mely mind települési, mind magánkerti környezetben
hatékony és esztétikus megoldási lehetőséget kínál a hirtelen lezúduló
csapadék ellen. A növényzettel segített talajbaszivárogtatás több típusát
megkülönböztetjük, ilyenek a szűrő sáv, füves vápa, növényes vápa,
vízmegtartó terület, beszivárogtató ültetőmedence és esőkert.
− többszintes növényzet: a talajtakaró évelőkkel, cserjékkel és fákkal
többszintes növénytömeget alakíthatunk ki, amely párásabb, hűvösebb,
kiegyenlítettebb mikroklímát biztosít.
− felszínborítás, lombkorona-borítás: minél nagyobb borítás elérése a cél.
7. ábra Vadszőlővel befuttatott épülethomlokzat Budapesten. Szigetelő és élettér-növelő hatása megkérdőjelezhetetlen (Fotó: Bede-Fazekas Á. 2010)
– Irodalmi áttekintés –
15
− tereprendezés: a meglévő felszínalakulatokat kihasználva, illetve azt
átalakítva nem csak a csapadékvíz helybentartásáról, hanem a
mikroklimatikus feltételek javításáról is gondoskodhatunk.
− növényalkalmazás: a klímaváltozáshoz való alkalmazkodás elkerülhetetlen
eszköze a telepített fajok, fajták megfelelő kiválasztása.
3.2.3 Növényalkalmazás újragondolása
Hazánk éghajlatát a száraz kontinentális, nedves óceáni és a mediterrán
klímahatások alakítják, melyek közül a következő században a mediterrán fog előtérbe
kerülni, ezért a felhasznált dísznövényválaszték minőségi átalakítására van szükség. A
fás szárú növények hosszú élettartama és kifejlődési ideje (20-40 év) miatt a
tájépítészetnek előre kell gondolkoznia, így az évtizedek múlva koronáját kifejlesztő –
vagyis ma elültetett – növényanyagot szárazságtűrő, melegkedvelő, a mediterrán
klímahatásokat jobban tűrő fajokból kell megválasztani. E növények egy része a
jelenlegi kemény teleket még nehezen viseli (melyen téli takarással, fagyvédelemmel
segíthetünk), azonban a következő évtizedekben az elfagyás veszélye mindinkább
lecsökken.
A Jelenlegi növényalkalmazás gyors átgondolásra szorul, mert számos olyan
taxont alkalmazunk, melyek szárazságtűrése nem kielégítő. PÉNZES (2010) szóbeli
közlésében rámutatott, hogy a közönséges lucok (Picea abies)6 elmúlt években
megfigyelhető folyamatos pusztulása is a kiszáradásnak és a hozzá kapcsolódó
másodlagos megbetegedéseknek köszönhető.
A hazai forgalomban lévő dísznövény fajok szárazságtűrése statisztikai elemzés
után sem mondható kielégítőnek, ezért bizonyos nemzetségek forgalmazásának
támogatására, mások visszaszorítására lehet szükség (BEDE-FAZEKAS 2012).
3.3 Elterjedési területek változása a klímaváltozás tükrében
Az elterjedési és telepíthetőségi területek a klímaváltozás hatására eltolódnak
horizontális és magassági értelemben is. Az elterjedést faji és társulási szinten is szokás 6 Melyeket a szerb luc (Picea omorika) teljes mértékben helyettesíteni tudna.
– Irodalmi áttekintés –
16
vizsgálni, továbbá a társulások sebezhetőségét, érzékenységét, összetételét stb. is
hasonló modellezési módszerekkel lehet előre jelezni. Hazai kutatások közül
érdemesnek tartom kiemelni CZÚCZ (2010) munkáját a hazai társulások érzékenysége
kapcsán.
MÁTYÁS (2010) a bükk (Fagus sylvatica) elterjedésének modellezése kapcsán
hangsúlyozza, hogy az Ellenberg-index bizonyul a legjobban alkalmazható
paraméternek, melyben CZÚCZ (2011) megerősíti. A faj ökológiai sebezhetősége miatt
további indexek kerültek kidolgozásra hazánkban, mint a FAI és a bükk-index
(bővebben lásd a 4.4.2. fejezetben). (FÜHRER 2010)
Hasonló szemlélettel TRÁJER (2012) a kullancsok elterjedését vizsgálja, igaz,
módszerei eltérőek, izotermák követésével és kevés számú rögzített éghajlati paraméter
figyelembe vételével modellez.
VAN LEEWEEN (2008) a hazai belvízveszélyes területek elemzéséhez
alkalmazta a mesterséges neuronhálókat.
A nemzetközi irodalom nagyságrendekkel bővebb e kutatási témában és nagyobb
múltra tekint vissza. Eltérő terminológiája ellenére módszerei nem különböznek
túlzottan modellezési megközelítésemtől, azonban modellezési módszerei sokkal
kifinomultabbak, főként a statisztikai módszerek és mesterségesintelligencia-
algoritmusok alkalmazása miatt. Az 1. táblázatban foglaltam össze az áttekintett
nemzetközi publikációkat, feltüntetve, hogy elsősorban fajok vagy
társulások/vegetációk a kutatások alanyai és minek kimutatása a modellezési cél. A
táblázatban megjelöltem továbbá, ha számszerű adat vagy pontosan megnevezett
faj/társulás ismert a kutatásból, illetve a modellezés célterületét/helyszínét is
megjelenítettem. A Megjegyzés oszlopban tüntettem fel, ha a publikációból kiderült, a
pontos modellezési módszert vagy az alkalmazott programot.
Diplomamunkámban kutatási módszerem ismertetésére, a fejlesztési javaslatokra
és a modellezési eredményekre kívántam helyezni a hangsúlyt, ezért a hatalmas
nemzetközi irodalom részletes szöveges áttekintését nem tartottam célravezetőnek. Rövid hivatkozás
Modellezés alanya
Modellezés célja
Fajok/ társulások pontos megnevezése, száma
Helyszín Megjegyzés
PETERSON (2008)
faj elterjedés 1804 faj Európa
KELLY (2008) társulás/ vegetáció és faj
elterjedés 141 növényfaj Kalifornia
– Irodalmi áttekintés –
17
BRESHEARS (2008)
társulás/ vegetáció
elterjedés
HARRISONA (2010)
társulás/ vegetáció
összetétel Oregon
LA SORTE (2010)
faj elterjedés, kihalási valószínűség
1009 magashegyi madárfaj
SAQIB (2006) faj elterjedés Taxus wallichiana
Pakisztán DOMAIN program
SKOV (2000) faj elterjedés Arecaceae Ecuador
BERRY (2002) faj elterjedés 54 faj, 15 társulás
Nagy-Britannia és Írország
mesterséges neuronháló
HARRISON (2006)
faj elterjedés 47 faj Európa SPECIES program, mesterséges neuronháló
BERRY (2003) társulás/ vegetáció és faj
érzékenység, sebezhetőség
50 faj Nagy-Britannia és Írország
mesterséges neuronháló
TRIVEDI (2008) társulás/ vegetáció és faj
elterjedés 31 faj Skócia R program, logisztikus regresszió
SABATÉ (2002) faj növekedés Quercus ilex, Pinus halepensis, Pinus pinaster, Pinus sylvestris, Fagus sylvatica
Mediterráneum
GOTILWA+ folyamatalapú fanövekedési modellező program
TRISURAT (2011)
faj sebezhetőség, elterjedés
66 erdei növényfaj
Thaiföld Maxent program
POMPE (2010) társulás/ vegetáció és faj
elterjedés 475 növényfaj Németország általánosított lineáris modell, általánosított additív modell és Random Forest-algoritmus
IVERSON (1999) faj elterjedés Pinus virginiana
Kelet-USA regressziósfa-analízis
SERRA-DIAZ (2012)
társulás/ vegetáció és faj
elterjedés Abies alba, Fagus sylvatica, Abieti-Fagetum
Ibériai-félsziget
R program, általánosított lineáris modell, Akaike-féle információs kritérium
ATTORRE (2007)
faj elterjedés, gyakoriság, vertikális struktúsa
Dracaena cinnabari
Jemen regressziósfa-analízis
OGAWA-ONISHI (2010)
faj elterjedés 25 fenyőfaj Japán általánosított additív modell, mesterséges neuronháló, Random Forest-algoritmus
AURAMBOUT (2009)
faj viselkedés, elterjedés, szaporodás
Diaphorina citri
Ausztrália határérték, STELLA program, területi modellezési környezet (SME)
– Irodalmi áttekintés –
18
LENG (2008) faj elterjedés Larix gmelini, Larix olgensis var. changpaiensis, Larix principis rupprechtii
Északkelet-Kína
Random Forest-algoritmus, regressziós és klasszifikációs fa
VAN ZONNEVELD (2009)
faj elterjedés, alkalmazkodó képesség
Pinus patula, Pinus tecunumanii
Mexikó, Közép-Amerika
Maxent program, klimatikus burkológörbe modellezés, SAS VARCLUS eljárás
BAKKENES (2006)
faj elterjedés 856 edényes faj
Európa EUROMOVE program, logisztikus regresszió
VENNETIER (2009)
társulás/ vegetáció
változékonyság
Délkelet-Franciaország
korrespondenciaanalízis és "parciális legkisebb négyzetek"-regresszió, mesterséges neuronháló
NITSCHKE (2008)
társulás/ vegetáció
változékonyság, sebezhetőség
duglászfenyves
Brit Columbia
TACA program
MOLANO-FLORES (in pr
faj kihalási valószínűség, populációméret
Dalea foliosa Egyesült Államok
lineáris regresszió
ARUNDEL (2005)
faj elterjedés Carnegiea gigantea, Cercidium microphyllum, Encelia farinosa, Ferocactus acanthodes, Larrea tridentata
Délnyugat-USA, Észak-Mexikó
limitáló tényezők és szignifikancia-analízis
MEYNECKE (2004)
faj elterjedés 12 gerinces faj Észak-Queensland
BIOCLIM program
IVERSON (2008) faj elterjedés 134 fafaj Egyesült Államok
regressziósfa-analízis
NORMAND (2007)
faj elterjedés 84 növényfaj Dánia fuzzy bioklimatikus burkológörbe
HILBERT (2001) társulás/ vegetáció
elterjedés 15 erdőtípus Ausztrália mesterséges neuronháló
HAMANN (2006)
társulás/ vegetáció és faj
elterjedés 50 növényfaj Brit Columbia
kanonikus diszkriminanciaanalízis
IVERSON (1998) faj elterjedés 80 fafaj Kelet-USA regressziósfa-analízis ROTENBERRY (2006)
faj elterjedés Polioptila californica
Kalifornia
BERRY (2006) társulás/ vegetáció és faj
sebezhetőség, elterjedés
47 faj Európa ACCELERATES és SPECIES programok
1. táblázat A kutatásomhoz hasonló modellezési módszert vagy célt megfogalmazó nemzetközi irodalmak áttekintése
A felsorolt irodalmak közül kutatásommal a legtöbb párhuzamot ARUNDEL
(2005) munkája mutatja, aki 5 észak-amerikai melegigényes fajra végezte el a limitáló
– Irodalmi áttekintés –
19
tényezők számítását, a tényezők értékeléséhez szignifikancia-analízist alkalmazott. Igaz,
ARUNDEL (2005) modellezést már nem végzett.
3.4 Telepíthetőségiterület-modellezés módszertani lehetőségei
3.4.1 Elterjedési terület és telepíthetőségi terület
Kutatásom során elterjedési területekből indultam ki, és telepíthetőségi területeket
rajzoltam ki7. Utóbbi fogalom a hasonló modellezések nemzetközi irodalmában
tudomásom szerint nem jelenik meg, mert az általános cél az elterjedési területek
modellezése. A telepíthetőségi területeknek ugyan botanikai jelentősége kisebb, de
tájépítészeti szempontból mégis e fogalom tűnik fontosabbnak. Az elterjedési területek
modellezéséhez szükséges, hogy a referencia-időszakra készült modelleredmények jól
validálják a módszert (MÁTYÁS szób. közl. 2010, bővebben lásd a 4.3.1. fejezetben).
Felmerülhet a kérdés, hogy miért nem telepíthetőségi területek alapján végeztem a
modellezést. Ennek oka egyrészt, hogy
− véleményem szerint nem készíthető olyan részletességű (mikroklíma
torzításaitól mentes) telepíthetőségi térkép, mely alapján a növények
éghajlati igényeit jobban lehetne szűrni, mint az elterjedési terület alapján,
− és nem állnak rendelkezésre ilyen térképek.
3.4.2 Modellezési lehetőségek
IBÁÑEZ (2006) rámutat, hogy klimatikus burkológörbe8 meghatározásához
(melyet diplomamunkámban paraméterválasztásnak neveztem és a 4.4. fejezetben
részleteztem) többféle (az általam alkalmazottnál összetettebb és pontosabb) módszer
alkalmazható, mint az egyszerű regresszió, a távolság-alapú módszerek, genetikus
algoritmusok a szabályhalmaz szerinti előrejelzéshez és neurális hálók. Ezek
némelyikéről az 5.1.3. és 5.1.4. fejezetben szólok. STANKOWSKI (2010) kutatásában
arra jut, hogy az elterjedési és környezeti adatoktól függetlenül nem található olyan
eljárás, mely a modell teljesítményét minden fajra maximalizálná, vagyis a különböző 7 Kivéve a Moesz-vonal elterjedés- és vonalmodellezésénél. Vö. a 38. lábjegyzetben írtakkal. 8 Climate envelope. CE.
– Irodalmi áttekintés –
20
fajok különböző modellezési megközelítést igényelnek. GUISAN (2000) nagyon jó
áttekintést ad az ökológiai modellezésben használható módszerekről.
A következőkben összegzem (2. táblázat) a kutatási módszereket elemző,
áttekintő, fejlesztő nemzetközi publikációkat, az oszlopok magyarázatát lásd a 3.3.
fejezetben. Rövid hivatkozás
Modellezés alanya
Modellezés célja
Fajok/ társulások pontos megnevezése, száma
Helyszín Megjegyzés
SCARNATI (2009)
faj elterjedés Quercus suber, Ilex aquifolium, Taxus baccata
Közép-Olasz-ország
5 statisztikai modellezési módszer összehasonlító értékelése
CARPENTER (1993)
faj elterjedés Aepyprymnus rufescens 'Gray', Bettongia tropica
Ausztrália DOMAIN program a pont-pont távolságoon alapuló heurisztikával
DEL BARRIO (2006)
faj elterjedés 14 faj Spanyol-ország és Nagy-Britannia
Lokális, nagy felbontású modellezésnégy módszer egyesítésével
PEARSON (2002)
faj elterjedés Nagy-Britannia
SPECIES program a bioklimatikus burkológörbe számításához mesterséges neuronhálóval és klimatikus-hidrológiai folyamatmodellel
GONZÁLEZ-REBOLLAR (1995)
társulás/ vegetáció
összetétel, érzékenység
Ibériai-félsziget
Fitoklimatikus modellezési módszer
FOODY (2008) faj elterjedés Medicago arabica
Nagy-Britannia
Lokális regressziósfa-elemzés a bioklimatikus burkológörbe modellezés finomításához
XIAOJUN (2011)
faj elterjedés Klímaadatsorok felbontásának problémája a modellezés során és a BioPlant bioklimatikus paramétereket leskálázó program
THUILLER (2008)
faj elterjedés Migrációs és interakciós folyamatok jelentősége a modellezésben
NENZÉN (2011)
faj kihalási valószínűség
116 fafaj Európa Bioklimatikus burkológörbe modellek használatakor a határértékek jelentősége
ÖZESMI (1999)
faj elterjedés Agelaius phoeniceus, Cistothorus palustri
Egyesült Államok
Mesterséges neuronhálók alkalmazhatósága két faj interakciójakor
– Irodalmi áttekintés –
21
FRANKLIN (1995)
társulás/ vegetáció
elterjedés Mesterséges neuronháló alkalmazása vegetációtérképezéshez
HILBERT (1999)
társulás/ vegetáció
elterjedés Észak-Queensland
Mesterséges neuronháló alkalmazása vegetációtérképezéshez
JENSEN (1999) faj életkor Pinus taeda Brazília Mesterséges neuronháló és statisztikai módszerek alaklmazása távérzékelésen alapuló adatokhoz
CARPENTER (1999)
társulás/ vegetáció
elterjedés Észak-Kalifornia
Mesterséges neuronháló alkalmazása távérzékelésen alapuló vegtációtérképes előrejelzéshez
ÖZESMI (2006)
társulás/ vegetáció és faj
elterjedés A mesterséges neuronhálók backpropagation módszerének alkalmazása
GUISAN (2000)
társulás/ vegetáció és faj
elterjedés Áttekintés az ökológiai modellezésben használható módszerekről
LI (2008) faj elterjedés Korlátozó tényezőn és környezeti alkalmasságon alapuló presence-only módszer
STANKOWSKI (2010)
faj elterjedés 30 Salix-faj Ontario Logisztikus regresszió, valamint eltérő elterjedési és környezeti adatok alkalmazása
IBÁÑEZ (2006)
társulás/ vegetáció
elterjedés, összetétel
Kelet-USA Diverzitási, reprodukciós, kölcsönhatási és fenológiai szempontok fontossága a modellezésben
SCHWARZ (2003)
faj gyakoriság 7 növényfaj USA A szomszédsági faktor jelentőségének ellenőrzése lineási regresszióval
GRIFFITH (2006)
egyéb Sajátértékek jelentősége kétféle ökológiai modellezési módszerben
IBÁÑEZ (2008)
faj elterjedés 18 növényfaj USA klimatikus burkológörbe módszerének kísérleti ellenőrzése
GAVILÁN (2005)
társulás/ vegetáció
elterjedés Spanyol-ország
111 klímaparaméter értékelése
2. táblázat Elterjedésiterület- és egyéb ökológiai modellezések módszertanával foglalkozó nemzetközi irodalom áttekintése
– Irodalmi áttekintés –
22
3.5 A Moesz-vonal tájépítészeti és botanikai jelentősége
Moesz Gusztáv (1873-1946) botanikus, mikológus, muzeológus nemzetközi
szinten mikológai kutatásai révén vált híressé. A közép-európai botanika és tájépítészet
számára azonban egy több mint száz éve írt publikációja mindmáig meghatározó
érvényű. Moesz főként azt szerette volna kutatásával felmérni, hogy „Bars megye
területén hol kell meghúzni azt a vonalat, a mely a tátra-fátrai flóravidéket a
pannoniaitól elválasztja”. Ehhez kiválasztott 12 olyan növényfajt, mely nagy területen
előfordul és jól felismerhető, és kiemelte, hogy „ezt az eljárást helyesebbnek vélem,
mintha subtilis különbségek alapján felállított varietások elterjedését venném alapul9”.
Moesz felismerte, hogy e növényfajok elterjedési területének északi határa nagyrészt
egybeesik, továbbá az így kirajzolódó flóraválasztó vonal a szőlőtermesztés északi
határvonala is egyben. A „szőllővel beültetett legészakibb területek, képzeletben
egymással összekötve, úgy látszott, mintha a flórahatárt jelölték volna”. (MOESZ
1911). E vonalat (8. ábra, 9. ábra) – mely akkor hazánk területére esett, ma
Szlovákiában található – később a leírójáról nevezték el.
9 Kutatásom szempontjából Moesz e döntése szerencsésnek mondható, hiszen a fajok elterjedési területével ellentétben a változatok areája térképes formában jelenleg nem hozzáférhető.
8. ábra „Néhány növény elterjedésének északi határvonala az északnyugati fenföldön”. A 12 faj elterjedésiés a szőlő termesztési területének északi határa Moesz eredeti térképén, kissé retusálva (MOESZ 1911 alapján)
– Irodalmi áttekintés –
23
A Moesz-vonal nemzetközi irodalomban alig fordul elő, hiszen lokális
jelentőséggel bír csak. Fontos hangsúlyozni azonban, hogy kelet és nyugat felé tovább
követve a szőlőtermesztés északi határvonalát megkapjuk a Moesz-vonal
meghosszabbítását, mely a hozzá kötődő fajok némelyike (pl. Muscari botryoides
(SOMLYAY 2003)) elterjedésének északi határát a továbbiakban is kirajzolja. Ezáltal
az egész európai kontinens számára nagy jelentőséggel bírhat a meghosszabbított
Moesz-vonal (és annak modellezése), mert az nem csak a kárpát-medencei flórát és a
medencébe telepíthető dísznövényeket jellemzi.
A vonal kirajzolásához eredetileg 12 növényfaj elterjedési területét vizsgálta
Moesz, továbbá a bortermő szőlő (Vitis vinifera) termesztési területét. Az alábbiakban
(3. táblázat) felsoroltam azokat a fajokat, amelyeket Moesz bevont a kutatásába, és
feltüntettem a növények ma elfogadott nevét. Félkövér szedéssel kiemeltem a
hazánkban dísznövényként is alkalmazott évelő fajokat (BEDE-FAZEKAS 2011b). Moesz Gusztáv által használt tudományos név
Elfogadott tudományos név10 Magyar név11
Aira capillaria Aira elegantissima Schur csinos lengefű Althaea micrantha Althaea officinalis L. dunántúli zilíz Cephalaria transsilvanica Cephalaria transsylvanica (L.) Roem. & Schult. mezei fejvirág
10 GRIN 2012 szerint. Esetenként felhasználva IPNI 2005 és PRISZTER 1998. 11 PRISZTER 1988 szerint.
9. ábra „Határvonal a tátra-fátrai és a pannoniai flóravidék között”. Moesz eredeti térképe kissé retusálva, kiegészítve és a Moesz-vonalat kiemelve (MOESZ 1911 alapján)
– Irodalmi áttekintés –
24
Clematis integrifolia Clematis integrifolia L. réti iszalag Eryngium planum Eryngium planum L. kék iringó Euphorbia gerardiana Euphorbia seguieriana Neck. pusztai kutyatej Galega officinalis Galega officinalis L. orvosi kecskeruta Galium pedemontanum Cruciata pedemontana (Bellardi) Ehrend. apró galaj Phlomis tuberosa Phlomis tuberosa L. gumós macskahere Salvia aethiopis Salvia aethiopis L. magyar zsálya Sideritis montana Sideritis montana L. parlagi
sármányvirág Xeranthemum annuum Xeranthemum annuum L. ékes vasvirág Vitis vinifera Vitis vinifera L. bortermő szőlő
3. táblázat A Moesz-vonal megrajzolásához eredetileg felhasznált fajok listája, kiemelve a dísznövényként is alkalmazható évelő fajokat
A tájépítészek számára a Moesz-vonalnak nem csupán az eredetileg vizsgált 12
faj szempontjából nagy a jelentősége, hanem egyrészt a szőlő termesztési területe miatt,
mely a tájhasználatot nagyban befolyásolja, másrészt pedig azon fajok miatt, melyeket
utólag kötöttek a Moesz-vonalhoz. Többek között ilyen a szelídgesztenye (Castanea
sativa, BARTHA 2007), a molyhos tölgy (Quercus pubescens, CSAPODY 1932,
KÁRPÁTI 1958, KÉZDY 2001, BARTHA 2002), a pukkanó dudafürt (Colutea
arborescens, CSIKY 2003), a házi berkenye (Sorbus domestica, VÉGVÁRI 2000) és
néhány körtefaj is (TERPÓ 1992). A 4. táblázatban felsoroltam azokat a fajokat,
amelyek elterjedési területének északi határvonala a Moesz-vonal közelében található,
kiemelve a kertépítészeti szempontból jelentőseket. Megjelöltem továbbá a
modellezésbe bevont fajokat. Tudományos név12 Magyar név13 Kutatás során felhasználva Acer tataricum L. tatár juhar - Castanea sativa Mill. szelídgesztenye + Colutea arborescens L. pukkanó dudafürt - Cotinus coggygria Scop. cserszömörce + Fraxinus ornus L. virágos kőris + Muscari botryoides (L.) Mill. epergyöngyike - Orchis simia Lam. majomkosbor - Prunus mahaleb L. sajmeggy - Pyrus magyarica Terpó magyar vadkörte - Pyrus × nivalis Jacq. molyhos körte - Pyrus × pannonica Terpó - - Pyrus slavonica Kit. - - Quercus cerris L. cser + Quercus pubescens Willd. molyhos tölgy - Sorbus domestica L. házi berkenye - Vicia sparsiflora Ten. pilisi bükköny - Vitis sylvestris C. C. Gmel. ligeti szőlő +
4. táblázat A Moesz-vonalhoz köthető fajok listája tudományos és magyar névvel
12 GRIN 2012 és IPNI 2005 szerint. 13 PRISZTER 1998 szerint.
– Kutatási módszer –
25
4 KUTATÁSI MÓDSZER
4.1 Kutatás rövid összefoglalása
Kutatásom, a 2.2. fejezetben megfogalmazottak szerint, két fő részre tagolható.
Egyrészt modelleztem az elkövetkező hat évtizedre a telepíthetőségi terület
megváltozását olyan növényfajok esetén, melyek:
− döntően európai elterjedéssel bírnak,
− fásszárúak (főként fák14),
− dísznövényként alkalmazhatóak,
− areatérképük rendelkezésemre állt a kutatáshoz digitális vagy nyomtatott
formában.
A felsorolt kritériumok alapján 33 növényfajt gyűjtöttem össze. E fajok
telepíthetőségi területének modellezését egymástól függetlenül, azonban teljesen
megegyező eszközökkel és módszerrel végeztem. E tudatos döntés egyenes
következménye, hogy a modelleredmények a fajok areájának méretétől, jellegétől és
elhelyezkedésétől15 függően igen változatosak lehetnek, viszont jól összevethetőek
egymással. Mivel célom volt a metodikai hiányosságok feltárása és megoldási
lehetőségek keresése, így a kevésbé fajra szabott, jóval pontatlanabb, ugyanakkor sok
fajra következetesen alkalmazható módszer mellett döntöttem.
A kutatás másik része, a Moesz-vonal modellezése, az előzőekkel részben hasonló
szemlélettel és módszerrel történt, annak ellenére, hogy a kutatás tárgya nem fajok
elterjedési/telepíthetőségi területe, hanem egy flóraválasztó vonal. A hasonló
megközelítésmód mégis kézenfekvő megoldásnak tűnik, mivel a Moesz-vonal
visszavezethető különböző fajok areájának északi határvonalára. Kutatásom e második
14 Értsd: eredeti élőhelyükön fatermetűek. A Mediterráneumból származó fajok némelyike hazánkban jelenleg csak bokortermetet képes elérni. 15 A kutatásba vont fajok többsége mediterrán, esetleg atlanti-mediterrán elterjedésű. Kivételként említhető az atlanti elterjedéssel bíró Ulex europaeus, valamint a modell ellenőrzéséhez használt, hazánkban már ma is őshonos Tilia tomentosa és a gyakorta telepített Pinus nigra.
– Kutatási módszer –
26
szakaszában három eltérő módszerrel tettem kísérletet a Moesz-vonal északra
tolódásának modellezésére.
A kutatás mindkét részét az ENSEMBLES RT3 projekt REMO klímamodellje16
alapján végeztem, mely 25 kilométeres horizontális felbontásban (170 x 190 pont)
lefedi Európát (10. ábra). A felhasznált referencia-időszak 1961-1990 közötti, a
modellezett időszakok pedig az IPCC SRES A1B17 szcenárió alapján 2011-2040 és
2041-2070 közöttiek. A modellezést ArcGIS térinformatikai programmal 9.3-as
verziójával végeztem, főként a területi elemzésekre kifejlesztett csomaggal (Spatial
Analyst). A telepíthetőségi területek modellezését megelőzően modellkísérleteket
végeztem 6 faj areájára (Pinus brutia, P. halepensis, P. nigra, P. pinaster, P. pinea,
Quercus suber) a HadCM318 adatai alapján. Jelen kutatás az előzetes modellkísérlet
tapasztalatai és eredményei (BEDE-FAZEKAS 2011a, BEDE-FAZEKAS 2011c)
ismeretében történt.
4.2 Vizsgálatba vont fajok
A kutatás során 51 faj elterjedési területét használtam fel. A 5. táblázat sorolja fel
e fajokat tudományos és magyar névvel, valamint az elterjedési terület térképének
forrásmegjelölésével. A táblázatban feltüntettem az egyes fajok esetén az elterjedési
területek modellterületen kívül eső részét. 16 ENSEMBLES 2012 17 Az A1 szcenáriócsalád gyors gazdasági növekedéssel és a Föld lakosságának a század közepi tetőzésével számol, miközben feltételezi az új és hatékony technológiák gyors bevezetését. Az A1B szcenárió a család középső tagja, a különböző energiaforrások felhasználásának egyensúlyát feltételezi. (NAKICENOVIC, 2000) 18 Hadley Centre Coupled Model, version 3 (HADLEY 2012)
10. ábra A felhasznált klímamodell területi lefedése. (ENSEMBLES 2012)
– Kutatási módszer –
27
Tudományos név19 Magyar név20 Forrás Modellterületen21 kívül eső elterjedés
Abies borisii-regis Mattf. makedón jegenyefenyő
MEUSEL 1965
Abies bornmuelleriana Mattf. bitűniai jegenyefenyő
MEUSEL 1965
Abies cilicica (Antoine & Kotschy) Carriere
kis-ázsiai jegenyefenyő
MEUSEL 1965 Szíria, Kelet-törökország22
Abies marocana Trab. marokkói jegenyefenyő
MEUSEL 1965
Abies numidica de Lannoy ex Carriere
numídiai jegenyefenyő
MEUSEL 1965
Acer heldreichii Orph. ex Boiss. balkáni juhar MEUSEL 1978 Acer sempervirens L. örökzöld juhar MEUSEL 1978 Aira elegantissima Schur csinos lengefű MOESZ 1911 Nem releváns23 Acer monspessulanum L. francia juhar MEUSEL 1978 Nyugat-Atlasz Althaea officinalis L. dunántúli zilíz MOESZ 1911 Nem releváns Buxus balearica Lam. baleári puszpáng MEUSEL 1978 Castanea sativa Mill.24 szelídgesztenye EUFORGEN 2009 Nem releváns Cephalaria transsylvanica (L.) Roem. & Schult.
mezei fejvirág MOESZ 1911 Nem releváns
Clematis integrifolia L. réti iszalag MOESZ 1911 Nem releváns Cotinus coggygria Scop. cserszömörce MEUSEL 1978 Nem releváns Cruciata pedemontana (Bellardi) Ehrend.
apró galaj MOESZ 1911 Nem releváns
Eryngium planum L. kék iringó MOESZ 1911 Nem releváns Euonymus latifolius (L.) Mill. déli kecskerágó MEUSEL 1978 Kaukázus Euphorbia seguieriana Neck. pusztai kutyatej MOESZ 1911 Nem releváns Fagus orientalis Lipsky keleti bükk EUFORGEN 2009 Kelet-Törökország,
Kaukázus Fraxinus ornus L. virágos kőris HERBARIA 2006 Nem releváns Galega officinalis L. orvosi
kecskeruta MOESZ 1911 Nem releváns
Juniperus oxycedrus L. vörös tűboróka TUTIN 1964 Ázsia, Kelet-Európa, Északnyugat-Afrika (GRIN 2012)
Juniperus thurifera L. spanyol boróka TUTIN 1964 Marokkó, Algéria, Olaszország (GRIN 2012)
Laurus nobilis L. közönséges babér
MEUSEL 1965 Kelet-Törökország, Grúzia
Liquidambar orientalis Mill. keleti ámbrafa EUFORGEN 2009 Phillyrea angustifolia L. keskenylevelű
olajfagyal MEUSEL 1978 Nyugat-Atlasz
19 IPNI 2005 szerint. 20 PRISZTER 1998 szerint. 21 A modellterületet lásd itt: 10. ábra. 22 A „Modellterületen kívül eső elterjedés” oszlopában forrás feltüntetése nélkül megjelölt földrajzi egységek vagy országok mindenkor a „Forrás” oszlop szerintiek. 23 A „nem releváns” jelentése a táblázatban következetesen: nem releváns, mivel az adott faj elterjedési területének szándékosan csak egy részét vontam be a kutatásba, mely rész minden esetben a modellterületre esett. 24 Termesztési területet is beleértve.
– Kutatási módszer –
28
Phillyrea latifolia L. széleslevelű olajfagyal
MEUSEL 1978 Nyugat-Atlasz
Phlomis tuberosa L. gumós macskahere
MOESZ 1911 Nem releváns
Pinus brutia Ten. keleti aleppófenyő
EUFORGEN 2009
Pinus halepensis Mill. aleppófenyő EUFORGEN 2009 Pinus nigra J. F. Arnold feketefenyő EUFORGEN 2009 Pinus peuce Griseb. makedón
selyemfenyő TUTIN 1964
Pinus pinaster Aiton parti fenyő EUFORGEN 2009 Pinus pinea L. európai
mandulafenyő EUFORGEN 2009
Quercus canariensis Willd. Kanári-tölgy TUTIN 1964 Tunézia, Algéria, Marokkó (GRIN 2012)
Quercus cerris L. csertölgy MEUSEL 1965 Nem releváns Quercus coccifera L. karmazsintölgy MEUSEL 1965 Jordánia, Szíria,
Északkelet-Törökország Quercus faginea Lam. ibériai tölgy TUTIN 1964 Algéria, Marokkó,
Mauritánia (GRIN 2012) Quercus ilex L. magyaltölgy MEUSEL 1965 Nyugat-Atlasz Quercus rotundifolia Lam. kereklevelű
tölgy TUTIN 1964 Franciaország, Marokkó,
Algéria, Tunézia (GRIN 2012)
Quercus suber L. paratölgy EUFORGEN 2009 Quercus trojana Webb trójai tölgy TUTIN 1964 Rhamnus fallax Boiss. hegyi benge MEUSEL 1978 Salvia aethiopis L. magyar zsálya MOESZ 1911 Nem releváns Sideritis montana L. parlagi
sármányvirág MOESZ 1911 Nem releváns
Tilia tomentosa Moench ezüst hárs MEUSEL 1978 Ulex europaeus L. európai sünzanót MEUSEL 1965 Atlanti-óceáni szigetek Vitis sylvestris C. C. Gmel. ligeti szőlő MEUSEL 1978 Nem releváns Vitis vinifera L.25 bortermő szőlő MOESZ 1911 Nem releváns Xeranthemum annuum L. ékes vasvirág MEUSEL 1992 Nem releváns
5. táblázat A kutatásba vont fajok tudományos és magyar neve, a felhasznált areatérkép forrása és a modellterületen kívül eső elterjedési egységek
Azokat az elterjedési területeket, melyeket az EUFORGEN digitális areaadatbázis
nem tartalmazott, nyomtatott forrásból volt szükséges digitalizálnom. Ezek közül
MOESZ 1911 térképe a legpontosabb, melyet HERBARIA 2006, MEUSEL 1965,
MEUSEL 1978; MEUSEL 1992 követ a sorban. TUTIN 1964 térképei kimondottan
nagy hibával digitalizálhatóak csak. Értelemszerűen a legnagyobb pontosságot a
digitális elterjedési térképek adják, melyekkel a nyomtatottból digitalizáltak közül
egyedül MOESZ 1911 térképe képes felvenni a versenyt. A nagyobb pontosságú
kiindulási térképeken végzett modellezéstől várhatjuk a legmegbízhatóbb eredményt és
25 Termesztési területet.
– Kutatási módszer –
29
a legkönnyebben értelmezhető végső térképlapokat. Az eredmények a várakozásaimnak
részben megfelelően alakultak, melyet bővebben a 5.3.1. fejezetben részletezek. Az
elmondottakat faji bontásban összegeztem a 6. táblázatban.
Feltüntettem továbbá, hogy az adott areát a kutatásban milyen célból használtam:
− önálló modellezés: a faj telepíthetőségi területének jövőbeli meghatározása
volt a cél;
− ellenőrzés: a telepíthetőségi területek modellezésének kiegészítése olyan
fajokkal, melyek hazánkban már ma is (referencia-időszakban is)
megtalálják a számukra kedvező klimatikus körülményeket;
− Moesz eredeti: a Moesz-vonal kijelöléséhez szükséges 12+1 faj elterjedési
területének modellezése a Moesz-vonal jövőben várható vonalának
kirajzolásához;
− Moesz kapcsolt: az előző törzsfajokon túl, a Moesz-vonalhoz utólag
kapcsolt fajok elterjedési területének modellezése abból a célból, hogy a
Moesz-vonal jövőben várható vonalának kirajzolását nagyobb
pontossággal végezhessem.
A táblázat tartalmazza továbbá, hogy az adott faj elterjedése26
− folytonos, vagy
− folytonos és pontszerű elemekre bontható, melyből a modellezés során
csak a diszkrét adatokat használtam fel (diszkrét elhagyva), vagy
− pontszerű, melyet folytonossá alakítottam27 (folytonossá téve), vagy
− diszkrét. Tudományos név Digitali-
zálás szükséges
Felhasználás Folytonos/Diszkrét Pontosság
Abies borisii-regis Mattf. Igen Önálló modellezés Folytonos Pontos Abies bornmuelleriana Mattf. Igen Önálló modellezés Folytonos Pontos Abies cilicica (Antoine & Kotschy) Carriere
Igen Önálló modellezés Diszkrét elhagyva Pontos
Abies marocana Trab. Igen Önálló modellezés Folytonos Pontos Abies numidica de Lannoy ex Carriere
Igen Önálló modellezés Folytonos Pontos
Acer heldreichii Orph. ex Boiss. Igen Önálló modellezés Diszkrét elhagyva Pontos Acer sempervirens L. Igen Önálló modellezés Folytonos Pontos
26 Értsd: a felhasznált elterjedési területen feltüntetett elterjedés. Például TUTIN 1964 térképein az elterjedés pontszerűen jelölt, de olyan gyenge horizontális felbontással, hogy annak folytonossá tétele kézenfekvőnek tűnik. 27 Amennyiben a felhasznált klímamodell horizontális felbontása nem indokolta az elterjedés pontszerűségének megtartását.
– Kutatási módszer –
30
Aira elegantissima Schur Igen Moesz eredeti Folytonos Nagyon pontos
Acer monspessulanum L. Igen Önálló modellezés Diszkrét elhagyva Pontos Althaea officinalis L. Igen Moesz eredeti Folytonos Nagyon
pontos Buxus balearica Lam. Igen Önálló modellezés Folytonossá téve Pontatlan Castanea sativa Mill. Nem Moesz kapcsolt Diszkrét elhagyva Nagyon
pontos Cephalaria transsylvanica (L.) Roem. & Schult.
Igen Moesz eredeti Folytonos Nagyon pontos
Clematis integrifolia L. Igen Moesz eredeti Folytonos Nagyon pontos
Cotinus coggygria Scop. Igen Moesz kapcsolt Diszkrét elhagyva Pontatlan Cruciata pedemontana (Bellardi) Ehrend.
Igen Moesz eredeti Folytonos Nagyon pontos
Eryngium planum L. Igen Moesz eredeti Folytonos Nagyon pontos
Euonymus latifolius (L.) Mill. Igen Önálló modellezés Diszkrét elhagyva Pontos Euphorbia seguieriana Neck. Igen Moesz eredeti Folytonos Nagyon
pontos Fagus orientalis Lipsky Nem Önálló modellezés Diszkrét elhagyva Nagyon
pontos Fraxinus ornus L. Igen Moesz kapcsolt Folytonos Pontos Galega officinalis L. Igen Moesz eredeti Folytonos Nagyon
pontos Juniperus oxycedrus L. Igen Önálló modellezés Folytonossá téve Pontatlan Juniperus thurifera L. Igen Önálló modellezés Folytonossá téve Pontatlan Laurus nobilis L. Igen Önálló modellezés Folytonos és
folytonossá téve Pontos
Liquidambar orientalis Mill. Nem Önálló modellezés Diszkrét Nagyon pontos
Phillyrea angustifolia L. Igen Önálló modellezés Diszkrét elhagyva Pontos Phillyrea latifolia L. Igen Önálló modellezés Diszkrét elhagyva Pontos Phlomis tuberosa L. Igen Moesz eredeti Folytonos Nagyon
pontos Pinus brutia Ten. Nem Önálló modellezés Diszkrét elhagyva Nagyon
pontos Pinus halepensis Mill. Nem Önálló modellezés Diszkrét elhagyva Nagyon
pontos Pinus nigra J. F. Arnold Nem Ellenőrzés Diszkrét elhagyva Nagyon
pontos Pinus peuce Griseb. Igen Önálló modellezés Folytonossá téve Pontatlan Pinus pinaster Aiton Nem Önálló modellezés Diszkrét elhagyva Nagyon
pontos Pinus pinea L. Nem Önálló modellezés Diszkrét elhagyva Nagyon
pontos Quercus canariensis Willd. Igen Önálló modellezés Folytonossá téve Pontatlan Quercus cerris L. Igen Moesz kapcsolt Diszkrét elhagyva Pontos Quercus coccifera L. Igen Önálló modellezés Diszkrét elhagyva Pontos Quercus faginea Lam. Igen Önálló modellezés Folytonossá téve Pontatlan Quercus ilex L. Igen Önálló modellezés Diszkrét elhagyva Pontos Quercus rotundifolia Lam. Igen Önálló modellezés Folytonossá téve Pontatlan Quercus suber L. Nem Önálló modellezés Diszkrét elhagyva Nagyon
pontos
QuRhSa
Sid
TiUl
ViVi
Xe
6. cé
ad
a
m
uercus trojanahamnus fallaxalvia aethiopis
deritis montan
ilia tomentosalex europaeus
itis sylvestris Citis vinifera L.
eranthemum a
táblázat A kélja, módja, je
Elvárha
datok adják
legkevésbé
melyeket foly
12. áfolyto
11. áb(EUF
a Webb x Boiss. s L.
na L.
a Moench s L.
C. C. Gmel. .
annuum L.
kutatásba vonellemzője (dig
ató, hogy l
(kutatásom
é megbízhat
ytonossá tet
bra A Junipeonossá szüks
bra A LiquidFORGEN 200
–
Igen Igen Igen
Igen
Igen Igen
Igen Igen
Igen
nt fajok tudomgitalizálás, ku
legpontosab
mban egy faj
tó eredmény
ttem.
erus oxycedruéges tenni (T
dambar orient09)
– Kutatási mó
ÖnállóÖnállóMoesz
Moesz
EllenőÖnálló
MoeszMoesz
Moesz
mányos neve utatási fázis,
bb eredmén
aj bírt ilyen
yt pedig azo
us elterjedési TUTIN 1964)
talis pontszer
ódszer –
ó modellezésó modellezész eredeti
z eredeti
rzés ó modellezés
z kapcsolt z eredeti
z eredeti
és az areák kelterjedés fol
nyt a jó ho
areatérképp
ok a rossz f
területe rossz
ű, jó felbontá
FolytonossáDiszkrét elhFolytonos
Folytonos
Diszkrét elhDiszkrét e(szubspontáelterjedés) Diszkrét elhFolytonos
Folytonos
kutatásban valytonossága é
orizontális
pel, a Liqui
felbontású p
z felbontássa
ású elterjedés
á téve Pohagyva Po
NapoNapo
hagyva Poelhagyva án
Po
hagyva PoNapoNapo
aló felhasznáés pontossága
felbontású
idambar ori
pontszerű t
al, melyet
si területe
31
ontatlan ontos agyon ontos agyon ontos ontos ontos
ontos agyon ontos agyon ontos lásának
a)
diszkrét
ientalis),
érképek,
– Kutatási módszer –
32
4.3 A telepíthetőségi területek modellezésének módszere
4.3.1 A modellezés elvi megközelítése
Kutatásom második része, a Moesz-vonal modellezése is visszavezethető
telepíthetőségi területek modellezésére28. Ebben a fejezetben összegzem ennek elvi
módszerét, majd részletesen bemutatom a modellezés egyes részlépéseit, biztosítva,
hogy megfelelő kiindulási adatok segítségével hasonló szoftverkörnyezetben a kutatás
megismételhető legyen.
A modellezést ESRI ArcGIS 9.3 térinformatikai programcsomag ArcMap
programjával végeztem. Felhasználtam az Editor, Layout és Georeferencing modulokat,
a szűken értelmezett modellezést pedig a Spatial Analyst nevű területi elemző
bővítmény segítségével hajtottam végre. További felhasznált alkalmazások voltak az
ESRI ArcGIS 9.3 térinformatikai programcsomag ArcCatalog programja, a Microsoft
Office 2007 programcsomag Excel programja, valamint a NotePad++ 5.8 és az Adobe
Photoshop CS4 programok.
A telepíthetőségi területek modellezésnek két kiindulási adata a:
− növények elterjedési területe és a
− meglévő klímamodell adatsora a referencia-időszakra, valamint a jövőbeli
periódusra.
A modellezés három lényegi szakaszra bontható:
− növény éghajlati igényeinek szűrése,
− validálás (modellezés a referencia-időszakra) és
− modellezés (modellezés a jövőbeli időszakra).
Az elterjedési terület és a referencia-időszak klímaadatsora alapján szűrhetőek
éghajlati paraméterenként azok a szélsőértékek, melyek közötti tartományt a növény
elviseli. Közvetve tehát az elterjedés és a referencia-időszak adatsora alapján a növény
éghajlati igényeiről kaphatunk képet. Arról, hogy a klímaparaméterek szélsőértékei
alapján miképpen közelíthető egy növény éghajlati igénye, a 4.4. fejezetben szólok. A
modellezés e szakaszának eredménye minden fajra egy nulladrendű29 logikai formula,
vagyis a növény igénye képletszerűen leírásra kerül. Ez a matematikai megközelítés 28 Kivéve az izotermamodellezés, melyet a 4.5.4. fejezetben részletezek. 29 Ebben a lépésben, ahol a paraméterek szélsőértékei ismertek, nulladrendű. Ha az egész modellezést szemléljük, akkor természetesen a minimumok és maximumok kilistázása miatt elsőrendű.
– Kutatási módszer –
33
feltétlenül szükséges ahhoz, hogy a telepíthetőségi terület a modellezés következő
szakaszaiban számítógéppel kirajzolható legyen.
A növény éghajlati igényeinek ismeretében kiszűrhetjük azokat a területeket,
amelyek a referencia-időszak adatsora szerint a növény számára megfelelő klimatikus
körülményeket biztosítanak. Ezen területek összessége a növény potenciális elterjedési
területe, még pontosabban pedig a referencia-időszak szerinti telepíthetőségi területe.
Fontos hangsúlyozni, hogy kutatásom során pusztán éghajlati adatokat használtam fel,
ezért sem az edafikus sem a mikroklimatikus tényezők befolyása nem jelenik meg az
eredményekben. Természetesen a használt modellezési módszer teret enged talajtani
térképek és DTM30 alkalmazásának, így szabadon kiegészíthető, pontosítható a nyers
makroklimatikus adatsor.
A telepíthetőségi terület referencia-időszakra történő modellezésének látszólag
semmilyen haszna nincsen, szabadon elhagyható, az eredményeket nem befolyásolja.
Ugyanakkor módszertani szempontból elengedhetetlennek tartottam a modellezés e
középső szakaszát, mert ezáltal nyílik mód validálni/érvényesíteni az eredményeket. A
múltbeli telepíthetőségi terület és az elterjedési terület egymással való összevetése ad
támpontot a jövőbeli telepíthetőségi területek mint modelleredmények pontosságának
felmérésére. Ha a múltbeli telepíthetőségi terület kiterjedése jóval meghaladja az
elterjedési területét, akkor, függetlenül az elterjedés tagadhatatlan antropogén, edafikus
és kompetíciós befolyásoltságától, a modelleredmények nem tekinthetőek
megbízhatónak. Vagyis a jó modelleredmények biztosítéka, ha a múltbeli
telepíthetőségi terület közelíti az elterjedési területet31.
A növény éghajlati igényeinek ismeretében nem csupán a referencia-időszakban
kereshetünk a növény életfeltételeinek megfelelő területeket, hanem a jövőbeli
időszakokban is. E harmadik szakasz a szűken értelmezett modellezés. Ekkor rajzolom
ki a jövőbeli telepíthetőségi területet, vagyis az – éghajlati szempontból – potenciális
elterjedési területet.
A modellezés három szakasza egymásra épül. A növények éghajlati igényeinek
szűrése önmagában is tudományos eredmény, habár némileg önkényes és céltalan. A
validálás megtámasztja, biztosítja a szűrt éghajlati igényeket. A harmadik szakasz, a
jövőbeli időszakokra végzett modellezés e validált éghajlati igényekre épül, és az előző
30 Digitális terepmodell. 31 Ebből a szempontból kutatási eredményeim többségének megbízhatósága megkérdőjelezhető, melyről a 5.3.1. fejezetben még bővebben szólok.
– Kutatási módszer –
34
kettő szakasszal ellentétben látványos, újszerű és mindenképpen tudományosan is
előremutató, inspiráló eredményeket ad. Éppen ezért célom volt minden esetben e
három lépés következetes teljesítése, még olyan fajok esetében is, ahol a validálás
egyértelműen gyenge eredményt adott.
4.3.2 Klímaadatsor és elterjedési területek betöltése
A következőkben részletesen ismertetem a modellezés előkészítő szakaszát. A
REMO klímaadatsorát, mely éghajlati paraméterenként és hónaponként külön
szövegfájlban volt eredetileg, NotePad++ program segítségével összefűztem és olyan
formátumúvá alakítottam, hogy az az ArcMap programba betölthető legyen. A
koordinátákkal együtt ezek után az országhatáros alaptérkép fölé betöltöttem az
adatsort, mely így egy Európát lefedő rácshálóként jelent meg. A REMO területi
lefedését csökkentettem azokkal a területekkel, melyek megtartása a modellezésemhez
szükségtelen lett volna, oly módon, hogy az alaptérképem fölött négyzet formában
maradt meg a rácsháló. A meghagyott 25 724 rácspont (grid) mindegyikéhez tartozott a
koordinátákon túl 3×3×12 klímaparaméter, mert minden rácspont tartalmazta a
referencia-időszak és a két jövőbeli időszak
− átlagos havi középhőmérsékletét (továbbiakban Tmean; mértékegysége K),
− átlagos havi minimum-hőmérsékletét (továbbiakban Tmin; mértékegysége
K) és
− átlagos napi csapadékösszegét (továbbiakban P; mértékegysége mm/nap);
mindhárom paramétert havi bontásban.
Összességében tehát a felhasznált klímamodell egy 25 724×108 cellás táblázat,
mely koordinátaadatok alapján térképen megjeleníthető. A periódusonként 12 darab
havi csapadékértékekből képeztem a vegetációs időszak (április-szeptember)
csapadékösszegét (továbbiakban Pveg) és az éves teljes csapadékösszeget (továbbiakban
Possz), ezáltal további 3×2 oszloppal bővítettem a táblázatot (13. ábra).
Miután betöltöttem, véglegesítettem a klímaadatsort, a számomra fontos éghajlati
paramétereket (Tmean, Tmin, Pveg, Possz) interpoláltam. A 3×26 paraméter interpolálása
baricentrikusan (a távolság inverzével súlyozva) történt, a gridhálóból raszterfájlt
képeztem 0,11-es cellamérettel, 12 pontos keresési területtel az ArcMap Spatial Analyst
kiegészítésének Interpolate to Raster/Inverse Distance Weighted eljárásával (14. ábra).
– Kutatási módszer –
35
Ezek után következett a növények elterjedési területének betöltése az adatsor
mellé. A digitális areatérképek megnyitása a szoftverkörnyezet elemi műveletei közé
tartozik, ugyanakkor a nyomtatott formájú elterjedések (a rendelkezésemre álló
areatérképek több mint 80%-a) betöltése hosszadalmasabb folyamatot jelentett. Ez
utóbbiak fényképezett/képolvasott (szkennelt) digitális változatát mint képfájlt
nyitottam meg az ArcMap programmal, majd georeferáltam az 15-25 georeferáló pont
segítségével a földrész- és országhatárokhoz, valamint a Moesz-vonalhoz kapcsolódó
növények areája esetében vízrajzhoz. A felhasznált transzformáció minden esetben
Spline volt, mert az alaptérképem és az elterjedési térképek eltérő vetületi rendszere
miatt affin, másod- és harmadrendű transzformációk sem adtak volna kielégítő
eredményt (15. ábra). Nem volt célom a képek egészének helyes referálása, mindenkor
csak az area környezetét illesztettem az alaptérképhez.
A georeferált térképek síkbafejtése a Rectify eljárással történt Neerest Neighbor
(legközelebbi szomszéd) adatvételezési móddal (16. ábra). Az síkbafejtés eredménye
13. ábra A klímamodell adatsorának bővítése új oszloppal (az ábrán a 2041-2070-es időszak évi átlagos csapadékösszegével) meglévő oszlopok adatai alapján
14. ábra A klímamodell pontszerű adathalmazából a távolságinverzével súlyozott interpolálással képeztem a raszterfájlt. Az ábrán a referenciaidőszak januári középhőmérsékletének interpolálása látható.
15. ábra Areatérkép georeferálása országhatáros Európa-térkép segítségével
16. ábra A georeferált térképlap transzformálása képfájllá
– Kutatási módszer –
36
19. ábra Digitalizált elterjedési terület vágása a kontinenshatárok alapján
Imagine Image vagy JPEG formátumú kép lett, melyek alapján megkezdődhetett az
elterjedési területek digitalizálása, kontúrfájlok létrehozása minden növényfajhoz.
A kontúrfájlokat32 szerkesztésre megnyitottam, majd az Editor modul Sketch Tool
eszközével az elterjedésnek megfelelő sokszögeket képeztem. Ugyanezen módon jártam
el a rossz horizontális felbontású pontszerű elterjedést ábrázoló areatérképek esetén (18.
ábra), nem csak a folytonos elterjedést ábrázolóknál (17. ábra). A megrajzolt
sokszögeknek levágtam azt a részét, mely nem a szárazföldre esik (19. ábra), majd
pedig mentettem a kontúrfájt. A Moesz-vonalhoz kapcsolódó növények esetében az
előzőekkel ellentétben nem a teljes elterjedési területet digitalizáltam, és vágni sem volt
szükséges a kontúrfájlt (ennek indokát és részleteit lásd a 4.5.1. fejezetben).
A modellezés e szakasza után a betöltött klímaadatsor mellett minden fajhoz
digitális elterjedési terület is rendelkezésemre állt, így megkezdhettem a növények
éghajlati igényeinek szűrését.
32 A továbbiakban az ESRI által definiált shapefile-ra használom ezt a kifejezést, melynek egyéb magyar megfelelőjét nem sikerült fellelnem. A kontúrfájl a térinformatikai adatok alapvető vektoros fájltípusa. Kutatásom során mindannyiszor sokszöget tartalmazó kontúrfájlokat hoztam létre, és néhány kivételtől eltekintve (izotermamodellezés és Liquidambar orientalis) csak olyanokat használtam fel.
17. ábra Georeferált folytonos elterjedés digitalizálásának folyamata
18. ábra Georeferált diszkrét elterjedés folytonossá tétele a digitalizálás során
20. ábra Területi statisztika lekérdezése (Abies borisii-regis, referenciaidőszak, évi csapadékösszeg)
– Kutatási módszer –
37
4.3.3 Növények igényeinek szűrése az elterjedési terület alapján
Mint a telepíthetőségi területek modellezésének elvi összegzését adó 4.3.1.
fejezetben kifejtettem, a modellezés első szakasza az elterjedési területek és a
referencia-időszak adatsora alapján az egyes növények éghajlati igényeinek szűrése.
Ehhez a kérdéses klímaparaméterekre (Tmean, Tmin, Pveg, Possz) vonatkozóan területi
statisztikát végeztem a Spatial Analyst bővítmény Zonal Statistics eljárásával.
Kutatásom során a fajokat rögzítettem és végigiteráltam33 a 26 paraméteren (20. ábra).
A területi statisztika eredményeiből (21. ábra) további felhasználásra csak a két
szélsőérték került, illetve a Moesz-vonal modellezése esetében a hőmérsékleti
paramétereknek csak a minimumértéke. A szélsőértékeket átmásoltam egy erre a célra
előre kialakított táblázatba (22. ábra).
A táblázatot Excel programmal kezeltem. A táblázatban összegyűjtött, fajonként
és éghajlati paraméterenként jól kezelhető adathalmazból sztringkezelő függvények
segítségével alakítottam ki olyan képleteket, melyek a következő kutatási lépésben
felhasználhatóak (megfelelő formátumúak) és a növények éghajlati igényeit körülírják.
A paraméterek kiválasztásáról a 4.4. fejezetben még részletesen szólok. A képleteket
modellezési időszakonként (3), növényenként (51+1) és eltérő paraméterválasztási
módonként (6) számítottam. Például a Querus suber faj éghajlati igénye a 2011-2040-es
periódusra eképpen írható el, ha a hőmérsékleti értékek minimumát és maximumát is
figyelembe vesszük, valamint az évi csapadékösszeg szélsőségeivel is kalkulálunk: [r11t01] >= 275,685 & [r11t02] >= 276,454 & [r11t03] >= 277,732 & [r11t04] >= 279,511 & [r11t05] >= 282,461 & [r11t06] >= 287,044 & [r11t07] >= 289,258 & [r11t08] >= 289,231 & [r11t09] >= 286,91 &
33 Annak ellenére, hogy az adatok kigyűjtését manuálisan végeztem, az iterál szót szándékosan alkalmazom, utalva rá, hogy ez a munkafázis kimondottan alkalmas arra, hogy egyszerű ciklusként automatizáltan valósuljon meg.
21. ábra A területi statisztika eredménye 22. ábra A területi statisztika eredményének átvezetése az összesítő táblázatba
– Kutatási módszer –
38
[r11t10] >= 282,447 & [r11t11] >= 278,322 & [r11t12] >= 277,019 & [r11m01] >= 273,735 & [r11m02] >= 274,083 & [r11m03] >= 274,934 & [r11m04] >= 276,08 & [r11m05] >= 278,172 & [r11m06] >= 281,563 & [r11m07] >= 283,554 & [r11m08] >= 283,856 & [r11m09] >= 282,334 & [r11m10] >= 279,208 & [r11m11] >= 279,208 & [r11m12] >= 275,021 & [r11t01] <= 287,054 & [r11t02] <= 286,868 & [r11t03] <= 287,827 & [r11t04] <= 289,708 & [r11t05] <= 292,968 & [r11t06] <= 299,205 & [r11t07] <= 302,749 & [r11t08] <= 303,256 & [r11t09] <= 300,393 & [r11t10] <= 294,564 & [r11t11] <= 290,206 & [r11t12] <= 288,238 & [r11m01] <= 285,945 & [r11m02] <= 285,581 & [r11m03] <= 286,014 & [r11m04] <= 286,935 & [r11m05] <= 289,239 & [r11m06] <= 292,793 & [r11m07] <= 296,176 & [r11m08] <= 297,081 & [r11m09] <= 295,337 & [r11m10] <= 292,038 & [r11m11] <= 292,038 & [r11m12] <= 287,085 & ([r11_osszP]) >= 6,84287 & ([r11_osszP]) <= 162,11
4.3.4 Telepíthetőségi terület modellezés a növények igénye alapján
A növény éghajlati igényeit matematikai módon megfogalmazó képletek alapján a
modellezés második és harmadik szakaszában kirajzoltam azokat a területeket,
amelyeken a növény megfelelő körülményeket talál a
− referencia-időszakban (validálás) vagy a
− jövőbeli időszakokban (modellezés).
Időszaktól függetlenül a felhasznált eszközök és a kutatási lépések megegyeznek,
a különbség csak abban nyilvánul meg, hogy az előző fejezet végén bemutatott képletek
közül melyiket használom fel. A továbbiakban részletezem a telepíthetőségi terület
modellezésének soron következő lépését.
Az Excel programmal összeállított képletekben matematikai módon
megfogalmazott feltételeknek megfelelő területek kirajzolásához az ArcMap Spatial
Analyst bővítményének Raster Calculator eljárását alkalmaztam (24. ábra).
23. ábra A klímaparamétereket összefűző segédszámítások és a végső képletek az összesítő táblázatban
24. ábra A raszterszámító eljárás futtatása az összesítő táblázat által generált képlet alapján
– Kutatási módszer –
39
A raszterszámító eljárás eredménye egy olyan raszterfájl (25. ábra), mely
tartalmazza a képletnek megfelelő területeket és a képletet kielégíteni nem képes
területeket. Ezek közül kiválasztottam az előbbieket, és a kiválasztás alapján kontúrfájlt
hoztam létre a Spatial Analyst bővítmény Convert/Raster to Features eljárása
segítségével (26. ábra).
Ezt követően a létrehozott kontúrfájlt megnyitottam szerkesztésre az Editor
modullal, majd – mint a georeferálás után a digitalizált kontúrfájl esetében is – a
szárazföldről kinyúló területeket levágtam, és mentettem a változásokat. A vágás
műveletét a Moesz-vonalhoz kapcsolódó modellezés esetében elhagytam, mert csak egy
szűk (Szlovákia és Lengyelország területére eső) szegmense érdekelt a kirajzolt
potenciális elterjedési területeknek.
A modellezési módszer 4.3.3. és 4.3.4. fejezetben ismertetett részlépéseinek
többségét HORVÁTH (2010) szóbeli közlése nyomán végeztem.
25. ábra A raszterszámítás eredménye. A képletnek megfelelő területet a zöld terület jelöli, míg a vörös a képletet nem elégíti ki
26. ábra A raszterszámítás eredményéből a képletnek megfelelő terület kimentése kontúrfájlként
27. ábra A kontúrfájl szárazföldön kívül eső részeinek levágása
– Kutatási módszer –
40
4.3.5 Rétegek kezelése és térképlapok létrehozása
Az eredeti elterjedési terület és a modellezett telepíthetőségi területek a
későbbiekben az ArcMap programon belül egy-egy réteget képeztek. Ezeket
növényenként csoportosítottam, és a csoporton belül a következő sorrendbe szerveztem
a rétegeket: legfelül az elterjedési terület, alatta a referencia-időszak telepíthetőségi
területe, majd a 2011-2040-es időszak telepíthetőségi területe, majd legalulra a 2041-
2070-es periódus telepíthetőségi területe került. Evvel a sorrenddel azt értem el, hogy a
kész térképlapokon a telepíthetőségi területek északi határának északra mozdulása
rajzolódik ki. Amennyiben a modellezés célja nem az északi határ vizsgálata lett volna
(mint az a Moesz-vonal esetében egyértelmű cél, az önálló modellezések esetén csak a
megjelenítésben nyilvánul meg), akkor a rétegek megfelelő átszervezésével
megjeleníthetővé vált volna a telepíthetőségi területek déli határának észak felé
mozdulása is.
A modellezés végső lépéseként az eredményeket egységes elrendezésbe
szerveztem az ArcMap Layout moduljával, és növényenként mentettem az elrendezést
északjellel és méretrúddal kiegészítve. A Moesz-vonalhoz kapcsolódó kutatás
eredményeit ezen túl még Photoshop programmal is megjelenítettem részben az eltérő
lépték kezelése, részben pedig a több növényre vonatkozó modelleredmények
összefűzése céljából.
4.4 Az éghajlati igények szűrése
4.4.1 Éghajlati igények és az elterjedési területen előforduló klimatikus értékek
A modellezési folyamat egyik fontos lépése az, hogy az elterjedési területen
előforduló klimatikus értékek alapján körülírjuk, és matematikai képletben
megfogalmazzuk az adott növény éghajlati igényeit. Erre számos módszer elképzelhető,
ám egyik sem tökéletes, mindegyiknek ismert hátránya is, nem csak előnye.
Általánosságban elmondható, hogy, mint azt az előzetes modelleredményeim is
– Kutatási módszer –
41
mutatták (BEDE-FAZEKAS 2011c), a növény igényeit jól közelítő módszerek rossz34
modellezési eredményt adnak.
Az elterjedési terület alapján a klímaadatsor egyes paraméterei külön-külön
szűrhetőek, illetve azok kombinációja (mint jelen modellezésben a Possz és Pveg értéke) is
lekérhető. Egy adott paraméter szélsőértékein túl az átlag, a terjedelem és egyéb
statisztikai adatok is kilistázhatóak, mint például a szórás. Így lehetőség van
percentilisek lekérdezésére, a folytonos tartomány diszkretizálására, sávosítására, vagy
egyszerűen a szélsőértékekhez közeli adatok elhagyására. Kutatásomban nem vettem
igénybe statisztikai módszerek alkalmazását, mert nem a nagy megbízhatóságú
modelleredmények létrehozása volt a célom, hanem inkább több fajra elvégezni a
modellezést, és a modellezési módszert értékelni. Ezért az önálló modellezés esetén a
klímaparaméterek minimumát és maximumát, a Moesz-vonal modellezése esetén pedig
a csapadék minimumát és maximumát, a hőmérsékleti értékeknek pedig csak a
minimumát gyűjtöttem ki.
A kilistázott adatok alapján, a 4.3.3. fejezetben ismertetett módon felépítettem a
növény igényeit leíró nulladrendű logikai formulát, mely lényegileg azt jelenti, hogy
kiválasztottam, a modellezés során mely paramétereket kívánom figyelembe venni, és
melyeket nem. Véges paraméter megszámolhatóan végtelen lineáris (vagy magasabb
fokú) kombinációja közül csak néhányat vizsgáltam értelemszerűen. A
paraméterválasztás teljesen szubjektív módszer, mely egyértelmű gyengeségeként írható
fel. Léteznek azonban módszerek, melyek a szubjektív paraméterválasztás problémáját
megoldják, ezekről az 5.1.3. és 5.1.4. fejezetben szólok.
A felhasznált klímaadatsorokban a mértékegységek egymástól és a
megszokottaktól is némileg eltérnek. Mivel kutatásom során nem helyeztem hangsúlyt
pontos számszerű értékek meghatározására, melyhez egy adott klimatikus paraméter
dimenziója nélkülözhetetlen, hanem a térképes megjelenítés volt célom, így a
mértékegységek alapján szükségesnek látszó konverziókat nem végeztem el. A
paraméterek összegének és szorzatának képzéséhez ez nem is volt feltétlenül szükséges.
Például a mm/nap dimenzióban rendelkezésre álló havi csapadékösszegeket összeadva
képeztem az évi csapadékösszegeket, holott számszerűen annak csak 1/30-részét
34 Rossz alatt nem feltétlenül azt értem, hogy a jövőbeli valóságtól túlságosan eltérő, hiszen ez nem megbecsülhető. A következőkben a rossz modellezési eredményt úgy használom, mint a várható (az elterjedési területtel területileg összemérhető, de annál nagyobb, viszont az európai kontinens egészét nem közelítő) telepíthetőségi területtől lényegesen eltérő modelleredményt. Így a túl nagy és a túl kicsi területtel bíró modellezett telepíthetőségi területek is rossznak tekintendők.
– Kutatási módszer –
42
kaptam. Az efféle ellentmondások a modellezés során nem kerülnek felszínre, hiszen a
szélsőértékek közötti tartomány térképi vetülete ugyanaz, ha a paramétert konstanssal
szorozzuk, mint ha ezt nem tesszük meg. Ezért a továbbiakban következetesen
alkalmazom az „évi csapadékösszeg”, „vegetációs időszak csapadékösszege”, „Pálfai-
index”, „Ellenberg-index” kifejezéseket akkor is, ha az értékek és dimenziók tudott
módon nem felelnek meg az adott kifejezéshez tartozó dimenziókkal, és így a valós
értékekkel sem.
4.4.2 Ariditási indexek
A kutatásba vont taxonok jelentős része a fiatalkori fagyérzékenység ellenére is
ideális választás a hazai klímán, mert jelentős szárazságtűréssel büszkélkedhet. Ennek
mentén érdemes megvizsgálni az aszályossági vagy ariditási indexek
alkalmazhatóságát. Ilyenek a standardizált csapadékindex (SPI), a Palmer-féle aszály
szigorúsági index (PDSI; PALMER 1965), az erdészeti aszályossági index, (FAI,
FÜHRER 1992, FÜHRER 2000), a bükk index (BERKI 2009), az ATI-VIZIG által
kidolgozott aszályindex (PaDI), a Pálfai-index (PAI) és Ellenberg-index. Előzetes
kutatásom során ezek közül az utóbbi kettőt alkalmaztam.
A Pálfai-index, mely a Palmer-féle indexhez hasonlóan (MIKA 2005) közvetett
módon a talajnedvesség indexe (BUSSAY 1999), csak kevés éghajlati paramétert vesz
figyelembe az október-augusztus időszakban (PÁLFAI 1991). Ez az index könnyű
számíthatóságát biztosítja, mely a térinformatikai szoftver alkalmazása mellett nem
akkora előny, mint a kézi számításnál. Ugyanakkor a kiválasztott paraméterek, a havi
csapadékösszeg és a havi középhőmérséklet, a kutatásomhoz használt klímaadatsor
részét képezték, így a Pálfai-indexet a modellezés során alkalmazni tudtam. A növények
igényét a Pálfai-index-szel leíró matematikai formula a következő (SULINET 2012
nyomán, a 4.4.1. fejezetben írtaknak megfelelő megkötésekkel):
∑
5
∑5
∑
5
∑5
1
ahol
0.1 0.4 0.5 0.8
1.2 1.6 0.9
– Kutatási módszer –
43
és
0.1 0.4 0.5 0.8
1.2 1.6 0.9
a súlyozott csapadékösszegek, i a hónapokon végigiteráló változó, f a jövőbeli
(modellezett), r pedig a referencia-időszakbeli értéket jelöli, <X> X átlaga, I(λ) az
indikátorfüggvény, melynek értéke 1, ha λ igaz, egyébként 0.
Az Ellenberg-index, melyet ELLENBERG (1988) alakított ki, elsősorban a bükk
(Fagus sylvatica) elterjedéséhez köthető, és a kontinentalitás jellemzésére alkalmas
MÁTYÁS (2009). Az index számítására többféle mód adódik, kutatásom során a
legmelegebb hónap hőmérsékletét figyelembe vevő képlet helyett a nyári
átlaghőmérséklettel kalkuláló képletet alkalmaztam, MÁTYÁS 2007 nyomán (a 4.4.1.
fejezetben írtaknak megfelelő megkötésekkel):
∑
3 ∑∑3 ∑
∑
3 ∑∑3 ∑ 1
ahol i a hónapokon végigiteráló változó, f a jövőbeli (modellezett), r pedig a
referencia-időszakbeli értéket jelöli, <X> X átlaga, I(λ) az indikátorfüggvény, melynek
értéke 1, ha λ igaz, egyébként 0.
Mint a fenti képletekből látható, mind a Pálfai-index, mind az Ellenberg-index
igen általános feltételeket szab, két logikai feltétel párhuzamos teljesülése már a
képleteket kielégíti. Ebből következik, hogy az ariditási indexekkel végzett
modellezéstől nagy területeket kijelölő eredményeket várhatunk35.
Az ariditási indexeket csak a megelőző kutatás során alkalmaztam, a későbbi
modellezésben nem. A REMO által szolgáltatott minimum-hőmérsékleti adatok sem a
Pálfai-, sem az Ellenberg-index képletében nem jelennek meg, holott feltételezhető,
hogy a mediterrán növények elterjedése számára – északi irányban – az egyik legfőbb
akadály a kontinentális éghajlat kemény tele. A megelőző kutatás egyértelmű negatív
eredményein túl ez a tény is közrejátszott abban, hogy utóbb elhagytam kutatásomból az
ariditási indexeket.
35 Az eredmények a várakozásokat igazolták. Bővebben lásd a 5.1.1. fejezetben.
– Kutatási módszer –
44
4.4.3 Szubjektív paraméterválasztás
Az éghajlati igény jellemzésére az ariditási indexeknél részletesebb megoldást is
találunk, hiszen a 72 (a megelőző kutatás során 48) éghajlati szélsőérték (vö. 4.3.3.
fejezettel) tetszőleges36 kombinációját alkalmazni lehet az éghajlati igényt leíró
képletben. Mivel melegigényes, esetleg fagyérzékeny fajokat vontam be a kutatásba,
kézenfekvőnek tűnt az átlag-hőmérsékleti értékek figyelembe vétele mind a hidegebb
félévben (elfagyás veszélye), mind a melegebb félévben. Utóbbi alapján közvetetten a
hőösszegről nyerhetünk információt. A fagyérzékenység szempontjából a minimum-
hőmérsékletek alkalmazása tűnik legcélravezetőbbnek. A csapadék eloszlása
feltételezhetően nincs jelentős hatással a növények elterjedésére, ugyanakkor az évi
vagy a vegetációs időszakra jellemző összcsapadék annál jelentősebb mértékben. A
mediterrán és kárpát-medencei éghajlat között alapvető különbség van a
csapadékeloszlásban, hiszen előbbiben az évi csapadék jelentős része a hidegebb
félévben hullik le (PÉCZELY 1979). Éppen ezért az évi összcsapadék alkalmazása
feltételezhetően jobban közelíti a mediterrán fajok éghajlati igényét, mint a vegetációs
időszak csapadéka.
Előzetes kutatásomban kettő, a diplomamunka által összegzett kutatásban pedig
hét képlet alkalmazására tettem kísérletet, melyeket a továbbiakban ismertetek, az
alkalmazás tapasztalatait pedig az 5.1.2. fejezetben részletezem. Az előzetes kutatásban
alkalmazott 1. számú képletben a középhőmérsékletek szélsőségeit vettem figyelembe:
1
A 2. számú képlet kiegészül a vegetációs időszak összcsapadékának
szélsőségeivel:
1
36 A paraméterválasztás teljesen önkényes, mely az alkalmazott módszer egyik nagy hátránya. A képleteket „szubjektív paraméterválasztás” névvel gyűjtöttem össze, utalva arra, hogy e módszer az ariditási indexek és az összes paraméter egyidejű alkalmazása mint két szélsőség között a középutat szubjektív módon jelöli ki.
– Kutatási módszer –
45
A további képleteket a diplomamunkában összegzett kutatásban alkalmaztam,
felhasználva az előzetes kutatás tapasztalatait. A 3. számú képlet a minimum- és
középhőmérsékletek minimumát veszi figyelembe:
1
A 4. számú képlet az előzőt kiegészíti a vegetációs időszak csapadékának két
szélsőségével:
1
Az 5. számú képlet az előzővel ellentétben nem a vegetációs időszak, hanem a
teljes év csapadékának szélsőségeit alkalmazza:
1
A 6. számú képlet a 3. számú képlethez hasonló, azonban a hőmérsékleti
paraméterek minimumán túl a maximumát is számításba veszi:
1
A 7. számú képlet az előzőt a vegetációs időszak összcsapadékának szélsőségeivel
egészíti ki:
1
– Kutatási módszer –
46
A 8. számú képlet a vegetációs időszak csapadéka helyett az évi összcsapadékkal
kalkulál:
1
A fenti képletekben i a hónapokon végigiteráló változó, f a jövőbeli (modellezett),
r pedig a referencia-időszakbeli értéket jelöli, <X> X átlaga, I(λ) az indikátorfüggvény,
melynek értéke 1, ha λ igaz, egyébként 0.
A Moesz-vonal modellezéséhez (az elterjedésmodellezés és a vonalmodellezés
módszer alkalmazása során) a 4. számú képletet használtam fel, mely a fentiek közül a
legmegfelelőbb választásnak tűnt, hogy a kárpát-medencei fajok elterjedésének északi
határvonalát modellezzem a segítségével.
Az ariditási indexekkel ellentétben a szubjektív paraméterválasztással jóval több
éghajlati paraméter figyelembe vehető (vagyis több logikai feltétel), így a képletek
részletesebbek, összetettebbek, az modellezés pedig várhatóan kisebb területet ad
eredményül, ha e képleteket használjuk fel. Az 7. táblázatban összegeztem, hogy a
fentebb ismertetett képletek mely éghajlati paramétereket veszik figyelembe, az utolsó
oszlopban pedig feltüntettem, hogy az egyes képletek hány logikai feltételt
alkalmaznak. A logikai feltételek számának növekedésével a modellezett terület mérete
várhatóan csökken. Képlet
sorszáma Tmean Tmin Pveg Possz Alkalmazott logikai
feltételek száma min max min max min max min max 12 12 12 12 1 1 1 1
1 × × 24 2 × × × × 26 3 × × 24 4 × × × × 26 5 × × × × 26 6 × × × × 48 7 × × × × × × 50 8 × × × × × × 50
7. táblázat A szubjektív paraméterválasztás során alkalmazott képletek összehasonlítása a figyelembe vett éghajlati paraméterek és az alkalmazott logikai feltételek alapján
– Kutatási módszer –
47
4.4.4 Összes paraméter egyidejű alkalmazása
Az előzőekben ismertetett ariditási indexeken és a szubjektív
paraméterválasztáson túl adódig egy további lehetőség a növények éghajlati igényeinek
jellemzésére, ez pedig az összes (36, az előzetes kutatásban 24) paraméter minkét
szélsőértékének (72 és 48 logikai feltétel) egyidejű alkalmazása. A hasonlóképpen
felépülő (a paramétereket az elterjedési területen megfigyelt szélsőértékek közé szorító)
képletek közül ez a legszigorúbb, éppen ezért ettől a módszertől várhatjuk a legkisebb
területtel rendelkező modelleredményt. Nagy veszélye van azonban annak, hogy a
hőmérséklet és a csapadékeloszlás változásának különbségeiből adódóan (vagyis abból
fakadóan, hogy nem a mediterrán éghajlat fog hazánk területére kúszni, csak erősödni
fog a mediterrán jelleg) az összes paraméter egyidejű alkalmazása nem alkalmas a
növények éghajlati igényeinek leírására, illetve az általa létrehozott modelleredmények
nem adnak majd értelmezhető eredményt37.
Az előzetes kutatás során alkalmazott képlet az alábbi:
1
Az előzetes kutatás módszertani tapasztalatai alapján a későbbi kutatásból az
összes paraméter egyidejű alkalmazását mint modellezési lehetőséget elhagytam. Ezért
az alábbi képlet, mely a későbbi kutatás során lett volna alkalmazható, végül nem került
felhasználásra:
1
A fenti képletekben i a hónapokon végigiteráló változó, f a jövőbeli (modellezett),
r pedig a referencia-időszakbeli értéket jelöli, <X> X átlaga, I(λ) az indikátorfüggvény,
melynek értéke 1, ha λ igaz, egyébként 0. 37 A modelleredmények az előzetes kutatás során már megerősítették várakozásainkat. Bővebben lásd a módszertani tapasztalatokat összegző 5.1.1. fejezetben.
– Kutatási módszer –
48
4.5 Moesz-vonal modellezési lehetőségei
4.5.1 Modellezési lehetőségek összehasonlítása
A Moesz-vonal modellezésével párhuzamosan több faj elterjedésének38
változására következtethetünk. A korábban ismertetett telepíthetőségiterület-
modellezéshez képest lényegi különbség, hogy a Moesz-vonal esetén
− területi kiterjedés nélküli földrajzi elemről beszélünk, továbbá, hogy
− ha területet rendelünk hozzá, akkor csak a területet határoló északi
határvonalként tekintünk rá, és
− mivel a modellezés eredményéből számos faj elterjedésére kívánunk
következtetéseket levonni, pontosabb modellezési módszer alkalmazása
várható el.
A Moesz-vonal elmozdulásának modellezésére számos módszer adódik, melyek
közül kutatásomban hármat tettem próbára, melyeket a következőképpen neveztem el:
− vonalmodellezés,
− elterjedésmodellezés és
− izotermamodellezés.
E modellezési módszerek összefoglaló leírását és jellemzését a 8. táblázat adja. Név Rövid leírás Előnyök Hátrányok Elterjedésmodellezés A Moesz-vonalhoz kötődő
fajok areájának modellezése, majd a jövőbeli vonal újrarajzolása
Moesz eredeti módszerét követi Összetett, részletes eredményt ad
Nagyon lassú Szubjektív
Vonalmodellezés A Moesz-vonalnak mint egy képzeletbeli area északi határának a modellezése
Nem túl pontatlan Átlátható, egyértelmű
Viszonylag lassú
Izotermamodellezés A Moesz-vonallal korreláló januári (téli) minimum-hőmérsékleti izoterma követése
Leggyorsabb a három módszer közül Nem szükséges areákat digitalizálni
Csak egy (vagy kevés számú) klímaparamétert vesz figyelembe Pontatlan Kétséges, hogy értelmezhető eredményt adna
8. táblázat A Moesz-vonal modellezésének a kutatás során alkalmazott három módszere rövid leírással és jellemzéssel
38 A Moesz-vonal modellezéséről szóló fejezetekben következetesen elterjedési területről, nem pedig telepíthetőségi területről írok. Teszem ezt azért, mert általában jó horizontális felbontású areatérképek álltak rendelkezésemre és a referenciaidőszakra végzett modellezések jól közelítették az elterjedési területeket, validálták azokat (vö. a 5.2. fejezettel). Ennek ellenére a 3.4.1. fejezetben elmondottak továbbra is érvényesek.
– Kutatási módszer –
49
A telepíthetőségi területek önálló modellezéséhez hasonlóan a Moesz-vonal
esetében is célom volt a módszerek értékelése, összehasonlítása. Elmondható azonban,
hogy az eredmények részletességére, pontosságára is hangsúlyt fektettem, ellentétben a
telepíthetőségiterület-modellezésekkel.
4.5.2 Elterjedésmodellezés módszere
Az alkalmazott három módszer közül a legösszetettebb és így a leglassabb az
elterjedésmodellezés. A 3.5. fejezetben összegyűjtött 12+1, a Moesz-vonalhoz
eredetileg kapcsolt és 5, a vonalhoz utólag kötött fajra a modellezést külön-külön el kell
végezni. Az éghajlati igények szűrűséhez a szubjektív paraméterválasztás 4. számú
képletét alkalmaztam (vö. a 4.4.3. fejezettel) és a modellezés során az elterjedéseknek
csak északi (Szlovákliába és Lengyelországba eső) határvonalát követtem. Ezért a
szárazföldről kinyúló modellezett elterjedéseket nem vágtam le.
Az eredeti elterjedési területeknek csak egy részét használtam fel a modellezés
során, melyre jellemző volt, hogy
− dél felé nem terjeszkedett túl a 4.5.3. fejezetben ismertetett képzeletbeli
„Moesz-növény” elterjedési területének határán,
− észak felé nem lépte át a Kárpátok gerincét,
− összességében tehát az egész areaszegmens a Kárpát-medencén belül
helyezkedett el.
Mivel a modellezés során csak az elterjedések északi határvonalára voltam
kíváncsi, az areák ilyentén megcsonkítása a modelleredményeket nem befolyásolta. A
vágást az ArcMap Editor moduljának Clip eljárásával végeztem.
Az egymástól függetlenül elvégzett 18 areamodellezés után az északi
határvonalakra ráfektettem egy átlagoló vonalat – a jövőbeli Moesz-vonalat – úgy, mint
egykor Moesz Gusztáv tette az eredeti 13 faj alapján. Ebből a szempontból az
elterjedésmodellezés történetileg hű módszernek tekinthető. Az elterjedések északi
határvonalának összekötésekor nem alkalmaztam pontos térinformatikai átlagoló
eljárásokat, az elterjedésmodellezés módszere ebben az irányban továbbfejleszthető.
Nem tagadható ugyanakkor, hogy a felhasznált klímaadatsor gyenge horizontális
felbontása és a modellezési módszer szubjektivitása mellett a pontos átlagoló eljárások
használata nem hozott volna lényegi előrelépést.
– Kutatási módszer –
50
4.5.3 Vonalmodellezés módszere
A vonalmodellezés az előző módszerhez hasonló, de lényegesen gyorsabban
elvégezhető. 18 független modellezés helyett csak egy modellezés futtatása szükséges.
Ugyanakkor pontosság szempontjából átmenetet képez az elterjedésmodellezés és az
izotermamodellezés között. A módszer lényege, hogy egy képzeletbeli elterjedést jelöl
ki (az ún. „Moesz-növény” feltételezett elterjedését), és a modellezést erre az areára
végzi el. A „Moesz-növény” elterjedésének északi határvonala a Moesz-vonal. Az
elterjedési terület egésze a Kárpát-medencén belül helyezkedik el (a déli határvonalnak
a korábban elmondottak szerint nincsen jelentősége), Szlovákiát, Ausztriát és
Magyarországot érinti (28. ábra).
A fiktív areára a 4.4.3. fejezetben ismertetett 4. számú képlettel végeztem a
modellezést, a modellezett elterjedési területek északi határvonalát tekintettem a
jövőbeli Moesz-vonalnak.
4.5.4 Izotermamodellezés módszere
Az izotermamodellezés a szó szoros értelmében véve nem is modellezés, inkább
csak egy megközelítési módszer. Lényegesen egyszerűbb és gyorsabb az előző
módszereknél, nem igényli elterjedési területek digitalizálását, éghajlati igények
szűrűsét, jövőbeli elterjedések kirajzolását. Ugyanakkor a módszer pontossága, sőt,
megbízhatósága is erősen megkérdőjelezhető, hiszen az elterjedésmodellezéssel és a
vonalmodellezéssel ellentétben, melyek 25 éghajlati paraméter alapján 26 logikai
28. ábra A „Moesz-növény” képzeletbeli elterjedése (lila) országhatáros alaptérképen
– Kutatási módszer –
51
feltétellel számoltak, az izotermamodellezés csak egy vagy néhány paramétert vesz
figyelembe.
Az izotermamodellezés során megkerestem az a januári minimum-hőmérsékleti
izotermát, amelyik jól korrelált a Moesz-vonallal, majd követtem, hogy ez az izoterma a
klímaadatsor szerint a jövőben miként fog észak felé kúszni. A megfelelő izoterma
kiválasztásához nem alkalmaztam statisztikai módszereket, mert a klímaadatsor rossz
felbontása és a módszer kis pontossága nem tették azt indokolttá. A januári minimum-
hőmérsékleten túl/helyett egyéb hónapok, vagy a téli hónap egésze figyelembe vehető
lett volna, azonban, mint a 29. ábra is jól mutatja, a Kárpát-medencében és a
Kárpátoktól északra eső területeken a januári minimum-hőmérséklet a legalacsonyabb
mind közül. Így kutatásomban csak a januári minimum-hőmérsékleti izotermát
használtam föl.
29. ábra Európa azon területei, melyeknél nem a januári a legalacsonyabb minimum-hőmérséklet (világoskék)
– Eredmények –
52
5 EREDMÉNYEK
5.1 Módszertani eredmények a telepíthetőségiterület-modellezés
vonatkozásában. Módszertani problémák és fejlesztési lehetőségek
5.1.1 Ariditási indexek és az összes paraméter egyidejű alkalmazása
A növények éghajlati igényeinek leírására két, egymástól igen távol álló módszert
is alkalmaztam. Ezek az ariditási indexek és az összes paraméter egyidejű használata
(bővebben lásd a 4.4.2. és a 4.4.4. fejezetekben). A módszerek részletes leírásánál
kifejtett aggályok az előzetes kutatás során beigazolódtak, ezért azok alkalmazására a
későbbi kutatásban nem tettem kísérletet.
Az ariditási indexek kevés logikai feltételt támasztanak, ezért a modellezett
telepíthetőségi területek nagyok. Az előzetes kutatás bizonyította, hogy a modellezés
eredménye értelmezhetetlen, hiszen a referencia-időszakra modellezett telepíthetőségi
terület általában Európa jelentős részét lefedte, a valós elterjedéssel területileg nem volt
összemérhető (30. ábra). Kimondhatjuk tehát, hogy az ariditási indexek a vizsgálatba
vont fajok esetén, az alkalmazott klímaadatsor felbontása mellett nem alkalmazhatóak.
30. ábra Pinus pinaster elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (lila) és a 2011-2040 közötti időszakban (világoszöld) a Pálfai-index alapján
– Eredmények –
53
Hangsúlyozni szükséges azonban, hogy bizonyos feltételek mellett a növények
elterjedési területének modellezésében fontos szerep juthat az ariditási indexeknek, mint
azt CZÚCZ (2011) és MÁTYÁS (2010) kutatásai bizonyítják.
Az összes paraméter egyidejű alkalmazása a növények éghajlati igényeinek
szűrésére az ariditási indexekhez hasonlóan nem alkalmazhatók, a különbség a kettő
között, hogy előbbi
− túl sok (nem pedig túl kevés) logikai feltételt használ, így
− túl kicsi (nem pedig túl nagy) területi kiterjedéssel bíró modelleredményt
ad, és
− feltételezhetően a klímaadatsor horizontális felbontásától független a
modellezésben való alkalmatlanságának oka, így az éghajlati igények
szűrésére általában is alkalmatlan.
Utóbbi észrevétel továbbgondolásra érdemes. A módszer lényegéből és az
alkalmazási probléma okából egyenesen következik, hogy részletesebb (több éghajlati
paramétert magában foglaló) klímaadatsor mellett a módszer alkalmazhatósága tovább
romlik (csupán elméletben romlik tovább, hiszen már 24 paraméter által szabott 48
logikai feltétel mellett nem volt használható!).
Az összes paraméter egyidejű alkalmazásával a referencia-időszakra modellezett
telepíthetőségi terület igen jól (a kutatás során mind közül értelemszerűen a legjobban)
közelítette a valós elterjedési területet. Ezért az alkalmazott módszerek közül evvel lehet
leginkább modellezni az elterjedési területet, nem csupán a telepíthetőségi területet. A
jövőbeli periódusra végzett modellezés viszont a legtöbb faj esetében csekély méretű
vagy terület nélküli eredményt adott, vagyis a modelleredmények rosszak voltak.
Érdemes megfigyelni, hogy – mint azt a 34. lábjegyzetben megjegyeztem – a rossz
modelleredmény nem feltétlenül minősíti a modellezési módszert, legalábbis jelen
esetben nincs okunk feltételezni, hogy egy adott növény éghajlati igényeit ne írná le
jobban az összes paraméter egyidejű alkalmazása, mint a szubjektív paraméterválasztás.
Ezek után viszont megkérdőjelezhető, hogy a mediterrán fajok fognak-e találni a
következő évszázadban Európában olyan területet, melynek klimatikus adottságai az
elterjedési területükön ma tapasztalhatónak nagyjából megfelelnek! Annak ellenére,
hogy a kérdés nyitott és további vizsgálatokat kíván, természetvédelmi szempontból
továbbgondolásra és cselekvésre késztet.
Mivel a jövőbeli periódusra készült modellek eredménye általában területet nem
rajzolt ki, térképes bemutatásra azokat nem találtam alkalmasnak.
– Eredmények –
54
5.1.2 Szubjektív paraméterválasztás és alkalmazásának elvi problémái
Az előző fejezetben ismertetett két szélsőséges megoldás között a szubjektív
paraméterválasztás áll. Az előzetes kutatás bizonyította, hogy a megfelelő képlet
alkalmazásával jól értelmezhető modelleredményeket kaphatunk, ezért a későbbi
kutatás során is a szubjektív paraméterválasztás módszerét használtam, az ariditási
indexek és az összes paraméter egyidejű alkalmazására pedig nem tettem kísérletet.
Az előzetes kutatás során az 1. és 2. számú képlet szerint mind a hat fajra
elvégeztem a modellezést. Ezek alapján elmondható, hogy a 4.4.3. fejezetben kifejtett
összefüggés a képletben alkalmazott logikai feltételek száma és a modellezett terület
mérete között nem minden esetben jelent meg. Voltak fajok, melyek esetében a két
képlet alkalmazásával mindenben megegyező eredményt kaptam (31. ábra és 32. ábra).
31. ábra Pinus halepensis elterjedési területe (zöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (kék) és a 2011-2040 közötti időszakban (narancssárga) az 1. számú képlet szerint
32. ábra Pinus halepensis elterjedési területe (zöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (sárga) és a 2011-2040 közötti időszakban (kék) az 2. számú képlet szerint
33. ábra Pinus brutia elterjedési területe (zöld), valamint modellezett telepíthetőségi területe a referenciai-dőszakban (kék) és a 2011-2040 közötti időszakban (narancssárga) az 1. számú képlet szerint
34. ábra Pinus brutia elterjedési területe (zöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (sárga) és a 2011-2040 közötti időszakban (kék) az 2. számú képlet szerint
– Eredmények –
55
Más fajok esetén viszont a 2. számú képlet szűkebb területet eredményezett, mint
az 1. számú képlet (33. ábra és 34. ábra). Az 9. táblázatban összefoglaltam, hogy mely
fajok esetén eredményezett a modellezés során különbséget a két képlet használata, és
melyeknél nem. Tudományos név Az eltérő képlet alkalmazása eltérő eredményt hozott Pinus brutia igen Pinus halepensis nem39 Pinus nigra igen Pinus pinaster kissé40 Pinus pinea kissé Quercus suber kissé 9. táblázat Az előzetes kutatás során az 1. és 2. számú képletek alkalmazásával megfigyelhető különbségek a modelleredményekben
A későbbi kutatás során hat képletet tettem próbára az Abies borisii-regis fajon.
Az eltérő képletek alkalmazása a modellezett jövőbeli telepíthetőségi területek északi
határvonalában nem eredményezett túl nagy különbséget. A szigorúság szempontjából
egymástól leginkább eltérő képlet eredményeit a 36. ábra (3. számú képlet) és a 35. ábra
(7. számú képlet) szemlélteti, a fajra végzett összes modelleredményt pedig a IV. számú
mellékletben mutatom be.
Az elmondottak ismeretében nem éreztem szükségét a többi fajra is hat
modellezést lefuttatni, ezért az Abies borisii-regis kivételével a vizsgálatba vont fajokra
már csak egy-egy modellezést végeztem el. Mivel előnyét nem láttam annak, hogy a
hőmérsékleti paraméterek felső korlátját elhagyjam, és a paraméterenként két-két
szélsőérték közé szorítás a fajok telepíthetőségi területének déli határát is kijelöli, ezért 39 A modellezett jövőbeli telepíthetőségi terület megegyezik, azonban a referenciaidőszakra készült modellezésben némi eltérés megfigyelhető. 40 Értsd: a klímaadatsor felbontása és a modellezési módszer pontossága ismeretében gyakorlatilag nem.
36. ábra Abies borisii-regis elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga) az 3. számú képlet szerint
35. ábra Abies borisii-regis elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga) az 7. számú képlet szerint
– Eredmények –
56
a 3., 4. és 5. számú képleteket elvetettem. A megmaradt képletek közül előnyben
részesítettem azokat, melyek a csapadékértéket is valamilyen módon figyelembe veszik,
ezek közül végül választásom a 8. számú képletre esett. Ennek oka, hogy a mediterrán
és kontinentális klíma csapadékeloszlásban megfigyelhető különbsége miatt nem lett
volna indokolt a vegetációs időszak csapadékát figyelni az évi összcsapadék helyett.
Az elmondottak alapján a szubjektív paraméterválasztás tűnik a legmegfelelőbb
megoldásnak arra, hogy a növények éghajlati igényeit szűrjük, azonban – mint a
módszer nevében is utalok rá – legnagyobb hátránya a szubjektivitás. Egy
matematikai/informatikai szempontból egzakt modellezési módszer – véleményem
szerint – nem működhet egyik részlépésében sem szubjektív módon, mert az az egész
modellezés kimenetelét emberi tényezőkre bízza. Jelen kutatás során tehát nagyban
befolyásolni tudtam az eredményeket azáltal, hogy eltérő logikai feltételeket szabtam
meg (az eltérő képletek alkalmazásával) a modellezés közben. Úgy gondolom, a
diplomamunka által összegzett kutatás leggyengébb pontja a paraméterválasztás
szubjektivitása, hiszen a többi probléma (mint az adatsor kis horizontális felbontása, a
modellezett referencia-időszakbeli adatok alkalmazása meteorológiai adatok helyett
vagy a rossz felbontású areatérképek digitalizálása) mind könnyen orvosolható, nem
alapvető módszertani hiányosságként kell tekinteni rájuk. Mivel a diplomamunka
célkitűzésében módszertani javaslatokról is szóltam, a következő fejezetekben
áttekintek néhány olyan előrelépési lehetőséget, mely a modellezés szubjektivitását
csökkenti, vagy megszűnteti.
5.1.3 Statisztikai módszerek alkalmazási lehetőségei
CSISZÁR (2011) szóbeli közlése szerint három statisztikai módszer is alkalmas
lehet a szubjektivitás mérséklésére. Az egyik, a logisztikus regresszió esetén
„feltesszük, hogy adott paraméterek mellett a növény bizonyos valószínűséggel van
jelen. Ennek alkalmazásához csoportosítani kellene a megfigyeléseket, úgy, hogy
ugyanazon paraméterkombinációhoz több térképpont tartozzon, melyek közül egyes
pontokban van növény, másokban nincs. Például intervallumokat lehet alakítani a
hőmérsékleti és csapadékadatokból, és az intervallumba tartozó adatokat az intervallum
középpontjával lehet helyettesíteni. A regresszió kiadja, hogy a paraméterek milyen
lineáris kombinációja határozza meg a valószínűséget.”
– Eredmények –
57
Ezek után például a modellezett telepíthetőségi területnek azok a pontok adódnak,
ahol az előfordulási esély egy küszöb fölött van. „A csoportosítás itt a nehezebb feladat,
utána a regressziót standard szoftver lefuttatja”. (CSISZÁR szób. közl., 2011)
Másik alkalmazható statisztikai módszer a klaszteranalízis. Ennek során a
„paramétervektorokat a sokdimenziós tér pontjaiként képzeljük el, és két színnel
színezzük őket, aszerint, hogy van-e növény, vagy nincs. Ezután olyan alacsonyabb
dimenziós vetületet keresünk”, ahol a két halmaz látható módon szétválik. Ennek
ellenőrzésére szolgál a klaszteranalízis. A módszer hátránya, hogy nem garantálható,
hogy ilyen vetületet találjunk. (CSISZÁR szób. közl., 2011)
Érdemes megfigyelnünk, hogy míg
− a logisztikus regresszió gyakorlatilag a szubjektív modellező helyett képes
kiválasztani egy megfelelő logikai feltételt, addig
− a klaszteranalízis során a szubjektivitás fennmarad. Ugyanakkor
− az alacsonyabb dimenziós vetületek keresése jól automatizálható, és így
− a klaszteranalízis módszerével egy előre beállított pontosságig kereshetünk
mind jobb képleteket, addig
− a logisztikus regresszió módszerével az ariditási indexekhez hasonló két
logikai feltételt szabó lineáris kombinációját kapjuk a paramétereknek.
Feltételezhető, hogy logisztikus regresszióval az ariditási indexeknél jobb
képleteket kapunk, de semmiképpen nem tudunk kettőnél több logikai
feltételt előírni!
A logisztikus regresszió és a klaszteranalízis mellett érdemes beépíteni a
modellezés folyamatába az osztályozási módszereket. Ezek lényege, hogy az új
paramétervektorról megtippelik, hogy a modellezett területhez tartozzon-e. E statisztikai
módszerek hátránya, hogy „nem adják meg explicit a fontos paramétereket”.(CSISZÁR
szób. közl., 2011) Ebből a szempontból némi hasonlóságot mutatnak az 5.1.4.
fejezetben ismertetett mesterségesintelligencia-módszerekkel.
Az ismertetett statisztikai módszerek mindegyikét fajonként kell alkalmazni, és
fajra szabott (elterjedési területre szabott) eredményt adnak. Ez egyértelmű előnyként
értelmezhető, ugyanakkor két probléma is felvetődik:
− a nem automatizálható statisztikai módszerek a modellezés
munkafolyamatát jelentős mértékben megnövelik, hiszen minden fajra újra
el kell végezni őket, és
– Eredmények –
58
− a több fajra végzett modellezési módszerek eltérőek. Az eredmények csak
akkor összemérhetőek, ha a modellezés pontossága valamilyen módon
számszerűsített.
A modellezés pontosságának/megbízhatóságának kérdése már többször felszínre
került, például a klaszteranalízis automatizálásánál. Erre a legkézenfekvőbb módszer az
elterjedési terület és a referencia-időszakra modellezett telepíthetőségi terület méretének
összehasonlítása. Javasolható például a következő képlet (bár értelemszerűen
finomítható például logaritmizálással):
ahol R a megbízhatóság, Adist az elterjedési terület kiterjedése, Amod a modellezett
telepíthetőségi terület kiterjedése, r a referencia-időszakra utal. 0,1 , továbbá
− R soha nem nulla,
− R minél nagyobb, a modellezés megbízhatósága annál nagyobb, és
− R=1 esetén nem telepíthetőségi terület modellezéséről, hanem elterjedési
terület modellezéséről beszélhetünk.
Értelemszerűen, ha R nagyobb, akkor feltételezhetjük, hogy az hányados is
nagyobb lesz adott faj esetén.
5.1.4 Mesterséges intelligencia módszereinek alkalmazási lehetőségei
Az előző fejezetben ismertetett statisztikai módszerek mellett egy azoktól
lényegesen eltérő fejlesztési megközelítéssel is előállhatunk. Kevésbé matematikai,
inkább számítástudományi/informatikai módszer a mesterséges intelligencia. E
különbségből fakadóan az automatizálás feltételezhetően könnyebben megvalósítható a
mesterséges intelligencia módszereivel, mint statisztikai módszerek alkalmazásával, bár
CSISZÁR (2011) szóbeli közlésében rávilágított az R statisztikai programkörnyezet
alkalmazhatóságára.
A mesterséges neuronhálók alkalmazásának gondolata hasonló jellegű
modellezési feladatok során nem újszerű, viszont dísznövények
telepíthetőségi/elterjedési területének modellezésére tudomásom szerint még nem
alkalmazták a módszert. Sok a párhuzam ugyanakkor például HILBERT (1999)
munkájával, aki erdőtípusok modellezésére alkalmazta a neuronhálókat.
– Eredmények –
59
GREGORICS (2011) szóbeli közlésében rávilágított, hogy a növényfajok
telepíthetőségi területének modellezésére a mesterséges intelligencia több módszere is
alkalmazható, többek között ilyen
− a döntési fa, pontosabban a regressziósfa-analízis, mely összefügg az előző
fejezetben ismertetett logisztikus regresszióval,
− az evolúciós vagy genetikai algoritmus és
− a mesterséges neuronháló.
A három módszer közül véleményem szerint leginkább a mesterséges neuronháló
alkalmazható, melyben GREGORICS (2011) szóbeli közlésében megerősített.
Néhány mondatban fontosnak tartom azonban az evolóciós algoritmust is
összefoglalni. Az evolúciós algoritmus – kutatásomba való implementálásának –
lényege, hogy a biológiai evolúcióhoz hasonlóan az éghajlati paraméterek41 mint gének
sorából felépülő paramétertömböt mint genetikai anyagot a következő evolúciós
lépéseknek teszem ki:
− szelekció (a növény igényeit legjobban leíró paramétertömbök
kiválasztása a véges halmazból mint populációból),
− rekombináció vagy keresztezés (a kiválasztott paramétertömbök alapján
utódtömbök létrehozása),
− mutáció (az utódtömböket kismértékű módosítása) és
− visszahelyezés (az utódok és a régi populáció alapján az új populáció
kialakítása).
Megfelelő rátermettségi függvénnyel42, rekombinációs módszerrel, valamint
mutációs43, utódképzési és visszahelyezési rátával az evolúciós algoritmus véleményem
41 Az éghajlati paraméterekhez bináris értéket szükséges rendelni, hogy könnyen implementálható legyen az algoritmus. Így 2n féle allél jöhet létre. Legkézenfekvőbb megoldásnak az tűnik, ha két allélt kezelünk, 0-t és 1-et, melyek logikai változóként kifejezik, hogy az adott paraméter részt vesz-e a növény éghajlati igényét leíró képletben. Természetesen más megoldások is célravezetőek lehetnek, akár a paraméterek valamiféle lineáris – nem csupán bináris – kombinációját is leírhatjuk, ha 4, 8, 16 stb. allélt kezelünk. 42 A rátermettségi vagy fitnesz függvény a szelekció során minden egyedhez hozzárendel egy fitneszértéket, mely alapján a szelekció elvégezhető. A modellezés során megfelelő szelekciós függvénynek gondolom az adott paraméterkombináció mint a növény éghajlati igényét leíró képlet megbízhatóságát (lásd az 5.1.3. fejezetben), feltéve, ha megfelelő értékhatárok között mozog (nem közelíti túlságosan 1-et. Elképzelhetőnek tartom, hogy jövőbeli periódusra futtatott modelleredmény területi kiterjedése is felhasználásra kerülhet a fitneszfüggvény kialakításakor, ezáltal ugyanis a kimeneti térképeredményeket is befolyásolni tudjuk. Az elmondottak csak felvetések és további vizsgálatot igényelnek. 43 A mutációs rátával tudjuk szabályozni, hogy az algoritmus mennyire legyen hajlamos bizonyos allélokat „elfelejteni”. Véleményem szerint a modellezés során viszonylag magas mutációs rátával érdemes az evolúciós algoritmust futtatni. Ennek indoklása a diplomatéma tárgykörén túlmutat, ezért eltekintek tőle.
– Eredmények –
60
szerint jól alkalmazható növények éghajlati igényeinek kiválasztására, azonban a
paraméterek beállítása nehézkes folyamat. Összességében a jól felparaméterezett
evolúciós algoritmus képes lehet egy adott növényre meghatározni, hogy mely
rendelkezésre álló klimatikus paraméterek és azok milyen irányú korlátja/korlátai
fejezik ki leginkább a növény éghajlati igényeit. Az eredmény tehát a kutatásomban is
használt képletekhez hasonló.
Nem mondható el az előbbi állítás a mesterséges neuronhálóról, hiszen annak csak
egy speciális változata képes a kutatásomban alkalmazotthoz hasonló képletet
visszaadni44. A mesterséges neuronháló modellje egy axonokkal sűrűn ellátott
idegsejthálózathoz hasonlítható leginkább, melyben az idegsejtek rétegeket alkotnak.
Az algoritmus két részre bontható, melyből az első az ún. tanulási algoritmus. Ennek
során a program saját belső szerkezetét kiépíti, kiegyensúlyozza olyan módon, hogy az
az adott növény elterjedési területéhez a legjobban igazodjon. A tanulási algoritmus
után a program Európa pontjairól képes megállapítani, hogy a modellezési időszakban
(legyen az akár a referencia-időszak, akár a jövőbeli időszakok valamelyike) a növény
mekkora valószínűséggel van/lesz jelen.
A neuronhálóval ellentétben az előzőekben ismertetett statisztikai és
mesterségesintelligencia-módszerek egyikéről sem mondható el, hogy az algoritmus
futása után a kimeneti adat éppen a modellezési célnak megfelelő telepíthetőségiterület-
térkép. Ugyanakkor mindezt másképpen is fogalmazhatjuk: a neuronháló az egyetlen
módszer a felsoroltak között, amely nem képes szétbontani a növények éghajlati
igényének szűrését a tényleges modellezéstől. Vagyis neuronhálóval nem tudjuk az
éghajlati igényt matematikai módon megfogalmazni, mely, ha ezt csupán eddig
megkerülhetetlen részlépésként kezeltük, nem mondható hátránynak
A tanulási algoritmus lényege, hogy a növény elterjedési területe és a referencia-
időszakbeli klímaadatsor alapján egy olyan összetett, többrétegű, de első rétegében a
klímaparaméterekből kiinduló súlyozott struktúrát alakít ki, melyekhez a súlyokat a
tanulás során megadott – földrajzi pontokhoz köthető45 – bemeneti értékek alapján
csökkenti vagy növeli (tanulási szabály). A súlyozás a neurális kapcsolatokhoz
44 Ez az egyrétegű neuronháló, mely meglátásom szerint a modellezés továbbfejlesztésére nem alkalmas. Ennek indoklása a diplomamunka tárgykörét túlfeszítené, ugyanakkor az fontosnak tartom kiemelni, hogy az egyrétegű neuronháló éppen azokkal az általam értékesnek ítélt tulajdonságokkal nem rendelkezik, melyek a modellezés során a neuronhálók alkalmazását megindokolnák. 45 Javaslom, hogy a modellezési területéről véletlenszerűen választott pontokat kapjon a tanulási algoritmus, a vízfelületeket is beleértve.
– Eredmények –
61
(axonokhoz) köthető, mértékét a súlyfüggvény adja meg. A tanulási algoritmus egy
hosszú, de véges ciklus, melynek során a súlyfüggvények értéke folyamatosan változik.
GREGORICS (2011) szóbeli közlése nyomán javasolom, hogy a többféle módon
megvalósítható tanulási szabály a következőképpen működjön:
− vagy logikai (bináris) módon kezelje a földrajzi pontokat, vagyis az
elterjedési területen belül és kívül eső pontokat különböztesse meg,
− vagy pedig az elterjedési területen belül esőkhöz 1-es értéket, míg az
areától távolodva lineárisan vagy szigmoid módon csökkenő értéket
rendeljen (bizonyos távolságon túl azonban következetesen 0-t).
A neuronháló futtatása után a jelenlegi modelleredményektől eltérő valószínűségi
térképet kapunk, mely megmutatja minden földrajzi ponthoz, hogy a vizsgált növény ott
mekkora valószínűséggel fordulhat elő. Ennek az eredménynek diszkretizálása vagy
vágása46 segítségével a mostanihoz hasonló térképlapokat alkothatunk, ha ez cél (vö. a
5.1.6. fejezettel).
A mesterséges neuronhálók implementálásában a diplomamunkában ismertetett
kutatás lényegi fejlesztési lehetőségét látom. A neuronháló megfelelő
parametrizálásával47 az algoritmus képes lehet telepíthetőségi területek helyett
elterjedési területeket modellezni, mely alapvető előrelépés lenne.
Az ismertetett mesterségesintelligencia-módszerek mind növényenként külön
futtatandók, „elterjedési területre szabottak”, melynek előnyeit és hátrányait az 5.1.3.
fejezetben ismertettem.
5.1.5 Egyéb módszertani fejlesztési lehetőségek
Jelen kutatásban alkalmazott modellezési módszer egyik legnagyobb hátránya – a
paraméterválasztás szubjektivitásán túl –, hogy olyan, látszólag algoritmikusan
elvégezhető, részfolyamatokból áll össze, melyek manuális elvégzése jelentős
munkaigényt támaszt a kutató felé. Ugyanakkor az ArcMap program ModelBuilder
modulja a folyamatok automatizálására jól alkalmazható lehetne (SIK szób. közl.,
2011). Ugyanakkor az automatizálást hosszú távon az ArcGIS API-n48 keresztül tartom
46 Például a 80%-nál nagyobb valószínűséget igennek, az annál kisebbet nemnek tekintjük. 47 Tanulási algoritmus hossza, megtanulandó pontok kiválasztási szabálya, tanulási szabály, és az itt nem ismertetett, a neuronháló felépítéséhez, működéséhez köthető paraméterek, mint az aktivizációs függvény és a hálózati topológia. A növények elterjedési területének modellezéséhez leginkább alkalmasnak az előrecsatolt többrétegű topológiát javaslom, esetleg a backpropagation modellt. 48 Programfejlesztési felület.
– Eredmények –
62
megvalósításra alkalmasnak, annak ellenére, hogy GIACHETTA (2011) szóbeli
közlésében rávilágított annak hátrányaira.
ITTZÉS (2012) és NAGY (2012) szóbeli közlései nyomán fontosnak tartom
megjegyezni, hogy a modelleredmények bináris (előfordul/nem fordul elő) értékek
helyett sávosított formában is megjeleníthetőek, például percentilisekkel. Úgy
gondolom, ennek a fejlesztésnek egy faj részletes modellezésekor van nagy jelentősége,
a sok fajra történő (több jövőbeli időszakot és a referencia-időszakot az elterjedési
területtel egy térképlapon bemutató) modellezéskor a percentilisek alkalmazása nem
javasolható. Hangsúlyozom azonban, hogy a logikai feltételt leíró indikátorváltozók
átalakítása binárisból lineáris/szigmoid stb. (0 és 1 közötti értéket visszaadó)
függvénnyé könnyen megoldja ezt a feladatot, hiszen ekkor a több logikai feltételt
vizsgáló képletekben az indikátorváltozók helyébe lépő megfelelőségi függvények
szorzata kiad egy 0 és 1 közötti értéket, mely diszkretizálható. A módszer erősen
hasonlít HORVÁTH (2008b) megoldására, aki földrajzilag analóg régiók elemzésére
használta a fenti megoldást.
A modellezéshez bemeneti adatként a REMO által szolgáltatott, referencia-
időszakra készített modelleredményeket alkalmaztam, ugyanakkor a növények éghajlati
igényeiről pontosabb – és más klímamodellekkel is újra használható – képet kapunk, ha
a referencia-időszak valós (megfigyelt) meteorológiai adatsorát vesszük figyelembe az
éghajlati igények szűrése során.
A klímaparaméterekhez két-két logikai feltételt kötöttem kutatásom során, az
elterjedési területen előforduló legkisebb és legnagyobb értékeket mint matematikai
korlátokat. A módszer azonban tagadhatatlanul egyszerű a szó pozitív és negatív
37. ábra A Juniperus oxycedrus elterjedési területén előforduló júniusi középhőmérsékleti értékek hisztogramja
– Eredmények –
63
jelentéstartalmával együtt. Mint a 37. ábra is mutatja, bizonyos klímaparaméterek49 a
szélsőérték közeli értékeket csak nagyon ritkán veszik fel, így nem mondhatóak ezen
értékek a növényre jellemzőnek. Annak ellenére, hogy a növények tűrőképességét nem
a jellemző, hanem az – akár csak ritkán előforduló – értékek alapján határozhatjuk meg,
a szélsőértékek hisztogramtól független elfogadása a klímamodell rossz felbontása miatt
nem javasolható. Ezért a modelleredmények pontosítása érdekében megfontolandó a
felhasznált szélsőértékek közelítése a mediánhoz/átlaghoz, akár
− az előfordulás (kiterjedés) szerinti – a hisztogramon vízszintes – vágással,
akár
− a szélsőértéktől való különbség szerinti – a hisztogramon függőleges –
egyszerű vágással, akár pedig
− függőleges, de összetettebb módszerrel50 számított vágással.
Jelen kutatás során csak hőmérsékleti és csapadékadatokat használtam fel,
ugyanakkor szükséges lenne a növények elterjedését befolyásoló egyéb paraméterek
vizsgálata is, melyek közül kiemelném
− a hőösszeget, melyet ugyan közvetetten figyelembe vettem (csapadék a
felhőzőttség mértékével, hőmérséklet a napsugárzással összefüggésbe
hozható), azonban a kutatásba újabb független paraméterként való
bevonását indokoltnak tartom a mediterrán növények hajtásbeérlelésére
gyakorolt jelentős hatás miatt; és
− az edafikus adottságokat, különösen pedig a kémhatást és a mésztartalmat.
A talajtani jellemzők közül csak a számszerűsíthető értékeket tudnám a
jelenleg használt modellezési módszerrel figyelembe venni, ugyanakkor
némi átalakítással a véges halmazokra bontható értékek (pl. talajtípus) is
alkalmazhatóak lennének.
A hőösszeg és az edafikus paraméterek alkalmazásának lehetőségét és
szükségességét LADÁNYI (2012) és ITTZÉS (2012) szóbeli közlésükben
megerősítették. Az edafikus adottságok látszólag a klímamodellezéshez nem
kapcsolódnak. Azonban a növények igényeit a talajadottság legalább olyan mértékben
befolyásolja, mint az éghajlat. Hozzá kell tennünk azt, hogy nagy léptékben a talajcsere
könnyebben megvalósítható, mint a klímamódosítás, de azt is, hogy Magyarország
talajai nagyrészt alkalmatlanok a mészérzékeny fajok telepítésére. Ezért, ha elterjedési 49 Vagy inkább a legtöbb klímaparaméter. 50 Főként a szórás és az átlag alapján.
– Eredmények –
64
területet szeretnénk modellezni telepíthetőségi terület helyett, akkor alapjaiban vitatható
az olyan modellezési módszer, mely az edafikus adottságokat nem veszi figyelembe!
5.1.6 A kutatási módszer alkalmazásának további lehetőségei
A diplomamunkában összefoglalt kutatás módszertanának ismertetése (4. fejezet)
és a módszertani fejlesztési lehetőségek áttekintése (5.1. fejezet) után úgy gondolom,
nem szerénytelenség, ha áttekintem, hogy e modellezési megközelítést milyen
szakterületeken lehetne még alkalmazni. Kutatásomat csupán
− a fás szárú, Mediterráneumból származó növényekre (potenciális
dísznövényekre) és
− a Moesz-vonalhoz kapcsolódó melegigényes növényekre terjesztettem ki.
Ugyanakkor a modellezési módszer elviekben alkalmazható minden európai
elterjedési, termesztési, telepíthetőségi, előfordulási vagy egyéb jellegű területtel bíró
növény-, gomba- és állatfajra, betegségre stb. Például a klímaváltozás hatása a
kullancsokra (melyet TRÁJER (2011) más módszerrel vizsgált) kutatható lenne az
elterjedési terület alapján történő modellezéssel.
PÉNZES (2006) utal rá, hogy „A klímaváltozás termesztett növények kártevő
együtteseire gyakorolt hatásának beható kutatására nem vállalkozhattunk, de a
kertészeti növények kártevőinek kutatása során felfigyeltünk arra, hogy az elmúlt
évtizedekben egyre több mediterrán eredetű, hazánkban új kártevő jelet meg a kertészeti
növényeken.” Ezen kártevők jövőben várható elterjedését jól előre lehetne jelezni jelen
kutatás modellezési módszerével. Fontos hangsúlyozni azonban, hogy az általam
alkalmazottól eltérő modellezési megközelítéssel már megkezdődtek a témában a
kutatások (többek között a kis téliaraszolóra (KÚTI 2011)).
A tájépítészethez a növényi kártevők mellett a mezőgazdasági haszonnövények
témaköre is kapcsolódik, melyekre jelen kutatás szintén kiterjeszthető. Például a
melegigényes haszonnövények közül a rizst érdemes kiemelni (TURCSÁN 2007,
ERDÉLYI 2011). Ugyanakkor a napjainkban is termesztett haszonnövények hozamának
megváltozását, legyen az akár pozitív, akár negatív, vizsgálni lehetne az általam
alkalmazott modellezési módszerrel, feltéve, ha termesztési terület, vagy hozamtérképek
rendelkezésre állnak. Eltérő modellezési módszerrel már készültek előrejelzések
(többek között a cseresznyére (GAÁL 2011), kukoricára (DIÓS 2009) és a szőlőre
(SZENTELEKY 2012)).
– Eredmények –
65
Fontosnak tartom kiemelni, hogy a Moesz-vonal modellezését botanikai módon
közelítettem, azonban a hozzá kötődő szőlőtermesztés szempontjából is érdemes
értékelni az eredményeket. A Moesz-vonal modellezésének eredményeit továbbá
érdemes lenne a szőlőtermesztés elmozdulására készített, más módszertannal kialakított,
modellezésekkel egybevetni.
5.2 Módszertani eredmények a Moesz-vonal modellezése
vonatkozásában
5.2.1 Elterjedésmodellezés módszere
Az 5.1. fejezetben összefoglalt módszertani megjegyzések, javaslatok a Moesz
vonal modellezési módszerei közül a vonalmodellezésre, és különösen pedig az
elterjedésmodellezésre is érvényesek. Ezek újbóli ismertetésétől eltekintek, azonban a
Moesz-vonal modellezésének három módszerét röviden áttekinteni érzem
szükségesnek.
Az elterjedésmodellezés, melytől mind közül a legrészletesebb eredményt vártuk,
a várakozásnak megfelelően igen összetett, és ezen okból kifolyólag többféleképpen is
értékelhető eredményt adott. Fontos leszögezni, hogy az elterjedésmodellezés
módszerének alkalmazhatósága a kutatás során bizonyosságot nyert.
A módszer fejlesztési lehetőségének látom olyan fajokat bevonni a kutatásba,
melyek elterjedésének déli határvonala jelöli ki a Moesz-vonalat, és ezen fajok
modellezett elterjedési területének déli határvonala segítségével pontosítani lehetne a
modellezett Moesz-vonalat.
A növények éghajlati igényének szűréséhez felhasznált, a 4.4.3. fejezetben
ismertetett 4. számú képlet alkalmazása megfelelőnek bizonyult. Eltérő képletek
próbára tétele azonban javasolható.
A módszer tovább pontosítható –ha erre a felhasznált klímaadatsor felbontása, az
elterjedési területek pontossága és az éghajlati igények szűrésének megbízhatósága
felhatalmazást ad – azáltal, hogy a modellezett jövőbeli elterjedések északi határvonalát
térinformatikai átlagoló eljárással vonjuk össze egy vonallá, a jövőbeli Moesz-vonallá.
– Eredmények –
66
Az elterjedésmodellezés eredményeit az 5.3.2. fejezetben ismertetem szövegesen,
a térképes eredmények bemutatása pedig a VI. és VII. mellékletekben található.
5.2.2 Vonalmodellezés módszere
A vonalmodeelezés az elterjedésmodellezéshez hasonló szemléletben végzett, de
jóval gyorsabb megközelítés. Az előző fejezetben elmondottakkal összhangban a
vonalmodellezés is jól alkalmazható módszernek bizonyult, a 4. számú képlet
alkalmazása megfelelő választásnak tűnt. Felvethető a vonalmodellezés esetében is,
hogy egy, a Moesz-vonalat északról közelítő Moesz-növény elterjedésének
modellezésével az eredmények tovább árnyalhatóak.
A várakozásnak megfelelően a vonalmodellezés egyszerű, jól értelmezhető,
egyértelmű eredményt adott. A várakozásunkhoz képest nagyobb volt a párhuzam a
vonal- és az elterjedésmodellezés eredménye között, mely értékelhető úgy is, hogy
− a vonalmodellezés a várakozáshoz képest pontosabb eredményt adott
(hiszen az elterjedésmodellezés pontosabb nála); de akár úgy is, hogy
− a két módszer hasonló módszertani hibákkal és pontatlanságokkal terhelt,
mely a hasonló eredményekben is jól visszatükröződik. Véleményem
szerint a hasonló pontatlanságok és hibák ellenére is kimondhatjuk, hogy a
vonalmodellezés pontossága viszonylag magasnak mutatkozott.
5.2.3 Izotermamodellezés módszere
Az izotermamodellezést ismertető (4.5.4.) fejezetben kifejtettem fenntartásaimat a
modellezési módszerrel kapcsolatban, melyeket az eredmények igazoltak. A
várakozásokkal (gyenge eredmények) ellentétben az izotermamodellezés eredményei
egyáltalán nem értékelhetőek a Kárpátoktól északra eső területen, ezért a módszer
ilyentén felhasználása nem alkalmas a Moesz-vonal modellezésére, vagy csak erős
megszorításokkal a Kárpátoktól délre eső területen.
Fontosnak tartom hangsúlyozni, hogy megfelelő fejlesztések – mint például a
Moesz-vonallal összefüggő izoterma kiválasztása korrelációanalízissel – mellett sem
válik alkalmassá a téli minimum-hőmérsékleti izotermák követésére épülő
izotermamodellezés a Moesz-vonal modellezésére. Eltérő hónapok és eltérő
– Eredmények –
67
paraméterek, főként pedig az egyszerre több paraméter kiválasztása már inkább a
vonalmodellezéshez hasonlítható. Függetlenül pedig attól, hogy melyik módszerhez
sorolnánk, az izotermamodellezés nyújtotta legfőbb előnyt, a gyorsaságot nem
biztosítaná.
5.2.4 A modellezési módszerek összehasonlító értékelése
A Moesz-vonal várható északra tolódásának modellezésére három egymástól
független módszert próbáltunk ki. Összességében láthatjuk, hogy a felhasznált három
módszer közül kettő a Moesz-vonal északra tolódásának modellezésére alkalmasnak
bizonyult. Várakozásainkhoz képest a Moesz-vonal eltolódása (részletes eredményeket
lásd az 5.3.2. fejezetben) a 2011-2040-es időszakban jóval kisebb mértékű, a 2041-
2070-es időszakra azonban már az előzetes becsléseknek megfelel az eltolódás. A
térképekből jól nyomon tudjuk követni, hogy a klíma milyen jelentős mértékű
változáson fog keresztülmenni az elkövetkező 60 évben az A1B klímaszcenárió szerint.
Elmondható, hogy az első két módszer nagyjából hasonló eredményt hozott a
2041-2071 közötti időszakra, míg a 2011-2040 közötti időszakban a Kárpátoktól
északra csak az elterjedésmodellezés módszere rajzolta a Moesz-vonalat (igaz, az sem
teljes bizonyossággal). Ennek ellenére az elterjedésmodellezés nem ad annyival
pontosabb, használhatóbb információt, amennyi plusz munkaórát jelent több növényfaj
elterjedésének egymástól független modellezése. Ezért, a történelmi hőség és Moesz
Gusztáv iránti tiszteleten túl nem látok további érvet, mely az elterjedésmodellezés
mellett szólna. Az izotermamodellezés a várakozásoknál is gyengébb eredményt hozott,
ezért végül a vonalmodellezés tűnik a munkaarányosan legjobb eredményt adó
módszernek.
A 10. táblázatban összefoglaltam a Moesz-vonal modellezésnek három
módszerére vonatkozó legfőbb tapasztalatokat. Név Használható Az előzetes várakozásnak megfelelnek az eredmények Vonalmodellezés + - (2011-2040)
+ (2041-2070) Elterjedésmodellezés + + Izotermamodellezés - - (Várható volt, hogy bizonytalan eredményt ad, de az
nem, hogy ennyire.) 10. táblázat A Moesz-vonal modellezéséhez alkalmazott három módszer összevetése az alkalmazhatóság és az előzetes várakozásoknak való megfelelés szempontjából
– Eredmények –
68
5.3 Modellezési eredmények és értékelésük
5.3.1 Telepíthetőségi területek
Mivel a telepíthetőségi területek modellezése során inkább a módszertanra
helyeztem a hangsúlyt, ezért a következőkben ismertetett (és a V. mellékletben a
teljesség igényével is bemutatott) térképlapok mint modelleredmények megbízhatósága,
pontossága változó. Ennek okairól már bővebben szóltam a 4.2., a 4.4.3. és az 5.1.
fejezetekben.
A 11. táblázatban értékeltem a modelleredményeket pontosság szempontjából. A
„Pontosság az areatérkép alapján” oszlopban feltüntetett becsült pontosságokat a 4.2.
fejezetben már ismertettem. A „Pontosság a modelleredmények alapján” oszlopba a
következő értékek kerültek:
− Pontos, ha az elterjedési terület és a referencia-időszakra modellezett
telepíthetőségi terület jól összemérhető (például Abies numidica, 38. ábra),
38. ábra Az Abies numidica elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)
– Eredmények –
69
− Pontatlan, ha az elterjedési terület és a referencia-időszakra modellezett
telepíthetőségi terület nagy eltérést mutat, és
− Nagyon pontatlan, ha az elterjedési terület és a referencia-időszakra
modellezett telepíthetőségi terület nagyságrendi eltérést mutat.
Nem tagadható ugyanakkor, hogy a korábban ismertetett érvek mentén még a
pontosként megcímkézett modelleredmények is pontatlanok, vagyis csak az elérhető,
viszonylag gyenge pontosságot közelítik, kevés számú kivételtől eltekintve. A pontos és
a pontatlan eredmények közti határ meghúzása önkényes és matematikailag nem igazolt
módon történt, ugyanakkor az eredmények részletesebb kiértékelése során az 5.1.3.
fejezetben ismertetett képlet szerint lehetne a modelleredményekre kapott pontosságot
meghatározni. A nagyon pontatlan címkét kapott fajok esetén viszont nem vitatható,
hogy a modellezés további fejlesztésre szorul (például Juniperus thurifera, 39. ábra).
A táblázatban feltüntettem továbbá, hogy az előzetes várakozástól eltért-e a
modelleredmény pontossága. Amennyiben a várakozás „pontos” vagy „nagyon pontos”
volt és a kapott eredményt „pontos”-nak ítéltem, illetve amennyiben a várakozás
„pontatlan” volt és a kapott eredmény „pontatlan” vagy „nagyon pontatlan”, a
várakozásokkal való egyezést jelöltem meg, egyéb esetekben pedig eltérést.
39. ábra A Juniperus thurifera elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)
– Eredmények –
70
Tudományos név51 Magyar név52 Pontosság az areatérkép alapján
Pontosság a modelleredmények alapján
Eltérés
Abies borisii-regis Mattf. makedón jegenyefenyő
Pontos Pontatlan Eltér
Abies bornmuelleriana Mattf. bitűniai jegenyefenyő
Pontos Pontatlan Eltér
Abies cilicica (Antoine & Kotschy) Carriere
kis-ázsiai jegenyefenyő
Pontos Nagyon pontatlan Eltér
Abies marocana Trab. marokkói jegenyefenyő
Pontos Pontos Egyezik
Abies numidica de Lannoy ex Carriere
numídiai jegenyefenyő
Pontos Pontos Egyezik
Acer heldreichii Orph. ex Boiss.
balkáni juhar Pontos Pontatlan Eltér
Acer monspessulanum L. francia juhar Pontos Pontos Egyezik Acer sempervirens L. örökzöld juhar Pontos Pontos Egyezik Buxus balearica Lam. baleári puszpáng Pontatlan Pontatlan Eltér Euonymus latifolius (L.) Mill. déli kecskerágó Pontos Nagyon pontatlan Eltér Fagus orientalis Lipsky keleti bükk Nagyon pontos Pontos Egyezik Juniperus oxycedrus L. vörös tűboróka Pontatlan Nagyon pontatlan Egyezik Juniperus thurifera L. spanyol boróka Pontatlan Nagyon pontatlan Egyezik Laurus nobilis L. közönséges
babér Pontos Pontatlan Eltér
Liquidambar orientalis Mill. keleti ámbrafa Nagyon pontos Pontos Egyezik Phillyrea angustifolia L. keskenylevelű
olajfagyal Pontos Pontos Egyezik
Phillyrea latifolia L. széleslevelű olajfagyal
Pontos Pontos Egyezik
Pinus brutia Ten. keleti aleppófenyő
Nagyon pontos Pontos Egyezik
Pinus halepensis Mill. aleppófenyő Nagyon pontos Pontos Egyezik Pinus nigra J. F. Arnold feketefenyő Nagyon pontos Pontatlan Eltér Pinus peuce Griseb. makedón
selyemfenyő Pontatlan Pontatlan Egyezik
Pinus pinaster Aiton parti fenyő Nagyon pontos Pontos Egyezik Pinus pinea L. európai
mandulafenyő Nagyon pontos Pontos Egyezik
Quercus canariensis Willd. Kanári-tölgy Pontatlan Pontos Eltér Quercus coccifera L. karmazsintölgy Pontos Pontos Egyezik Quercus faginea Lam. ibériai tölgy Pontatlan Pontatlan Egyezik Quercus ilex L. magyaltölgy Pontos Pontos Egyezik Quercus rotundifolia Lam. kereklevelű
tölgy Pontatlan Pontatlan Egyezik
Quercus suber L. paratölgy Nagyon pontos Pontos Egyezik Quercus trojana Webb trójai tölgy Pontatlan Pontatlan Egyezik Rhamnus fallax Boiss. hegyi benge Pontos Pontatlan Eltér Tilia tomentosa Moench ezüst hárs Pontos Pontos Egyezik Ulex europaeus L. európai sünzanót Pontos Pontos Egyezik 11. táblázat A modellezés eredményeinek értékelése a várt és kapott pontosság alapján 51 IPNI 2005 szerint. 52 PRISZTER 1998 szerint.
– Eredmények –
71
A diplomamunkám és kutatásom célja volt a térképlapok szakmai és szakmán
kívüli bemutathatóságát biztosítani. Így nagyobb értéke van azoknak a
modelleredményeknek, melyek a klímaváltozás irányát, mértékét jól látható módon
szemléltetik. A térképek hazai felhasználását pedig elősegíti, ha Magyarország területén
mutatnak változásokat a referencia-időszak és a jövőbeli időszakok között. Ugyanakkor
a térképek értékének megbecslésekor nem szabad figyelmen kívül hagyni azok
pontosságát sem. Az elmondottakat fajokra bontva ismertetem a 12. táblázatban.
„A klímaváltozás hatása” oszlopban megjelöltem, hogy a kapott térképlapokon a
klímaváltozás mértéke és iránya:
− Megfigyelhető, a legtöbb térkép ebbe a kategóriába esik; vagy
− Kevéssé megfigyelhető, főként a nagy pontosságú, kis area alapján
futtatott modelleredmények ilyenek; vagy pedig
− Nem megfigyelhető. Utóbbi kevés fajt érint, és mindegyik esetén a
modellezési területen kívül várhatjuk, hogy a klímaváltozás hatása
megjelenjen (példáus Euonymus latifolius, 40. ábra).
40. ábra Az Euonymus latifolius elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)
– Eredmények –
72
Hangsúlyozandónak tartom, hogy a kevéssé megfigyelhetőnek címkézett
modelleredmények (például Quercus canariensis, 41. ábra) legalább olyan pontosak,
vagy pontosabbak, mint a megfigyelhetőnek címkézett modelleredmények, így nem
állíthatjuk, hogy előbbiek nem a klímaváltozás valódi tendenciáit ábrázolnák, pusztán
szemléltetésre kevésbé alkalmasak.
Tudományos név53 Magyar név54 A klímaválto-
zás hatása Magyar- ország érintett
Magyar- ország egésze
Érték
Abies borisii-regis Mattf. makedón jegenyefenyő
Megfigyelhető 1990 2070 Kevéssé értékes
Abies bornmuelleriana Mattf. bitűniai jegenyefenyő
Megfigyelhető 1990 Soha Kevéssé értékes
Abies cilicica (Antoine & Kotschy) Carriere
kis-ázsiai jegenyefenyő
Megfigyelhető 1990 1990 Kevéssé értékes
Abies marocana Trab. marokkói jegenyefenyő
Kevéssé megfigyelhető
2070 Soha Értékes
Abies numidica de Lannoy ex Carriere
numídiai jegenyefenyő
Kevéssé megfigyelhető
Soha Soha Értékes
Acer heldreichii Orph. ex Boiss.
balkáni juhar Megfigyelhető 1990 1990 Kevéssé értékes
Acer monspessulanum L. francia juhar Megfigyelhető 1990 1990 Kevéssé értékes
53 IPNI 2005 szerint. 54 PRISZTER 1998 szerint.
41. ábra A Quercus canariensis elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)
– Eredmények –
73
Acer sempervirens L. örökzöld juhar Megfigyelhető 1990 2070 Értékes Buxus balearica Lam. baleári
puszpáng Megfigyelhető 1990 2070 Kevéssé
értékes Euonymus latifolius (L.) Mill. déli
kecskerágó Nem megfigyelhető
1990 1990 Kevéssé értékes
Fagus orientalis Lipsky keleti bükk Megfigyelhető 1990 2040 Értékes Juniperus oxycedrus L. vörös tűboróka Nem
megfigyelhető 1990 1990 Kevéssé
értékes Juniperus thurifera L. spanyol boróka Nem
megfigyelhető 1990 1990 Kevéssé
értékes Laurus nobilis L. közönséges
babér Megfigyelhető 1990 2040 Kevéssé
értékes Liquidambar orientalis Mill. keleti ámbrafa Kevéssé
megfigyelhető 2040 Soha Értékes
Phillyrea angustifolia L. keskenylevelű olajfagyal
Megfigyelhető 1990 2070 Kevéssé értékes
Phillyrea latifolia L. széleslevelű olajfagyal
Megfigyelhető 1990 2040 Kevéssé értékes
Pinus brutia Ten. keleti aleppófenyő
Megfigyelhető 1990 2070 Kevéssé értékes
Pinus halepensis Mill. aleppófenyő Megfigyelhető 1990 Soha Értékes Pinus nigra J. F. Arnold feketefenyő Megfigyelhető 1990 1990 Kevéssé
értékes Pinus peuce Griseb. makedón
selyemfenyő Megfigyelhető 1990 1990 Kevéssé
értékes Pinus pinaster Aiton parti fenyő Megfigyelhető 1990 2070 Értékes Pinus pinea L. európai
mandulafenyő Megfigyelhető 1990 Soha Értékes
Quercus canariensis Willd. Kanári-tölgy Kevéssé megfigyelhető
2070 Soha Értékes
Quercus coccifera L. karmazsintölgy Megfigyelhető 1990 1990 Kevéssé értékes
Quercus faginea Lam. ibériai tölgy Megfigyelhető 1990 1990 Kevéssé értékes
Quercus ilex L. magyaltölgy Megfigyelhető 1990 1990 Kevéssé értékes
Quercus rotundifolia Lam. kereklevelű tölgy
Megfigyelhető 1990 2070 Kevéssé értékes
Quercus suber L. paratölgy Kevéssé megfigyelhető
2040 2070 Értékes
Quercus trojana Webb trójai tölgy Megfigyelhető 1990 1990 Kevéssé értékes
Rhamnus fallax Boiss. hegyi benge Megfigyelhető 1990 1990 Kevéssé értékes
Tilia tomentosa Moench ezüst hárs Megfigyelhető 1990 1990 Kevéssé értékes
Ulex europaeus L. európai sünzanót
Megfigyelhető 1990 2070 Értékes
12. táblázat A modellezés eredményeinek értékelése a hazai klíma megváltozásának szemléltetése szempontjából. Részletes magyarázatát lásd a szövegben.
A táblázatban feltüntettem továbbá, hogy a vizsgált fajok telepíthetőségi területe a
modellezés szerint melyik időszakban érinti először Magyarországot, illetve, hogy
melyik időszakban találjuk meg a növényt hazánk teljes területén először. Az 1990-es
címke a referencia-időszakot (1961-1990) jelöli, míg a 2040 a 2011-2040 közötti, a
– Eredmények –
74
2070 a 2041-2070 közötti periódus rövidítését képezi. A legtöbb faj (például Acer
heldreichii, 42. ábra) már a referencia-időszak során Magyarország egészén
előfordulhat a modelleredmények szerint, értelemszerűen ezen térképek általában nem
is alkalmasak a klímaváltozás szemléltetésére hazánkban.
A táblázat utolsó, „Érték” oszlopában feltüntettem, hogy összességében az adott
fajra készített térképlap mennyire jól szemlélteti a klímaváltozás várható hatását.
Megkülönböztettem értékes (például Quercus suber, 43. ábra) és kevéssé értékes
modelleredményeket, a csoportosítás kialakítása során figyelembe vettem a pontosságot
és azt, hogy hazánk területén milyen mértékű változást szemléltet a térképlap.
A modelleredmények pontosságtól és szakmai körön kívüli
szemléltetőképességtől jól illusztrálják számunkra, hogy a klímaváltozás milyen
mértékben fogja a REMO klímamodell szerint Európát érinteni. A kutatásba vont
fajokra végzett modellezés eredményeinek részletes szöveges értékelésétől eltekintek,
hiszen az V. számú mellékletben a térképlapok áttanulmányozhatók, és a
diplomamunká értékéhez nem adna többletet, ha részletesen leírnám a térképekről eleve
könnyebben és gyorsabban leolvasható adatokat.
42. ábra Az Acer heldreichii elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)
– Eredmények –
75
43. ábra A Quercus suber elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)
44. ábra Az Ulex europaeus elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)
– Eredmények –
76
Egyetlen fajt kívánok kiemelni csupán a többi közül. A vizsgálatba vont növények
döntő hányada mediterrán, esetleg mediterrán dominanciájú atlanti-mediterrán
elterjedésű, egyedül az európai sünzanót (Ulex europaeus) elterjedése döntően atlanti. A
felhasznált modellezési módszer univerzalitását bizonyítja, hogy a mediterrán fajok
modellezéséhez megalkotott módszertan mellett az atlanti elterjedésű fajra végzett
modellezés is szemléletes, az óceáni klímahatásokat érzékelhető módon megjelenítő
térképlapot eredményezett. HUFNAGEL (2012) szóbeli közlésében kiemelte az európai
sünzanótra készített modelleredmény jelentőségét és újszerűségét.
A leanderre (Nerium oleander) készített modelleredményemet érdemes összevetni
BERRY (2006) eredményével.
Az elmondottak és a bemutatásra került térképlapok alapján láthatjuk, hogy
összevetve az előzetes kutatás eredményeivel (5.1.2. fejezet és főként a III. számú
melléklet) a REMO klímaadatsorával végzett modellezés, főként az adatsor viszonylag
gyenge horizontális felbontása miatt, az előzetes várakozásoknak nem maradéktalanul
megfelelő megbízhatóságú, értékű eredményt hozott. Ezért – jobban kidolgozott
metodika mellett – érdemesnek tartom a vizsgálatba vont fajok többségére egy
részletesebb klamíadatsor (például a HadCM3) szerinti modellezés újbóli lefuttatását.
5.3.2 Moesz-vonal
A Moesz-vonal északra tolódásának modellezése, melynek során a telepíthetőségi
területek modellezésével ellentétben az eredményekre is nagy hangsúlyt fektettem,
sikeresnek bizonyult. A felhasznált három módszer közül kettő érdemi eredményeket
hozott, és e kettő a 2041-2070-es időszakra nagyjából megegyezőt. A következőkben
részletesen ismertetem a modelleredményeket.
A vonalmodellezés (45. ábra) szerint a referencia-időszakra modellezett Moesz-
vonal nagyjából követi az eredeti vonalat (46. ábra), a felhasznált klímamodell
horizontális felbontása mellett ez a pontosság kimondottan jónak mondható. A 2011-
2040 közötti időszak várható vonala a várakozásokkal ellentétben nem mozdult el
számottevően északra, sőt, Rimavská Sobota és Tisovec vonalától keletre a referencia-
időszak modellezett vonalától délre fut, Rožňava-tól keletre pedig még az eredeti
vonaltól is délre jelenik meg. Ennek oka további vizsgálatra szorul, feltételezhetően a
vegetációs időszak csapadékösszegének alsó korlátja tolja a kérdéses szakaszon a
vonalat a várthoz képest ennyire déli irányba.
– Eredmények –
77
A 2041-2070 közötti időszakban viszont már a várakozásoknak megfelelő
eredményt kaptam. A Moesz-vonal 2 (vagy értelmezés szerint 3) helyen jelenik meg.
46. ábra Szlovákiai kivágat a Moesz-vonal modellezési eredményéből a vonalmodellezés módszere szerint országhatáros és vízrajzi alaptérképen
45. ábra A Moesz-vonal modellezési eredménye a vonalmodellezés módszere szerint. A képzeletbeli Moesz-növény elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)
– Eredmények –
78
Egyrészt a Kárpátokon magasabb régióba húzódik (46. ábra), másrészt viszont a
Kárpátoktól északra, Lengyelországban is megjelenik (47. ábra). Értelemszerűen így
kialakul az Anti-Moesz-vonal, amely a lengyelországi optimális éghajlatú területeknek
déli irányban, a Kárpátok felé szab határt.
A 2041-2070 közötti időszakban a modellezett Moesz-vonal lengyelországi
szakasza és a modellezett Anti-Moesz-vonal közötti terület felel meg a referencia-
időszakban a Moesz-vonaltól délre található földrajzi egységnek. További vizsgálatra
tartom érdemesnek a 2041-2070 között a Kárpátokba két irányból felhúzódó vonal
(Anti-Moesz-vonal és a Moesz-vonal déli, szlovákiai szakasza) a tengerszint feletti
magasság szerint hogyan alakul egymáshoz képest és az eredeti Moesz-vonalhoz (200
m, MOESZ 1911) képest. Az eredmények összhangban állnak a Kárpát-medencével
földrajzilag analóg régiók modellezésének eredményeivel (HORVÁTH 2008a).
47. ábra Lengyelországi kivágat a Moesz-vonal modellezési eredményéből a vonalmodellezés módszere szerint országhatáros és vízrajzi alaptérképen, a 2041-2070 közötti időszakra
– Eredmények –
79
A déli, javarészt Szlovákiában húzódó vonal összeköti a következő településeket:
Brno (Brünn, Csehország), Zlín (Csehország), Trenčín (Trencsén, Szlovákia), Zvolen
(Zólyom, Szlovákia), Lučenec (Losonc, Szlovákia), Kosice (Kassa, Szlovákia),
Humenné (Homonna, Szlovákia), Szvaljava (Szolyva, Ukrajna) és Bacău (Bákó,
Románia).
Az északi vonal nagyjából összeköti a következő településket: Berlin
(Németország), Poznań (Lengyelország), Warszawa (Varsó, Lengyelország), Garwolin
(Lengyelország), Włodawa (Lengyelország), Novohrad-Volinszkij (Ukrajna) és Bila
Cerkva (Ukrajna). Az anti-Moesz-vonal összeköti a következőket: Dresden (Drezda,
Németország), Bolesławiec (Lengyelország), Rybnik (Lengyelország), Częstochowa
(Lengyelország), Kraków (Krakkó, Lengyelország) és Lviv (Ilyvó, Ukrajna)
Az elterjedésmodellezés a várakozásainknak megfelelően árnyaltabb képet adott a
Moesz-vonal várható eltolódásáról. Mint az várható volt, a vizsgálatba vont 18 faj nem
ugyanazokat a modelleredményeket adta, így voltak olyanok, amelyek
− a modellezési periódus végére sem lépték át a Kárpátokat északi irányban
(48. ábra), amelyek
48. ábra A Cephalaria transsylvanica elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)
– Eredmények –
80
49. ábra Az Eryngium planum elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)
50. ábra A Galega officinalis elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)
– Eredmények –
81
− a 2011-2040-es időszakban még nem, de a 2041-2070-es időszakban már a
modelleredmény a fajt a Kárpátoktól északra is megjeleníti (49. ábra) és
amelyek
− már a korábbi modellezési periódusban is átlépték55 a Kárpátokat (50.
ábra).
A vizsgált fajokat a 13. táblázatban csoportosítottam aszerint, hogy melyik
modellezési periódusban lépték át a Kárpátokat. Tudományos név A Kárpátoknál
északabbra tolódik (2011-2040)
A Kárpátoknál északabbra tolódik (2041-2070)
Aira elegantissima Schur - + Althaea officinalis L. + + Cephalaria transsylvanica (L.) Roem. & Schult. - - Clematis integrifolia L. - + Cruciata pedemontana (Bellardi) Ehrend. - + Eryngium planum L. - + Euphorbia seguieriana Neck. - - Galega officinalis L. + + Phlomis tuberosa L. - - Salvia aethiopis L. - - Sideritis montana L. + + Vitis vinifera L. + + Xeranthemum annuum L. - - Castanea sativa Mill. - - Cotinus coggygria Scop. - - Fraxinus ornus L. + + Quercus cerris L. + + Vitis sylvestris C. C. Gmel. - - 13. táblázat Az elterjedésmodellezéshez használt fajok és a Kárpátokat való átlépésük modellezett ideje
Elmondható, hogy a Moesz-vonalat leíró eredeti 12+1 faj sokkal koherensebb
elmozdulást rajzolt ki, a Moesz-vonalhoz utólag kapcsolt fajok – mivel azok elterjedését
nem pontosan a Moesz-vonal határolja – sokkal diverzebb eredményt adtak (51. ábra).
A cser (Quercus cerris) és a virágos kőris (Fraxinus ornus) elterjedése kiugróan sokat
tolódik, továbbá egyedül ez a két faj találja meg a közvetlen kapcsolatot a Kárpátokon
keresztül a szlovákiai és lengyelországi modellezett elterjedési blokkok között.
Elmondható továbbá, hogy a bortermő szőlő (Vitis vinifera) és a parlagi sármányvirág
(Sideritis montana) követi leginkább az első módszerrel kirajzolt 2041-2070 közötti
északi vonalat.
55 Természetesen nem feltétlenül olyan folytonos elterjedéssel, mely a Kárpátok magasabb régióit is magában foglalja.
– Eredmények –
82
Érdemes megvizsgálni MOESZ (1911) megjegyzését: „én úgy látom, hogy az
Althaea micrantha56 jelzi azt a legtávolabbi határt, a meddig eljuthatnak. Ebben a
határmegvonásban a Galega57 is társul az Althaeahoz. Ha az eddig felsorolt 12
növénynek legészakibb pontjait, magasság tekintetében szemügyre vesszük, úgy azt
fogjuk észrevenni, hogy – a Salvia aethiopis és Euphorbia Gerardiana58 kivételével –
azok nagyrésze a 200 m magasságot jelző vonal mentén csoportosul.” Utóbbi észrevétel
összecseng a modelleredményekkel, sem a magyar zsálya (Salvia aethiopis), sem a
pusztai kutyatej (Euphorbia seguieriana) nem lépi át a Kárpátokat a 2041-2070-es
56 Althaea officinalis. 57 Galega officinalis. 58 Euphorbia seguieriana.
51. ábra Lengyelországi kivágat a Moesz-vonal modellezési eredményéből a vonalmodellezés és az elterjedésmodellezés módszere szerint országhatáros és vízrajzi alaptérképen. Fekete színnel 2041-2070-es időszak, szürkével pedig a 2011-2040-es időszak modelleredményeit ábrázolom.
– Eredmények –
83
időszakban. Ugyakkor a dunántúli zilíz (Althaea officinalis) a távoli modellezési
periódusban a meghúzott Moesz-vonaltól többnyire délre helyezkedik el. Az orvosi
kecskeruta (Galega officinalis) modelleredménye összefüggésbe hozható Moesz
észrevételével, hiszen az eredeti 12 faj közül ez a faj húzódik legészakabbra.
Érdekes eredmény, hogy az előző módszerrel ellentétben a 2011-2040 közti
időszakra a Moesz-vonal az elterjedésmodellezés szeint részlegesen átlépi a Kárpátokat,
igaz, inkább csak foltszerű elterjedéssel jelennek meg a vizsgált fajok. Ugyanakkor a
vonalmodellezésnél egyáltalán nem jelent meg a Kárpátoktól északra a Moesz-vonal.
Az elterjedésmodellezés szerinti szlovákiai vonalakat nem rajzoltam ki, mert azok
(a klímamodell horizontális felbontásához képest) nagy mértékben egybeesnek a
vonalmodellezés eredményével és nem mutatnak bemutatásra méltóbb mértékű
elmozdulást a referencia-időszakhoz képest.
További vizsgálatként javaslom az Anti-Moesz-vonal pontosítását az
elterjedésmodellezés módszerével, vagyis több faj elterjedési területének modellezése
alapján meghúzni azt.
Az izotermamodellezés a vártnál is gyengébb eredményt hozott (52. ábra). Az a
januári minimum-hőmérsékleti izoterma (-3,86 °C, 25,05 °F), mely a referencia-
időszakban nagyrészt egybeesett a Moesz-vonallal, már a referencia-időszakban is
megjelent a Kárpátoktól északra, mégpedig nem is a Kárpátok vonalával párhuzamosan,
52. ábra A Moesz-vonal eltolódásának izotermamodellezés szerinti eredménye vízrajzi alaptérképre vetítve
– Eredmények –
84
hanem arra merőlegesen. Ennek oka nagy valószínűség szerint a közeli tengerek
kiegyenlítő klímamódosító hatása. Ez azonban a kontinentális éghajlati hatásoknak
sokkal jobban kitett Moesz-vonal szempontjából nem vehető figyelembe. Így,
függetlenül attól, hogy csak egy vagy több téli hónap minimum-hőmérsékletét
vizsgáljuk, az izotermamodellezés a Moesz-vonal eltolódásának vizsgálatára nem
használható. Az jól látható, hogy a 2011-2040-es időszakban még elválasztó
akadályként jelenik meg a Kárpátok, 2041-2070 között viszont már a januári izoterma
szempontjából a Kárpátok szabad átjutást biztosít a fajoknak. Az elmondott problémák
miatt az izotermamodellezés eredményének további értékelésétől eltekintek.
– Következtetések –
85
6 KÖVETKEZTETÉSEK
6.1 Az eredmények tájépítészeti vonatkozásai
A diplomamunka modellezési módszert taglaló és az annak fejlesztését bemutató
munkarészei alapján joggal felvetődik a kérdés, hogy e kutatásnak mennyi kapcsolódási
pontja van a tájépítészethez. Úgy gondolom, nagyonis sok, hiszen a téma matematikai,
programozáselméleti, alkalmazott szofvertechnológiai és botanikai körüljárása is mind a
végső célt szolgálták: hogy olyan térképlapokat sikerüljön létrehozni modellezés
segítségével, melyek a tájépítész szakma jövőbeli döntéseit, szemléletét – ha csak kis
mértékben is, de – befolyásolják. Az elkészített térképlapok a klímaváltozás témakörét
körüljáró viták során is jó szakmapolitikai eszközként szolgálhatnak, ugyanakkor sokkal
fontosabbnak érzem hangsúlyozni, hogy a tájépítészet klímaváltozáshoz való
viszonyának újraértelmezéséhez segítséget ad. A modelleredményekből egyértelműen
látszik, hogy szűk évtizedek (kevesebb mint egy faöltő) alatt a globális klímaváltozás
hatása akkora lesz, hogy az alkalmazkodás kezdő lépéseit mihamarabb meg kell
tennünk59.
Úgy gondolom, felelős és hosszú távú tájépítészeti gondolkodással nem
egyeztethető össze például az intenzív kertfenntartás, különösen pedig az automata
öntözés szorgalmazása, hogy csak egy példát említsek. És talán a szakmán belül nem is
szükséges az agyonhasznált „fenntarthatóság” kulcsszót alkalmaznom ahhoz, hogy
belássuk: a jövőben prognosztizált szárazodás mellett szakmailag tisztességtelen avval
hitegetni a megbízókat, hogy öntözés megoldja a problémákat! Megállapításom
sommás, azonban tájépítészként azt az álláspontot képviselem, hogy a szabadtér- és
kertépítészet jelenleg egyáltalán nem, vagy legalábbis nem kellő mértékben
alkalmazkodik a klímaváltozáshoz. A struccpolitika hosszú távon nem alkalmazható:
hol vannak a szárazságtűrő fajok, hol vannak az újszerű csapadékvíz-visszatartási
59 Részint úgy érzem, már elkéstünk vele.
– Következtetések –
86
módszerek, meddig várjunk még a meleg és száraz klímához jobban illő közterületi
tájépítészeti megoldásokra?
Hiszem és remélem, hogy a diplomamunkámban összefoglalt kutatás is hatást
gyakorolhat a tájépítészetre, hogy kapcsolatát a klímaváltozással újragondolhassa.
6.2 Az eredmények kertészeti és dendrológiai vonatkozásai
Kutatásom eredményei a dísznövény-alkalmazást és a tájépítészeti dendrológiát is
nagyban érintik, hiszen a telepíthetőségiterület-modellezésbe olyan fajokat vontam be,
melyek Magyarországon potenciális dísznövények. Némelyikük, mint az ikertűs fenyők
többsége és néhány tölgy, már napjainkban is megtalálható arborétumainkban. A fajok
többsége azonban legfeljebb egy-két fiatal egyeddel képviselteti magát hazánkban, és
fagytűrésük, téltűrésük vagy éppen klímatűrésük nem bizonyított. A kutatás alapján, ha
az eredményeket átfogó szemlélettel értékeljük, megállapítható, hogy a mediterrán fajok
nagy része az elkövetkező 60 évben Magyarországon ahhoz hasonló klimatikus
feltételekre fog találni, melyeket jelenleg elterjedési területén tapasztal. A
megállapításból egyértelműen következik, hogy a hazai dendrológiának sorra kell venni
azokat a fajokat, melyek a jövőben hazánkban megtelepíthetőek lesznek, és meg kell
kezdenie a szelektálást, forgalmazást, ismeretterjesztést. Szelekcióra elsősorban a
fiatalkori fagyérzékenység miatt van szükség, de egyéb irányú szelekció is elképzelhető.
Hazánkban néhány melegigényes mediterrán fajnak már szép fajtáit szelektálták, igaz,
ezek többsége nem államilag elismert fajta. (A témában bővebben lásd a szerző
ismeretterjesztő publikációit és Hódi Tóth József csákvári arborétumvezető
eredményeit.)
A vizsgálatba vont fajok közül azok, melyek teleinket már ma is elviselik,
általában szárazság- és hőtűrésükkel olyan mértékben kiemelkednek az alkalmazható
fajok közül, hogy mihamarabbi felszaporításuk és forgalmazásuk feltétlenül indokolt
lenne.
– Következtetések –
87
6.3 Az eredmények botanikai, erdészeti és természetvédelmi
vonatkozásai
A Moesz-vonal modellezésének célja volt, hogy részben botanikai szempontból
értékelhető eredményeket állítsak elő. A Moesz-vonal jelentősége legalább akkora a
botanikusok szemében, mint a tájépítészekében, hiszen a melegigényes dísznövények
elterjedési és a szőlő termesztési területén túl számos melegkedvelő növényfaj
elterjedését meghatározza. Így a Moesz-vonal északra tolódását szemléltető
modelleredmények, melyek pontossága az önálló telepíthetőségiterület-
modellezésekénél nagyobb, bizonyítják, hogy a Moesz-vonalhoz kapcsolódó fajok
jelentős migráció elé néznek. Fontos felhívni a figyelmet, hogy jelentős földrajzi barrier
állja útjukat az északi irányban, a Kárpátokon keresztül jelen kutatás szerint csak a cser
(Quercus cerris) és a virágos kőris (Fraxinus ornus) találja meg az összeköttetést déli és
északi modellezett elterjedési területe között.
További vizsgálatokat igényel, hogy a Moesz-vonalhoz kötődő fajok elterjedési
területének déli vonala milyen mértékben fog elmozdulni, azonban megelőlegezhetjük a
feltevést, hogy a még délebbről érkező fajok jelentős kompetitív hatást fognak rájuk
gyakorolni. Ezért szükségesnek tartom végiggondolni a Moesz-vonalhoz kapcsolódó
fajok Kárpátokon túlra mentésének felvetését.
Mind a Moesz-vonal, mind az önálló fajok modellezése erdészeti vonatkozásban
is értékelhető. A Moesz-vonalhoz kapcsolódnak jelenleg kultúrában tartott erdészeti
fajaink, a mediterrán térségből pedig érkezhetnek olyan fajok, melyek erdőgazdálkodási
felhasználása végiggondolandó. Ismereteim szerint néhány fajra már folytak/folynak
kísérletek, a többségre azonban nem. GENCSI (1997) például a parti fenyő (Pinus
pinaster) kapcsán hangsúlyozza, hogy a fajnak „a Dunántúl enyhébb vidékein, a
mezőgazdasági művelés által felhagyott savanyú, sovány talajokon erdőgazdasági
jelentősége lehet”. Úgy gondolom, a vizsgált ikertűs és jegenyefenyőknek a jövőben
általában is erdőgazdasági szerep juthat, melyhez a kísérleteket szükséges mihamarabb
megindítani.
A kutatásba vont fajok egy része, amennyiben valóban megfelelő klimatikus
körülményekre talál hazánkban, invazív lehet. Ennek felmérésére nincs lehetőségem,
hangsúlyozom mindazonáltal, hogy számos fajról van szó, melyek között – ha
másképpen nem, hát statisztikai alapon – bizonyosra vehető, hogy inváziós faj is
– Következtetések –
88
előfordul. Ugyan nem tartozik szervesen szakmai preferenciáim közé, mégis
véleményemet szükségesnek tartom megosztani: a klímaváltozást nem tudjuk
megkerülni, így az őshonos fajok erőszakos védelme és a délről érkező fajok aktív
beavatkozást igénylő visszaszorítása nem támogatandó. Amely fajok jövőbeli
megjelenése hazánk területén várható, azok esetleges invazív hatását mérsékelhetjük a
természetes ökoszisztémákba való mihamarabbi beépítéssel. Így lehetőséget biztosítunk
a fogyasztók, károsítók stb. adaptálódásához. Ezért nem osztom azt a széles körben
hangoztatott botanikai véleményt, mely szerint a délről érkező invazív fajok
visszaszorítása hosszú távon pozitív természetvédelmi beavatkozás, ezért
szorgalmazandó.
Egy másik megközelítés szerint, melyet ki szeretnék emelni, a mediterrán fajok
esetleg jelenlegi elterjedési területükről a klímaváltozás hatására kiszorulhatnak (vö.
BAKKENES (2006) modelleredményeivel, aki szerint a fajok 25%-a kipusztulhat Dél-
Európából 2100-ig). Ennek ellenőrzése további vizsgálatokat igényel, ugyanakkor az
állítás igaza feltételezhető. A mediterrán fajok így természetvédelmi szempontból
veszélynek lesznek kitéve, melyen a magyar természetvédelem azáltal segíthet, ha a
modelleredmények szerint hazánkban megfelelő éghajlati körülményekre lelő fajokat
„befogadja” Magyarországra. Értelemszerűen a fentebb megfogalmazott vélemény
főként a fajszintű védelemre irányul, a társulások, közösségek védelme, és így az
ökológiai szemléletmód szempontjából átgondolandó.
– Összegzés –
89
7 ÖSSZEGZÉS
A kutatás, melynek módszerét és eredményeit diplomamunkámban
összefoglaltam, számos továbbfejlesztési lehetőséget hordoz magában60. Ugyanakkor az
eredmények egyértelműen mutatják, hogy ezzel a modellezési szempontból még
továbbgondolást kívánó módszerrel is már számos olyan térképlapot sikerült előállítani,
amely jól szemlélteti a klímaváltozás irányát és mértékét, és – reményeim szerint – a
növényekkel foglalkozó szakemberek, elsősorban pedig a tájépítészek figyelmét a
klímaváltozás és az ahhoz való alkalmazkodás jelentősége felé fordítja. Kutatásom
során, mint azt korábban már hangsúlyoztam, nem a nagy pontosságú modellezés volt a
célom, hanem mind több elterjedési területet ábrázoló térképlap létrehozása olyan
módszerrel, mely fajtól függetlenül61 alkalmazható. Összességében elmondható, hogy
ennek a célkitűzésnek sikerült eleget tennem, 33 önálló modellezést és a Moesz-vonal
modellezését 3 módszerrel (köztük a 18 faj elterjedését figyelembe vevő
elterjedésmodellezéssel) végeztem el, az eredmények pedig önmagukért beszélnek.
Ezért úgy gondolom, e diplomamunka legfőbb erénye nem bőséges szakirodalmi
hátteret feldolgozó irodalmi áttekintő munkarész (3. fejezet) és nem is a modellezési
módszert részletesen ismertető, valamint annak fejlesztési lehetőségeit számos ponton
megragadó munkarésze (4., 5.1. és 5.2. fejezetek), hanem sokkal inkább a – módszertani
szempontból tagadhatatlanul még fejlesztésre szoruló – modellezés eredménye (lásd a
5.3. és 10. fejezeteket). Hiszem, hogy szakmapolitikai és oktatási szempontból is nagy
jelentőséggel bírhatnak ezek a térképlapok. Ösztönzően hathatnak a tájépítészet és a
klímaváltozás kapcsolatának újragondolására, a kertépítészeti növényalkalmazás és
dendrológia hazánkban elfogadott, oktatott taxonválasztékának frissítésére és, nem
utolsó sorban, hasonló modellezések elvégzésére más fajokkal vagy pontosabb
módszerekkel.
60 Melyeket az 5.1. fejezetben részleteztem. 61 Értsd: az európai mediterrán fajok mindegyikére egységesen. Esetleg, kisebb módosításokkal egyéb (észak-amerikai, távol-keleti stb.) mediterrán fajokra is.
– Köszönetnyilvánítás –
90
8 KÖSZÖNETNYILVÁNÍTÁS
Különös köszönet illeti a Moesz-vonalhoz kapcsolódó kutatás során és az
elterjedésiterület-térképek beszerzésében nyújtott önzetlen segítségéért Höhn Máriát
(Budapesti Corvinus Egyetem, Kertészettudományi Kar, Növénytani Tanszék).
Köszönöm Horváth Leventének (Budapesti Corvinus Egyetem, Kertészettudományi
Kar, Matematikai és Informatikai Tanszék), hogy a kutatás módszertani alapjait és a
felhasznált klímaadatsorokat rendelkezésemre bocsátotta. Külön köszönöm Horváth
Leventének és az MTA-BCE Alkalmazkodás a klímaváltozáshoz Kutatócsoportnak a
modellezés metodikai fejlesztéséhez nyújtott számos észrevételét, javaslatát és szakmai
támogatását. Hálásan köszönöm a modellezés módszerének fejlesztéséhez és
automatizálásához nyújtott önzetlen segítségét Csiszár Villőnek (Eötvös Loránd
Tudományegyetem, Természettudományi Kar, Matematikai Intézet,
Valószínűségelméleti és Statisztika Tanszék), Sik Andrásnak (Eötvös Loránd
Tudományegyetem, Földrajz- és Földtudományi Intézet, Természetföldrajzi Tanszék) és
Gregorics Tibornak (Eötvös Loránd Tudományegyetem, Informatikai Kar,
Programozáselmélet és Szoftvertechnológiai Tanszék). Köszönöm továbbá
témavezetőmnek, Gerzson Lászlónak (Budapesti Corvinus Egyetem, Tájépítészeti Kar,
Kert- és Szabadtértervezési Tanszék), hogy mind emberileg, mind szakmailag
támogatott azon az úton, melyet a kutatás elején magam számára kijelöltem. Köszönöm
Szilágyi Kingának (Budapesti Corvinus Egyetem, Tájépítészeti Kar, Kert- és
Szabadtértervezési Tanszék), hogy tanszékvezetőként kutatásaimhoz támogató és
inspiráló szakmai környezetet biztosított.
A kutatás egyes elemeit a TÁMOP-4.2.1/B-09/1/KMR-2010-0005 projekt
támogatta. Az ENSEMBLES-adatokat az Európai Unió FP6-ENSEMBLES integrált
projektje finanszírozta, melyet hálásan köszönök.
The ENSEMBLES data used in this work was funded by the EU FP6 Integrated
Project ENSEMBLES (Contract number 505539) whose support is gratefully
acknowledged.
– Felhasznált források –
91
9 FELHASZNÁLT FORRÁSOK
9.1 Felhasznált nyomtatott és elektronikus irodalom
1. ARUNDEL, S. T. (2005): Using spatial models to establish climatic limiters of plant species’ distributions. – Ecological Modelling 182(2): 159-181
2. ATTORRE, F., FRANCESCONI, F., TALEB, N., SCHOLTE, P., SAED, A., ALFO, M., BRUNO, F. (2007): Will dragonblood survive the next period of climate change? Current and future potential distribution of Dracaena cinnabari (Socotra, Yemen). – Biological Conservation 138(3-4): 430-439
3. AURAMBOUT, J. P., FINLAY, K. J., LUCK, J.,BEATTIE, G. A. C. (2009): A concept model to estimate the potential distribution of the Asiatic citrus psyllid (Diaphorina citri Kuwayama) in Australia under climate change—A means for assessing biosecurity risk. – Ecological Modelling 220(19): 2512-2524
4. BAKKENES, M., EICKHOUT, B., ALKEMADE, R. (2006): Impacts of different climate stabilisation scenarios on plant species in Europe. – Global Environmental Change 16(1): 19-28
5. BAJI B. (2009): Önfenntartó biogazdálkodás: Permakultúra. – Első Lánchíd Bt., Biri 6. BARTHA D. (2002): A molyhos tölgyek (Quercus pubescens agg.) botanikai jellemzése. –
Erdészeti Lapok 137(1): 7-8 7. BARTHA D. (2007): A szelídgesztenye (Castanea sativa) botanikai jellemzése. – Erdészeti
Lapok 142(1): 14-16 8. BARTHOLY J., PONGRÁCZ R., GELYBÓ Gy. (2007): A 21. század végén várható
éghajlatváltozás Magyarországon. – Földrajzi Értesítő, 56(3-4):147–168 9. BARTHOLY J., PONGRÁCZ R. (2008): Regionális éghajlatváltozás elemzése a Kárpát-
medence térségére. – In: Harnos Zs., Csete L. Klímaváltozás: környezet – kockázat – társadalom. Szaktudás Kiadó Ház, Budapest
10. BEDE-FAZEKAS Á. (2009): Fagyérzékeny növénytaxonok alkalmazási lehetőségei a tájépítészetben. – Szakdolgozat, Budapesti Corvinus Egyetem, Budapest
11. BEDE-FAZEKAS, Á (2011a): Correlations between garden design plant applications and climate change. – Proceedings of the Conference “Protection of the Environment and Climate" 2011(1):81-88
12. BEDE-FAZEKAS Á., GERZSON L. (2011b): Évelő dísznövények kompendiuma kladisztikai rendszertan szerint. – Assa-Divi, Budapest
13. BEDE-FAZEKAS, Á. (2011c): Impression of the global climate change on the ornamental plant usage in Hungary. – Acta Universitatis Sapientiae Agriculture and Environment 3(1):211-220
14. BEDE-FAZEKAS Á., SZABÓ K. (2012): Fásszárú dísznövények értékelése a klímaváltozás tükrében. – „A tervezés növekvő szerepe a klímaváltozásra való felkészülésben” Konferencia, Budapest
15. BEDE-FAZEKAS Á. (in press): Klímaváltozás a XXI. században. Az alkalmazkodás tájépítészeti eszközei. In KUN A. (szerk.): A fenntarthatóság pillérei. – Öko-Völgy Alapítvány, Somogyvámos
16. BERKI, I.; RASZTOVITS, E.; MÓRICZ, N.; MÁTYÁS, Cs. (2009): Determination of the drought tolerance limit of beech forests and forecasting their future distribution in Hungary. – Cereal Research Communications 37(Suppl. 1): 613-616
17. BERRY, P. M., DAWSON, T. P., HARRISON, P. A., PEARSON, R. G. (2002): Modelling potential impacts of climate change on the bioclimatic envelope of species in Britain and Ireland. – Global Ecology and Biogeography 11(6): 453–462
18. BERRY, P. M., DAWSON, T. P., HARRISON, P. A., PEARSON, R., BUTT, n. (2003): The sensitivity and vulnerability of terrestrial habitats and species in Britain and Ireland to climate change. – Journal for Nature Conservation 11(1): 15-23
– Felhasznált források –
92
19. BERRY, P. M., ROUNSEVELL, M. D. A., HARRISON, P. A., AUDSLEY, E. (2006): Assessing the vulnerability of agricultural land use and species to climate change and the role of policy in facilitating adaptation. – Environmental Science & Policy 9(2):189–204
20. BRESHEARS, D. D., HUXMAN, T. E., ADAMS, H. D., ZOU, C. B., DAVIDSON J. E. (2008): Vegetation synchronously leans upslope as climate warms. – Proc Natl Acad Sci USA 105(33):11591-11592
21. BUSSAY A., SZINELL Cs., SZENTIMREY T. (1999): Az aszály magyarországi előfordulásainak vizsgálata és mérhetősége. – Éghajlati és agrometeorológiai tanulmányok 7.
22. CARPENTER, G. A., GOPAL, S., MACOMBER, S., MARTENS, S., WOODCOCK, C. E., FRANKLIN, J. (1999): A Neural Network Method for Efficient Vegetation Mapping. – Remote Sensing of Environment 70(3): 326-338
23. CARPENTER, G., GILLISON, A. N., WINTER, J. (1993): DOMAIN: a flexible modelling procedure for mapping potential distributions of plants and animals. – Biodiversity and Conservation 2, 667-68
24. CSAPODY V. (1932): Mediterrán elemek a magyar flórában. – Dissertation. Szegedi Tudományegyetem, Szeged
25. CSIKY J. (2003): A Nógrád-Gömöri bazaltvidék flórája és vegetációja. – Tilia 11(1): 167-301 26. CSILLAG K. 2009. Fenntartható csapadékvíz-elvezetés. – Szakdolgozat, Budapesti Corvinus
Egyetem, Budapest 27. CZÚCZ B. (2010): Az éghajlatváltozás hazai természetközeli élőhelyekre gyakorolt hatásainak
modellezése. – Doktori értekezés, Budapesti Corvinus Egyetem, Budapest 28. CZÚCZ, B., Gálhidy, L. Mátyás, Cs. (2011): Present and forecasted xeric climatic limits of
beech and sessile oak distribution at low altitudes in Central Europe. – Annals of Forest Science 68(1):99–108
29. DEL BARRIO, G., HARRISON, P.A., BERRY, P.M., BUTT, N., SANJUAN, M.E., PEARSON, R.G., DAWSON, T. (2006): Integrating multiple modelling approaches to predict the potential impacts of climate change on species’ distributions in contrasting regions: comparison and implications for policy. – Environmental Science & Policy 9(2): 129-147
30. DIÓS N., SZENTELEKI K., FERENCZY A., PETRÁNYI G., HUFNAGEL L. (2009): A climate profile indicator based comparative analysis of climate change scenarios with regard to maize cultures. – Applied Ecology and Environmental Research 9(3):199-214
31. ELLENBERG, H. (1988): Vegetation ecology of Central Europe. –Cambridge University Press, Cambridge
32. ENSEMBLES (2012): The ENSEMBLES project RT3. – ensemblesrt3.dmi.dk; 2012.04.04. 33. ERDÉLYI É., TURCSÁN A. (2011): Does climate change means perspective for Hungarian
rice production? – I. Erdélyi Kertész és Tájépítész Konferencia, Marosvásárhely, Románia, poszter 34. EUFORGEN (2009): European Forest Genetic Resources Programme. –
www.euforgen.org/distribution_maps.html; 2012.04.07. 35. FOODY, G.M. (2008): Refining predictions of climate change impacts on plant species
distribution through the use of local statistics. – Ecological Informatics 3(3): 228-236 36. FRANKLIN, J. (1995): Predictive vegetation mapping: geographic modelling of biospatial
patterns in relation to environmental gradients. – Progress in Physical Geography 19(4): 474-499 37. FÜHRER, E., JÁRÓ, Z. (1992): Auswirkungen der Klimaaenderung auf die Waldbestaende
Ungarns. – Allg. Forstztg. 9(1): 25-27 38. FÜHRER E., JÁRÓ Z. (2000): Az aszály és a belvíz érvényesülése a Nagyalföld
erdőművelésében I. – Erdészeti Tudományos Intézet Kiadványai 12., Budapest 39. FÜHRER, E., RASZTOVITS, E., CSÓKA, Gy., LAKATOS, F., BORDÁCS, S., NAGY, L.,
MÁTYÁS, Cs. (2010): Current status of European beech (Fagus sylvatica L.) genetic resources in Hungary. – Communicationes Instituti Forestalis Bohemicae 25(1): 152-163
40. GAÁL M., MÉZES Z., SZABÓ Z., SZENTELEKI K. (2011): Evaluation of the expected climatic conditions regarding cherry production in Central Hungary. Applied Ecology and Environmental Research 9(3):265-277
41. GAVILÁN, R. G. (2005): The use of climatic parameters and indices in vegetation distribution. A case study in the Spanish Sistema Centra. – International Journal of Biometeorology 50(2): 111-120
42. GENCSI L., VANCSURA R. (1997): Dendrológia. Erdészeti növénytan II. – Mezőgazda Kiadó, Budapest
43. GONZÁLEZ-REBOLLAR, J.L., GARCIA-ALVAREZ, A., IBÁÑEZ, J.J. (1995): A mathematical model for predicting the impact of climate changes on Mediterranean plant landscapes. – Studies in Environmental Science 65: 757-762
– Felhasznált források –
93
44. GRIFFITH, D. A., PERES-NETO, P. R. (2006): Spatial Modeling in Ecology: The Flexibility of Eigenfunction Spatial Analyses. – Ecology 87(10): 2603-2613
45. GRIN (2012): Germplasm Resources Information Network of the United States Department of Agriculture's (USDA's) Agricultural Research Service (ARS). – www.ars-grin.gov/cgi-bin/npgs/html/taxgenform.pl?language=en; 2012.04.04.
46. GUISAN, A., ZIMMERMANN, N. E. (2000): Predictive habitat distribution models in ecology. – Ecological Modelling 135(2-3): 147-186
47. HAMANN, A., WAN, T. (2006): Potential Effects of Climate Change on Ecosystem and Tree Species Distribution in British Columbia. – Ecology 87(11): 2773-2786
48. HARRISON, P.A., BERRY, P.M., BUTT, N., NEW, M. (2006): Modelling climate change impacts on species’ distributions at the European scale: implications for conservation policy. – Environmental Science & Policy 9(2): 116-128
49. HARRISON, S., DAMSCHEN, E. I., GRACE, J. B. (2010): Ecological contingency in the effects of climatic warming on forest herb communities. – Proc Natl Acad Sci USA 107(45):19362-19367
50. HERBARIA (2006): FRAXIGEN Ash Info Main. – herbaria.plants.ox.ac.uk/fraxigen/images/maps/distributionmap_ornus.gif; 2012.04.07.
51. HIDY I., GERZSON L., PREKUTA J. (2011): A zöldtető a városi tetőtáj koronája. – Terc, Budapest
52. HILBERT, D. W., OSTENDORF, B. (2001): The utility of artificial neural networks for modelling the distribution of vegetation in past, present and future climates. – Ecological Modelling 146(1-3): 311-327
53. HILBERT, D. W., VAN DEN MUYZENBERG, J. (1999): Using an artificial neural network to characterize the relative suitability of environments for forest types in a complex tropical vegetation mosaic. – Diversity and Distributions 5(6): 263-274
54. HADLEY (2012): http://www.ipcc-data.org/ar4/model-UKMO-HADCM3.html; 2012.04.21. 55. HORVÁTH L. (2008a): A földrajzi analógia alkalmazása klímaszcenáriók vizsgálatában. – In:
Harnos Zs., Csete L. Klímaváltozás: környezet – kockázat – társadalom. Szaktudás Kiadó Ház, Budapest 56. HORVÁTH L. (2008b): Földrajzi analógia alkalmazása klímaszcenáriók elemzésében és
értékelésében. – Doktori értekezés. Budapesti Corvinus Egyetem, Budapest 57. IBÁÑEZ, I., CLARK, J. S., DIETZE, M. C. (2008): Evaluating the Sources of Potential Migrant
Species: Implications under Climate Change. – Ecological Applications 18(7): 1664-1678 58. IBÁÑEZ, I., CLARK, J. S., DIETZE, M. C., FEELEY, K., HERSH, M., LADEAU, S.,
MCBRIDE, A., WELCH, N. E., WOLOSIN, M. S. (2006): Predicting Biodiversity Change: Outside the Climate Envelope, beyond the Species-Area Curve. – Ecology 87(8): 1896-1906
59. IPNI (2005): International Plant Names Index. – www.ipni.org/ipni; 2012.04.04. 60. IVERSON, L. R., PRASAD, A. M. (1998): Predicting Abundance of 80 Tree Species Following
Climate Change in the Eastern United States. – Ecological Monographs 68(4): 465-485 61. IVERSON, L. R., PRASAD, A. M., MATTHEWS, S. N., PETERS, M. (2008): Estimating
potential habitat for 134 eastern US tree species under six climate scenarios. – Forest Ecology and Management 254(3): 390-406
62. IVERSON, L. R., PRASAD, A., SCHWARTZ, M. W. (1999): Modeling potential future individual tree-species distributions in the eastern United States under a climate change scenario: a case study with Pinus virginiana. – Ecological Modelling 115(1): 77-93
63. JENSEN, J. R., QUI, F., JI, M. (1999): Predictive modelling of coniferous forest age using statistical and artificial neural network approaches applied to remote sensor data. – International Journal of Remote Sensing 20(14): 2805-2822
64. KÁRPÁTI Z. (1958): A természetes növénytakaró és a kertészeti termesztés közti összefüggés Sopron környékén. – Soproni Szemle 12(3): 30-54
65. KELLY, A. E., GOULDEN M. L. (2008): Rapid shifts in plant distribution with recent climate change. – Proc Natl Acad Sci USA 105(33):11823–11826
66. KÉZDY P. (2001): Taxonómiai vizsgálatok a hazai molyhos tölgy alakkörön (Quercus pubescens s. l.). – Doktori értekezés. Nyugat-Magyarországi Egyetem, Soproni Egyetemi Karok, Sopron
67. KÚTI Zs., HIRKA A., HUFNAGEL L., SZENTELEKI K., LADÁNYI M. (2011): A kis téliaraszoló (Operophtera brumata L.) rajzáskezdetének és rajzáshosszának elemzése, és várható változásainak becslése. – Agrárinformatikai tanulmányok II., Magyar Agrárinformatikai Szövetség, Debrecen
68. LA SORTE, F. A., JETZ, W. (2010): Projected range contractions of montane biodiversity under global warming. – Proc. R. Soc. B 277(1699):3401-3410
– Felhasznált források –
94
69. LENG, W., HE, H. S., BU, R., DAI, L., HU, Y., WANG, X. (2008): Predicting the distributions of suitable habitat for three larch species under climate warming in Northeastern China. – Forest Ecology and Management 254(3): 420-428
70. LE TREUT, H., SOMERVILLE, R.,. CUBASCH, U., DING, Y., MAURITZEN, C., MOKSSIT, A., PETERSON, T., PRATHER, M. (2007): Historical Overview of Climate Change. In SOLOMON, S., QIN, D., MANNING, M., CHEN, Z., MARQUIS, M., AVERYT, K. B., TIGNOR, M., MILLER, H. L. (szerk.). Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. – Cambridge University Press, Cambridge, United Kingdom és New York, NY, USA
71. LI, J., HILBERT, D. W. (2008): LIVES: A new habitat modelling technique for predicting the distribution of species' occurrences using presence-only data based on limiting factor theory. – Biodiversity and Conservation 17(13): 3079-3095
72. MÁTYÁS Cs., BERKI I., KIRÁLY G., SZALAI S., SZEPES A. (2007) A klímaváltozás hatása a zonális fafajok egészségi állapotára és elterjedésére. – Munkabeszámoló. OTKA.
73. MÁTYÁS, Cs., BOŽIČ, G., GÖMÖRY, D. IVANKOVIĆ, M., RASZTOVITS, E. (2009): Transfer Analysis of Provenance Trials. Reveals Macroclimatic Adaptedness of European Beech (Fagus sylvatica L.). – Acta Silv. Lign. Hung., 5(1): 47-62
74. MÁTYÁS, Cs., BERKI, I, CZÚCZ, B., GÁLOS, B. MÓRICZ, N., RASZTOVITS, E. (2010): Future of beech in Southeast Europe from the perspective of evolutionary ecology. – Acta Silv. Lign. Hung., 6(1): 91-110
75. MEEHL, G. A., STOCKER, T. F., COLLINS, W. D., FRIEDLINGSTEIN, P., Gaye, A. T., Gregory, J. M., Kitoh, A., Knutti, R., Murphy, J. M., Noda, A., Raper, S. C. B., Watterson, I. G., Weaver, A. J., Zhao, Z-C. (2007): Global Climate Projections. In SOLOMON, S., QIN, D., MANNING, M., CHEN, Z., MARQUIS, M., AVERYT, K. B., TIGNOR, M., MILLER, H. L. (szerk.). Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. – Cambridge University Press, Cambridge, United Kingdom és New York, NY, USA
76. MEUSEL, H., E. J. JÄGER, E. WEINERT (1965): Vergleichende Chorologie der zentraleuropäischen Flora. Band I. (Text und Karten). – Jena: Fischer-Verlag
77. MEUSEL, H., E. J. JÄGER, S. RAUSCHERT, E. WEINERT (1978): Vergleichende Chorologie der zentraleuropäischen Flora. Band II, Text u. Karten. – Jena: Gustav Fischer Verlag
78. MEUSEL, H., E. J. JÄGER (1992): Vergleichende Chorologie der zentraleuropäischen Flora. Band III. (Text- und Kartenteil). – Jena, Stuttgart, New York: Fischer Verlag
79. MEYNECKE, J-O. (2004): Effects of global climate change on geographic distributions of vertebrates in North Queensland. – Ecological Modelling 174(4): 347-357
80. MIKA, J., HORVÁTH, Sz., MAKRA, L., DUNKEL, Z. (2005): The Palmer Drought Severity Index (PDSI) as an indicator of soil moisture. – Physics and Chemistry of the Earth, Parts A/B/C 30(1–3):223–230
81. MOESZ G. (1911): Adatok Bars vármegye flórájához. – Botanikai Közlemények 10(5-6):171-185
82. MOLANO-FLORES, B., BELL, T. J. (in press): Projected population dynamics for a federally endangered plant under different climate change emission scenarios. – Biological Conservation
83. MÓRING A., LAKATOS M., NAGY A., NÉMETH Á. (2010): A 2010. május-júniusi időjárás rendkívüliségei éghajlati szempontból. – „KLÍMA-21” Füzetek 3(61):3-14
84. NAKICENOVIC, N., SWART, R. szerk. (2000): Emissions Scenarios. – Cambridge University Press, Cambridge
85. NENZÉN, H. K., ARAÚJO, M. B. (2011): Choice of threshold alters projections of species range shifts under climate change. – Ecological Modelling 222(18): 3346-3354
86. NITSCHKE, C. R., INNES, J. L. (2008): A tree and climate assessment tool for modelling ecosystem response to climate change. – Ecological Modelling 210(3): 263-277
87. NOAA (2010): NOAA Geophysical Fluid Dynamics Laboratory. – www.gfdl.noaa.gov/patterns-of-greenhouse-warming-ar4; 2010.12.01.
88. NORMAND, S., SVENNING, J-C., SKOV, F. (2007): National and European perspectives on climate change sensitivity of the habitats directive characteristic plant species. – Journal for Nature Conservation 15(1): 41-53
89. OGAWA-ONISHI, Y., BERRY, P. M., TANAKA, N. (2010): Assessing the potential impacts of climate change and their conservation implications in Japan: A case study of conifers. – Biological Conservation 143(7): 1728-1736
90. ÖZESMI, s. L., ÖZESMI, U. (1999): An artificial neural network approach to spatial habitat modelling with interspecific interaction. – Ecological Modelling 116(1): 15-31
– Felhasznált források –
95
91. ÖZESMI, S. L., TAN, C. O., ÖZESMI, U. (2006): Methodological issues in building, training, and testing artificial neural networks in ecological applications. – Ecological Modelling 195(1-2): 83-93
92. PALMER, W. C. (1965). Meteorological Drought. – Research Paper, US Weather Bureau, Washington, DC, 45
93. PÁLFAI I. (1991): The drought of 1990 in Hungary. – Vı́zügyi Közlemények, 73 (2):117–134 94. PEARSON, R.G., DAWSON, T.P., BERRY, P.M., HARRISON, P.A. (2002): SPECIES: A
Spatial Evaluation of Climate Impact on the Envelope of Species. – Ecological Modelling 154(3): 289-300
95. PÉCZELY Gy. (1979): Éghajlattan. Budapest, Nemzeti Tankönyvkiadó 96. PÉNZES B., HALTRICH A., DÉR Zs., HUDÁK K., ÁCS T., FAIL J., RÉDEI D., VÉTEK G.
(2006): Új, melegkedvelő kártevő rovarfajok megjelenése Magyarországon. – VAHAVA Hálózat 97. PETERSON, A.T. ,STEWART, A., MOHAMED, K. I., ARAÚJO M. B. (2008): Shifting
Global Invasive Potential of European Plants with Climate Change. – PLoS ONE 3(6):2441 98. PRISZTER Sz. (1998): Növényneveink. A magyar és tudományos növénynevek szótára. –
Mezőgazda Kiadó, Budapest 99. POMPE, S., HANSPACH, J., BADECK, F-W., KLOTZ, S., BRUELHEIDE, H., KÜHN, I.
(2010): Investigating habitat-specific plant species pools under climate change. – Basic and Applied Ecology 11(5): 603-611
100. ROTENBERRY, J. T., PRESTON, K. L., KNICK, S. T. (2006): GIS-Based Niche Modeling for Mapping Species' Habitat. – Ecology 87(6): 1458-1464
101. SABATÉ, S., GRACIA, C. A., SÁNCHEZ, A. (2002): Likely effects of climate change on growth of Quercus ilex, Pinus halepensis, Pinus pinaster, Pinus sylvestris and Fagus sylvatica forests in the Mediterranean region. – Forest Ecology and Management 162(1): 23-37
102. SAQIB, Z., MALIK, R. N., HUSAIN, S. Z. (2006): Modelling Potential Distribution of Taxus wallichiana in Palas Valley, Pakistan. – Pak. J. Bot., 38(3): 539-542
103. SCARNATI, L., ATTORRE, F., FARCOMENI, A., FRANCESCONI, F., SANCTIS, M. (2009): Modelling the spatial distribution of tree species with fragmented populations from abundance data. – Community Ecology 10(2):215-224
104. SCHWARZ, P. A., FAHEY,T. J., MCCULLOCH, C. E. (2003): Factors Controlling Spatial Variation of Tree Species Abundance in a Forested Landscape. – Ecology 84(7): 1862-1878
105. SERRA-DIAZ, J. M., NINYEROLA, M., LLORET, F. (2012): Coexistence of Abies alba (Mill.) – Fagus sylvatica (L.) and climate change impact in the Iberian Peninsula: A climatic-niche perspective approach. – Flora - Morphology, Distribution, Functional Ecology of Plants 207(1): 10-18
106. SKOV, F. (2000): Potential Plant Distribution Mapping Based on Climatic Similarity. – Taxon 49(3):503-515
107. SOLOMON, S., QIN, D., MANNING, M., CHEN, Z., MARQUIS, M., AVERYT, K. B., TIGNOR, M., MILLER, H. L. szerk. (2007): Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. – Cambridge University Press, Cambridge, United Kingdom és New York, NY, USA
108. SOMLYAY L. (2003): A Muscari botryoides (L.) Mill. hazai alakkörének rendszertani-chorológiai vizsgálata. – Dissertation. Debreceni Egyetem, Természettudományi Kar, Debrecen
109. SULINET (2012): Sulinet Digitális Tudástár: Pálfai-féle aszályossági index PAI; sdt.sulinet.hu/Player/Default.aspx?g=122cbf4c-c6f7-4f1b-a8bf-d9971b6d2a3c&cid=d185a2a2-60c7-4b30-903f-27077695cf72; 2012.04.25.
110. SZABÓ L. (2009): A zöldtetőépítés hazai kilátásainak vizsgálata Budapest példáján. – Szakdolgozat, Budapesti Corvinus Egyetem, Budapest
111. SZENTELEKI K., LADÁNYI M., GAÁL M., ZANATHY G., BISZTRAY Gy. D. (2012): Climatic risk factors of Central Hungarian grape growing regions. Applied Ecology and Environmental Research 10(1):87-105
112. SZILASSI P. (2012): A klímaváltozás várható hatásainak figyelembevétele a területi tervezésben a dél-alföldi régió példáján. – Diplomamunka, Budapesti Corvinus Egyetem, Budapest
113. STANKOWSKI, P. A., PARKER, W. H., (2010): Species distribution modelling: Does one size fit all? A phytogeographic analysis of Salix in Ontario. – Ecological Modelling 221(13-14): 1655-1664
114. TERPÓ, A. (1992): Pyrus taxa in Hungary, and their practical importance. – Thaiszia 2(1):41-57 115. THUILLER, W., ALBERT, C., ARAÚJO, M. B., BERRY, P.M., CABEZA, M., GUISAN, A.,
HICKLER, T., MIDGLEY, G. F., PATERSON, J., SCHURR, F. M., SYKES, M. T., ZIMMERMANN, N. E. (2008): Predicting global change impacts on plant species’ distributions: Future challenges. – Perspectives in Plant Ecology, Evolution and Systematics 9(3-4): 137-152
116. TRÁJER A., BOBVOS J., KRISZTALOVICS K., PÁLDY A. (2011): A hőmérséklet hatása a Lyme borreliosis incidenciájának alakulására 1998--2010 között – Egészségtudomány 55(3): 47-48
– Felhasznált források –
96
117. TRÁJER A. (2012): A klímaváltozás hatása a kullancsokra. Trendek és várható következmények. – Élet és Tudomány 67(18): 553-555
118. TRISURAT, Y., SHRESTHA, R. P., KJELGREN, R. (2011): Plant species vulnerability to climate change in Peninsular Thailand. – Applied Geography 31(3): 1106-1114
119. TRIVEDI, M. R., MORECROFT, M. D., BERRY, P. M., DAWSON, T. P. (2008): Potential effects of climate change on plant communities in three montane nature reserves in Scotland, UK. – Biological Conservation 141(6): 1665-1675
120. TURCSÁN A. (2007): A felhagyott Magyarországi kultúrrizs termesztésre használt területek hasznosítási lehetőségei. – Diplomamunka, Budapesti Corvinus Egyetem, Budapest
121. TUTIN, T. G., N. A. BURGES, A. O. CHATER, J. R. EDMONDSON, V. H. HEYWOOD, D. M. MOORE, D. H. VALENTINE, S. M. WALTERS, D. A. WEBB, J. R. AKEROYD, M. E. NEWTON, R. R. MILL (1964): Flora Europaea. – Cambridge University Press, Cambridge, UK
122. VAN LEEUWEN, B., TOBAK, Z. (2008): GIS Solutions for Belvíz monitoring: A case study in Csongrád county, Hungary. – XII. Symposium on Geomathematics, I. Croatian-Hungarian Geomathematical Conference, Mórahalom
123. VAN ZONNEVELD, M., JARVIS, A., DVORAK, W., LEMA, G., LEIBING, C. (2009): Climate change impact predictions on Pinus patula and Pinus tecunumanii populations in Mexico and Central America. – Forest Ecology and Management 257(7): 1566-1576
124. VÉGVÁRI, Gy. (2000): Sorb apple (Sorbus domestica L.) selection in Hungary. – Acta Horticulturae 2000(538):155-158
125. VENNETIER, M., RIPERT, C. (2009): Forest flora turnover with climate change in the Mediterranean region: A case study in Southeastern France. – Forest Ecology and Management 258(Suppl.): S56-S63
126. WEART, S. R. és az American Institute of Physics (2009): General Circulation Models of Climate. – www.aip.org/history/climate/GCM.htm; 2009.12.08.
127. XIAOJUN, K., QIN, L., SHIRONG, L. (2011): High-resolution bioclimatic dataset derived from future climate projections for plant species distribution modeling. – Ecological Informatics 6(3-4): 196-204
9.2 Szóbeli közlések
128. CSISZÁR Villő (2011); ELTE-TTK Matematikai Intézet, Valószínűségelméleti és Statisztika Tanszék
129. GERZSON László (2011); BCE-TÁJK Kert- és Szabadtértervezési Tanszék 130. GIACHETTA Roberto (2011); ELTE-IK Programozáselmélet és Szoftvertechnológiai Tanszék 131. GREGORICS Tibor (2011); ELTE-IK Programozáselmélet és Szoftvertechnológiai Tanszék 132. HORVÁTH Levente (2010); BCE-KERTK Matematika és Informatika Tanszék 133. HUFNAGEL Levente (2012); BCE-KERTK Matematika és Informatika Tanszék 134. ITTZÉS András (2012); BCE-KERTK Matematika és Informatika Tanszék 135. KUN András (2012); Öko-Völgy Alapítvány, Somogyvámos 136. LADÁNYI Márta (2012); BCE-KERTK Matematika és Informatika Tanszék 137. MÁTYÁS Csaba (2010); NyME-EMK, Környezet és Földtudományi Intézet, Ökológia és
Genetika Intézeti Tanszék 138. NAGY Júlia Anna (2012); ELTE-TTK Meteorológiai Tanszék 139. PÉNZES Béla (2010); BCE-KERTK Rovartani Tanszék 140. SIK András (2011); ELTE-FFI Természetföldrajzi Tanszék 141. SZILASSI Péter (2012); SZTE-TTIK Természeti Földrajzi és Geoinformatikai Tanszék
– Mellékletek –
97
10 MELLÉKLETEK
I. Éghajlati igények adattáblája: önálló modellezés
A következőkben közreadott adatok kutatási eredmények, melyek önmagukban
nem bírnak jelentős tájépítészeti jelentőséggel, éppen ezért a mellékletben kapnak
helyet. Ugyanez elmondható a II. számú mellékletre is.
A táblázat ábécérendben közli a fajokat, a függőleges tengely mentén az egyes
éghajlati paraméterek vannak felsorolva. Az éghajlati paraméterek nevében
− r a REMO adatsorra,
− 61 a referenciaidőszakra,
− m a minimum-hőmérsékletre és
− t a középhőmérsékletre, míg
− a számjegyek 1-től 12-ig a hónapokra utalnak.
„vegP” jelentése: vegetációs időszak összcsapadéka, „osszP” jelentése: éves
összcsapadék. A hőmérsékleti adatok K-ben, a csapadékadatok mm/nap-ban vannak
megadva. Utóbbi ezért 30-cal szorozva adja a mm mértékegységgel értelmezhető
számértéket.
Minden faj minden klímaparaméteréhez feltüntettem az elterjedési területen
előforduló legkisebb (min) és legnagyobb (max) értéket.
min
max
min
max
min
max
min
max
min
max
min
max
min
max
[r61
t01]
271,85
282,20
726
9,83
428
1,66
326
8,38
728
2,57
627
7,69
628
4,25
927
8,67
828
4,71
326
8,13
428
0,78
926
8,13
428
6,77
[r61
t02]
272,62
228
1,64
626
9,76
928
1,06
526
8,31
928
2,96
527
8,10
828
4,42
527
9,03
128
4,47
326
8,44
328
1,34
268,44
328
6,59
9[r61
t03]
275,75
128
3,62
274,25
128
3,16
527
2,71
928
5,88
327
9,91
928
5,97
828
1,51
128
5,86
272,21
528
3,64
327
1,59
828
8,77
6[r61
t04]
279,67
228
7,26
127
8,93
428
6,16
127
7,70
429
0,08
328
2,10
828
7,90
428
4,19
287,35
527
5,99
286,40
827
4,13
129
1,63
9[r61
t05]
283,79
229
2,16
128
2,62
428
9,76
728
1,60
329
4,08
628
5,97
129
0,93
228
8,38
229
0,64
628
0,38
290,49
227
8,12
629
5,84
9[r61
t06]
288,27
729
7,85
228
6,92
329
4,20
428
6,41
529
9,38
292,85
629
6,51
129
4,01
429
6,32
828
4,58
129
4,68
528
2,69
230
2,08
4[r61
t07]
291,32
830
1,62
929
0,12
729
7,29
728
9,73
230
3,07
629
6,62
430
0,47
629
7,38
629
9,67
428
7,58
929
8,75
928
4,77
630
5,51
6[r61
t08]
291,13
830
1,34
229
0,43
629
8,18
728
9,64
304,43
329
6,89
130
1,22
529
7,62
300,03
128
7,29
829
8,76
528
4,77
930
5,53
2[r61
t09]
286,99
729
6,64
328
5,55
429
4,06
628
5,25
230
1,02
429
2,58
229
7,28
729
3,52
329
7,01
628
3,50
329
4,90
528
2,14
530
1,39
8[r61
t10]
281,83
229
0,76
280,24
128
9,67
427
9,43
729
5,23
228
6,42
229
1,72
128
8,16
429
2,94
927
8,5
290,32
927
7,75
429
4,73
[r61
t11]
277,72
328
6,94
127
6,41
628
6,57
327
5,00
428
9,25
328
1,02
828
7,41
628
2,48
288,42
627
4,39
228
6,03
127
2,84
529
0,20
2[r61
t12]
273,10
728
3,24
127
0,42
528
1,97
126
8,21
728
3,50
627
8,43
528
5,09
279,48
928
5,80
826
9,62
228
1,66
626
9,62
228
7,59
7[r61
m01
] 26
8,92
928
0,13
726
6,23
927
8,97
526
4,15
279,44
427
5,04
928
1,87
727
5,84
728
2,82
126
3,42
127
8,10
626
3,42
128
4,91
8[r61
m02
] 26
9,56
127
9,43
726
5,54
127
8,07
526
3,27
327
9,42
274,97
128
1,74
927
5,65
228
2,31
426
3,43
327
8,09
926
3,43
328
4,53
8[r61
m03
] 27
2,23
328
0,92
827
0,05
527
9,77
326
8,13
328
1,55
427
6,02
228
2,90
927
7,34
828
3,48
126
8,43
128
0,01
726
7,61
628
5,70
8[r61
m04
] 27
5,33
628
3,42
827
4,11
328
2,47
272,78
528
4,80
327
7,25
728
4,22
727
9,23
284,74
272,17
928
2,35
727
0,62
928
6,91
[r61
m05
] 27
8,51
828
7,50
927
6,62
285,56
527
5,30
728
8,10
628
0,24
328
6,72
928
2,80
128
7,38
727
5,47
628
5,51
927
4,15
228
9,69
1[r61
m06
] 28
2,36
329
2,38
128
0,03
228
9,36
427
8,85
292,79
428
6,16
529
1,30
528
8,00
429
1,77
327
8,68
728
9,11
927
7,48
429
4,99
7[r61
m07
] 28
5,18
829
5,91
328
2,84
429
2,26
428
1,97
296,63
528
9,83
529
4,22
129
1,20
529
4,81
281,20
229
2,11
727
9,23
129
8,23
7[r61
m08
] 28
5,10
629
6,04
928
3,34
929
3,06
828
2,26
429
8,03
129
0,39
429
4,94
829
1,34
629
5,55
628
1,10
929
2,50
427
9,51
429
8,56
1[r61
m09
] 28
1,66
629
2,52
827
9,55
729
0,07
278,67
229
5,32
428
7,07
329
2,65
728
8,01
293,65
927
8,11
529
0,12
127
7,61
829
5,36
[r61
m10
] 27
7,55
828
7,96
127
5,90
728
6,18
327
4,81
629
0,43
628
1,99
828
8,62
228
3,8
290,27
527
4,78
828
6,39
274,48
629
1,73
[r61
m11
] 27
4,71
428
4,74
127
3,39
283,58
527
1,59
728
5,45
277,66
228
4,84
727
9,21
228
6,34
727
1,59
128
2,96
127
0,00
728
8,42
7[r61
m12
] 27
0,71
828
1,16
226
7,46
279,28
426
4,25
828
0,40
927
5,51
228
2,63
527
6,51
283,91
265,78
527
8,84
526
5,78
528
5,91
1
[r61
_vegP]
2,56
564
17,179
83,95
6312
,490
51,31
201
14,958
42,81
022
7,59
654
5,00
5410
,298
3,87
579
23,068
72,26
836
37,588
3
[r61
_osszP]
8,31
285
35,277
610
,142
36,645
97,97
117
54,592
310
,748
34,74
13,045
864
,108
411
,847
391
,803
97,22
758
143,91
7
Abies borisii‐regis
Mattf.
Abies
bornmue
lleriana
Mattf.
Abies cilicica (A
ntoine
& Kotschy) C
arriere
Acer he
ldreichii O
rph.
ex Boiss.
Abies num
idica de
Lann
oy ex Carriere
Acer
mon
spessulanu
m L.
Abies m
arocana Trab.
[r61
t01]
[r61
t02]
[r61
t03]
[r61
t04]
[r61
t05]
[r61
t06]
[r61
t07]
[r61
t08]
[r61
t09]
[r61
t10]
[r61
t11]
[r61
t12]
[r61
m01
] [r61
m02
] [r61
m03
] [r61
m04
] [r61
m05
] [r61
m06
] [r61
m07
] [r61
m08
] [r61
m09
] [r61
m10
] [r61
m11
] [r61
m12
]
[r61
_vegP]
[r61
_osszP]m
inmax
min
max
min
max
min
max
min
max
min
max
min
max
273,02
287,74
273,28
528
6,89
526
0,17
828
3,64
270
282,27
262,09
628
6,94
726
4,14
828
1,18
270,53
328
8,16
827
3,32
228
7,30
127
3,69
828
6,90
126
0,47
928
3,76
127
0,41
528
2,90
326
2,48
528
6,79
826
4,42
928
2,16
727
0,84
128
7,78
276,92
128
8,23
827
6,61
428
8,99
926
2,87
428
5,82
727
4,81
286,18
826
4,70
928
8,02
726
6,47
128
4,44
727
4,32
288,79
828
0,79
729
1,59
227
9,52
429
3,59
826
5,77
928
8,11
127
9,40
429
0,08
326
7,48
928
9,69
826
9,33
428
7,13
127
7,79
292,70
328
5,11
229
6,21
328
3,43
129
7,83
527
1,18
292,14
328
3,19
929
4,08
627
2,93
329
3,26
927
4,10
329
0,82
428
2,26
829
6,31
229
0,38
301,45
328
8,54
530
3,20
127
6,23
229
8,44
287,41
329
9,52
727
8,96
429
9,04
280,43
929
5,62
528
6,36
130
1,45
329
4,08
930
4,45
129
0,76
630
5,55
227
9,65
830
1,72
329
0,90
430
3,46
628
1,11
930
2,58
282,68
329
9,01
928
9,27
930
4,58
293,83
530
4,31
429
0,27
730
4,67
827
8,85
930
1,91
329
1,31
830
4,43
328
0,42
302,38
328
2,01
429
9,81
228
8,98
530
5,27
528
9,35
530
0,54
628
6,17
129
9,27
927
6,46
229
8,27
128
6,42
630
1,02
427
8,00
329
9,16
427
9,55
429
5,95
228
5,48
630
1,83
628
3,27
529
6,05
228
0,75
629
3,73
227
1,86
629
2,94
828
0,91
729
5,23
227
3,65
629
4,08
727
5,04
728
9,65
628
0,39
829
7,63
278,44
429
2,75
927
6,22
929
0,10
326
4,78
128
7,68
827
6,50
928
9,31
266,88
629
0,91
626
8,68
628
4,55
927
6,02
729
3,36
327
3,63
628
9,23
927
3,61
287,90
226
1,58
328
4,63
427
0,69
828
2,85
826
3,62
628
8,43
526
5,52
328
2,05
127
2,02
289,45
426
9,86
528
6,57
227
0,45
128
5,25
725
3,59
728
0,71
226
6,23
927
9,50
225
5,62
328
5,94
525
8,13
527
8,61
826
7,06
928
7,09
826
9,50
128
6,01
927
0,63
928
5,16
225
3,10
128
0,43
926
6,1
279,61
725
5,37
728
5,43
257,83
927
8,78
626
7,3
286,69
627
2,80
828
6,61
827
2,27
128
5,96
725
5,59
928
2,01
927
0,82
628
1,99
257,59
428
6,05
426
0,09
828
0,55
327
1,09
287,41
275,36
428
8,19
273,99
628
7,10
125
8,12
128
3,69
227
4,59
228
5,01
226
0,45
128
7,36
826
3,46
428
2,82
527
4,05
628
8,68
227
8,54
829
1,00
127
6,64
329
1,20
126
5,6
286,70
627
7,20
128
8,32
326
7,79
928
9,64
826
9,63
285,82
427
7,39
429
1,47
228
3,29
229
5,67
428
1,56
129
6,43
272,12
829
2,12
528
0,89
929
3,24
127
4,20
729
3,70
427
5,33
328
9,91
828
0,61
929
5,78
286,53
329
8,47
728
3,88
629
8,90
127
4,46
295,27
628
4,08
929
7,22
827
5,88
329
6,22
527
7,06
129
2,58
528
3,24
529
8,76
286,28
129
8,85
328
3,89
429
8,50
127
4,15
929
5,83
284,42
298,21
527
5,67
629
7,00
527
6,84
829
3,48
828
3,14
129
9,80
428
2,50
529
7,00
928
0,39
229
4,94
272,65
729
3,00
428
0,42
929
5,32
427
4,12
429
5,50
727
5,24
429
0,64
228
0,15
729
7,70
327
7,77
329
4,04
927
5,96
129
1,95
268,56
828
8,87
227
6,21
529
0,43
627
0,68
929
2,34
927
1,82
128
5,87
127
6,43
129
5,35
927
4,75
129
1,44
427
3,08
128
8,38
225
9,01
284,64
327
3,49
228
5,59
826
1,63
128
9,84
626
4,40
528
2,20
127
3,12
929
2,32
427
0,75
288,05
327
128
6,33
925
5,30
928
1,70
126
7,57
528
0,11
625
7,83
428
7,45
126
0,23
927
9,87
326
9,43
288,27
3
0,64
2871
9,40
233
1,30
152
10,209
63,53
2253
,919
52,15
387
13,116
41,02
735
43,053
54,20
571
32,846
80,57
8286
23,068
7
4,19
636
56,553
63,84
761
51,064
111
,854
811
3,89
89,57
655
46,501
36,73
675
106,22
29,77
698
80,371
92,89
706
91,803
9
Buxus balearica Lam.
Euon
ymus latifolius
(L.) Mill.
Fagus orientalis
Lipsky
Acer sempe
rviren
s L.
Junipe
rus oxyced
rus
L.Junipe
rus thurife
ra L.Laurus nob
ilis L.
[r61
t01]
[r61
t02]
[r61
t03]
[r61
t04]
[r61
t05]
[r61
t06]
[r61
t07]
[r61
t08]
[r61
t09]
[r61
t10]
[r61
t11]
[r61
t12]
[r61
m01
] [r61
m02
] [r61
m03
] [r61
m04
] [r61
m05
] [r61
m06
] [r61
m07
] [r61
m08
] [r61
m09
] [r61
m10
] [r61
m11
] [r61
m12
]
[r61
_vegP]
[r61
_osszP]m
inmax
min
max
min
max
min
max
min
max
min
max
min
max
275,81
286,32
227
1,01
528
7,05
427
0,76
528
7,05
427
1,18
428
7,83
927
3,85
228
6,68
226
6,58
528
4,04
526
8,13
428
1,91
627
6,34
428
6,03
127
2,13
928
6,88
627
1,12
528
6,90
127
1,85
428
7,51
427
4,54
828
6,24
226
7,08
628
3,77
426
8,44
328
2,21
927
9,26
728
7,10
427
4,54
928
8,21
274,29
428
8,77
627
6,22
228
8,53
827
7,38
928
7,78
226
9,53
285,00
327
2,21
528
4,33
283,13
128
9,34
827
7,40
629
1,43
927
7,75
229
1,76
228
0,79
729
1,54
228
0,01
529
1,02
827
3,71
628
8,33
527
5,99
286,56
287,64
729
2,79
328
0,49
129
6,11
328
2,16
629
6,64
328
5,01
229
6,06
628
3,72
829
4,99
427
8,77
329
2,10
228
0,38
290,77
529
2,98
929
8,28
228
5,19
330
1,88
428
6,35
530
2,46
328
9,23
830
1,29
628
8,26
530
0,11
928
1,96
829
7,34
728
4,58
129
5,36
529
7,13
302,80
828
7,50
330
4,46
228
8,35
830
5,51
629
2,00
730
4,19
429
0,47
530
2,77
828
4,16
430
1,25
828
7,58
929
9,17
729
7,21
830
3,52
728
7,52
430
4,40
728
7,76
330
5,53
229
2,60
130
4,43
329
0,36
730
2,79
828
3,16
230
2,27
728
7,29
829
9,18
329
2,58
729
9,57
428
5,23
330
0,28
428
5,56
301,39
828
8,03
730
1,02
428
7,59
829
8,69
828
0,95
829
8,74
228
3,50
329
4,90
528
6,62
529
5,07
328
0,26
429
4,41
828
0,26
429
4,73
282,95
929
6,35
282,03
629
3,81
527
6,85
129
3,26
727
8,5
290,66
281,63
290,92
127
5,73
229
0,20
627
5,73
229
0,89
127
8,44
429
3,08
527
7,31
529
0,18
427
1,66
628
8,33
127
4,39
228
6,75
427
6,51
287,60
127
3,06
228
8,23
827
2,37
928
8,23
827
2,21
728
9,14
827
4,65
628
7,75
726
8,64
528
5,39
426
9,62
228
2,78
427
2,96
828
4,71
326
7,36
328
5,94
526
7,09
728
5,94
526
7,07
728
6,61
627
0,55
528
5,73
826
2,20
528
2,18
226
3,42
127
9,37
927
3,05
328
4,26
926
8,41
285,58
126
7,41
828
5,58
126
6,93
828
6,19
327
0,93
285,23
626
2,36
428
1,66
263,43
327
9,29
327
4,96
528
5,24
927
0,89
228
6,37
270,89
228
6,01
427
1,72
286,99
627
2,81
928
6,05
426
5,40
228
2,74
126
8,43
128
1,13
277,75
828
7,20
227
3,53
828
7,67
827
3,53
828
7,10
127
5,36
428
8,54
727
4,59
828
6,95
827
0,10
428
4,29
327
2,17
928
3,22
281,29
428
9,89
927
6,25
828
9,82
327
6,25
829
1,09
627
8,54
829
1,08
227
7,62
628
9,57
127
4,83
828
7,26
327
5,47
628
6,10
728
5,96
293,67
527
9,86
729
5,65
128
0,90
329
6,66
828
2,81
429
5,67
428
2,70
229
3,99
427
7,47
529
1,76
427
8,68
728
9,51
289,96
629
7,58
228
1,97
298,29
528
3,35
929
9,55
928
5,43
229
8,47
728
4,89
829
6,86
627
9,47
295,46
728
1,20
229
2,66
329
0,14
629
8,64
528
2,27
529
7,94
928
3,06
129
9,08
428
6,14
299,22
328
5,02
129
6,84
427
8,92
829
6,15
328
1,10
929
2,97
728
1,49
729
2,08
280,17
295,33
728
0,17
295,50
728
2,39
729
7,50
528
2,05
129
4,48
277,14
529
3,49
427
8,11
529
0,77
528
1,49
729
2,08
275,75
329
2,34
927
5,75
329
2,57
827
7,77
329
4,92
427
7,41
129
2,34
927
3,80
128
9,46
827
4,78
828
7,21
927
7,80
428
9,20
927
2,71
828
9,23
127
2,71
828
9,88
627
4,75
129
1,83
527
3,79
428
9,23
126
8,56
628
6,29
227
1,59
128
4,02
427
3,77
328
6,04
727
0,30
828
7,08
526
9,59
628
7,08
526
8,50
828
7,84
627
1,51
228
6,77
126
4,68
328
3,49
526
5,78
528
0,15
1
1,91
365
9,07
661,47
229
37,588
31,02
735
30,707
70,64
2871
14,958
40,85
1505
19,824
62,10
284
38,076
63,53
2227
,121
5
12,224
256
,553
64,63
215
143,91
74,63
215
130,87
54,19
636
67,701
14,24
1649
,082
38,13
616
86,534
812
,004
586
,534
8
Phillyrea
angustifolia
L.Ph
illyrea
latifolia L.
Pinu
s brutia Ten
.Pinu
s halepe
nsis M
ill.Pinu
s nigra J. F.
Arnold
Pinu
s pe
uce Griseb.
Liqu
idam
bar
orientalis M
ill.
[r61
t01]
[r61
t02]
[r61
t03]
[r61
t04]
[r61
t05]
[r61
t06]
[r61
t07]
[r61
t08]
[r61
t09]
[r61
t10]
[r61
t11]
[r61
t12]
[r61
m01
] [r61
m02
] [r61
m03
] [r61
m04
] [r61
m05
] [r61
m06
] [r61
m07
] [r61
m08
] [r61
m09
] [r61
m10
] [r61
m11
] [r61
m12
]
[r61
_vegP]
[r61
_osszP]m
inmax
min
max
min
max
min
max
min
max
min
max
min
max
272,05
286,96
727
2,58
428
7,05
427
7,98
828
7,05
426
8,95
628
7,83
926
8,74
228
7,05
426
7,37
328
7,07
427
0,81
628
7,05
427
3,10
428
6,35
927
3,27
286,79
327
9,37
528
6,79
326
9,76
728
7,51
426
9,63
328
6,79
326
8,01
128
6,75
327
1,71
428
6,79
827
5,35
128
7,30
327
7,02
328
8,33
828
1,36
828
7,36
527
1,59
829
0,54
727
1,59
828
7,82
727
0,41
288,24
627
3,13
328
8,02
727
8,45
228
8,85
628
1,10
829
0,87
328
3,74
128
8,99
827
4,13
129
4,60
427
4,13
128
9,21
627
4,09
229
1,17
227
5,46
928
9,69
828
2,21
629
2,06
428
4,42
929
5,34
928
7,14
529
2,07
627
8,12
629
8,55
927
8,12
629
2,72
927
9,14
829
5,26
327
9,35
229
3,00
928
6,87
298,24
528
9,33
430
0,94
329
1,63
529
7,51
528
2,69
230
4,28
828
2,69
229
8,68
428
3,45
130
0,70
528
3,92
229
8,68
428
9,06
530
1,87
429
1,56
430
4,10
229
4,23
430
1,39
928
4,77
630
6,97
284,77
630
2,73
528
5,65
830
3,36
328
5,97
830
2,73
528
8,98
130
2,16
429
1,86
130
4,27
729
4,24
302,17
928
4,77
930
6,28
128
4,77
930
3,50
128
5,26
230
3,38
128
6,00
430
3,50
128
6,36
298,56
328
8,99
130
0,31
429
1,25
329
8,86
628
2,14
530
2,01
228
2,14
529
9,87
928
2,55
729
9,90
828
3,42
829
9,87
928
1,56
129
3,86
528
4,05
529
6,44
528
6,36
929
3,75
527
7,75
429
7,71
827
7,75
429
3,65
227
7,95
329
4,42
627
9,02
129
4,08
727
6,58
291,06
327
9,27
229
2,36
328
1,08
729
0,18
627
3,00
729
3,08
527
2,84
529
0,18
627
2,46
629
0,99
927
4,40
129
0,18
627
4,02
728
8,29
627
3,67
628
8,23
827
8,99
128
8,23
827
0,67
428
9,14
827
0,67
428
8,23
826
9,44
228
8,55
127
2,52
728
8,23
826
8,54
328
6,16
526
8,91
728
5,94
527
4,99
428
5,94
526
4,73
528
6,61
626
4,29
828
5,94
526
2,52
286,08
626
7,42
228
5,94
526
9,50
328
5,50
526
9,58
428
5,58
127
5,69
128
5,58
126
5,67
528
6,19
326
5,40
628
5,58
126
3,07
728
5,53
126
8,73
728
5,58
127
1,68
428
6,11
827
2,82
128
6,01
427
6,98
928
6,01
426
7,61
628
6,99
626
7,61
628
6,01
426
5,75
128
6,12
269,92
828
6,01
427
4,43
928
6,78
527
5,72
928
8,39
927
8,88
528
6,75
527
0,62
928
8,54
727
0,62
928
6,92
627
0,09
228
7,48
227
2,28
428
7,18
827
7,18
228
8,60
927
8,15
229
0,88
281,97
328
8,51
327
4,23
629
3,22
427
4,15
228
9,23
927
4,73
629
0,18
927
5,46
828
9,64
828
1,48
229
2,19
428
1,87
329
4,47
428
6,05
929
2,26
327
7,48
429
8,78
427
7,48
429
2,73
727
7,85
294,30
927
8,77
829
3,70
428
3,45
629
5,23
928
4,67
829
7,32
328
8,65
829
5,30
227
9,23
130
1,49
527
9,23
129
6,18
827
9,95
429
7,03
928
0,64
329
6,22
528
3,77
295,96
628
5,19
829
8,27
128
8,86
129
6,39
327
9,51
430
1,08
927
9,51
429
7,26
227
9,83
229
7,53
528
0,87
529
7,26
228
1,67
129
4,57
928
2,61
529
6,78
828
6,37
529
4,89
227
7,65
629
7,50
527
7,61
829
4,63
927
7,85
629
5,42
927
8,94
429
5,50
727
7,86
529
2,97
827
8,81
929
4,01
128
2,38
629
1,70
927
4,50
729
4,92
427
4,48
629
1,74
827
4,64
129
2,61
275,82
829
2,04
127
3,82
529
0,24
327
5,18
829
0,05
827
7,70
428
8,94
527
0,25
829
1,83
527
0,00
728
8,94
526
9,58
828
9,95
727
2,09
228
8,94
527
1,34
128
7,45
270,58
128
7,08
527
6,00
128
7,08
526
6,98
128
7,84
626
6,98
128
7,08
526
5,66
328
7,59
526
9,82
728
7,08
5
2,05
609
46,866
20,87
7145
15,858
12,05
609
14,303
90,33
8666
26,896
22,05
609
30,707
71,02
735
37,588
32,05
609
34,399
1
9,17
948
177,79
6,54
169
82,865
310
,686
360
,014
22,10
736
108,81
58,73
943
130,87
56,21
239
143,91
77,89
878
131,71
2
Pinu
s pinaster Aito
nPinu
s pine
a L.
Que
rcus fagine
a Lam.Que
rcus ilex L.
Que
rcus canariensis
Willd.
Que
rcus coccifera L.
Que
rcus rotun
difolia
Lam.
[r61
t01]
[r61
t02]
[r61
t03]
[r61
t04]
[r61
t05]
[r61
t06]
[r61
t07]
[r61
t08]
[r61
t09]
[r61
t10]
[r61
t11]
[r61
t12]
[r61
m01
] [r61
m02
] [r61
m03
] [r61
m04
] [r61
m05
] [r61
m06
] [r61
m07
] [r61
m08
] [r61
m09
] [r61
m10
] [r61
m11
] [r61
m12
]
[r61
_vegP]
[r61
_osszP]m
inmax
min
max
min
max
min
max
min
max
275,68
528
7,05
426
8,13
428
5,15
526
8,13
428
2,37
226
8,13
428
2,04
927
1,63
928
7,05
427
6,45
428
6,86
826
8,44
328
4,95
826
8,44
328
2,59
926
8,44
328
2,34
827
2,14
128
6,79
327
7,73
228
7,82
727
2,21
528
5,81
327
2,21
528
4,21
272,21
528
4,07
227
3,27
128
7,27
327
9,51
128
9,70
827
5,99
287,51
927
5,99
286,85
527
5,99
286,65
827
6,75
828
8,35
528
2,46
129
2,96
828
0,38
292,32
928
0,38
291,80
428
0,38
291,14
328
0,26
290,81
928
7,04
429
9,20
528
4,58
129
8,40
828
4,58
129
7,22
284,58
129
6,12
282,66
229
5,91
428
9,25
830
2,74
928
7,58
930
2,35
528
7,58
930
1,29
428
7,58
929
9,62
328
4,06
129
9,20
628
9,23
130
3,25
628
7,29
830
2,21
928
7,29
830
1,52
728
7,29
829
9,81
128
3,25
729
9,55
428
6,91
300,39
328
3,50
329
7,22
528
3,50
329
6,73
928
3,50
329
5,43
281,37
529
7,06
428
2,44
729
4,56
427
8,5
292,70
427
8,5
290,95
727
8,5
290,18
627
8,46
929
3,11
827
8,32
229
0,20
627
4,39
228
9,59
527
4,39
228
6,71
827
4,39
228
6,42
227
5,65
329
0,18
627
7,01
928
8,23
826
9,62
228
6,50
526
9,62
228
3,49
226
9,62
228
3,15
274,13
828
8,23
827
3,73
528
5,94
526
3,42
128
3,83
826
3,42
128
0,45
726
3,42
127
9,98
226
9,94
628
5,94
527
4,08
328
5,58
126
3,43
328
3,45
126
3,43
328
0,48
226
3,43
328
0,06
327
0,06
285,58
127
4,93
428
6,01
426
8,43
128
4,33
326
8,43
128
1,93
926
8,43
128
1,59
527
1,40
728
6,01
427
6,08
286,93
527
2,17
928
5,65
427
2,17
928
3,83
827
2,17
928
3,62
627
3,81
928
6,75
527
8,17
228
9,23
927
5,47
628
7,83
827
5,47
628
6,53
427
5,47
628
6,39
127
6,33
728
8,31
428
1,56
329
2,79
327
8,68
729
2,13
278,68
729
0,86
627
8,68
728
9,92
127
9,53
429
1,51
428
3,55
429
6,17
628
1,20
229
5,83
228
1,20
229
4,90
528
1,20
229
3,32
128
1,24
829
4,40
828
3,85
629
7,08
128
1,10
929
5,99
228
1,10
929
5,33
628
1,10
929
3,52
280,83
729
5,23
228
2,33
429
5,33
727
8,11
529
3,88
527
8,11
529
1,55
278,11
529
1,26
927
9,25
329
3,96
527
9,20
829
2,03
827
4,78
829
1,10
427
4,78
828
7,93
827
4,78
828
7,51
727
6,74
829
1,70
927
9,20
829
2,03
827
1,59
128
8,26
271,59
128
4,79
327
1,59
128
4,33
927
3,58
288,94
527
5,02
128
7,08
526
5,78
528
5,09
265,78
528
1,44
826
5,78
528
0,92
827
2,01
928
7,08
5
1,72
989
43,014
22,90
361
27,121
53,53
2227
,121
54,30
127
27,121
53,40
8547
,180
9
6,84
287
162,11
9,90
489
95,557
11,847
395
,557
12,004
595
,557
13,050
917
7,79
Ulex eu
ropaeu
s L.
Rham
nus fallax Bo
iss.
Tilia to
men
tosa
Moe
nch
Que
rcus trojana
Web
bQue
rcus sub
er L.
– Mellékletek –
103
II. Éghajlati igények adattáblája: Moesz-vonalhoz tartozó fajok
A táblázat ábécérendben közli a Moesz-vonal elterjedésmodellezése során vizsgált
fajokat és a képzeletbeli moesz-növényt, a függőleges tengely mentén az egyes éghajlati
paraméterek vannak felsorolva. Az éghajlati paraméterek nevében
− r a REMO adatsorra,
− 61 a referenciaidőszakra,
− m a minimum-hőmérsékletre és
− t a középhőmérsékletre, míg
− a számjegyek 1-től 12-ig a hónapokra utalnak.
„vegP” jelentése: vegetációs időszak összcsapadéka. A hőmérsékleti adatok K-
ben, a csapadékadatok mm/nap-ban vannak megadva. Utóbbi ezért 30-cal szorozva adja
a mm mértékegységgel értelmezhető számértéket.
Minden faj minden klímaparaméteréhez feltüntettem az elterjedésiterület-
szegmensen előforduló legkisebb értéket, a vegetációs időszak csapadékához pedig a
fölső sorban a legkisebb, alsó sorban a legnagyobb értéket.
A képzeletbeli Moesz-növény esetén a hőmérsékleti adatok legkisebb (min) és
legnagyobb (max) értéke is kilistázásra került.
[r61
t01]
271,44
271
270,54
727
0,54
726
9,73
327
2,35
927
127
0,54
727
2,04
127
2,76
127
0,00
927
0,54
7[r61
t02]
273,07
727
2,53
327
2,36
327
2,36
327
1,4
274,11
272,53
327
2,36
327
3,83
427
4,48
227
1,67
627
2,36
3[r61
t03]
277,15
627
6,45
727
6,97
227
6,97
227
5,83
227
8,30
127
6,45
727
6,88
627
8,01
727
8,62
827
6,07
127
6,97
2[r61
t04]
282,40
828
1,68
228
2,26
828
2,26
828
1,85
628
3,38
128
1,68
228
2,14
428
3,12
728
3,42
128
1,87
282,26
8[r61
t05]
287,26
228
6,40
228
7,16
628
7,16
628
6,89
528
8,19
928
6,40
228
6,91
928
7,93
528
8,19
328
6,82
628
7,16
6[r61
t06]
289,64
328
8,89
929
0,15
328
9,88
928
9,51
129
0,83
128
8,89
928
9,48
629
0,52
629
1,08
928
9,44
829
0,15
3[r61
t07]
292,10
229
1,48
829
2,84
529
2,49
429
2,08
229
3,40
329
1,48
829
2,07
329
3,09
329
3,79
829
1,96
329
2,85
8[r61
t08]
290,96
729
0,37
929
1,66
291,39
229
1,02
729
2,22
729
0,37
929
0,96
429
1,91
329
2,71
429
0,79
829
1,81
3[r61
t09]
287,89
128
7,19
728
8,25
428
8,19
328
7,26
728
9,12
528
7,19
728
7,72
928
8,81
828
9,57
128
7,29
928
8,22
1[r61
t10]
282,64
528
1,97
128
2,17
228
2,17
228
1,65
228
3,7
281,97
128
2,17
228
3,42
428
3,87
828
1,72
728
2,17
2[r61
t11]
277,86
127
7,34
327
7,25
727
7,25
727
6,80
527
8,78
427
7,34
327
7,25
727
8,54
327
8,98
127
6,88
127
7,25
7[r61
t12]
273,32
927
2,71
627
2,34
627
2,34
627
1,70
927
4,05
627
2,71
627
2,34
627
3,76
274,37
427
1,91
527
2,34
6[r61
m01
] 26
9,18
626
8,53
426
7,87
426
7,87
426
6,58
327
0,14
268,53
426
7,87
426
9,83
827
0,68
626
6,93
126
7,87
4[r61
m02
] 27
0,66
627
0,05
269,68
426
9,68
426
8,44
427
1,68
127
0,05
269,68
427
1,44
727
2,23
926
8,76
626
9,68
4[r61
m03
] 27
4,19
527
3,55
427
3,57
273,57
272,77
127
5,16
827
3,55
427
3,57
274,94
227
5,37
327
2,99
127
3,57
[r61
m04
] 27
8,22
127
7,57
277,77
727
7,77
727
7,61
227
9,17
527
7,57
277,77
727
8,92
727
9,19
327
7,65
927
7,77
7[r61
m05
] 28
2,41
728
1,59
928
1,99
128
1,99
128
1,99
128
3,47
128
1,59
928
1,99
128
3,12
928
3,39
928
1,90
428
1,99
1[r61
m06
] 28
4,89
328
4,09
828
4,87
528
4,87
528
4,63
286,13
628
4,09
828
4,63
828
5,66
828
6,21
228
4,49
284,87
5[r61
m07
] 28
7,19
928
6,49
328
7,56
528
7,50
128
6,93
288,53
828
6,49
328
7,04
288,14
528
8,89
428
6,83
728
7,56
5[r61
m08
] 28
6,50
328
5,80
428
6,87
228
6,80
928
6,19
928
7,81
428
5,80
428
6,36
428
7,46
428
8,28
428
6,10
728
6,84
4[r61
m09
] 28
3,78
928
3,00
428
3,57
328
3,57
328
2,89
928
5,00
928
3,00
428
3,42
128
4,64
528
5,27
428
2,92
428
3,57
3[r61
m10
] 27
9,34
627
8,58
127
8,47
327
8,47
327
8,16
428
0,31
827
8,58
127
8,47
327
9,93
928
0,38
278,19
927
8,47
3[r61
m11
] 27
5,66
827
5,22
327
4,85
527
4,85
527
4,59
127
6,43
127
5,22
327
4,85
527
6,22
727
6,66
427
4,64
827
4,85
5[r61
m12
] 27
1,43
127
0,75
627
0,28
127
0,28
126
9,37
127
2,34
327
0,75
627
0,28
127
1,89
627
2,75
326
9,62
127
0,28
1
[r61
_vegP] >
9,98
085
9,39
257
7,18
075
7,18
075
7,18
075
8,86
629
8,86
629
7,18
075
8,86
629
8,86
629
7,18
075
7,18
075
[r61
_vegP] <
13,427
413
,427
413
,617
715
,506
314
,956
613
,427
414
,062
615
,506
313
,427
413
,427
415
,916
114
,493
5
Galega officinalis
Cruciata pedemontana
Phlomis tuberosa
Aira elegantissima
Althaea officinalis
Cephalaria transsylvanica
Clematis integrifolia
Eryngium planum
Euphorbia seguieriana
Salvia aethiopis
Sideritis montana
Xeranthemum annuum
[r61
t01]
[r61
t02]
[r61
t03]
[r61
t04]
[r61
t05]
[r61
t06]
[r61
t07]
[r61
t08]
[r61
t09]
[r61
t10]
[r61
t11]
[r61
t12]
[r61
m01
] [r61
m02
] [r61
m03
] [r61
m04
] [r61
m05
] [r61
m06
] [r61
m07
] [r61
m08
] [r61
m09
] [r61
m10
] [r61
m11
] [r61
m12
]
[r61
_vegP] >
[r61
_vegP] <
min
max
269,73
327
1,42
227
2,27
726
8,96
926
8,99
427
0,81
827
0,54
727
4,54
271,4
273,38
727
4,25
827
0,57
427
0,60
527
2,58
327
2,36
327
5,88
327
5,83
227
7,92
327
8,64
227
4,77
227
4,79
277,53
276,97
227
9,34
428
1,85
628
3,10
828
3,46
228
0,57
628
0,57
928
3,31
128
2,26
828
4,13
828
6,82
628
7,93
228
8,19
328
5,48
728
5,48
728
8,19
928
7,14
428
9,05
289,47
290,79
729
1,08
928
8,16
328
8,16
329
1,06
628
9,55
529
2,04
292,02
429
3,57
329
3,95
729
0,79
929
0,73
293,79
829
2,10
229
5,07
290,96
829
2,56
329
2,98
228
9,78
328
9,64
329
2,71
429
0,96
729
4,13
428
7,26
728
8,96
628
9,48
728
6,04
728
6,04
728
9,00
928
7,89
129
0,35
828
1,65
228
3,13
628
3,75
528
0,49
528
0,50
528
2,98
728
2,17
228
5,15
327
6,80
527
8,14
227
8,75
927
5,84
427
5,85
427
7,97
227
7,25
728
0,41
627
1,70
927
3,17
127
3,97
627
0,95
327
0,97
727
2,68
272,34
627
6,58
626
6,58
326
8,94
327
0,17
926
5,51
326
5,54
726
8,27
426
7,87
427
2,76
726
8,44
427
0,92
227
1,94
726
7,31
267,35
326
9,87
826
9,68
427
3,65
272,77
127
4,59
727
5,25
827
1,61
527
1,63
327
4,26
527
3,57
276,13
127
7,61
227
8,64
827
9,16
327
6,38
927
6,39
278,92
327
7,77
727
9,92
328
1,90
428
2,85
528
3,37
928
0,52
128
0,52
128
3,34
728
1,99
128
4,25
828
4,49
285,64
228
6,19
328
3,18
228
3,18
228
6,09
828
4,79
328
7,36
286,83
728
8,23
528
8,81
285,47
928
5,47
928
8,63
828
7,14
328
9,78
286,10
728
7,54
288,19
328
4,83
928
4,83
928
8,02
528
6,50
328
6,50
328
2,89
928
4,43
228
5,08
728
1,59
528
1,59
528
4,55
328
3,57
328
6,41
527
8,16
427
9,44
328
0,16
427
7,07
527
7,08
227
9,38
327
8,47
328
1,92
927
4,59
127
5,79
427
6,44
427
3,71
427
3,72
627
5,57
627
4,85
527
8,01
626
9,37
127
1,29
227
2,34
526
8,29
826
8,33
327
0,78
827
0,28
127
4,6
7,18
075
8,94
302
8,86
629
7,18
075
7,18
075
8,86
629
7,18
075
15,916
113
,427
410
,744
415
,916
117
,384
713
,281
115
,506
3
MOESZ
Cotinus coggygria
Fraxinus ornus
Quercus cerris
Vitis sylvestris
Vitis vinifera
Castanea sativa
– Mellékletek –
106
III. Az előzetes kutatás térképes eredményei
A következőkben az előzetes kutatás térképes eredményeit mutatom be. A
térképlapok északra vannak tájolva, ahol a színek jelentése a következő:
− sötétzöld: eredeti elterjedési terület,
− citromsárga: a 2. számú képlet (vegetációs időszak csapadéka és havi
középhőmérsékletek figyelembe vétele) szerint végzett modellezés
eredménye a referencia-időszakra (1961-90),
− sötétkék: a 2. számú képlet szerint végzett modellezés eredménye a
jövőbeli időszakra (2011-2040),
− világoskék: az 1. számú képlet (havi középhőmérsékletek figyelembe
vétele) szerint végzett modellezés eredménye a referencia-időszakra
(1961-90),
− narancssárga: az 1. számú képlet szerint végzett modellezés eredménye a
jövőbeli időszakra (2011-2040),
− lila: a Pálfai-index szerint végzett modellezés eredménye a referencia-
időszakra (1961-90),
− világoszöld: a Pálfai-index szerint végzett modellezés eredménye a
jövőbeli időszakra (2011-2040).
Pinus brutia
– Mellékletek –
107
Pinus halepensis
Pinus nigra
Pinus pinea
– Mellékletek –
108
Quercus suber
Pinus pinaster
– Mellékletek –
109
IV. A szubjektív paraméterválasztás különböző módszerei az Abies
borisii-regis példáján
A 4.4.3. fejezetben ismertetett 3–8. számú képletek alkalmazását a makedón
jegenyefenyő (Abies borisii-regis) fajon tettem próbára, melyek térképes eredményeit a
következőkben bemutatom.
A térképeken feltüntetett színek jelentése a következő:
− sötétzöld: eredeti elterjedési terület,
− világoszöld: modellezett telepíthetőségi terület a referencia-időszakra
(1961-1990),
− narancssárga: modellezett telepíthetőségi terület a 2011-2040 közötti
időszakra,
− citromsárga: modellezett telepíthetőségi terület a 2041-2070 közötti
időszakra.
– Mellékletek –
110
3. számú képlet 6. számú képlet
4. számú képlet 7. számú képlet
5. számú képlet 8. számú képlet
– Mellékletek –
111
V. Önálló telepíthetőségiterület-modellezés térképes eredményei
A 4.4.3. fejezetben ismertetett 8. számú képlet szerint végzett modellezés térképes
eredményeit a következőkben bemutatom.
A térképeken feltüntetett színek jelentése a következő:
− sötétzöld: eredeti elterjedési terület,
− világoszöld: modellezett telepíthetőségi terület a referencia-időszakra
(1961-1990),
− narancssárga: modellezett telepíthetőségi terület a 2011-2040 közötti
időszakra,
− citromsárga: modellezett telepíthetőségi terület a 2041-2070 közötti
időszakra.
Abeis borisii-regis Abies bornmuelleriana
Abeis cilicica Abies marocana
– Mellékletek –
112
Abeis numidica Acer heldreichii
Acer monspessulanum Acer sempervirens
Buxus balearica Euonymus latifolius
– Mellékletek –
113
Fagus orientalis Juniperus oxycedrus
Juniperus thurifera Laurus nobilis
Liquidambar orientalis Phillyrea angustifolia
– Mellékletek –
114
Phillyrea latifolia Pinus brutia
Pinus halepensis Pinus nigra
Pinus peuce Pinus pinaster
– Mellékletek –
115
Pinus pinea Quercus canariensis
Quercus coccifera Quercus faginea
Quercus ilex Quercus rotundifolia
– Mellékletek –
116
Quercus suber Quercus trojana
Rhamnus fallax Tilia tomentosa
Ulex europaeus
– Mellékletek –
117
VI. Az elterjedésmodellezés térképes eredményei: kulcsfajok
A Moesz-vonalhoz eredetileg kapcsolt 12+1 kulcsfajra – a 4.4.3. fejezetben
ismertetett 2. számú képlet szerint – végzett modellezés térképes eredményeit a
következőkben bemutatom.
A térképeken feltüntetett színek jelentése a következő:
− sötétzöld: eredeti elterjedési terület,
− világoszöld: modellezett telepíthetőségi terület a referencia-időszakra
(1961-1990),
− narancssárga: modellezett telepíthetőségi terület a 2011-2040 közötti
időszakra,
− citromsárga: modellezett telepíthetőségi terület a 2041-2070 közötti
időszakra.
Aira elegantissima Althaea officinalis
Cephalaria transsylvanica Clematis integrifolia
– Mellékletek –
118
Eryngium planum Euphorbia seguieriana
Galega officinalis Cruciata pedemontana
Phlomis tuberosa Salvia aethiopis
– Mellékletek –
119
Sideritis montana Xeranthemum annuum
Vitis vinifera
– Mellékletek –
120
VII. Az elterjedésmodellezés térképes eredményei: kapcsolt fajok
A Moesz-vonalhoz később kötött fajokra – a 4.4.3. fejezetben ismertetett 2. számú
képlet szerint – végzett modellezés térképes eredményeit a következőkben bemutatom.
A térképek jelmagyarázatát lásd a VI. számú mellékletben.
Castanea sativa Cotinus coggygria
Fraxinus ornus Quercus cerris
Vitis sylvestris