VLAAMS IMPULSPROGRAMMA NATUURONTWIKKELING

Transcriptie

1 VLAAMS IMPULSPROGRAMMA NATUURONTWIKKELING Ontwikkeling van een hydro-ecologisch model voor vallei-ecosystemen in Vlaanderen, ITORS-Vl VLINA 00/16 april 2002 Instituut voor Natuurbehoud Universiteit Utrecht Milieukunde en Hydro-ecologie

2 Studie uitgevoerd van 1 oktober 2000 tot 31 september 2001 in het kader van het Besluit van de Vlaamse regering tot instelling en organisatie van een Vlaams Impulsprogramma Natuurontwikkeling van 8 februari Instituut voor Natuurbehoud Promotor : Willy Huybrechts (coördinator) Medewerkers : Els De Bie Piet De Becker Universiteit Utrecht, Milieukunde en Hydro-ecologie Promotor : Martin Wassen Medewerkers : Ana Bio Verslag van het Instituut voor Natuurbehoud

3 Inhoud Inhoud Lijst figuren Lijst tabellen Samenvatting Hoofdstuk 1 Inleiding 1.1 Probleemstelling Hydro-ecologische modellen Hydro-ecologische modellen in Vlaanderen ITORS Wetenschappelijke doelstelling van het project... 4 Hoofdstuk 2 Basisgegevens 2.1 Inleiding Studiegebieden De Doode bemde Snoekengracht Het Vorsdonkbos-Turfputten Walenbos De Vallei van de Zwarte Beek Biotische gegevens Inleiding Plantensoorten Vegetatietypen Abiotische gegevens Grondwater Bodem Beheer Beschikbare gegevens Hoofdstuk 3 Verwerking van gegevens 3.1 Inleiding Verschillen in het verzamelen van data Van punt naar raster Rotatie raster Ruimtelijke analyse Geostatistiche interpolatie Hoofdstuk 4 Gebiedsafhankelijkheid 4.1 Inleiding Gebiedsvariabelen Ecologische amplituden Vlaanderen, ITORS-Vl VLINA 00/16

4 Inhoud 4.4 Situering studiegebieden in de Vlaamse context Conclusies Hoofdstuk 5 Selectie variabelen 5.1 Inleiding Correlatie analyse Factor analyse Factoranalyse op grondwaterchemische gegevens Factoranalyse op grondwaterdynamische gegevens Factoranalyse op grondwaterchemische en dynamische gegevens Canonische correspondentie analysen Bodem Nutriënten Conclusies Hoofdstuk 6 Regressiemodellen 6.1 Inleiding Modeltype Selectie van modeltermen en modelcomplexiteit Factoren Interactie tussen factor bodem en de continue variabele gemiddelde grondwaterstand Minimum curven Berekende modeltypen Samenvatting van model criteria Hoofdstuk 7 Model evaluatie 7.1 Inleiding Statistische evaluatie Model goodness-of-fit Model discriminatie Betrouwbaarheidsintervallen Evaluatie ruimtelijke patronen Soorten en vegetatietypen Voorspellingskaarten voor de vegetatietypen Soorten met lage GOF Conclusies Hoofdstuk 8 Validatie 8.1 Inleiding Beschrijving testgebieden Aardgat Rodebos Dijlevallei Vlaanderen, ITORS-Vl VLINA 00/16

5 Inhoud Webbekom Beschikbare gegevens De modellen in de testgebieden...92 Hoofdstuk 9 ITORS-VL 9.1 Inleiding Verschillen tussen ITORS en ITORS-Vl dataset ITORS-Vl inpassen in de ITORS programmatuur Variabelen Twee modeltypen Drempelwaarden Lijsten met ecotooptypen en freatofytgroepen...98 Hoofdstuk 10 Toepassingen met ITORS-VL 10.1 Scenario 1: vernatting in Doode Bemde Scenario 2:verandering in grondwaterchemie van Vorsdonkbos Scenario 3: verdroging Scenario 4 : wijziging van het beheer scenario 5: Conclusies Hoofdstuk 11 Algemene conclusies, toepassingsmogelijkheden en beperkingen van ITORS-Vl Referenties Bijlagen Vlaanderen, ITORS-Vl VLINA 00/16

6

7 Lijst van figuren Lijst van Figuren Figuur 2.1 Locatie van de studiegebieden 5 Figuur 3.1 Opnameraster en locatie van peilbuizen voor 15 Vorsdonkbos Figuur 3.2 Vergelijking niet-geroteerde en geroteerde 17 middelpunten van elke rastercel voor de Doode Bemde Figuur 3.3 Vergelijking niet-geroteerde en geroteerde 18 middelpunten van elke rastercel voor het Walenbos Figuur 3.4 Sferisch, gaussisch, exponentieel en lineair 20 model Figuur 3.5 Het empirisch semivariogram voor SO 4 in de 21 Zwarte Beek Figuur 3.6 Isolijnenpatroon voor blokkriging gebaseerd op 22 semivariogramanalyse en blokkriging met standaardinstelling in SURFER voor ph in Vorsdonkbos Figuur 4.1 Boxplot voor concentratie aan HCO 3 voor de 28 standplaats van Arrhenatherum elatius Figuur 4.2 Boxplot voor concentratie aan Ca voor de 28 standplaats van Saxifraga granulata Figuur 4.3 Boxplot voor Ca-concentratie voor de standplaats 29 van Rumex hydrolapatum Figuur 4.4 Boxplot voor Ca-concentratie voor de standplaats 29 van Carex acuta Figuur 4.5 Boxplot voor conductiviteit van standplaats van 30 Rumex hydrolapatum Figuur 4.6 Boxplot voor Ca-concentratie voor de standplaats 30 van Carex curta Figuur 4.7 Vergelijking van de hydrochemische ranges van de 31 vijf studiegebieden met het gemiddelde van ca; 70 Vlaamse natuurgebieden Figuur 5.1 Biplots van de factoranalyse van de chemische 36 variabelen (abscis en ordinaat zijn telkens resp. de eerste en de tweede ordinatieas) Figuur 5.2 Biplots van de factoranalyse voor de dynamische 38 variabelen (abscis en ordinaat zijn telkens resp. de eerste en de tweede ordinatieas) Figuur 5.3 Biplots van de factoranalyse voor zowel chemische 40 als dynamische variabelen(abscis en ordinaat zijn telkens resp. de eerste en de tweede ordinatieas) Figuur 5.4 Biplot van CCA op de volledige dataset 44 Figuur 5.5 Biplot van DCCA op de dataset van Doode Bemde 45 Figuur 5.6 Biplot van CCA op de dataset van Snoekengracht 46 Figuur 5.7 Biplot van CCA op de dataset van Vorsdonkbos 47 Figuur 5.8 Biplot van CCA op de dataset van Walenbos 48 Figuur 5.9 Biplot van DCCA op de dataset van de Zwarte Beek 49 Figuur 6.1 Verdeling van de variabelen. 55 Figuur 6.2 Het lineaire responsmodel voor Equisetum fluviatile ten opzichte van kalium en het kwadratische model voor Scirpus sylvaticus ten opzichte van chloride 56 Vlaanderen, ITORS-Vl VLINA 00/16

8 Lijst van figuren Figuur 6.3 Voorbeeld minimum-curve in logistische regressie; respons curve voor de soort Arrhenatherum elatior 2- en de verklarende variabel SO 4 Figuur 7.1 Kruistabel met a = opnamen met waargenomen en voorspelde aanwezigheid, b = opnamen met waargenomen afwezigheid maar voorspelde aanwezigheid, c = opnamen met waargenomen aanwezigheid maar voorspelde afwezigheid, d = opnamen met waargenomen en voorspelde afwezigheid, N = totaal aantal opnamen Figuur 7.2 Het lineaire responsmodel voor Equisetum fluviatile ten opzichte van de kalium concentratie en het kwadratische model voor Scirpus sylvaticus ten opzichte van de chloride concentratie. Figuur 7.3 Voorbeelden per klasse bekomen uit de ruimtelijke evaluatie: Figuur 7.4 Vegetatiekaart voor de 4 studiegebieden in het model VexW. Rasters geven geobserveerde vegetatietype weer, de cirkels geven de voorspellingen weer Figuur 7.5 Vegetatiekaart voor de 5 studiegebieden in het model VinW. Rasters geven geobserveerde vegetatietype weer, de cirkels geven de voorspellingen weer Figuur 7.6 Vegetatiekaart voor de 5 studiegebieden in het model VinWinW. Rasters geven geobserveerde vegetatietype weer, de cirkels geven de voorspellingen weer Figuur 7.7 Validatiekaart voor Calthion door VinWinW in de 5 gebieden Figuur 7.8 Validatiekaart voor Calla palustris door het model VinWinW Figuur 7.9 Validatiekaart voor Calla palustris door het model VinWinW Figuur 8.1 Ranges van de testgebieden voor de verschillende variabelen Figuur 10.1 Kans op voorkomen van Carex acutiformis (Moeraszegge) in de Doode Bemde berekend voor de originele standplaatsgegevens (validatie) en voor de nieuwe standplaatsgegevens bij vernatting (scenario). Toegepast voor twee modellen: VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand Figuur 10.2 Vegetatiekaart van de Doode Bemde berekend voor de originele (validatie) als voor de nieuwe standplaatsgegevens bij vernatting (scenario), gebruik makend van model VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand). Figuur 10.3 Probabiliteiten berekend voor Carex curta (Zompzegge)in Vorsdonkbos met de originele standplaatsgegevens en deze van het nieuwe scenario. Dit voor de twee modellen VexW en VinWinW Figuur 10.4 Vegetatiekaart van Vorsdonkbos berekend met de originele standplaatsgegevens (validatie) en de nieuwe standplaatsgegevens bij een verandering in grondwaterchemie (scenario 2). Toegepast voor twee modellen VexW (exclusief Walenbos) en Vlaanderen, ITORS-Vl VLINA 00/16

9 Lijst van figuren VinWinW (inclusief Walenbos en grondwaterstand). Figuur 10.5 Kans op voorkomen van Equisetum fluviatile berekend met de originele standplaatsgegevens (validatie) en nieuwe standplaatsgegevens bij een daling van de grondwaterstand van 0.5 m in de Zwarte Beek (scenario). Toegepast voor twee modellen: VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand Figuur 10.6 Kans op voorkomen van Carex acutiformis berekend met de originele standplaatsgegevens (validatie) en nieuwe standplaatsgegevens bij een daling van de grondwaterstand van 0.3 m in de Snoekengracht (scenario). Toegepast voor twee modellen: VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand). Figuur 10.7 Vegetatiekaart voor Snoekengracht berekend voor de originele standplaatsgegevens (validatie) als voor de nieuwe standplaatsgegevens bij een verlaging van de watertafel (scenario), dit voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand). Figuur 10.8 Vegetatiekaart van de Zwarte Beek berekend voor het verdrogingscenario met de originele standplaatsgegevens (validatie) en de nieuwe standplaatsgegevens (scenario), dit voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand Figuur 10.9 Probabiliteiten in Snoekengracht berekend voor de originele standplaatsgegevens (validatie) en voor het nieuwe beheer (scenario). Toegepast voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand) Figuur Vegetatiekaart berekend voor de originele standplaatsgegevens (validatie) en voor de nieuwe standplaatsgegevens (scenario), dit voor twee modellen VexW (exclusief Walenbos) en VinWinW (inclusief Walenbos en grondwaterstand) Vlaanderen, ITORS-Vl VLINA 00/16

10

11 Lijst van tabellen Lijst van Tabellen Tabel 2.1 Overzicht dataset per gebied 6 Tabel 2.2 Hydrochemische variabelen, hun detectiegrenzen en 12 de toegekende concentratie bij waarden lager dan de detectiegrens.detectiegrenzen voor chemische analyse Tabel 2.3 Overzicht van de beschikbare abiotische 14 variabelen Tabel 4.1 Multiple regressievergelijkingen per plantensoort 24 en gebied Tabel 4.2 Multiple regressievergelijkingen per plantensoort 26 voor de vijf gebieden samen met gebied als kandidaat variabele Tabel 4.3 Multiple regressievergelijkingen per plantensoort 26 voor de vijf gebieden samen waarbij het 'gebied' pas achteraf toegevoegd werd Tabel 4.4 Multiple regressievergelijkingen voor Caltha 27 palustris per gebied en voor de vijf gebieden samen Tabel 5.1 Overzicht correlaties (>0.5) tussen chemische 34 variabelen (gebiedscode in tabel 5.3) Tabel 5.2 Overzicht correlaties (>0.5) tussen dynamische 34 variabelen(gebiedscode in tabel 5.3) Tabel 5.3 Verklaring gebruikte gebiedscode in tabellen & 5.2 Tabel 5.4 Overzicht eigenwaarden en percentage verklaarde 37 variantie voor de factor analyse van de chemische variabelen Tabel 5.5 Relatieve lengte van de bi-plotpijlen (voor de 37 eerste twee assen) voor de chemische variabelen uit de factoranalysen (figuur 5.1) Tabel 5.6 Overzicht eigenwaarden en percentage verklaarde 39 variantie voor de factor analyse van de dynamische variabelen Tabel 5.7 Relatieve lengte van de bi-plotpijlen (voor de 39 eerste twee assen) voor de dynamische variabelen uit de factoranalysen (figuur 5.2) Tabel 5.8 Overzicht eigenwaarden en percentage verklaarde 41 variantie voor de factoranalyse van de chemische en dynamische variabelen samen Tabel 5.9 Relatieve lengte van de bi-plotpijlen (voor de 41 eerste twee assen) uit de factoranalysen voor de chemische en dynamische variabelen samen (figuur 5.3) Tabel 5.10 Tabel 5.10: Lengte van de pijlen voor de 41 verschillende variabelen op het CCAordinatiediagram van de volledige dataset voor as 1 en as 2) Tabel 5.11 Lengte van de pijlen voor de verschillende 45 variabelen op het CCA-ordinatiediagram voor as 1 en as 2 voor de Doode Bemde Tabel 5.12 Lengte van de pijlen voor de verschillende 46 variabelen in Snoekengracht op het CCAordinatiediagram voor as 1 en as 2 Vlaanderen, ITORS-Vl VLINA 00/16

12 Lijst van tabellen Tabel 5.13 Lengte van de pijlen voor de verschillende 47 variabelen in Vorsdonkbos op het CCAordinatiediagram voor as 1 en as 2 Tabel 5.14 Lengte van de pijlen voor de verschillende 48 variabelen op het CCA-ordinatiediagram in het Walenbos voor as 1 en as 2 Tabel 5.15 Lengte van de pijlen voor de verschillende 49 variabelen in de Zwarte Beek op het CCAordinatiediagram voor as 1 en as 2 Tabel 5.16 Vergelijking nutriëntenranges ITORS ITORS-Vl 51 Tabel 6.1 Model samenstelling. Aantal keer de variabele 61 geselecteerd is in de regressievergelijkingen voor de soorten en vegetatietypen. Tabel 6.2 Aantal gelijke modelsamenstellingen voor de 62 verschillende modellen voor de regressievergelijkingen van de plantensoorten Tabel 7.1 Goodness-of-fit berekening voor het vegetatietype 64 Caricion curto-nigrae Tabel 7.2 Tabel met een samenvatting (gemiddelde en 65 standaard deviatie) van de Goodness-of-fit (GOF) per model samen met een aantal regressies Tabel 7.3 Tabel 7.3 Lijst van soorten met een lage GOF 66 Tabel 7.4 Aantal regressies (soorten en vegetatietypen) 67 gerangschikt volgens verklaarde variantie (% Deviance) Tabel 7.5 Tabel met samenvatting (gemiddelde, 69 standaarddeviatie, maximum en minimum waarde) voor de discriminatiematen. Per model wordt eveneens het aantal regressies weergegeven met een discriminatie maat hoger dan respectievelijk 0.25, 0.5, 0.75 en 0.9. Ook het gemiddelde van deze maten is weergegeven per model Tabel 7.6 Tabel met samenvatting (gemiddelde, standaard 71 deviatie, minimum en maximum) van het gemiddelde BI (betrouwbaarheidsinterval) voor alle soorten per model berekend en het aantal vergelijkingen met een BI onder 0.1, tussen 0.1 en 0.2, groter dan 0.2 Tabel 7.7 Tabel met soorten welke een gemiddeld 71 betrouwbaarheidsinterval hebben hoger dan 0.2 (vet) voor tenminste 1 van de drie modellen. Cursieve waarden zijn hoger dan 0.1. Plantennamen in vet hebben een groot interval (> 0.2) voor de drie modellen samen. Tabel 7.8 Overzicht per klasse van het aantal soorten samen 73 met de gemiddelde GOF en standaard deviatie Tabel 7.9 Overzicht per klasse van de discriminatiematen 74 Tabel 7.10 Overzicht van het aantal observaties, 82 voorspellingen en % juiste voorspellingen Tabel 7.11 Overzicht van de ruimtelijke evaluatie voor de 83 vegetatietypen samen met de gemiddelde GOF Tabel 7.12 Lijst van soorten met een lage GOF (< 0.01, 84 grijze achtergrond) voor tenminste één modeltype samen met hun klassenindeling voor de ruimtelijke evaluatie. In vet staan de zeven soorten welke voor de drie modellen een lage GOF hebben Tabel 8.1 Aantal opnamen en soorten per gebied betrokken in de validatie van het model 92 Vlaanderen, ITORS-Vl VLINA 00/16

13 Lijst van tabellen Tabel 8.2 Overzicht (gemiddelde en standaarddeviatie) van 94 de discriminatie waarden voor de bier testgebieden Aardgat, Dijlevallei, Rodebos en Webbekom, toegepast met de drie modeltypen Tabel 9.1 Overzicht van gegevens in ITORS en ITORS-Vl 96 dataset Tabel 10.1 Overzicht van de gemiddelde grondwaterstand in 99 originele dataset en scenario 1 Tabel 10.2 Overzicht van de reacties van soorten op 100 vernatting met hun overeenkomstige GOF als indicatie van modelcorrectheid, zowel op totale dataset (GOFtot) als op het deelbestand van de Doode Bemde (GOFdeel) Tabel 10.3 Overzicht van de grondwaterchemie gebruikt in de 103 originele dataset en deze voor scenario 2. Tabel 10.4 Overzicht van de reacties van een selectie van 103 soorten en vegetatietypen op een verandering in grondwaterchemie samen met hun overeenkomstige GOF, zowel op totale dataset (GOFtot) als op het deelbestand van Vorsdonkbos (GOFdeel). Tabel 10.5 Grondwaterstanden in scenario 3 voor de Zwarte 107 Beek en de Snoekengracht na een verlaging van respectievelijk 0.5 en 0.3 m Tabel 10.6 Overzicht van de reacties van soorten op een 107 verandering in de grondwaterstand samen met hun overeenkomstige GOF, zowel op totale dataset (GOFtot) als op het deelbestand van de Vallei van de Zwart Beek (GOFdeel). Tabel 10.7 Overzicht van de reacties van soorten op een 108 verandering in de grondwaterstand samen met hun overeenkomstige GOF, zowel op totale dataset (GOFtot) als op het deelbestand van Snoekengracht (GOFdeel). Tabel 10.8 Overzicht van de reacties van soorten op een 113 jaarlijks beheer samen met hun overeenkomstige GOF als indicatie van modelcorrectheid, zowel op totale dataset (GOFtot) als op het deelbestand van Snoekengracht (GOFdeel). Tabel 11.1 Lijst van soorten met een lage GOF (< 0.01, 122 grijze achtergrond) voor tenminste één modeltype. In vet staan de zeven soorten welke voor de twee modellen een lage GOF hebben Tabel 11.2 Lijst met de gebruikte vegetatietypen in ITORS-Vl 123 Tabel 11.3 Overzicht van het bereik van de abiotische 124 variabelen (mean in m onder maaiveld, ionen in mg/l) Vlaanderen, ITORS-Vl VLINA 00/16

14

15 Samenvatting Samenvatting Probleemstelling De laatste decennia hebben socio-economische veranderingen een algemene degradatie van het milieu en de nog aanwezige natuur tot gevolg gehad. Deze evolutie gaat nog steeds door: processen zoals verzuring, vermesting, versnippering en verdroging hebben een negatieve invloed op natuurwaarden. De laatste jaren is de aandacht voor deze processen sterk toegenomen, zowel op het beleidsniveau (Mira-T 1999) als op het vlak van het dagelijks natuurbeheer. De Vlaamse milieuadministratie probeert de verstoringen beter in beeld te brengen en met gerichte maatregelen wordt gepoogd de achteruitgang van het natuurlijke milieu tegen te gaan en de natuurwaarde opnieuw te verhogen. Zowel bij degradatie als bij restauratie van natuur is een inschatting van de effecten van de veranderingen in de milieuomstandigheden op het ecosysteem een noodzaak. Het laat toe de gevolgen van beleid- en beheersbeslissingen te voorzien. De ontwikkeling van vegetatie wordt door verschillende factoren bepaald. In valleigebieden waar vochtige en natte omstandigheden domineren, heeft de hydrologie een grote invloed op de vegetatieontwikkeling. Daarenboven zijn de potenties voor waardevolle vegetatietypen groot in valleigebieden. Kennis van de relatie tussen vegetatiestructuur en samenstelling enerzijds en hydrologische condities anderzijds is een voorwaarde om valleigebieden kwaliteitsvol te beheren en uitspraken te doen over mogelijke vegetatieontwikkelingen na ingrepen. De integratie van deze kennis in een hydro-ecologisch model levert een instrument dat efficiënt kan worden ingezet, en een ruime waaier van toepassingsmogelijkheden heeft in het natuurbeleid en het natuurbeheer. Hydro-ecologische modellen specifiek ontwikkeld voor of aangepast aan Vlaamse valleigebieden zijn niet voor handen. Het gebruik in Vlaanderen van modellen die volledig in Nederland werden ontwikkeld is mogelijk maar stelt bepaalde nadelen. Door de uitgebreide gegevensbestanden die recent werden verzameld behoort het opstellen van een hydro-ecologisch model aangepast aan de Vlaamse condities tot de mogelijkheden. Een eerste stap in die richting wordt in dit onderzoeksproject gezet. Doelstellingen De voornaamste doelstelling van het onderzoeksproject is het ontwikkelen van een voorspellend hydro-ecologisch model voor grondwaterafhankelijke terrestrische vegetaties in riviervalleien. Het model moet de gebruikers in staat stellen om de kansen op het voorkomen van bepaalde soorten en vegetatietypen in te schatten op basis van informatie met betrekking tot hydrologie, topografie, bodem en het gevoerde beheer in een bepaald gebied. Hierbij wordt gesteund op de bestaande kennis en instrumenten in Nederland. Met name ITORS (Invloed Terrestrisch milieu Op Responsie van Soorten, Ertsen 1995), een model dat door de vakgroep Milieukunde en Hydro-ecologie van de Universiteit Utrecht werd ontwikkeld, zal als basis dienen om een empirisch correlatief model te bouwen dat in Vlaanderen kan worden ingezet. Met ITORS-Vl 1.0 wordt een eerste stap gezet om de grote lacune die op het vlak van hydro-ecologische modellen in Vlaanderen in te vullen, zij het dat het toepassingsgebied zich voorlopig beperkt tot de Kempen, het Hageland en de Leemstreek. Hiervoor worden verschillende stappen doorlopen. In de eerste plaats wordt een datamatrix opgebouwd met gecombineerde gegevens over hydrologie, bodem, beheer, en de aanwezige plantensoorten (vaatplanten en mossen). Hiervoor werden bestaande gegevens gebruikt uit vijf studiegebieden. Een volgende stap is het berekenen van de wiskundige Vlaanderen, ITORS-Vl VLINA 00/16

16 Samenvatting verbanden tussen de kans op voorkomen van de soorten en de milieucondities. Dit gebeurt aan de hand van multiple regressie. De verzameling van de regressievergelijkingen vormt het hydro-ecologisch model. Tenslotte wordt het model geëvalueerd en getest aan de hand van zowel de gegevens waarmede het model werd gebouwd als met een externe dataset. Methode Beschikbare gegevens De basisgegevens voor dit onderzoeksproject werden in eerdere projecten verzameld en zijn afkomstig uit 5 studiegebieden: Het Walenbos, De Snoekengracht, Vorsdonkbos-Turfputten, De Doode Bemde en De Zwarte Beek. Ze hebben betrekking op vegetatie, het ondiepe grondwater, de bodem en tenslotte het beheer. In de vijf studiegebieden werd een kartering van planten- en mossoorten uitgevoerd aan de hand van een gebiedsdekkende rastering. Per gebied werd een vooraf geselecteerde lijst van plantensoorten overlopen op aan- /afwezigheid. Uitgangspunt bij het opstellen van de plantenlijsten zijn de freatofyten aangevuld met kensoorten voor de typische plantengemeenschappen in het gebied. Op de soortenlijsten die dienden voor de karteringen in de vijf gebieden komen in totaal 292 soorten voor (37 mossen en 255 hogere planten). Daarvan werden er 111 soorten consequent in de vijf gebieden gekarteerd. Niet alle soorten komen voldoende frequent voor om te worden betrokken in het onderzoek. De finale lijst omvat 80 soorten waarvan 5 mossen en 75 hogere planten. Hiervan maken de freatofyten (sensu Londo 1988), met 53 soorten, het merendeel uit. De vegetatietypen werden niet op het terrein gekarteerd, maar per gebied afgeleid uit de soortenkartering. In totaal werden 11 vegetatietypen weerhouden en als pseudo-soorten behandeld. De voorspellende variabelen zijn afkomstig uit verschillende groepen van standplaatsfactoren: grondwaterdynamiek, grondwaterchemie, bodem en tenslotte ook beheer. Bodem en beheer werden eveneens in het karteerraster verzameld maar niet als continue variabelen. Dit in tegenstelling tot ITORS, waar ook de standplaatsvariabelen met betrekking tot de bodem gekwantificeerd zijn. In dit project wordt voor elk van deze variabelen een onderscheid gemaakt tussen een aantal klassen. Met betrekking tot het ondiepe grondwater worden met 20 hydrologische variabelen de dynamiek en de chemische samenstelling beschreven. De hydrologische variabelen werden verzameld in een piëzometernetwerk, dat min of meer gebiedsdekkend is. Om de hydrologische gegevens compatibel te maken met de andere data, werden ze van puntgegevens naar het gebiedsdekkende raster omgezet. Met interpolatie op basis van ruimtelijke analyse en blockkriging werd voor elke rastercel een waarde bekomen voor de hydrologische variabelen.

17 Samenvatting P025X P042X P024X P047X P035X P052X P023X P045X P041X P022X P026X P051X P033X P043X P027X P059X P039X P021X P040X P030X P007X P049X P020X P032X P038X P017X P036X P031X P057X P037XP034X P005X P003X P058X P054X N P056X P029X P055X P028X P001A P010X Meters Figuur 1: Opnameraster (links) en locatie van de piëzometers (rechts) voor Vorsdonkbos. Selectie variabelen De toepasbaarheid van een model wordt in het algemeen groter indien het aantal variabelen beperkter is. Daarom werd met behulp van multivariate analysetechnieken (correlatie-, factor- en canonische correspondentieanalyse) maar ook rekening houdend met meer praktische overwegingen zoals de eenvoud van het verzamelen van meetresultaten op het terrein een verdere selectie van de variabelen doorgevoerd. Onderstaande lijst bevat de geselecteerde variabelen: Samenstellen datamatrix S Beheer S Bodem (model exclusief Walenbos) S gemiddelde grondwaterdiepte (in m onder maaiveld) S alle nutriënten (in ppm): - NO NH PO K + S als chemische variabelen (in ppm, behalve IR) - Ca 2+ - Cl - - Fe tot - Mg 2+ - ph - SO 4 2- S Ionic Ratio Er zijn aanwijzingen dat responsfuncties van bepaalde soorten en vegetatietypen gebiedsgebonden zijn. Uit een eerste analyse van de responsfuncties in de verschillende gebieden, bleek dat de functie verschilde naargelang het gebied. Hoewel in dit project vooral met freatofyten gewerkt wordt, die in principe minder regioafhankelijk zijn, wordt deze vaststelling opnieuw bevestigd De beste regressiemodellen werden per gebied afzonderlijk verkregen. Bij samenvoeging van de gegevens uit de Vlaanderen, ITORS-Vl VLINA 00/16

18 Samenvatting verschillende gebieden draagt een gebiedsvariabele sterk bij aan de verklaring van de variantie. Uit de analyse kan echter ook worden afgeleid dat voor de 5 gebieden de verschillende responsfuncties per gebied niet noodzakelijk het gevolg zijn van een verschillende respons op de variabele(n). De voorkomende range voor een hydrologische variabele van het gebied speelt een rol. Met het model wordt een breed toepassingsveld nagestreefd. Het is ook van belang om een zo groot mogelijke range van omstandigheden te modelleren, en elk van de bemonsterde gebieden bevat maar een gedeelte van de mogelijke abiotische ranges. Op basis van deze overwegingen werd beslist om de informatie uit de verschillende gebieden samen te voegen in één model. Dit heeft verder het voordeel dat voor elke soort meer waarnemingen in de modelberekeningen beschikbaar zijn. Multiple logistische regressies Het voorkomen van plantensoorten en vegetatietypen in afhankelijkheid van abiotische omgevingsfactoren (bodem, beheer, chemie en dynamiek van het grondwater) wordt met behulp van empirische Multiple Logistische Regressies gemodelleerd. Hierbij wordt gepoogd het waargenomen verspreidingspatroon van de planten op een zo eenvoudig mogelijke manier in getallen uit te drukken. De meest relevante omgevingsvariabelen die hierbij een rol spelen en de relatie (vorm van afhankelijkheid) tussen deze en de planten worden geïdentificeerd. Regressiemodellen zijn gebaseerd op relaties, niet noodzakelijk oorzakelijke, die in de dataset aanwezig zijn. kans van voorkomen Figuur 2: Viola palustris gemodelleerd met een kwadratische functie van Fe als voorspellende variabele (de staafjes duiden op de observaties). Logistische regressie verwijst naar de aan- of afwezigheid van soorten en vegetatietypen (in mathematische termen een binaire variabele), terwijl multiple aangeeft dat men kan verwachten dat meerdere omgevingsfactoren samen op de planten invloed uitoefenen. De verzameling van regressievergelijkingen voor de verschillende soorten en vegetatietypen vormen samen een model. Het ontbreken van bodemgegeven voor Walenbos heeft consequenties bij het opstellen van het model. Kennis van het bodemtype en daarmee van de capillariteit van de bodem is belangrijk om de in piëzometers gemeten waterstanden te interpreteren. In een model kan dit opgelost worden door een interactieterm tussen bodemtype en grondwaterstand te definiëren. In functie van de beschikbare gegevens werden drie modeltypen in het project onderzocht, waarvan er uiteindelijk twee werden weerhouden, namelijk - een algemeen model zonder de variabele bodem : VinWinW; - een algemeen model op basis van alle variabelen, maar ontwikkeld zonder het deelbestand Walenbos, waarvoor geen bodemgegevens beschikbaar zijn: VexW. Fe

19 Samenvatting Andere criteria bij de hydro-ecologische modellering zijn: - er wordt gerekend met Gegeneraliseerde Lineaire Modellen (GLM) - er worden regressies voor planten- en mossoorten berekend die ten minste in vijftien rastercellen voorkomen. - er wordt geen transformatie toegepast op de data, de originele gegevens worden gebruikt. - bodem en beheer zijn niet-continue klassenvariabelen en worden behandeld als factoren. Ze worden door dummyvariabelen gemodelleerd aan de hand van codes. - waterstanden worden met en zonder interactie met bodemtype gemodelleerd. Resultaat: ITORS-Vl 1.0 Het resultaat van het onderzoek is het prototype van het hydro-ecologisch model ITORS-Vl 1.0. ITORS-Vl 1.0 berekent de kans op voorkomen van 80 soorten en 11 vegetatietypen op basis van kenmerken van het ondiepe grondwater, de bodem en het beheer. In deze versie voorspelt het model niet of de soort daadwerkelijk zal voorkomen of voorkomt. Dit heeft te maken met het concept van het model. Om te voorpellen of een soort al dan niet voorkomt, moeten namelijk drempelwaarden voor de probabiliteiten worden ingesteld, iets wat niet éénduidig kan worden opgelost. De aanwezigheid van vegetatietypen wordt wel voorspeld. Hiervoor wordt in dit project een eenvoudige beslisregel gehanteerd: het vegetatietype met de hoogste probabiliteit wordt het voorspelde vegetatietype. Het model wordt enerzijds geëvalueerd in dezelfde omgeving waar het werd ontwikkeld. Hierbij worden voor de betrokken studiegebieden en soorten trefkansen berekend die vergeleken worden met de oorspronkelijke veldwaarnemingen. De overeenkomsten dan wel discrepanties worden zowel met statistische maten als visueel op basis van ruimtelijke patronen beoordeeld. Daarnaast worden de modellen gevalideerd met "externe" gegevensbestanden, bestanden die niet voor de modelontwikkeling gebruikt werden. Hierdoor wordt een beeld verkregen van de veralgemeende toepassing van het model in andere valleigebieden. Slechts een beperkt aantal testgebieden is beschikbaar, gezien de meeste beschikbare data werden aangewend voor de ontwikkeling van het model. Gegevens afkomstig uit Aardgat, Rodebos, een deel van de Dijlevallei te Neerijse en de Demervallei nabij Webbekom worden gebruikt. De statistische en ruimtelijke evaluatie van beide modeltypen en de tests in bijkomende gebieden geven aan dat het model over het algemeen goed presteert bij het bepalen van de kans op voorkomen van soorten en vegetatietypen. Ze zijn in staat om voor de meeste onderzochte soorten, gebieden van elkaar te onderscheiden waar de soort kan voorkomen en waar niet. Voor vele soorten wordt ook intern in een gebied door de modellen op een correcte manier een onderscheid gemaakt tussen zones waar de soort kan voorkomen en waar niet. Bij het voorspellen van vegetatietypen blijkt 75% van de gevallen een juiste voorspelling te geven, wat een hoge score is. Vlaanderen, ITORS-Vl VLINA 00/16

20 Samenvatting Figuur 3: Voor Berula erecta onderscheidt ITORS-Vl 1.0 met succes gebieden waar de soort potentieel al dan niet kan voorkomen. Intern in deze gebieden worden zones onderscheiden waar Berula erecta al dan niet kan voorkomen. De beide modeltypen scoren statistisch ongeveer even sterk, met een lichte voorkeur voor VexW. Dit model is ook ecologisch het meest zinvol. Er wordt van alle relevante variabelen gebruik gemaakt, ook de bodem. Dit laat toe de grondwaterstanden zinvoller te interpreteren. In ITORS-Vl 1.0 worden beide modeltypes behouden om in functie van de beschikbare data te worden ingezet. Hoewel het uiteindelijke streefdoel een hydro-ecologisch model voor Vlaamse valleigebieden moet zijn, is het duidelijk dat bij het prototype van ITORS- Vl 1.0 met bepaalde beperkingen moet worden rekening gehouden. Deze beperkingen situeren zich op verschillende vlakken: de geografische streek waarvoor het gebruikt kan worden, het type van gebied waarvoor het kan worden ingezet, het bereik van de variabelen waarvoor het model kan worden gebruikt, de soorten en vegetatietypen die kunnen worden behandeld, de mate waarin het model voorspellingen kan doen over het effect van natuurbeheer. Bij een empirisch statistische benadering is de kracht van het model in sterke mate gekoppeld aan de omgeving waarin het model werd opgesteld. Voor ITORS-Vl 1.0 betekent dit dat het vrij goed kan worden toegepast op de vijf studiegebieden op basis waarvan het werd ontwikkeld. Toepassingen in andere gebieden zijn aan grotere onzekerheden onderworpen, naarmate ze meer afwijken van deze vijf gebieden. Extrapolatie van de modellen naar andere Dylrast.shp 0 1 Probabilliteit (incl W incl B) N E W S Berula erecta Met ers Meters Meters Met ers

21 Samenvatting gebieden kan enkel wanneer deze overeenkomstige ecologische kenmerken Figuur 4: Vegetatiekaart voor de 4 studiegebieden in het model VexW. Rasters geven het geobserveerde vegetatietype weer, de cirkels geven de voorspellingen weer. De witte rasters hebben geen duidelijk definieerbaar vegetatietype en zijn daarom buiten beschouwing gelaten. hebben. De basisgegevens voor het opstellen van het model zijn afkomstig uit het Demer en het Dijle bekken. De Leemstreek is vertegenwoordigd door de Doode Bemde en de Snoekengracht, de Kempen door de Vallei van de Zwarte Beek, het Hageland (een overgangsgebied tussen beide) door Vorsdonkbos. Een veilig gebruik van het model beperkt zich in ieder geval tot het Kempisch en Brabants district. De beperkingen van ITORS-Vl 1.0 zijn vooral het gevolg van de beperkingen in de beschikbare dataset. Hoewel de dataset vrij uitgebreid en gedetailleerd is, zouden gegevens uit andere gebieden en regio s de toepasbaarheid in Vlaanderen verhogen. ITORS-Vl 1.0 kan de kans van voorkomen inschatten van soorten en vegetatietypen die in het kader van dit project met voldoende aantal herhalingen werden waargenomen. Het betreft vooral soorten die in sterke mate waterafhankelijk zijn (freatofyten) en waarvan de ruimtelijke spreiding in belangrijke mate door grondwater wordt bepaald. ITORS-Vl 1.0 presteert niet voor alle soorten en vegetatietypen even goed. Uit de Vlaanderen, ITORS-Vl VLINA 00/16

22 Samenvatting statistische analyse blijkt dat ongeveer 20% van de regressievergelijkingen niet zeer betrouwbaar zijn. Voor zeven soorten blijken beide modellen een zeer lage Goodness-of-fit (GOF) te geven. Toepassing van het hydro-ecologisch model voor deze soorten wordt afgeraden. Enkel vegetatietypen die duidelijk konden worden gedefinieerd in dit project werden in het model opgenomen. Overgangsvormen en verruigde vegetaties zitten niet in het model vervat. Het feit dat het gaat om een selectie aan vegetatietypen, maakt dat toepassingen van ITORS-Vl in omstandigheden waar andere vegetatietypen belangrijk zijn, moeilijkheden oplevert. Het model wordt best enkel gebruikt in valleigebieden, met natte en vochtige standplaatsen, met een gemiddelde waterstanden tussen 0 en 1.5 m onder maaiveld. De bodemvochtigheid van deze gebieden wordt in de eerste plaats bepaald door kwellend grondwater eventueel aangevuld met neerslagwater. Overstromingen hebben er geen dominante invloed. De bodem is er samengesteld uit klei, leem, zand of veen. ITORS-Vl 1.0 is ontwikkeld op basis van gegevens die een bepaalde abiotisch range beslaan. De onzekerheden nemen toe bij toepassingen buiten dit bereik. De nutriënten NO 3, NH 4, PO 4 en K bestrijken slechts een beperkt bereik van wat kan voorkomen in Vlaamse valleien. ITORS-Vl 1.0 werd ontwikkeld in en voor gebieden met nutriëntarm grondwater. Het hier voorgestelde model is een prototype dat ongetwijfeld nog voor verbetering vatbaar is. De grootste mogelijkheden liggen bij een uitbreiding van de dataset die aan de basis van het model ligt: - uitbreiden van de soortenlijst; - meer herhalingen van de waarnemingen voor de soorten; - een vollediger palet van vegetatietypen in het model brengen; - uitbreiding naar andere regio s. Ondanks de doorgevoerde selectie vereist het model nog relatief veel gegevens als input. Anderzijds is het type gegevens (grondwaterstanden en samenstelling) vaak standaard voorzien in vele hydrologische en ecohydrologische studies. De bodem wordt op vrij eenvoudige manier in het model behandeld, omdat kwantitatieve informatie ontbreekt. Het kwantificeren van de bodem (cf. ITORS) biedt uitzicht op een verbetering van het model. Het zou anderzijds het aantal variabelen verhogen. Uit scenario-analyses blijkt dat de variabele beheer niet optimaal in het model is ingebracht. Beheer heeft dezelfde status als de andere variabelen. De zuiver statistische benadering biedt echter onvoldoende garanties om met de variabele beheer correct om te kunnen gaan. Een mogelijke oplossing is om deze variabele bij de regressie gedwongen te laten opnemen als verklarende variabele. Men kan in plaats van te vertrekken van een leeg model, starten met een model dat de variabele beheer reeds bevat. Beleidsrelevantie Hydro-ecologische voorspellingmodellen zijn belangrijke en onmisbare instrumenten in een modern natuurbeleid. Zij kunnen op verschillende manieren in het natuurbeleid en beheer worden ingezet: - bij het opstellen van realistische streefbeelden; - bij de planning van natuurlijke structuren; - bij de inrichting en het beheer van natuurgebieden; - bij het voorspellen van de ontwikkeling van ecosystemen. Dit is een uitdaging voor de nabije toekomst, vooral in het licht van de toenemende oppervlakte natuurgebied die in het volgende decennium wordt voorzien; - bij de afstemming van waterbeheer en natuurbeheer, in kader van een vernieuwd waterbeheer in valleigebieden.

23 Samenvatting Het ontbreken van een dergelijk instrument is een bijzondere handicap in tal van hydrologische, ecologische en ecohydrologische studies die in Vlaanderen worden uitgevoerd: bvb. bij het opmaken van waterhuishoudingsplannen en integrale bekkenbeheerplannen; bij het bepalen van natuurtypen en het opmaken van ecosysteemvisies; bij het afbakenen van VEN/IN gebieden en het inschatten van hun potenties. Met dit prototype van ITORS-Vl 1.0 wordt een eerste stap gezet om deze kennislacune in te vullen. Rekening houdend met de huidige randvoorwaarden voor toepassing van het model stelt dit het natuurbeleid in staat om beter gefundeerde en uitvoeriger getoetste beslissingen te nemen bij de planning, inrichting en beheer van vochtige en natte natuurgebieden. Vlaanderen, ITORS-Vl VLINA 00/16

24

25 Inleiding 1 Hoofdstuk 1 Inleiding 1.1 Probleemstelling De westerse maatschappij is de laatste decennia aan sterke veranderingen onderhevig geweest. Sociale, industriële, technologische en landbouwkundige ontwikkelingen hebben onze omgang met het landschap in grote mate gewijzigd. Ze hebben ook een algemene degradatie van het milieu en de nog aanwezige natuur tot gevolg gehad. Deze evolutie gaat nog steeds door: processen zoals verzuring, vermesting, versnippering en verdroging hebben een negatieve invloed op natuurwaarden. De laatste jaren is de aandacht voor deze processen sterk toegenomen, zowel op het beleidsniveau (Mira-T 1999) als op het vlak van het dagelijks natuurbeheer. De Vlaamse milieuadministratie probeert de verstoringen beter in beeld te brengen (Kuijken et al. 2001) en op het terrein worden natuurherstel en ontwikkelingsprojecten voorbereid. Door gerichte maatregelen wordt gepoogd de achteruitgang van het natuurlijke milieu en het verdwijnen van organismen en levensgemeenschappen tegen te gaan en de natuurwaarde opnieuw te verhogen (MINA-plan 2, ). Zowel bij degradatie als bij restauratie van natuur is een inschatting van de effecten van de veranderingen in de milieuomstandigheden op het ecosysteem een noodzaak. Het laat toe de gevolgen van beleid- en beheersbeslissingen te voorzien. De ontwikkeling van vegetatie wordt door verschillende factoren bepaald: klimaat, geologie, hydrologie, bodem, beheer, verspreiding- en reproductiestrategie van planten. In valleigebieden waar vochtige en natte omstandigheden domineren, heeft de hydrologie een grote invloed op sommige aspecten van de vegetatieontwikkeling. Zo zijn vele waardevolle vegetatietypen afhankelijk van de toestroom van grondwater in valleigebieden (Wheeler 1980, Grootjans 1985, Boeye 1992, Bernaldez et al. 1994, De Mars 1996, Grootjans et al. 1996, Wassen et al. 1996, Sival 1997, De Becker et al. 1999, Huybrechts et al. 2000). Kennis van de relatie tussen vegetatiestructuur en samenstelling enerzijds en hydrologische condities anderzijds is een voorwaarde om in valleigebieden voorspellingen te kunnen doen over mogelijke vegetatieontwikkelingen na herstelmaatregelen. De integratie van deze kennis in een hydro-ecologisch model levert een instrument dat efficiënt kan worden ingezet, en een ruime waaier van toepassingsmogelijkheden heeft in het natuurbeleid en het natuurbeheer. Het voorspellen van de ontwikkeling van ecosystemen is een uitdaging voor de nabije toekomst, vooral in het licht van de toenemende oppervlakte natuurgebied die in het volgende decennium wordt voorzien ( ha nieuwe natuur tegen 2003). Het vormt een belangrijk element bij het opstellen van realistische streefbeelden, bij de planning van natuurlijke structuren, en bij de inrichting en het beheer van de natuurgebieden. In valleigebieden waar hydrologische randvoorwaarden belangrijk zijn voor de ontwikkeling van de vegetatie moeten hydro-ecologische modellen een belangrijke bijdrage leveren. Hoewel een zekere kennis bestaat over de kwantitatieve relaties tussen vegetatie en hydrologie in Vlaanderen zijn, in tegenstelling tot bv. Nederland, geen operationele modellen beschikbaar die op kwantitatieve wijze vegetatieontwikkelingen kunnen voorspellen. Soms wordt in Vlaanderen gebruik gemaakt van de Nederlandse instrumenten, maar in vele gevallen zijn zowel de fysische en chemische condities als de botanische context sterk verschillend. Lange tijd waren er in Vlaanderen onvoldoende gegevens aanwezig voor het voeden van een hydro-ecologisch model. Door het groeiend aantal ecohydrologische studies komen geleidelijk aan meer gegevens beschikbaar. Hun diversiteit bemoeilijkt echter vaak hun gebruik in een algemeen model. In Vlaanderen, ITORS-Vl VLINA 00/16

26 Inleiding 2 een vorig onderzoek in het kader van VLINA (Huybrechts et al. 2000) werden, op uniforme manier en systematisch gegevens verzameld over de hydrologie en de vegetatie van een aantal studiegebieden. Dit project is hierop een logisch vervolg, en wil de verzamelde gegevens integreren in een bruikbaar instrument. 1.2 Hydro-ecologische modellen Hydro-ecologische modellen bestaan uit expliciet uitgewerkte beslisregels waarmee op basis van milieu- en standplaatskenmerken, de kans op voorkomen van plantensoorten en vegetatieontwikkelingen ingeschat kan worden. In Nederland wordt sinds halverwege de jaren tachtig gewerkt aan de ontwikkeling van hydro-ecologische modellen. Voor een overzicht van de mogelijkheden en beperkingen van bestaande modellen wordt verwezen naar Wassen & Schot (1992), Hooghart & Posthumus (1993), van der Veen & Garritsen (1994) en Olde Venterink & Wassen (1997). Voor alle modellen geldt dat ze in belangrijke mate correlatief zijn. Er zijn twee groepen van hydro-ecologische modellen te onderscheiden. Wanneer de beslisregels gebaseerd zijn op ervaringskennis van ecosystemen eventueel in combinatie met interpretatie van veldgegevens spreekt men van expertkennis-modellen. Wanneer vertrokken wordt van statistische analyse van databestanden met veldgegevens over vegetatietypen of soortensamenstelling en standplaatseigenschappen wordt van empirisch-statistische modellen gesproken (Claesen 1993). Bij de expertkennis-modellen wordt doorgaans vertrokken van literatuurgegevens voor een beperkt aantal variabelen die van dominant belang zijn voor de vegetatieontwikkeling (bodemtype, vochtigheid, zoutgehalte, zuurgraad en voedselrijkdom). Met indicatiewaarden wordt het verband tussen de plantensoorten en de standplaatseigenschappen ingeschat. Er wordt gewerkt met ecotooptypen waarin een groep van karakteristieke soorten wordt onderscheiden en een interval van een aantal abiotische factoren. De voorspelling van het effect van een wijziging in standplaatseigenschappen (al dan niet voorspeld met behulp van hydrologische modellen) wordt vertaald in een wijziging van de soortengroep (Runhaar 1999). Dit wordt gedaan in DEMNAT (Witte et al. 1992) en het NTM (Gremmen 1987). In het geval van de empirisch statistische benadering wordt een groot aantal (conditionele en operationele) variabelen in het veld gemeten, waarvan bekend is dat ze voor de vegetatie van belang kunnen zijn. Tevens wordt de soortensamenstelling van de vegetatie opgenomen. Het zoeken van kwantitatieve verbanden tussen de abiotische en biotische variabelen gebeurt door middel van regressietechnieken. Logistische regressie in het geval van binaire responsvariabelen, zoals aan- en afwezigheid van plantensoorten of vegetatietypen, leidt tot gaussische responsfuncties voor ieder van de plantensoorten of vegetatietypen. Deze mathematische relatie tussen de soort of het vegetatietype en de gemeten standplaatsfactoren kan gebruikt worden voor voorspellingen. Een vergelijking van de voorspelde trefkansen van de soorten voor en na de ingreep op milieuomstandigheden geeft een indruk van de voor- dan wel achteruitgang van de soorten. Voorbeelden van deze empirisch statistische modellen zijn HYVEG (Noest 1994), ECAM (Jansen 1993), ICHORS (Barendregt & Wassen 1989) en ITORS (Ertsen 1995, 1998). 1.3 Hydro-ecologische modellen in Vlaanderen Hydro-ecologische modellen specifiek ontwikkeld voor of aangepast aan Vlaamse valleigebieden zijn niet voor handen. Het gebruik in Vlaanderen van modellen die volledig in Nederland werden ontwikkeld is mogelijk maar stelt bepaalde nadelen. Gegevens die in Nederland verzameld werden, zijn vaak afkomstig uit de grote laagveen- of veenplassengebieden, ecosystemen die in Vlaanderen niet of in beperkte mate voorkomen; of uit laaglandbeekdalen die Vlaanderen, ITORS-Vl VLINA 00/16

27 Inleiding 3 qua geologie, morfologie, hydrochemie en grondwaterdynamiek grondig verschillen van de Vlaamse situatie. Extrapolatie van empirisch statistische modellen herbergt risico s. De vastgestelde relaties (regressievergelijkingen) op basis van data afkomstig van een bepaald gebied zijn in principe alleen geldig voor dat gebied, omdat er schijncorrelaties gelegd kunnen zijn tussen soorten en standplaatsvariabelen. Toepassing in een gebied waar de onderlinge relaties tussen standplaatsvariabelen identiek zijn, geeft minder kans op foute voorspellingen dan toepassing in een gebied waar de onderlinge relaties sterk kunnen verschillen van het gebied waar de data verzameld zijn (zie Heida et al. 1995). De optima en de amplitude van de respons van heel wat soorten kunnen dan ook afwijkingen vertonen zoals aangetoond in Bootsma & Barendregt (1991), Bootsma & Wassen (1996), Ertsen (1998) en De Becker et al. (1999). Hierbij spelen een rol fytogeografische ligging van het gebied geologische en klimatologische karakteristieken van het gebied standplaatskarakteristieken zoals hydrologie, bodem, het gevoerde beheer (zowel huidig als historisch). de manier (e.g het detail) waarop de data verzameld werden Door de uitgebreide gegevensbestanden die in Huybrechts et al werden verzameld behoort het opstellen van een hydro-ecologisch model aangepast aan de Vlaamse condities tot de mogelijkheden. Een eerste stap in die richting wordt in dit onderzoeksproject gezet. Hierbij wordt gesteund op de bestaande kennis en instrumenten in Nederland. Met name ITORS (Invloed Terrestrisch milieu Op Responsie van Soorten, Ertsen 1995), een model dat door de vakgroep Milieukunde en Hydro-ecologie van de Universiteit Utrecht werd ontwikkeld, zal als basis dienen om een empirisch correlatief model te bouwen dat in Vlaanderen kan worden ingezet. Het prototype van dit model krijgt de naam ITORS-Vl 1.0 (ITORS-Vlaanderen). 1.4 ITORS ITORS (Invloed Terrestrisch milieu Op Responsie van Soorten) voorspelt kansen van voorkomen voor plantensoorten in afhankelijkheid van een aantal omgevingsfactoren. Deze kansen kunnen in cijfers of grafisch weergegeven worden, voor alle soorten of een selectie van soorten (b.v. soorten van een bepaalde ecologische groep). De trefkansen worden voorspeld voor de brongegevens of (ingevoerde) alternatieve scenario s. Aan de basis van het model ligt een gestratificeerde steekproef van diverse (a-priori gedefinieerde) ecosysteemtypen. Opnamen vinden plaats op homogene en voor het respectievelijke ecosysteemtype representatieve proefvlakken van 10 m 2. De overwegingen om te kiezen voor het ITORS-model als voorbeeld zijn: het type data dat ten grondslag ligt aan het ITORS-model (grondwater en vegetatie in terrestrische ecosystemen) het modelconcept van ITORS: empirisch statistisch met vergelijkbare data-input als deze beschikbaar is in Vlaanderen de gebruiksvriendelijkheid. De relatie tussen plantensoorten en de standplaatsvariabelen is bepaald door een multiple logistisch respons model waarbij de respons variabele de kans op voorkomen van een plantensoort is. De voorspellende variabelen zijn afkomstig uit verschillende groepen van standplaatsfactoren zoals: grondwaterdynamiek (9 variabelen), grondwaterchemie (16 variabelen), bodem (17 variabelen) en beheer (3 variabelen). De opbouw van het logistische model gebeurt in een voorwaartse selectie: van een leeg model uitgaande wordt de meest verklarende abiotische variabele toegevoegd. Elke variabele wordt met een kwadratisch model (x+x 2 ) toegevoegd met, achteraf, een controle of een lineair model (x) een beter resultaat geeft. De selectie Vlaanderen, ITORS-Vl VLINA 00/16