Ugrás a tartalomhoz

Erdészeti ökológia

Bartha Dénes, Soproni Egyetem, Bidló András, Soproni Egyetem, Csóka György, Erdészeti Tudományos Intézet, Czájlik Péter, Vásárhelyi István Természetvédelmi Kör, Kovács Gábor, Soproni Egyetem, Kőhalmy Tamás, Soproni Egyetem, Mátyás Csaba, Soproni Egyetem, Somogyi Zoltán, Erdészeti Tudományos Intézet, Standovár Tibor, Eötvös Loránd Tudományegyetem, Szodfridt István, Soproni Egyetem, Traser György, Soproni Egyetem, Varga Zoltán, Kossuth Lajos Tudományegyetem, Víg Péter, Soproni Egyetem

Mezőgazda Kiadó

Növénytársulások csoportosítása

Növénytársulások csoportosítása

Standovár, Tibor

Eötvös Loránd Tudományegyetem

Terepi felvételek kiértékelése, szintetikus bélyegek, a hierarchikus rendszer

Több állományban készült felvételek, az egyes asszociációkat jellemző karakterfajok megléte alapján készül az asszociációt jellemző szintetikus tabella. Az ebben szereplő, az egyes fajokat leíró jellemzők mindegyike 5-ös skálán mozog:

Frekvencia: egy adott állományban készült felvételek hány százalékában fordult elő az adott faj.

Konstancia (állandóság – K): egy adott asszociációban készült felvételek hány százalékában fordult elő az adott faj.

Fidelitás (hűség – F): értéke valamely fajnak bizonyos asszociációhoz vagy magasabb rangú szüntaxonhoz való kötődését mutatja:

  • asszociáció-karakterfaj

F = 5,

  • asszociációcsoport-karakterfaj

F = 4,

  • asszociációsorozat-karakterfaj

F = 3,

  • asszociációosztály-karakterfaj

F = 2,

  • asszociációkísérő vagy idegen fajok

F = 1.

A hazai vegetáció tanulmányozása során kiderült, hogy az igazi asszociáció-karakterfajok rendkívül ritkák. E módszer kidolgozói a hazainál sokkal inkább abiotikus kontroll alatt álló, s ezért a magyarországinál kontrasztosabb alhavasi vegetáció tanulmányozása alapján jutottak el a fidelitás (hűség) kitüntetéséig. Ezért is érthető pl., hogy a talán leginkább a helyi versengés kimenetele által meghatározott összetételű mezofil rétek teljes cönológiai feldolgozása még mind a mai napig nem fejeződött be.

A már említett asszociáció–faj analógia eredményeképpen az asszociációk a rendszertanból ismerthez (faj–nemzetség–család stb.) hasonló, szigorú nómenklatúrai szabályok szerint elnevezett, magasabb hierarchiaszintű egységekbe sorolhatók. A gyakrabban használt szüntaxonómiai rangokat a 7. táblázat mutatja be.

7. táblázat - A cönológiában használt szüntaxonómiai rangok végződéseikkel és példákkal

Szüntaxonómiai rang

Végződés

Példa

Divízió

-ea

Querco-Fagea – európai lombhullató erdők

Asszociációosztály

-etea

Querco-Fagetea – üde lomboserdők

Asszociációsorozat

-etalia

Fagetalia – üde, bükk- és gyertyánelegyes erdők

Asszociációcsoport

-ion

Fagion sylvaticae – bükkösök

Asszociáció

-etum

Aconüo-Fagetum – kárpáti bükkös


A cönológia elkülönít az asszociációnál alacsonyabb rendű („faj alatti”) egységeket is:

Szubasszociáció: az egy asszociációhoz tartozó szubasszociációk egymástól minőségi jellegekben különböznek. Megkülönböztetésük alapja bizonyos differenciális fajok megléte vagy hiánya, e fajok alapján kapják nevüket, pl.: Aconito-Fagetum caricetosum pilosae.

Fácies: egy asszociáció fáciesei egymástól mennyiségi jellegekben különböznek, vagyis a jellemző A–D értékekben történik változás, jellemzően egy-egy faj lokálisan dominánssá válik. E domináns faj neve jelenik meg az elnevezésben, pl.: Aconito-Fagetum caricetosum pilosae melicosum uniflorae.

Konszociáció: egy asszociáció különböző konszociációi az uralkodó szint (pl. erdő esetében a lombkoronaszint) összetételében különböznek oly módon, hogy a faji összetétel egyébként nem változik lényegesen. Így pl. egy bükköstársulásnak létezhet magas kőris uralta konszociációja.

Szünúzium: azonos életformájú növényekből felépülő, legelemibb növénytársulásnak tekinthető egység. Így beszélhetünk pl. egy kidőlt fatörzs mohaszünúziumáról.

Az erdőtipológia – mint a növénycönológia erdészeti alkalmazása – speciális alapegységet alkalmaz. Egy erdőtípusba azok az erdők tartoznak, amelyekben a termőhelyi tényezők összhatása azonos, a lombkoronaszint fajai azonosak, és a cserje- és gyepszint összetétele többé-kevésbé azonos. Ebből következik, hogy az egy erdőtípushoz tartozó erdőrészletekben azonos erdőgazdálkodási eljárások használhatók. (Babos et al., 1966; Majer, 1968). Mivel a meghatározás szempontjai nem azonosak, nincsen egyértelmű megfeleltetés az erdőtípus és a növénycönológia által használt egységek között. Az erdőtípus leggyakrabban valamely fáciesnek, illetve szubasszociációnak felel meg, ritkán asszociáció rangú is lehet.

A klasszikus Braun-Blanquet-féle cönológia iránt részletesen érdeklődő olvasó számára két nagyszerű és tudománytörténeti jelentőséggel is bíró mű ajánlható (Felföldy, 1943; Soó-Zólyomi, 1951).

Növényzetvizsgálat numerikus klasszifikációval (clusteranalízis)

A klasszikus cönológia módszerének ismertetése után e rövid alfejezet a növényzet csoportosításának egy másik nagy módszercsaládját mutatja be. E módszereket terepbotanikai, ökológiai vizsgálatok kapcsán több cél érdekében is szokás alkalmazni.

  • Szüntaxonómiai tanulmányokhoz, illetve térképezéskor az ábrázolandó egységek megállapításához a felvételi helyek (növényzeti minták) osztályozása a feladat a fajok előfordulásai mint változók alapján,

  • a fajok együtt viselkedő csoportjainak felismerése érdekében maguk a fajok osztályozhatók a helyek közötti választásaik mint változók alapján,

  • a társulástípusok és az abiotikus tényezők kapcsolatainak vizsgálatakor a clusteranalízis által elkülönített csoportokban vizsgálhatók a kérdésünk szempontjából fontos környezeti változók.

Mintavételi szempontok

Ha a klasszikus cönológia előbb ismertetett módszereit egy más társuláskoncepciót valló ember értékeli (vö. individualisztikus társulásfelfogás, Gleason, 1926), számos kritikai megjegyzést tehet.

  • Miért szubjektív a mintavételi hely kiválasztása? Így a kutató egyéni tapasztalataitól vezérelve az esetleges átmeneti, nem jellemző foltok nem léteznek a társulástani leírások számára.

  • Miért nem törekszik a kutató a fajok tömegviszonyainak jellemzésekor mások által könnyebben reprodukálható becslést végrehajtani? Ilyen lehet pl. van-nincs regisztráción alapuló lokális frekvencia meghatározása vagy az ún. pontkvadrát használata stb.

  • A növényzet csoportosítása miért úgy történik, hogy már meglévő, kész „dobozokba” soroljuk be a leírt állományokat? Alternatív megoldás az lenne, hogy a növényzet leírt állománymintáit hasonlóságaik, különbözőségeik alapján az adatstruktúrának megfelelően csoportosítanánk.

Ennek megfelelően az objektivitásra törekvő növényzetleírásokhoz az alábbi szempontokat szokás figyelembe venni:

Az objektivitás egyik fontos eleme az arra való törekvés, hogy a mintavételi egységek pontos helyét ne a vizsgálatot végző kutató szakértői választása határozza meg. Ezt ideális esetben a mintavételi helyek véletlenszerű kijelölésének technikáival lehet elérni. Ha erre időhiány, terepi adottságok stb. miatt nincs is lehetőség, törekedni kell arra, hogy a mintavételi helyek pontos kitűzését a vizsgálandó állományban ne a növényzet képe határozza meg. Ezt akár szisztematikus, akár ún. találomra való mintavétellel el lehet érni.

Másik fontos szempont, hogy a fajok tömegviszonyainak megítélésekor elkövet-hető szubjektív becslési hiba csökkenthető, ha kisebb területekre vonatkozó borításbecsléseket végzünk. A mikrokvadrátokban regisztrált van-nincs adatok és a belőlük számítható lokális frekvenciaértékek mentesek a becslési hibáktól (leszámítva az észrevételi hatékonyság, illetve a helyes határozás problémakörét). Azt viszont fontos hangsúlyozni, hogy a lokális frekvenciaérték azt írja le, hogy az öszszes megvizsgált mintavételi egység hány százalékában fordult elő a faj, ami legtöbbször nem esik egybe a faj (akár pontosan meghatározott) borításértékével.

Az osztályozó eljárások főbb típusai

Megkülönböztetünk divizív és agglomeratív eljárásokat. A divizív módszerek kiinduláskor minden osztályozandó objektumot egyetlen nagy csoportba tartozónak tekintenek. Először ezt osztják valamilyen kritérium(ok) alapján két csoportra, majd ezt ismétlik minden létrehozott csoportra mindaddig, amíg valamilyen előre meghatározott leállási feltétel nem teljesül. Ezzel szemben az agglomeratív eljárások kezdetben minden objektumot külön kezelnek, majd ezekből képzik az osztályokat. A divizív osztályozás alapötlete az, hogy az adatstruktúrában levő jelentős különbségek érvényesüljenek az alcsoportok kialakításakor. Az agglo-meratív eljárásoknál viszont a „lokális” hasonlóság jut érvényre.

Egy másik csoportosítás szerint megkülönböztetünk hierarchikus és nem hierarchikus módszereket. Az előbbiek azon a felfogáson alapulnak, hogy a csoportok egy hierarchikus rendszerbe illeszthetők (hasonlóan az egyed–faj–nemzet-ség–család stb. sorhoz). Ezzel szemben a nem hierarchikus eljárások nem rendelnek ilyen „szintezett” struktúrát az adatokhoz, hanem objektumainkat előre általunk meghatározott számú osztályba sorolják. Ez utóbbiakat szokás partíciós eljárásoknak nevezni. Példaként újra utalhatunk a formációs okoskodásra. Egy adott terület növényzetének nem hierarchikus osztályozását adja a rét–erdő–mocsár kategóriák valamelyikébe való besorolás, ahol nem vesszük tekintetbe a növényzet egyes kategóriákon belüli változatosságát, mintázatát.

Mivel vegetációtudományi és ökológiai munkákban leggyakrabban hierar- chikus agglomeratív osztályozásokat alkalmaznak, így csak ezekkel foglalkozunk részletesebben. Az osztályozó eljárások iránt mélyebben érdeklődő olvasónak Podani (1980) munkája ajánlható.

Hierarchikus, agglomeratív osztályozás

Hierarchikus agglomeratív osztályozási eljárások elvégzéséhez két szempontot kell mérlegelnünk:

  • Milyen index vagy függvény segítségével határozzuk meg az objektumok hasonlóságát/különbözőségét?

  • Milyen osztályázó algoritmust használjunk az önálló objektumok és/vagy a már létrehozott csoportok (cluster) összevonásához?

Ezek a kérdések jól jelzik, hogy a hierarchikus agglomeratív osztályozás első lépése, hogy szimmetrikus hasonlóság/távolság-mátrixot kell létrehozni, amelyben minden objektum hasonlósága/távolsága szerepel minden másikhoz képest. A tényleges osztályozás ezután történhet a kiválasztott összevonást végző algoritmus segítségével. Eredményeinket legszemléletesebben dendrogram formájában ábrázolhatjuk (17. ábra).

17. ábra - A 9. táblázatban összegzett cönológiai felvételek numerikus osztályozásából kapott dend-rogram (Standovár, 1995)

A 9. táblázatban összegzett cönológiai felvételek numerikus osztályozásából kapott dend-rogram (Standovár, 1995)


Az osztályozás euklideszi távolságfüggvény (távolságmátrix) és a csoportátlag-módszer (osztályozó algoritmus) felhasználásával készült. Megfigyelhető, hogy nem válik szét egyértelműen a három asz-szociáció (A–F - Aconito-Fagetum, M–F - Melitti-Fagetum, C–Q - Querco-petraeae-Carpinetum pannonicum) felvételei

Mindkét említett kérdés megválaszolása azért jelenthet problémát, mert nagyon sok módszer áll rendelkezésre a különböző számítógépes programcsomagokban, viszont kevés olyan munka van az irodalomban, ami a lehetőségek közötti okos választást segítené. A következőkben a teljesség igénye nélkül csak néhány, gyakran használt hasonlósági indexet/távolság-függvényt, illetve osztályozó algoritmust tárgyalunk.

Szimilaritás – disszimilaritás. Növényzeti felvételek, illetve fajok közötti hasonlóság kifejezésére számos objektív függvény áll rendelkezésre. Ideális esetben két faj/állomány ilyen alapon kifejezett hasonlósága tényleges ökológiai viselkedésükre reflektál. Mivel a hasonlóság ilyen felfogása ökológiai indíttatású, fontos tudnunk, hogy az ökológiai viselkedés mely aspektusára érzékeny a használni kívánt függvény. Ennek és saját kérdésfelvetésünknek ismeretében könnyebb lehet a választás a több száz lehetőség közül.

Számos elterjedt hasonlósági index a felvételeket a közös fajok számán/arányán alapulva hasonlítja össze, az adatokat binárisan (van-nincs) kezelve. Klasszikus példa a Jaccard- (1912) és a Sorensen- (1948) index.

Jaccard-index:

SJ= c a+b+c / /vagy,/ /SJ= c A+B+c MathType@MTEF@5@5@+=feaafiart1ev1aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLnhiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr4rNCHbGeaGqiVCI8FfYJH8YrFfeuY=Hhbbf9v8qqaqFr0xc9pk0xbba9q8WqFfeaY=biLkVcLq=JHqpepeea0=as0Fb9pgeaYRXxe9vr0=vr0=vqpWqaaeaabiGaciaacaqabeaadaqaaqaaaOqaaiaadofacaWGkbGaeyypa0ZaaSaaaeaacaWGJbaabaGaamyyaiabgUcaRiaadkgacqGHRaWkcaWGJbaaaiaabccacaqG2bGaaeyyaiaabEgacaqG5bGaaeilaiaabccacaWGtbGaamOsaiabg2da9maalaaabaGaam4yaaqaaiaadgeacqGHRaWkcaWGcbGaey4kaSIaam4yaaaaaaa@4B96@

Sorensen-index (társuláskoefficiens):

CC= 2c (A+B) / /vagy,/ /CC= 2c (a+b+2c) MathType@MTEF@5@5@+=feaafiart1ev1aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLnhiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr4rNCHbGeaGqiVCI8FfYJH8YrFfeuY=Hhbbf9v8qqaqFr0xc9pk0xbba9q8WqFfeaY=biLkVcLq=JHqpepeea0=as0Fb9pgeaYRXxe9vr0=vr0=vqpWqaaeaabiGaciaacaqabeaadaqaaqaaaOqaaiaadoeacaWGdbGaeyypa0ZaaSaaaeaacaaIYaGaam4yaaqaaiaacIcacaWGbbGaey4kaSIaamOqaiaacMcaaaGaaeiiaiaabAhacaqGHbGaae4zaiaabMhacaqGSaGaaeiiaiaadoeacaWGdbGaeyypa0ZaaSaaaeaacaaIYaGaam4yaaqaaiaacIcacaWGHbGaey4kaSIaamOyaiabgUcaRiaaikdacaWGJbGaaiykaaaaaaa@4E84@

ahol

c = a közös fajok száma,

a és b = a két állományban egyedi fajok száma,

A és B = a két állomány teljes fajszáma (A = a + c; B = b + c).

Vegetációtudományi vizsgálatokban gyakran a fajok tömegességi viszonyait is kifejező kvantitatív adatokkal rendelkezünk. Jellemzően ezek az adatmátrixok (faj × hely) sok nullát tartalmaznak. E nullák kezelése (a kvalitatív jelleg súlyozása) jelenti az egyik fontos problémát a kvantitatív adatokon alapuló hasonlósági/távolság függvények számára. Az egyes függvények abban (is) különböznek, hogy milyen fontosságot tulajdonítanak egy faj jelenlétének, illetve hiányának az abundanciális különbségekhez képest.

Az Sorensen-indexhez hasonló a Gauch (1982) által bevezetett százalékos hasonlóság (percentage similarity):

P S ij =200 k min( y ki , y kj ) k y ki + k y kj MathType@MTEF@5@5@+=feaafiart1ev1aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLnhiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr4rNCHbGeaGqiVCI8FfYJH8YrFfeuY=Hhbbf9v8qqaqFr0xc9pk0xbba9q8WqFfeaY=biLkVcLq=JHqpepeea0=as0Fb9pgeaYRXxe9vr0=vr0=vqpWqaaeaabiGaciaacaqabeaadaqaaqaaaOqaaiaadcfacaWGtbWaaSbaaSqaaiaadMgacaWGQbaabeaakiabg2da9iaaikdacaaIWaGaaGimamaaqababaWaaSaaaeaaciGGTbGaaiyAaiaac6gacaGGOaGaamyEamaaBaaaleaacaWGRbGaamyAaaqabaGccaGGSaGaamyEamaaBaaaleaacaWGRbGaamOAaaqabaGccaGGPaaabaWaaabeaeaacaWG5bWaaSbaaSqaaiaadUgacaWGPbaabeaakiabgUcaRmaaqababaGaamyEamaaBaaaleaacaWGRbGaamOAaaqabaaabaGaam4Aaaqab0GaeyyeIuoaaSqaaiaadUgaaeqaniabggHiLdaaaaWcbaGaam4Aaaqab0GaeyyeIuoaaaa@5754@

ahol

yki = a k faj abundanciája az i kvadrátban,

min(yki, ykj) = a yki, ykj minimuma.

Más függvények kifejezetten geometriai megközelítésen alapulnak. Az egyik leggyakrabban használt függvény az euklideszi távolság, ami az állományok távolságát (különbözőségét) úgy számítja, hogy azokat egy olyan tér pontjainak tekinti, amelyben a tengelyek a fajok, és az állomány helyzetét a fajok abundancia-értékei mint koordináták határozzák meg.

ED= k ( y ki y kj ) 2 MathType@MTEF@5@5@+=feaafiart1ev1aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLnhiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr4rNCHbGeaGqiVCI8FfYJH8YrFfeuY=Hhbbf9v8qqaqFr0xc9pk0xbba9q8WqFfeaY=biLkVcLq=JHqpepeea0=as0Fb9pgeaYRXxe9vr0=vr0=vqpWqaaeaabiGaciaacaqabeaadaqaaqaaaOqaaiaadweacaWGebGaeyypa0ZaaOaaaeaadaaeqaqaaiaacIcacaWG5bWaaSbaaSqaaiaadUgacaWGPbaabeaakiabgkHiTiaadMhadaWgaaWcbaGaam4AaiaadQgaaeqaaOGaaiykamaaCaaaleqabaGaaGOmaaaaaeaacaWGRbaabeqdcqGHris5aaWcbeaaaaa@44B3@

ahol

yki, = a k faj abundanciája az i kvadrátban,

Az egyes hasonlósági/távolság mértékek „jóságát”, használhatóságát nem lehet egyértelműen megadni. Mintatabellákon végzett tanulmányokból azonban néhány megállapítás leszűrhető. A 8. táblázat ezeket összegezi az előbb bemutatott indexekre.

8. táblázat - Hasonlósági indexek néhány jellegzetessége (Jongman et al., 1987)

Megnevezés

Jaccard-index

Sorensen-index

Százalékos hasonlóság

Euklideszi távolság

Kvalitatív

*

*

*

*

Kvantitatív

*

*

Disszimilaritás

*

Szinrilaritás

*

*

*

Faj számra érzékeny

+ +

+

+ +

+ +

Domináns faj(ok)ra érzékeny

+

+ +

A minta főösszegre érzékeny

+

+ +


* igen; – nem; + kevéssé; + + nagyon

Osztályozó algoritmusok. Az önállóan álló objektumok összevonását a használt hasonlóság/távolság mérték határozza meg. A továbbiakban a két egymáshoz „legközelebb álló” csoportot összevonjuk. Az egyes módszerek e közelállás definíciójában térnek el egymástól. Három fő stratégia különíthető el (vö. Podani, 1993).

Távolságoptimalizáló: az összevonás kritériuma cluster-cluster távolságok által meghatározott. Ebbe a csoportba tartoznak a legelterjedtebben használt módszerek (pl. egyszerű lánc, teljes lánc, centroid, egyszerű átlag, csoportátlag).

Homogenitásoptimalizáló: az ide tartozó eljárások az összevonáskor az osztályok belső homogenitásának valamely mértékét (pl. osztályon belüli objektum-objektum távolság, variancia vagy entrópia alapú kifejezés) optimalizálják.

Globális optimalizáló: valójában ebben a megközelítésben az osztályok képzésének kritériuma a teljes klasszifikáció jósága az adott hierarchiaszinten. Az összevonásokat úgy végzi, hogy az átlagos osztályon belüli távolság és az átlagos osztályok közötti távolság hányadosának növekedését minimalizálja.

A számos lehetőség közül az osztályozó algoritmusok esetében is nehéz választani. Itt sincs egyértelműen legjobb módszer. Választásunkat meghatározzák az általunk használt számítógép (memória, sebesség) és programcsomag lehetőségei is. Fontos tudni, hogy vannak eljárások, amelyek „elmossák” az adatstruktúrában meg-levő csoportszerkezetet (pl. egyszerű lánc), míg mások éppen felerősítik, túlhangsúlyozzák (pl. teljes lánc, Ward–Orlóci-módszer). Az egyes osztályozó algoritmusok részletei iránt érdeklődő olvasónak Podani (1980, 1993) munkái ajánlhatók.

A hierarchikus agglomeratív osztályozások elterjedését a kivitelezésüket meg-könnyítő számítógépek és programok elterjedése tette lehetővé. A legtöbb általános célú statisztikai programcsomag tartalmaz klasszifikációs modult. Így pl. a sokak által ismert SPSS, BMDP és a STATISTICA is. Mivel ezek nem speciálisan vegetációtudományi és/vagy klasszifikációs célú programok, viszonylag kis választékot kínálnak fel hasonlósági függvényekből és osztályozó algoritmusokból. Szerencsénkre léteznek kifejezetten botanikus-ökológus feladatokra hazánkban fejlesztett programcsomagok is: SYN-TAX (Podani, 1980, 1993), NuCoSA (Tóth-mérész, 1993/b). Az eredendően csak osztályozó eljárásokat tartalmazó SYN-TAX csomag mára már sokoldalú elemzést lehetővé tevő módszerek széles kínálatát nyújtja. Viszont az osztályozási „gyökereknek” köszönhetően a különböző agglomeratív, divizív, hierarchikus és nem hierarchikus eljárások legszélesebb választékát kínálja.

Szemléltetésként a következőkben a klasszikus cönológia módszereivel készített felvételek numerikus osztályozását mutatjuk be. A Zempléni-hegységben készült 54 cönológiai felvétel (9. táblázat) három asszociációt képvisel (Simon, 1977). Ebben a vizsgálatban a fásszárúak A, A2, B, és C szintekben való regisztrációja külön változóként (fajként) szerepel. Az A–D értékek átalakítása százalékká a 10. táblázatban megadottak szerint történt. A 17. ábrán bemutatott dendrogram kiszámolásához euklideszi távolságfüggvény (távolság-mátrix) és a csoportátlag módszert (osztályozó algoritmus) használáták fel.

9. táblázat - A felhasznált zempléni cönológiai felvételek (Simon, 1977) társulásonkénti darabszáma és a bennük előforduló fajok száma

Társulás

Rövidítés

Kvadrátszám

Fajszám

Aconito-Fagetum

A–F

12

165

Melitti-Fagetum

M–F

21

186

Querco-petraeae-Carpinetum pannonwum

C–Q

21

217

Összesen

54

310


10. táblázat - Az abundancia-dominancia osztályok középértékei a borítás százalékjában

A–D

Borítás (%)

+

0,1

±1

1,0

1

2,5

1–2

5,0

2–3

25,0

3–4

50,0

4–5

75,0

5

87,5


Megfigyelhető, hogy nem válnak szét egyértelműen a három asszociáció felvételei. Ez az elsőre talán meglepő eredmény a következők miatt lehet mégis érthető. A társulásba való besoroláskor a karakter- és jel-lemző fajok, illetve a lombkoronaszint domináns fajai kitüntetett szerepűek, míg a numerikus osztályozás csak A–D értéküknek megfe-lelően súlyozza a fajokat. Még az igen alacsony szinten elkülö-nülő csoportokban (egymáshoz igen közel került, tehát kevéssé eltérő felvételek) is keverten meg lehet találni mindhárom társulás felvételeit. Mindezek azt mutatják, hogy a társulások teljes florisztikai összetételén alapuló numerikus klasszifikációs elemzésétől nem minden esetben várhatjuk, hogy reprodukálja a klasszikus cönológiai besorolások eredményeit, nem is ezért használjuk.

Ezt a nem egyezést nem hiányosságként kell kezelni, hanem a numerikus klasszifikációt más típusú rákérdezést lehetővé tevő eszközként érdemes használni. A teljes florisztikai összetétel figyelembevétele adott esetben sokkal érzékenyebb indikátora lehet a termőhelyi viszonyok különbségeinek, mint a karakterfajokra épülő cönológiai besorolás (vö. Standovár, 1995).