ČESKÁ ZEMĚDĚLSKÁ UNIVERZITA V PRAZE

ČESKÁ ZEMĚDĚLSKÁ UNIVERZITA V PRAZE FAKULTA ŽIVOTNÍHO PROSTŘEDÍ KATEDRA APLIKOVANÉ GEOINFORMATIKY A ÚZEMNÍHO PLÁNOVÁNÍ PROSTOROVÁ NEURČITOST GEODAT V ANALÝZÁCH DISTRIBUCE VYBRANÝCH DRUHŮ PTÁKŮ DIPLOMOVÁ PRÁCE VEDOUCÍ PRÁCE: Ing. Petra ŠÍMOVÁ, Ph.D. DIPLOMANT: Bc. Markéta NEDBÁLKOVÁ 2013

PROHLÁŠENÍ Prohlašuj, že jsem tuto dplomovou prác na téma Prostorová neurčtost geodat v analýzách dstrbuce vybraných druhů ptáků vypracovala samostatně pod vedením Ing. Petry Šímové, Ph.D. a že jsem uvedla všechny lterární prameny, ze kterých jsem čerpala. V Praze dne 22.4.2013...

PODĚKOVÁNÍ Chtěla bych poděkovat všem, kteří m byl nápomocní př psaní mé dplomové práce, jmenovtě pak mojí vedoucí práce Ing. Petře Šímové, Ph.D. za poskytnuté rady a vedení Ing. Katce Gdulové za pomoc s daty. Dále bych ráda poděkovala svojí mamnce a celé rodně za neustálou podporu během celého studa. V Praze dne 22.4.2013...

ABSTRAKT V první část této dplomové práce byla zpracována lterární rešerše zabývající se neurčtostí, jejím dělením v rámc ekologe č jejím projevy v procesu modelování druhové dstrbuce. V další část práce byla zkoumána závslost výskytu kalouse ušatého (Aso otus) na pět různých envronmentálních proměnných (predktorech), jejchž hodnoty byly získány z map rozdílného rozlšení. Účelem bylo především vyhodnott, zda rozlšení použtých map ovlvnlo hodnoty proměnných a výsledky zkoumané závslost. Jako predktory výskytu byly použty obvody a obsahy lesů zemědělské půdy a délka jejch společné hrance na území ČR. Data o výskytu druhu byla převzata z analogového podkladu Atlasu hnízdního rozšíření ptáků v České republce (Šťastný & kol., 2006). Jako geodata s rozdílným měřítkem byla použta data CORINE Land Cover 1990 a 2000 v měřítku 1:100 000, DMÚ 25 s měřítkem 1:25 000, doplněné o LPIS v měřítku 1:10 000. Pro odhad parametrů jednotlvých predktorů v sestavených modelech byla použta logstcká regrese, jakožto metoda pro vysvětlení závslost dskrétní velčny (výskyt/nevýskyt druhu) na spojtých nezávsle proměnných. Jednotlvé modely pak byly srovnány podle výsledných dstrbučních funkcí a překryvů ntervalů spolehlvost jednotlvých regresních parametrů. Přestože se použtá geodata lšla ve svém rozlšení, u třech predktorů nebyly nalezeny větší rozdíly v hodnotách odvozených z těchto geodat. U všech geodatabází byla nalezena závslost výskytu kalouse ušatého na ploše a obvodu zemědělské půdy a na ploše lesů, u DMÚ/LPIS dokonce na obvodu lesů. KLÍČOVÁ SLOVA: neurčtost, modely druhové dstrbuce, SDM, logstcká regrese, kalous ušatý, Aso otus

ABSTRACT In the frst part of ths Master thess a lterature revew about uncertanty, taxonomy of uncertanty for ecology and uncertanty n speces dstrbuton modellng was wrtten. Secondly, the dependence of the long-eared owl (Aso otus) on fve dfferent envronmental varables (predctors), whose values were obtaned from maps of dfferent resoluton, was nvestgated. The am was to evaluate whether the resoluton of maps affects values of the varables and therefore the results of studyng dependence. In ths study we have used permeters and areas of forest and agrcultural polygons and total length of ther common boundary n the Czech Republc as the core predctors of speces presence. Data on speces occurrence has been obtaned from the atlas Atlas hnízdního rozšíření ptáků v České republce (Šťastný & kol., 2006). Geodata wth dfferent resolutons were used; namely CORINE Land Cover 1990 and 2000 wth a scale of 1:100 000, DMÚ 25 whch scale s 1:25 000 and LPIS wth a scale of 1:10 000. To estmate the parameters of the ndvdual predctors n establshed models, logstc regresson was used as a method for explanng dscrete dependent varable (speces presence/absence) accordng to contnuous explanatory varables. The models were then compared by the resultng dstrbuton functons and overlaps of confdence ntervals of each parameter. Although the geodata had varyng resoluton, there were only small dfferences n the values of the 3 predctors ganed from these geodata. Dependence between long-eared owl occurrence and envronmental parameters were found for all geodata sets for 3 predctors - area and permeter of agrcultural polygons and area of forest, and n the case of DMÚ/LPIS for forest permeter moreover. KEYWORDS: uncertanty, speces dstrbuton models, SDM, logstc regresson, long-eared owl, Aso otus

OBSAH 1. ÚVOD... 8 2. CÍLE PRÁCE... 9 3. LITERÁRNÍ REŠERŠE... 10 3.1 POPIS DRUHU... 10 3.1.1 KALOUS UŠATÝ (ASIO OTUS)... 10 3.2 POPIS DAT... 13 3.2.1 ATLASOVÉ ÚDAJE... 13 3.2.2 DMÚ 25... 14 3.2.3 LPIS... 14 3.2.4 CORINE LAND COVER 1990 A 2000 (CLC 90, CLC 2000)... 15 3.3 NEURČITOST... 16 3.3.1 VÝVOJ POSTAVENÍ NEURČITOSTI VE VĚDĚ... 16 3.3.2 OBECNÉ DĚLENÍ NEURČITOSTI... 17 3.3.3 DĚLENÍ NEURČITOSTI V EKOLOGII... 18 3.3.4 NEURČITOSTI V MODELOVÁNÍ DISTRIBUCE DRUHŮ... 22 3.4 STATISTICKÉ METODY... 31 3.4.1 LOGISTICKÁ REGRESE... 32 4. METODIKA... 37 4.1 ATLASOVÉ ÚDAJE... 37 4.2 GEODATABÁZE... 39 4.2.1 CORINE LAND COVER... 39 4.2.2 LPIS + DMÚ... 40 4.3 STATISTICKÉ VYHODNOCENÍ... 42 5. VÝSLEDKY... 44 5.1 VIZUÁLNÍ POROVNÁNÍ GEODATABÁZÍ... 44 5.2 STATISTICKÁ VÝZNAMNOST ODHADNUTÝCH PARAMETRŮ... 47 5.3 POROVNÁNÍ ROZSAHU INTERVALŮ SPOLEHLIVOSTI A JEJICH PŘEKRYVŮ... 48 6. DISKUZE... 52 7. ZÁVĚR... 55 8. POUŽITÁ LITERATURA... 56 9. PŘÍLOHY... 61 PŘÍLOHA 1... 61 PŘÍLOHA 2... 62 PŘÍLOHA 3... 64 PŘÍLOHA 4... 66 PŘÍLOHA 5... 67 PŘÍLOHA 6... 68

1. ÚVOD Modelování prostorové dstrbuce druhů je, jakožto důležtý nástroj pro porozumění základním vztahům mez druhy a jejch žvotním prostředím, výchozí pro jakékol ekologcké a bogeografcké výzkumy. Přesnost modelů prostorové dstrbuce druhů může být ovšem ovlvněna různým zdroj neurčtost (Araújo & Gusan, 2006; Moudrý & Šímová, 2012). Obecně se dá říc, že zdrojem neurčtost je nedostatek nformací (Martínek, 2007), protože s pomocí měřících přístrojů nebudou získané nformace nkdy kompletně a přesně popsovat an fyzkální charakterstky geografckého žvotního prostředí (Duckham, 2002), nemluvě o botckých nterakcích a znalostech fungování dynamckých přírodních systémů. Proto je nutné prozkoumat koncepční nejasnost a botcké algortmcké nejstoty používaných modelů, aby se zvýšla spolehlvost modelovaných výsledků (Araújo & Gusan, 2006). Pro tvorbu modelů dstrbuce druhů jsou potřebná envronmentální data charakterzující prostředí, v jakém se druh nachází, a nformace o výskytu druhu. Ovšem přes značně významnou rol dat o druhové dstrbuc je geografe žvota na Zem velm špatně zdokumentována (Jetz & kol., 2012). Ptác jsou tak jedním z mála taxonů, pro který jsou, díky velkému veřejnému zájmu, data o jejch výskytu zpracovaná dobře (Vener & kol, 2004). I tato práce vychází z Atlasu hnízdního rozšíření ptáků v České republce 2001-2003, který je jž třetím hnízdním atlasem zpracovaným pro naše území a Česká republka se tak v mapovacích pracích řadí k evropské špčce (Šťastný & kol., 2006). Pokus provedený v rámc této práce vychází z myšlenky Gusana & Thullera (2005), že stejné envronmentální parametry posbírané v různém rozlšení mohou mít pro druhy rozdílný význam a prostorová neurčtost vstupních dat se pak může šířt do modelových predkcí (Jager & Kng, 2004). Pokus byl tedy zaměřený na vyhodnocení, zda je nějaká z geodatabází (respektve měřítko některé z bází) CORINE Land Cover a DMÚ25/LPIS vhodnější pro získání hodnot predktorů výskytu kalouse ušatého na území České republky. 8

2. CÍLE PRÁCE Celá práce vychází z hypotézy, že zvolené měřítko, v jakém byla vytvořena mapa envronmentálních proměnných, výrazně ovlvní hodnoty těchto proměnných, nebol hodnoty envronmentálních predktorů využívaných pro určení výskytu druhu. Pokud se pro odvození predktoru použjí geodata rozlšných měřítek, hodnoty téhož predktoru by se dle hypotézy měly lšt, a proto by měla být rozdílná modelovaná dstrbuce druhu. Proto je jedním z cílů práce zhodnott na příkladu dat o výskytu kalouse ušatého a s využtím geodat rozlšných měřítek (CORINE Land Cover 1:100 000 versus DMÚ 25/LPIS 1:25 000/1:10 000) platnost této hypotézy. Mez další cíle práce pak patří vyhodnocení, jaký z použtých envronmentálních predktorů nejlépe předpovídá výskyt kalouse ušatého, č zhodnocení, která geodata (respektve jaké mapové měřítko) jsou pro takovouto stud vhodnější a zda mapy hrubších měřítek budou skutečně poskytovat méně přesné výsledky nebo zda je možné je pro odvození predktorů bez obav použít. 9

3. LITERÁRNÍ REŠERŠE 3.1 Pops druhu Pro potvrzení / vyvrácení hypotézy, zda měřítko mapy ovlvňuje výsledky výzkumů botopových efektů na prostorovou dstrbuc druhů, byla vybrána data o výskytu kalouse ušatého. 3.1.1 Kalous ušatý (Aso otus) Kalous ušatý (vz obr. 1, vz Příloha 6) taxonomcky náleží do třídy ptáků (Aves), řádu sov (Strgformes) a čeled puštíkovtých (Strgdae). Svým vzhledem je podobný výru velkému, protože má také péřová ouška. Je ale menší, jeho výška je průměrně 35-40 cm. Je relatvně štíhlý (hmotnost se pohybuje mez 250-300 g) se slným křídly s rozpětím 90 až 100 cm. Má velké oranžové oč a nenápadný černý zobák (Šoltésová, 2007). Jeho základní zbarvení je rezavohnědé s tmavým podélným skvrnam, které ve spodní část těla přechází v příčky (Šťastný, Bejček & Hudec, 2006). Kalous se řadí mez druhy CITES uvedené v apendxu II. (Shao & Lu, 2006). Obr. 1: Kalous ušatý (Bělna, 2010) Kalous ušatý je holarktcky rozšířený druh v mírném pásmu Eurase, Severní Amerky a v severní část Afrky (Bejček & Šťastný, 1999). V České republce se vyskytuje praktcky na celém území v hnízdní populac stálé a přelétavé, kdy se po vyhnízdění rozptyluje ve všech směrech do vzdáleností 100 km. Méně často je možné pozorovat tažné populace kalousů, u kterých převládá jhozápadní směr tahu (Martško, 1999). Kalous žje ve většně nadmořských výšek od nížn až do hor ( když nejhojněj hnízdí do výšky 600 m n. m.). Obývá lesy - převážně jejch okrajové oblast sousedící s otevřenou zemědělsky využívanou krajnou, skupny stromů na otevřených prostranstvích, remízky a keřové pásy, doprovodnou zeleň potoků 10

městské parky, sady a hřbtovy. Hnízdí většnou do výšky 15 m nad zemí. Hnízda s sám nestaví an neupravuje, obývá stará hnízda dravců č krkavcovtých ptáků. Méně často může zahnízdt v budce č přímo na zem (Šťastný, Bejček & Hudec, 2006). Výběr hnízdšť je vázán na dostatek potravních zdrojů (které tvoří z 90% hraboš polní (Mcrotus arvals)) a hnízdních příležtostí (dostatek prázdných č umělých hnízd). Na vhodných lokaltách můžeme najít 10 hnízdních párů na 100 km 2, v případě gradace populace hraboše polního se tento počet může ztrojnásobt (Martško, 1999). Aktvta kalousů je nejvyšší za stmívání a v noc a je rozdělena do dvou vln oddělených as tříhodnovou půlnoční pauzou. Jak jž bylo uvedeno výše, hlavní složkou kořst kalousů je hraboš polní, jehož je hlavním predátorem. Loví v nízkém letu a svou kořst vyhledává pomocí sluchu (Mlíkovský, 1998). Pouze př nízkých stavech hrabošů loví drobné ptáky, obojžvelníky č ostatní drobné savce (Závalský, 2004). Obr. 2: Kalous ušatý s uloveným hrabošem a s mláďaty (Bohdal, 1984). 11

Tok u těchto ptáků probíhá většnou od února. Samc se v tomto období opakovaně ozývají temným hlubokým tlumeným hůu v ntervalu as 3 vteřn. Může být také slyšet jejch tleskání křídel pod břchem o sebe. Samce odpovídají slyštelným hée. Pár se vytváří obvykle jenom na jednu sezónu. Zahnízdí pravdelně jednou za rok, kdy snůška vajec probíhá od druhé polovny března. Př příznvých trofckých podmínkách můžou kalous zahnízdt dvakrát - začátkem března a v květnu (Martško, 1999; Šťastný, Bejček & Hudec, 2006). Samce snáší v průměru 4-6 čstě bílých, slabě lesklých, kulovtých vajec s rozměry as 4 cm x 3 cm a hmotností 20 g. Na vejcích sedí sama a samec jí přnáší potravu. As po 4 týdnech se postupně líhnou mláďata, která se z hnízda ozývají tesklvý mňoukavým sí nebo píje (Šťastný, Bejček & Hudec, 2006). Samce je ještě as 9 dní zahřívá, poté se oba rodče zdržují přes den mmo hnízdo na nedalekém stromě. Mláďata ve stáří as 21 25 dní vyskakují z hnízda na větev nebo padají na zem, kdy ještě nejsou vzletní, ale umí dobře šplhat. Vzletní začínají být od stáří 5 týdnů a pohlavní dospělost dosahují ve 2 letech (Martško, 1999). Úmrtnost mláďat v prvním roce žvota je až 52%, kdy mohou zahynou buď pádem ze stromu nebo po útoku predátora především v době, kdy ještě nejsou vzletná. Jejch přrozeným predátory jsou kuny, jeřáb lesní, káně lesní výr velký (Martško, 1999). Záhlavský (2004) také uvádí jako příčnu značných ztrát u dospělých kalousů automoblovou dopravu. I přes velkou úmrtnost mláďat je kalous ušatý naší druhou nejpočetnější sovou (hned po puštíkov obecném). Jeho stavy jsou v České republce poměrně stálé a celkový odhad jeho početnost byl 4000 7000 hnízdních párů v letech 1985 1989, v období 2001-2003 obdobně 4000 8000 párů. V Praze je dokonce sovou nejhojnější (Šťastný, Bejček & Hudec, 2006). 12

3.2 Pops dat 3.2.1 Atlasové údaje Atlasové údaje o výskytu kalouse ušatého byla převzatá z Atlasu hnízdního rozšíření ptáků v České republce z roku 2006 (autoř Karel Šťastný, Vladmír Bejček a Karel Hudec), který s klade za cíl zmapovat výskyt a početnost všech druhů ptáků, jež se vyskytují v době mapování na našem území. fázích: Šťastný, Bejček & Hudec (2006): Mapování probíhalo postupně ve třech - V období 1973 1977 se mapovalo ve vymezených plochách 100 km 2 (vždy čtverce 10 x 10 km). Na území České republky tak přpadlo 846 kvadrátů, v kterých po dobu 5 let provádělo terénní práce 913 pozorovatelů. - Pro mapování v letech 1985 1989 došlo ke změně velkost kvadrátů kvůl unfkování sítě pro mapování všech druhů organsmů. Nové rozměry čtverců byly 6 severní šířky x 10 východní délky vyznačených geografckým souřadncem. Jednalo se o plochy zhruba 133,2 km 2 (11,1 km x 12 km). Na území ČR nově přpadalo 679 kvadrátů. Ovšem kvadráty, které zasahují méně než polovnou plochy území republky, byly vyřazeny a výsledky mapování z nch byly přřazeny k sousedním čtvercům. V Atlasu se tak nakonec pracuje s 628 čtverc. Terénní práce probíhaly také 5 let. - Poslední mapování proběhlo v období 2001 2003. Kvadráty zůstaly nepozměněné, ale zkrátla se doba terénních prací na 3 roky (z důvodu dostatečného počtu pracovníků a jejch zkušenost). Terénní pozorování byla zapsována do záznamových druhových karet jednotlvých kvadrátů dle meznárodních kódů (vz Příloha 1). Do mapových výstupů byly použty stupně průkaznost B (možné hnízdění), C (pravděpodobné hnízdění) a D (prokázané hnízdění). Nasbíraná data byla z druhových karet následně zpracována do dgtální podoby pomocí programů ArcVew GIS 3.3 ESRI a ESRI ArcMap 9.1 (Šťastný, Bejček & Hudec, 2006). Výskyt kalouse ušatého byl během všech tří pozorovacích období podobný. V letech 1973 1977 byl zaznamenán v 81% kvadrátů (čl v 688 z 843 celkem) a v druhém období v 79% čtverců (v 498 z celkového počtu 628). V letech 2001-2003 byl zaznamenán výskyt v 78% (492) kvadrátů, kdy 20% z toho bylo byly údaje o možném hnízdění (99 čtverců), 17% bylo pravděpodobné hnízdění (85 čtverců) a 63% z celkového výskytu tvořlo prokázané hnízdění (308 kvadrátů). 13

3.2.2 DMÚ 25 DMÚ 25 je dgtální model území v měřítku 1:25 000 vytvořený vojenským topografckým ústavem (VTOPÚ) Dobruška (Tchý, 2012). Jedná se o soubor vektorových topografckých dat vytvořený dgtalzací všech topografckých prvků z map s měřítkem 1:25 000. Účelem jeho vznku bylo (mmo jné) vytvoření zdrojové databáze geografckých dat pro tvorbu vojenského státního mapového díla jných geografckých produktů (Břoušek & Laža, 2006). V této databáz jsou topografcké nformace rozděleny do sedm vektorových vrstev na vodstvo, komunkace, sídla, síťová vedení, hrance, reléf terénu a rostlnný a půdní kryt. Data je možné získat ve formátech ARC/INFO Coverage, ARC/INFO Lbrary a ESRI Shapefle a jsou dostupné v základních souřadncových systémech S-JTSK, S-42 a WGS 84. Odchylka dat je udána v rozmezí 50 cm až 20m (Langr, 2001). 3.2.3 LPIS Český LPIS (Land Parcel Identfkaton System) je referenční regstr využtí zemědělské půdy v České republce spadající pod Mnsterstvo zemědělství. Vznk evdence proces aktualzace změn v evdenc byl uzákoněn v novele č. 128/2003 Sb. zákona č. 252/1997 o zemědělství. Důvodem vznku byla jednak v 90. letech potřeba vytvoření evdence zemědělské půdy pro účely kontroly celého spektra státních dotací poskytovaných na jednotku plochy a dále především podmínka Evropské une kvůl uvolňování evropských zemědělských dotací, kdy ČR měla zavést ucelený systém v prostředí geografckého nformačního systému pro dentfkac zemědělských pozemků za základě skutečného užívání půdy. Uplatnění ale kromě ověřování žádostí o dotace má jako podklad pro vedení evdence o použtí hnojv č přípravků na ochranu rostln, podklad pro omezení hospodaření kvůl eroz č jako nástroj v oblast montorngu výskytu škodlvých organsmů. První off-lne verze regstru půdních bloků vznkla koncem roku 2002. Užvatelské bloky zemědělské půdy byly zakresleny do ortofotomap z let 1999 až 2001. Zakreslení bylo následně verfkováno pomocí ověřování zákresu hranc půdních bloků na papírových mapách v měřítku 1:10 000. 14

Druhou a současnou generací LPIS jž bylo on lne řešení vytvořené frmou Stewell s.r.o. v roce 2004, protože v off-lne verz nebylo možné zajstt dostatečně rychlou aktualzac a plnou ntegrtu dat. LPIS se skládá z tzv. farmářských bloků, což jsou základní evdenční jednotky reprezentující vždy souvslou plochu zemědělské půdy s jednotnou kulturou obhospodařované jedním užvatelem v jednom režmu obhospodařování. Každý takový blok je zakreslen nad ortofotem a obsahuje nformace ohlašované farmářem vypočtené systémem z dgtálního modelu terénu č průnku s jným geografckým vrstvam. Klíčovým prvkem celého systému je centrální databáze vytvořená v prostředí Oracle Spatal (Stewell s.r.o., 2004; Mnsterstvo zemědělství, 2011). 3.2.4 CORINE Land Cover 1990 a 2000 (CLC 90, CLC 2000) CORINE (Coordnaton of nformaton on the envronment) Land Cover je projekt, který spadá pod program CORINE fungující od roku 1985. Program CORINE zastřešuje: - shromáždění nformací o stavu žvotního prostředí, které jsou významné pro všechny členské státy; - koordnac př komplování dat a organzac nformací jak v rámc členských států, tak na meznárodní úrovn; - zajštění, že nformace jsou odpovídající a data kompatblní. CORINE Land Cover (CLC) je jednotná vektorová databáze vytvořená na území celkem 12 států Evropy v měřítku 1:100 000, která pokrývá rozlohu 2,3 ml km 2. Nejmenší mapová jednotka má plochu 25 ha (Commsson of european communtes, 1994). Cílem projektu bylo vytvoření metodologcky jednotné a pravdelně aktualzované databáze evropského krajnného pokryvu (Cena, 2012). Výstupní mapy vegetačního pokryvu byly rozdělené do pět hlavních tříd a celkem 44 kategorí (vz Příloha 2). Do této doby byly pro území České republky vytvořeny celkem tř databáze - a to pro roky 1990, 2000 a nejnovější pro rok 2006. Navíc vznkly databáze obsahující změny ploch polygonů jednotlvých tříd mez lety 1990-2000 a 2000 2006 (Cena, 2012). CLC90 tato databáze byla zpracována frmou Gsat podle sateltních snímků družce LANDSAT, které byly nasnímány mez lety 1986 1995. Dokončena byla v roce 1996. 15

CLC2000 Po převzetí pravomoc za program CORINE Evropskou agenturou žvotního prostředí (European Envronment Agency - EEA) byl zahájen projekt aktualzace evropské databáze I&CLC2000 (zahrnující projekty IMAGE2000 a CLC2000). Výchozím materálem pro aktualzac CLC a tvorbu změnové databáze byl soubor sateltních snímků Evropy nasnímaných pomocí družce LANDSAT s prostorovým rozlšením 25 m (projekt IMAGE 2000) (Büttner & kol., 2002; Cena, 2012). 3.3 Neurčtost Neurčtost se dotýká všech aspektů našeho žvota. Naše znalost nejsou nkdy kompletní (Tanert & kol., 2007) a jak dosavadní výzkum ukazuje, není možné dosáhnout absolutního poznání a podat přesný obraz okolního světa. Informace jsou vždy neúplné a časově proměnlvé a naše poznání se pohybuje v mezích určté tolerance (Dudek, 1999). A protože nelze odstrant neurčtost z jakéhokol vědeckého výzkumu, je důležtým a zároveň obtížným úkolem dentfkace jejích jednotlvých typů a nalezení způsobu změření množství neurčtost každého typu (Klr, 2008). 3.3.1 Vývoj postavení neurčtost ve vědě Klr (2008) shrnuje vývoj postoje k neurčtost v rámc vědy. Před 20. stoletím byla neurčtost z vědy strktně vyřazována. Zlom přšel počátkem 20. století díky statstckým metodám používaným př výzkumu statstcké mechanky, kdy se neurčtost v některých oblastech vědeckého výzkumu ukázala jako nutná. Dalším krokem bylo v roce 1927 odvození Hesenbergova prncpu neurčtost, který praktcky ukázal, že se věda př měření nemůže neurčtost vyhnout. V r. 1931 Kurt Gödel ve své prác uvedl neurčtost v oblast matematky, z čehož vyplývalo, že se jí nedá vyhnout an s pomocí matematky (Klr, 2008). Obecné studum neurčtost začalo v 2. polovně 20. století s rozvojem počítačové technologe. Bylo zjštěno, že pomocí počítačů je možné zpracovat jen omezené množství nformací bylo nutno provádět zjednodušení a hledat pouze přblžná řešení problémů. Pohled na neurčtost ve vědě se během mnulého století zásadně změnl a neurčtost jž není považována za nutné zlo, nýbrž za užtečnou součást vědy. 16

Mnoho autorů mělo v posledních letech snahu neurčtost nějakým způsobem klasfkovat a popsat, ale žádné všeobecně používané dělení není zavedené. V této prác je proto uvedeno pár způsobů dělení podle jednotlvých autorů. 3.3.2 Obecné dělení neurčtost Bokr (1993) Bokr & Jáneš (2005) dělí neurčtost následovně (vz obr. 3): - Neznalost pod tímto pojmem autoř rozumí absenc vědomostí o enttě č pokud neznáme událost (změnu stavu jnak neměnného objektu), která se odehrála (odehrává č v budoucnu bude odehrávat) na objektu. - Neúplnost nastává, pokud nejsou sesbírány všechny možnost vědomost př shromažďování nformací o objektu. Prncpálně nkdy není komplex znalostí kompletní. - Nedostatečnost je tehdy, nejsou-l shromážděny všechny nezbytné znalost o událostech. - Nedefnovanost vznká kvůl absenc exaktního vymezení některých znalostí, které jsou vymezeny například pouze z analoge. - Neadekvátnost znamená, že není s dostupným znalostm možné dosáhnout cíl modelování. - Neprůkaznost je zapříčněná dočasným přerušením sbírání znalostí. - Fyzkální nejednoznačnost - Dána exstencí více alternatv nastání událost, z nchž se každá může uskutečnt nahodle, - nebo nepřesností měřících a pozorovacích přístrojů. Všechna měření a pozorování jsou vždy zatížena chybou, která může být vyvolána chybam počítače, chybam př přenosu údajů, omezenou přesností reprezentace zpracování čísel, omezenou přesností měřících a observačních přístrojů. - Lngvstcká nejednoznačnost - Nejednoznačnost smyslu nějakého tvrzení je vyvolána konečností slovní zásoby konečným počtem výroků. - Mnohovýznamnost (polyseme) může vést k homonym (totožnost formy slov) č nezřetelnost (přblžné denotatvní shodě jedná-l se o předměty blízkého významu). 17

Obr 3: Rozdělení neurčtost dle Bokra (1993). 3.3.3 Dělení neurčtost v ekolog Dle Regan & kol. (2002) neurčtost doprovází veškeré naše snahy o zjštění pravdvých přírodních zákontostí. V rámc ekologe neurčtost dělí do dvou kategorí (vz obr. 4): - nejstota epstemcká, - nejstota lngvstcká. Epstemcká nejstota je spojená se znalostí stavu systému, zahrnuje nejstoty vznklé nepřesností měřících přístrojů, z nedostatečných dat, z extrapolace a nterpolace č proměnlvost v čase a prostoru. Oprot tomu lngvstcká neurčtost vznká díky faktu, že náš jazyk (včetně velké část vědecké termnologe) je nejednoznačný, často významově závslý na kontextu č vykazující teoretcké nejasnost. V mnulost jž proběhlo několk pokusů mnoha autorů o klasfkování různých typů neurčtost. Ale ještě nedošlo ke komplexnímu vyhodnocení vlvu celého spektra nejstot během rozhodovacích procesů. Přestože je v ochraně přírody lngvstcká nejstota běžná, protože v ní má velký význam poltka rozhodování, je často gnorovaná a uvažuje se pouze nejstota epstemcká. 18

Obr. 4: Rozdělení neurčtost dle Regan & kol. (2002). Epstemcká nejstota (Regan & kol., 2002) Epstemckou neurčtost je možné rozčlent na 6 různých typů, z nchž každý vznká jným způsobem: - Chyba měření vznká z nepřesností měřících přístrojů a pozorovacích technk a zahrnuje chybu obslužného pracovníka přístroje. Tato nejstota se projevuje jako náhodná změna v kvanttatvním měření. Opakovaná měření budou kolísat kolem statstckého průměru. V případě absence dalších typů nejstot bude vztah mez skutečností a naměřeným hodnotam závset na počtu měření, jejch rozdílných hodnotách, přesnost měřícího vybavení a zkušenostech terénního pracovníka. - Systematcká chyba se vyskytuje v důsledku špatného nastavení měřícího zařízení nebo ovlvněním př sběru dat (dochází k systematckému nadhodnocení č podhodnocení). Na rozdíl od chyby měření tato chyba není náhodná a průměr naměřených hodnot konverguje k jné, než ke skutečné hodnotě (nekolísá kolem skutečné hodnoty). Systematcká chyba může vznknout jak vědomým rozhodnutím vědce vyloučt/zahrnout data, která neměla být vyloučena/zahrnuta, tak neúmyslným omylem - např. špatnou kalbrací přístrojů č nesprávným zaznamenáváním měření. Systematckou chybu je velm těžké rozpoznat a lze j odstrant pouze pokud známe její velkost a směr vychýlení (podhodnocení / nadhodnocení). - Přrozená odchylka se vyskytuje v proměnlvých (časově a prostorově) systémech a lze jen těžko předpovídat. Některé třídy nejstoty rozlšují mez časovým a prostorovým složkam přrozené odchylky. 19

Přírodní odchylka není sama o sobě zdrojem epstemcké neurčtost, je to pouze skutečná hodnota parametru příslušných změn jako důsledek změn nezávslých proměnných. Je ale často považována za zdroj neurčtost, protože skutečnou kvanttatvní hodnotu je velm obtížné změřt č předpovědět napříč celou řadou časových a prostorových hodnot. Důležtá aplkace tohoto pojmu v ekolog je přrozené kolísání populací. Obměna jednců v populac může závset na mnoha faktorech např. potravní dostupnost, počasí, počty predátorů, rozšíření nemocí, atd. - Vlastní nahodlost se v systému nevyskytuje kvůl našemu omezenému porozumění řídícím procesům a zákontostem, ale proto, že systém není možné zjednodušt na systém neměnný (determnstcký). Přestože je mnoho systémů považováno za nahodlé, je těžké nalézt názorný příklad tohoto druhu neurčtost. - Neurčtost modelu je výsledkem naší reprezentace fyzkálního a bologckého systému. Modely mohou být založeny na dagramech, grafech, matematckých reprezentacích, počítačových smulacích, atd. Regan & kol. (2002) se zaměřuje na matematcké a počítačové modely, které jsou hojně využívány v přírodních vědách pro predkce budoucích událostí č zjšťování chování systému za specfckých podmínek. Neurčtost modelu vznká dvěma hlavním způsoby. Prvním z nch je fakt, že jsou do modelu zahrnuty pouze parametry a procesy, které se považují za významné pro modelované skutečnost. Druhou cestou vznku nejstoty je způsob konstrukce použtý k reprezentac pozorovaných procesů. Často se jedná o přírodní procesy (reprodukce, vymírání, dostupnost zdrojů, odpočnek, atd.), které nejsou přrozeně matematcké povahy a přesto mají dopad na populační početnost a mohou být reprezentovány v mnoha matematckých formách. Do této kategore dále patří nejstota vyplývající z prokládání naměřených dat přímkou (včetně nterpolace a extrapolace) č z aproxmace sestaveného modelu. Neurčtost modelu je velm obtížné kvantfkovat a v podstatě nemožné elmnovat. Jedným spolehlvým způsobem zjštění, jak je model přesný a schopný správně predkovat, je provedení valdačních studí (což je bohužel často nemožné). 20

- Subjektvní úsudek. Neurčtost vyplývající ze subjektvního úsudku je výsledkem nterpretace dat, obzvláště v případě, kdy jsou data vzácná a náchylná k chybám. Prvky subjektvního hodnocení se vyskytují v mnoha odhadech parametrů bologckých věd. Standardní způsob vypořádání se s touto nejstotou je přřadt stupeň důvěryhodnost událost formou subjektvní pravděpodobnost (například by mohl odborník ohodnott, že s pravděpodobností 0,7 je velkost populace větší než 500 jednců). Avšak an stupně důvěryhodnost nejsou přesné. Lngvstcká nejstota Tento typ nejstoty Regan & kol. (2002) dělí do pět klasfkačních tříd: všechny tyto neurčtost mohou mít vlv na bologcké aplkace. - Nejasnost vznká kvůl tomu, že náš jazyk umožňuje používat tzv. hranční případy. Například slovo ohrožený je nejasné z důvodu, že exstují druhy, které nejsou ohrožené an neohrožené je to hranční případ. - Závslost kontextu je nejstota vyplývající z neschopnost specfkovat kontext, ve kterém je potřeba problém chápat. Například řekne-l se, že populace nespecfkovaného taxonu je malá. Bez upřesnění souvslostí lze jen hádat, jak velkou populac s pod pojmem malá představt. - Nejednoznačnost vyplývá z mnohoznačnost slov každé slovo má více významů a není jasné, který význam byl zamýšlen. - Nespecfčnost vyvstává z nechtěné obecnost, pokud je prohlášení méně specfkované, než bychom potřeboval. - Neurčtost teoretckých pojmů vyplývá z problému, že budoucí používání teoretckých pojmů není pořádně zakořeněno v mnulost. Což znamená, že některé teoretcké pojmy, které zatím nejsou nejednoznačné, se nejednoznačným mohou stát. Nejstota má mnoho rozdílných zdrojů a v různých aplkacích se nejstoty z různých zdrojů hromadí, včetně nejstot epstemckých a lngvstckých. Komplexní a systematcké vyhodnocení nejstot v bologckých vědách má značný význam a zaslouží s, dle Regan & kol. (2002), velké množství dalšího šetření, protože mnoho metod využívaných běžně v ekolog podceňuje jejch skutečný rozsah. 21

3.3.4 Neurčtost v modelování dstrbuce druhů Přesné mapy rozšíření organsmů by byly vítaným zdrojem př navrhování národních parků, hodnocení ldského působení na bodverztu č př testování různých ekologckých a bogeografckých hypotéz. Ovšem an perfektní znalost bologe druhů nemohou zaručt, že statcká mapa bude správně reflektovat dynamcké vlastnost dstrbuce druhů. Navíc je téměř nemožné přesně zmapovat velké a nepřístupné přírodní oblast. Naše znalost o prostorové dstrbuc většny druhů tak mají, jak uvádí Seoane & kol. (2004b), značné mezery. Všeobecným řešením tohoto problému je predkční modelování výskytu druhů, které vznklo už koncem 70. let mnulého století, ovšem za posledních deset let prodělalo obrovský rozvoj (Zmmermann & kol., 2010). Modely druhové dstrbuce - SDMs (Speces Dstrbuton Models, označované též jako modely nky č vhodných stanovšť, Dormann & kol. (2008)) kombnují body známého výskytu druhu s prostorově spojtým envronmentálním velčnam s cílem odvození ekologckých požadavků druhu pomocí nějakého statstckého algortmu. Geografcká dstrbuce je pak předpovídána pomocí mapování oblastí, v kterých se všechny envronmentální požadavky druhů střetávají (Barry & Elth, 2004; Hernandez & kol., 2006; Dormann & kol., 2008). A právě proto, že předpovídaná dstrbuce je obecně určena třem elementy - envronmentálním vrstvam, druhovým daty a algortmem/modelovací metodou (Fernandez & kol., 2009), Moudrý & Šímová (2012) označují tyto elementy za hlavní zdroje nejstot př tvorbě modelů dstrbuce druhů. Dstrbuce pak může být dále ovlvněna zvoleným časovým a prostorovým měřítkem použtým př sběru všech druhů dat zahrnutých do modelu (Elth & kol., 2002; Gusan & Thuller, 2005; McPherson & kol., 2006). 3.3.4.1 Neurčtost nezávsle proměnných Envronmentální proměnné mohou být získány různým způsoby. Dříve běžné metody získávání dat z terénního průzkumu a analogových map postupně nahrazuje sateltní snímkování, které může pokrýt rozsáhlá území s nžší fnanční náročností (Mack & kol., 1997). Proměnné se nejčastěj zpracovávají do vrstev GIS (geografckých nformačních systémů), které jsou běžně vytvářeny nterpolací bodových měření, nterpretací leteckých a sateltních snímků nebo modelováním fyzkálních procesů (Elth & kol., 2002). Neurčtost exstující jž v základních datech (např. kvůl chybám 22