Archiv Detail

Zurück
Foto: Eawag

Verbesserter Gesundheitscheck für Fliessgewässer

2. Dezember 2019 | Bärbel Zierl

Wirbellose Tiere am Gewässerboden stehen unter genauer Beobachtung, denn sie dienen als Indikator für den ökologischen Zustand von Fliessgewässern. Eine neue schweizweite Studie des Wasserforschungsinstituts Eawag zeigt auf, welche Arten besonders aussagekräftig sind und wie sich Monitoring und Gewässermanagement weiter verbessern lassen.

Dreht man in einem Fluss oder Bach einen Stein um, so wimmelt es von kleinen Tieren: Köcherfliegen, Wasserkäfer, Bachflohkrebse und Schnecken. Die mit blossem Auge sichtbaren wirbellosen Organismen am Gewässergrund, Makrozoobenthos genannt, sind eher unscheinbar, doch für die Wissenschaft und den Gewässerschutz von grosser Bedeutung. Einzelne Arten dieser Gemeinschaft reagieren sehr empfindlich gegenüber Veränderungen in ihrer Umwelt, zum Beispiel auf Schadstoffe oder Verbauungen entlang des Ufers oder im Einzugsgebiet des Gewässers. Andere wiederum sind tolerant. Die Diversität der kleinen Tiere lässt daher wichtige Rückschlüsse auf die Wasser- und Gewässerqualität zu. Teils lässt sich sogar auf die Ursachen einer Verschlechterung des ökologischen Zustands zurückschliessen.

Schweizweite modellgestützte Analyse der wirbellosen Kleinorganismen

Erstmals haben nun die Eawag-Forschenden Nele Schuwirth und Bogdan Caradima gemeinsam mit weiteren Kollegen der Abteilung Systemanalyse und Modellierung kantonale und bundesweite Daten über das Makrozoobenthos gesamthaft untersucht. Sie nutzten hierfür die Datenbank für Makrozoobenthos MIDAT des Schweizerischen Zentrums für die Kartografie der Fauna (SZKF). Darin enthalten sind die Daten des Biodiversitätsmonitoring BDM, der Nationalen Beobachtung Oberflächengewässerqualität NAWA und von 14 kantonalen Monitoring-Programmen.

Da die Programme die wirbellosen Kleinlebewesen auf unterschiedlichen systematischen Niveaus – Familie, Gattung, Art – erfassen, mussten die Datensätze zuerst vereinheitlicht werden. Anschliessend haben die Forschenden sie mithilfe von statistischen Modellen analysiert und wichtige direkte und indirekte Einflussgrössen für das Auftreten einzelner Organismen identifiziert. Dies waren unter anderem Wassertemperatur, Insektizid-Anwendungen im Einzugsgebiet, Fliessgeschwindigkeit, Landwirtschaft und Bewaldung entlang des Ufers, Siedlungsfläche und Grossvieheinheiten im Einzugsgebiet. Einige dieser Einflussgrössen wie die Wassertemperatur beeinflussen die Organismen direkt. Andere dienen als Indikatoren für Einflussgrössen, die nicht direkt gemessen wurden. So kann zum Beispiel die Bewaldung des Uferbereichs zu erhöhtem Laubeintrag, Beschattung des Gewässers und vermindertem Eintrag von Nähr- und Schadstoffen aus dem Einzugsgebiet führen.

Vorkommen der Käferfamilie Elmidae in der Schweiz in den Biodiversitätsmonitoringdaten und im Modell, grosse blaue Punkte und kleine rote Punkte zeigen eine gute Übereinstimmung zwischen Beobachtung und Modell.

Vorkommen der Käferfamilie Elmidae in der Schweiz in den Biodiversitätsmonitoringdaten und im Modell, grosse blaue Punkte und kleine rote Punkte zeigen eine gute Übereinstimmung zwischen Beobachtung und Modell.

Aus den Ergebnissen haben die Forschenden Empfehlungen für das Design der Monitoring-Programme und das Gewässermanagement abgeleitet:

Identifikation von Ursachen durch Bestimmung der Arten

Seit 2010 werden Untersuchungen und Beurteilungen des Makrozoobenthos in Schweizer Fliessgewässern gemäss dem Bewertungsverfahren des Modul-Stufen-Konzepts durchgeführt. Vorgeschrieben ist dabei die Erfassung der Organismen auf dem Niveau der Familie. Die Modellanalyse bestätigt das Bewertungsverfahren weitgehend: Als sensitiv eingestufte Familien reagieren auch im Modell stärker auf Belastungen. Die Studie weist aber auch darauf hin, dass eine bessere taxonomische Auflösung, also die Bestimmung von Arten, wertvolle Zusatzaussagen ermöglichen würde. So liesse sich etwa besser identifizieren, welche spezifischen Ursachen die Wasser- oder Gewässerqualität beeinträchtigt haben könnten.

Mehr Daten, höhere Aussagekraft

Je mehr Daten für die Auswertung verfügbar sind, desto höher ist die Aussagekraft. Für zukünftige Analysen ist es daher essenziell, dass möglichst viele Monitoring-Programme ihre Daten sowie Zusatzformationen wie Substrat-Daten an die MIDAT-Datenbank liefern.

Einheitliche Monitoring-Konzepte

Heute werden in den Kantonen unterschiedliche Gruppen des Makrozoobenthos bis auf Artniveau bestimmt. Für eine schweizweite Auswertung wäre es jedoch sinnvoll, immer die gleichen Gruppen in dieser hohen taxonomischen Auflösung zu erfassen. Eine einheitliche Liste zur Artbestimmung wäre daher vorteilhaft. Die Studie der Eawag kann dazu beitragen zu beurteilen, für welche Gruppen sich das besonders lohnen würde.

Erweitertes Monitoring-Design

Um die Identifikation wichtiger Einflussfaktoren auf die Gewässerökologie zu verbessern, lohnt es sich, zusätzliche Stellen in die Monitoring-Programme aufzunehmen. Vor allem Stellen mit seltenen Kombinationen von Einflussfaktoren sind für die Analyse interessant, zum Beispiel Stellen mit niedriger Wassertemperatur und beeinträchtigter Wasserqualität.

Integrales Gewässermanagement

In Gewässern lebende Tiere und Pflanzen reagieren meist auf mehrere Stressfaktoren, zum Beispiel schlechte Wasserqualität, monoton hohe Fliessgeschwindigkeit und erhöhte Wassertemperaturen. Bei Massnahmen zur Verbesserung der Wasser- und Gewässerqualität ist es daher empfehlenswert, soweit möglich und nötig eine Kombination von Massnahmen umzusetzen, zum Beispiel eine Revitalisierung kombiniert mit der Aufrüstung der Kläranlagen und der Verminderung von Schadstoffeinträgen aus der Landwirtschaft flussaufwärts.

Eine ausführlichere Zusammenfassung der Ergebnisse haben Schuwirth und Caradima in der heutigen Ausgabe der Zeitschrift Aqua und Gas in Zusammenarbeit mit dem Bundesamt für Umwelt BAFU und dem Atelier für Naturschutz und Umweltfragen AG UNA publiziert: «Analyse schweizweiter Makrozoobenthosdaten: Erkenntnisse über anthropogene Einflüsse und Monitoring Design».

Originalpublikation

Schuwirth et al., «Analyse schweizweiter Makrozoobenthosdaten: Erkenntnisse über anthropogene Einflüsse und Monitoring Designhttps://www.eawag.ch/typo3/#_msocom_1», Aqua & Gas, Nr. 12/2019

Extbase Variable Dump
array(2 items)
   publications => '19054,20100' (11 chars)
   libraryUrl => '' (0 chars)
Extbase Variable Dump
array(2 items)
   0 => Snowflake\Publications\Domain\Model\Publicationprototypepersistent entity (uid=19054, pid=124)
      originalId => protected19054 (integer)
      authors => protected'Caradima, B.; Schuwirth, N.; Reichert, P.' (56 chars)
      title => protected'From individual to joint species distribution models: a comparison of model
          complexity and predictive performance' (114 chars)
      journal => protected'Journal of Biogeography' (23 chars)
      year => protected2019 (integer)
      volume => protected46 (integer)
      issue => protected'10' (2 chars)
      startpage => protected'2260' (4 chars)
      otherpage => protected'2274' (4 chars)
      categories => protected'benthic macroinvertebrates; biodiversity; hierarchical multispecies models; 
         joint models; predictive modelling; richness; species distribution models; s
         tacked individual models' (176 chars)
      description => protected'<em>Aim:</em> Species distribution models (SDMs) are widely used to study ge
         ographic distributions of taxa in response to natural and anthropogenic envi
         ronmental conditions. For a community, common approaches include fitting ind
         ividual SDMs (iSDMs) to all taxa or directly modelling community properties 
         such as richness. However, the parameters of iSDMs are difficult to identify
          for rare taxa, and community properties do not reveal taxon‐specific resp
         onses. Individual models can be combined into a hierarchical multispecies di
         stribution model (mSDM) that constrains taxon‐specific parameters accordin
         g to overarching community parameters, or a joint model (jSDM) in which inte
         rdependencies between taxa are jointly inferred. We compare how individual, 
         hierarchical multispecies and joint SDMs differ in quality of fit, explanato
         ry power and predictive performance, and analyse how these properties depend
          on the prevalence of taxa.<br /><em>Taxa:</em> Presence–absence observati
         ons of 245 benthic macroinvertebrate taxa identified at a mixed taxonomic re
         solution.<br /><em>Location:</em> Four hundred and ninety‐two sites in riv
         ers throughout Switzerland.<br /><em>Methods:</em> Individual, hierarchical 
         and joint hierarchical generalized linear models (GLM) were developed for al
         l taxa. Parameters were estimated using maximum likelihood estimation or Bay
         esian inference with Hamiltonian Markov chain Monte Carlo simulations. Predi
         ctive performance was assessed with cross‐validation. In addition, the pre
         dicted family and species richness of the models was compared with a GLM for
          richness.<br /> Results: Individual models show a slightly higher quality o
         f fit largely due to overfitting for rare taxa. The mSDM achieves a similar 
         quality of fit and explanatory power, mitigates overfitting for rare taxa an
         d considerably improves predictive performance over the whole community. The
          joint models further improve the quality of fit, but decrease predictive pe
         rformance and increase p...' (2371 chars)
      serialnumber => protected'0305-0270' (9 chars)
      doi => protected'10.1111/jbi.13668' (17 chars)
      uid => protected19054 (integer)
      _localizedUid => protected19054 (integer)modified
      _languageUid => protectedNULL
      _versionedUid => protected19054 (integer)modified
      pid => protected124 (integer)
   1 => Snowflake\Publications\Domain\Model\Publicationprototypepersistent entity (uid=20100, pid=124)
      originalId => protected20100 (integer)
      authors => protected'Vermeiren,&nbsp;P.; Reichert,&nbsp;P.; Schuwirth,&nbsp;N.' (57 chars)
      title => protected'Integrating uncertain prior knowledge regarding ecological preferences into 
         multi-species distribution models: effects of model complexity on predictive
          performance' (164 chars)
      journal => protected'Ecological Modelling' (20 chars)
      year => protected2020 (integer)
      volume => protected420 (integer)
      issue => protected'' (0 chars)
      startpage => protected'108956 (15 pp.)' (15 chars)
      otherpage => protected'' (0 chars)
      categories => protected'Bayesian inference; ecological niches; hierarchical modelling; multiple stre
         ssors; macroinvertebrates' (101 chars)
      description => protected'Species distribution models (SDMs) are often criticised for lacking explicit
          linkage to ecological concepts. We aim to improve the ecological basis of S
         DMs by integrating prior knowledge about ecological preferences of organisms
         . Additionally, we aim to support a systematic, data-driven review of such p
         rior knowledge by confronting it with independent monitoring data using Baye
         sian inference. We developed a series of multi-species distribution models (
         MSDMs) with increasing complexity to predict the probability of occurrence o
         f taxa at sampling sites based on habitat suitability functions that are par
         ameterized with prior ecological knowledge. We subsequently assessed the mod
         els` predictive performance with 3-fold cross-validation. So far, if ecologi
         cal preferences or functional traits have been used in SDMs, they were mainl
         y used as fixed inputs without considering their uncertainty. We take the ad
         ditional step of considering uncertainty about preference parameters by incl
         uding them as uncertain prior information that is subsequently updated with 
         Bayesian inference. We apply the series of models in a case study on macroin
         vertebrates in Swiss streams. We analyse differences in the quality of fit, 
         changes in predictive performance, and the potential to learn about the para
         meters from the data. We consider ecological preferences for natural and hum
         an modified environmental factors including temperature, flow velocity, orga
         nic matter concentration, insecticide pollution, and substratum. Results ind
         icate that updating prior knowledge on ecological preferences with Bayesian 
         inference, rather than using it as fixed input, improves model fit and predi
         ctive performance. For example, the predictive performance measured by the d
         eviance for validation data improves by 17 % and the explanatory power incre
         ases 3.8 times from a model that treats ecological preferences as fixed scor
         es to a model that treats them as uncertain parameters. The spatial distribu
         tion of many taxa, inclu...' (2694 chars)
      serialnumber => protected'0304-3800' (9 chars)
      doi => protected'10.1016/j.ecolmodel.2020.108956' (31 chars)
      uid => protected20100 (integer)
      _localizedUid => protected20100 (integer)modified
      _languageUid => protectedNULL
      _versionedUid => protected20100 (integer)modified
      pid => protected124 (integer)

From individual to joint species distribution models: a comparison of model complexity and predictive performance

Aim: Species distribution models (SDMs) are widely used to study geographic distributions of taxa in response to natural and anthropogenic environmental conditions. For a community, common approaches include fitting individual SDMs (iSDMs) to all taxa or directly modelling community properties such as richness. However, the parameters of iSDMs are difficult to identify for rare taxa, and community properties do not reveal taxon‐specific responses. Individual models can be combined into a hierarchical multispecies distribution model (mSDM) that constrains taxon‐specific parameters according to overarching community parameters, or a joint model (jSDM) in which interdependencies between taxa are jointly inferred. We compare how individual, hierarchical multispecies and joint SDMs differ in quality of fit, explanatory power and predictive performance, and analyse how these properties depend on the prevalence of taxa.
Taxa: Presence–absence observations of 245 benthic macroinvertebrate taxa identified at a mixed taxonomic resolution.
Location: Four hundred and ninety‐two sites in rivers throughout Switzerland.
Methods: Individual, hierarchical and joint hierarchical generalized linear models (GLM) were developed for all taxa. Parameters were estimated using maximum likelihood estimation or Bayesian inference with Hamiltonian Markov chain Monte Carlo simulations. Predictive performance was assessed with cross‐validation. In addition, the predicted family and species richness of the models was compared with a GLM for richness.
Results: Individual models show a slightly higher quality of fit largely due to overfitting for rare taxa. The mSDM achieves a similar quality of fit and explanatory power, mitigates overfitting for rare taxa and considerably improves predictive performance over the whole community. The joint models further improve the quality of fit, but decrease predictive performance and increase predictive uncertainty.
Main conclusions: We show that even a relatively simple mSDM combines many of the analytical capabilities of iSDMs and improves predictive performance. Increasingly complex mSDMs and jSDMs provide additional analytical possibilities, but depending on the data and research questions, different levels of complexity may be appropriate.
Caradima, B.; Schuwirth, N.; Reichert, P. (2019) From individual to joint species distribution models: a comparison of model complexity and predictive performance, Journal of Biogeography, 46(10), 2260-2274, doi:10.1111/jbi.13668, Institutional Repository

Integrating uncertain prior knowledge regarding ecological preferences into multi-species distribution models: effects of model complexity on predictive performance

Species distribution models (SDMs) are often criticised for lacking explicit linkage to ecological concepts. We aim to improve the ecological basis of SDMs by integrating prior knowledge about ecological preferences of organisms. Additionally, we aim to support a systematic, data-driven review of such prior knowledge by confronting it with independent monitoring data using Bayesian inference. We developed a series of multi-species distribution models (MSDMs) with increasing complexity to predict the probability of occurrence of taxa at sampling sites based on habitat suitability functions that are parameterized with prior ecological knowledge. We subsequently assessed the models` predictive performance with 3-fold cross-validation. So far, if ecological preferences or functional traits have been used in SDMs, they were mainly used as fixed inputs without considering their uncertainty. We take the additional step of considering uncertainty about preference parameters by including them as uncertain prior information that is subsequently updated with Bayesian inference. We apply the series of models in a case study on macroinvertebrates in Swiss streams. We analyse differences in the quality of fit, changes in predictive performance, and the potential to learn about the parameters from the data. We consider ecological preferences for natural and human modified environmental factors including temperature, flow velocity, organic matter concentration, insecticide pollution, and substratum. Results indicate that updating prior knowledge on ecological preferences with Bayesian inference, rather than using it as fixed input, improves model fit and predictive performance. For example, the predictive performance measured by the deviance for validation data improves by 17 % and the explanatory power increases 3.8 times from a model that treats ecological preferences as fixed scores to a model that treats them as uncertain parameters. The spatial distribution of many taxa, including rare taxa with frequencies of occurrence down to about 5 %, which are difficult to model with SDMs that do not consider prior information, can be captured by the new models. Integrating prior knowledge as uncertain parameters in a Bayesian framework establishes ecological interpretable links between taxa and their environment and supports a systematic revision and complementation of databases on ecological preferences, even in case of poor or missing prior knowledge. Model outputs need to be carefully interpreted by modellers and experts on ecological preferences. Increased exchange between these research fields will benefit further integration of ecological preferences into SDMs.
Vermeiren, P.; Reichert, P.; Schuwirth, N. (2020) Integrating uncertain prior knowledge regarding ecological preferences into multi-species distribution models: effects of model complexity on predictive performance, Ecological Modelling, 420, 108956 (15 pp.), doi:10.1016/j.ecolmodel.2020.108956, Institutional Repository

Finanzierung

Die Modell-Studien wurden vom Bundesamt für Umwelt (BAFU) und dem EU Horizon 2020-Programme (Projekt Aquacross, Grant agreement No. 642317) mitfinanziert.

Links

  • Socialmedia Buttons aktivieren
    Durch das Aktivieren der Socialmedia Buttons ist es möglich, dass Daten an die Netzwerke übermittelt werden.