Predikční mapy pro druh javor jasanolistý (Acer negundo)

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00100595%3A_____%2F24%3AN0000012" target="_blank" >RIV/00100595:_____/24:N0000012 - isvavai.cz</a>

Výsledek na webu

<a href="https://cszma.cz/Javor%20jasanolist%C3%BD%20(Acer%20negundo)/Javor%20jasanolist%C3%BD%20metodika%20Nimap.pdf" target="_blank" >https://cszma.cz/Javor%20jasanolist%C3%BD%20(Acer%20negundo)/Javor%20jasanolist%C3%BD%20metodika%20Nimap.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Predikční mapy pro druh javor jasanolistý (Acer negundo)

Popis výsledku v původním jazyce

Nepůvodní a invazní druhy rostlin jsou společníky lidského druhu již tisíce let, avšak v poslední době se tato problematika stává čím dál více ožehavou. V dnešní době, kdy se cestuje po celém světě, je totiž stále běžnější, že rostliny, které by samy nepřekročily geografické a jiné bariéry, obsazují nová nepůvodní území. Tento jev nešetří ani střední Evropu, kde můžeme v přírodě nalézt stovky nepůvodních druhů rostlin, z nichž se některé chovají invazivně. Tento projekt si klade za cíl pomocí vytvořených map predikovat interakci prostředí a invazních rostlin jako dynamického celku, který se vyvíjí v prostoru a čase za pomocí tzv. predikčních modelů. Pro vytvoření modelů byly zvoleny metody využívající umělou inteligenci a strojové učení (machine learning), které se zabývají využitím algoritmů a technik umožňujících počítačovému systému se učit. Využitý algoritmus Maxent je právě takovou metodou strojového učení (Phillips & Dudík, 2008), která vypočítává na základě vstupních dat určité hodnoty pro každý pixel studované oblasti. Tyto hodnoty (pravděpodobnosti) jsou škálovány na stupnici od 0 do 1 a reprezentují index relativní vhodnosti (Anderson & Gonzales, 2011), což znamená, že identifikují oblasti podobné těm, kde se druh již vyskytuje (Pearson a kol., 2007), v našem případě oblasti výskytu studovaného druhu.

Název v anglickém jazyce

Predikční mapy pro druh javor jasanolistý (Acer negundo)

Popis výsledku anglicky

Nepůvodní a invazní druhy rostlin jsou společníky lidského druhu již tisíce let, avšak v poslední době se tato problematika stává čím dál více ožehavou. V dnešní době, kdy se cestuje po celém světě, je totiž stále běžnější, že rostliny, které by samy nepřekročily geografické a jiné bariéry, obsazují nová nepůvodní území. Tento jev nešetří ani střední Evropu, kde můžeme v přírodě nalézt stovky nepůvodních druhů rostlin, z nichž se některé chovají invazivně. Tento projekt si klade za cíl pomocí vytvořených map predikovat interakci prostředí a invazních rostlin jako dynamického celku, který se vyvíjí v prostoru a čase za pomocí tzv. predikčních modelů. Pro vytvoření modelů byly zvoleny metody využívající umělou inteligenci a strojové učení (machine learning), které se zabývají využitím algoritmů a technik umožňujících počítačovému systému se učit. Využitý algoritmus Maxent je právě takovou metodou strojového učení (Phillips & Dudík, 2008), která vypočítává na základě vstupních dat určité hodnoty pro každý pixel studované oblasti. Tyto hodnoty (pravděpodobnosti) jsou škálovány na stupnici od 0 do 1 a reprezentují index relativní vhodnosti (Anderson & Gonzales, 2011), což znamená, že identifikují oblasti podobné těm, kde se druh již vyskytuje (Pearson a kol., 2007), v našem případě oblasti výskytu studovaného druhu.

Druh

N_map - Specializovaná mapa s odborným obsahem

CEP obor

—

OECD FORD obor

10611 - Plant sciences, botany

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Interní identifikační kód produktu

Acer negundo

Číslo předpisu

MK 89082/2024 OVV

Technické parametry

Vstupní data: Klimatické vrstvy CHELSA s rozlišením 30 arc-second (~1 km²). Použité modely: Např. MaxEnt. Výstupní formát: Rastrové soubory (.asc) Rozlišení a přesnost: 30 arc-second (~1 km²), predikční pravděpodobnost výskytu v rozmezí 0–1.

Ekonomické parametry

Snížení nákladů na řešení škod způsobených invazními rostlinami díky preventivním opatřením využívajícím predikční mapy.

Označení certifikačního orgánu

—

Datum certifikace

—

Způsoby využití výsledku

C - Výsledek je využíván bez omezení okruhu uživatelů