Utbredning och förekomst av alger på hårdbottenmiljöer i Göteborgs skärgård. Miljöförvaltningen R 2012:2. ISBN nr:

Transkript

1 ISBN nr: R 2012:2 Utbredning och förekomst av alger på hårdbottenmiljöer i Göteborgs skärgård Miljöförvaltningen Karl Johansgatan 23, Göteborg Tel vx: Epost: miljoforvaltningen@miljo.goteborg.se

2 VI SKALL STRÄVA EFTER STÄNDIGA FÖRBÄTTRINGAR! För att bli trovärdiga i vår roll som tillsynsmyndighet måste vi visa att vi ställer krav på oss själva. Genom att skaffa oss egen erfarenhet av miljöledning blir vi en bättre samarbetspartner till företag, organisationer och enskilda i deras miljöarbete. Miljöpolicy Miljöförvaltningen arbetar på uppdrag av Miljönämnden för att nå visionen om den långsiktigt hållbara utvecklingen av staden. För att vi ska bli framgångsrika är det viktigt att vi i alla situationer uppfattas som goda förebilder. Vår egen påverkan Vi ska när vi utför vårt arbete vara medvetna om vår egen miljöpåverkan. Denna påverkan uppkommer som följd av innehållet i de tjänster vi producerar och hur vi till exempel utnyttjar våra lokaler, reser i tjänsten och gör våra inköp. Ständiga förbättringar Vi ska arbeta för att åstadkomma ständiga förbättringar när det gäller vårt miljöarbete. Detta innefattar både direkt som indirekt påverkan. Bli ledande Vi ska med vår egen miljöanpassning ligga över de krav vi som tillsynsmyndighet ställer på andra. Detta innebär att vi med god marginal följer de lagar och andra bestämmelser som gäller för vår verksamhet samt att vi med detta åtar oss att bedriva ett förebyggande miljöarbete. Samarbete med andra Vi ska ständigt arbeta med att utveckla miljöarbetet genom samarbete och utbyte med andra aktörer. Vi själva som resurs Vi ska nå goda resultat i miljöarbetet genom kunnig och engagerad personal som ansvarsfullt och med helhetsperspektiv tar aktiv del i arbetet. Förvaltningen satsar kontinuerligt på utbildning och information för att alla anställda ska kunna ta ansvar i enlighet med budget och interna miljömål.

3 Förord Denna rapport sammanfattar resultatet av en modellering av sannolik utbredning av krontaksbildande alger i Göteborgs skärgård. Modelleringen baseras på data från en inventering Krontaksbildande alger är stora fleråriga alger som med sitt buskartade växtsätt utgör värdefulla miljöer på klippbottnar där deras grenade uppbyggnad ger växtplats åt många organismer. De krontaksbildande algerna tjänstgör även som uppväxt- och födosöksplats för många fiskar och andra marina arter. Utöver detta är de viktiga primärproducenter som framförallt i grunda områden tar upp delar av den näring som släpps ut i havet via landavrinning. På grund av de krontaksbildande algernas förhållandevis långsamma tillväxt har de svårt att konkurrera med snabbväxande alger vid till exempel ökad näringstillförsel, och de riskerar därför att minska i utbredning. På grund av såväl potentiella hot mot algerna som deras grundläggande roll i den marina miljön är det viktigt att undersöka deras förekomst. Arbetet har utförts av Docent Mats Lindegarth och Per Bergström, som ett samarbete mellan Havsmiljöinstitutet och Institutionen för Marin Ekologi vid Göteborgs Universitet Göteborg

4 Innehållsförteckning Sid 1 Sammanfattning Bakgrund Metoder Resultat Slutsatser Referenser

5 Sammanfattning För att öka kunskapen om utbredningen av makroskopiska alger, främst krontaksbildande arter av tång och kelp, utfördes en inventering i Göteborgs skärgård under Mätningarna planerades delvis i samråd med Havsmiljöinsititutet och utfördes av en kontrakterad konsult. I denna rapport används insamlade data tillsammans med statistiska modeller för att skatta total förekomst och areal av viktiga arter och grupper i området, samt för att producera kartor som beskriver deras utbredning. Mätningarna utfördes på områden som är hårdbottenklassade enligt SGU s kartor. Mätningarna visade att dessa kartor hade en träffsäkerhet på cirka 70%, det vill säga av de områden som klassats som hårdbotten var 30% faktiskt olika typer av mobila substrat (grus, sand eller mjukbotten). Medeltäckning och areal skattades både med och utan hjälp av modeller. Totalt täcktes ungefär 50% av den provtagna ytan (2200 ha) av alger. Merparten av detta var rödalger ( 40% täckningsgrad) eller brunalger ( 10% täckningsgrad). Den vanligaste arten var skräppetare, som täckte 6% av området, följt av kelp (Laminaria sp.), sågtång och ektång (1-2% vardera). Modeller anpassades för förekomst respektive täckningsgrad av viktiga algarter och grupper. Modellerna förklarade en viss del av variationen, sambanden var statistiskt signifikanta, men ofta var de inte tillräckligt säkra för att på ett bra sätt förutsäga täthet eller förekomst på enskilda lokaler. Viktigaste miljöfaktorerna var djup och exponeringsgrad. Kvaliteten på data för miljöfaktorer påverkar modellernas förklaringsvärde. I allmänhet ökade precisionen med 20 65% när uppmätta värden på djup och substrat användes istället för data från sjökort och substratkartor. Modeller med rimlig träffsäkerhet användes för att producera kartor som finns tillgängliga i GIS-format. Sammanfattningsvis utgör mätningarna en objektiv representativ ögonblicksbild av utbredningen av alger i området och ett användbart material för framtida uppföljning. Kartmaterialet utgör ett potentiellt värdefullt material inom den framtida planeringen, men på grund av modellernas begränsade förklaringsgrad bör de användas med viss försiktighet. Sammantaget utgör undersökningarna och modellerna ett exempel på hur områden såsom dessa kan inventeras på ett kostnadseffektivt sätt. 3

6 Bakgrund Under 2010 kontaktades Havsmiljöinstitutets enhet vid Göteborgs Universitet för konsultation om provtagning och analys av krontaksbildande (eng. canopy ) alger i Göteborgs skärgård (Fig. 1). Provtagningen genomfördes av Marin miljöanalys AB och rapporterades under Krontaksbildande alger är viktiga för att de bildar tredimensionella strukturer som är viktiga för områdenas funktion (till exempel produktion av algbiomassa och lekområden för fisk) och diversitet. Frisk algvegetation är också något som allmänheten kan relatera till och som utgör en viktig del i hur vi uppfattar miljötillståndet som individer. Algvegetation kan också utgöra viktiga indikatorer i en rad olika policysammanhang (till exempel EU:s vattendirektiv, Fig. 1. Karta över det aktuella området, provtaget område och provpunkter (vardera med 5 bilder) 4

7 Marina direktivet och Art- och habitatdirektivet). Farhågor finns för att dessa miljöer har förändrats under de senaste årtiondena. Detta beror troligen på flera olika saker, bland annat eutrofieringen som lett till ökad primärproduktion i ytvattnet, med minskat siktdjup och minskade arealer gynnsamma för tillväxt av bottenlevande alger som följd. Oavsett orsak är mer kunskap om algernas utbredning mycket viktig för framtiden. Provtagningarna utfördes med stillbildskamera på så sätt att de ska fungera som ett uppföljningsbart underlag. Detta underlag ska användas för att skatta mängd och utbredning av krontaksbildande brunalger och andra viktiga grupper av alger inom vissa djup (0-20 m) och bottenkriterier (hårdbotten). Samtidigt ska de kunna användas för att på bästa sätt kartlägga förekomsten av alger, med hjälp av så kallad habitatmodellering. Denna rapport redovisar resultat från analyser av täckningsgrad och förekomst av de viktigaste grupperna av alger som hittades i undersökningen. I och med att provtagningarna gjorts på ett representativt och objektivt sätt och med en metod som medger att många provtagningslokaler kunnat besökas har analyserna medgivit: Test av underlagskartornas tillförlitlighet Skattning av total täckning, areal och förekomst av olika alggrupper direkt från mätningarna Skattning av total täckning, areal och förekomst av olika alggrupper med hjälp av habitatmodeller Produktion av heltäckande kartmaterial ( shape -filer att använda i GIS) över förekomst av alggrupper inom det djupintervall och den bottentyp som provtagningen representerar Arbetet har utförts av Docent Mats Lindegarth och Per Bergström, som ett samarbete mellan Havsmiljöinstitutet och Institutionen för Marin Ekologi vid Göteborgs Universitet. Metoder Provtagning Provtagning har skett inom Göteborgs skärgård och kustvatten inom vattenförekomsterna: Rivö fjord, Dana fjord, Asperöfjorden, Askims fjord, Styrsö - Vrångöområdet, Brännö Styrsöområdet samt Göteborgs södra skärgårds kustvatten. För att skatta täckningsgrad och förekomst av makroskopiska alger på hårdbottnar i Göteborgs skärgård togs prover under september Totalt provtogs 121 lokaler ( transekt, 50 x 50 m) med 5 bilder (0.5 x 0.5 m) på varje lokal (totalt 605 bilder). Proverna togs med en stillbildskamera monterad på en ram (Miljöförvaltningen Göteborg 2010). Planen var att ta prover på djup 5

8 mellan 0-20 m och endast i områden som enligt Sveriges Geologiska Undersöknings (SGU s) kartor skall bestå av hårdbottnar (SGU, 2003). Det visade sig dock att både sjökort och geologiska kartor inte var fullständigt korrekta varför prover i praktiken även togs på djup mellan m och ibland på olika typer av mobila substrat. En annan komplikation som framkom var att prover togs företrädesvis på ytor med måttlig lutning. Detta kan innebära att arter som förekommer främst på branta ytor underskattats i undersökningen och att resultaten får tolkas med viss försiktighet. Bildanalys Bilderna analyserades i laboratoriet med avseende på täckningsgrad av substrat och alger genom att ett regelbundet rutnät bestående av 100 skärningspunkter placerades på datorskärmen. Under varje skärningspunkt bestämdes vilken algart (eller närmast högre grupp) och vilket substrat som fanns. De möjliga substratklasserna bestämdes på förhand till häll, block, sten, grus, sand, mjukbotten eller skalgrus (övrigt). Metodiken följde den som utvecklades för inventeringarna på utsjöbankarna under (Naturvårdsverket, in. press). Data rapporterades enligt nationella standarder med hjälp av applikationen MarTrans (Blomqvist 2007). Skattning av total täckningsgrad i området På grund av att provtagningen planerats så att ett representativt (slumpmässigt) stickprov tagits från det aktuella målområdet, hårdbottnar mellan 0-30 m, kan proverna användas för att få en direkt skattning av medelvärde (inklusive osäkerhet) av täckningsgrad och förekomst av makrovegetation och substrat inom området. Detta kan åstadkommas med hjälp av standardmetoder för beräkning av konfidensintervall enligt: µ = X ± s2 N * t α,df. Det sanna (okända) medelvärdet, µ, kan alltså beräknas med hjälp av det skattade medelvärdet, X, variansen, s 2 och det kritiska värdet på statistikan t. Statistikan t varierar med antalet stickprov och med vilken säkerhet man vill ha, men vid stora stickprov och med den konventionellt använda säkerheten α=0.05 (95% konfidensintervall) är t 0.05, Konfidensintervallet är det intervall inom vilket vi med 95% säkerhet kan säga att det sanna medelvärdet ligger. Exempelvis om ett 95% konfidensintervall på 10±2% täckningsgrad beräknas, innebär detta att det sanna medelvärdet ligger mellan 8 och 12% täckningsgrad (sannolikheten att det ligger utanför detta intervall går inte att helt eliminera men i detta fall vet vi att det finns 5% risk att det sanna värdet är lägre eller högre än det beräknade intervallet). Innevarande undersökning var strukturerad så att det fanns fem bilder inom varje lokal. Detta innebär att den skattade variansen bestod av två olika variansbidrag och osäkerheten beräknades som: 6

9 µ = X ± s 2 2 e + ns lokal * t an α,a(n 1), där s 2 e och s 2 lokal är variansen mellan prover inom och mellan lokaler, a och n är antalet lokaler och antalet prover per lokal. Ovanstående formel användes för att skatta medeltäckningsgraden av olika typer av alger. För att översätta detta i total utbredning av alger krävs kunskap om hur stort område inom vilket dessa data är representativa. Genom beräkningar i geografiskt informationssystem (GIS; programmet ArcGis 9.2) bestämdes den totala arean av det aktuella området till m 2 (det vill säga ha). Av denna yta var det m 2 (det vill säga 4522 ha) som motsvarade de uppsatta kriterierna på hårdbotten enligt SGU och djup mellan 0-30 m (se Fig. 1). Den totala ytan inklusive osäkerheter av olika typer av alger inom de definierade kriterierna beräknas alltså som: Yta mätt (ha) = 4522* X ± s 2 2 e + ns lokal an * t α,a(n 1). Kartläggning av förekomst med modeller För att få en bättre skattning av den totala täckningen av alger och en mer detaljerad bild av var algerna finns och hur mycket det finns, gjordes så kallad habitatmodelleringar. Dessa bygger på att man med hjälp av en statistisk metod mäter samband mellan alger och olika fysiska variabler i de punkter som man har biologiska prover (Fig. 2). Sedan använder man dessa samband för att förutsäga algernas täckning på platser där man inte tagit prover. För att kunna projicera modellens förutsägelser över hela området (och att därmed fylla ut kartan) måste de fysiska variablerna alltså finnas tillgängliga i heltäckande skikt. På senare år har sådana data blivit allt mer tillgängliga när det gäller exempelvis djup, exponering och substrat. I denna studie användes data på djup (uppmätt i fält för modellering och sjökortsinformation från digitala sjökort, skärgårdskort 931), bottenlutning (från digitala sjökort) exponering (data på exponering från Naturvårdsverket (2006) djupkorrigerad exponering (enligt Bekkby et al., 2008) och substrattyp enligt geologiska kartan (SGU 2003). För modellering och prediktion i GIS användes metoden Random Forest (Breiman, 2001). De gjordes i programmet r med hjälp av biblioteket randomforest (Liaw and Wiener, 2002). Även om det finns alternativa statistiska metoder så har Random forest visat sig vara en mycket flexibel och effektiv metod i olika sammanhang. Den är också mycket enkel att använda. 7

10 Fig. 2. Schematisk bild av principerna för habitatmodellering. 8

11 Modelleringen skedde i flera steg: 1. Data delades i tränings- (80% av data) och testset (20% av data). 2. Träningsdata användes för att finna ett samband (modell) mellan algerna och miljövariablerna. 3. Sambandet (modellen) användes för att förutsäga (prediktera) algförekomst i testdatasetet med hjälp av miljövariablerna. 4. Förutsägelserna jämfördes med de observerade algerna i testdatat. 5. Användbara modeller, det vill säga de som förklarade delar av variationen användes för att förutsäga förekomst i hela området. Eftersom projektionen skulle ske 25x25 m rutor, men data samlades in i 0.5 x 0.5 m rutor predikterades förekomsten av alger i fem punkter inom varje 25x25 m ruta. Det resulterande medelvärdet (av täckningsgrad eller sannolikhet för förekomst) användes som förutsägelse i den aktuella 25x25 m rutan. 6. För att undvika slumpeffekter av uppdelningen i steg 1, upprepades steg 1-5 trettio gånger och för beräkning av modellernas effektivitet och total täckningsgrad av olika variabler. 7. Den slutliga kartläggningen skedde med modeller baserade på hela datamaterialet. Detta för att maximera modellens precision. Tabell 1. Förteckning över förekomst av observerad vegetation. Taxon Typ Förekomst (% av rutor) Brunalger totalt 38.6 Saccharina latissima Brunalg 24.7 Laminaria_sp Brunalg 7.5 Fucus serratus Brunalg 4.6 Halidrys siliquosa Brunalg 4.0 Phaeophyceae Brunalg 2.5 Chorda filum Brunalg 1.8 Dictyosiphon foeniculaceus Brunalg 0.3 Grönalger totalt 4.8 Chlorophyceae Grönalg 4.0 Cladophora Grönalg 0.8 Rödalger totalt 75.2 Polysiphonia Rödalg 42.9 Rhodophyceae Rödalg 29.8 Dilsea carnosa Rödalg 3.0 Furcellaria lumbricalis Rödalg 2.2 Odonthalia dentata Rödalg 1.8 Zostera marina Kärlväxt 2.6 Totalt alger 83.6 Total täckning

12 Resultat Observerade substrat Provtagningarna planerades så att de skulle ske på hårdbottnar (häll, block eller sten). För att hitta dessa områden användes SGU:s kartor. Resultaten visar att kartornas träffsäkerhet var cirka 70% (Fig. 3). Resterande bottnar utgjordes av ungefär lika delar av grus, sand och mjukbotten. Endast 1% var skalgrusbottnar. Fig. 3. Observerade täckningsgrader av substrat i provrutorna. Observerade alger Totalt sett observerades ett 15-tal arter eller högre taxa av alger. Vanligast var olika typer av rödalger som fanns i 75% av rutorna. Brunalgerna var den artrikaste gruppen och förekom i en cirka 40% av rutorna. De vanligaste arterna, och de som normalt betraktas som canopybildande, var skräppetare (Saccharina latissima, 25%), olika former av kelp (Laminaria sp., 7.5%) och sågtång (Fucus serratus, 4.6%). Grönalger observerades i cirka 5% av rutorna. Även den typiska mjukbottenarten ålgräs (Zostera marina) observerades i proverna. Areal av alger skattat från prover Den totala täckningen av alger i det undersökta området täcker 50±5% av området (Tabell 2). Detta utgör totalt en area på 2250 ha. Av dessa täcker rödalgerna 37±5% (1675 ha) och brunalgerna 11.5±2.6% (518 ha) (Fig. 4). 10

13 Tabell 2. Täckning och total areal av krontaksbildande arter och större alggrupper baserat enbart på mätningar i fält. KI = konfidensintervall Grupp Medel (%) Nedre KI (%) Övre KI (%) Yta (ha) Nedre (ha) Övre (ha) Saccharina latissima Laminaria sp Fucus serratus Halidrys siliquosa Brunalger Grönalger Rödalger Totalt alger Fig. 4. Uppskattade totala arealer av brunalger och större grupper inom den provtagna ytan skattade direkt med data respektive modellering. Modellering av täckningsgrad och förekomst De flesta av alggrupperna uppvisade statistiskt signifikanta samband mellan täckningsgrad och de fysiska variablerna som erhållits från kartmaterialet. Generellt sett resulterade modellerna av täckningsgrad dock i relativt svaga samband och deras prediktiva kraft var i allmänhet inte speciellt stor (Tabell 3). I ett fåtal fall förklarades 35% (r ) av variationen i det oberoende 11

14 testdatasetet och i dessa fall var det frågan om modeller för större grupper såsom total täckning, rödalger och grönalger. För brunalger som grupp och för de enskilda krontaksbildande arterna visade det sig svårt att förutsäga täckningsgrad med någon hög precision. Endast sågtång (Fucus serratus) visade tendenser till någon grad av förutsägbarhet. Precisionen av modellerna, mätt som medelavvikelse från modellen (rmse) var i allmänhet ±10-30 % täckningsgrad. Tabell 3. Resultat av modellering av %täckningsgrad för krontaksbildande brunalger och större alggrupper med observerade fysiska variabler respektive från kartmaterial. R2 är modellens förklaringsgrad (% variation förklarad) och rmse anger hur mycket en observation i medeltal avviker från modellen (enhet % täckning). Observerat sub- Substrat och % förändring strat och djup djup från kartor Grupp r 2 rmse r 2 rmse r 2 rmse Saccharina latissima Laminaria sp Fucus serratus Halidrys siliquosa Brunalger Grönalger Rödalger Totalt alger För att undersöka huruvida ett bättre kartunderlag när det gäller djup och substrat skulle kunna radikalt förbättra modellerna, modellerades de olika algarterna även med substrat och djup som observerades vid provtagningen. Dessa analyser visade att modellerna blev upp till 65% bättre med avseende på förklaringsgraden och upp till 20% bättre med avseende på avvikelserna. Även om detta innebar en viss förbättring antyder det att riktigt bra kartor över täckningsgrad blir svåra att åstadkomma med detta underlagsmaterial. Om något förefaller modellering av total täckning och av större grupper som det mest realistiska. Även om modellerna inte var så precisa när det gäller förutsägelser av enskilda platser, kan de statistiska sambanden användas för att förbättra skattningarna på den totala täckningen av alger (se avsnittet Total areal av alger skattat från modeller ). Modellerna av förekomst visade sig i allmänhet vara något starkare (Tabell 4). Åter igen var som förväntat modellerna med uppmätta djup och substrat oftast något bättre än de som baserats enbart på kartvariabler. Skillnaden mellan fysiska variabler observerade i fält och de som erhölls från kartor var upp till 20%. Trots detta uppvisade flertalet modeller en kvalitet som gör att kartläggning av förekomst är meningsfull (0.7 AUC 0.95). AUC är ett mått på hur bra modellen fungerar. En enkel tumregel är att AUC>0.8 indikerar bra kvalitet. 12

15 Tabell 4. Resultat av modellering av förekomst för krontaksbildande brunalger och större alggrupper med observerade fysiska variabler respektive från kartmaterial. Grupp Observerat sub- Substrat och % förändring strat och djup djup från kartor (AUC) (AUC) Saccharina latissima Laminaria sp Fucus serratus Halidrys siliquosa Brunalger Grönalger Rödalger Totalt alger Total areal av alger skattat från modeller Modellerna av täckningsgrad var som tidigare nämnts inte speciellt precisa i enskilda områden (Tabell 5). Trots detta användes de som ett komplement för att bestämma den totala täckningsgraden och arealen av olika alger i det modellerade området. Eftersom de tar hänsyn till miljöfaktorerna och eftersom de potentiellt kan kompensera för eventuell icke-representativitet med avseende på miljöfaktorerna kan man förvänta sig att de resulterande arealerna är något mer pålitliga och mindre osäkra. En jämförelse mellan täckning och utbredning beräknad från enbart proverna och med proverna i kombination med modeller visar att det är relativt små skillnader mellan arealskattningarna (Fig. 4). Endast grönalger, Laminaria sp. och Halidrys siliquosa avviker betydligt ( 100% större areal med modeller) och av dessa är skattningen för grönalger mycket osäker. I övrigt skiljer sig de två skattningarna med 10-20%. Det finns ingen tydlig tendens att den ena metoden ger överskattningar eller underskattningar i förhållande till den andra, däremot tenderar som förväntat de modellerade arealerna ha en mindre osäkerhet. I vissa fall hade osäkerheten reducerats med 60-70% tack vare modelleringen så att konfidensintervallet ofta var 5-10% av medelvärdet. 13

16 Tabell 5. Täckning och total areal av krontaksbildande arter och större alggrupper baserat på modellerade täckningsgrader. KI = konfidensintervall Grupp Medel (%) Nedre KI (%) Övre KI (%) Yta (ha) Nedre (ha) Övre (ha) Saccharina latissima Laminaria sp Fucus serratus Halidrys siliquosa Brunalger Grönalger Rödalger Totalt alger Modeller och kartor av krontaksbildande arter En målsättning med undersökningarna har varit att hitta tillförlitliga modeller över täckning och förekomst för krontaksbildande alger. Detta i syfte att använda dem för att göra utbredningskartor. Sådana modeller kräver att det finns starka, mätbara samband mellan omvärldsfaktorer och de aktuella arterna. Även om det fanns statistiskt säkerställda samband mellan täckningsgrad och miljöfaktorerna, visade det sig att dessa samband inte var tillräckligt starka för att göra precisa förutsägelser och kartor för enskilda arter (Tabell 3). Sambanden med förekomst av olika algarter var däremot starkare (Tabell 4) och kartor gjordes således endast för med avseende på förekomst. Det är viktigt att poängtera att de modeller som skapas utifrån insamlade data endast är giltiga i det område, inom de kriterier med avseende på djup och substrat, som provtagits ( provtaget habitat i figur 1). Detta gör att de resulterande kartorna ger ett relativt splittrat intryck. Dessutom tillåts inte några detaljerade mönster i en tryckt rapport som denna på grund av dålig upplösning. Bifogade kartor kan endast användas för att få en översiktlig bild över arternas fördelning. Däremot erbjuds full upplösning (25 x 25 m) i GIS-filerna. Skräppetare. Modellen för skräppetare, Saccharina latissima, var på gränsen till undermålig (Tabell 4) men eftersom det var den vanligaste arten och eftersom det trots allt fanns signifikanta samband med de fysiska variablerna visas kartan (Fig. 5). Kartan visar att vi skall förvänta oss att skräppetare är allmänt förekommande i hela området. Möjligen finns en liten tendens till sparsammare förekomst i de inre områdena. Om man studerar sambanden med de viktigaste miljövariablerna, djup och exponering (Fig. 6), finner vi att sannolikheten når ett maximum på 10 m och att den är låg på djup >17 m. Områden med mycket låg exponeringsgrad tenderar också att sakna skräppetare. 14

17 . Fig. 5. Karta över sannolikheten för förekomst av skräppetare, Saccharina latissima, per (0.25 m 2 ) i det aktuella området Sammanfattningsvis kan vi säga att även om inte modellerna är fullständigt tillförlitliga är skräppetare allmänt förekommande i hela området. Eftersom brant sluttande hårdbottnar, där denna art kan förväntas vara speciellt vanlig, inte provtagits i särskilt stor utsträckning på grund av provtagningsmetoden, kan vi förvänta oss att denna art är än mer dominant areamässigt. 15

18 Fig. 6. Samband mellan förekomst av skräppetare, Saccharina latissima, och djup respektiveexponering. Kelp. Modellen för kelp, Laminaria sp., var också svag (Tabell 4), men även här fanns signifikanta samband med de fysiska variablerna (Fig. 7). Bristen på förklaringsgrad hos modellen leder till att den resulterande kartan ger ett relativt homogent intryck med en generellt lägre sannolikhet än den som förutsades för skräppetare (Fig. 8). Sambanden med djup och exponering påminner om det för skräppetare men det finns en tendens till att den maximala sannolikheten återfinns något djupare än för föregående art. Vad gäller exponeringsgraden verkar Laminaria i större utsträckning utebli vid lägre exponering. Fig. 7. Samband mellan förekomst av kelp, Laminaria sp, och djup respektive exponering. 16

19 Fig. 8. Karta över sannolikheten för förekomst av kelp, Laminaria sp., per (0.25 m 2 ) det aktuella området. 17

20 Ektång. Modellen för ektång, Halidrys siliquosa, var den bästa av de undersökta arterna (Tabell 4). Kartbilden visar även här på en relativt jämn utbredning men närmare studier visar att det finns skarpa lokala gradienter som är relaterade till djup och exponering (Fig. 9). Den maximala sannolikheten för förekomst av ektång ligger runt 5-10 m och sambandet med exponeringsgrad karakteriseras av ett ganska snävt fönster där arten förekommer (Fig. 10). Fig. 9. Karta över sannolikheten för förekomst av ektång, Halidrys siliquosa, per (0.25 m 2 ) i det aktuella området. 18

21 Fig. 10. Samband mellan förekomst av ektång, Halidrys siliquosa, och djup respektive exponering. Sågtång. Modellen för sågtång, Fucus serratus, var i likhet med den föregående relativt bra (Tabell 4). Kartbilden antyder här att något högre sannolikhet kan förväntas i inre och mer skyddade områden (Fig. 11). Samtidigt finns som förväntat mycket småskalig variation som i viss mån kan förklaras av skillnader mellan djup (Fig. 12). Maximal förekomst förefaller återfinnas på 5-10 m djup. 19

22 Fig. 11. Karta över sannolikheten för förekomst av sågtång, Fucus serratus, per (0.25 m 2 ) i det aktuella området. 20

23 Fig. 12. Samband mellan förekomst av sågtång, Fucus serratus, och djup respektive exponering. Slutsatser Undersökningarna med videofilmning och stillbilder i Göteborgs skärgård har inneburit att vi nu har en omfattande bild över utbredningen av vegetation på hårda bottnar. Eftersom data är insamlade på ett representativt sätt, kan vi uppskatta den genomsnittliga täckningen och förekomsten och inte minst osäkerheten av dessa skattningar. Det senare är absolut nödvändigt för att data skall kunna ligga till grund för någon form av uppföljning och skattning av den totala utbredningen av olika arter. Arbetet med modellerna visade att det generellt fanns samband mellan miljövariablerna och täckningsgrad/förekomst, men att dessa samband ofta inte var tillräckligt starka för att ge tillförlitliga förutsägelser och därmed detaljerade kartor. Möjliga orsaker till detta diskuteras nedan men de begränsade framgångarna med modellerna understryker ytterligare behovet av en representativ provtagning som kan användas för att skatta täckning och förekomst med en känd osäkerhet. Bristen på förklaringsgrad hos modellerna kan i huvudsak förklaras på tre olika sätt: osäkerhet i mätningar av alger osäkerhet i mätning av miljöfaktorer osäkerhet på grund av modellerna och de miljövariabler som används är för svaga Mätningen av alger skedde med hjälp av stillbilder och skattningar på videoskärm. Tidigare erfarenheter från bland annat utsjöbanksinventeringar på västkusten, har visat att metoden kan användas för att skatta täckning av viktiga arter i en enskild bild på ett tillfredsställande sätt. Visserligen var antalet 21

24 återfunna arter något lägre än förväntat, men vår bedömning är att det är inte troligt att mätfel i bilderna är någon starkt bidragande orsak till brist på prediktiv kraft hos modellerna. Däremot kan det mycket väl tänkas att en enstaka bild på 0.25 m 2, inte ger en riktigt representativ bild av täckningsgraden i ett större område (till exempel 10 x 10 m eller 25 x 25 m rutor). Eftersom varje bild med nödvändighet behöver vara liten för att kunna ge nödvändig artupplösning, hade en lösning på detta problem varit att ett antal prover tagits i ett mindre område (till exempel 10 x 10 m). Så skedde i utsjöbanksundersökningen med gott resultat. I denna undersökning valde man att slumpa ut prover inom 50 x 50 m rutor vilket sannolikt gav större variation och inte på ett bra sätt motsvarade upplösningen i modellen (50 x 50 m bedömdes som för grovt för modellering). Således bedömer vi det som relativt sannolikt att osäkerhet i mätningarna, på grund av brist på replikat på liten skala, kan ha bidragit substantiellt till modellernas brist på precision. En annan källa till bristen på precisa förutsägelser är osäkerhet i data på miljövariabler. Exempelvis visade det sig att endast cirka 70% av de ytor som provtogs var hårdbotten som förväntat. Vidare kan vi naturligtvis även utgå ifrån att de djupangivelser som fås från sjökorten har ett visst mått av osäkerhet. Analyserna som innefattade observerade värden på substrat och djup (Tabell 3 och 4) ger en indikation på att det finns en viss förbättringspotential genom förbättrade underlag (upp till 20% förbättring). Slutligen är det naturligtvis sannolikt att bristen på prediktiv styrka hos modellerna i stor utsträckning orsakas av det faktum att de miljövariabler som används som prediktorer och de statistiska metoder som används fångar endast en del av den variation som finns i täckningsgrad och förekomst av algerna. Modeller är alltid grova förenklingar av verkligheten och så är fallet även med dessa empiriska modeller som baseras på data. Trots att djup, exponering och substrat är miljöfaktorer som är kända för att påverka förekomsten av alger, hade det naturligtvis varit önskvärt att ha tillgång till andra förklaringsvariabler, exempelvis salinitet eller siktdjup. För att dessa skall vara användbara till kartläggning krävs dock att heltäckande GIS-lager finns tillgängliga. Så var inte fallet här. Det är dock värt att notera att även om fler miljöfaktorer varit tillgängliga och även om andra statistiska tekniker använts skulle alltid ett visst mått av osäkerhet kvarstå. Även om empiriska samband ofta visat sig vara kraftfulla för att förutsäga utbredning av bland annat vegetation är naturen oändligt komplex med ett otal olika biologiska och fysiska processer som samverkar. Något som trots allt talar för att de fåtal enkla utvalda faktorerna fångar viktiga samband är det faktum att modellerna för övergripande variabler såsom total täckning och rödalger var förhållandevis bra i relation till de enskilda arterna. Eftersom dessa grupper i allmänhet kan antas ha mindre specifika miljökrav än enskilda arter tyder detta på att modellens detaljeringsgrad inte är det primära problemet utan snarare att osäkerheten i mätningarna är viktigare. 22

25 En sista reflektion angående modellernas prediktiva kraft och den relativa bristen på detaljeringsgrad hos kartorna är att valet att begränsa provtagningen till de områden som karakteriseras som hårdbotten enligt SGU s kartor kan ifrågasättas. Det första skälet är att det fanns en relativt stor felmarignal när det gäller kartornas träffsäkerhet (70%). Inom de kriterier som provtagits utgör detta inget avgörande problem, de skattningar av utbredning och arealer som erhölls från data och modeller är fortfarande giltiga. Problemet är dock större i de områden som inte ingick i urvalet när proverna placerades ut. Detta på grund av att det med stor sannolikhet finns hårdbottnar och alger även i de områden som ej provtogs. Detta innebär att utbredningen och arealen av alger som beräknats i studien sannolikt är underskattat. Slutligen innebar begränsningen till SGU s hårdbottnar att kontrasten mellan områden med täta respektive glesa bestånd blev mindre framträdande och de resulterande kartorna mer fragmentariska. Detta är delvis ett estetiskt problem men inte trivialt eftersom kartornas styrka ofta ligger i den pedagogiska kraften hos tydliga kartbilder. Icke desto mindre bedömer vi att undersökningarna i huvudsak är planerade och utförda på ett genomtänkt sätt och förväntar oss att resultaten kommer att vara användbara i arbetet med att planera, skydda och följa upp vegetation och hållbart nyttjande i det aktuella skärgårdsområdet. 23

26 Referenser Bekkby, T., Isachsen, P.E., Isæus, M. och Bakkestuen, V GIS Modelling of Wave Exposure at the Seabed: A Depth-attenuated Wave Exposure Model. Marine Geodesy 31: 1-11 Blomqvist, M. (2007) Transektinventering av marina bottnar. Manual för inmatningsapplikationen MarTrans. Version Hafok AB Breiman (2001) Random forests Machine Learning 45:5-32 Liaw and Wiener (2002) Classification and regression by randomforest. Miljöförvaltningen Göteborg (2010) Marin flora på hårdbotten: en inventering i Göteborg ISBN nr: , R 2011:6 Naturvårdsverket (2006) Sammanställning och Analys av Kustnära Undervattenmiljö (SAKU). Rapport 5591 Naturvårdsverket (in press). Kvantitativa undersökningar av bottenlevande djur och växter samt naturtyper på västkustens utsjöbankar. Kompletterande rapportering juli 2011 SGU (2003) Förekomst och utredning av sandbankar, berg och hårdbottnar inom svenskt territorialvatten och svensk ekonomisk zon (EEZ). Rapport 2003:1. 24

27 Publikationer utgivna av Göteborgs Miljöförvaltning Rapporter (ISSN ): R 2012:1 Årsrapport 2011 R 2012:2 Utbredning och förekomst av alger på hårdbottenmiljöer i Göteborgs skärgård R 2011:1 Årsrapport 2010 R 2011:2 Kunskapen om Reach hos nedströmsanvändare av kemikalier. Tillsynsprojekt i samarbete mellan Malmö, Göteborg och Stockholm R 2011:3 Metaller i vattendrag 2011 R 2011:4 Inventering av hasselmus Muscardinus avellanarius i Göteborgs kommun 2010 R 2011:5 Fjärilsprojekt 2010 Fjärilar i undervisning och naturvård R 2011:6 Marin flora på hårdbotten en inventering i Göteborg 2010 R 2011:7 Metaller i vallgravsfisk R 2011:8 REACH och kunskap om kemikalier i textila varor i handeln. Ett delprojekt inom Giftfritt Göteborg R 2011:9 Förstudie om hårfärgningsmedel i hårvårdssalonger. Ett delprojekt inom Giftfritt Göteborg R 2011:10 Årsrapport Luftkvalitén i göteborgsområdet 2010 R 2011:11 Tillsyn av fastighetsägare i Bergsjön R 2011:12 Kemikalier i varor tillsyn hos sko- och möbelhandel. Tillsynsprojekt i samarbete mellan Malmö, Göteborg och Stockholm R 2011:13 Kemikalier i byggvaror - tillsyn hos återförsäljare. Tillsynsprojekt i samarbete mellan Malmö, Göteborg och Stockholm R 2011:14 Miljörapport En beskrivning av miljötillståndet i Göteborg R 2011:15 Kontroll av kosttillskott 2010 R 2011:16 Nyckeltal för klimatpåverkan från tallrikssvinn R 2011:17 Strategi för energieffektivisering i Göteborgs Stad till 2014 och 2020 R 2010:1 Årsrapport R 2010:2 Bottenfauna - En undersökning av limnisk bottenfauna i Göteborgs kommun 2009 R 2010:3 Metaller i vattendrag 2009 R 2010:4 Ålgräs och grundbottenfauna - tre undersökningar i Göteborg 2009 R 2010:5 Giftfritt Göteborg. Uppföljning av delprojekt och aktiviteter R 2010:6 Årsrapport Luftföroreningar Mätningar i Göteborgsområdet. R 2010:7 Budget 2010 R 2010:8 Påverkan genom dialog -en utvärdering av dialogprojektet om textilier. Ett delprojekt inom Giftfritt Göteborg R 2010:9 Livsmedelskontroll i förskolor R 2010:10 Miljörapport En beskrivning av miljötillståndet i Göteborg R 2010:11 Fiskprojekt 2009 R 2010:12 Släng mindre mat - vinst för miljö och ekonomi. 11 stadsdelars arbete för att minska matsvinnet R 2010:13 Bilavfettning - dags att välja grönt. Ett delprojekt inom Giftfritt Göteborg

28