bede-fazekas Ákos melegigényes díszfák telepíthetőségi területének előrejelzése a 21....

Budapesti Corvinus Egyetem Tájépítészeti Kar Kert- és Szabadtértervezési Tanszék

Melegigényes díszfák telepíthetőségi területének előrejelzése a 21. századra

Belső konzulens: Dr. Gerzson László Külső konzulens: Dr. Horváth Levente Bíráló: Tanszékvezető: Mezősné Dr. Szilágyi Kinga Bede-Fazekas Ákos kert- és szabadtértervezési szakirány 2012

– Tartalom –

2

1 TARTALOM

1 Tartalom ..................................................................................................................... 2

2 Bevezetés és célkitűzés ............................................................................................... 4 2.1 Témaválasztás indoklása. Bevezetés..................................................................... 4 2.2 Célkitűzés .............................................................................................................. 5

3 Irodalmi áttekintés ..................................................................................................... 6 3.1 A globális klímaváltozás hazai vonatkozásai........................................................ 6

3.1.1 A globális klímaváltozás és modellezési lehetőségei .................................. 6 3.1.2 Regionális klímamodellek eredményei ........................................................ 9

3.2 Klímaváltozás és tájépítészet. Az alkalmazkodás tájépítészeti eszközei ............ 12 3.2.1 A tájépítészet és klímaváltozás kétirányú kapcsolata ............................... 12 3.2.2 Alkalmazkodás szabadtér-építészeti eszközei ........................................... 13 3.2.3 Növényalkalmazás újragondolása ............................................................ 15

3.3 Elterjedési területek változása a klímaváltozás tükrében .................................... 15 3.4 Telepíthetőségiterület-modellezés módszertani lehetőségei ............................... 19

3.4.1 Elterjedési terület és telepíthetőségi terület .............................................. 19 3.4.2 Modellezési lehetőségek ............................................................................ 19

3.5 A Moesz-vonal tájépítészeti és botanikai jelentősége......................................... 22

4 Kutatási módszer ...................................................................................................... 25

4.1 Kutatás rövid összefoglalása ............................................................................... 25 4.2 Vizsgálatba vont fajok ........................................................................................ 26 4.3 A telepíthetőségi területek modellezésének módszere........................................ 32

4.3.1 A modellezés elvi megközelítése ............................................................... 32 4.3.2 Klímaadatsor és elterjedési területek betöltése ........................................ 34 4.3.3 Növények igényeinek szűrése az elterjedési terület alapján ..................... 37 4.3.4 Telepíthetőségi terület modellezés a növények igénye alapján ................ 38 4.3.5 Rétegek kezelése és térképlapok létrehozása ............................................ 40

4.4 Az éghajlati igények szűrése ............................................................................... 40 4.4.1 Éghajlati igények és az elterjedési területen előforduló klimatikus értékek40 4.4.2 Ariditási indexek ....................................................................................... 42 4.4.3 Szubjektív paraméterválasztás .................................................................. 44 4.4.4 Összes paraméter egyidejű alkalmazása .................................................. 47

4.5 Moesz-vonal modellezési lehetőségei ................................................................. 48 4.5.1 Modellezési lehetőségek összehasonlítása ................................................ 48 4.5.2 Elterjedésmodellezés módszere ................................................................. 49 4.5.3 Vonalmodellezés módszere ....................................................................... 50 4.5.4 Izotermamodellezés módszere ................................................................... 50

– Tartalom –

3

5 Eredmények .............................................................................................................. 52 5.1 Módszertani eredmények a telepíthetőségiterület-modellezés vonatkozásában. Módszertani problémák és fejlesztési lehetőségek .................................................... 52

5.1.1 Ariditási indexek és az összes paraméter egyidejű alkalmazása .............. 52 5.1.2 Szubjektív paraméterválasztás és alkalmazásának elvi problémái ........... 54 5.1.3 Statisztikai módszerek alkalmazási lehetőségei ........................................ 56 5.1.4 Mesterséges intelligencia módszereinek alkalmazási lehetőségei ............ 58 5.1.5 Egyéb módszertani fejlesztési lehetőségek ................................................ 61 5.1.6 A kutatási módszer alkalmazásának további lehetőségei ......................... 64

5.2 Módszertani eredmények a Moesz-vonal modellezése vonatkozásában ............ 65 5.2.1 Elterjedésmodellezés módszere ................................................................. 65 5.2.2 Vonalmodellezés módszere ....................................................................... 66 5.2.3 Izotermamodellezés módszere ................................................................... 66 5.2.4 A modellezési módszerek összehasonlító értékelése ................................. 67

5.3 Modellezési eredmények és értékelésük ............................................................. 68 5.3.1 Telepíthetőségi területek ........................................................................... 68 5.3.2 Moesz-vonal .............................................................................................. 76

6 Következtetések ........................................................................................................ 85

6.1 Az eredmények tájépítészeti vonatkozásai ......................................................... 85 6.2 Az eredmények kertészeti és dendrológiai vonatkozásai .................................... 86 6.3 Az eredmények botanikai, erdészeti és természetvédelmi vonatkozásai ............ 87

7 Összegzés ................................................................................................................... 89

8 Köszönetnyilvánítás ................................................................................................. 90

9 Felhasznált források ................................................................................................ 91 9.1 Felhasznált nyomtatott és elektronikus irodalom................................................ 91 9.2 Szóbeli közlések .................................................................................................. 96

10 Mellékletek ................................................................................................................ 97

I. Éghajlati igények adattáblája: önálló modellezés ............................................... 97 II. Éghajlati igények adattáblája: Moesz-vonalhoz tartozó fajok .......................... 103 III. Az előzetes kutatás térképes eredményei .......................................................... 106 IV. A szubjektív paraméterválasztás különböző módszerei az Abies borisii-regis példáján .................................................................................................................... 109 V. Önálló telepíthetőségiterület-modellezés térképes eredményei ........................ 111 VI. Az elterjedésmodellezés térképes eredményei: kulcsfajok ............................... 117 VII. Az elterjedésmodellezés térképes eredményei: kapcsolt fajok ......................... 120

– Bevezetés és célkitűzés –

4

2 BEVEZETÉS ÉS CÉLKITŰZÉS

2.1 Témaválasztás indoklása. Bevezetés

A regionális éghajlat-változási modellek eredményei1 szerint a kárpát-medencei

éghajlat olyan mértékben fog melegedni és szárazodni, melyre feltétlenül fel kell

készülnünk a jelenlegi növényalkalmazás újragondolásával. A fás szárú fajok, főként

pedig a fák forgalomba hozatalához és a telepítés utáni kifejlődéséhez hosszú idő

szükséges, így a tájépítészeti dendrológiától és dísznövény-alkalmazástól mint

tudományterülettől több évtizedes előretekintés követelhető meg. Egyszerűbben szólva:

már ma meg kell ismernünk a 20-50 év múlva várható klímáját egy adott területnek, ha

oda fákat kívánunk tervezni, hogy a jövőbeli éghajlati körülményeknek megfelelő

taxont kiválaszthassuk. Fontos ezért számba venni azokat a fás fajokat, melyek a

következő évtizedekben hazánkban megtalálják a környezeti igényeiknek megfelelő

klímát. Botanikus kertek és arborétumok index plantarumai alapján korábban e témát

áttekintettem és szakdolgozat formájában összefoglaltam (BEDE-FAZEKAS 2009), így

a korábbi kutatás eredményeit jelen dolgozatban kiindulópontként használom.

Az összegyűjtött melegigényes taxonok telepíthetőségére garanciát csak

tudományosan megalapozott térinformatikai modellezéssel adhatunk. Ezért

szükségesnek találtam regionális klímamodellek alapján térinformatikai szoftver

segítségével néhány mediterrán fás fajra elvégezni a modellezést és annak módszertani

hátterét kidolgozni. Jelen dolgozat e modellezések összefoglalását adja.

1 Napjainkban számos tény, tévhit és legenda kering a klímaváltozásról, melyek között nem célom, és nincs is lehetőségem eligazítást adni. Jelen dolgozat azonban, témájából fakadóan, szükségszerűen állást kell, hogy foglaljon valamelyik oldal mellett. Véleményem szerint a klímaváltozás egy hosszú távon jól előre jelezhető globális folyamat, azonban a kutatási eredményeim – főleg a metodikai vonatkozások – azok által is értékelhetőek, akik e véleményt nem osztják. Az éghajlatváltozás antropogén eredete körüli vita pedig jelen kutatás eredményeit semmilyen értelemben nem befolyásolja. Kész regionális klímamodellt alkalmaztam, melynek adatait nem volt célom sem ellenőrizni, sem megtámasztani. Ezért összességében az éghajlat változását tagadók felé is felvállalható, hogy egy fiktív adatokon alapuló, de korántsem öncélú kutatás eredményeit és módszertani részleteit összegzi a dolgozat. A diplomamunka további részeiben a klímaváltozást mint tényt fogom említeni.

– Bevezetés és célkitűzés –

5

2.2 Célkitűzés

A dolgozat célja, hogy a 21. századra jelzett klímaváltozás mértékét és irányát

olyan térképlapokon mutassa be a növényekkel foglalkozó szakembereknek, melyek a

növények elterjedési/telepíthetőségi területének változásán keresztül érzékeltetik azt. A

térképlapok elkészítésénél kevésbé gyakorlatias vonatkozású, tudományos szempontból

viszont annál jelentősebb további cél a meglévő klímamodellek alapján végzett

telepíthetőségiterület-modellezés módszertani áttekintése és metodikai továbbfejlesztési

lehetőségeinek számbavétele. A dolgozat további célja volt a Moesz-vonal példáján

keresztül megvizsgálni, hogy több, hasonló elterjedési területű faj areamodellezése

milyen módon valósítható meg és az eredmények mennyi összefüggést mutatnak a

külön-külön végzett elterjedésiterület-modellezéssel.

A diplomamunka a hangsúlyt nagy számú térképlap elkészítésére (és így az

eredmények összevethetőségére, értékelésére) helyezte, így nem kérhető számon rajta

az egy vagy néhány fajra végzett modellezés pontossága, a paraméterválasztás (lásd a

4.4.1. fejezetben) „fajra szabottsága”. Ugyanakkor a dolgozat ezekre mint metodikai

fejlesztési lehetőségekre a későbbiekben még kitér.

A kutatási témának nemzetközi szakirodalma kiterjedt, azonban

diplomamunkámban a kutatási módszer részletes ismertetését és az eredmények

bemutatását kívántam nagyobb terjedelemben kifejteni, ezért az irodalmak – talán

némiképp szokatlan – táblázatos kezelését tartottam célszerűnek megvalósítani a 3.3. és

3.4. fejezetekben.

– Irodalmi áttekintés –

6

3 IRODALMI ÁTTEKINTÉS

3.1 A globális klímaváltozás hazai vonatkozásai

3.1.1 A globális klímaváltozás és modellezési lehetőségei

A következőkben a klíma modellezésének történetét adom WEART (2009), LE

TREUT (2007) és BEDE-FAZEKAS (in press) nyomán.

Földünk éghajlati rendszere végtelenül összetett, ezért minden előrejelzés2 csak

közelítheti a valóságot. A modellezés nagyon számításigényes, nem csoda hát, hogy a

XX. század első felében tett kezdeti kísérletek (V. Bjerkness, L. F. Richardson) kudarcba

fulladtak. Ekkor még számítógép nem segített a meteorológusoknak, így minél

egyszerűbb egyenletekben próbálták megragadni az éghajlati folyamatokat. 1946-tól

Neumann János és J. Charney kezdte el alkalmazni az ENIAC számítógépet az időjárás

előrejelzésében. Az elkövetkező évtized gépei még igen lassúak voltak, gyakran

meghibásodtak, ezért továbbra is cél volt az egyszerű matematikai összefüggések

keresése.

1954-től beszélhetünk valódi időjárás-előrejelzésről, ám ez még messze volt a mai

klímamodellektől, megbízhatósága is csak egy évtizeddel később érte el azt a szintet,

amit egy tapasztalt meteorológus megérzései jelentettek. A klímaváltozás modellezése

matematikailag is eltérő módszer alkalmazását kívánja meg, hiszen kezdetiérték-

probléma helyett határérték-problémával állunk szemben.

1955-ben N. Phillips sikeresen modellezett valósághű futóáramlást (jet stream).

Kísérlete, mely tekinthető az első Általános Keringési Modellnek3, rámutatott a

hatalmas légköri rendszerek energiaszállító képességére. 1958-ban J. Smagorinsky és

S. Manabe megalkották az első komoly, sokáig alkalmazott modellt, melynek 1965-ös

továbbfejlesztett, háromdimenziós változata kimutatta a sztratoszférát és az egyenlítői

légkörzést is. 1964-re Y. Mintz és A. Arakawa modellje – mely az atmoszférát csupán két

2 Főként, ha az több száz évre tekint a jövőbe. 3 GCM, General Circulation Model.


7

rétegként kezelte, viszont földrajzi, domborzati szempontból igen pontos volt – már

kimutatta az általános földi légkörzést is. Ugyanebben az évben készült egy légköri

sugárzásátvitelt is figyelembe vevő modell (W. Washington, A. Kasahara).

Az évtized előrelépése, hogy a modelleket immár nem a légköri folyamatok

megismerésére alkalmazták csak, hanem különböző paraméterek állításával a klíma

reakcióját, „érzékenységét” is elkezdték figyelni.1967-ben Manabe és R. Wetherald

2 °C-os hőmérséklet-emelkedést jósolt kétszeres CO2-szint mellett.

A ’70-es évekre – mind gyorsabb számítógépek, mind pontosabb adatok és

egyenletek segítségével – már háromnapos előrejelzéseket tudtak adni. Megoldatlan

probléma volt viszont még a felhőképződés, a tengeráramlatok, a légköri por és kémiai

anyagok, valamint a szél és hullámzás kapcsolatának modellezése. Új módszert vezettek

be a hosszúsági körök sarkok közelében történő, eleddig kezelhetetlen sűrűsödésére: a

felszínt rácsháló helyett körszeletekre osztották, majd a kapott eredményeket

visszaalakították a rácshálónak megfelelő formába. Az 1972-es Mintz–Arakawa modell

már az évszakokat is kimutatta. 1975-re Manabe–Wetherald továbbfejlesztett modellje,

mely a hótakarót és a páratartalmat is figyelembe vette, rámutatott a

csapadékkörforgás intenzitásának megváltozására és a sarki területek erőteljesebb

felmelegedésére.

A ’70-es évek végére az energiaválság és a természeti katasztrófák a politika

figyelmét is a klímaváltozásra terelték. 1979-ben már eltérő modellek eredményeit

kezdték összehasonlítani a tudósok, továbbá sikerült olyan egyesített4 modelleket

alkotni, melyek földrajzilag helyesek voltak és az évszakokat is figyelembe vették

(Manabe és K. Bryan). 1985-ben rávilágítottak, hogy négyszeres CO2-szint mellett az

észak-atlanti tengeráramlás le is állhat. 1988-ra J. Hansen igen valósághű, és a

megelőző fél évszázad trendjeit is kimutatni képes modellje hosszan elhúzódó

melegedést jósolt. A ’80-as években már mind gyakrabban futtatták a modelleket

ellenőrzésképpen a jégkorszakra, vagy az azt követő időszakra.

Az elmúlt évtizedekben újabb tendenciák jelentek meg a modellezésben: egyrészt

az USA egyeduralma megszűnt (két jelentős európai vetélytárs a Hadley Központ5 és a

Max Planck Intézet), másrészt nyílt forráskóddal dolgozó közösségi rendszerek

alakultak, melynek eredménye például az NCAR-csoport CCSM3 nevű modellje. 1995-

re sikerült a légköri aeroszolok problémáit megoldani a Pinatubo-vulkán 1991-es

4 Értsd: az óceánok tömegét, áramlásait is figyelembe vevő. 5 Többek között az előzetes kutatásomban felhasznált klímaadatsor, a HadCM3 kifejlesztője.


8

1. ábra Az IPCC négy jelentésének területi felbontása: FAR (1990), SAR (1996), TAR (2001), AR4 (2007). (SOLOMON 2007)

kitörésének elemzése segítségével, a ’90-es évek végére pedig már az El Niño-jelenséget

is ki tudták mutatni a modellek.

Napjaink problémáit egyrészt a regionális adottságok kezelése (kis felbontás, 1.

ábra) jelenti, másrészt bizonyos pliocén és krétakori klímaváltozásokat nem képesek

még kimutatni a modellek. Ennek ellenére a következő évszázadra nagy

megbízhatóságú, sokszorosan alátámasztott jóslatokat adnak.

Az Éghajlatváltozási Kormányközi Testület (IPCC, Intergovernmental Panel of

Climate Change) 2007-ben adta ki negyedik jelentését, az ötödik 2014 körül várható. A

különböző klímaszcenáriókat (éghajlati forgatókönyveket, 2. ábra) vizsgáló jelentése

szerint az elkövetkező évszázad várható trendjei a következők (MEEHL 2007):

2. ábra Különböző klímaszcenáriók esetén eltérő mértékű hőmérséklet-emelkedésre számíthatunk. Az A típusú (A1B, A1FI, A1T, A2) forgatókönyvek általában pesszimistábbak a B1, B2 szcenárióknál. (SOLOMON 2007)


9

− a század utolsó évtizedére a felszíni átlaghőmérséklet 1,8-4,0 °C-kal fog

megemelkedni ( – 2065-re vonatkozó modell),

− a tengeri jégtakaró a Déli- és Északi-sark közelében is visszahúzódik,

utóbbi a század végére nyaranként el is tűnhet,

− a tengerszint 1,1-6,4 m-rel emelkedik,

− az Atlanti-óceán áramlása kb. 25%-kal lassul,

− a magas szélességi körök mentén az átlagos csapadékmennyiség nő, az

alacsonyabb körök mentén csökken,

− heves esőzések, hőhullámok, forró szélsőségek gyakorisága megnő,

− trópusi ciklonok intenzitása megnő (gyakoriságuk megváltozása nem

egyértelmű).

3.1.2 Regionális klímamodellek eredményei

A SRES A2 és B2 jelű klímaszcenáriói alapján a 2071–2100-es időszakra végzett

regionális modellek modellek a hőmérséklet-emelkedést nagyobb pontossággal tudták

megjósolni (maximum 1,5 °C-os felülbecsléssel), mint a csapadékmennyiség változását.

A melegedés nyáron a legjelentősebb (3,7–5,1 °C) – és a legnagyobb szórás is itt

tapasztalható –, míg a legkisebb tavasszal (2,4–3,2 °C). Általában a hőmérséklet-

emelkedés 2,5 és 5,0 °C között lesz. Nyáron dél felé, télen és tavasszal pedig kelet felé

haladva nő a várható melegedés mértéke. (BARTHOLY 2007)

3. ábra A felszíni átlaghőmérséklet eltérése az 1971–2000-es referencia-időszakhoz képest az IPCC SRES A1B klímaszcenárió szerint (NOAA 2010 ábrája, a szerző által kiegészítve )

pe

fo

vi

(-

nö

le

hő

em

év

sz

ős

sz

té

m

m

Ö

A

sz

cs

sz

sz

A mele

edig ritkább

orró napok (

iszont a téli

87– -95%)

övekedésére

egjelentőseb

őmérséklete

melkedik le

Érdeke

ves mennyi

zámára igen

sszel, míg

zámíthatunk

él, majd a ta

más sorrendb

míg az A2

sszességébe

Az extrém c

zámíthatunk

sökkenő irá

zinten is jel

záma megdu

eget jelző sz

bá válnak,

(Tmax ≥ 35 °

(Tmax < 0 °

lesz éven

e is számíta

bb (4,0–5,4

ek emelked

ginkább (3,

es eredmény

iség jelentő

n kedvezőt

a csapadé

k, így az év

avasz lesz, ő

ben). A B2 f

szcenárió m

en elmondh

sapadékind

k jelentős n

ányú – válto

lentős eltéré

uplázódik (5

4. ábracsapadreferen

–

zélsőségind

így a hősé

°C) száma p

°C) és fagyo

nte a zord

ani lehet, ez

4 °C), mel

dése. A m

,5–4,8 °C).

yek születte

ősen nem f

tlen módon

ékmennyisé

vszakok sor

őket követi a

forgatóköny

megtartja a

hatjuk, hogy

dexek éves

növekedésre

ozás valósz

ést hozhat,

5. ábra). (BA

a A 2071–2100dékeloszlása önciaidőszakka

Irodalmi átt

dexek gyako

gnapok (Tm

pedig évi 4

os (Tmin < 0

nap (Tmin

az emelked

lyet általá

minimum-hő

(BARTHOL

ek a csapadé

fog megvál

n alakul át

ég növeked

rrendje telje

a nyár és az

yv kiegyenl

a jelenlegi n

y az éghajla

szinten csa

e, a nyári é

zínű. Ennek

például az

ARTHOLY

0-as időszak összehasonlítval (BARTHO

ekintés –

orisága nőni

max ≥ 30 °C

napról 20–

°C) napok

n < -10 °C

dés nyáron,

ában mérsé

őmérséklet

LY 2008)

ékváltozás e

ltozni, ám

t. Csökkené

désére télen

esen átrend

z ősz (az alk

lítettebb évs

nagy külön

atunk jelen

ak kis válto

évszakokba

k ellenére v

extrém csap

Y 2008)

várható évszva az 1961–19

OLY 2008)

i fog, a hide

C) száma 10

–33 napra e

száma, és j

C). A max

és az orszá

ékelten kö

szintén a

előrejelzése

az eloszlás

ésre nyáron

n (20–37%

deződik: a l

kalmazott sz

szakos csap

nbséget, csa

tős mértékb

ozást mutatn

an inkább c

van néhány

padékú (Rd

akos 990 közötti

eggel össze

09–156%-k

melkedik! C

jelentősen k

ximum-hőm

ág déli részé

övet a mi

a nyári év

e során (4. á

sa a mezőg

n (10–33%

%-kal) és t

legcsapadék

zcenáriótól

padékeloszlá

ak megford

ben szárazo

nak, általáb

csak kisebb

index, am

day ≥ 20 mm

10

efüggőek

kal nő, a

Csökken

kevesebb

mérséklet

én lesz a

inimum-

vszakban

ábra): az

gazdaság

%-kal) és

tavasszal

kosabb a

függően

ást jósol,

dítja azt.

odni fog.

ban télen

b – akár

ely éves

m) napok

ki

jö

(6

kö

m

5

A várh

ijelöljük azo

övőbeli klím

6. ábra), me

özti időszak

meg hazánk é

5. ábra Az öta 2010-es Zsó

ható változ

okat a terül

májával. Ma

elyek főként

kra, 2071–2

éghajlatának

tven legnagyoófia nevű cikl

6. ábéghapont

–

zásokat jól

leteket, ame

agyarország

t tőlünk dél

100 között

k. (HORVÁ

obb májusi hálonnak köszö

bra Budapestajlatával anatosabb egyez

Irodalmi átt

szemléltet

elyek mai é

g több régió

lkeletre talá

pedig legin

ÁTH 2008a)

áromnapos cönhetőek. (MÓ

t 2041–2070 klóg területekést mutatják

ekintés –

ti, ha a fö

ghajlata me

ójára is kész

álható terüle

nkább észak

)

sapadék 1951ÓRING 2010

közötti várhak. A sötétebb fk. (HORVÁTH

öldrajzi ana

eg fog egye

zültek ilyen

eteket jelöln

k-afrikai rég

1 óta. A piros0)

ató foltok a H 2008b)

alógia mód

ezni hazánk

n összehaso

nek ki a 20

giókat felelte

ssal kiemelt é

11

dszerével

k várható

onlítások

11–2070

ethetünk

értékek


12

3.2 Klímaváltozás és tájépítészet. Az alkalmazkodás tájépítészeti

eszközei

3.2.1 A tájépítészet és klímaváltozás kétirányú kapcsolata

A tájépítészet mint alkalmazott mérnöki tudományterület és az éghajlatváltozás

kapcsolata kétirányú: egyrészt tájépítészeti eszközökkel a klíma védelmét

elősegíthetjük, az éghajlatváltozás előrehaladását mérsékelhetjük, másrészt a

klímaváltozáshoz alkalmazkodnunk is kell. A klímavédelem szempontjából kiemelten

fontos, hogy a tájépítészet különböző módszerekkel el tudja érni a CO2-megkötő

növényzet terjedését: szabályozási tervekkel a művelési ágak közti váltást segítheti elő,

konkrét szabadtér-építészeti tervekben pedig növénytelepítést fogalmazhat meg, illetve

a növényzet életkörülményeit javíthatja például vízfelület létesítésével,

tereprendezéssel. A kert- és szabadtérépítészet kis léptékben gondolkozik, ezért

klímavédelmi szerepe mérsékelt, inkább a mikroklímára és a városi mezoklímára

kifejtett hatása számottevő.

Napjaink tendenciája az intenzív kertfenntartási módszerek előtérbe helyezése,

melyek lényege, hogy a kert állapotát még a környezeti feltételeket alig figyelembe

vevő tervek esetén is erőforrást, időt és költséget nem kímélve fenntartja. Ide soroljuk

például a közüzemi vízhálózatról üzemelt automata öntözőrendszert vagy a

műtrágyázást. Az intenzív kertfenntartás napjainkra olyan eszközt adott a kezünkbe,

melynek birtokában bátran gondolhatnánk, nincs szükségünk a klímaváltozáshoz

alkalmazkodni. Ez a szemlélet több szempontból is veszélyes: egyrészt

alkalmazkodnunk előbb, vagy utóbb elengedhetetlen lesz, az intenzív kertfenntartás

csak elodázza a probléma megoldását; másrészt egyértelműen a klímavédelmi

törekvésekkel ellentétes (energiapazarló).

Az intenzív kertfenntartás a következő évtizedekben – főként az energiaárak

növekedése miatt – válságba kerülhet, melyet megelőzendő a hazai szakmai tudatba

szükséges lenne beépíteni a természeti folyamatok érvényesülését támogató ökologikus

törekvéseket, mint amilyen a permakultúra is. Ez a hazánkban még alig ismert, az

ökológiai és biodinamikus gazdálkodáson túlmutató módszer, szemlélet leginkább úgy

foglalható össze, hogy a gazdálkodás minden elemét – beleértve az élővilágot, táji

adottságokat és épületeket – egy olyan egységes ökológiai rendszerré állítja össze,


13

melyben az előre megtervezett kapcsolathálózat által a produktivitás és használhatóság

növekszik, miközben a szükséges ráfordítások csökkennek (BAJI 2009).

A nagy léptékű, területi tervezésben megnyilvánuló alkalmazkodásra jó hazai

példa SZILASSI (2012) munkája, aki az Alföld mezőgazdasági művelésű, de

klímaváltozás által veszélyeztetett területeinek egy részére a területhasználati mód

váltását javasolja, melyet főként erdősítéssel valósítana meg. Az erdősítés

létjogosultságát, mely első megközelítésben megkérdőjelezhető az esetleges

talajvízszint-csökkentés miatt, szóbeli közlésében megerősítette SZILASSI (2012) és

KUN (2012).

3.2.2 Alkalmazkodás szabadtér-építészeti eszközei

Tájépítészeti oldalról nézve az éghajlatváltozás legfőbb következményei a

hőmérséklet emelkedése, vegetációs időszak szárazabbá válása, heves esőzések

gyakoriságának növekedése és a fagyveszély csökkenése. Ezeket – utóbbi kivételével –

mind negatívumként szoktuk kezelni, holott e tényezők megváltozása pusztán újabb

megoldandó tájépítészeti kihívásokat jelentenek, melyeket nem értékelnünk kell, hanem

alkalmazkodnunk hozzájuk.

A kert- és szabadtérépítészet számos olyan eszközt ismer, melyek a regionális

modellek által prognosztizált klímaváltozáshoz megfelelő alkalmazkodási módszert

nyújtanak. A teljesség igénye nélkül ilyenek a :

− zöldtetők, melyek építmények lapos, vagy kis hajlásszögű tetőszerkezetén

létesített extenzív vagy intenzív fenntartású (beleértve a tetőkerteket)

felületek. GERZSON (2011) szóbeli közlésében rámutatott, hogy a

klímaváltozáshoz való alkalmazkodás szempontjából az extenzív

zöldtetőknek van jelentősége, mely HIDY (2011) szerint „olyan

természetes vegetációs forma, amely alapvetően önfenntartó, és gondozás

nélkül is életképes. […] emberi tartózkodásra, használatra általában nem

alkalmasak, annak ellenére, hogy a csapadékvíz elleni szigetelés

szempontjából a hasznosított tetők kategóriájába tartoznak”. Utóbbi

szempontot hangsúlyozza SZABÓ (2009) is.

− zöldhomlokzatok: egyelőre kevés hazai példa ismert ezen újszerű

növényesítési törekvésre, melynek lényege a homlokzat takarása zöld

növénytömeggel. Tágan értelmezve a befuttatott falakat is


14

zöldhomlokzatnak tekinthetjük, és e futtatott felületeknek lehet igazán

szerepük hazánkban a klímaváltozáshoz való alkalmazkodásban (7. ábra).

− csapadékvíz-visszatartás: célként kell kitűznünk, hogy a közterületekre és

magánkertekbe lehulló csapadék minél nagyobb részét helyben tartsuk és

beszivárogtassuk a talajba, vagy párologtatással a mikroklímát javítsuk az

összegyűlt esővízzel. A nem helybentartott csapadék a szennyvízcsatorna-

hálózattól független rendszerben kerüljön elvezetésre, illetve minél később

érje el a közüzemi hálózatot. CSILLAG (2009) szerint a felszínre hulló

csapadék drénrétegen keresztül történő (felszín alatti drénkút, szikkasztó

árok) összegyűjtését és talajba szivárogtatását kombinálhatjuk

növényzettel. Hazánkban még nem terjedt el a növényzettel segített

vízelvezetés, mely mind települési, mind magánkerti környezetben

hatékony és esztétikus megoldási lehetőséget kínál a hirtelen lezúduló

csapadék ellen. A növényzettel segített talajbaszivárogtatás több típusát

megkülönböztetjük, ilyenek a szűrő sáv, füves vápa, növényes vápa,

vízmegtartó terület, beszivárogtató ültetőmedence és esőkert.

− többszintes növényzet: a talajtakaró évelőkkel, cserjékkel és fákkal

többszintes növénytömeget alakíthatunk ki, amely párásabb, hűvösebb,

kiegyenlítettebb mikroklímát biztosít.

− felszínborítás, lombkorona-borítás: minél nagyobb borítás elérése a cél.

7. ábra Vadszőlővel befuttatott épülethomlokzat Budapesten. Szigetelő és élettér-növelő hatása megkérdőjelezhetetlen (Fotó: Bede-Fazekas Á. 2010)


15

− tereprendezés: a meglévő felszínalakulatokat kihasználva, illetve azt

átalakítva nem csak a csapadékvíz helybentartásáról, hanem a

mikroklimatikus feltételek javításáról is gondoskodhatunk.

− növényalkalmazás: a klímaváltozáshoz való alkalmazkodás elkerülhetetlen

eszköze a telepített fajok, fajták megfelelő kiválasztása.

3.2.3 Növényalkalmazás újragondolása

Hazánk éghajlatát a száraz kontinentális, nedves óceáni és a mediterrán

klímahatások alakítják, melyek közül a következő században a mediterrán fog előtérbe

kerülni, ezért a felhasznált dísznövényválaszték minőségi átalakítására van szükség. A

fás szárú növények hosszú élettartama és kifejlődési ideje (20-40 év) miatt a

tájépítészetnek előre kell gondolkoznia, így az évtizedek múlva koronáját kifejlesztő –

vagyis ma elültetett – növényanyagot szárazságtűrő, melegkedvelő, a mediterrán

klímahatásokat jobban tűrő fajokból kell megválasztani. E növények egy része a

jelenlegi kemény teleket még nehezen viseli (melyen téli takarással, fagyvédelemmel

segíthetünk), azonban a következő évtizedekben az elfagyás veszélye mindinkább

lecsökken.

A Jelenlegi növényalkalmazás gyors átgondolásra szorul, mert számos olyan

taxont alkalmazunk, melyek szárazságtűrése nem kielégítő. PÉNZES (2010) szóbeli

közlésében rámutatott, hogy a közönséges lucok (Picea abies)6 elmúlt években

megfigyelhető folyamatos pusztulása is a kiszáradásnak és a hozzá kapcsolódó

másodlagos megbetegedéseknek köszönhető.

A hazai forgalomban lévő dísznövény fajok szárazságtűrése statisztikai elemzés

után sem mondható kielégítőnek, ezért bizonyos nemzetségek forgalmazásának

támogatására, mások visszaszorítására lehet szükség (BEDE-FAZEKAS 2012).

3.3 Elterjedési területek változása a klímaváltozás tükrében

Az elterjedési és telepíthetőségi területek a klímaváltozás hatására eltolódnak

horizontális és magassági értelemben is. Az elterjedést faji és társulási szinten is szokás 6 Melyeket a szerb luc (Picea omorika) teljes mértékben helyettesíteni tudna.


16

vizsgálni, továbbá a társulások sebezhetőségét, érzékenységét, összetételét stb. is

hasonló modellezési módszerekkel lehet előre jelezni. Hazai kutatások közül

érdemesnek tartom kiemelni CZÚCZ (2010) munkáját a hazai társulások érzékenysége

kapcsán.

MÁTYÁS (2010) a bükk (Fagus sylvatica) elterjedésének modellezése kapcsán

hangsúlyozza, hogy az Ellenberg-index bizonyul a legjobban alkalmazható

paraméternek, melyben CZÚCZ (2011) megerősíti. A faj ökológiai sebezhetősége miatt

további indexek kerültek kidolgozásra hazánkban, mint a FAI és a bükk-index

(bővebben lásd a 4.4.2. fejezetben). (FÜHRER 2010)

Hasonló szemlélettel TRÁJER (2012) a kullancsok elterjedését vizsgálja, igaz,

módszerei eltérőek, izotermák követésével és kevés számú rögzített éghajlati paraméter

figyelembe vételével modellez.

VAN LEEWEEN (2008) a hazai belvízveszélyes területek elemzéséhez

alkalmazta a mesterséges neuronhálókat.

A nemzetközi irodalom nagyságrendekkel bővebb e kutatási témában és nagyobb

múltra tekint vissza. Eltérő terminológiája ellenére módszerei nem különböznek

túlzottan modellezési megközelítésemtől, azonban modellezési módszerei sokkal

kifinomultabbak, főként a statisztikai módszerek és mesterségesintelligencia-

algoritmusok alkalmazása miatt. Az 1. táblázatban foglaltam össze az áttekintett

nemzetközi publikációkat, feltüntetve, hogy elsősorban fajok vagy

társulások/vegetációk a kutatások alanyai és minek kimutatása a modellezési cél. A

táblázatban megjelöltem továbbá, ha számszerű adat vagy pontosan megnevezett

faj/társulás ismert a kutatásból, illetve a modellezés célterületét/helyszínét is

megjelenítettem. A Megjegyzés oszlopban tüntettem fel, ha a publikációból kiderült, a

pontos modellezési módszert vagy az alkalmazott programot.

Diplomamunkámban kutatási módszerem ismertetésére, a fejlesztési javaslatokra

és a modellezési eredményekre kívántam helyezni a hangsúlyt, ezért a hatalmas

nemzetközi irodalom részletes szöveges áttekintését nem tartottam célravezetőnek. Rövid hivatkozás

Modellezés alanya

Modellezés célja

Fajok/ társulások pontos megnevezése, száma

Helyszín Megjegyzés

PETERSON (2008)

faj elterjedés 1804 faj Európa

KELLY (2008) társulás/ vegetáció és faj

elterjedés 141 növényfaj Kalifornia


17

BRESHEARS (2008)

társulás/ vegetáció

elterjedés

HARRISONA (2010)


összetétel Oregon

LA SORTE (2010)

faj elterjedés, kihalási valószínűség

1009 magashegyi madárfaj

SAQIB (2006) faj elterjedés Taxus wallichiana

Pakisztán DOMAIN program

SKOV (2000) faj elterjedés Arecaceae Ecuador

BERRY (2002) faj elterjedés 54 faj, 15 társulás

Nagy-Britannia és Írország

mesterséges neuronháló

HARRISON (2006)

faj elterjedés 47 faj Európa SPECIES program, mesterséges neuronháló

BERRY (2003) társulás/ vegetáció és faj

érzékenység, sebezhetőség

50 faj Nagy-Britannia és Írország

mesterséges neuronháló

TRIVEDI (2008) társulás/ vegetáció és faj

elterjedés 31 faj Skócia R program, logisztikus regresszió

SABATÉ (2002) faj növekedés Quercus ilex, Pinus halepensis, Pinus pinaster, Pinus sylvestris, Fagus sylvatica

Mediterráneum

GOTILWA+ folyamatalapú fanövekedési modellező program

TRISURAT (2011)

faj sebezhetőség, elterjedés

66 erdei növényfaj

Thaiföld Maxent program

POMPE (2010) társulás/ vegetáció és faj

elterjedés 475 növényfaj Németország általánosított lineáris modell, általánosított additív modell és Random Forest-algoritmus

IVERSON (1999) faj elterjedés Pinus virginiana

Kelet-USA regressziósfa-analízis

SERRA-DIAZ (2012)

társulás/ vegetáció és faj

elterjedés Abies alba, Fagus sylvatica, Abieti-Fagetum

Ibériai-félsziget

R program, általánosított lineáris modell, Akaike-féle információs kritérium

ATTORRE (2007)

faj elterjedés, gyakoriság, vertikális struktúsa

Dracaena cinnabari

Jemen regressziósfa-analízis

OGAWA-ONISHI (2010)

faj elterjedés 25 fenyőfaj Japán általánosított additív modell, mesterséges neuronháló, Random Forest-algoritmus

AURAMBOUT (2009)

faj viselkedés, elterjedés, szaporodás

Diaphorina citri

Ausztrália határérték, STELLA program, területi modellezési környezet (SME)


18

LENG (2008) faj elterjedés Larix gmelini, Larix olgensis var. changpaiensis, Larix principis rupprechtii

Északkelet-Kína

Random Forest-algoritmus, regressziós és klasszifikációs fa

VAN ZONNEVELD (2009)

faj elterjedés, alkalmazkodó képesség

Pinus patula, Pinus tecunumanii

Mexikó, Közép-Amerika

Maxent program, klimatikus burkológörbe modellezés, SAS VARCLUS eljárás

BAKKENES (2006)

faj elterjedés 856 edényes faj

Európa EUROMOVE program, logisztikus regresszió

VENNETIER (2009)


változékonyság

Délkelet-Franciaország

korrespondenciaanalízis és "parciális legkisebb négyzetek"-regresszió, mesterséges neuronháló

NITSCHKE (2008)


változékonyság, sebezhetőség

duglászfenyves

Brit Columbia

TACA program

MOLANO-FLORES (in pr

faj kihalási valószínűség, populációméret

Dalea foliosa Egyesült Államok

lineáris regresszió

ARUNDEL (2005)

faj elterjedés Carnegiea gigantea, Cercidium microphyllum, Encelia farinosa, Ferocactus acanthodes, Larrea tridentata

Délnyugat-USA, Észak-Mexikó

limitáló tényezők és szignifikancia-analízis

MEYNECKE (2004)

faj elterjedés 12 gerinces faj Észak-Queensland

BIOCLIM program

IVERSON (2008) faj elterjedés 134 fafaj Egyesült Államok

regressziósfa-analízis

NORMAND (2007)

faj elterjedés 84 növényfaj Dánia fuzzy bioklimatikus burkológörbe

HILBERT (2001) társulás/ vegetáció

elterjedés 15 erdőtípus Ausztrália mesterséges neuronháló

HAMANN (2006)


elterjedés 50 növényfaj Brit Columbia

kanonikus diszkriminanciaanalízis

IVERSON (1998) faj elterjedés 80 fafaj Kelet-USA regressziósfa-analízis ROTENBERRY (2006)

faj elterjedés Polioptila californica

Kalifornia

BERRY (2006) társulás/ vegetáció és faj

sebezhetőség, elterjedés

47 faj Európa ACCELERATES és SPECIES programok

1. táblázat A kutatásomhoz hasonló modellezési módszert vagy célt megfogalmazó nemzetközi irodalmak áttekintése

A felsorolt irodalmak közül kutatásommal a legtöbb párhuzamot ARUNDEL

(2005) munkája mutatja, aki 5 észak-amerikai melegigényes fajra végezte el a limitáló


19

tényezők számítását, a tényezők értékeléséhez szignifikancia-analízist alkalmazott. Igaz,

ARUNDEL (2005) modellezést már nem végzett.

3.4 Telepíthetőségiterület-modellezés módszertani lehetőségei

3.4.1 Elterjedési terület és telepíthetőségi terület

Kutatásom során elterjedési területekből indultam ki, és telepíthetőségi területeket

rajzoltam ki7. Utóbbi fogalom a hasonló modellezések nemzetközi irodalmában

tudomásom szerint nem jelenik meg, mert az általános cél az elterjedési területek

modellezése. A telepíthetőségi területeknek ugyan botanikai jelentősége kisebb, de

tájépítészeti szempontból mégis e fogalom tűnik fontosabbnak. Az elterjedési területek

modellezéséhez szükséges, hogy a referencia-időszakra készült modelleredmények jól

validálják a módszert (MÁTYÁS szób. közl. 2010, bővebben lásd a 4.3.1. fejezetben).

Felmerülhet a kérdés, hogy miért nem telepíthetőségi területek alapján végeztem a

modellezést. Ennek oka egyrészt, hogy

− véleményem szerint nem készíthető olyan részletességű (mikroklíma

torzításaitól mentes) telepíthetőségi térkép, mely alapján a növények

éghajlati igényeit jobban lehetne szűrni, mint az elterjedési terület alapján,

− és nem állnak rendelkezésre ilyen térképek.

3.4.2 Modellezési lehetőségek

IBÁÑEZ (2006) rámutat, hogy klimatikus burkológörbe8 meghatározásához

(melyet diplomamunkámban paraméterválasztásnak neveztem és a 4.4. fejezetben

részleteztem) többféle (az általam alkalmazottnál összetettebb és pontosabb) módszer

alkalmazható, mint az egyszerű regresszió, a távolság-alapú módszerek, genetikus

algoritmusok a szabályhalmaz szerinti előrejelzéshez és neurális hálók. Ezek

némelyikéről az 5.1.3. és 5.1.4. fejezetben szólok. STANKOWSKI (2010) kutatásában

arra jut, hogy az elterjedési és környezeti adatoktól függetlenül nem található olyan

eljárás, mely a modell teljesítményét minden fajra maximalizálná, vagyis a különböző 7 Kivéve a Moesz-vonal elterjedés- és vonalmodellezésénél. Vö. a 38. lábjegyzetben írtakkal. 8 Climate envelope. CE.


20

fajok különböző modellezési megközelítést igényelnek. GUISAN (2000) nagyon jó

áttekintést ad az ökológiai modellezésben használható módszerekről.

A következőkben összegzem (2. táblázat) a kutatási módszereket elemző,

áttekintő, fejlesztő nemzetközi publikációkat, az oszlopok magyarázatát lásd a 3.3.

fejezetben. Rövid hivatkozás

Modellezés alanya

Modellezés célja

Fajok/ társulások pontos megnevezése, száma

Helyszín Megjegyzés

SCARNATI (2009)

faj elterjedés Quercus suber, Ilex aquifolium, Taxus baccata

Közép-Olasz-ország

5 statisztikai modellezési módszer összehasonlító értékelése

CARPENTER (1993)

faj elterjedés Aepyprymnus rufescens 'Gray', Bettongia tropica

Ausztrália DOMAIN program a pont-pont távolságoon alapuló heurisztikával

DEL BARRIO (2006)

faj elterjedés 14 faj Spanyol-ország és Nagy-Britannia

Lokális, nagy felbontású modellezésnégy módszer egyesítésével

PEARSON (2002)

faj elterjedés Nagy-Britannia

SPECIES program a bioklimatikus burkológörbe számításához mesterséges neuronhálóval és klimatikus-hidrológiai folyamatmodellel

GONZÁLEZ-REBOLLAR (1995)


összetétel, érzékenység

Ibériai-félsziget

Fitoklimatikus modellezési módszer

FOODY (2008) faj elterjedés Medicago arabica

Nagy-Britannia

Lokális regressziósfa-elemzés a bioklimatikus burkológörbe modellezés finomításához

XIAOJUN (2011)

faj elterjedés Klímaadatsorok felbontásának problémája a modellezés során és a BioPlant bioklimatikus paramétereket leskálázó program

THUILLER (2008)

faj elterjedés Migrációs és interakciós folyamatok jelentősége a modellezésben

NENZÉN (2011)

faj kihalási valószínűség

116 fafaj Európa Bioklimatikus burkológörbe modellek használatakor a határértékek jelentősége

ÖZESMI (1999)

faj elterjedés Agelaius phoeniceus, Cistothorus palustri

Egyesült Államok

Mesterséges neuronhálók alkalmazhatósága két faj interakciójakor


21

FRANKLIN (1995)


elterjedés Mesterséges neuronháló alkalmazása vegetációtérképezéshez

HILBERT (1999)


elterjedés Észak-Queensland

Mesterséges neuronháló alkalmazása vegetációtérképezéshez

JENSEN (1999) faj életkor Pinus taeda Brazília Mesterséges neuronháló és statisztikai módszerek alaklmazása távérzékelésen alapuló adatokhoz

CARPENTER (1999)


elterjedés Észak-Kalifornia

Mesterséges neuronháló alkalmazása távérzékelésen alapuló vegtációtérképes előrejelzéshez

ÖZESMI (2006)


elterjedés A mesterséges neuronhálók backpropagation módszerének alkalmazása

GUISAN (2000)


elterjedés Áttekintés az ökológiai modellezésben használható módszerekről

LI (2008) faj elterjedés Korlátozó tényezőn és környezeti alkalmasságon alapuló presence-only módszer

STANKOWSKI (2010)

faj elterjedés 30 Salix-faj Ontario Logisztikus regresszió, valamint eltérő elterjedési és környezeti adatok alkalmazása

IBÁÑEZ (2006)


elterjedés, összetétel

Kelet-USA Diverzitási, reprodukciós, kölcsönhatási és fenológiai szempontok fontossága a modellezésben

SCHWARZ (2003)

faj gyakoriság 7 növényfaj USA A szomszédsági faktor jelentőségének ellenőrzése lineási regresszióval

GRIFFITH (2006)

egyéb Sajátértékek jelentősége kétféle ökológiai modellezési módszerben

IBÁÑEZ (2008)

faj elterjedés 18 növényfaj USA klimatikus burkológörbe módszerének kísérleti ellenőrzése

GAVILÁN (2005)


elterjedés Spanyol-ország

111 klímaparaméter értékelése

2. táblázat Elterjedésiterület- és egyéb ökológiai modellezések módszertanával foglalkozó nemzetközi irodalom áttekintése


22

3.5 A Moesz-vonal tájépítészeti és botanikai jelentősége

Moesz Gusztáv (1873-1946) botanikus, mikológus, muzeológus nemzetközi

szinten mikológai kutatásai révén vált híressé. A közép-európai botanika és tájépítészet

számára azonban egy több mint száz éve írt publikációja mindmáig meghatározó

érvényű. Moesz főként azt szerette volna kutatásával felmérni, hogy „Bars megye

területén hol kell meghúzni azt a vonalat, a mely a tátra-fátrai flóravidéket a

pannoniaitól elválasztja”. Ehhez kiválasztott 12 olyan növényfajt, mely nagy területen

előfordul és jól felismerhető, és kiemelte, hogy „ezt az eljárást helyesebbnek vélem,

mintha subtilis különbségek alapján felállított varietások elterjedését venném alapul9”.

Moesz felismerte, hogy e növényfajok elterjedési területének északi határa nagyrészt

egybeesik, továbbá az így kirajzolódó flóraválasztó vonal a szőlőtermesztés északi

határvonala is egyben. A „szőllővel beültetett legészakibb területek, képzeletben

egymással összekötve, úgy látszott, mintha a flórahatárt jelölték volna”. (MOESZ

1911). E vonalat (8. ábra, 9. ábra) – mely akkor hazánk területére esett, ma

Szlovákiában található – később a leírójáról nevezték el.

9 Kutatásom szempontjából Moesz e döntése szerencsésnek mondható, hiszen a fajok elterjedési területével ellentétben a változatok areája térképes formában jelenleg nem hozzáférhető.

8. ábra „Néhány növény elterjedésének északi határvonala az északnyugati fenföldön”. A 12 faj elterjedésiés a szőlő termesztési területének északi határa Moesz eredeti térképén, kissé retusálva (MOESZ 1911 alapján)


23

A Moesz-vonal nemzetközi irodalomban alig fordul elő, hiszen lokális

jelentőséggel bír csak. Fontos hangsúlyozni azonban, hogy kelet és nyugat felé tovább

követve a szőlőtermesztés északi határvonalát megkapjuk a Moesz-vonal

meghosszabbítását, mely a hozzá kötődő fajok némelyike (pl. Muscari botryoides

(SOMLYAY 2003)) elterjedésének északi határát a továbbiakban is kirajzolja. Ezáltal

az egész európai kontinens számára nagy jelentőséggel bírhat a meghosszabbított

Moesz-vonal (és annak modellezése), mert az nem csak a kárpát-medencei flórát és a

medencébe telepíthető dísznövényeket jellemzi.

A vonal kirajzolásához eredetileg 12 növényfaj elterjedési területét vizsgálta

Moesz, továbbá a bortermő szőlő (Vitis vinifera) termesztési területét. Az alábbiakban

(3. táblázat) felsoroltam azokat a fajokat, amelyeket Moesz bevont a kutatásába, és

feltüntettem a növények ma elfogadott nevét. Félkövér szedéssel kiemeltem a

hazánkban dísznövényként is alkalmazott évelő fajokat (BEDE-FAZEKAS 2011b). Moesz Gusztáv által használt tudományos név

Elfogadott tudományos név10 Magyar név11

Aira capillaria Aira elegantissima Schur csinos lengefű Althaea micrantha Althaea officinalis L. dunántúli zilíz Cephalaria transsilvanica Cephalaria transsylvanica (L.) Roem. & Schult. mezei fejvirág

10 GRIN 2012 szerint. Esetenként felhasználva IPNI 2005 és PRISZTER 1998. 11 PRISZTER 1988 szerint.

9. ábra „Határvonal a tátra-fátrai és a pannoniai flóravidék között”. Moesz eredeti térképe kissé retusálva, kiegészítve és a Moesz-vonalat kiemelve (MOESZ 1911 alapján)


24

Clematis integrifolia Clematis integrifolia L. réti iszalag Eryngium planum Eryngium planum L. kék iringó Euphorbia gerardiana Euphorbia seguieriana Neck. pusztai kutyatej Galega officinalis Galega officinalis L. orvosi kecskeruta Galium pedemontanum Cruciata pedemontana (Bellardi) Ehrend. apró galaj Phlomis tuberosa Phlomis tuberosa L. gumós macskahere Salvia aethiopis Salvia aethiopis L. magyar zsálya Sideritis montana Sideritis montana L. parlagi

sármányvirág Xeranthemum annuum Xeranthemum annuum L. ékes vasvirág Vitis vinifera Vitis vinifera L. bortermő szőlő

3. táblázat A Moesz-vonal megrajzolásához eredetileg felhasznált fajok listája, kiemelve a dísznövényként is alkalmazható évelő fajokat

A tájépítészek számára a Moesz-vonalnak nem csupán az eredetileg vizsgált 12

faj szempontjából nagy a jelentősége, hanem egyrészt a szőlő termesztési területe miatt,

mely a tájhasználatot nagyban befolyásolja, másrészt pedig azon fajok miatt, melyeket

utólag kötöttek a Moesz-vonalhoz. Többek között ilyen a szelídgesztenye (Castanea

sativa, BARTHA 2007), a molyhos tölgy (Quercus pubescens, CSAPODY 1932,

KÁRPÁTI 1958, KÉZDY 2001, BARTHA 2002), a pukkanó dudafürt (Colutea

arborescens, CSIKY 2003), a házi berkenye (Sorbus domestica, VÉGVÁRI 2000) és

néhány körtefaj is (TERPÓ 1992). A 4. táblázatban felsoroltam azokat a fajokat,

amelyek elterjedési területének északi határvonala a Moesz-vonal közelében található,

kiemelve a kertépítészeti szempontból jelentőseket. Megjelöltem továbbá a

modellezésbe bevont fajokat. Tudományos név12 Magyar név13 Kutatás során felhasználva Acer tataricum L. tatár juhar - Castanea sativa Mill. szelídgesztenye + Colutea arborescens L. pukkanó dudafürt - Cotinus coggygria Scop. cserszömörce + Fraxinus ornus L. virágos kőris + Muscari botryoides (L.) Mill. epergyöngyike - Orchis simia Lam. majomkosbor - Prunus mahaleb L. sajmeggy - Pyrus magyarica Terpó magyar vadkörte - Pyrus × nivalis Jacq. molyhos körte - Pyrus × pannonica Terpó - - Pyrus slavonica Kit. - - Quercus cerris L. cser + Quercus pubescens Willd. molyhos tölgy - Sorbus domestica L. házi berkenye - Vicia sparsiflora Ten. pilisi bükköny - Vitis sylvestris C. C. Gmel. ligeti szőlő +

4. táblázat A Moesz-vonalhoz köthető fajok listája tudományos és magyar névvel

12 GRIN 2012 és IPNI 2005 szerint. 13 PRISZTER 1998 szerint.

– Kutatási módszer –

25

4 KUTATÁSI MÓDSZER

4.1 Kutatás rövid összefoglalása

Kutatásom, a 2.2. fejezetben megfogalmazottak szerint, két fő részre tagolható.

Egyrészt modelleztem az elkövetkező hat évtizedre a telepíthetőségi terület

megváltozását olyan növényfajok esetén, melyek:

− döntően európai elterjedéssel bírnak,

− fásszárúak (főként fák14),

− dísznövényként alkalmazhatóak,

− areatérképük rendelkezésemre állt a kutatáshoz digitális vagy nyomtatott

formában.

A felsorolt kritériumok alapján 33 növényfajt gyűjtöttem össze. E fajok

telepíthetőségi területének modellezését egymástól függetlenül, azonban teljesen

megegyező eszközökkel és módszerrel végeztem. E tudatos döntés egyenes

következménye, hogy a modelleredmények a fajok areájának méretétől, jellegétől és

elhelyezkedésétől15 függően igen változatosak lehetnek, viszont jól összevethetőek

egymással. Mivel célom volt a metodikai hiányosságok feltárása és megoldási

lehetőségek keresése, így a kevésbé fajra szabott, jóval pontatlanabb, ugyanakkor sok

fajra következetesen alkalmazható módszer mellett döntöttem.

A kutatás másik része, a Moesz-vonal modellezése, az előzőekkel részben hasonló

szemlélettel és módszerrel történt, annak ellenére, hogy a kutatás tárgya nem fajok

elterjedési/telepíthetőségi területe, hanem egy flóraválasztó vonal. A hasonló

megközelítésmód mégis kézenfekvő megoldásnak tűnik, mivel a Moesz-vonal

visszavezethető különböző fajok areájának északi határvonalára. Kutatásom e második

14 Értsd: eredeti élőhelyükön fatermetűek. A Mediterráneumból származó fajok némelyike hazánkban jelenleg csak bokortermetet képes elérni. 15 A kutatásba vont fajok többsége mediterrán, esetleg atlanti-mediterrán elterjedésű. Kivételként említhető az atlanti elterjedéssel bíró Ulex europaeus, valamint a modell ellenőrzéséhez használt, hazánkban már ma is őshonos Tilia tomentosa és a gyakorta telepített Pinus nigra.


26

szakaszában három eltérő módszerrel tettem kísérletet a Moesz-vonal északra

tolódásának modellezésére.

A kutatás mindkét részét az ENSEMBLES RT3 projekt REMO klímamodellje16

alapján végeztem, mely 25 kilométeres horizontális felbontásban (170 x 190 pont)

lefedi Európát (10. ábra). A felhasznált referencia-időszak 1961-1990 közötti, a

modellezett időszakok pedig az IPCC SRES A1B17 szcenárió alapján 2011-2040 és

2041-2070 közöttiek. A modellezést ArcGIS térinformatikai programmal 9.3-as

verziójával végeztem, főként a területi elemzésekre kifejlesztett csomaggal (Spatial

Analyst). A telepíthetőségi területek modellezését megelőzően modellkísérleteket

végeztem 6 faj areájára (Pinus brutia, P. halepensis, P. nigra, P. pinaster, P. pinea,

Quercus suber) a HadCM318 adatai alapján. Jelen kutatás az előzetes modellkísérlet

tapasztalatai és eredményei (BEDE-FAZEKAS 2011a, BEDE-FAZEKAS 2011c)

ismeretében történt.

4.2 Vizsgálatba vont fajok

A kutatás során 51 faj elterjedési területét használtam fel. A 5. táblázat sorolja fel

e fajokat tudományos és magyar névvel, valamint az elterjedési terület térképének

forrásmegjelölésével. A táblázatban feltüntettem az egyes fajok esetén az elterjedési

területek modellterületen kívül eső részét. 16 ENSEMBLES 2012 17 Az A1 szcenáriócsalád gyors gazdasági növekedéssel és a Föld lakosságának a század közepi tetőzésével számol, miközben feltételezi az új és hatékony technológiák gyors bevezetését. Az A1B szcenárió a család középső tagja, a különböző energiaforrások felhasználásának egyensúlyát feltételezi. (NAKICENOVIC, 2000) 18 Hadley Centre Coupled Model, version 3 (HADLEY 2012)

10. ábra A felhasznált klímamodell területi lefedése. (ENSEMBLES 2012)


27

Tudományos név19 Magyar név20 Forrás Modellterületen21 kívül eső elterjedés

Abies borisii-regis Mattf. makedón jegenyefenyő

MEUSEL 1965

Abies bornmuelleriana Mattf. bitűniai jegenyefenyő

MEUSEL 1965

Abies cilicica (Antoine & Kotschy) Carriere

kis-ázsiai jegenyefenyő

MEUSEL 1965 Szíria, Kelet-törökország22

Abies marocana Trab. marokkói jegenyefenyő

MEUSEL 1965

Abies numidica de Lannoy ex Carriere

numídiai jegenyefenyő

MEUSEL 1965

Acer heldreichii Orph. ex Boiss. balkáni juhar MEUSEL 1978 Acer sempervirens L. örökzöld juhar MEUSEL 1978 Aira elegantissima Schur csinos lengefű MOESZ 1911 Nem releváns23 Acer monspessulanum L. francia juhar MEUSEL 1978 Nyugat-Atlasz Althaea officinalis L. dunántúli zilíz MOESZ 1911 Nem releváns Buxus balearica Lam. baleári puszpáng MEUSEL 1978 Castanea sativa Mill.24 szelídgesztenye EUFORGEN 2009 Nem releváns Cephalaria transsylvanica (L.) Roem. & Schult.

mezei fejvirág MOESZ 1911 Nem releváns

Clematis integrifolia L. réti iszalag MOESZ 1911 Nem releváns Cotinus coggygria Scop. cserszömörce MEUSEL 1978 Nem releváns Cruciata pedemontana (Bellardi) Ehrend.

apró galaj MOESZ 1911 Nem releváns

Eryngium planum L. kék iringó MOESZ 1911 Nem releváns Euonymus latifolius (L.) Mill. déli kecskerágó MEUSEL 1978 Kaukázus Euphorbia seguieriana Neck. pusztai kutyatej MOESZ 1911 Nem releváns Fagus orientalis Lipsky keleti bükk EUFORGEN 2009 Kelet-Törökország,

Kaukázus Fraxinus ornus L. virágos kőris HERBARIA 2006 Nem releváns Galega officinalis L. orvosi

kecskeruta MOESZ 1911 Nem releváns

Juniperus oxycedrus L. vörös tűboróka TUTIN 1964 Ázsia, Kelet-Európa, Északnyugat-Afrika (GRIN 2012)

Juniperus thurifera L. spanyol boróka TUTIN 1964 Marokkó, Algéria, Olaszország (GRIN 2012)

Laurus nobilis L. közönséges babér

MEUSEL 1965 Kelet-Törökország, Grúzia

Liquidambar orientalis Mill. keleti ámbrafa EUFORGEN 2009 Phillyrea angustifolia L. keskenylevelű

olajfagyal MEUSEL 1978 Nyugat-Atlasz

19 IPNI 2005 szerint. 20 PRISZTER 1998 szerint. 21 A modellterületet lásd itt: 10. ábra. 22 A „Modellterületen kívül eső elterjedés” oszlopában forrás feltüntetése nélkül megjelölt földrajzi egységek vagy országok mindenkor a „Forrás” oszlop szerintiek. 23 A „nem releváns” jelentése a táblázatban következetesen: nem releváns, mivel az adott faj elterjedési területének szándékosan csak egy részét vontam be a kutatásba, mely rész minden esetben a modellterületre esett. 24 Termesztési területet is beleértve.


28

Phillyrea latifolia L. széleslevelű olajfagyal

MEUSEL 1978 Nyugat-Atlasz

Phlomis tuberosa L. gumós macskahere

MOESZ 1911 Nem releváns

Pinus brutia Ten. keleti aleppófenyő

EUFORGEN 2009

Pinus halepensis Mill. aleppófenyő EUFORGEN 2009 Pinus nigra J. F. Arnold feketefenyő EUFORGEN 2009 Pinus peuce Griseb. makedón

selyemfenyő TUTIN 1964

Pinus pinaster Aiton parti fenyő EUFORGEN 2009 Pinus pinea L. európai

mandulafenyő EUFORGEN 2009

Quercus canariensis Willd. Kanári-tölgy TUTIN 1964 Tunézia, Algéria, Marokkó (GRIN 2012)

Quercus cerris L. csertölgy MEUSEL 1965 Nem releváns Quercus coccifera L. karmazsintölgy MEUSEL 1965 Jordánia, Szíria,

Északkelet-Törökország Quercus faginea Lam. ibériai tölgy TUTIN 1964 Algéria, Marokkó,

Mauritánia (GRIN 2012) Quercus ilex L. magyaltölgy MEUSEL 1965 Nyugat-Atlasz Quercus rotundifolia Lam. kereklevelű

tölgy TUTIN 1964 Franciaország, Marokkó,

Algéria, Tunézia (GRIN 2012)

Quercus suber L. paratölgy EUFORGEN 2009 Quercus trojana Webb trójai tölgy TUTIN 1964 Rhamnus fallax Boiss. hegyi benge MEUSEL 1978 Salvia aethiopis L. magyar zsálya MOESZ 1911 Nem releváns Sideritis montana L. parlagi

sármányvirág MOESZ 1911 Nem releváns

Tilia tomentosa Moench ezüst hárs MEUSEL 1978 Ulex europaeus L. európai sünzanót MEUSEL 1965 Atlanti-óceáni szigetek Vitis sylvestris C. C. Gmel. ligeti szőlő MEUSEL 1978 Nem releváns Vitis vinifera L.25 bortermő szőlő MOESZ 1911 Nem releváns Xeranthemum annuum L. ékes vasvirág MEUSEL 1992 Nem releváns

5. táblázat A kutatásba vont fajok tudományos és magyar neve, a felhasznált areatérkép forrása és a modellterületen kívül eső elterjedési egységek

Azokat az elterjedési területeket, melyeket az EUFORGEN digitális areaadatbázis

nem tartalmazott, nyomtatott forrásból volt szükséges digitalizálnom. Ezek közül

MOESZ 1911 térképe a legpontosabb, melyet HERBARIA 2006, MEUSEL 1965,

MEUSEL 1978; MEUSEL 1992 követ a sorban. TUTIN 1964 térképei kimondottan

nagy hibával digitalizálhatóak csak. Értelemszerűen a legnagyobb pontosságot a

digitális elterjedési térképek adják, melyekkel a nyomtatottból digitalizáltak közül

egyedül MOESZ 1911 térképe képes felvenni a versenyt. A nagyobb pontosságú

kiindulási térképeken végzett modellezéstől várhatjuk a legmegbízhatóbb eredményt és

25 Termesztési területet.


29

a legkönnyebben értelmezhető végső térképlapokat. Az eredmények a várakozásaimnak

részben megfelelően alakultak, melyet bővebben a 5.3.1. fejezetben részletezek. Az

elmondottakat faji bontásban összegeztem a 6. táblázatban.

Feltüntettem továbbá, hogy az adott areát a kutatásban milyen célból használtam:

− önálló modellezés: a faj telepíthetőségi területének jövőbeli meghatározása

volt a cél;

− ellenőrzés: a telepíthetőségi területek modellezésének kiegészítése olyan

fajokkal, melyek hazánkban már ma is (referencia-időszakban is)

megtalálják a számukra kedvező klimatikus körülményeket;

− Moesz eredeti: a Moesz-vonal kijelöléséhez szükséges 12+1 faj elterjedési

területének modellezése a Moesz-vonal jövőben várható vonalának

kirajzolásához;

− Moesz kapcsolt: az előző törzsfajokon túl, a Moesz-vonalhoz utólag

kapcsolt fajok elterjedési területének modellezése abból a célból, hogy a

Moesz-vonal jövőben várható vonalának kirajzolását nagyobb

pontossággal végezhessem.

A táblázat tartalmazza továbbá, hogy az adott faj elterjedése26

− folytonos, vagy

− folytonos és pontszerű elemekre bontható, melyből a modellezés során

csak a diszkrét adatokat használtam fel (diszkrét elhagyva), vagy

− pontszerű, melyet folytonossá alakítottam27 (folytonossá téve), vagy

− diszkrét. Tudományos név Digitali-

zálás szükséges

Felhasználás Folytonos/Diszkrét Pontosság

Abies borisii-regis Mattf. Igen Önálló modellezés Folytonos Pontos Abies bornmuelleriana Mattf. Igen Önálló modellezés Folytonos Pontos Abies cilicica (Antoine & Kotschy) Carriere

Igen Önálló modellezés Diszkrét elhagyva Pontos

Abies marocana Trab. Igen Önálló modellezés Folytonos Pontos Abies numidica de Lannoy ex Carriere

Igen Önálló modellezés Folytonos Pontos

Acer heldreichii Orph. ex Boiss. Igen Önálló modellezés Diszkrét elhagyva Pontos Acer sempervirens L. Igen Önálló modellezés Folytonos Pontos

26 Értsd: a felhasznált elterjedési területen feltüntetett elterjedés. Például TUTIN 1964 térképein az elterjedés pontszerűen jelölt, de olyan gyenge horizontális felbontással, hogy annak folytonossá tétele kézenfekvőnek tűnik. 27 Amennyiben a felhasznált klímamodell horizontális felbontása nem indokolta az elterjedés pontszerűségének megtartását.


30

Aira elegantissima Schur Igen Moesz eredeti Folytonos Nagyon pontos

Acer monspessulanum L. Igen Önálló modellezés Diszkrét elhagyva Pontos Althaea officinalis L. Igen Moesz eredeti Folytonos Nagyon

pontos Buxus balearica Lam. Igen Önálló modellezés Folytonossá téve Pontatlan Castanea sativa Mill. Nem Moesz kapcsolt Diszkrét elhagyva Nagyon

pontos Cephalaria transsylvanica (L.) Roem. & Schult.

Igen Moesz eredeti Folytonos Nagyon pontos

Clematis integrifolia L. Igen Moesz eredeti Folytonos Nagyon pontos

Cotinus coggygria Scop. Igen Moesz kapcsolt Diszkrét elhagyva Pontatlan Cruciata pedemontana (Bellardi) Ehrend.

Igen Moesz eredeti Folytonos Nagyon pontos

Eryngium planum L. Igen Moesz eredeti Folytonos Nagyon pontos

Euonymus latifolius (L.) Mill. Igen Önálló modellezés Diszkrét elhagyva Pontos Euphorbia seguieriana Neck. Igen Moesz eredeti Folytonos Nagyon

pontos Fagus orientalis Lipsky Nem Önálló modellezés Diszkrét elhagyva Nagyon

pontos Fraxinus ornus L. Igen Moesz kapcsolt Folytonos Pontos Galega officinalis L. Igen Moesz eredeti Folytonos Nagyon

pontos Juniperus oxycedrus L. Igen Önálló modellezés Folytonossá téve Pontatlan Juniperus thurifera L. Igen Önálló modellezés Folytonossá téve Pontatlan Laurus nobilis L. Igen Önálló modellezés Folytonos és

folytonossá téve Pontos

Liquidambar orientalis Mill. Nem Önálló modellezés Diszkrét Nagyon pontos

Phillyrea angustifolia L. Igen Önálló modellezés Diszkrét elhagyva Pontos Phillyrea latifolia L. Igen Önálló modellezés Diszkrét elhagyva Pontos Phlomis tuberosa L. Igen Moesz eredeti Folytonos Nagyon

pontos Pinus brutia Ten. Nem Önálló modellezés Diszkrét elhagyva Nagyon

pontos Pinus halepensis Mill. Nem Önálló modellezés Diszkrét elhagyva Nagyon

pontos Pinus nigra J. F. Arnold Nem Ellenőrzés Diszkrét elhagyva Nagyon

pontos Pinus peuce Griseb. Igen Önálló modellezés Folytonossá téve Pontatlan Pinus pinaster Aiton Nem Önálló modellezés Diszkrét elhagyva Nagyon

pontos Pinus pinea L. Nem Önálló modellezés Diszkrét elhagyva Nagyon

pontos Quercus canariensis Willd. Igen Önálló modellezés Folytonossá téve Pontatlan Quercus cerris L. Igen Moesz kapcsolt Diszkrét elhagyva Pontos Quercus coccifera L. Igen Önálló modellezés Diszkrét elhagyva Pontos Quercus faginea Lam. Igen Önálló modellezés Folytonossá téve Pontatlan Quercus ilex L. Igen Önálló modellezés Diszkrét elhagyva Pontos Quercus rotundifolia Lam. Igen Önálló modellezés Folytonossá téve Pontatlan Quercus suber L. Nem Önálló modellezés Diszkrét elhagyva Nagyon

pontos

QuRhSa

Sid

TiUl

ViVi

Xe

6. cé

ad

a

m

uercus trojanahamnus fallaxalvia aethiopis

deritis montan

ilia tomentosalex europaeus

itis sylvestris Citis vinifera L.

eranthemum a

táblázat A kélja, módja, je

Elvárha

datok adják

legkevésbé

melyeket foly

12. áfolyto

11. áb(EUF

a Webb x Boiss. s L.

na L.

a Moench s L.

C. C. Gmel. .

annuum L.

kutatásba vonellemzője (dig

ató, hogy l

(kutatásom

é megbízhat

ytonossá tet

bra A Junipeonossá szüks

bra A LiquidFORGEN 200

–

Igen Igen Igen

Igen

Igen Igen

Igen Igen

Igen

nt fajok tudomgitalizálás, ku

legpontosab

mban egy faj

tó eredmény

ttem.

erus oxycedruéges tenni (T

dambar orient09)

– Kutatási mó

ÖnállóÖnállóMoesz

Moesz

EllenőÖnálló

MoeszMoesz

Moesz

mányos neve utatási fázis,

bb eredmén

aj bírt ilyen

yt pedig azo

us elterjedési TUTIN 1964)

talis pontszer

ódszer –

ó modellezésó modellezész eredeti

z eredeti

rzés ó modellezés

z kapcsolt z eredeti

z eredeti

és az areák kelterjedés fol

nyt a jó ho

areatérképp

ok a rossz f

területe rossz

ű, jó felbontá

FolytonossáDiszkrét elhFolytonos

Folytonos

Diszkrét elhDiszkrét e(szubspontáelterjedés) Diszkrét elhFolytonos

Folytonos

kutatásban valytonossága é

orizontális

pel, a Liqui

felbontású p

z felbontássa

ású elterjedés

á téve Pohagyva Po

NapoNapo

hagyva Poelhagyva án

Po

hagyva PoNapoNapo

aló felhasznáés pontossága

felbontású

idambar ori

pontszerű t

al, melyet

si területe

31

ontatlan ontos agyon ontos agyon ontos ontos ontos

ontos agyon ontos agyon ontos lásának

a)

diszkrét

ientalis),

érképek,


32

4.3 A telepíthetőségi területek modellezésének módszere

4.3.1 A modellezés elvi megközelítése

Kutatásom második része, a Moesz-vonal modellezése is visszavezethető

telepíthetőségi területek modellezésére28. Ebben a fejezetben összegzem ennek elvi

módszerét, majd részletesen bemutatom a modellezés egyes részlépéseit, biztosítva,

hogy megfelelő kiindulási adatok segítségével hasonló szoftverkörnyezetben a kutatás

megismételhető legyen.

A modellezést ESRI ArcGIS 9.3 térinformatikai programcsomag ArcMap

programjával végeztem. Felhasználtam az Editor, Layout és Georeferencing modulokat,

a szűken értelmezett modellezést pedig a Spatial Analyst nevű területi elemző

bővítmény segítségével hajtottam végre. További felhasznált alkalmazások voltak az

ESRI ArcGIS 9.3 térinformatikai programcsomag ArcCatalog programja, a Microsoft

Office 2007 programcsomag Excel programja, valamint a NotePad++ 5.8 és az Adobe

Photoshop CS4 programok.

A telepíthetőségi területek modellezésnek két kiindulási adata a:

− növények elterjedési területe és a

− meglévő klímamodell adatsora a referencia-időszakra, valamint a jövőbeli

periódusra.

A modellezés három lényegi szakaszra bontható:

− növény éghajlati igényeinek szűrése,

− validálás (modellezés a referencia-időszakra) és

− modellezés (modellezés a jövőbeli időszakra).

Az elterjedési terület és a referencia-időszak klímaadatsora alapján szűrhetőek

éghajlati paraméterenként azok a szélsőértékek, melyek közötti tartományt a növény

elviseli. Közvetve tehát az elterjedés és a referencia-időszak adatsora alapján a növény

éghajlati igényeiről kaphatunk képet. Arról, hogy a klímaparaméterek szélsőértékei

alapján miképpen közelíthető egy növény éghajlati igénye, a 4.4. fejezetben szólok. A

modellezés e szakaszának eredménye minden fajra egy nulladrendű29 logikai formula,

vagyis a növény igénye képletszerűen leírásra kerül. Ez a matematikai megközelítés 28 Kivéve az izotermamodellezés, melyet a 4.5.4. fejezetben részletezek. 29 Ebben a lépésben, ahol a paraméterek szélsőértékei ismertek, nulladrendű. Ha az egész modellezést szemléljük, akkor természetesen a minimumok és maximumok kilistázása miatt elsőrendű.


33

feltétlenül szükséges ahhoz, hogy a telepíthetőségi terület a modellezés következő

szakaszaiban számítógéppel kirajzolható legyen.

A növény éghajlati igényeinek ismeretében kiszűrhetjük azokat a területeket,

amelyek a referencia-időszak adatsora szerint a növény számára megfelelő klimatikus

körülményeket biztosítanak. Ezen területek összessége a növény potenciális elterjedési

területe, még pontosabban pedig a referencia-időszak szerinti telepíthetőségi területe.

Fontos hangsúlyozni, hogy kutatásom során pusztán éghajlati adatokat használtam fel,

ezért sem az edafikus sem a mikroklimatikus tényezők befolyása nem jelenik meg az

eredményekben. Természetesen a használt modellezési módszer teret enged talajtani

térképek és DTM30 alkalmazásának, így szabadon kiegészíthető, pontosítható a nyers

makroklimatikus adatsor.

A telepíthetőségi terület referencia-időszakra történő modellezésének látszólag

semmilyen haszna nincsen, szabadon elhagyható, az eredményeket nem befolyásolja.

Ugyanakkor módszertani szempontból elengedhetetlennek tartottam a modellezés e

középső szakaszát, mert ezáltal nyílik mód validálni/érvényesíteni az eredményeket. A

múltbeli telepíthetőségi terület és az elterjedési terület egymással való összevetése ad

támpontot a jövőbeli telepíthetőségi területek mint modelleredmények pontosságának

felmérésére. Ha a múltbeli telepíthetőségi terület kiterjedése jóval meghaladja az

elterjedési területét, akkor, függetlenül az elterjedés tagadhatatlan antropogén, edafikus

és kompetíciós befolyásoltságától, a modelleredmények nem tekinthetőek

megbízhatónak. Vagyis a jó modelleredmények biztosítéka, ha a múltbeli

telepíthetőségi terület közelíti az elterjedési területet31.

A növény éghajlati igényeinek ismeretében nem csupán a referencia-időszakban

kereshetünk a növény életfeltételeinek megfelelő területeket, hanem a jövőbeli

időszakokban is. E harmadik szakasz a szűken értelmezett modellezés. Ekkor rajzolom

ki a jövőbeli telepíthetőségi területet, vagyis az – éghajlati szempontból – potenciális

elterjedési területet.

A modellezés három szakasza egymásra épül. A növények éghajlati igényeinek

szűrése önmagában is tudományos eredmény, habár némileg önkényes és céltalan. A

validálás megtámasztja, biztosítja a szűrt éghajlati igényeket. A harmadik szakasz, a

jövőbeli időszakokra végzett modellezés e validált éghajlati igényekre épül, és az előző

30 Digitális terepmodell. 31 Ebből a szempontból kutatási eredményeim többségének megbízhatósága megkérdőjelezhető, melyről a 5.3.1. fejezetben még bővebben szólok.


34

kettő szakasszal ellentétben látványos, újszerű és mindenképpen tudományosan is

előremutató, inspiráló eredményeket ad. Éppen ezért célom volt minden esetben e

három lépés következetes teljesítése, még olyan fajok esetében is, ahol a validálás

egyértelműen gyenge eredményt adott.

4.3.2 Klímaadatsor és elterjedési területek betöltése

A következőkben részletesen ismertetem a modellezés előkészítő szakaszát. A

REMO klímaadatsorát, mely éghajlati paraméterenként és hónaponként külön

szövegfájlban volt eredetileg, NotePad++ program segítségével összefűztem és olyan

formátumúvá alakítottam, hogy az az ArcMap programba betölthető legyen. A

koordinátákkal együtt ezek után az országhatáros alaptérkép fölé betöltöttem az

adatsort, mely így egy Európát lefedő rácshálóként jelent meg. A REMO területi

lefedését csökkentettem azokkal a területekkel, melyek megtartása a modellezésemhez

szükségtelen lett volna, oly módon, hogy az alaptérképem fölött négyzet formában

maradt meg a rácsháló. A meghagyott 25 724 rácspont (grid) mindegyikéhez tartozott a

koordinátákon túl 3×3×12 klímaparaméter, mert minden rácspont tartalmazta a

referencia-időszak és a két jövőbeli időszak

− átlagos havi középhőmérsékletét (továbbiakban Tmean; mértékegysége K),

− átlagos havi minimum-hőmérsékletét (továbbiakban Tmin; mértékegysége

K) és

− átlagos napi csapadékösszegét (továbbiakban P; mértékegysége mm/nap);

mindhárom paramétert havi bontásban.

Összességében tehát a felhasznált klímamodell egy 25 724×108 cellás táblázat,

mely koordinátaadatok alapján térképen megjeleníthető. A periódusonként 12 darab

havi csapadékértékekből képeztem a vegetációs időszak (április-szeptember)

csapadékösszegét (továbbiakban Pveg) és az éves teljes csapadékösszeget (továbbiakban

Possz), ezáltal további 3×2 oszloppal bővítettem a táblázatot (13. ábra).

Miután betöltöttem, véglegesítettem a klímaadatsort, a számomra fontos éghajlati

paramétereket (Tmean, Tmin, Pveg, Possz) interpoláltam. A 3×26 paraméter interpolálása

baricentrikusan (a távolság inverzével súlyozva) történt, a gridhálóból raszterfájlt

képeztem 0,11-es cellamérettel, 12 pontos keresési területtel az ArcMap Spatial Analyst

kiegészítésének Interpolate to Raster/Inverse Distance Weighted eljárásával (14. ábra).


35

Ezek után következett a növények elterjedési területének betöltése az adatsor

mellé. A digitális areatérképek megnyitása a szoftverkörnyezet elemi műveletei közé

tartozik, ugyanakkor a nyomtatott formájú elterjedések (a rendelkezésemre álló

areatérképek több mint 80%-a) betöltése hosszadalmasabb folyamatot jelentett. Ez

utóbbiak fényképezett/képolvasott (szkennelt) digitális változatát mint képfájlt

nyitottam meg az ArcMap programmal, majd georeferáltam az 15-25 georeferáló pont

segítségével a földrész- és országhatárokhoz, valamint a Moesz-vonalhoz kapcsolódó

növények areája esetében vízrajzhoz. A felhasznált transzformáció minden esetben

Spline volt, mert az alaptérképem és az elterjedési térképek eltérő vetületi rendszere

miatt affin, másod- és harmadrendű transzformációk sem adtak volna kielégítő

eredményt (15. ábra). Nem volt célom a képek egészének helyes referálása, mindenkor

csak az area környezetét illesztettem az alaptérképhez.

A georeferált térképek síkbafejtése a Rectify eljárással történt Neerest Neighbor

(legközelebbi szomszéd) adatvételezési móddal (16. ábra). Az síkbafejtés eredménye

13. ábra A klímamodell adatsorának bővítése új oszloppal (az ábrán a 2041-2070-es időszak évi átlagos csapadékösszegével) meglévő oszlopok adatai alapján

14. ábra A klímamodell pontszerű adathalmazából a távolságinverzével súlyozott interpolálással képeztem a raszterfájlt. Az ábrán a referenciaidőszak januári középhőmérsékletének interpolálása látható.

15. ábra Areatérkép georeferálása országhatáros Európa-térkép segítségével

16. ábra A georeferált térképlap transzformálása képfájllá


36

19. ábra Digitalizált elterjedési terület vágása a kontinenshatárok alapján

Imagine Image vagy JPEG formátumú kép lett, melyek alapján megkezdődhetett az

elterjedési területek digitalizálása, kontúrfájlok létrehozása minden növényfajhoz.

A kontúrfájlokat32 szerkesztésre megnyitottam, majd az Editor modul Sketch Tool

eszközével az elterjedésnek megfelelő sokszögeket képeztem. Ugyanezen módon jártam

el a rossz horizontális felbontású pontszerű elterjedést ábrázoló areatérképek esetén (18.

ábra), nem csak a folytonos elterjedést ábrázolóknál (17. ábra). A megrajzolt

sokszögeknek levágtam azt a részét, mely nem a szárazföldre esik (19. ábra), majd

pedig mentettem a kontúrfájt. A Moesz-vonalhoz kapcsolódó növények esetében az

előzőekkel ellentétben nem a teljes elterjedési területet digitalizáltam, és vágni sem volt

szükséges a kontúrfájlt (ennek indokát és részleteit lásd a 4.5.1. fejezetben).

A modellezés e szakasza után a betöltött klímaadatsor mellett minden fajhoz

digitális elterjedési terület is rendelkezésemre állt, így megkezdhettem a növények

éghajlati igényeinek szűrését.

32 A továbbiakban az ESRI által definiált shapefile-ra használom ezt a kifejezést, melynek egyéb magyar megfelelőjét nem sikerült fellelnem. A kontúrfájl a térinformatikai adatok alapvető vektoros fájltípusa. Kutatásom során mindannyiszor sokszöget tartalmazó kontúrfájlokat hoztam létre, és néhány kivételtől eltekintve (izotermamodellezés és Liquidambar orientalis) csak olyanokat használtam fel.

17. ábra Georeferált folytonos elterjedés digitalizálásának folyamata

18. ábra Georeferált diszkrét elterjedés folytonossá tétele a digitalizálás során

20. ábra Területi statisztika lekérdezése (Abies borisii-regis, referenciaidőszak, évi csapadékösszeg)


37

4.3.3 Növények igényeinek szűrése az elterjedési terület alapján

Mint a telepíthetőségi területek modellezésének elvi összegzését adó 4.3.1.

fejezetben kifejtettem, a modellezés első szakasza az elterjedési területek és a

referencia-időszak adatsora alapján az egyes növények éghajlati igényeinek szűrése.

Ehhez a kérdéses klímaparaméterekre (Tmean, Tmin, Pveg, Possz) vonatkozóan területi

statisztikát végeztem a Spatial Analyst bővítmény Zonal Statistics eljárásával.

Kutatásom során a fajokat rögzítettem és végigiteráltam33 a 26 paraméteren (20. ábra).

A területi statisztika eredményeiből (21. ábra) további felhasználásra csak a két

szélsőérték került, illetve a Moesz-vonal modellezése esetében a hőmérsékleti

paramétereknek csak a minimumértéke. A szélsőértékeket átmásoltam egy erre a célra

előre kialakított táblázatba (22. ábra).

A táblázatot Excel programmal kezeltem. A táblázatban összegyűjtött, fajonként

és éghajlati paraméterenként jól kezelhető adathalmazból sztringkezelő függvények

segítségével alakítottam ki olyan képleteket, melyek a következő kutatási lépésben

felhasználhatóak (megfelelő formátumúak) és a növények éghajlati igényeit körülírják.

A paraméterek kiválasztásáról a 4.4. fejezetben még részletesen szólok. A képleteket

modellezési időszakonként (3), növényenként (51+1) és eltérő paraméterválasztási

módonként (6) számítottam. Például a Querus suber faj éghajlati igénye a 2011-2040-es

periódusra eképpen írható el, ha a hőmérsékleti értékek minimumát és maximumát is

figyelembe vesszük, valamint az évi csapadékösszeg szélsőségeivel is kalkulálunk: [r11t01] >= 275,685 & [r11t02] >= 276,454 & [r11t03] >= 277,732 & [r11t04] >= 279,511 & [r11t05] >= 282,461 & [r11t06] >= 287,044 & [r11t07] >= 289,258 & [r11t08] >= 289,231 & [r11t09] >= 286,91 &

33 Annak ellenére, hogy az adatok kigyűjtését manuálisan végeztem, az iterál szót szándékosan alkalmazom, utalva rá, hogy ez a munkafázis kimondottan alkalmas arra, hogy egyszerű ciklusként automatizáltan valósuljon meg.

21. ábra A területi statisztika eredménye 22. ábra A területi statisztika eredményének átvezetése az összesítő táblázatba


38

[r11t10] >= 282,447 & [r11t11] >= 278,322 & [r11t12] >= 277,019 & [r11m01] >= 273,735 & [r11m02] >= 274,083 & [r11m03] >= 274,934 & [r11m04] >= 276,08 & [r11m05] >= 278,172 & [r11m06] >= 281,563 & [r11m07] >= 283,554 & [r11m08] >= 283,856 & [r11m09] >= 282,334 & [r11m10] >= 279,208 & [r11m11] >= 279,208 & [r11m12] >= 275,021 & [r11t01] <= 287,054 & [r11t02] <= 286,868 & [r11t03] <= 287,827 & [r11t04] <= 289,708 & [r11t05] <= 292,968 & [r11t06] <= 299,205 & [r11t07] <= 302,749 & [r11t08] <= 303,256 & [r11t09] <= 300,393 & [r11t10] <= 294,564 & [r11t11] <= 290,206 & [r11t12] <= 288,238 & [r11m01] <= 285,945 & [r11m02] <= 285,581 & [r11m03] <= 286,014 & [r11m04] <= 286,935 & [r11m05] <= 289,239 & [r11m06] <= 292,793 & [r11m07] <= 296,176 & [r11m08] <= 297,081 & [r11m09] <= 295,337 & [r11m10] <= 292,038 & [r11m11] <= 292,038 & [r11m12] <= 287,085 & ([r11_osszP]) >= 6,84287 & ([r11_osszP]) <= 162,11

4.3.4 Telepíthetőségi terület modellezés a növények igénye alapján

A növény éghajlati igényeit matematikai módon megfogalmazó képletek alapján a

modellezés második és harmadik szakaszában kirajzoltam azokat a területeket,

amelyeken a növény megfelelő körülményeket talál a

− referencia-időszakban (validálás) vagy a

− jövőbeli időszakokban (modellezés).

Időszaktól függetlenül a felhasznált eszközök és a kutatási lépések megegyeznek,

a különbség csak abban nyilvánul meg, hogy az előző fejezet végén bemutatott képletek

közül melyiket használom fel. A továbbiakban részletezem a telepíthetőségi terület

modellezésének soron következő lépését.

Az Excel programmal összeállított képletekben matematikai módon

megfogalmazott feltételeknek megfelelő területek kirajzolásához az ArcMap Spatial

Analyst bővítményének Raster Calculator eljárását alkalmaztam (24. ábra).

23. ábra A klímaparamétereket összefűző segédszámítások és a végső képletek az összesítő táblázatban

24. ábra A raszterszámító eljárás futtatása az összesítő táblázat által generált képlet alapján


39

A raszterszámító eljárás eredménye egy olyan raszterfájl (25. ábra), mely

tartalmazza a képletnek megfelelő területeket és a képletet kielégíteni nem képes

területeket. Ezek közül kiválasztottam az előbbieket, és a kiválasztás alapján kontúrfájlt

hoztam létre a Spatial Analyst bővítmény Convert/Raster to Features eljárása

segítségével (26. ábra).

Ezt követően a létrehozott kontúrfájlt megnyitottam szerkesztésre az Editor

modullal, majd – mint a georeferálás után a digitalizált kontúrfájl esetében is – a

szárazföldről kinyúló területeket levágtam, és mentettem a változásokat. A vágás

műveletét a Moesz-vonalhoz kapcsolódó modellezés esetében elhagytam, mert csak egy

szűk (Szlovákia és Lengyelország területére eső) szegmense érdekelt a kirajzolt

potenciális elterjedési területeknek.

A modellezési módszer 4.3.3. és 4.3.4. fejezetben ismertetett részlépéseinek

többségét HORVÁTH (2010) szóbeli közlése nyomán végeztem.

25. ábra A raszterszámítás eredménye. A képletnek megfelelő területet a zöld terület jelöli, míg a vörös a képletet nem elégíti ki

26. ábra A raszterszámítás eredményéből a képletnek megfelelő terület kimentése kontúrfájlként

27. ábra A kontúrfájl szárazföldön kívül eső részeinek levágása


40

4.3.5 Rétegek kezelése és térképlapok létrehozása

Az eredeti elterjedési terület és a modellezett telepíthetőségi területek a

későbbiekben az ArcMap programon belül egy-egy réteget képeztek. Ezeket

növényenként csoportosítottam, és a csoporton belül a következő sorrendbe szerveztem

a rétegeket: legfelül az elterjedési terület, alatta a referencia-időszak telepíthetőségi

területe, majd a 2011-2040-es időszak telepíthetőségi területe, majd legalulra a 2041-

2070-es periódus telepíthetőségi területe került. Evvel a sorrenddel azt értem el, hogy a

kész térképlapokon a telepíthetőségi területek északi határának északra mozdulása

rajzolódik ki. Amennyiben a modellezés célja nem az északi határ vizsgálata lett volna

(mint az a Moesz-vonal esetében egyértelmű cél, az önálló modellezések esetén csak a

megjelenítésben nyilvánul meg), akkor a rétegek megfelelő átszervezésével

megjeleníthetővé vált volna a telepíthetőségi területek déli határának észak felé

mozdulása is.

A modellezés végső lépéseként az eredményeket egységes elrendezésbe

szerveztem az ArcMap Layout moduljával, és növényenként mentettem az elrendezést

északjellel és méretrúddal kiegészítve. A Moesz-vonalhoz kapcsolódó kutatás

eredményeit ezen túl még Photoshop programmal is megjelenítettem részben az eltérő

lépték kezelése, részben pedig a több növényre vonatkozó modelleredmények

összefűzése céljából.

4.4 Az éghajlati igények szűrése

4.4.1 Éghajlati igények és az elterjedési területen előforduló klimatikus értékek

A modellezési folyamat egyik fontos lépése az, hogy az elterjedési területen

előforduló klimatikus értékek alapján körülírjuk, és matematikai képletben

megfogalmazzuk az adott növény éghajlati igényeit. Erre számos módszer elképzelhető,

ám egyik sem tökéletes, mindegyiknek ismert hátránya is, nem csak előnye.

Általánosságban elmondható, hogy, mint azt az előzetes modelleredményeim is


41

mutatták (BEDE-FAZEKAS 2011c), a növény igényeit jól közelítő módszerek rossz34

modellezési eredményt adnak.

Az elterjedési terület alapján a klímaadatsor egyes paraméterei külön-külön

szűrhetőek, illetve azok kombinációja (mint jelen modellezésben a Possz és Pveg értéke) is

lekérhető. Egy adott paraméter szélsőértékein túl az átlag, a terjedelem és egyéb

statisztikai adatok is kilistázhatóak, mint például a szórás. Így lehetőség van

percentilisek lekérdezésére, a folytonos tartomány diszkretizálására, sávosítására, vagy

egyszerűen a szélsőértékekhez közeli adatok elhagyására. Kutatásomban nem vettem

igénybe statisztikai módszerek alkalmazását, mert nem a nagy megbízhatóságú

modelleredmények létrehozása volt a célom, hanem inkább több fajra elvégezni a

modellezést, és a modellezési módszert értékelni. Ezért az önálló modellezés esetén a

klímaparaméterek minimumát és maximumát, a Moesz-vonal modellezése esetén pedig

a csapadék minimumát és maximumát, a hőmérsékleti értékeknek pedig csak a

minimumát gyűjtöttem ki.

A kilistázott adatok alapján, a 4.3.3. fejezetben ismertetett módon felépítettem a

növény igényeit leíró nulladrendű logikai formulát, mely lényegileg azt jelenti, hogy

kiválasztottam, a modellezés során mely paramétereket kívánom figyelembe venni, és

melyeket nem. Véges paraméter megszámolhatóan végtelen lineáris (vagy magasabb

fokú) kombinációja közül csak néhányat vizsgáltam értelemszerűen. A

paraméterválasztás teljesen szubjektív módszer, mely egyértelmű gyengeségeként írható

fel. Léteznek azonban módszerek, melyek a szubjektív paraméterválasztás problémáját

megoldják, ezekről az 5.1.3. és 5.1.4. fejezetben szólok.

A felhasznált klímaadatsorokban a mértékegységek egymástól és a

megszokottaktól is némileg eltérnek. Mivel kutatásom során nem helyeztem hangsúlyt

pontos számszerű értékek meghatározására, melyhez egy adott klimatikus paraméter

dimenziója nélkülözhetetlen, hanem a térképes megjelenítés volt célom, így a

mértékegységek alapján szükségesnek látszó konverziókat nem végeztem el. A

paraméterek összegének és szorzatának képzéséhez ez nem is volt feltétlenül szükséges.

Például a mm/nap dimenzióban rendelkezésre álló havi csapadékösszegeket összeadva

képeztem az évi csapadékösszegeket, holott számszerűen annak csak 1/30-részét

34 Rossz alatt nem feltétlenül azt értem, hogy a jövőbeli valóságtól túlságosan eltérő, hiszen ez nem megbecsülhető. A következőkben a rossz modellezési eredményt úgy használom, mint a várható (az elterjedési területtel területileg összemérhető, de annál nagyobb, viszont az európai kontinens egészét nem közelítő) telepíthetőségi területtől lényegesen eltérő modelleredményt. Így a túl nagy és a túl kicsi területtel bíró modellezett telepíthetőségi területek is rossznak tekintendők.


42

kaptam. Az efféle ellentmondások a modellezés során nem kerülnek felszínre, hiszen a

szélsőértékek közötti tartomány térképi vetülete ugyanaz, ha a paramétert konstanssal

szorozzuk, mint ha ezt nem tesszük meg. Ezért a továbbiakban következetesen

alkalmazom az „évi csapadékösszeg”, „vegetációs időszak csapadékösszege”, „Pálfai-

index”, „Ellenberg-index” kifejezéseket akkor is, ha az értékek és dimenziók tudott

módon nem felelnek meg az adott kifejezéshez tartozó dimenziókkal, és így a valós

értékekkel sem.

4.4.2 Ariditási indexek

A kutatásba vont taxonok jelentős része a fiatalkori fagyérzékenység ellenére is

ideális választás a hazai klímán, mert jelentős szárazságtűréssel büszkélkedhet. Ennek

mentén érdemes megvizsgálni az aszályossági vagy ariditási indexek

alkalmazhatóságát. Ilyenek a standardizált csapadékindex (SPI), a Palmer-féle aszály

szigorúsági index (PDSI; PALMER 1965), az erdészeti aszályossági index, (FAI,

FÜHRER 1992, FÜHRER 2000), a bükk index (BERKI 2009), az ATI-VIZIG által

kidolgozott aszályindex (PaDI), a Pálfai-index (PAI) és Ellenberg-index. Előzetes

kutatásom során ezek közül az utóbbi kettőt alkalmaztam.

A Pálfai-index, mely a Palmer-féle indexhez hasonlóan (MIKA 2005) közvetett

módon a talajnedvesség indexe (BUSSAY 1999), csak kevés éghajlati paramétert vesz

figyelembe az október-augusztus időszakban (PÁLFAI 1991). Ez az index könnyű

számíthatóságát biztosítja, mely a térinformatikai szoftver alkalmazása mellett nem

akkora előny, mint a kézi számításnál. Ugyanakkor a kiválasztott paraméterek, a havi

csapadékösszeg és a havi középhőmérséklet, a kutatásomhoz használt klímaadatsor

részét képezték, így a Pálfai-indexet a modellezés során alkalmazni tudtam. A növények

igényét a Pálfai-index-szel leíró matematikai formula a következő (SULINET 2012

nyomán, a 4.4.1. fejezetben írtaknak megfelelő megkötésekkel):

∑

5

∑5

∑

5

∑5

1

ahol

0.1 0.4 0.5 0.8

1.2 1.6 0.9


43

és

0.1 0.4 0.5 0.8

1.2 1.6 0.9

a súlyozott csapadékösszegek, i a hónapokon végigiteráló változó, f a jövőbeli

(modellezett), r pedig a referencia-időszakbeli értéket jelöli, <X> X átlaga, I(λ) az

indikátorfüggvény, melynek értéke 1, ha λ igaz, egyébként 0.

Az Ellenberg-index, melyet ELLENBERG (1988) alakított ki, elsősorban a bükk

(Fagus sylvatica) elterjedéséhez köthető, és a kontinentalitás jellemzésére alkalmas

MÁTYÁS (2009). Az index számítására többféle mód adódik, kutatásom során a

legmelegebb hónap hőmérsékletét figyelembe vevő képlet helyett a nyári

átlaghőmérséklettel kalkuláló képletet alkalmaztam, MÁTYÁS 2007 nyomán (a 4.4.1.

fejezetben írtaknak megfelelő megkötésekkel):

∑

3 ∑∑3 ∑

∑

3 ∑∑3 ∑ 1

ahol i a hónapokon végigiteráló változó, f a jövőbeli (modellezett), r pedig a

referencia-időszakbeli értéket jelöli, <X> X átlaga, I(λ) az indikátorfüggvény, melynek

értéke 1, ha λ igaz, egyébként 0.

Mint a fenti képletekből látható, mind a Pálfai-index, mind az Ellenberg-index

igen általános feltételeket szab, két logikai feltétel párhuzamos teljesülése már a

képleteket kielégíti. Ebből következik, hogy az ariditási indexekkel végzett

modellezéstől nagy területeket kijelölő eredményeket várhatunk35.

Az ariditási indexeket csak a megelőző kutatás során alkalmaztam, a későbbi

modellezésben nem. A REMO által szolgáltatott minimum-hőmérsékleti adatok sem a

Pálfai-, sem az Ellenberg-index képletében nem jelennek meg, holott feltételezhető,

hogy a mediterrán növények elterjedése számára – északi irányban – az egyik legfőbb

akadály a kontinentális éghajlat kemény tele. A megelőző kutatás egyértelmű negatív

eredményein túl ez a tény is közrejátszott abban, hogy utóbb elhagytam kutatásomból az

ariditási indexeket.

35 Az eredmények a várakozásokat igazolták. Bővebben lásd a 5.1.1. fejezetben.


44

4.4.3 Szubjektív paraméterválasztás

Az éghajlati igény jellemzésére az ariditási indexeknél részletesebb megoldást is

találunk, hiszen a 72 (a megelőző kutatás során 48) éghajlati szélsőérték (vö. 4.3.3.

fejezettel) tetszőleges36 kombinációját alkalmazni lehet az éghajlati igényt leíró

képletben. Mivel melegigényes, esetleg fagyérzékeny fajokat vontam be a kutatásba,

kézenfekvőnek tűnt az átlag-hőmérsékleti értékek figyelembe vétele mind a hidegebb

félévben (elfagyás veszélye), mind a melegebb félévben. Utóbbi alapján közvetetten a

hőösszegről nyerhetünk információt. A fagyérzékenység szempontjából a minimum-

hőmérsékletek alkalmazása tűnik legcélravezetőbbnek. A csapadék eloszlása

feltételezhetően nincs jelentős hatással a növények elterjedésére, ugyanakkor az évi

vagy a vegetációs időszakra jellemző összcsapadék annál jelentősebb mértékben. A

mediterrán és kárpát-medencei éghajlat között alapvető különbség van a

csapadékeloszlásban, hiszen előbbiben az évi csapadék jelentős része a hidegebb

félévben hullik le (PÉCZELY 1979). Éppen ezért az évi összcsapadék alkalmazása

feltételezhetően jobban közelíti a mediterrán fajok éghajlati igényét, mint a vegetációs

időszak csapadéka.

Előzetes kutatásomban kettő, a diplomamunka által összegzett kutatásban pedig

hét képlet alkalmazására tettem kísérletet, melyeket a továbbiakban ismertetek, az

alkalmazás tapasztalatait pedig az 5.1.2. fejezetben részletezem. Az előzetes kutatásban

alkalmazott 1. számú képletben a középhőmérsékletek szélsőségeit vettem figyelembe:

1

A 2. számú képlet kiegészül a vegetációs időszak összcsapadékának

szélsőségeivel:

1

36 A paraméterválasztás teljesen önkényes, mely az alkalmazott módszer egyik nagy hátránya. A képleteket „szubjektív paraméterválasztás” névvel gyűjtöttem össze, utalva arra, hogy e módszer az ariditási indexek és az összes paraméter egyidejű alkalmazása mint két szélsőség között a középutat szubjektív módon jelöli ki.


45

A további képleteket a diplomamunkában összegzett kutatásban alkalmaztam,

felhasználva az előzetes kutatás tapasztalatait. A 3. számú képlet a minimum- és

középhőmérsékletek minimumát veszi figyelembe:

1

A 4. számú képlet az előzőt kiegészíti a vegetációs időszak csapadékának két

szélsőségével:

1

Az 5. számú képlet az előzővel ellentétben nem a vegetációs időszak, hanem a

teljes év csapadékának szélsőségeit alkalmazza:

1

A 6. számú képlet a 3. számú képlethez hasonló, azonban a hőmérsékleti

paraméterek minimumán túl a maximumát is számításba veszi:

1

A 7. számú képlet az előzőt a vegetációs időszak összcsapadékának szélsőségeivel

egészíti ki:

1


46

A 8. számú képlet a vegetációs időszak csapadéka helyett az évi összcsapadékkal

kalkulál:

1

A fenti képletekben i a hónapokon végigiteráló változó, f a jövőbeli (modellezett),

r pedig a referencia-időszakbeli értéket jelöli, <X> X átlaga, I(λ) az indikátorfüggvény,

melynek értéke 1, ha λ igaz, egyébként 0.

A Moesz-vonal modellezéséhez (az elterjedésmodellezés és a vonalmodellezés

módszer alkalmazása során) a 4. számú képletet használtam fel, mely a fentiek közül a

legmegfelelőbb választásnak tűnt, hogy a kárpát-medencei fajok elterjedésének északi

határvonalát modellezzem a segítségével.

Az ariditási indexekkel ellentétben a szubjektív paraméterválasztással jóval több

éghajlati paraméter figyelembe vehető (vagyis több logikai feltétel), így a képletek

részletesebbek, összetettebbek, az modellezés pedig várhatóan kisebb területet ad

eredményül, ha e képleteket használjuk fel. Az 7. táblázatban összegeztem, hogy a

fentebb ismertetett képletek mely éghajlati paramétereket veszik figyelembe, az utolsó

oszlopban pedig feltüntettem, hogy az egyes képletek hány logikai feltételt

alkalmaznak. A logikai feltételek számának növekedésével a modellezett terület mérete

várhatóan csökken. Képlet

sorszáma Tmean Tmin Pveg Possz Alkalmazott logikai

feltételek száma min max min max min max min max 12 12 12 12 1 1 1 1

1 × × 24 2 × × × × 26 3 × × 24 4 × × × × 26 5 × × × × 26 6 × × × × 48 7 × × × × × × 50 8 × × × × × × 50

7. táblázat A szubjektív paraméterválasztás során alkalmazott képletek összehasonlítása a figyelembe vett éghajlati paraméterek és az alkalmazott logikai feltételek alapján


47

4.4.4 Összes paraméter egyidejű alkalmazása

Az előzőekben ismertetett ariditási indexeken és a szubjektív

paraméterválasztáson túl adódig egy további lehetőség a növények éghajlati igényeinek

jellemzésére, ez pedig az összes (36, az előzetes kutatásban 24) paraméter minkét

szélsőértékének (72 és 48 logikai feltétel) egyidejű alkalmazása. A hasonlóképpen

felépülő (a paramétereket az elterjedési területen megfigyelt szélsőértékek közé szorító)

képletek közül ez a legszigorúbb, éppen ezért ettől a módszertől várhatjuk a legkisebb

területtel rendelkező modelleredményt. Nagy veszélye van azonban annak, hogy a

hőmérséklet és a csapadékeloszlás változásának különbségeiből adódóan (vagyis abból

fakadóan, hogy nem a mediterrán éghajlat fog hazánk területére kúszni, csak erősödni

fog a mediterrán jelleg) az összes paraméter egyidejű alkalmazása nem alkalmas a

növények éghajlati igényeinek leírására, illetve az általa létrehozott modelleredmények

nem adnak majd értelmezhető eredményt37.

Az előzetes kutatás során alkalmazott képlet az alábbi:

1

Az előzetes kutatás módszertani tapasztalatai alapján a későbbi kutatásból az

összes paraméter egyidejű alkalmazását mint modellezési lehetőséget elhagytam. Ezért

az alábbi képlet, mely a későbbi kutatás során lett volna alkalmazható, végül nem került

felhasználásra:

1

A fenti képletekben i a hónapokon végigiteráló változó, f a jövőbeli (modellezett),

r pedig a referencia-időszakbeli értéket jelöli, <X> X átlaga, I(λ) az indikátorfüggvény,

melynek értéke 1, ha λ igaz, egyébként 0. 37 A modelleredmények az előzetes kutatás során már megerősítették várakozásainkat. Bővebben lásd a módszertani tapasztalatokat összegző 5.1.1. fejezetben.


48

4.5 Moesz-vonal modellezési lehetőségei

4.5.1 Modellezési lehetőségek összehasonlítása

A Moesz-vonal modellezésével párhuzamosan több faj elterjedésének38

változására következtethetünk. A korábban ismertetett telepíthetőségiterület-

modellezéshez képest lényegi különbség, hogy a Moesz-vonal esetén

− területi kiterjedés nélküli földrajzi elemről beszélünk, továbbá, hogy

− ha területet rendelünk hozzá, akkor csak a területet határoló északi

határvonalként tekintünk rá, és

− mivel a modellezés eredményéből számos faj elterjedésére kívánunk

következtetéseket levonni, pontosabb modellezési módszer alkalmazása

várható el.

A Moesz-vonal elmozdulásának modellezésére számos módszer adódik, melyek

közül kutatásomban hármat tettem próbára, melyeket a következőképpen neveztem el:

− vonalmodellezés,

− elterjedésmodellezés és

− izotermamodellezés.

E modellezési módszerek összefoglaló leírását és jellemzését a 8. táblázat adja. Név Rövid leírás Előnyök Hátrányok Elterjedésmodellezés A Moesz-vonalhoz kötődő

fajok areájának modellezése, majd a jövőbeli vonal újrarajzolása

Moesz eredeti módszerét követi Összetett, részletes eredményt ad

Nagyon lassú Szubjektív

Vonalmodellezés A Moesz-vonalnak mint egy képzeletbeli area északi határának a modellezése

Nem túl pontatlan Átlátható, egyértelmű

Viszonylag lassú

Izotermamodellezés A Moesz-vonallal korreláló januári (téli) minimum-hőmérsékleti izoterma követése

Leggyorsabb a három módszer közül Nem szükséges areákat digitalizálni

Csak egy (vagy kevés számú) klímaparamétert vesz figyelembe Pontatlan Kétséges, hogy értelmezhető eredményt adna

8. táblázat A Moesz-vonal modellezésének a kutatás során alkalmazott három módszere rövid leírással és jellemzéssel

38 A Moesz-vonal modellezéséről szóló fejezetekben következetesen elterjedési területről, nem pedig telepíthetőségi területről írok. Teszem ezt azért, mert általában jó horizontális felbontású areatérképek álltak rendelkezésemre és a referenciaidőszakra végzett modellezések jól közelítették az elterjedési területeket, validálták azokat (vö. a 5.2. fejezettel). Ennek ellenére a 3.4.1. fejezetben elmondottak továbbra is érvényesek.


49

A telepíthetőségi területek önálló modellezéséhez hasonlóan a Moesz-vonal

esetében is célom volt a módszerek értékelése, összehasonlítása. Elmondható azonban,

hogy az eredmények részletességére, pontosságára is hangsúlyt fektettem, ellentétben a

telepíthetőségiterület-modellezésekkel.

4.5.2 Elterjedésmodellezés módszere

Az alkalmazott három módszer közül a legösszetettebb és így a leglassabb az

elterjedésmodellezés. A 3.5. fejezetben összegyűjtött 12+1, a Moesz-vonalhoz

eredetileg kapcsolt és 5, a vonalhoz utólag kötött fajra a modellezést külön-külön el kell

végezni. Az éghajlati igények szűrűséhez a szubjektív paraméterválasztás 4. számú

képletét alkalmaztam (vö. a 4.4.3. fejezettel) és a modellezés során az elterjedéseknek

csak északi (Szlovákliába és Lengyelországba eső) határvonalát követtem. Ezért a

szárazföldről kinyúló modellezett elterjedéseket nem vágtam le.

Az eredeti elterjedési területeknek csak egy részét használtam fel a modellezés

során, melyre jellemző volt, hogy

− dél felé nem terjeszkedett túl a 4.5.3. fejezetben ismertetett képzeletbeli

„Moesz-növény” elterjedési területének határán,

− észak felé nem lépte át a Kárpátok gerincét,

− összességében tehát az egész areaszegmens a Kárpát-medencén belül

helyezkedett el.

Mivel a modellezés során csak az elterjedések északi határvonalára voltam

kíváncsi, az areák ilyentén megcsonkítása a modelleredményeket nem befolyásolta. A

vágást az ArcMap Editor moduljának Clip eljárásával végeztem.

Az egymástól függetlenül elvégzett 18 areamodellezés után az északi

határvonalakra ráfektettem egy átlagoló vonalat – a jövőbeli Moesz-vonalat – úgy, mint

egykor Moesz Gusztáv tette az eredeti 13 faj alapján. Ebből a szempontból az

elterjedésmodellezés történetileg hű módszernek tekinthető. Az elterjedések északi

határvonalának összekötésekor nem alkalmaztam pontos térinformatikai átlagoló

eljárásokat, az elterjedésmodellezés módszere ebben az irányban továbbfejleszthető.

Nem tagadható ugyanakkor, hogy a felhasznált klímaadatsor gyenge horizontális

felbontása és a modellezési módszer szubjektivitása mellett a pontos átlagoló eljárások

használata nem hozott volna lényegi előrelépést.


50

4.5.3 Vonalmodellezés módszere

A vonalmodellezés az előző módszerhez hasonló, de lényegesen gyorsabban

elvégezhető. 18 független modellezés helyett csak egy modellezés futtatása szükséges.

Ugyanakkor pontosság szempontjából átmenetet képez az elterjedésmodellezés és az

izotermamodellezés között. A módszer lényege, hogy egy képzeletbeli elterjedést jelöl

ki (az ún. „Moesz-növény” feltételezett elterjedését), és a modellezést erre az areára

végzi el. A „Moesz-növény” elterjedésének északi határvonala a Moesz-vonal. Az

elterjedési terület egésze a Kárpát-medencén belül helyezkedik el (a déli határvonalnak

a korábban elmondottak szerint nincsen jelentősége), Szlovákiát, Ausztriát és

Magyarországot érinti (28. ábra).

A fiktív areára a 4.4.3. fejezetben ismertetett 4. számú képlettel végeztem a

modellezést, a modellezett elterjedési területek északi határvonalát tekintettem a

jövőbeli Moesz-vonalnak.

4.5.4 Izotermamodellezés módszere

Az izotermamodellezés a szó szoros értelmében véve nem is modellezés, inkább

csak egy megközelítési módszer. Lényegesen egyszerűbb és gyorsabb az előző

módszereknél, nem igényli elterjedési területek digitalizálását, éghajlati igények

szűrűsét, jövőbeli elterjedések kirajzolását. Ugyanakkor a módszer pontossága, sőt,

megbízhatósága is erősen megkérdőjelezhető, hiszen az elterjedésmodellezéssel és a

vonalmodellezéssel ellentétben, melyek 25 éghajlati paraméter alapján 26 logikai

28. ábra A „Moesz-növény” képzeletbeli elterjedése (lila) országhatáros alaptérképen


51

feltétellel számoltak, az izotermamodellezés csak egy vagy néhány paramétert vesz

figyelembe.

Az izotermamodellezés során megkerestem az a januári minimum-hőmérsékleti

izotermát, amelyik jól korrelált a Moesz-vonallal, majd követtem, hogy ez az izoterma a

klímaadatsor szerint a jövőben miként fog észak felé kúszni. A megfelelő izoterma

kiválasztásához nem alkalmaztam statisztikai módszereket, mert a klímaadatsor rossz

felbontása és a módszer kis pontossága nem tették azt indokolttá. A januári minimum-

hőmérsékleten túl/helyett egyéb hónapok, vagy a téli hónap egésze figyelembe vehető

lett volna, azonban, mint a 29. ábra is jól mutatja, a Kárpát-medencében és a

Kárpátoktól északra eső területeken a januári minimum-hőmérséklet a legalacsonyabb

mind közül. Így kutatásomban csak a januári minimum-hőmérsékleti izotermát

használtam föl.

29. ábra Európa azon területei, melyeknél nem a januári a legalacsonyabb minimum-hőmérséklet (világoskék)

– Eredmények –

52

5 EREDMÉNYEK

5.1 Módszertani eredmények a telepíthetőségiterület-modellezés

vonatkozásában. Módszertani problémák és fejlesztési lehetőségek

5.1.1 Ariditási indexek és az összes paraméter egyidejű alkalmazása

A növények éghajlati igényeinek leírására két, egymástól igen távol álló módszert

is alkalmaztam. Ezek az ariditási indexek és az összes paraméter egyidejű használata

(bővebben lásd a 4.4.2. és a 4.4.4. fejezetekben). A módszerek részletes leírásánál

kifejtett aggályok az előzetes kutatás során beigazolódtak, ezért azok alkalmazására a

későbbi kutatásban nem tettem kísérletet.

Az ariditási indexek kevés logikai feltételt támasztanak, ezért a modellezett

telepíthetőségi területek nagyok. Az előzetes kutatás bizonyította, hogy a modellezés

eredménye értelmezhetetlen, hiszen a referencia-időszakra modellezett telepíthetőségi

terület általában Európa jelentős részét lefedte, a valós elterjedéssel területileg nem volt

összemérhető (30. ábra). Kimondhatjuk tehát, hogy az ariditási indexek a vizsgálatba

vont fajok esetén, az alkalmazott klímaadatsor felbontása mellett nem alkalmazhatóak.

30. ábra Pinus pinaster elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (lila) és a 2011-2040 közötti időszakban (világoszöld) a Pálfai-index alapján

– Eredmények –

53

Hangsúlyozni szükséges azonban, hogy bizonyos feltételek mellett a növények

elterjedési területének modellezésében fontos szerep juthat az ariditási indexeknek, mint

azt CZÚCZ (2011) és MÁTYÁS (2010) kutatásai bizonyítják.

Az összes paraméter egyidejű alkalmazása a növények éghajlati igényeinek

szűrésére az ariditási indexekhez hasonlóan nem alkalmazhatók, a különbség a kettő

között, hogy előbbi

− túl sok (nem pedig túl kevés) logikai feltételt használ, így

− túl kicsi (nem pedig túl nagy) területi kiterjedéssel bíró modelleredményt

ad, és

− feltételezhetően a klímaadatsor horizontális felbontásától független a

modellezésben való alkalmatlanságának oka, így az éghajlati igények

szűrésére általában is alkalmatlan.

Utóbbi észrevétel továbbgondolásra érdemes. A módszer lényegéből és az

alkalmazási probléma okából egyenesen következik, hogy részletesebb (több éghajlati

paramétert magában foglaló) klímaadatsor mellett a módszer alkalmazhatósága tovább

romlik (csupán elméletben romlik tovább, hiszen már 24 paraméter által szabott 48

logikai feltétel mellett nem volt használható!).

Az összes paraméter egyidejű alkalmazásával a referencia-időszakra modellezett

telepíthetőségi terület igen jól (a kutatás során mind közül értelemszerűen a legjobban)

közelítette a valós elterjedési területet. Ezért az alkalmazott módszerek közül evvel lehet

leginkább modellezni az elterjedési területet, nem csupán a telepíthetőségi területet. A

jövőbeli periódusra végzett modellezés viszont a legtöbb faj esetében csekély méretű

vagy terület nélküli eredményt adott, vagyis a modelleredmények rosszak voltak.

Érdemes megfigyelni, hogy – mint azt a 34. lábjegyzetben megjegyeztem – a rossz

modelleredmény nem feltétlenül minősíti a modellezési módszert, legalábbis jelen

esetben nincs okunk feltételezni, hogy egy adott növény éghajlati igényeit ne írná le

jobban az összes paraméter egyidejű alkalmazása, mint a szubjektív paraméterválasztás.

Ezek után viszont megkérdőjelezhető, hogy a mediterrán fajok fognak-e találni a

következő évszázadban Európában olyan területet, melynek klimatikus adottságai az

elterjedési területükön ma tapasztalhatónak nagyjából megfelelnek! Annak ellenére,

hogy a kérdés nyitott és további vizsgálatokat kíván, természetvédelmi szempontból

továbbgondolásra és cselekvésre késztet.

Mivel a jövőbeli periódusra készült modellek eredménye általában területet nem

rajzolt ki, térképes bemutatásra azokat nem találtam alkalmasnak.

– Eredmények –

54

5.1.2 Szubjektív paraméterválasztás és alkalmazásának elvi problémái

Az előző fejezetben ismertetett két szélsőséges megoldás között a szubjektív

paraméterválasztás áll. Az előzetes kutatás bizonyította, hogy a megfelelő képlet

alkalmazásával jól értelmezhető modelleredményeket kaphatunk, ezért a későbbi

kutatás során is a szubjektív paraméterválasztás módszerét használtam, az ariditási

indexek és az összes paraméter egyidejű alkalmazására pedig nem tettem kísérletet.

Az előzetes kutatás során az 1. és 2. számú képlet szerint mind a hat fajra

elvégeztem a modellezést. Ezek alapján elmondható, hogy a 4.4.3. fejezetben kifejtett

összefüggés a képletben alkalmazott logikai feltételek száma és a modellezett terület

mérete között nem minden esetben jelent meg. Voltak fajok, melyek esetében a két

képlet alkalmazásával mindenben megegyező eredményt kaptam (31. ábra és 32. ábra).

31. ábra Pinus halepensis elterjedési területe (zöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (kék) és a 2011-2040 közötti időszakban (narancssárga) az 1. számú képlet szerint

32. ábra Pinus halepensis elterjedési területe (zöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (sárga) és a 2011-2040 közötti időszakban (kék) az 2. számú képlet szerint

33. ábra Pinus brutia elterjedési területe (zöld), valamint modellezett telepíthetőségi területe a referenciai-dőszakban (kék) és a 2011-2040 közötti időszakban (narancssárga) az 1. számú képlet szerint

34. ábra Pinus brutia elterjedési területe (zöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (sárga) és a 2011-2040 közötti időszakban (kék) az 2. számú képlet szerint

– Eredmények –

55

Más fajok esetén viszont a 2. számú képlet szűkebb területet eredményezett, mint

az 1. számú képlet (33. ábra és 34. ábra). Az 9. táblázatban összefoglaltam, hogy mely

fajok esetén eredményezett a modellezés során különbséget a két képlet használata, és

melyeknél nem. Tudományos név Az eltérő képlet alkalmazása eltérő eredményt hozott Pinus brutia igen Pinus halepensis nem39 Pinus nigra igen Pinus pinaster kissé40 Pinus pinea kissé Quercus suber kissé 9. táblázat Az előzetes kutatás során az 1. és 2. számú képletek alkalmazásával megfigyelhető különbségek a modelleredményekben

A későbbi kutatás során hat képletet tettem próbára az Abies borisii-regis fajon.

Az eltérő képletek alkalmazása a modellezett jövőbeli telepíthetőségi területek északi

határvonalában nem eredményezett túl nagy különbséget. A szigorúság szempontjából

egymástól leginkább eltérő képlet eredményeit a 36. ábra (3. számú képlet) és a 35. ábra

(7. számú képlet) szemlélteti, a fajra végzett összes modelleredményt pedig a IV. számú

mellékletben mutatom be.

Az elmondottak ismeretében nem éreztem szükségét a többi fajra is hat

modellezést lefuttatni, ezért az Abies borisii-regis kivételével a vizsgálatba vont fajokra

már csak egy-egy modellezést végeztem el. Mivel előnyét nem láttam annak, hogy a

hőmérsékleti paraméterek felső korlátját elhagyjam, és a paraméterenként két-két

szélsőérték közé szorítás a fajok telepíthetőségi területének déli határát is kijelöli, ezért 39 A modellezett jövőbeli telepíthetőségi terület megegyezik, azonban a referenciaidőszakra készült modellezésben némi eltérés megfigyelhető. 40 Értsd: a klímaadatsor felbontása és a modellezési módszer pontossága ismeretében gyakorlatilag nem.

36. ábra Abies borisii-regis elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga) az 3. számú képlet szerint

35. ábra Abies borisii-regis elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga) az 7. számú képlet szerint

– Eredmények –

56

a 3., 4. és 5. számú képleteket elvetettem. A megmaradt képletek közül előnyben

részesítettem azokat, melyek a csapadékértéket is valamilyen módon figyelembe veszik,

ezek közül végül választásom a 8. számú képletre esett. Ennek oka, hogy a mediterrán

és kontinentális klíma csapadékeloszlásban megfigyelhető különbsége miatt nem lett

volna indokolt a vegetációs időszak csapadékát figyelni az évi összcsapadék helyett.

Az elmondottak alapján a szubjektív paraméterválasztás tűnik a legmegfelelőbb

megoldásnak arra, hogy a növények éghajlati igényeit szűrjük, azonban – mint a

módszer nevében is utalok rá – legnagyobb hátránya a szubjektivitás. Egy

matematikai/informatikai szempontból egzakt modellezési módszer – véleményem

szerint – nem működhet egyik részlépésében sem szubjektív módon, mert az az egész

modellezés kimenetelét emberi tényezőkre bízza. Jelen kutatás során tehát nagyban

befolyásolni tudtam az eredményeket azáltal, hogy eltérő logikai feltételeket szabtam

meg (az eltérő képletek alkalmazásával) a modellezés közben. Úgy gondolom, a

diplomamunka által összegzett kutatás leggyengébb pontja a paraméterválasztás

szubjektivitása, hiszen a többi probléma (mint az adatsor kis horizontális felbontása, a

modellezett referencia-időszakbeli adatok alkalmazása meteorológiai adatok helyett

vagy a rossz felbontású areatérképek digitalizálása) mind könnyen orvosolható, nem

alapvető módszertani hiányosságként kell tekinteni rájuk. Mivel a diplomamunka

célkitűzésében módszertani javaslatokról is szóltam, a következő fejezetekben

áttekintek néhány olyan előrelépési lehetőséget, mely a modellezés szubjektivitását

csökkenti, vagy megszűnteti.

5.1.3 Statisztikai módszerek alkalmazási lehetőségei

CSISZÁR (2011) szóbeli közlése szerint három statisztikai módszer is alkalmas

lehet a szubjektivitás mérséklésére. Az egyik, a logisztikus regresszió esetén

„feltesszük, hogy adott paraméterek mellett a növény bizonyos valószínűséggel van

jelen. Ennek alkalmazásához csoportosítani kellene a megfigyeléseket, úgy, hogy

ugyanazon paraméterkombinációhoz több térképpont tartozzon, melyek közül egyes

pontokban van növény, másokban nincs. Például intervallumokat lehet alakítani a

hőmérsékleti és csapadékadatokból, és az intervallumba tartozó adatokat az intervallum

középpontjával lehet helyettesíteni. A regresszió kiadja, hogy a paraméterek milyen

lineáris kombinációja határozza meg a valószínűséget.”

– Eredmények –

57

Ezek után például a modellezett telepíthetőségi területnek azok a pontok adódnak,

ahol az előfordulási esély egy küszöb fölött van. „A csoportosítás itt a nehezebb feladat,

utána a regressziót standard szoftver lefuttatja”. (CSISZÁR szób. közl., 2011)

Másik alkalmazható statisztikai módszer a klaszteranalízis. Ennek során a

„paramétervektorokat a sokdimenziós tér pontjaiként képzeljük el, és két színnel

színezzük őket, aszerint, hogy van-e növény, vagy nincs. Ezután olyan alacsonyabb

dimenziós vetületet keresünk”, ahol a két halmaz látható módon szétválik. Ennek

ellenőrzésére szolgál a klaszteranalízis. A módszer hátránya, hogy nem garantálható,

hogy ilyen vetületet találjunk. (CSISZÁR szób. közl., 2011)

Érdemes megfigyelnünk, hogy míg

− a logisztikus regresszió gyakorlatilag a szubjektív modellező helyett képes

kiválasztani egy megfelelő logikai feltételt, addig

− a klaszteranalízis során a szubjektivitás fennmarad. Ugyanakkor

− az alacsonyabb dimenziós vetületek keresése jól automatizálható, és így

− a klaszteranalízis módszerével egy előre beállított pontosságig kereshetünk

mind jobb képleteket, addig

− a logisztikus regresszió módszerével az ariditási indexekhez hasonló két

logikai feltételt szabó lineáris kombinációját kapjuk a paramétereknek.

Feltételezhető, hogy logisztikus regresszióval az ariditási indexeknél jobb

képleteket kapunk, de semmiképpen nem tudunk kettőnél több logikai

feltételt előírni!

A logisztikus regresszió és a klaszteranalízis mellett érdemes beépíteni a

modellezés folyamatába az osztályozási módszereket. Ezek lényege, hogy az új

paramétervektorról megtippelik, hogy a modellezett területhez tartozzon-e. E statisztikai

módszerek hátránya, hogy „nem adják meg explicit a fontos paramétereket”.(CSISZÁR

szób. közl., 2011) Ebből a szempontból némi hasonlóságot mutatnak az 5.1.4.

fejezetben ismertetett mesterségesintelligencia-módszerekkel.

Az ismertetett statisztikai módszerek mindegyikét fajonként kell alkalmazni, és

fajra szabott (elterjedési területre szabott) eredményt adnak. Ez egyértelmű előnyként

értelmezhető, ugyanakkor két probléma is felvetődik:

− a nem automatizálható statisztikai módszerek a modellezés

munkafolyamatát jelentős mértékben megnövelik, hiszen minden fajra újra

el kell végezni őket, és

– Eredmények –

58

− a több fajra végzett modellezési módszerek eltérőek. Az eredmények csak

akkor összemérhetőek, ha a modellezés pontossága valamilyen módon

számszerűsített.

A modellezés pontosságának/megbízhatóságának kérdése már többször felszínre

került, például a klaszteranalízis automatizálásánál. Erre a legkézenfekvőbb módszer az

elterjedési terület és a referencia-időszakra modellezett telepíthetőségi terület méretének

összehasonlítása. Javasolható például a következő képlet (bár értelemszerűen

finomítható például logaritmizálással):

ahol R a megbízhatóság, Adist az elterjedési terület kiterjedése, Amod a modellezett

telepíthetőségi terület kiterjedése, r a referencia-időszakra utal. 0,1 , továbbá

− R soha nem nulla,

− R minél nagyobb, a modellezés megbízhatósága annál nagyobb, és

− R=1 esetén nem telepíthetőségi terület modellezéséről, hanem elterjedési

terület modellezéséről beszélhetünk.

Értelemszerűen, ha R nagyobb, akkor feltételezhetjük, hogy az hányados is

nagyobb lesz adott faj esetén.

5.1.4 Mesterséges intelligencia módszereinek alkalmazási lehetőségei

Az előző fejezetben ismertetett statisztikai módszerek mellett egy azoktól

lényegesen eltérő fejlesztési megközelítéssel is előállhatunk. Kevésbé matematikai,

inkább számítástudományi/informatikai módszer a mesterséges intelligencia. E

különbségből fakadóan az automatizálás feltételezhetően könnyebben megvalósítható a

mesterséges intelligencia módszereivel, mint statisztikai módszerek alkalmazásával, bár

CSISZÁR (2011) szóbeli közlésében rávilágított az R statisztikai programkörnyezet

alkalmazhatóságára.

A mesterséges neuronhálók alkalmazásának gondolata hasonló jellegű

modellezési feladatok során nem újszerű, viszont dísznövények

telepíthetőségi/elterjedési területének modellezésére tudomásom szerint még nem

alkalmazták a módszert. Sok a párhuzam ugyanakkor például HILBERT (1999)

munkájával, aki erdőtípusok modellezésére alkalmazta a neuronhálókat.

– Eredmények –

59

GREGORICS (2011) szóbeli közlésében rávilágított, hogy a növényfajok

telepíthetőségi területének modellezésére a mesterséges intelligencia több módszere is

alkalmazható, többek között ilyen

− a döntési fa, pontosabban a regressziósfa-analízis, mely összefügg az előző

fejezetben ismertetett logisztikus regresszióval,

− az evolúciós vagy genetikai algoritmus és

− a mesterséges neuronháló.

A három módszer közül véleményem szerint leginkább a mesterséges neuronháló

alkalmazható, melyben GREGORICS (2011) szóbeli közlésében megerősített.

Néhány mondatban fontosnak tartom azonban az evolóciós algoritmust is

összefoglalni. Az evolúciós algoritmus – kutatásomba való implementálásának –

lényege, hogy a biológiai evolúcióhoz hasonlóan az éghajlati paraméterek41 mint gének

sorából felépülő paramétertömböt mint genetikai anyagot a következő evolúciós

lépéseknek teszem ki:

− szelekció (a növény igényeit legjobban leíró paramétertömbök

kiválasztása a véges halmazból mint populációból),

− rekombináció vagy keresztezés (a kiválasztott paramétertömbök alapján

utódtömbök létrehozása),

− mutáció (az utódtömböket kismértékű módosítása) és

− visszahelyezés (az utódok és a régi populáció alapján az új populáció

kialakítása).

Megfelelő rátermettségi függvénnyel42, rekombinációs módszerrel, valamint

mutációs43, utódképzési és visszahelyezési rátával az evolúciós algoritmus véleményem

41 Az éghajlati paraméterekhez bináris értéket szükséges rendelni, hogy könnyen implementálható legyen az algoritmus. Így 2n féle allél jöhet létre. Legkézenfekvőbb megoldásnak az tűnik, ha két allélt kezelünk, 0-t és 1-et, melyek logikai változóként kifejezik, hogy az adott paraméter részt vesz-e a növény éghajlati igényét leíró képletben. Természetesen más megoldások is célravezetőek lehetnek, akár a paraméterek valamiféle lineáris – nem csupán bináris – kombinációját is leírhatjuk, ha 4, 8, 16 stb. allélt kezelünk. 42 A rátermettségi vagy fitnesz függvény a szelekció során minden egyedhez hozzárendel egy fitneszértéket, mely alapján a szelekció elvégezhető. A modellezés során megfelelő szelekciós függvénynek gondolom az adott paraméterkombináció mint a növény éghajlati igényét leíró képlet megbízhatóságát (lásd az 5.1.3. fejezetben), feltéve, ha megfelelő értékhatárok között mozog (nem közelíti túlságosan 1-et. Elképzelhetőnek tartom, hogy jövőbeli periódusra futtatott modelleredmény területi kiterjedése is felhasználásra kerülhet a fitneszfüggvény kialakításakor, ezáltal ugyanis a kimeneti térképeredményeket is befolyásolni tudjuk. Az elmondottak csak felvetések és további vizsgálatot igényelnek. 43 A mutációs rátával tudjuk szabályozni, hogy az algoritmus mennyire legyen hajlamos bizonyos allélokat „elfelejteni”. Véleményem szerint a modellezés során viszonylag magas mutációs rátával érdemes az evolúciós algoritmust futtatni. Ennek indoklása a diplomatéma tárgykörén túlmutat, ezért eltekintek tőle.

– Eredmények –

60

szerint jól alkalmazható növények éghajlati igényeinek kiválasztására, azonban a

paraméterek beállítása nehézkes folyamat. Összességében a jól felparaméterezett

evolúciós algoritmus képes lehet egy adott növényre meghatározni, hogy mely

rendelkezésre álló klimatikus paraméterek és azok milyen irányú korlátja/korlátai

fejezik ki leginkább a növény éghajlati igényeit. Az eredmény tehát a kutatásomban is

használt képletekhez hasonló.

Nem mondható el az előbbi állítás a mesterséges neuronhálóról, hiszen annak csak

egy speciális változata képes a kutatásomban alkalmazotthoz hasonló képletet

visszaadni44. A mesterséges neuronháló modellje egy axonokkal sűrűn ellátott

idegsejthálózathoz hasonlítható leginkább, melyben az idegsejtek rétegeket alkotnak.

Az algoritmus két részre bontható, melyből az első az ún. tanulási algoritmus. Ennek

során a program saját belső szerkezetét kiépíti, kiegyensúlyozza olyan módon, hogy az

az adott növény elterjedési területéhez a legjobban igazodjon. A tanulási algoritmus

után a program Európa pontjairól képes megállapítani, hogy a modellezési időszakban

(legyen az akár a referencia-időszak, akár a jövőbeli időszakok valamelyike) a növény

mekkora valószínűséggel van/lesz jelen.

A neuronhálóval ellentétben az előzőekben ismertetett statisztikai és

mesterségesintelligencia-módszerek egyikéről sem mondható el, hogy az algoritmus

futása után a kimeneti adat éppen a modellezési célnak megfelelő telepíthetőségiterület-

térkép. Ugyanakkor mindezt másképpen is fogalmazhatjuk: a neuronháló az egyetlen

módszer a felsoroltak között, amely nem képes szétbontani a növények éghajlati

igényének szűrését a tényleges modellezéstől. Vagyis neuronhálóval nem tudjuk az

éghajlati igényt matematikai módon megfogalmazni, mely, ha ezt csupán eddig

megkerülhetetlen részlépésként kezeltük, nem mondható hátránynak

A tanulási algoritmus lényege, hogy a növény elterjedési területe és a referencia-

időszakbeli klímaadatsor alapján egy olyan összetett, többrétegű, de első rétegében a

klímaparaméterekből kiinduló súlyozott struktúrát alakít ki, melyekhez a súlyokat a

tanulás során megadott – földrajzi pontokhoz köthető45 – bemeneti értékek alapján

csökkenti vagy növeli (tanulási szabály). A súlyozás a neurális kapcsolatokhoz

44 Ez az egyrétegű neuronháló, mely meglátásom szerint a modellezés továbbfejlesztésére nem alkalmas. Ennek indoklása a diplomamunka tárgykörét túlfeszítené, ugyanakkor az fontosnak tartom kiemelni, hogy az egyrétegű neuronháló éppen azokkal az általam értékesnek ítélt tulajdonságokkal nem rendelkezik, melyek a modellezés során a neuronhálók alkalmazását megindokolnák. 45 Javaslom, hogy a modellezési területéről véletlenszerűen választott pontokat kapjon a tanulási algoritmus, a vízfelületeket is beleértve.

– Eredmények –

61

(axonokhoz) köthető, mértékét a súlyfüggvény adja meg. A tanulási algoritmus egy

hosszú, de véges ciklus, melynek során a súlyfüggvények értéke folyamatosan változik.

GREGORICS (2011) szóbeli közlése nyomán javasolom, hogy a többféle módon

megvalósítható tanulási szabály a következőképpen működjön:

− vagy logikai (bináris) módon kezelje a földrajzi pontokat, vagyis az

elterjedési területen belül és kívül eső pontokat különböztesse meg,

− vagy pedig az elterjedési területen belül esőkhöz 1-es értéket, míg az

areától távolodva lineárisan vagy szigmoid módon csökkenő értéket

rendeljen (bizonyos távolságon túl azonban következetesen 0-t).

A neuronháló futtatása után a jelenlegi modelleredményektől eltérő valószínűségi

térképet kapunk, mely megmutatja minden földrajzi ponthoz, hogy a vizsgált növény ott

mekkora valószínűséggel fordulhat elő. Ennek az eredménynek diszkretizálása vagy

vágása46 segítségével a mostanihoz hasonló térképlapokat alkothatunk, ha ez cél (vö. a

5.1.6. fejezettel).

A mesterséges neuronhálók implementálásában a diplomamunkában ismertetett

kutatás lényegi fejlesztési lehetőségét látom. A neuronháló megfelelő

parametrizálásával47 az algoritmus képes lehet telepíthetőségi területek helyett

elterjedési területeket modellezni, mely alapvető előrelépés lenne.

Az ismertetett mesterségesintelligencia-módszerek mind növényenként külön

futtatandók, „elterjedési területre szabottak”, melynek előnyeit és hátrányait az 5.1.3.

fejezetben ismertettem.

5.1.5 Egyéb módszertani fejlesztési lehetőségek

Jelen kutatásban alkalmazott modellezési módszer egyik legnagyobb hátránya – a

paraméterválasztás szubjektivitásán túl –, hogy olyan, látszólag algoritmikusan

elvégezhető, részfolyamatokból áll össze, melyek manuális elvégzése jelentős

munkaigényt támaszt a kutató felé. Ugyanakkor az ArcMap program ModelBuilder

modulja a folyamatok automatizálására jól alkalmazható lehetne (SIK szób. közl.,

2011). Ugyanakkor az automatizálást hosszú távon az ArcGIS API-n48 keresztül tartom

46 Például a 80%-nál nagyobb valószínűséget igennek, az annál kisebbet nemnek tekintjük. 47 Tanulási algoritmus hossza, megtanulandó pontok kiválasztási szabálya, tanulási szabály, és az itt nem ismertetett, a neuronháló felépítéséhez, működéséhez köthető paraméterek, mint az aktivizációs függvény és a hálózati topológia. A növények elterjedési területének modellezéséhez leginkább alkalmasnak az előrecsatolt többrétegű topológiát javaslom, esetleg a backpropagation modellt. 48 Programfejlesztési felület.

– Eredmények –

62

megvalósításra alkalmasnak, annak ellenére, hogy GIACHETTA (2011) szóbeli

közlésében rávilágított annak hátrányaira.

ITTZÉS (2012) és NAGY (2012) szóbeli közlései nyomán fontosnak tartom

megjegyezni, hogy a modelleredmények bináris (előfordul/nem fordul elő) értékek

helyett sávosított formában is megjeleníthetőek, például percentilisekkel. Úgy

gondolom, ennek a fejlesztésnek egy faj részletes modellezésekor van nagy jelentősége,

a sok fajra történő (több jövőbeli időszakot és a referencia-időszakot az elterjedési

területtel egy térképlapon bemutató) modellezéskor a percentilisek alkalmazása nem

javasolható. Hangsúlyozom azonban, hogy a logikai feltételt leíró indikátorváltozók

átalakítása binárisból lineáris/szigmoid stb. (0 és 1 közötti értéket visszaadó)

függvénnyé könnyen megoldja ezt a feladatot, hiszen ekkor a több logikai feltételt

vizsgáló képletekben az indikátorváltozók helyébe lépő megfelelőségi függvények

szorzata kiad egy 0 és 1 közötti értéket, mely diszkretizálható. A módszer erősen

hasonlít HORVÁTH (2008b) megoldására, aki földrajzilag analóg régiók elemzésére

használta a fenti megoldást.

A modellezéshez bemeneti adatként a REMO által szolgáltatott, referencia-

időszakra készített modelleredményeket alkalmaztam, ugyanakkor a növények éghajlati

igényeiről pontosabb – és más klímamodellekkel is újra használható – képet kapunk, ha

a referencia-időszak valós (megfigyelt) meteorológiai adatsorát vesszük figyelembe az

éghajlati igények szűrése során.

A klímaparaméterekhez két-két logikai feltételt kötöttem kutatásom során, az

elterjedési területen előforduló legkisebb és legnagyobb értékeket mint matematikai

korlátokat. A módszer azonban tagadhatatlanul egyszerű a szó pozitív és negatív

37. ábra A Juniperus oxycedrus elterjedési területén előforduló júniusi középhőmérsékleti értékek hisztogramja

– Eredmények –

63

jelentéstartalmával együtt. Mint a 37. ábra is mutatja, bizonyos klímaparaméterek49 a

szélsőérték közeli értékeket csak nagyon ritkán veszik fel, így nem mondhatóak ezen

értékek a növényre jellemzőnek. Annak ellenére, hogy a növények tűrőképességét nem

a jellemző, hanem az – akár csak ritkán előforduló – értékek alapján határozhatjuk meg,

a szélsőértékek hisztogramtól független elfogadása a klímamodell rossz felbontása miatt

nem javasolható. Ezért a modelleredmények pontosítása érdekében megfontolandó a

felhasznált szélsőértékek közelítése a mediánhoz/átlaghoz, akár

− az előfordulás (kiterjedés) szerinti – a hisztogramon vízszintes – vágással,

akár

− a szélsőértéktől való különbség szerinti – a hisztogramon függőleges –

egyszerű vágással, akár pedig

− függőleges, de összetettebb módszerrel50 számított vágással.

Jelen kutatás során csak hőmérsékleti és csapadékadatokat használtam fel,

ugyanakkor szükséges lenne a növények elterjedését befolyásoló egyéb paraméterek

vizsgálata is, melyek közül kiemelném

− a hőösszeget, melyet ugyan közvetetten figyelembe vettem (csapadék a

felhőzőttség mértékével, hőmérséklet a napsugárzással összefüggésbe

hozható), azonban a kutatásba újabb független paraméterként való

bevonását indokoltnak tartom a mediterrán növények hajtásbeérlelésére

gyakorolt jelentős hatás miatt; és

− az edafikus adottságokat, különösen pedig a kémhatást és a mésztartalmat.

A talajtani jellemzők közül csak a számszerűsíthető értékeket tudnám a

jelenleg használt modellezési módszerrel figyelembe venni, ugyanakkor

némi átalakítással a véges halmazokra bontható értékek (pl. talajtípus) is

alkalmazhatóak lennének.

A hőösszeg és az edafikus paraméterek alkalmazásának lehetőségét és

szükségességét LADÁNYI (2012) és ITTZÉS (2012) szóbeli közlésükben

megerősítették. Az edafikus adottságok látszólag a klímamodellezéshez nem

kapcsolódnak. Azonban a növények igényeit a talajadottság legalább olyan mértékben

befolyásolja, mint az éghajlat. Hozzá kell tennünk azt, hogy nagy léptékben a talajcsere

könnyebben megvalósítható, mint a klímamódosítás, de azt is, hogy Magyarország

talajai nagyrészt alkalmatlanok a mészérzékeny fajok telepítésére. Ezért, ha elterjedési 49 Vagy inkább a legtöbb klímaparaméter. 50 Főként a szórás és az átlag alapján.

– Eredmények –

64

területet szeretnénk modellezni telepíthetőségi terület helyett, akkor alapjaiban vitatható

az olyan modellezési módszer, mely az edafikus adottságokat nem veszi figyelembe!

5.1.6 A kutatási módszer alkalmazásának további lehetőségei

A diplomamunkában összefoglalt kutatás módszertanának ismertetése (4. fejezet)

és a módszertani fejlesztési lehetőségek áttekintése (5.1. fejezet) után úgy gondolom,

nem szerénytelenség, ha áttekintem, hogy e modellezési megközelítést milyen

szakterületeken lehetne még alkalmazni. Kutatásomat csupán

− a fás szárú, Mediterráneumból származó növényekre (potenciális

dísznövényekre) és

− a Moesz-vonalhoz kapcsolódó melegigényes növényekre terjesztettem ki.

Ugyanakkor a modellezési módszer elviekben alkalmazható minden európai

elterjedési, termesztési, telepíthetőségi, előfordulási vagy egyéb jellegű területtel bíró

növény-, gomba- és állatfajra, betegségre stb. Például a klímaváltozás hatása a

kullancsokra (melyet TRÁJER (2011) más módszerrel vizsgált) kutatható lenne az

elterjedési terület alapján történő modellezéssel.

PÉNZES (2006) utal rá, hogy „A klímaváltozás termesztett növények kártevő

együtteseire gyakorolt hatásának beható kutatására nem vállalkozhattunk, de a

kertészeti növények kártevőinek kutatása során felfigyeltünk arra, hogy az elmúlt

évtizedekben egyre több mediterrán eredetű, hazánkban új kártevő jelet meg a kertészeti

növényeken.” Ezen kártevők jövőben várható elterjedését jól előre lehetne jelezni jelen

kutatás modellezési módszerével. Fontos hangsúlyozni azonban, hogy az általam

alkalmazottól eltérő modellezési megközelítéssel már megkezdődtek a témában a

kutatások (többek között a kis téliaraszolóra (KÚTI 2011)).

A tájépítészethez a növényi kártevők mellett a mezőgazdasági haszonnövények

témaköre is kapcsolódik, melyekre jelen kutatás szintén kiterjeszthető. Például a

melegigényes haszonnövények közül a rizst érdemes kiemelni (TURCSÁN 2007,

ERDÉLYI 2011). Ugyanakkor a napjainkban is termesztett haszonnövények hozamának

megváltozását, legyen az akár pozitív, akár negatív, vizsgálni lehetne az általam

alkalmazott modellezési módszerrel, feltéve, ha termesztési terület, vagy hozamtérképek

rendelkezésre állnak. Eltérő modellezési módszerrel már készültek előrejelzések

(többek között a cseresznyére (GAÁL 2011), kukoricára (DIÓS 2009) és a szőlőre

(SZENTELEKY 2012)).

– Eredmények –

65

Fontosnak tartom kiemelni, hogy a Moesz-vonal modellezését botanikai módon

közelítettem, azonban a hozzá kötődő szőlőtermesztés szempontjából is érdemes

értékelni az eredményeket. A Moesz-vonal modellezésének eredményeit továbbá

érdemes lenne a szőlőtermesztés elmozdulására készített, más módszertannal kialakított,

modellezésekkel egybevetni.

5.2 Módszertani eredmények a Moesz-vonal modellezése

vonatkozásában

5.2.1 Elterjedésmodellezés módszere

Az 5.1. fejezetben összefoglalt módszertani megjegyzések, javaslatok a Moesz

vonal modellezési módszerei közül a vonalmodellezésre, és különösen pedig az

elterjedésmodellezésre is érvényesek. Ezek újbóli ismertetésétől eltekintek, azonban a

Moesz-vonal modellezésének három módszerét röviden áttekinteni érzem

szükségesnek.

Az elterjedésmodellezés, melytől mind közül a legrészletesebb eredményt vártuk,

a várakozásnak megfelelően igen összetett, és ezen okból kifolyólag többféleképpen is

értékelhető eredményt adott. Fontos leszögezni, hogy az elterjedésmodellezés

módszerének alkalmazhatósága a kutatás során bizonyosságot nyert.

A módszer fejlesztési lehetőségének látom olyan fajokat bevonni a kutatásba,

melyek elterjedésének déli határvonala jelöli ki a Moesz-vonalat, és ezen fajok

modellezett elterjedési területének déli határvonala segítségével pontosítani lehetne a

modellezett Moesz-vonalat.

A növények éghajlati igényének szűréséhez felhasznált, a 4.4.3. fejezetben

ismertetett 4. számú képlet alkalmazása megfelelőnek bizonyult. Eltérő képletek

próbára tétele azonban javasolható.

A módszer tovább pontosítható –ha erre a felhasznált klímaadatsor felbontása, az

elterjedési területek pontossága és az éghajlati igények szűrésének megbízhatósága

felhatalmazást ad – azáltal, hogy a modellezett jövőbeli elterjedések északi határvonalát

térinformatikai átlagoló eljárással vonjuk össze egy vonallá, a jövőbeli Moesz-vonallá.

– Eredmények –

66

Az elterjedésmodellezés eredményeit az 5.3.2. fejezetben ismertetem szövegesen,

a térképes eredmények bemutatása pedig a VI. és VII. mellékletekben található.

5.2.2 Vonalmodellezés módszere

A vonalmodeelezés az elterjedésmodellezéshez hasonló szemléletben végzett, de

jóval gyorsabb megközelítés. Az előző fejezetben elmondottakkal összhangban a

vonalmodellezés is jól alkalmazható módszernek bizonyult, a 4. számú képlet

alkalmazása megfelelő választásnak tűnt. Felvethető a vonalmodellezés esetében is,

hogy egy, a Moesz-vonalat északról közelítő Moesz-növény elterjedésének

modellezésével az eredmények tovább árnyalhatóak.

A várakozásnak megfelelően a vonalmodellezés egyszerű, jól értelmezhető,

egyértelmű eredményt adott. A várakozásunkhoz képest nagyobb volt a párhuzam a

vonal- és az elterjedésmodellezés eredménye között, mely értékelhető úgy is, hogy

− a vonalmodellezés a várakozáshoz képest pontosabb eredményt adott

(hiszen az elterjedésmodellezés pontosabb nála); de akár úgy is, hogy

− a két módszer hasonló módszertani hibákkal és pontatlanságokkal terhelt,

mely a hasonló eredményekben is jól visszatükröződik. Véleményem

szerint a hasonló pontatlanságok és hibák ellenére is kimondhatjuk, hogy a

vonalmodellezés pontossága viszonylag magasnak mutatkozott.

5.2.3 Izotermamodellezés módszere

Az izotermamodellezést ismertető (4.5.4.) fejezetben kifejtettem fenntartásaimat a

modellezési módszerrel kapcsolatban, melyeket az eredmények igazoltak. A

várakozásokkal (gyenge eredmények) ellentétben az izotermamodellezés eredményei

egyáltalán nem értékelhetőek a Kárpátoktól északra eső területen, ezért a módszer

ilyentén felhasználása nem alkalmas a Moesz-vonal modellezésére, vagy csak erős

megszorításokkal a Kárpátoktól délre eső területen.

Fontosnak tartom hangsúlyozni, hogy megfelelő fejlesztések – mint például a

Moesz-vonallal összefüggő izoterma kiválasztása korrelációanalízissel – mellett sem

válik alkalmassá a téli minimum-hőmérsékleti izotermák követésére épülő

izotermamodellezés a Moesz-vonal modellezésére. Eltérő hónapok és eltérő

– Eredmények –

67

paraméterek, főként pedig az egyszerre több paraméter kiválasztása már inkább a

vonalmodellezéshez hasonlítható. Függetlenül pedig attól, hogy melyik módszerhez

sorolnánk, az izotermamodellezés nyújtotta legfőbb előnyt, a gyorsaságot nem

biztosítaná.

5.2.4 A modellezési módszerek összehasonlító értékelése

A Moesz-vonal várható északra tolódásának modellezésére három egymástól

független módszert próbáltunk ki. Összességében láthatjuk, hogy a felhasznált három

módszer közül kettő a Moesz-vonal északra tolódásának modellezésére alkalmasnak

bizonyult. Várakozásainkhoz képest a Moesz-vonal eltolódása (részletes eredményeket

lásd az 5.3.2. fejezetben) a 2011-2040-es időszakban jóval kisebb mértékű, a 2041-

2070-es időszakra azonban már az előzetes becsléseknek megfelel az eltolódás. A

térképekből jól nyomon tudjuk követni, hogy a klíma milyen jelentős mértékű

változáson fog keresztülmenni az elkövetkező 60 évben az A1B klímaszcenárió szerint.

Elmondható, hogy az első két módszer nagyjából hasonló eredményt hozott a

2041-2071 közötti időszakra, míg a 2011-2040 közötti időszakban a Kárpátoktól

északra csak az elterjedésmodellezés módszere rajzolta a Moesz-vonalat (igaz, az sem

teljes bizonyossággal). Ennek ellenére az elterjedésmodellezés nem ad annyival

pontosabb, használhatóbb információt, amennyi plusz munkaórát jelent több növényfaj

elterjedésének egymástól független modellezése. Ezért, a történelmi hőség és Moesz

Gusztáv iránti tiszteleten túl nem látok további érvet, mely az elterjedésmodellezés

mellett szólna. Az izotermamodellezés a várakozásoknál is gyengébb eredményt hozott,

ezért végül a vonalmodellezés tűnik a munkaarányosan legjobb eredményt adó

módszernek.

A 10. táblázatban összefoglaltam a Moesz-vonal modellezésnek három

módszerére vonatkozó legfőbb tapasztalatokat. Név Használható Az előzetes várakozásnak megfelelnek az eredmények Vonalmodellezés + - (2011-2040)

+ (2041-2070) Elterjedésmodellezés + + Izotermamodellezés - - (Várható volt, hogy bizonytalan eredményt ad, de az

nem, hogy ennyire.) 10. táblázat A Moesz-vonal modellezéséhez alkalmazott három módszer összevetése az alkalmazhatóság és az előzetes várakozásoknak való megfelelés szempontjából

– Eredmények –

68

5.3 Modellezési eredmények és értékelésük

5.3.1 Telepíthetőségi területek

Mivel a telepíthetőségi területek modellezése során inkább a módszertanra

helyeztem a hangsúlyt, ezért a következőkben ismertetett (és a V. mellékletben a

teljesség igényével is bemutatott) térképlapok mint modelleredmények megbízhatósága,

pontossága változó. Ennek okairól már bővebben szóltam a 4.2., a 4.4.3. és az 5.1.

fejezetekben.

A 11. táblázatban értékeltem a modelleredményeket pontosság szempontjából. A

„Pontosság az areatérkép alapján” oszlopban feltüntetett becsült pontosságokat a 4.2.

fejezetben már ismertettem. A „Pontosság a modelleredmények alapján” oszlopba a

következő értékek kerültek:

− Pontos, ha az elterjedési terület és a referencia-időszakra modellezett

telepíthetőségi terület jól összemérhető (például Abies numidica, 38. ábra),

38. ábra Az Abies numidica elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)

– Eredmények –

69

− Pontatlan, ha az elterjedési terület és a referencia-időszakra modellezett

telepíthetőségi terület nagy eltérést mutat, és

− Nagyon pontatlan, ha az elterjedési terület és a referencia-időszakra

modellezett telepíthetőségi terület nagyságrendi eltérést mutat.

Nem tagadható ugyanakkor, hogy a korábban ismertetett érvek mentén még a

pontosként megcímkézett modelleredmények is pontatlanok, vagyis csak az elérhető,

viszonylag gyenge pontosságot közelítik, kevés számú kivételtől eltekintve. A pontos és

a pontatlan eredmények közti határ meghúzása önkényes és matematikailag nem igazolt

módon történt, ugyanakkor az eredmények részletesebb kiértékelése során az 5.1.3.

fejezetben ismertetett képlet szerint lehetne a modelleredményekre kapott pontosságot

meghatározni. A nagyon pontatlan címkét kapott fajok esetén viszont nem vitatható,

hogy a modellezés további fejlesztésre szorul (például Juniperus thurifera, 39. ábra).

A táblázatban feltüntettem továbbá, hogy az előzetes várakozástól eltért-e a

modelleredmény pontossága. Amennyiben a várakozás „pontos” vagy „nagyon pontos”

volt és a kapott eredményt „pontos”-nak ítéltem, illetve amennyiben a várakozás

„pontatlan” volt és a kapott eredmény „pontatlan” vagy „nagyon pontatlan”, a

várakozásokkal való egyezést jelöltem meg, egyéb esetekben pedig eltérést.

39. ábra A Juniperus thurifera elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)

– Eredmények –

70

Tudományos név51 Magyar név52 Pontosság az areatérkép alapján

Pontosság a modelleredmények alapján

Eltérés


Pontos Pontatlan Eltér


Pontos Pontatlan Eltér



Pontos Nagyon pontatlan Eltér


Pontos Pontos Egyezik




Acer heldreichii Orph. ex Boiss.

balkáni juhar Pontos Pontatlan Eltér

Acer monspessulanum L. francia juhar Pontos Pontos Egyezik Acer sempervirens L. örökzöld juhar Pontos Pontos Egyezik Buxus balearica Lam. baleári puszpáng Pontatlan Pontatlan Eltér Euonymus latifolius (L.) Mill. déli kecskerágó Pontos Nagyon pontatlan Eltér Fagus orientalis Lipsky keleti bükk Nagyon pontos Pontos Egyezik Juniperus oxycedrus L. vörös tűboróka Pontatlan Nagyon pontatlan Egyezik Juniperus thurifera L. spanyol boróka Pontatlan Nagyon pontatlan Egyezik Laurus nobilis L. közönséges

babér Pontos Pontatlan Eltér

Liquidambar orientalis Mill. keleti ámbrafa Nagyon pontos Pontos Egyezik Phillyrea angustifolia L. keskenylevelű

olajfagyal Pontos Pontos Egyezik




Nagyon pontos Pontos Egyezik

Pinus halepensis Mill. aleppófenyő Nagyon pontos Pontos Egyezik Pinus nigra J. F. Arnold feketefenyő Nagyon pontos Pontatlan Eltér Pinus peuce Griseb. makedón

selyemfenyő Pontatlan Pontatlan Egyezik

Pinus pinaster Aiton parti fenyő Nagyon pontos Pontos Egyezik Pinus pinea L. európai

mandulafenyő Nagyon pontos Pontos Egyezik

Quercus canariensis Willd. Kanári-tölgy Pontatlan Pontos Eltér Quercus coccifera L. karmazsintölgy Pontos Pontos Egyezik Quercus faginea Lam. ibériai tölgy Pontatlan Pontatlan Egyezik Quercus ilex L. magyaltölgy Pontos Pontos Egyezik Quercus rotundifolia Lam. kereklevelű

tölgy Pontatlan Pontatlan Egyezik

Quercus suber L. paratölgy Nagyon pontos Pontos Egyezik Quercus trojana Webb trójai tölgy Pontatlan Pontatlan Egyezik Rhamnus fallax Boiss. hegyi benge Pontos Pontatlan Eltér Tilia tomentosa Moench ezüst hárs Pontos Pontos Egyezik Ulex europaeus L. európai sünzanót Pontos Pontos Egyezik 11. táblázat A modellezés eredményeinek értékelése a várt és kapott pontosság alapján 51 IPNI 2005 szerint. 52 PRISZTER 1998 szerint.

– Eredmények –

71

A diplomamunkám és kutatásom célja volt a térképlapok szakmai és szakmán

kívüli bemutathatóságát biztosítani. Így nagyobb értéke van azoknak a

modelleredményeknek, melyek a klímaváltozás irányát, mértékét jól látható módon

szemléltetik. A térképek hazai felhasználását pedig elősegíti, ha Magyarország területén

mutatnak változásokat a referencia-időszak és a jövőbeli időszakok között. Ugyanakkor

a térképek értékének megbecslésekor nem szabad figyelmen kívül hagyni azok

pontosságát sem. Az elmondottakat fajokra bontva ismertetem a 12. táblázatban.

„A klímaváltozás hatása” oszlopban megjelöltem, hogy a kapott térképlapokon a

klímaváltozás mértéke és iránya:

− Megfigyelhető, a legtöbb térkép ebbe a kategóriába esik; vagy

− Kevéssé megfigyelhető, főként a nagy pontosságú, kis area alapján

futtatott modelleredmények ilyenek; vagy pedig

− Nem megfigyelhető. Utóbbi kevés fajt érint, és mindegyik esetén a

modellezési területen kívül várhatjuk, hogy a klímaváltozás hatása

megjelenjen (példáus Euonymus latifolius, 40. ábra).

40. ábra Az Euonymus latifolius elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)

– Eredmények –

72

Hangsúlyozandónak tartom, hogy a kevéssé megfigyelhetőnek címkézett

modelleredmények (például Quercus canariensis, 41. ábra) legalább olyan pontosak,

vagy pontosabbak, mint a megfigyelhetőnek címkézett modelleredmények, így nem

állíthatjuk, hogy előbbiek nem a klímaváltozás valódi tendenciáit ábrázolnák, pusztán

szemléltetésre kevésbé alkalmasak.

Tudományos név53 Magyar név54 A klímaválto-

zás hatása Magyar- ország érintett

Magyar- ország egésze

Érték


Megfigyelhető 1990 2070 Kevéssé értékes


Megfigyelhető 1990 Soha Kevéssé értékes





Kevéssé megfigyelhető

2070 Soha Értékes



Kevéssé megfigyelhető

Soha Soha Értékes

Acer heldreichii Orph. ex Boiss.

balkáni juhar Megfigyelhető 1990 1990 Kevéssé értékes

Acer monspessulanum L. francia juhar Megfigyelhető 1990 1990 Kevéssé értékes

53 IPNI 2005 szerint. 54 PRISZTER 1998 szerint.

41. ábra A Quercus canariensis elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)

– Eredmények –

73

Acer sempervirens L. örökzöld juhar Megfigyelhető 1990 2070 Értékes Buxus balearica Lam. baleári

puszpáng Megfigyelhető 1990 2070 Kevéssé

értékes Euonymus latifolius (L.) Mill. déli

kecskerágó Nem megfigyelhető

1990 1990 Kevéssé értékes

Fagus orientalis Lipsky keleti bükk Megfigyelhető 1990 2040 Értékes Juniperus oxycedrus L. vörös tűboróka Nem

megfigyelhető 1990 1990 Kevéssé

értékes Juniperus thurifera L. spanyol boróka Nem

megfigyelhető 1990 1990 Kevéssé

értékes Laurus nobilis L. közönséges

babér Megfigyelhető 1990 2040 Kevéssé

értékes Liquidambar orientalis Mill. keleti ámbrafa Kevéssé

megfigyelhető 2040 Soha Értékes

Phillyrea angustifolia L. keskenylevelű olajfagyal






Pinus halepensis Mill. aleppófenyő Megfigyelhető 1990 Soha Értékes Pinus nigra J. F. Arnold feketefenyő Megfigyelhető 1990 1990 Kevéssé

értékes Pinus peuce Griseb. makedón

selyemfenyő Megfigyelhető 1990 1990 Kevéssé

értékes Pinus pinaster Aiton parti fenyő Megfigyelhető 1990 2070 Értékes Pinus pinea L. európai

mandulafenyő Megfigyelhető 1990 Soha Értékes

Quercus canariensis Willd. Kanári-tölgy Kevéssé megfigyelhető

2070 Soha Értékes

Quercus coccifera L. karmazsintölgy Megfigyelhető 1990 1990 Kevéssé értékes

Quercus faginea Lam. ibériai tölgy Megfigyelhető 1990 1990 Kevéssé értékes

Quercus ilex L. magyaltölgy Megfigyelhető 1990 1990 Kevéssé értékes

Quercus rotundifolia Lam. kereklevelű tölgy


Quercus suber L. paratölgy Kevéssé megfigyelhető

2040 2070 Értékes

Quercus trojana Webb trójai tölgy Megfigyelhető 1990 1990 Kevéssé értékes

Rhamnus fallax Boiss. hegyi benge Megfigyelhető 1990 1990 Kevéssé értékes

Tilia tomentosa Moench ezüst hárs Megfigyelhető 1990 1990 Kevéssé értékes

Ulex europaeus L. európai sünzanót

Megfigyelhető 1990 2070 Értékes

12. táblázat A modellezés eredményeinek értékelése a hazai klíma megváltozásának szemléltetése szempontjából. Részletes magyarázatát lásd a szövegben.

A táblázatban feltüntettem továbbá, hogy a vizsgált fajok telepíthetőségi területe a

modellezés szerint melyik időszakban érinti először Magyarországot, illetve, hogy

melyik időszakban találjuk meg a növényt hazánk teljes területén először. Az 1990-es

címke a referencia-időszakot (1961-1990) jelöli, míg a 2040 a 2011-2040 közötti, a

– Eredmények –

74

2070 a 2041-2070 közötti periódus rövidítését képezi. A legtöbb faj (például Acer

heldreichii, 42. ábra) már a referencia-időszak során Magyarország egészén

előfordulhat a modelleredmények szerint, értelemszerűen ezen térképek általában nem

is alkalmasak a klímaváltozás szemléltetésére hazánkban.

A táblázat utolsó, „Érték” oszlopában feltüntettem, hogy összességében az adott

fajra készített térképlap mennyire jól szemlélteti a klímaváltozás várható hatását.

Megkülönböztettem értékes (például Quercus suber, 43. ábra) és kevéssé értékes

modelleredményeket, a csoportosítás kialakítása során figyelembe vettem a pontosságot

és azt, hogy hazánk területén milyen mértékű változást szemléltet a térképlap.

A modelleredmények pontosságtól és szakmai körön kívüli

szemléltetőképességtől jól illusztrálják számunkra, hogy a klímaváltozás milyen

mértékben fogja a REMO klímamodell szerint Európát érinteni. A kutatásba vont

fajokra végzett modellezés eredményeinek részletes szöveges értékelésétől eltekintek,

hiszen az V. számú mellékletben a térképlapok áttanulmányozhatók, és a

diplomamunká értékéhez nem adna többletet, ha részletesen leírnám a térképekről eleve

könnyebben és gyorsabban leolvasható adatokat.

42. ábra Az Acer heldreichii elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)

– Eredmények –

75

43. ábra A Quercus suber elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)

44. ábra Az Ulex europaeus elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)

– Eredmények –

76

Egyetlen fajt kívánok kiemelni csupán a többi közül. A vizsgálatba vont növények

döntő hányada mediterrán, esetleg mediterrán dominanciájú atlanti-mediterrán

elterjedésű, egyedül az európai sünzanót (Ulex europaeus) elterjedése döntően atlanti. A

felhasznált modellezési módszer univerzalitását bizonyítja, hogy a mediterrán fajok

modellezéséhez megalkotott módszertan mellett az atlanti elterjedésű fajra végzett

modellezés is szemléletes, az óceáni klímahatásokat érzékelhető módon megjelenítő

térképlapot eredményezett. HUFNAGEL (2012) szóbeli közlésében kiemelte az európai

sünzanótra készített modelleredmény jelentőségét és újszerűségét.

A leanderre (Nerium oleander) készített modelleredményemet érdemes összevetni

BERRY (2006) eredményével.

Az elmondottak és a bemutatásra került térképlapok alapján láthatjuk, hogy

összevetve az előzetes kutatás eredményeivel (5.1.2. fejezet és főként a III. számú

melléklet) a REMO klímaadatsorával végzett modellezés, főként az adatsor viszonylag

gyenge horizontális felbontása miatt, az előzetes várakozásoknak nem maradéktalanul

megfelelő megbízhatóságú, értékű eredményt hozott. Ezért – jobban kidolgozott

metodika mellett – érdemesnek tartom a vizsgálatba vont fajok többségére egy

részletesebb klamíadatsor (például a HadCM3) szerinti modellezés újbóli lefuttatását.

5.3.2 Moesz-vonal

A Moesz-vonal északra tolódásának modellezése, melynek során a telepíthetőségi

területek modellezésével ellentétben az eredményekre is nagy hangsúlyt fektettem,

sikeresnek bizonyult. A felhasznált három módszer közül kettő érdemi eredményeket

hozott, és e kettő a 2041-2070-es időszakra nagyjából megegyezőt. A következőkben

részletesen ismertetem a modelleredményeket.

A vonalmodellezés (45. ábra) szerint a referencia-időszakra modellezett Moesz-

vonal nagyjából követi az eredeti vonalat (46. ábra), a felhasznált klímamodell

horizontális felbontása mellett ez a pontosság kimondottan jónak mondható. A 2011-

2040 közötti időszak várható vonala a várakozásokkal ellentétben nem mozdult el

számottevően északra, sőt, Rimavská Sobota és Tisovec vonalától keletre a referencia-

időszak modellezett vonalától délre fut, Rožňava-tól keletre pedig még az eredeti

vonaltól is délre jelenik meg. Ennek oka további vizsgálatra szorul, feltételezhetően a

vegetációs időszak csapadékösszegének alsó korlátja tolja a kérdéses szakaszon a

vonalat a várthoz képest ennyire déli irányba.

– Eredmények –

77

A 2041-2070 közötti időszakban viszont már a várakozásoknak megfelelő

eredményt kaptam. A Moesz-vonal 2 (vagy értelmezés szerint 3) helyen jelenik meg.

46. ábra Szlovákiai kivágat a Moesz-vonal modellezési eredményéből a vonalmodellezés módszere szerint országhatáros és vízrajzi alaptérképen

45. ábra A Moesz-vonal modellezési eredménye a vonalmodellezés módszere szerint. A képzeletbeli Moesz-növény elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)

– Eredmények –

78

Egyrészt a Kárpátokon magasabb régióba húzódik (46. ábra), másrészt viszont a

Kárpátoktól északra, Lengyelországban is megjelenik (47. ábra). Értelemszerűen így

kialakul az Anti-Moesz-vonal, amely a lengyelországi optimális éghajlatú területeknek

déli irányban, a Kárpátok felé szab határt.

A 2041-2070 közötti időszakban a modellezett Moesz-vonal lengyelországi

szakasza és a modellezett Anti-Moesz-vonal közötti terület felel meg a referencia-

időszakban a Moesz-vonaltól délre található földrajzi egységnek. További vizsgálatra

tartom érdemesnek a 2041-2070 között a Kárpátokba két irányból felhúzódó vonal

(Anti-Moesz-vonal és a Moesz-vonal déli, szlovákiai szakasza) a tengerszint feletti

magasság szerint hogyan alakul egymáshoz képest és az eredeti Moesz-vonalhoz (200

m, MOESZ 1911) képest. Az eredmények összhangban állnak a Kárpát-medencével

földrajzilag analóg régiók modellezésének eredményeivel (HORVÁTH 2008a).

47. ábra Lengyelországi kivágat a Moesz-vonal modellezési eredményéből a vonalmodellezés módszere szerint országhatáros és vízrajzi alaptérképen, a 2041-2070 közötti időszakra

– Eredmények –

79

A déli, javarészt Szlovákiában húzódó vonal összeköti a következő településeket:

Brno (Brünn, Csehország), Zlín (Csehország), Trenčín (Trencsén, Szlovákia), Zvolen

(Zólyom, Szlovákia), Lučenec (Losonc, Szlovákia), Kosice (Kassa, Szlovákia),

Humenné (Homonna, Szlovákia), Szvaljava (Szolyva, Ukrajna) és Bacău (Bákó,

Románia).

Az északi vonal nagyjából összeköti a következő településket: Berlin

(Németország), Poznań (Lengyelország), Warszawa (Varsó, Lengyelország), Garwolin

(Lengyelország), Włodawa (Lengyelország), Novohrad-Volinszkij (Ukrajna) és Bila

Cerkva (Ukrajna). Az anti-Moesz-vonal összeköti a következőket: Dresden (Drezda,

Németország), Bolesławiec (Lengyelország), Rybnik (Lengyelország), Częstochowa

(Lengyelország), Kraków (Krakkó, Lengyelország) és Lviv (Ilyvó, Ukrajna)

Az elterjedésmodellezés a várakozásainknak megfelelően árnyaltabb képet adott a

Moesz-vonal várható eltolódásáról. Mint az várható volt, a vizsgálatba vont 18 faj nem

ugyanazokat a modelleredményeket adta, így voltak olyanok, amelyek

− a modellezési periódus végére sem lépték át a Kárpátokat északi irányban

(48. ábra), amelyek

48. ábra A Cephalaria transsylvanica elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)

– Eredmények –

80

49. ábra Az Eryngium planum elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)

50. ábra A Galega officinalis elterjedési területe (sötétzöld), valamint modellezett telepíthetőségi területe a referencia-időszakban (világoszöld), a 2011-2040 közötti időszakban (citromsárga) és a 2041-2070 közötti időszakban (narancssárga)

– Eredmények –

81

− a 2011-2040-es időszakban még nem, de a 2041-2070-es időszakban már a

modelleredmény a fajt a Kárpátoktól északra is megjeleníti (49. ábra) és

amelyek

− már a korábbi modellezési periódusban is átlépték55 a Kárpátokat (50.

ábra).

A vizsgált fajokat a 13. táblázatban csoportosítottam aszerint, hogy melyik

modellezési periódusban lépték át a Kárpátokat. Tudományos név A Kárpátoknál

északabbra tolódik (2011-2040)

A Kárpátoknál északabbra tolódik (2041-2070)

Aira elegantissima Schur - + Althaea officinalis L. + + Cephalaria transsylvanica (L.) Roem. & Schult. - - Clematis integrifolia L. - + Cruciata pedemontana (Bellardi) Ehrend. - + Eryngium planum L. - + Euphorbia seguieriana Neck. - - Galega officinalis L. + + Phlomis tuberosa L. - - Salvia aethiopis L. - - Sideritis montana L. + + Vitis vinifera L. + + Xeranthemum annuum L. - - Castanea sativa Mill. - - Cotinus coggygria Scop. - - Fraxinus ornus L. + + Quercus cerris L. + + Vitis sylvestris C. C. Gmel. - - 13. táblázat Az elterjedésmodellezéshez használt fajok és a Kárpátokat való átlépésük modellezett ideje

Elmondható, hogy a Moesz-vonalat leíró eredeti 12+1 faj sokkal koherensebb

elmozdulást rajzolt ki, a Moesz-vonalhoz utólag kapcsolt fajok – mivel azok elterjedését

nem pontosan a Moesz-vonal határolja – sokkal diverzebb eredményt adtak (51. ábra).

A cser (Quercus cerris) és a virágos kőris (Fraxinus ornus) elterjedése kiugróan sokat

tolódik, továbbá egyedül ez a két faj találja meg a közvetlen kapcsolatot a Kárpátokon

keresztül a szlovákiai és lengyelországi modellezett elterjedési blokkok között.

Elmondható továbbá, hogy a bortermő szőlő (Vitis vinifera) és a parlagi sármányvirág

(Sideritis montana) követi leginkább az első módszerrel kirajzolt 2041-2070 közötti

északi vonalat.

55 Természetesen nem feltétlenül olyan folytonos elterjedéssel, mely a Kárpátok magasabb régióit is magában foglalja.

– Eredmények –

82

Érdemes megvizsgálni MOESZ (1911) megjegyzését: „én úgy látom, hogy az

Althaea micrantha56 jelzi azt a legtávolabbi határt, a meddig eljuthatnak. Ebben a

határmegvonásban a Galega57 is társul az Althaeahoz. Ha az eddig felsorolt 12

növénynek legészakibb pontjait, magasság tekintetében szemügyre vesszük, úgy azt

fogjuk észrevenni, hogy – a Salvia aethiopis és Euphorbia Gerardiana58 kivételével –

azok nagyrésze a 200 m magasságot jelző vonal mentén csoportosul.” Utóbbi észrevétel

összecseng a modelleredményekkel, sem a magyar zsálya (Salvia aethiopis), sem a

pusztai kutyatej (Euphorbia seguieriana) nem lépi át a Kárpátokat a 2041-2070-es

56 Althaea officinalis. 57 Galega officinalis. 58 Euphorbia seguieriana.

51. ábra Lengyelországi kivágat a Moesz-vonal modellezési eredményéből a vonalmodellezés és az elterjedésmodellezés módszere szerint országhatáros és vízrajzi alaptérképen. Fekete színnel 2041-2070-es időszak, szürkével pedig a 2011-2040-es időszak modelleredményeit ábrázolom.

– Eredmények –

83

időszakban. Ugyakkor a dunántúli zilíz (Althaea officinalis) a távoli modellezési

periódusban a meghúzott Moesz-vonaltól többnyire délre helyezkedik el. Az orvosi

kecskeruta (Galega officinalis) modelleredménye összefüggésbe hozható Moesz

észrevételével, hiszen az eredeti 12 faj közül ez a faj húzódik legészakabbra.

Érdekes eredmény, hogy az előző módszerrel ellentétben a 2011-2040 közti

időszakra a Moesz-vonal az elterjedésmodellezés szeint részlegesen átlépi a Kárpátokat,

igaz, inkább csak foltszerű elterjedéssel jelennek meg a vizsgált fajok. Ugyanakkor a

vonalmodellezésnél egyáltalán nem jelent meg a Kárpátoktól északra a Moesz-vonal.

Az elterjedésmodellezés szerinti szlovákiai vonalakat nem rajzoltam ki, mert azok

(a klímamodell horizontális felbontásához képest) nagy mértékben egybeesnek a

vonalmodellezés eredményével és nem mutatnak bemutatásra méltóbb mértékű

elmozdulást a referencia-időszakhoz képest.

További vizsgálatként javaslom az Anti-Moesz-vonal pontosítását az

elterjedésmodellezés módszerével, vagyis több faj elterjedési területének modellezése

alapján meghúzni azt.

Az izotermamodellezés a vártnál is gyengébb eredményt hozott (52. ábra). Az a

januári minimum-hőmérsékleti izoterma (-3,86 °C, 25,05 °F), mely a referencia-

időszakban nagyrészt egybeesett a Moesz-vonallal, már a referencia-időszakban is

megjelent a Kárpátoktól északra, mégpedig nem is a Kárpátok vonalával párhuzamosan,

52. ábra A Moesz-vonal eltolódásának izotermamodellezés szerinti eredménye vízrajzi alaptérképre vetítve

– Eredmények –

84

hanem arra merőlegesen. Ennek oka nagy valószínűség szerint a közeli tengerek

kiegyenlítő klímamódosító hatása. Ez azonban a kontinentális éghajlati hatásoknak

sokkal jobban kitett Moesz-vonal szempontjából nem vehető figyelembe. Így,

függetlenül attól, hogy csak egy vagy több téli hónap minimum-hőmérsékletét

vizsgáljuk, az izotermamodellezés a Moesz-vonal eltolódásának vizsgálatára nem

használható. Az jól látható, hogy a 2011-2040-es időszakban még elválasztó

akadályként jelenik meg a Kárpátok, 2041-2070 között viszont már a januári izoterma

szempontjából a Kárpátok szabad átjutást biztosít a fajoknak. Az elmondott problémák

miatt az izotermamodellezés eredményének további értékelésétől eltekintek.

– Következtetések –

85

6 KÖVETKEZTETÉSEK

6.1 Az eredmények tájépítészeti vonatkozásai

A diplomamunka modellezési módszert taglaló és az annak fejlesztését bemutató

munkarészei alapján joggal felvetődik a kérdés, hogy e kutatásnak mennyi kapcsolódási

pontja van a tájépítészethez. Úgy gondolom, nagyonis sok, hiszen a téma matematikai,

programozáselméleti, alkalmazott szofvertechnológiai és botanikai körüljárása is mind a

végső célt szolgálták: hogy olyan térképlapokat sikerüljön létrehozni modellezés

segítségével, melyek a tájépítész szakma jövőbeli döntéseit, szemléletét – ha csak kis

mértékben is, de – befolyásolják. Az elkészített térképlapok a klímaváltozás témakörét

körüljáró viták során is jó szakmapolitikai eszközként szolgálhatnak, ugyanakkor sokkal

fontosabbnak érzem hangsúlyozni, hogy a tájépítészet klímaváltozáshoz való

viszonyának újraértelmezéséhez segítséget ad. A modelleredményekből egyértelműen

látszik, hogy szűk évtizedek (kevesebb mint egy faöltő) alatt a globális klímaváltozás

hatása akkora lesz, hogy az alkalmazkodás kezdő lépéseit mihamarabb meg kell

tennünk59.

Úgy gondolom, felelős és hosszú távú tájépítészeti gondolkodással nem

egyeztethető össze például az intenzív kertfenntartás, különösen pedig az automata

öntözés szorgalmazása, hogy csak egy példát említsek. És talán a szakmán belül nem is

szükséges az agyonhasznált „fenntarthatóság” kulcsszót alkalmaznom ahhoz, hogy

belássuk: a jövőben prognosztizált szárazodás mellett szakmailag tisztességtelen avval

hitegetni a megbízókat, hogy öntözés megoldja a problémákat! Megállapításom

sommás, azonban tájépítészként azt az álláspontot képviselem, hogy a szabadtér- és

kertépítészet jelenleg egyáltalán nem, vagy legalábbis nem kellő mértékben

alkalmazkodik a klímaváltozáshoz. A struccpolitika hosszú távon nem alkalmazható:

hol vannak a szárazságtűrő fajok, hol vannak az újszerű csapadékvíz-visszatartási

59 Részint úgy érzem, már elkéstünk vele.


86

módszerek, meddig várjunk még a meleg és száraz klímához jobban illő közterületi

tájépítészeti megoldásokra?

Hiszem és remélem, hogy a diplomamunkámban összefoglalt kutatás is hatást

gyakorolhat a tájépítészetre, hogy kapcsolatát a klímaváltozással újragondolhassa.

6.2 Az eredmények kertészeti és dendrológiai vonatkozásai

Kutatásom eredményei a dísznövény-alkalmazást és a tájépítészeti dendrológiát is

nagyban érintik, hiszen a telepíthetőségiterület-modellezésbe olyan fajokat vontam be,

melyek Magyarországon potenciális dísznövények. Némelyikük, mint az ikertűs fenyők

többsége és néhány tölgy, már napjainkban is megtalálható arborétumainkban. A fajok

többsége azonban legfeljebb egy-két fiatal egyeddel képviselteti magát hazánkban, és

fagytűrésük, téltűrésük vagy éppen klímatűrésük nem bizonyított. A kutatás alapján, ha

az eredményeket átfogó szemlélettel értékeljük, megállapítható, hogy a mediterrán fajok

nagy része az elkövetkező 60 évben Magyarországon ahhoz hasonló klimatikus

feltételekre fog találni, melyeket jelenleg elterjedési területén tapasztal. A

megállapításból egyértelműen következik, hogy a hazai dendrológiának sorra kell venni

azokat a fajokat, melyek a jövőben hazánkban megtelepíthetőek lesznek, és meg kell

kezdenie a szelektálást, forgalmazást, ismeretterjesztést. Szelekcióra elsősorban a

fiatalkori fagyérzékenység miatt van szükség, de egyéb irányú szelekció is elképzelhető.

Hazánkban néhány melegigényes mediterrán fajnak már szép fajtáit szelektálták, igaz,

ezek többsége nem államilag elismert fajta. (A témában bővebben lásd a szerző

ismeretterjesztő publikációit és Hódi Tóth József csákvári arborétumvezető

eredményeit.)

A vizsgálatba vont fajok közül azok, melyek teleinket már ma is elviselik,

általában szárazság- és hőtűrésükkel olyan mértékben kiemelkednek az alkalmazható

fajok közül, hogy mihamarabbi felszaporításuk és forgalmazásuk feltétlenül indokolt

lenne.


87

6.3 Az eredmények botanikai, erdészeti és természetvédelmi

vonatkozásai

A Moesz-vonal modellezésének célja volt, hogy részben botanikai szempontból

értékelhető eredményeket állítsak elő. A Moesz-vonal jelentősége legalább akkora a

botanikusok szemében, mint a tájépítészekében, hiszen a melegigényes dísznövények

elterjedési és a szőlő termesztési területén túl számos melegkedvelő növényfaj

elterjedését meghatározza. Így a Moesz-vonal északra tolódását szemléltető

modelleredmények, melyek pontossága az önálló telepíthetőségiterület-

modellezésekénél nagyobb, bizonyítják, hogy a Moesz-vonalhoz kapcsolódó fajok

jelentős migráció elé néznek. Fontos felhívni a figyelmet, hogy jelentős földrajzi barrier

állja útjukat az északi irányban, a Kárpátokon keresztül jelen kutatás szerint csak a cser

(Quercus cerris) és a virágos kőris (Fraxinus ornus) találja meg az összeköttetést déli és

északi modellezett elterjedési területe között.

További vizsgálatokat igényel, hogy a Moesz-vonalhoz kötődő fajok elterjedési

területének déli vonala milyen mértékben fog elmozdulni, azonban megelőlegezhetjük a

feltevést, hogy a még délebbről érkező fajok jelentős kompetitív hatást fognak rájuk

gyakorolni. Ezért szükségesnek tartom végiggondolni a Moesz-vonalhoz kapcsolódó

fajok Kárpátokon túlra mentésének felvetését.

Mind a Moesz-vonal, mind az önálló fajok modellezése erdészeti vonatkozásban

is értékelhető. A Moesz-vonalhoz kapcsolódnak jelenleg kultúrában tartott erdészeti

fajaink, a mediterrán térségből pedig érkezhetnek olyan fajok, melyek erdőgazdálkodási

felhasználása végiggondolandó. Ismereteim szerint néhány fajra már folytak/folynak

kísérletek, a többségre azonban nem. GENCSI (1997) például a parti fenyő (Pinus

pinaster) kapcsán hangsúlyozza, hogy a fajnak „a Dunántúl enyhébb vidékein, a

mezőgazdasági művelés által felhagyott savanyú, sovány talajokon erdőgazdasági

jelentősége lehet”. Úgy gondolom, a vizsgált ikertűs és jegenyefenyőknek a jövőben

általában is erdőgazdasági szerep juthat, melyhez a kísérleteket szükséges mihamarabb

megindítani.

A kutatásba vont fajok egy része, amennyiben valóban megfelelő klimatikus

körülményekre talál hazánkban, invazív lehet. Ennek felmérésére nincs lehetőségem,

hangsúlyozom mindazonáltal, hogy számos fajról van szó, melyek között – ha

másképpen nem, hát statisztikai alapon – bizonyosra vehető, hogy inváziós faj is


88

előfordul. Ugyan nem tartozik szervesen szakmai preferenciáim közé, mégis

véleményemet szükségesnek tartom megosztani: a klímaváltozást nem tudjuk

megkerülni, így az őshonos fajok erőszakos védelme és a délről érkező fajok aktív

beavatkozást igénylő visszaszorítása nem támogatandó. Amely fajok jövőbeli

megjelenése hazánk területén várható, azok esetleges invazív hatását mérsékelhetjük a

természetes ökoszisztémákba való mihamarabbi beépítéssel. Így lehetőséget biztosítunk

a fogyasztók, károsítók stb. adaptálódásához. Ezért nem osztom azt a széles körben

hangoztatott botanikai véleményt, mely szerint a délről érkező invazív fajok

visszaszorítása hosszú távon pozitív természetvédelmi beavatkozás, ezért

szorgalmazandó.

Egy másik megközelítés szerint, melyet ki szeretnék emelni, a mediterrán fajok

esetleg jelenlegi elterjedési területükről a klímaváltozás hatására kiszorulhatnak (vö.

BAKKENES (2006) modelleredményeivel, aki szerint a fajok 25%-a kipusztulhat Dél-

Európából 2100-ig). Ennek ellenőrzése további vizsgálatokat igényel, ugyanakkor az

állítás igaza feltételezhető. A mediterrán fajok így természetvédelmi szempontból

veszélynek lesznek kitéve, melyen a magyar természetvédelem azáltal segíthet, ha a

modelleredmények szerint hazánkban megfelelő éghajlati körülményekre lelő fajokat

„befogadja” Magyarországra. Értelemszerűen a fentebb megfogalmazott vélemény

főként a fajszintű védelemre irányul, a társulások, közösségek védelme, és így az

ökológiai szemléletmód szempontjából átgondolandó.

– Összegzés –

89

7 ÖSSZEGZÉS

A kutatás, melynek módszerét és eredményeit diplomamunkámban

összefoglaltam, számos továbbfejlesztési lehetőséget hordoz magában60. Ugyanakkor az

eredmények egyértelműen mutatják, hogy ezzel a modellezési szempontból még

továbbgondolást kívánó módszerrel is már számos olyan térképlapot sikerült előállítani,

amely jól szemlélteti a klímaváltozás irányát és mértékét, és – reményeim szerint – a

növényekkel foglalkozó szakemberek, elsősorban pedig a tájépítészek figyelmét a

klímaváltozás és az ahhoz való alkalmazkodás jelentősége felé fordítja. Kutatásom

során, mint azt korábban már hangsúlyoztam, nem a nagy pontosságú modellezés volt a

célom, hanem mind több elterjedési területet ábrázoló térképlap létrehozása olyan

módszerrel, mely fajtól függetlenül61 alkalmazható. Összességében elmondható, hogy

ennek a célkitűzésnek sikerült eleget tennem, 33 önálló modellezést és a Moesz-vonal

modellezését 3 módszerrel (köztük a 18 faj elterjedését figyelembe vevő

elterjedésmodellezéssel) végeztem el, az eredmények pedig önmagukért beszélnek.

Ezért úgy gondolom, e diplomamunka legfőbb erénye nem bőséges szakirodalmi

hátteret feldolgozó irodalmi áttekintő munkarész (3. fejezet) és nem is a modellezési

módszert részletesen ismertető, valamint annak fejlesztési lehetőségeit számos ponton

megragadó munkarésze (4., 5.1. és 5.2. fejezetek), hanem sokkal inkább a – módszertani

szempontból tagadhatatlanul még fejlesztésre szoruló – modellezés eredménye (lásd a

5.3. és 10. fejezeteket). Hiszem, hogy szakmapolitikai és oktatási szempontból is nagy

jelentőséggel bírhatnak ezek a térképlapok. Ösztönzően hathatnak a tájépítészet és a

klímaváltozás kapcsolatának újragondolására, a kertépítészeti növényalkalmazás és

dendrológia hazánkban elfogadott, oktatott taxonválasztékának frissítésére és, nem

utolsó sorban, hasonló modellezések elvégzésére más fajokkal vagy pontosabb

módszerekkel.

60 Melyeket az 5.1. fejezetben részleteztem. 61 Értsd: az európai mediterrán fajok mindegyikére egységesen. Esetleg, kisebb módosításokkal egyéb (észak-amerikai, távol-keleti stb.) mediterrán fajokra is.

– Köszönetnyilvánítás –

90

8 KÖSZÖNETNYILVÁNÍTÁS

Különös köszönet illeti a Moesz-vonalhoz kapcsolódó kutatás során és az

elterjedésiterület-térképek beszerzésében nyújtott önzetlen segítségéért Höhn Máriát

(Budapesti Corvinus Egyetem, Kertészettudományi Kar, Növénytani Tanszék).

Köszönöm Horváth Leventének (Budapesti Corvinus Egyetem, Kertészettudományi

Kar, Matematikai és Informatikai Tanszék), hogy a kutatás módszertani alapjait és a

felhasznált klímaadatsorokat rendelkezésemre bocsátotta. Külön köszönöm Horváth

Leventének és az MTA-BCE Alkalmazkodás a klímaváltozáshoz Kutatócsoportnak a

modellezés metodikai fejlesztéséhez nyújtott számos észrevételét, javaslatát és szakmai

támogatását. Hálásan köszönöm a modellezés módszerének fejlesztéséhez és

automatizálásához nyújtott önzetlen segítségét Csiszár Villőnek (Eötvös Loránd

Tudományegyetem, Természettudományi Kar, Matematikai Intézet,

Valószínűségelméleti és Statisztika Tanszék), Sik Andrásnak (Eötvös Loránd

Tudományegyetem, Földrajz- és Földtudományi Intézet, Természetföldrajzi Tanszék) és

Gregorics Tibornak (Eötvös Loránd Tudományegyetem, Informatikai Kar,

Programozáselmélet és Szoftvertechnológiai Tanszék). Köszönöm továbbá

témavezetőmnek, Gerzson Lászlónak (Budapesti Corvinus Egyetem, Tájépítészeti Kar,

Kert- és Szabadtértervezési Tanszék), hogy mind emberileg, mind szakmailag

támogatott azon az úton, melyet a kutatás elején magam számára kijelöltem. Köszönöm

Szilágyi Kingának (Budapesti Corvinus Egyetem, Tájépítészeti Kar, Kert- és

Szabadtértervezési Tanszék), hogy tanszékvezetőként kutatásaimhoz támogató és

inspiráló szakmai környezetet biztosított.

A kutatás egyes elemeit a TÁMOP-4.2.1/B-09/1/KMR-2010-0005 projekt

támogatta. Az ENSEMBLES-adatokat az Európai Unió FP6-ENSEMBLES integrált

projektje finanszírozta, melyet hálásan köszönök.

The ENSEMBLES data used in this work was funded by the EU FP6 Integrated

Project ENSEMBLES (Contract number 505539) whose support is gratefully

acknowledged.

– Felhasznált források –

91

9 FELHASZNÁLT FORRÁSOK

9.1 Felhasznált nyomtatott és elektronikus irodalom

1. ARUNDEL, S. T. (2005): Using spatial models to establish climatic limiters of plant species’ distributions. – Ecological Modelling 182(2): 159-181

2. ATTORRE, F., FRANCESCONI, F., TALEB, N., SCHOLTE, P., SAED, A., ALFO, M., BRUNO, F. (2007): Will dragonblood survive the next period of climate change? Current and future potential distribution of Dracaena cinnabari (Socotra, Yemen). – Biological Conservation 138(3-4): 430-439

3. AURAMBOUT, J. P., FINLAY, K. J., LUCK, J.,BEATTIE, G. A. C. (2009): A concept model to estimate the potential distribution of the Asiatic citrus psyllid (Diaphorina citri Kuwayama) in Australia under climate change—A means for assessing biosecurity risk. – Ecological Modelling 220(19): 2512-2524

4. BAKKENES, M., EICKHOUT, B., ALKEMADE, R. (2006): Impacts of different climate stabilisation scenarios on plant species in Europe. – Global Environmental Change 16(1): 19-28

5. BAJI B. (2009): Önfenntartó biogazdálkodás: Permakultúra. – Első Lánchíd Bt., Biri 6. BARTHA D. (2002): A molyhos tölgyek (Quercus pubescens agg.) botanikai jellemzése. –

Erdészeti Lapok 137(1): 7-8 7. BARTHA D. (2007): A szelídgesztenye (Castanea sativa) botanikai jellemzése. – Erdészeti

Lapok 142(1): 14-16 8. BARTHOLY J., PONGRÁCZ R., GELYBÓ Gy. (2007): A 21. század végén várható

éghajlatváltozás Magyarországon. – Földrajzi Értesítő, 56(3-4):147–168 9. BARTHOLY J., PONGRÁCZ R. (2008): Regionális éghajlatváltozás elemzése a Kárpát-

medence térségére. – In: Harnos Zs., Csete L. Klímaváltozás: környezet – kockázat – társadalom. Szaktudás Kiadó Ház, Budapest

10. BEDE-FAZEKAS Á. (2009): Fagyérzékeny növénytaxonok alkalmazási lehetőségei a tájépítészetben. – Szakdolgozat, Budapesti Corvinus Egyetem, Budapest

11. BEDE-FAZEKAS, Á (2011a): Correlations between garden design plant applications and climate change. – Proceedings of the Conference “Protection of the Environment and Climate" 2011(1):81-88

12. BEDE-FAZEKAS Á., GERZSON L. (2011b): Évelő dísznövények kompendiuma kladisztikai rendszertan szerint. – Assa-Divi, Budapest

13. BEDE-FAZEKAS, Á. (2011c): Impression of the global climate change on the ornamental plant usage in Hungary. – Acta Universitatis Sapientiae Agriculture and Environment 3(1):211-220

14. BEDE-FAZEKAS Á., SZABÓ K. (2012): Fásszárú dísznövények értékelése a klímaváltozás tükrében. – „A tervezés növekvő szerepe a klímaváltozásra való felkészülésben” Konferencia, Budapest

15. BEDE-FAZEKAS Á. (in press): Klímaváltozás a XXI. században. Az alkalmazkodás tájépítészeti eszközei. In KUN A. (szerk.): A fenntarthatóság pillérei. – Öko-Völgy Alapítvány, Somogyvámos

16. BERKI, I.; RASZTOVITS, E.; MÓRICZ, N.; MÁTYÁS, Cs. (2009): Determination of the drought tolerance limit of beech forests and forecasting their future distribution in Hungary. – Cereal Research Communications 37(Suppl. 1): 613-616

17. BERRY, P. M., DAWSON, T. P., HARRISON, P. A., PEARSON, R. G. (2002): Modelling potential impacts of climate change on the bioclimatic envelope of species in Britain and Ireland. – Global Ecology and Biogeography 11(6): 453–462

18. BERRY, P. M., DAWSON, T. P., HARRISON, P. A., PEARSON, R., BUTT, n. (2003): The sensitivity and vulnerability of terrestrial habitats and species in Britain and Ireland to climate change. – Journal for Nature Conservation 11(1): 15-23


92

19. BERRY, P. M., ROUNSEVELL, M. D. A., HARRISON, P. A., AUDSLEY, E. (2006): Assessing the vulnerability of agricultural land use and species to climate change and the role of policy in facilitating adaptation. – Environmental Science & Policy 9(2):189–204

20. BRESHEARS, D. D., HUXMAN, T. E., ADAMS, H. D., ZOU, C. B., DAVIDSON J. E. (2008): Vegetation synchronously leans upslope as climate warms. – Proc Natl Acad Sci USA 105(33):11591-11592

21. BUSSAY A., SZINELL Cs., SZENTIMREY T. (1999): Az aszály magyarországi előfordulásainak vizsgálata és mérhetősége. – Éghajlati és agrometeorológiai tanulmányok 7.

22. CARPENTER, G. A., GOPAL, S., MACOMBER, S., MARTENS, S., WOODCOCK, C. E., FRANKLIN, J. (1999): A Neural Network Method for Efficient Vegetation Mapping. – Remote Sensing of Environment 70(3): 326-338

23. CARPENTER, G., GILLISON, A. N., WINTER, J. (1993): DOMAIN: a flexible modelling procedure for mapping potential distributions of plants and animals. – Biodiversity and Conservation 2, 667-68

24. CSAPODY V. (1932): Mediterrán elemek a magyar flórában. – Dissertation. Szegedi Tudományegyetem, Szeged

25. CSIKY J. (2003): A Nógrád-Gömöri bazaltvidék flórája és vegetációja. – Tilia 11(1): 167-301 26. CSILLAG K. 2009. Fenntartható csapadékvíz-elvezetés. – Szakdolgozat, Budapesti Corvinus

Egyetem, Budapest 27. CZÚCZ B. (2010): Az éghajlatváltozás hazai természetközeli élőhelyekre gyakorolt hatásainak

modellezése. – Doktori értekezés, Budapesti Corvinus Egyetem, Budapest 28. CZÚCZ, B., Gálhidy, L. Mátyás, Cs. (2011): Present and forecasted xeric climatic limits of

beech and sessile oak distribution at low altitudes in Central Europe. – Annals of Forest Science 68(1):99–108

29. DEL BARRIO, G., HARRISON, P.A., BERRY, P.M., BUTT, N., SANJUAN, M.E., PEARSON, R.G., DAWSON, T. (2006): Integrating multiple modelling approaches to predict the potential impacts of climate change on species’ distributions in contrasting regions: comparison and implications for policy. – Environmental Science & Policy 9(2): 129-147

30. DIÓS N., SZENTELEKI K., FERENCZY A., PETRÁNYI G., HUFNAGEL L. (2009): A climate profile indicator based comparative analysis of climate change scenarios with regard to maize cultures. – Applied Ecology and Environmental Research 9(3):199-214

31. ELLENBERG, H. (1988): Vegetation ecology of Central Europe. –Cambridge University Press, Cambridge

32. ENSEMBLES (2012): The ENSEMBLES project RT3. – ensemblesrt3.dmi.dk; 2012.04.04. 33. ERDÉLYI É., TURCSÁN A. (2011): Does climate change means perspective for Hungarian

rice production? – I. Erdélyi Kertész és Tájépítész Konferencia, Marosvásárhely, Románia, poszter 34. EUFORGEN (2009): European Forest Genetic Resources Programme. –

www.euforgen.org/distribution_maps.html; 2012.04.07. 35. FOODY, G.M. (2008): Refining predictions of climate change impacts on plant species

distribution through the use of local statistics. – Ecological Informatics 3(3): 228-236 36. FRANKLIN, J. (1995): Predictive vegetation mapping: geographic modelling of biospatial

patterns in relation to environmental gradients. – Progress in Physical Geography 19(4): 474-499 37. FÜHRER, E., JÁRÓ, Z. (1992): Auswirkungen der Klimaaenderung auf die Waldbestaende

Ungarns. – Allg. Forstztg. 9(1): 25-27 38. FÜHRER E., JÁRÓ Z. (2000): Az aszály és a belvíz érvényesülése a Nagyalföld

erdőművelésében I. – Erdészeti Tudományos Intézet Kiadványai 12., Budapest 39. FÜHRER, E., RASZTOVITS, E., CSÓKA, Gy., LAKATOS, F., BORDÁCS, S., NAGY, L.,

MÁTYÁS, Cs. (2010): Current status of European beech (Fagus sylvatica L.) genetic resources in Hungary. – Communicationes Instituti Forestalis Bohemicae 25(1): 152-163

40. GAÁL M., MÉZES Z., SZABÓ Z., SZENTELEKI K. (2011): Evaluation of the expected climatic conditions regarding cherry production in Central Hungary. Applied Ecology and Environmental Research 9(3):265-277

41. GAVILÁN, R. G. (2005): The use of climatic parameters and indices in vegetation distribution. A case study in the Spanish Sistema Centra. – International Journal of Biometeorology 50(2): 111-120

42. GENCSI L., VANCSURA R. (1997): Dendrológia. Erdészeti növénytan II. – Mezőgazda Kiadó, Budapest

43. GONZÁLEZ-REBOLLAR, J.L., GARCIA-ALVAREZ, A., IBÁÑEZ, J.J. (1995): A mathematical model for predicting the impact of climate changes on Mediterranean plant landscapes. – Studies in Environmental Science 65: 757-762


93

44. GRIFFITH, D. A., PERES-NETO, P. R. (2006): Spatial Modeling in Ecology: The Flexibility of Eigenfunction Spatial Analyses. – Ecology 87(10): 2603-2613

45. GRIN (2012): Germplasm Resources Information Network of the United States Department of Agriculture's (USDA's) Agricultural Research Service (ARS). – www.ars-grin.gov/cgi-bin/npgs/html/taxgenform.pl?language=en; 2012.04.04.

46. GUISAN, A., ZIMMERMANN, N. E. (2000): Predictive habitat distribution models in ecology. – Ecological Modelling 135(2-3): 147-186

47. HAMANN, A., WAN, T. (2006): Potential Effects of Climate Change on Ecosystem and Tree Species Distribution in British Columbia. – Ecology 87(11): 2773-2786

48. HARRISON, P.A., BERRY, P.M., BUTT, N., NEW, M. (2006): Modelling climate change impacts on species’ distributions at the European scale: implications for conservation policy. – Environmental Science & Policy 9(2): 116-128

49. HARRISON, S., DAMSCHEN, E. I., GRACE, J. B. (2010): Ecological contingency in the effects of climatic warming on forest herb communities. – Proc Natl Acad Sci USA 107(45):19362-19367

50. HERBARIA (2006): FRAXIGEN Ash Info Main. – herbaria.plants.ox.ac.uk/fraxigen/images/maps/distributionmap_ornus.gif; 2012.04.07.

51. HIDY I., GERZSON L., PREKUTA J. (2011): A zöldtető a városi tetőtáj koronája. – Terc, Budapest

52. HILBERT, D. W., OSTENDORF, B. (2001): The utility of artificial neural networks for modelling the distribution of vegetation in past, present and future climates. – Ecological Modelling 146(1-3): 311-327

53. HILBERT, D. W., VAN DEN MUYZENBERG, J. (1999): Using an artificial neural network to characterize the relative suitability of environments for forest types in a complex tropical vegetation mosaic. – Diversity and Distributions 5(6): 263-274

54. HADLEY (2012): http://www.ipcc-data.org/ar4/model-UKMO-HADCM3.html; 2012.04.21. 55. HORVÁTH L. (2008a): A földrajzi analógia alkalmazása klímaszcenáriók vizsgálatában. – In:

Harnos Zs., Csete L. Klímaváltozás: környezet – kockázat – társadalom. Szaktudás Kiadó Ház, Budapest 56. HORVÁTH L. (2008b): Földrajzi analógia alkalmazása klímaszcenáriók elemzésében és

értékelésében. – Doktori értekezés. Budapesti Corvinus Egyetem, Budapest 57. IBÁÑEZ, I., CLARK, J. S., DIETZE, M. C. (2008): Evaluating the Sources of Potential Migrant

Species: Implications under Climate Change. – Ecological Applications 18(7): 1664-1678 58. IBÁÑEZ, I., CLARK, J. S., DIETZE, M. C., FEELEY, K., HERSH, M., LADEAU, S.,

MCBRIDE, A., WELCH, N. E., WOLOSIN, M. S. (2006): Predicting Biodiversity Change: Outside the Climate Envelope, beyond the Species-Area Curve. – Ecology 87(8): 1896-1906

59. IPNI (2005): International Plant Names Index. – www.ipni.org/ipni; 2012.04.04. 60. IVERSON, L. R., PRASAD, A. M. (1998): Predicting Abundance of 80 Tree Species Following

Climate Change in the Eastern United States. – Ecological Monographs 68(4): 465-485 61. IVERSON, L. R., PRASAD, A. M., MATTHEWS, S. N., PETERS, M. (2008): Estimating

potential habitat for 134 eastern US tree species under six climate scenarios. – Forest Ecology and Management 254(3): 390-406

62. IVERSON, L. R., PRASAD, A., SCHWARTZ, M. W. (1999): Modeling potential future individual tree-species distributions in the eastern United States under a climate change scenario: a case study with Pinus virginiana. – Ecological Modelling 115(1): 77-93

63. JENSEN, J. R., QUI, F., JI, M. (1999): Predictive modelling of coniferous forest age using statistical and artificial neural network approaches applied to remote sensor data. – International Journal of Remote Sensing 20(14): 2805-2822

64. KÁRPÁTI Z. (1958): A természetes növénytakaró és a kertészeti termesztés közti összefüggés Sopron környékén. – Soproni Szemle 12(3): 30-54

65. KELLY, A. E., GOULDEN M. L. (2008): Rapid shifts in plant distribution with recent climate change. – Proc Natl Acad Sci USA 105(33):11823–11826

66. KÉZDY P. (2001): Taxonómiai vizsgálatok a hazai molyhos tölgy alakkörön (Quercus pubescens s. l.). – Doktori értekezés. Nyugat-Magyarországi Egyetem, Soproni Egyetemi Karok, Sopron

67. KÚTI Zs., HIRKA A., HUFNAGEL L., SZENTELEKI K., LADÁNYI M. (2011): A kis téliaraszoló (Operophtera brumata L.) rajzáskezdetének és rajzáshosszának elemzése, és várható változásainak becslése. – Agrárinformatikai tanulmányok II., Magyar Agrárinformatikai Szövetség, Debrecen

68. LA SORTE, F. A., JETZ, W. (2010): Projected range contractions of montane biodiversity under global warming. – Proc. R. Soc. B 277(1699):3401-3410


94

69. LENG, W., HE, H. S., BU, R., DAI, L., HU, Y., WANG, X. (2008): Predicting the distributions of suitable habitat for three larch species under climate warming in Northeastern China. – Forest Ecology and Management 254(3): 420-428

70. LE TREUT, H., SOMERVILLE, R.,. CUBASCH, U., DING, Y., MAURITZEN, C., MOKSSIT, A., PETERSON, T., PRATHER, M. (2007): Historical Overview of Climate Change. In SOLOMON, S., QIN, D., MANNING, M., CHEN, Z., MARQUIS, M., AVERYT, K. B., TIGNOR, M., MILLER, H. L. (szerk.). Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. – Cambridge University Press, Cambridge, United Kingdom és New York, NY, USA

71. LI, J., HILBERT, D. W. (2008): LIVES: A new habitat modelling technique for predicting the distribution of species' occurrences using presence-only data based on limiting factor theory. – Biodiversity and Conservation 17(13): 3079-3095

72. MÁTYÁS Cs., BERKI I., KIRÁLY G., SZALAI S., SZEPES A. (2007) A klímaváltozás hatása a zonális fafajok egészségi állapotára és elterjedésére. – Munkabeszámoló. OTKA.

73. MÁTYÁS, Cs., BOŽIČ, G., GÖMÖRY, D. IVANKOVIĆ, M., RASZTOVITS, E. (2009): Transfer Analysis of Provenance Trials. Reveals Macroclimatic Adaptedness of European Beech (Fagus sylvatica L.). – Acta Silv. Lign. Hung., 5(1): 47-62

74. MÁTYÁS, Cs., BERKI, I, CZÚCZ, B., GÁLOS, B. MÓRICZ, N., RASZTOVITS, E. (2010): Future of beech in Southeast Europe from the perspective of evolutionary ecology. – Acta Silv. Lign. Hung., 6(1): 91-110

75. MEEHL, G. A., STOCKER, T. F., COLLINS, W. D., FRIEDLINGSTEIN, P., Gaye, A. T., Gregory, J. M., Kitoh, A., Knutti, R., Murphy, J. M., Noda, A., Raper, S. C. B., Watterson, I. G., Weaver, A. J., Zhao, Z-C. (2007): Global Climate Projections. In SOLOMON, S., QIN, D., MANNING, M., CHEN, Z., MARQUIS, M., AVERYT, K. B., TIGNOR, M., MILLER, H. L. (szerk.). Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. – Cambridge University Press, Cambridge, United Kingdom és New York, NY, USA

76. MEUSEL, H., E. J. JÄGER, E. WEINERT (1965): Vergleichende Chorologie der zentraleuropäischen Flora. Band I. (Text und Karten). – Jena: Fischer-Verlag

77. MEUSEL, H., E. J. JÄGER, S. RAUSCHERT, E. WEINERT (1978): Vergleichende Chorologie der zentraleuropäischen Flora. Band II, Text u. Karten. – Jena: Gustav Fischer Verlag

78. MEUSEL, H., E. J. JÄGER (1992): Vergleichende Chorologie der zentraleuropäischen Flora. Band III. (Text- und Kartenteil). – Jena, Stuttgart, New York: Fischer Verlag

79. MEYNECKE, J-O. (2004): Effects of global climate change on geographic distributions of vertebrates in North Queensland. – Ecological Modelling 174(4): 347-357

80. MIKA, J., HORVÁTH, Sz., MAKRA, L., DUNKEL, Z. (2005): The Palmer Drought Severity Index (PDSI) as an indicator of soil moisture. – Physics and Chemistry of the Earth, Parts A/B/C 30(1–3):223–230

81. MOESZ G. (1911): Adatok Bars vármegye flórájához. – Botanikai Közlemények 10(5-6):171-185

82. MOLANO-FLORES, B., BELL, T. J. (in press): Projected population dynamics for a federally endangered plant under different climate change emission scenarios. – Biological Conservation

83. MÓRING A., LAKATOS M., NAGY A., NÉMETH Á. (2010): A 2010. május-júniusi időjárás rendkívüliségei éghajlati szempontból. – „KLÍMA-21” Füzetek 3(61):3-14

84. NAKICENOVIC, N., SWART, R. szerk. (2000): Emissions Scenarios. – Cambridge University Press, Cambridge

85. NENZÉN, H. K., ARAÚJO, M. B. (2011): Choice of threshold alters projections of species range shifts under climate change. – Ecological Modelling 222(18): 3346-3354

86. NITSCHKE, C. R., INNES, J. L. (2008): A tree and climate assessment tool for modelling ecosystem response to climate change. – Ecological Modelling 210(3): 263-277

87. NOAA (2010): NOAA Geophysical Fluid Dynamics Laboratory. – www.gfdl.noaa.gov/patterns-of-greenhouse-warming-ar4; 2010.12.01.

88. NORMAND, S., SVENNING, J-C., SKOV, F. (2007): National and European perspectives on climate change sensitivity of the habitats directive characteristic plant species. – Journal for Nature Conservation 15(1): 41-53

89. OGAWA-ONISHI, Y., BERRY, P. M., TANAKA, N. (2010): Assessing the potential impacts of climate change and their conservation implications in Japan: A case study of conifers. – Biological Conservation 143(7): 1728-1736

90. ÖZESMI, s. L., ÖZESMI, U. (1999): An artificial neural network approach to spatial habitat modelling with interspecific interaction. – Ecological Modelling 116(1): 15-31


95

91. ÖZESMI, S. L., TAN, C. O., ÖZESMI, U. (2006): Methodological issues in building, training, and testing artificial neural networks in ecological applications. – Ecological Modelling 195(1-2): 83-93

92. PALMER, W. C. (1965). Meteorological Drought. – Research Paper, US Weather Bureau, Washington, DC, 45

93. PÁLFAI I. (1991): The drought of 1990 in Hungary. – Vı́zügyi Közlemények, 73 (2):117–134 94. PEARSON, R.G., DAWSON, T.P., BERRY, P.M., HARRISON, P.A. (2002): SPECIES: A

Spatial Evaluation of Climate Impact on the Envelope of Species. – Ecological Modelling 154(3): 289-300

95. PÉCZELY Gy. (1979): Éghajlattan. Budapest, Nemzeti Tankönyvkiadó 96. PÉNZES B., HALTRICH A., DÉR Zs., HUDÁK K., ÁCS T., FAIL J., RÉDEI D., VÉTEK G.

(2006): Új, melegkedvelő kártevő rovarfajok megjelenése Magyarországon. – VAHAVA Hálózat 97. PETERSON, A.T. ,STEWART, A., MOHAMED, K. I., ARAÚJO M. B. (2008): Shifting

Global Invasive Potential of European Plants with Climate Change. – PLoS ONE 3(6):2441 98. PRISZTER Sz. (1998): Növényneveink. A magyar és tudományos növénynevek szótára. –

Mezőgazda Kiadó, Budapest 99. POMPE, S., HANSPACH, J., BADECK, F-W., KLOTZ, S., BRUELHEIDE, H., KÜHN, I.

(2010): Investigating habitat-specific plant species pools under climate change. – Basic and Applied Ecology 11(5): 603-611

100. ROTENBERRY, J. T., PRESTON, K. L., KNICK, S. T. (2006): GIS-Based Niche Modeling for Mapping Species' Habitat. – Ecology 87(6): 1458-1464

101. SABATÉ, S., GRACIA, C. A., SÁNCHEZ, A. (2002): Likely effects of climate change on growth of Quercus ilex, Pinus halepensis, Pinus pinaster, Pinus sylvestris and Fagus sylvatica forests in the Mediterranean region. – Forest Ecology and Management 162(1): 23-37

102. SAQIB, Z., MALIK, R. N., HUSAIN, S. Z. (2006): Modelling Potential Distribution of Taxus wallichiana in Palas Valley, Pakistan. – Pak. J. Bot., 38(3): 539-542

103. SCARNATI, L., ATTORRE, F., FARCOMENI, A., FRANCESCONI, F., SANCTIS, M. (2009): Modelling the spatial distribution of tree species with fragmented populations from abundance data. – Community Ecology 10(2):215-224

104. SCHWARZ, P. A., FAHEY,T. J., MCCULLOCH, C. E. (2003): Factors Controlling Spatial Variation of Tree Species Abundance in a Forested Landscape. – Ecology 84(7): 1862-1878

105. SERRA-DIAZ, J. M., NINYEROLA, M., LLORET, F. (2012): Coexistence of Abies alba (Mill.) – Fagus sylvatica (L.) and climate change impact in the Iberian Peninsula: A climatic-niche perspective approach. – Flora - Morphology, Distribution, Functional Ecology of Plants 207(1): 10-18

106. SKOV, F. (2000): Potential Plant Distribution Mapping Based on Climatic Similarity. – Taxon 49(3):503-515

107. SOLOMON, S., QIN, D., MANNING, M., CHEN, Z., MARQUIS, M., AVERYT, K. B., TIGNOR, M., MILLER, H. L. szerk. (2007): Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. – Cambridge University Press, Cambridge, United Kingdom és New York, NY, USA

108. SOMLYAY L. (2003): A Muscari botryoides (L.) Mill. hazai alakkörének rendszertani-chorológiai vizsgálata. – Dissertation. Debreceni Egyetem, Természettudományi Kar, Debrecen

109. SULINET (2012): Sulinet Digitális Tudástár: Pálfai-féle aszályossági index PAI; sdt.sulinet.hu/Player/Default.aspx?g=122cbf4c-c6f7-4f1b-a8bf-d9971b6d2a3c&cid=d185a2a2-60c7-4b30-903f-27077695cf72; 2012.04.25.

110. SZABÓ L. (2009): A zöldtetőépítés hazai kilátásainak vizsgálata Budapest példáján. – Szakdolgozat, Budapesti Corvinus Egyetem, Budapest

111. SZENTELEKI K., LADÁNYI M., GAÁL M., ZANATHY G., BISZTRAY Gy. D. (2012): Climatic risk factors of Central Hungarian grape growing regions. Applied Ecology and Environmental Research 10(1):87-105

112. SZILASSI P. (2012): A klímaváltozás várható hatásainak figyelembevétele a területi tervezésben a dél-alföldi régió példáján. – Diplomamunka, Budapesti Corvinus Egyetem, Budapest

113. STANKOWSKI, P. A., PARKER, W. H., (2010): Species distribution modelling: Does one size fit all? A phytogeographic analysis of Salix in Ontario. – Ecological Modelling 221(13-14): 1655-1664

114. TERPÓ, A. (1992): Pyrus taxa in Hungary, and their practical importance. – Thaiszia 2(1):41-57 115. THUILLER, W., ALBERT, C., ARAÚJO, M. B., BERRY, P.M., CABEZA, M., GUISAN, A.,

HICKLER, T., MIDGLEY, G. F., PATERSON, J., SCHURR, F. M., SYKES, M. T., ZIMMERMANN, N. E. (2008): Predicting global change impacts on plant species’ distributions: Future challenges. – Perspectives in Plant Ecology, Evolution and Systematics 9(3-4): 137-152

116. TRÁJER A., BOBVOS J., KRISZTALOVICS K., PÁLDY A. (2011): A hőmérséklet hatása a Lyme borreliosis incidenciájának alakulására 1998--2010 között – Egészségtudomány 55(3): 47-48


96

117. TRÁJER A. (2012): A klímaváltozás hatása a kullancsokra. Trendek és várható következmények. – Élet és Tudomány 67(18): 553-555

118. TRISURAT, Y., SHRESTHA, R. P., KJELGREN, R. (2011): Plant species vulnerability to climate change in Peninsular Thailand. – Applied Geography 31(3): 1106-1114

119. TRIVEDI, M. R., MORECROFT, M. D., BERRY, P. M., DAWSON, T. P. (2008): Potential effects of climate change on plant communities in three montane nature reserves in Scotland, UK. – Biological Conservation 141(6): 1665-1675

120. TURCSÁN A. (2007): A felhagyott Magyarországi kultúrrizs termesztésre használt területek hasznosítási lehetőségei. – Diplomamunka, Budapesti Corvinus Egyetem, Budapest

121. TUTIN, T. G., N. A. BURGES, A. O. CHATER, J. R. EDMONDSON, V. H. HEYWOOD, D. M. MOORE, D. H. VALENTINE, S. M. WALTERS, D. A. WEBB, J. R. AKEROYD, M. E. NEWTON, R. R. MILL (1964): Flora Europaea. – Cambridge University Press, Cambridge, UK

122. VAN LEEUWEN, B., TOBAK, Z. (2008): GIS Solutions for Belvíz monitoring: A case study in Csongrád county, Hungary. – XII. Symposium on Geomathematics, I. Croatian-Hungarian Geomathematical Conference, Mórahalom

123. VAN ZONNEVELD, M., JARVIS, A., DVORAK, W., LEMA, G., LEIBING, C. (2009): Climate change impact predictions on Pinus patula and Pinus tecunumanii populations in Mexico and Central America. – Forest Ecology and Management 257(7): 1566-1576

124. VÉGVÁRI, Gy. (2000): Sorb apple (Sorbus domestica L.) selection in Hungary. – Acta Horticulturae 2000(538):155-158

125. VENNETIER, M., RIPERT, C. (2009): Forest flora turnover with climate change in the Mediterranean region: A case study in Southeastern France. – Forest Ecology and Management 258(Suppl.): S56-S63

126. WEART, S. R. és az American Institute of Physics (2009): General Circulation Models of Climate. – www.aip.org/history/climate/GCM.htm; 2009.12.08.

127. XIAOJUN, K., QIN, L., SHIRONG, L. (2011): High-resolution bioclimatic dataset derived from future climate projections for plant species distribution modeling. – Ecological Informatics 6(3-4): 196-204

9.2 Szóbeli közlések

128. CSISZÁR Villő (2011); ELTE-TTK Matematikai Intézet, Valószínűségelméleti és Statisztika Tanszék

129. GERZSON László (2011); BCE-TÁJK Kert- és Szabadtértervezési Tanszék 130. GIACHETTA Roberto (2011); ELTE-IK Programozáselmélet és Szoftvertechnológiai Tanszék 131. GREGORICS Tibor (2011); ELTE-IK Programozáselmélet és Szoftvertechnológiai Tanszék 132. HORVÁTH Levente (2010); BCE-KERTK Matematika és Informatika Tanszék 133. HUFNAGEL Levente (2012); BCE-KERTK Matematika és Informatika Tanszék 134. ITTZÉS András (2012); BCE-KERTK Matematika és Informatika Tanszék 135. KUN András (2012); Öko-Völgy Alapítvány, Somogyvámos 136. LADÁNYI Márta (2012); BCE-KERTK Matematika és Informatika Tanszék 137. MÁTYÁS Csaba (2010); NyME-EMK, Környezet és Földtudományi Intézet, Ökológia és

Genetika Intézeti Tanszék 138. NAGY Júlia Anna (2012); ELTE-TTK Meteorológiai Tanszék 139. PÉNZES Béla (2010); BCE-KERTK Rovartani Tanszék 140. SIK András (2011); ELTE-FFI Természetföldrajzi Tanszék 141. SZILASSI Péter (2012); SZTE-TTIK Természeti Földrajzi és Geoinformatikai Tanszék

– Mellékletek –

97

10 MELLÉKLETEK

I. Éghajlati igények adattáblája: önálló modellezés

A következőkben közreadott adatok kutatási eredmények, melyek önmagukban

nem bírnak jelentős tájépítészeti jelentőséggel, éppen ezért a mellékletben kapnak

helyet. Ugyanez elmondható a II. számú mellékletre is.

A táblázat ábécérendben közli a fajokat, a függőleges tengely mentén az egyes

éghajlati paraméterek vannak felsorolva. Az éghajlati paraméterek nevében

− r a REMO adatsorra,

− 61 a referenciaidőszakra,

− m a minimum-hőmérsékletre és

− t a középhőmérsékletre, míg

− a számjegyek 1-től 12-ig a hónapokra utalnak.

„vegP” jelentése: vegetációs időszak összcsapadéka, „osszP” jelentése: éves

összcsapadék. A hőmérsékleti adatok K-ben, a csapadékadatok mm/nap-ban vannak

megadva. Utóbbi ezért 30-cal szorozva adja a mm mértékegységgel értelmezhető

számértéket.

Minden faj minden klímaparaméteréhez feltüntettem az elterjedési területen

előforduló legkisebb (min) és legnagyobb (max) értéket.

min

max

min

max

min

max

min

max

min

max

min

max

min

max

[r61

t01]

271,85

282,20

726

9,83

428

1,66

326

8,38

728

2,57

627

7,69

628

4,25

927

8,67

828

4,71

326

8,13

428

0,78

926

8,13

428

6,77

[r61

t02]

272,62

228

1,64

626

9,76

928

1,06

526

8,31

928

2,96

527

8,10

828

4,42

527

9,03

128

4,47

326

8,44

328

1,34

268,44

328

6,59

9[r61

t03]

275,75

128

3,62

274,25

128

3,16

527

2,71

928

5,88

327

9,91

928

5,97

828

1,51

128

5,86

272,21

528

3,64

327

1,59

828

8,77

6[r61

t04]

279,67

228

7,26

127

8,93

428

6,16

127

7,70

429

0,08

328

2,10

828

7,90

428

4,19

287,35

527

5,99

286,40

827

4,13

129

1,63

9[r61

t05]

283,79

229

2,16

128

2,62

428

9,76

728

1,60

329

4,08

628

5,97

129

0,93

228

8,38

229

0,64

628

0,38

290,49

227

8,12

629

5,84

9[r61

t06]

288,27

729

7,85

228

6,92

329

4,20

428

6,41

529

9,38

292,85

629

6,51

129

4,01

429

6,32

828

4,58

129

4,68

528

2,69

230

2,08

4[r61

t07]

291,32

830

1,62

929

0,12

729

7,29

728

9,73

230

3,07

629

6,62

430

0,47

629

7,38

629

9,67

428

7,58

929

8,75

928

4,77

630

5,51

6[r61

t08]

291,13

830

1,34

229

0,43

629

8,18

728

9,64

304,43

329

6,89

130

1,22

529

7,62

300,03

128

7,29

829

8,76

528

4,77

930

5,53

2[r61

t09]

286,99

729

6,64

328

5,55

429

4,06

628

5,25

230

1,02

429

2,58

229

7,28

729

3,52

329

7,01

628

3,50

329

4,90

528

2,14

530

1,39

8[r61

t10]

281,83

229

0,76

280,24

128

9,67

427

9,43

729

5,23

228

6,42

229

1,72

128

8,16

429

2,94

927

8,5

290,32

927

7,75

429

4,73

[r61

t11]

277,72

328

6,94

127

6,41

628

6,57

327

5,00

428

9,25

328

1,02

828

7,41

628

2,48

288,42

627

4,39

228

6,03

127

2,84

529

0,20

2[r61

t12]

273,10

728

3,24

127

0,42

528

1,97

126

8,21

728

3,50

627

8,43

528

5,09

279,48

928

5,80

826

9,62

228

1,66

626

9,62

228

7,59

7[r61

m01

] 26

8,92

928

0,13

726

6,23

927

8,97

526

4,15

279,44

427

5,04

928

1,87

727

5,84

728

2,82

126

3,42

127

8,10

626

3,42

128

4,91

8[r61

m02

] 26

9,56

127

9,43

726

5,54

127

8,07

526

3,27

327

9,42

274,97

128

1,74

927

5,65

228

2,31

426

3,43

327

8,09

926

3,43

328

4,53

8[r61

m03

] 27

2,23

328

0,92

827

0,05

527

9,77

326

8,13

328

1,55

427

6,02

228

2,90

927

7,34

828

3,48

126

8,43

128

0,01

726

7,61

628

5,70

8[r61

m04

] 27

5,33

628

3,42

827

4,11

328

2,47

272,78

528

4,80

327

7,25

728

4,22

727

9,23

284,74

272,17

928

2,35

727

0,62

928

6,91

[r61

m05

] 27

8,51

828

7,50

927

6,62

285,56

527

5,30

728

8,10

628

0,24

328

6,72

928

2,80

128

7,38

727

5,47

628

5,51

927

4,15

228

9,69

1[r61

m06

] 28

2,36

329

2,38

128

0,03

228

9,36

427

8,85

292,79

428

6,16

529

1,30

528

8,00

429

1,77

327

8,68

728

9,11

927

7,48

429

4,99

7[r61

m07

] 28

5,18

829

5,91

328

2,84

429

2,26

428

1,97

296,63

528

9,83

529

4,22

129

1,20

529

4,81

281,20

229

2,11

727

9,23

129

8,23

7[r61

m08

] 28

5,10

629

6,04

928

3,34

929

3,06

828

2,26

429

8,03

129

0,39

429

4,94

829

1,34

629

5,55

628

1,10

929

2,50

427

9,51

429

8,56

1[r61

m09

] 28

1,66

629

2,52

827

9,55

729

0,07

278,67

229

5,32

428

7,07

329

2,65

728

8,01

293,65

927

8,11

529

0,12

127

7,61

829

5,36

[r61

m10

] 27

7,55

828

7,96

127

5,90

728

6,18

327

4,81

629

0,43

628

1,99

828

8,62

228

3,8

290,27

527

4,78

828

6,39

274,48

629

1,73

[r61

m11

] 27

4,71

428

4,74

127

3,39

283,58

527

1,59

728

5,45

277,66

228

4,84

727

9,21

228

6,34

727

1,59

128

2,96

127

0,00

728

8,42

7[r61

m12

] 27

0,71

828

1,16

226

7,46

279,28

426

4,25

828

0,40

927

5,51

228

2,63

527

6,51

283,91

265,78

527

8,84

526

5,78

528

5,91

1

[r61

_vegP]

2,56

564

17,179

83,95

6312

,490

51,31

201

14,958

42,81

022

7,59

654

5,00

5410

,298

3,87

579

23,068

72,26

836

37,588

3

[r61

_osszP]

8,31

285

35,277

610

,142

36,645

97,97

117

54,592

310

,748

34,74

13,045

864

,108

411

,847

391

,803

97,22

758

143,91

7

Abies borisii‐regis

Mattf.

Abies

bornmue

lleriana

Mattf.

Abies cilicica (A

ntoine

& Kotschy) C

arriere

Acer he

ldreichii O

rph.

ex Boiss.

Abies num

idica de

Lann

oy ex Carriere

Acer

mon

spessulanu

m L.

Abies m

arocana Trab.

[r61

t01]

[r61

t02]

[r61

t03]

[r61

t04]

[r61

t05]

[r61

t06]

[r61

t07]

[r61

t08]

[r61

t09]

[r61

t10]

[r61

t11]

[r61

t12]

[r61

m01

] [r61

m02

] [r61

m03

] [r61

m04

] [r61

m05

] [r61

m06

] [r61

m07

] [r61

m08

] [r61

m09

] [r61

m10

] [r61

m11

] [r61

m12

]

[r61

_vegP]

[r61

_osszP]m

inmax

min

max

min

max

min

max

min

max

min

max

min

max

273,02

287,74

273,28

528

6,89

526

0,17

828

3,64

270

282,27

262,09

628

6,94

726

4,14

828

1,18

270,53

328

8,16

827

3,32

228

7,30

127

3,69

828

6,90

126

0,47

928

3,76

127

0,41

528

2,90

326

2,48

528

6,79

826

4,42

928

2,16

727

0,84

128

7,78

276,92

128

8,23

827

6,61

428

8,99

926

2,87

428

5,82

727

4,81

286,18

826

4,70

928

8,02

726

6,47

128

4,44

727

4,32

288,79

828

0,79

729

1,59

227

9,52

429

3,59

826

5,77

928

8,11

127

9,40

429

0,08

326

7,48

928

9,69

826

9,33

428

7,13

127

7,79

292,70

328

5,11

229

6,21

328

3,43

129

7,83

527

1,18

292,14

328

3,19

929

4,08

627

2,93

329

3,26

927

4,10

329

0,82

428

2,26

829

6,31

229

0,38

301,45

328

8,54

530

3,20

127

6,23

229

8,44

287,41

329

9,52

727

8,96

429

9,04

280,43

929

5,62

528

6,36

130

1,45

329

4,08

930

4,45

129

0,76

630

5,55

227

9,65

830

1,72

329

0,90

430

3,46

628

1,11

930

2,58

282,68

329

9,01

928

9,27

930

4,58

293,83

530

4,31

429

0,27

730

4,67

827

8,85

930

1,91

329

1,31

830

4,43

328

0,42

302,38

328

2,01

429

9,81

228

8,98

530

5,27

528

9,35

530

0,54

628

6,17

129

9,27

927

6,46

229

8,27

128

6,42

630

1,02

427

8,00

329

9,16

427

9,55

429

5,95

228

5,48

630

1,83

628

3,27

529

6,05

228

0,75

629

3,73

227

1,86

629

2,94

828

0,91

729

5,23

227

3,65

629

4,08

727

5,04

728

9,65

628

0,39

829

7,63

278,44

429

2,75

927

6,22

929

0,10

326

4,78

128

7,68

827

6,50

928

9,31

266,88

629

0,91

626

8,68

628

4,55

927

6,02

729

3,36

327

3,63

628

9,23

927

3,61

287,90

226

1,58

328

4,63

427

0,69

828

2,85

826

3,62

628

8,43

526

5,52

328

2,05

127

2,02

289,45

426

9,86

528

6,57

227

0,45

128

5,25

725

3,59

728

0,71

226

6,23

927

9,50

225

5,62

328

5,94

525

8,13

527

8,61

826

7,06

928

7,09

826

9,50

128

6,01

927

0,63

928

5,16

225

3,10

128

0,43

926

6,1

279,61

725

5,37

728

5,43

257,83

927

8,78

626

7,3

286,69

627

2,80

828

6,61

827

2,27

128

5,96

725

5,59

928

2,01

927

0,82

628

1,99

257,59

428

6,05

426

0,09

828

0,55

327

1,09

287,41

275,36

428

8,19

273,99

628

7,10

125

8,12

128

3,69

227

4,59

228

5,01

226

0,45

128

7,36

826

3,46

428

2,82

527

4,05

628

8,68

227

8,54

829

1,00

127

6,64

329

1,20

126

5,6

286,70

627

7,20

128

8,32

326

7,79

928

9,64

826

9,63

285,82

427

7,39

429

1,47

228

3,29

229

5,67

428

1,56

129

6,43

272,12

829

2,12

528

0,89

929

3,24

127

4,20

729

3,70

427

5,33

328

9,91

828

0,61

929

5,78

286,53

329

8,47

728

3,88

629

8,90

127

4,46

295,27

628

4,08

929

7,22

827

5,88

329

6,22

527

7,06

129

2,58

528

3,24

529

8,76

286,28

129

8,85

328

3,89

429

8,50

127

4,15

929

5,83

284,42

298,21

527

5,67

629

7,00

527

6,84

829

3,48

828

3,14

129

9,80

428

2,50

529

7,00

928

0,39

229

4,94

272,65

729

3,00

428

0,42

929

5,32

427

4,12

429

5,50

727

5,24

429

0,64

228

0,15

729

7,70

327

7,77

329

4,04

927

5,96

129

1,95

268,56

828

8,87

227

6,21

529

0,43

627

0,68

929

2,34

927

1,82

128

5,87

127

6,43

129

5,35

927

4,75

129

1,44

427

3,08

128

8,38

225

9,01

284,64

327

3,49

228

5,59

826

1,63

128

9,84

626

4,40

528

2,20

127

3,12

929

2,32

427

0,75

288,05

327

128

6,33

925

5,30

928

1,70

126

7,57

528

0,11

625

7,83

428

7,45

126

0,23

927

9,87

326

9,43

288,27

3

0,64

2871

9,40

233

1,30

152

10,209

63,53

2253

,919

52,15

387

13,116

41,02

735

43,053

54,20

571

32,846

80,57

8286

23,068

7

4,19

636

56,553

63,84

761

51,064

111

,854

811

3,89

89,57

655

46,501

36,73

675

106,22

29,77

698

80,371

92,89

706

91,803

9

Buxus balearica Lam.

Euon

ymus latifolius

(L.) Mill.

Fagus orientalis

Lipsky

Acer sempe

rviren

s L.

Junipe

rus oxyced

rus

L.Junipe

rus thurife

ra L.Laurus nob

ilis L.

[r61

t01]

[r61

t02]

[r61

t03]

[r61

t04]

[r61

t05]

[r61

t06]

[r61

t07]

[r61

t08]

[r61

t09]

[r61

t10]

[r61

t11]

[r61

t12]

[r61

m01

] [r61

m02

] [r61

m03

] [r61

m04

] [r61

m05

] [r61

m06

] [r61

m07

] [r61

m08

] [r61

m09

] [r61

m10

] [r61

m11

] [r61

m12

]

[r61

_vegP]

[r61

_osszP]m

inmax

min

max

min

max

min

max

min

max

min

max

min

max

275,81

286,32

227

1,01

528

7,05

427

0,76

528

7,05

427

1,18

428

7,83

927

3,85

228

6,68

226

6,58

528

4,04

526

8,13

428

1,91

627

6,34

428

6,03

127

2,13

928

6,88

627

1,12

528

6,90

127

1,85

428

7,51

427

4,54

828

6,24

226

7,08

628

3,77

426

8,44

328

2,21

927

9,26

728

7,10

427

4,54

928

8,21

274,29

428

8,77

627

6,22

228

8,53

827

7,38

928

7,78

226

9,53

285,00

327

2,21

528

4,33

283,13

128

9,34

827

7,40

629

1,43

927

7,75

229

1,76

228

0,79

729

1,54

228

0,01

529

1,02

827

3,71

628

8,33

527

5,99

286,56

287,64

729

2,79

328

0,49

129

6,11

328

2,16

629

6,64

328

5,01

229

6,06

628

3,72

829

4,99

427

8,77

329

2,10

228

0,38

290,77

529

2,98

929

8,28

228

5,19

330

1,88

428

6,35

530

2,46

328

9,23

830

1,29

628

8,26

530

0,11

928

1,96

829

7,34

728

4,58

129

5,36

529

7,13

302,80

828

7,50

330

4,46

228

8,35

830

5,51

629

2,00

730

4,19

429

0,47

530

2,77

828

4,16

430

1,25

828

7,58

929

9,17

729

7,21

830

3,52

728

7,52

430

4,40

728

7,76

330

5,53

229

2,60

130

4,43

329

0,36

730

2,79

828

3,16

230

2,27

728

7,29

829

9,18

329

2,58

729

9,57

428

5,23

330

0,28

428

5,56

301,39

828

8,03

730

1,02

428

7,59

829

8,69

828

0,95

829

8,74

228

3,50

329

4,90

528

6,62

529

5,07

328

0,26

429

4,41

828

0,26

429

4,73

282,95

929

6,35

282,03

629

3,81

527

6,85

129

3,26

727

8,5

290,66

281,63

290,92

127

5,73

229

0,20

627

5,73

229

0,89

127

8,44

429

3,08

527

7,31

529

0,18

427

1,66

628

8,33

127

4,39

228

6,75

427

6,51

287,60

127

3,06

228

8,23

827

2,37

928

8,23

827

2,21

728

9,14

827

4,65

628

7,75

726

8,64

528

5,39

426

9,62

228

2,78

427

2,96

828

4,71

326

7,36

328

5,94

526

7,09

728

5,94

526

7,07

728

6,61

627

0,55

528

5,73

826

2,20

528

2,18

226

3,42

127

9,37

927

3,05

328

4,26

926

8,41

285,58

126

7,41

828

5,58

126

6,93

828

6,19

327

0,93

285,23

626

2,36

428

1,66

263,43

327

9,29

327

4,96

528

5,24

927

0,89

228

6,37

270,89

228

6,01

427

1,72

286,99

627

2,81

928

6,05

426

5,40

228

2,74

126

8,43

128

1,13

277,75

828

7,20

227

3,53

828

7,67

827

3,53

828

7,10

127

5,36

428

8,54

727

4,59

828

6,95

827

0,10

428

4,29

327

2,17

928

3,22

281,29

428

9,89

927

6,25

828

9,82

327

6,25

829

1,09

627

8,54

829

1,08

227

7,62

628

9,57

127

4,83

828

7,26

327

5,47

628

6,10

728

5,96

293,67

527

9,86

729

5,65

128

0,90

329

6,66

828

2,81

429

5,67

428

2,70

229

3,99

427

7,47

529

1,76

427

8,68

728

9,51

289,96

629

7,58

228

1,97

298,29

528

3,35

929

9,55

928

5,43

229

8,47

728

4,89

829

6,86

627

9,47

295,46

728

1,20

229

2,66

329

0,14

629

8,64

528

2,27

529

7,94

928

3,06

129

9,08

428

6,14

299,22

328

5,02

129

6,84

427

8,92

829

6,15

328

1,10

929

2,97

728

1,49

729

2,08

280,17

295,33

728

0,17

295,50

728

2,39

729

7,50

528

2,05

129

4,48

277,14

529

3,49

427

8,11

529

0,77

528

1,49

729

2,08

275,75

329

2,34

927

5,75

329

2,57

827

7,77

329

4,92

427

7,41

129

2,34

927

3,80

128

9,46

827

4,78

828

7,21

927

7,80

428

9,20

927

2,71

828

9,23

127

2,71

828

9,88

627

4,75

129

1,83

527

3,79

428

9,23

126

8,56

628

6,29

227

1,59

128

4,02

427

3,77

328

6,04

727

0,30

828

7,08

526

9,59

628

7,08

526

8,50

828

7,84

627

1,51

228

6,77

126

4,68

328

3,49

526

5,78

528

0,15

1

1,91

365

9,07

661,47

229

37,588

31,02

735

30,707

70,64

2871

14,958

40,85

1505

19,824

62,10

284

38,076

63,53

2227

,121

5

12,224

256

,553

64,63

215

143,91

74,63

215

130,87

54,19

636

67,701

14,24

1649

,082

38,13

616

86,534

812

,004

586

,534

8

Phillyrea

angustifolia

L.Ph

illyrea

latifolia L.

Pinu

s brutia Ten

.Pinu

s halepe

nsis M

ill.Pinu

s nigra J. F.

Arnold

Pinu

s pe

uce Griseb.

Liqu

idam

bar

orientalis M

ill.

[r61

t01]

[r61

t02]

[r61

t03]

[r61

t04]

[r61

t05]

[r61

t06]

[r61

t07]

[r61

t08]

[r61

t09]

[r61

t10]

[r61

t11]

[r61

t12]

[r61

m01

] [r61

m02

] [r61

m03

] [r61

m04

] [r61

m05

] [r61

m06

] [r61

m07

] [r61

m08

] [r61

m09

] [r61

m10

] [r61

m11

] [r61

m12

]

[r61

_vegP]

[r61

_osszP]m

inmax

min

max

min

max

min

max

min

max

min

max

min

max

272,05

286,96

727

2,58

428

7,05

427

7,98

828

7,05

426

8,95

628

7,83

926

8,74

228

7,05

426

7,37

328

7,07

427

0,81

628

7,05

427

3,10

428

6,35

927

3,27

286,79

327

9,37

528

6,79

326

9,76

728

7,51

426

9,63

328

6,79

326

8,01

128

6,75

327

1,71

428

6,79

827

5,35

128

7,30

327

7,02

328

8,33

828

1,36

828

7,36

527

1,59

829

0,54

727

1,59

828

7,82

727

0,41

288,24

627

3,13

328

8,02

727

8,45

228

8,85

628

1,10

829

0,87

328

3,74

128

8,99

827

4,13

129

4,60

427

4,13

128

9,21

627

4,09

229

1,17

227

5,46

928

9,69

828

2,21

629

2,06

428

4,42

929

5,34

928

7,14

529

2,07

627

8,12

629

8,55

927

8,12

629

2,72

927

9,14

829

5,26

327

9,35

229

3,00

928

6,87

298,24

528

9,33

430

0,94

329

1,63

529

7,51

528

2,69

230

4,28

828

2,69

229

8,68

428

3,45

130

0,70

528

3,92

229

8,68

428

9,06

530

1,87

429

1,56

430

4,10

229

4,23

430

1,39

928

4,77

630

6,97

284,77

630

2,73

528

5,65

830

3,36

328

5,97

830

2,73

528

8,98

130

2,16

429

1,86

130

4,27

729

4,24

302,17

928

4,77

930

6,28

128

4,77

930

3,50

128

5,26

230

3,38

128

6,00

430

3,50

128

6,36

298,56

328

8,99

130

0,31

429

1,25

329

8,86

628

2,14

530

2,01

228

2,14

529

9,87

928

2,55

729

9,90

828

3,42

829

9,87

928

1,56

129

3,86

528

4,05

529

6,44

528

6,36

929

3,75

527

7,75

429

7,71

827

7,75

429

3,65

227

7,95

329

4,42

627

9,02

129

4,08

727

6,58

291,06

327

9,27

229

2,36

328

1,08

729

0,18

627

3,00

729

3,08

527

2,84

529

0,18

627

2,46

629

0,99

927

4,40

129

0,18

627

4,02

728

8,29

627

3,67

628

8,23

827

8,99

128

8,23

827

0,67

428

9,14

827

0,67

428

8,23

826

9,44

228

8,55

127

2,52

728

8,23

826

8,54

328

6,16

526

8,91

728

5,94

527

4,99

428

5,94

526

4,73

528

6,61

626

4,29

828

5,94

526

2,52

286,08

626

7,42

228

5,94

526

9,50

328

5,50

526

9,58

428

5,58

127

5,69

128

5,58

126

5,67

528

6,19

326

5,40

628

5,58

126

3,07

728

5,53

126

8,73

728

5,58

127

1,68

428

6,11

827

2,82

128

6,01

427

6,98

928

6,01

426

7,61

628

6,99

626

7,61

628

6,01

426

5,75

128

6,12

269,92

828

6,01

427

4,43

928

6,78

527

5,72

928

8,39

927

8,88

528

6,75

527

0,62

928

8,54

727

0,62

928

6,92

627

0,09

228

7,48

227

2,28

428

7,18

827

7,18

228

8,60

927

8,15

229

0,88

281,97

328

8,51

327

4,23

629

3,22

427

4,15

228

9,23

927

4,73

629

0,18

927

5,46

828

9,64

828

1,48

229

2,19

428

1,87

329

4,47

428

6,05

929

2,26

327

7,48

429

8,78

427

7,48

429

2,73

727

7,85

294,30

927

8,77

829

3,70

428

3,45

629

5,23

928

4,67

829

7,32

328

8,65

829

5,30

227

9,23

130

1,49

527

9,23

129

6,18

827

9,95

429

7,03

928

0,64

329

6,22

528

3,77

295,96

628

5,19

829

8,27

128

8,86

129

6,39

327

9,51

430

1,08

927

9,51

429

7,26

227

9,83

229

7,53

528

0,87

529

7,26

228

1,67

129

4,57

928

2,61

529

6,78

828

6,37

529

4,89

227

7,65

629

7,50

527

7,61

829

4,63

927

7,85

629

5,42

927

8,94

429

5,50

727

7,86

529

2,97

827

8,81

929

4,01

128

2,38

629

1,70

927

4,50

729

4,92

427

4,48

629

1,74

827

4,64

129

2,61

275,82

829

2,04

127

3,82

529

0,24

327

5,18

829

0,05

827

7,70

428

8,94

527

0,25

829

1,83

527

0,00

728

8,94

526

9,58

828

9,95

727

2,09

228

8,94

527

1,34

128

7,45

270,58

128

7,08

527

6,00

128

7,08

526

6,98

128

7,84

626

6,98

128

7,08

526

5,66

328

7,59

526

9,82

728

7,08

5

2,05

609

46,866

20,87

7145

15,858

12,05

609

14,303

90,33

8666

26,896

22,05

609

30,707

71,02

735

37,588

32,05

609

34,399

1

9,17

948

177,79

6,54

169

82,865

310

,686

360

,014

22,10

736

108,81

58,73

943

130,87

56,21

239

143,91

77,89

878

131,71

2

Pinu

s pinaster Aito

nPinu

s pine

a L.

Que

rcus fagine

a Lam.Que

rcus ilex L.

Que

rcus canariensis

Willd.

Que

rcus coccifera L.

Que

rcus rotun

difolia

Lam.

[r61

t01]

[r61

t02]

[r61

t03]

[r61

t04]

[r61

t05]

[r61

t06]

[r61

t07]

[r61

t08]

[r61

t09]

[r61

t10]

[r61

t11]

[r61

t12]

[r61

m01

] [r61

m02

] [r61

m03

] [r61

m04

] [r61

m05

] [r61

m06

] [r61

m07

] [r61

m08

] [r61

m09

] [r61

m10

] [r61

m11

] [r61

m12

]

[r61

_vegP]

[r61

_osszP]m

inmax

min

max

min

max

min

max

min

max

275,68

528

7,05

426

8,13

428

5,15

526

8,13

428

2,37

226

8,13

428

2,04

927

1,63

928

7,05

427

6,45

428

6,86

826

8,44

328

4,95

826

8,44

328

2,59

926

8,44

328

2,34

827

2,14

128

6,79

327

7,73

228

7,82

727

2,21

528

5,81

327

2,21

528

4,21

272,21

528

4,07

227

3,27

128

7,27

327

9,51

128

9,70

827

5,99

287,51

927

5,99

286,85

527

5,99

286,65

827

6,75

828

8,35

528

2,46

129

2,96

828

0,38

292,32

928

0,38

291,80

428

0,38

291,14

328

0,26

290,81

928

7,04

429

9,20

528

4,58

129

8,40

828

4,58

129

7,22

284,58

129

6,12

282,66

229

5,91

428

9,25

830

2,74

928

7,58

930

2,35

528

7,58

930

1,29

428

7,58

929

9,62

328

4,06

129

9,20

628

9,23

130

3,25

628

7,29

830

2,21

928

7,29

830

1,52

728

7,29

829

9,81

128

3,25

729

9,55

428

6,91

300,39

328

3,50

329

7,22

528

3,50

329

6,73

928

3,50

329

5,43

281,37

529

7,06

428

2,44

729

4,56

427

8,5

292,70

427

8,5

290,95

727

8,5

290,18

627

8,46

929

3,11

827

8,32

229

0,20

627

4,39

228

9,59

527

4,39

228

6,71

827

4,39

228

6,42

227

5,65

329

0,18

627

7,01

928

8,23

826

9,62

228

6,50

526

9,62

228

3,49

226

9,62

228

3,15

274,13

828

8,23

827

3,73

528

5,94

526

3,42

128

3,83

826

3,42

128

0,45

726

3,42

127

9,98

226

9,94

628

5,94

527

4,08

328

5,58

126

3,43

328

3,45

126

3,43

328

0,48

226

3,43

328

0,06

327

0,06

285,58

127

4,93

428

6,01

426

8,43

128

4,33

326

8,43

128

1,93

926

8,43

128

1,59

527

1,40

728

6,01

427

6,08

286,93

527

2,17

928

5,65

427

2,17

928

3,83

827

2,17

928

3,62

627

3,81

928

6,75

527

8,17

228

9,23

927

5,47

628

7,83

827

5,47

628

6,53

427

5,47

628

6,39

127

6,33

728

8,31

428

1,56

329

2,79

327

8,68

729

2,13

278,68

729

0,86

627

8,68

728

9,92

127

9,53

429

1,51

428

3,55

429

6,17

628

1,20

229

5,83

228

1,20

229

4,90

528

1,20

229

3,32

128

1,24

829

4,40

828

3,85

629

7,08

128

1,10

929

5,99

228

1,10

929

5,33

628

1,10

929

3,52

280,83

729

5,23

228

2,33

429

5,33

727

8,11

529

3,88

527

8,11

529

1,55

278,11

529

1,26

927

9,25

329

3,96

527

9,20

829

2,03

827

4,78

829

1,10

427

4,78

828

7,93

827

4,78

828

7,51

727

6,74

829

1,70

927

9,20

829

2,03

827

1,59

128

8,26

271,59

128

4,79

327

1,59

128

4,33

927

3,58

288,94

527

5,02

128

7,08

526

5,78

528

5,09

265,78

528

1,44

826

5,78

528

0,92

827

2,01

928

7,08

5

1,72

989

43,014

22,90

361

27,121

53,53

2227

,121

54,30

127

27,121

53,40

8547

,180

9

6,84

287

162,11

9,90

489

95,557

11,847

395

,557

12,004

595

,557

13,050

917

7,79

Ulex eu

ropaeu

s L.

Rham

nus fallax Bo

iss.

Tilia to

men

tosa

Moe

nch

Que

rcus trojana

Web

bQue

rcus sub

er L.


103

II. Éghajlati igények adattáblája: Moesz-vonalhoz tartozó fajok

A táblázat ábécérendben közli a Moesz-vonal elterjedésmodellezése során vizsgált

fajokat és a képzeletbeli moesz-növényt, a függőleges tengely mentén az egyes éghajlati

paraméterek vannak felsorolva. Az éghajlati paraméterek nevében

− r a REMO adatsorra,

− 61 a referenciaidőszakra,

− m a minimum-hőmérsékletre és

− t a középhőmérsékletre, míg

− a számjegyek 1-től 12-ig a hónapokra utalnak.

„vegP” jelentése: vegetációs időszak összcsapadéka. A hőmérsékleti adatok K-

ben, a csapadékadatok mm/nap-ban vannak megadva. Utóbbi ezért 30-cal szorozva adja

a mm mértékegységgel értelmezhető számértéket.

Minden faj minden klímaparaméteréhez feltüntettem az elterjedésiterület-

szegmensen előforduló legkisebb értéket, a vegetációs időszak csapadékához pedig a

fölső sorban a legkisebb, alsó sorban a legnagyobb értéket.

A képzeletbeli Moesz-növény esetén a hőmérsékleti adatok legkisebb (min) és

legnagyobb (max) értéke is kilistázásra került.

[r61

t01]

271,44

271

270,54

727

0,54

726

9,73

327

2,35

927

127

0,54

727

2,04

127

2,76

127

0,00

927

0,54

7[r61

t02]

273,07

727

2,53

327

2,36

327

2,36

327

1,4

274,11

272,53

327

2,36

327

3,83

427

4,48

227

1,67

627

2,36

3[r61

t03]

277,15

627

6,45

727

6,97

227

6,97

227

5,83

227

8,30

127

6,45

727

6,88

627

8,01

727

8,62

827

6,07

127

6,97

2[r61

t04]

282,40

828

1,68

228

2,26

828

2,26

828

1,85

628

3,38

128

1,68

228

2,14

428

3,12

728

3,42

128

1,87

282,26

8[r61

t05]

287,26

228

6,40

228

7,16

628

7,16

628

6,89

528

8,19

928

6,40

228

6,91

928

7,93

528

8,19

328

6,82

628

7,16

6[r61

t06]

289,64

328

8,89

929

0,15

328

9,88

928

9,51

129

0,83

128

8,89

928

9,48

629

0,52

629

1,08

928

9,44

829

0,15

3[r61

t07]

292,10

229

1,48

829

2,84

529

2,49

429

2,08

229

3,40

329

1,48

829

2,07

329

3,09

329

3,79

829

1,96

329

2,85

8[r61

t08]

290,96

729

0,37

929

1,66

291,39

229

1,02

729

2,22

729

0,37

929

0,96

429

1,91

329

2,71

429

0,79

829

1,81

3[r61

t09]

287,89

128

7,19

728

8,25

428

8,19

328

7,26

728

9,12

528

7,19

728

7,72

928

8,81

828

9,57

128

7,29

928

8,22

1[r61

t10]

282,64

528

1,97

128

2,17

228

2,17

228

1,65

228

3,7

281,97

128

2,17

228

3,42

428

3,87

828

1,72

728

2,17

2[r61

t11]

277,86

127

7,34

327

7,25

727

7,25

727

6,80

527

8,78

427

7,34

327

7,25

727

8,54

327

8,98

127

6,88

127

7,25

7[r61

t12]

273,32

927

2,71

627

2,34

627

2,34

627

1,70

927

4,05

627

2,71

627

2,34

627

3,76

274,37

427

1,91

527

2,34

6[r61

m01

] 26

9,18

626

8,53

426

7,87

426

7,87

426

6,58

327

0,14

268,53

426

7,87

426

9,83

827

0,68

626

6,93

126

7,87

4[r61

m02

] 27

0,66

627

0,05

269,68

426

9,68

426

8,44

427

1,68

127

0,05

269,68

427

1,44

727

2,23

926

8,76

626

9,68

4[r61

m03

] 27

4,19

527

3,55

427

3,57

273,57

272,77

127

5,16

827

3,55

427

3,57

274,94

227

5,37

327

2,99

127

3,57

[r61

m04

] 27

8,22

127

7,57

277,77

727

7,77

727

7,61

227

9,17

527

7,57

277,77

727

8,92

727

9,19

327

7,65

927

7,77

7[r61

m05

] 28

2,41

728

1,59

928

1,99

128

1,99

128

1,99

128

3,47

128

1,59

928

1,99

128

3,12

928

3,39

928

1,90

428

1,99

1[r61

m06

] 28

4,89

328

4,09

828

4,87

528

4,87

528

4,63

286,13

628

4,09

828

4,63

828

5,66

828

6,21

228

4,49

284,87

5[r61

m07

] 28

7,19

928

6,49

328

7,56

528

7,50

128

6,93

288,53

828

6,49

328

7,04

288,14

528

8,89

428

6,83

728

7,56

5[r61

m08

] 28

6,50

328

5,80

428

6,87

228

6,80

928

6,19

928

7,81

428

5,80

428

6,36

428

7,46

428

8,28

428

6,10

728

6,84

4[r61

m09

] 28

3,78

928

3,00

428

3,57

328

3,57

328

2,89

928

5,00

928

3,00

428

3,42

128

4,64

528

5,27

428

2,92

428

3,57

3[r61

m10

] 27

9,34

627

8,58

127

8,47

327

8,47

327

8,16

428

0,31

827

8,58

127

8,47

327

9,93

928

0,38

278,19

927

8,47

3[r61

m11

] 27

5,66

827

5,22

327

4,85

527

4,85

527

4,59

127

6,43

127

5,22

327

4,85

527

6,22

727

6,66

427

4,64

827

4,85

5[r61

m12

] 27

1,43

127

0,75

627

0,28

127

0,28

126

9,37

127

2,34

327

0,75

627

0,28

127

1,89

627

2,75

326

9,62

127

0,28

1

[r61

_vegP] >

9,98

085

9,39

257

7,18

075

7,18

075

7,18

075

8,86

629

8,86

629

7,18

075

8,86

629

8,86

629

7,18

075

7,18

075

[r61

_vegP] <

13,427

413

,427

413

,617

715

,506

314

,956

613

,427

414

,062

615

,506

313

,427

413

,427

415

,916

114

,493

5

Galega officinalis

Cruciata pedemontana

Phlomis tuberosa

Aira elegantissima

Althaea officinalis

Cephalaria transsylvanica

Clematis integrifolia

Eryngium planum

Euphorbia seguieriana

Salvia aethiopis

Sideritis montana

Xeranthemum annuum

[r61

t01]

[r61

t02]

[r61

t03]

[r61

t04]

[r61

t05]

[r61

t06]

[r61

t07]

[r61

t08]

[r61

t09]

[r61

t10]

[r61

t11]

[r61

t12]

[r61

m01

] [r61

m02

] [r61

m03

] [r61

m04

] [r61

m05

] [r61

m06

] [r61

m07

] [r61

m08

] [r61

m09

] [r61

m10

] [r61

m11

] [r61

m12

]

[r61

_vegP] >

[r61

_vegP] <

min

max

269,73

327

1,42

227

2,27

726

8,96

926

8,99

427

0,81

827

0,54

727

4,54

271,4

273,38

727

4,25

827

0,57

427

0,60

527

2,58

327

2,36

327

5,88

327

5,83

227

7,92

327

8,64

227

4,77

227

4,79

277,53

276,97

227

9,34

428

1,85

628

3,10

828

3,46

228

0,57

628

0,57

928

3,31

128

2,26

828

4,13

828

6,82

628

7,93

228

8,19

328

5,48

728

5,48

728

8,19

928

7,14

428

9,05

289,47

290,79

729

1,08

928

8,16

328

8,16

329

1,06

628

9,55

529

2,04

292,02

429

3,57

329

3,95

729

0,79

929

0,73

293,79

829

2,10

229

5,07

290,96

829

2,56

329

2,98

228

9,78

328

9,64

329

2,71

429

0,96

729

4,13

428

7,26

728

8,96

628

9,48

728

6,04

728

6,04

728

9,00

928

7,89

129

0,35

828

1,65

228

3,13

628

3,75

528

0,49

528

0,50

528

2,98

728

2,17

228

5,15

327

6,80

527

8,14

227

8,75

927

5,84

427

5,85

427

7,97

227

7,25

728

0,41

627

1,70

927

3,17

127

3,97

627

0,95

327

0,97

727

2,68

272,34

627

6,58

626

6,58

326

8,94

327

0,17

926

5,51

326

5,54

726

8,27

426

7,87

427

2,76

726

8,44

427

0,92

227

1,94

726

7,31

267,35

326

9,87

826

9,68

427

3,65

272,77

127

4,59

727

5,25

827

1,61

527

1,63

327

4,26

527

3,57

276,13

127

7,61

227

8,64

827

9,16

327

6,38

927

6,39

278,92

327

7,77

727

9,92

328

1,90

428

2,85

528

3,37

928

0,52

128

0,52

128

3,34

728

1,99

128

4,25

828

4,49

285,64

228

6,19

328

3,18

228

3,18

228

6,09

828

4,79

328

7,36

286,83

728

8,23

528

8,81

285,47

928

5,47

928

8,63

828

7,14

328

9,78

286,10

728

7,54

288,19

328

4,83

928

4,83

928

8,02

528

6,50

328

6,50

328

2,89

928

4,43

228

5,08

728

1,59

528

1,59

528

4,55

328

3,57

328

6,41

527

8,16

427

9,44

328

0,16

427

7,07

527

7,08

227

9,38

327

8,47

328

1,92

927

4,59

127

5,79

427

6,44

427

3,71

427

3,72

627

5,57

627

4,85

527

8,01

626

9,37

127

1,29

227

2,34

526

8,29

826

8,33

327

0,78

827

0,28

127

4,6

7,18

075

8,94

302

8,86

629

7,18

075

7,18

075

8,86

629

7,18

075

15,916

113

,427

410

,744

415

,916

117

,384

713

,281

115

,506

3

MOESZ

Cotinus coggygria

Fraxinus ornus

Quercus cerris

Vitis sylvestris

Vitis vinifera

Castanea sativa


106

III. Az előzetes kutatás térképes eredményei

A következőkben az előzetes kutatás térképes eredményeit mutatom be. A

térképlapok északra vannak tájolva, ahol a színek jelentése a következő:

− sötétzöld: eredeti elterjedési terület,

− citromsárga: a 2. számú képlet (vegetációs időszak csapadéka és havi

középhőmérsékletek figyelembe vétele) szerint végzett modellezés

eredménye a referencia-időszakra (1961-90),

− sötétkék: a 2. számú képlet szerint végzett modellezés eredménye a

jövőbeli időszakra (2011-2040),

− világoskék: az 1. számú képlet (havi középhőmérsékletek figyelembe

vétele) szerint végzett modellezés eredménye a referencia-időszakra

(1961-90),

− narancssárga: az 1. számú képlet szerint végzett modellezés eredménye a

jövőbeli időszakra (2011-2040),

− lila: a Pálfai-index szerint végzett modellezés eredménye a referencia-

időszakra (1961-90),

− világoszöld: a Pálfai-index szerint végzett modellezés eredménye a

jövőbeli időszakra (2011-2040).

Pinus brutia


107

Pinus halepensis

Pinus nigra

Pinus pinea


108

Quercus suber

Pinus pinaster


109

IV. A szubjektív paraméterválasztás különböző módszerei az Abies

borisii-regis példáján

A 4.4.3. fejezetben ismertetett 3–8. számú képletek alkalmazását a makedón

jegenyefenyő (Abies borisii-regis) fajon tettem próbára, melyek térképes eredményeit a

következőkben bemutatom.

A térképeken feltüntetett színek jelentése a következő:


− világoszöld: modellezett telepíthetőségi terület a referencia-időszakra

(1961-1990),

− narancssárga: modellezett telepíthetőségi terület a 2011-2040 közötti

időszakra,

− citromsárga: modellezett telepíthetőségi terület a 2041-2070 közötti

időszakra.


110

3. számú képlet 6. számú képlet




111

V. Önálló telepíthetőségiterület-modellezés térképes eredményei

A 4.4.3. fejezetben ismertetett 8. számú képlet szerint végzett modellezés térképes

eredményeit a következőkben bemutatom.




(1961-1990),


időszakra,


időszakra.

Abeis borisii-regis Abies bornmuelleriana

Abeis cilicica Abies marocana


112

Abeis numidica Acer heldreichii

Acer monspessulanum Acer sempervirens

Buxus balearica Euonymus latifolius


113

Fagus orientalis Juniperus oxycedrus

Juniperus thurifera Laurus nobilis

Liquidambar orientalis Phillyrea angustifolia


114

Phillyrea latifolia Pinus brutia

Pinus halepensis Pinus nigra

Pinus peuce Pinus pinaster


115

Pinus pinea Quercus canariensis

Quercus coccifera Quercus faginea

Quercus ilex Quercus rotundifolia


116

Quercus suber Quercus trojana

Rhamnus fallax Tilia tomentosa

Ulex europaeus


117

VI. Az elterjedésmodellezés térképes eredményei: kulcsfajok

A Moesz-vonalhoz eredetileg kapcsolt 12+1 kulcsfajra – a 4.4.3. fejezetben

ismertetett 2. számú képlet szerint – végzett modellezés térképes eredményeit a

következőkben bemutatom.




(1961-1990),


időszakra,


időszakra.

Aira elegantissima Althaea officinalis

Cephalaria transsylvanica Clematis integrifolia


118

Eryngium planum Euphorbia seguieriana

Galega officinalis Cruciata pedemontana

Phlomis tuberosa Salvia aethiopis


119

Sideritis montana Xeranthemum annuum

Vitis vinifera


120

VII. Az elterjedésmodellezés térképes eredményei: kapcsolt fajok

A Moesz-vonalhoz később kötött fajokra – a 4.4.3. fejezetben ismertetett 2. számú

képlet szerint – végzett modellezés térképes eredményeit a következőkben bemutatom.

A térképek jelmagyarázatát lásd a VI. számú mellékletben.

Castanea sativa Cotinus coggygria

Fraxinus ornus Quercus cerris

Vitis sylvestris

bede-fazekas Ákos melegigényes díszfák telepíthetőségi területének előrejelzése a 21....

Documents