ECOLOGIE
INTRODUCTION
INTRO
• Chaos = som van de ecologie
• Reigers + gnoes + zebra’s = commensalisme
→ Reigers eten insecten/… die de andere lastigvallen
→ Geen mutualisme want eten geen parasieten op
• Gnoes + zebra’s kunnen samen leven?
→ Gnoes eten bovenste deel gras
→ Zebra’s eten onderste deel gras
→ = complementariteit → geen competitie
• Koraal: biodiversiteit trekt meer biodiversiteit aan
• Hoe goed populaties met elkaar verbonden zijn = effect van/op evolutie
→ Bv. pop’s vogels kunnen zich makkelijker verspreiden over eilanden dan kikkers
• Community / gemeenschap = groep van populaties van organismen die op dezelfde plaats en op hetzelfde
tijdstip zich bevinden
• Populatie vs gemeenschap: discussie over correcte definitie + afh van graad van interactie
• Metacommunity = verzameling van lokale gemeenschappen verbonden door dispersie van potentieel op
elkaar inwerkende soorten
→ Interacties intra en inter soorten speelt een rol
• Great Barrier Reef: koraal groen door dinoflagellaten → coral bleaching → wat is het effect van wegvallen
koraal?
• Eilandvorming: fragmentatie door boskap regenwoud (analoog VL bossen) → hoe groot moet stuk woud
minstens zijn om dieren te kunnen behouden? (zie pfp vorig jaar)
• Waarom zijn soorten waar ze zijn?
→ Olifanten bij termietenhopen: ess mineralen komen nr boven → plantengroei → gegeten door
olifanten
→ Description (patronen) <-> explanation (processen) <-> applications (conservation/restauration
biology) <-> description
ECOLOGY AS A SCIENCE
• “Ecology isn’t rocket science, it is much harder”
• “It is interesting to contemplate an entangled bank, clothed with many plants of many kinds, with birds
singing on the bushes, with various insects flitting about, and with worms crawling through the damp earth."
(Charles Darwin, concluding paragraph of On the Origin of Species)
WHAT ARE THE SOURCES OF KNOWLEDGE IN ECOLOGY?
• Modellen tonen iets dat mogelijk zou kunnen zijn (onder gegeven virtuele condities)
• Experimenten bewijzen dat iets gebeurd (onder gegeven echte condities)
• Surveys tonen patronen die consistent kunnen zijn met zekere hypotheses, maar geven geen echt bewijs
• Meta-analyses kunnen supporten dat patronen consistent zijn doorheen studies
→ Study 1, study 2, study 3… → overal effect size
• Voorspellingen en conclusies zijn (bijna) altijd context afhankelijk
→ Onder deze omstandigheden… kan dit gebeuren / Onder andere omstandigheden…
→ Ecologische wetten formuleren = om deze reden moeilijk want dus contextgebonden
→ Wat in woud 1 gebeurt, is niet altijd in woud 2 ook het geval
DIFFERENT PROCESSES IN NATURE
A. Deterministic process: een proces dat resulteert in voorspelbare effecten, bv. mortaliteit door een predator
B. Random process: een onvoorspelbaar kansproces, bv. mutaties, bosbranden door bliksemschicht → maar je
kan op zich wel voorspellen waar er meer kans is op blikseminslag… → let op met gebruik van “random”!!
→ mutaties: kan op zich ook stochastisch zijn: bv. histonen bij sterk klimaatvariabele omgeving zullen zorgen
dat thermogenen sneller muteren
1
, C. Stochastisch process: niet helemaal random in natuur, maar omdat er zoveel deterministische processen
zich afspelen, er geen voorspelbare uitkomst meer is, bv. langeafstandsverspreiding, het weer…
Maar random en stochastisch worden vaak als synoniemen gebruikt!
Lineair proces: simpele oorzaak en gevolg: als je de ene variabele verhoogt, dan zal de andere variabele met
dezelfde hoeveelheid ook stijgen
Niet-lineair proces: effecten op een respons zijn veel complexer dan gewoon lineair, bv. densiteit afhankelijke groei
Global dispersal of mangroves
➔ Via zee komen die overal uit
➔ Model toepasbaar op bv. apen: hoe in Z-Amerika geraakt? Bv. op stuk land dat afbreekt en meegesleurd
wordt via Congostroom en zeestroom (“één zwangere aap is al genoeg”)
PROXIMAL VS ULTIMATE CAUSE
• Waarom ziet dit bos er zou uit: omgevallen bomen met kleine nieuwe boompjes ertussen
→ Meerdere antwoorden mogelijk! Probeer niet altijd het obvious antwoord te geven!
→ Bv. recent afgebrand
→ Bv. honderden/duizenden jaren van natuurlijke selectie heeft als resultaat dat een set van soorten op
bosbranden op deze manier reageert (bestaat ook echt toch?)
• Proximal cause = de onmiddellijke trigger
→ Waarom regent het? Omdat er regenwolken zijn met water gecondenseerd rondom nuclei
→ Waarom is deze soort hier? Omdat er lage pH is, omdat het warm genoeg is…
• Ultimate cause = de onderliggende reden
→ Bv. door de fundamentele wetten van de fysica, water verdampt uit de oceaan…
→ Bv. soort is hier omdat het geëvolueerd is in omgevingen met lage pH
GOALS OF ECOLOGY
Probeer te begrijpen:
• Bronnen van biologische diversiteit
• Processen die biologische diversiteit behouden
Om hiermee:
• Natuurlijke en artificiële (agricult.) te managen
• Communities te restaureren die kapot zijn door overexploitatie en habitat destructie
Tools om te gebruiken
• Experimenten
• Surveys
• Modellen
FUNDAMENTAL VS APPLIED ECOLOGY
• Benjamin Franklin: “Naar de waarde van een ontdekking vragen is hetzelfde als vragen wat de waarde van
een nieuwe baby is”
• Vaak weet men nog niet wat de latere toepassingen zullen zijn van het onderzoek → zou nog kei belangrijk
kunnen zijn
• Interessant om bv. naar virtuele modellen te kijken, ook al vind je ze nog niet terug in het veld
COMMUNITY ECOLOGY AS A SCIENCE
• Traditioneel: zeer gefocust op patronen in de natuur
• Patronen kunnen veroorzaakt zijn door verschillende processen
• Experimenten zijn nodig om patronen en processen aan elkaar te linken
→ Bv. volgorde voorkomen van soorten op vertical rocky shore zonation (zie eco en terrein) anders
naargelang waar je je op strand bevindt: hangt af van fysiologische tolerantie, competitie en predatie
2
, • Op sommige tijdelijke of ruimtelijke schalen zijn experimenten natuurlijk niet haalbaar
→ Bv. diversiteitspatroon terrestrische vertebraten op wereldschaal: werd wél studie over gedaan
• Van sommige patronen is aangetoond dat ze artefacten zijn en geen betekenisvolle processen
weerspiegelen!
A. BASIC MATHEMATICAL TOOLS
ECOLOGISTS NEED MATHEMATICS
• Wiskunde = taal van exacte wetenschappen
• In ecologie proberen we…
→ Patronen te beschrijven via statistische fits
→ Processen te synthetiseren in vergelijkingen
→ (statistische) modellen te bouwen die de realiteit kunnen voorspellen
• Integralen, log’s, afgeleiden, differentialen, matrix algebra, probability theory en statistiek
DIFFERENT TYPES OF RELATIONSHIPS
• Lineair, log, exponentieel, power, kwadraat
• Zelfs tot in 2D etc
• Welke sluit beste aan bij data?
DIFFERENTIAL EQUATIONS
• Nodig om veranderingen in abundantie te beschrijven doorheen de tijd van
twee soorten die met elkaar interageren
• Lotka-Volterra vergelijkingen
• De abundantie van een andere soort bepaalt de groeisnelheid van een
soort over de tijd
• Twee golvende curves waarop een vertraging zit!
PREDATOR – PREY MODELS
• Nu: L-V in detail
• Originele Lotka model beschreef chemische reacties
→ toegepast op predator-prooi dynamieken
• En later aangepast voor competitie
• dN/dt = b *N – (P*a*N)
• dP/dt = e* (P * a * N) – s * P
• b = per capita birth rate of the prey
• s = per capita death rate of the predator a = per capita attack rate
• e = conversion efficiency of prey into new predator
• a*N = the functional response!
DIFFERENTIAL EQUATIONS
• Heeft niet 1 oplossing: afh van startcondities
→ Bv. elk punt = mogelijke start
• Oplossen door beide kanten te integreren
• Uiteindelijk zul je iedere keer naar stabiel evenwicht gaan MAAR natuur blijft chaos met
weinig evenwicht!
→ Alles continu in beweging, bv. seizoenen alleen al
→ Enkel bv. een oud beukenbos zoals Zoniënwoud is relatief in evenwicht!
ECOLOGISCHE MODELLEN
1. Analytical models: test het hele bereik van mogelijkheden voor alle combinaties
→ Bv. L-V model!
2. Simulation models: gemaakt obv een gelimiteerde set van gespecifieerde startcondities
→ meestal niet zo elegant
→ maar makkelijk te maken
3
, → voor complexe situaties
→ Je creëert iets nieuw
3. Statistical models: gebaseerd op echte data van op het veld
→ Gebaseerd op probability theory
→ Gebruikt om hypotheses te testen
→ Meestal: een lijn doorheen een puntenwolk fitten
→ Bv. lineair regressie model
→ Je creëert niets nieuw! → je kijkt naar bestaande relaties / voorspellingen
→ Bv. R
B. SCALE DEPENDENCY OF ECOLOGY: FROM POPULATIONS TO BIOGEOGRAPHY
LEVELS OF ORGANIZATION
• Perspectief van ecologist vs biogeograaf is anders (“two views of one world”)
A CLEMENTSIAN COMMUNITY
• Clements, 1936, Journal of Ecology
• Een community is een duidelijke eenheid van op elkaar inwerkende soorten die unieke eigenschappen
heeft in vergelijking met andere gemeenschappen
→ Gemeenschap gedraagt zich als een soort superorganisme
→ Bv. EU: vegetatietypes als superorganisme : bv. Vochtige heidetype met caluna of een beukenbos
beschermen met boshyacinten…
→ Bv. plant ecoregio’s
A GLEASONIAN COMMUNITY
• Gleason, 1926, Bulletin of the Torrey Botanical Club
• Distributie van soorten veranderen simpelweg langs omgevingsgradiënten
• Als resultaat: soorten eindigen bij elkaar uit
• Elke soort reageert anders op zijn omgeving en die omgeving kan hetzelfde zijn voor versch soorten
THE REGIONAL COMMUNITY CONCEPT
• Ricklefs, 2008 → verschillende views verenigen
• Een gemeenschap is een willekeurig/arbitrair punt waar bereiken elkaar
kruisen
HOW TO PRACTICALLY IDENTIFY COMMUNITIES?
• Gebaseerd op: dominante soorten, sets van soorten, fysische habitat of door het gebruik van
statistische procedures
• Soortenrijkdom en diversiteit statistieken kunnen gebruikt worden om communities op een gemakkelijke
manier te karakteriseren
• Geen enkele magische grafiek kan variatie in de samenstelling van de gemeenschap vaststellen
→ Rank-abundance curves
→ Ordination diagrams
• Afh van data zal Clemens of Gleason benadering beter kloppen: het is niet zo dat ene juist is en andere niet
• Bv. broekbos = bos dat onder water staat
VOORBEELD
• Elke curve is een soort: sommige soorten duidelijk geassocieerd met ofwel
vochtig ofwel droog ofwel ertussen = ideaal voor Clemens: voorspelbaar →
langs een vochtgradiënt zie je versch gemeenschappen
• Gleason: elke soort reageert apart op vochtgradiënt
• Grote variaties op condities → natuurbeleid
4
,RANK-ABUNDANCE PLOTS
• Andere (ouderwetse) manier om gemeenschappen te ordenen
• Voor elke soort relatieve abundantie (y) berekend → rangschikking
abundantie (x)
• Meest steile curve: enkele soorten zeer abundant
• Midden: meest diverse gemeenschap / soortenrijkdom
• Rechts: nog gelijkmatiger verdeeld
• Amper gebruikt door prof, maar je kan er wel info uithalen
VECTOR REPRESENTATION
STATISTICAL DELINEATION OF COMMUNITIES
Bv. PCA, bv. obv gelijkenissen clusteren
SPATIO-TEMPORAL HIERARCHY OF COMMUNITY STRUCTURING FACTORS
Wat zijn de schalen nu? Planeet vs lokale gemeensch → hoe verhouden tov elkaar?
Regional species pool
• Groep soorten voor bep. regio: elke gemeenschap in deze regio heeft subset van deze soorten
→ Discussie grenzen regio: bv. VL vs West-Atlantisch
fytogeografisch district
• Door wat wordt pool bepaald? (examen!)
→ Evolutie
→ Historische gebeurtenissen
▪ bv. ijstijd in onze regio → meer extinctie vs Afrika
evenaarsgebied
→ Fysiologische beperkingen door geografische ligging
▪ Bv. zonlicht en T° invloed op evenaars- vs
noordpoolgebied
• Dispersal ability: een soort kan ergens leven maar als ze er niet
geraken, gaan ze er ook nooit voorkomen (kunnen vs willen)
• Habitat selectie
• Filter: interspecific interactions (+ omgevingsfilter: interspecific
interactions with environment (staat hier niet bij, maar speelt ook rol!)
LEVELS OF ORGANIZATION
• In het veld is het moeilijk om te definiëren wat een gemeenschap of een populatie is (tenzij het een eiland
habitat is)
• Een vijver kan een gesloten populatie zijn voor zooplankton die zich slecht kan verspreiden ; maar voor een
mug kan het net een patch zijn in een metapopulatie ; voor een eend is het gewoon een patch waar ze eens
passeren ; of een stopover voor bep. migratievogels
5
, • Hoe definiëren we een populatie van migratie soorten? Of in een habitat zonder grenzen (bv. oceaan)?
• Populaties en gemeenschappen zijn praktische concepten, maar grenzen zijn blurry in realiteit
SCALE DEPENDENCY IN SPECIES DISTRIBUTIONS
• Hoe zijn populaties in gemeenschappen georganiseerd (in ruimte)?
• Bv. bullfrog: komt boven na zware regenval om te paren ; verdedigt kroost ; graaft
kanalen naar andere poeltjes als de zijne opgedroogt is
• Area of occupancy = waar hij gespot is
• Area of range = waar hij kan voorkomen = polygoon rond alle recente observaties
• 2 pijlen want dispersie mogelijk maar kan enkel in poeltjes voorkomen als hij
effectief daar onder grond zit en dus in regio voorkomt (en andersom)
• Ecoregio: waar hij zou kunnen voorkomen ; bevat species pool maar zal niet
bepalen waar de soort effectief ook voorkomt → bepaald door de range
→ Een streek die in fysisch-geografisch en ecologisch opzicht min of meer
gelijkaardig is. (bv. in VL 36 ecodistricten (kustduinen, kempen,
krijgtgebieden…)
→ Dus kikker zou er KUNNEN voorkomen maar zit er daarvoor niet per se
(willen vs kunnen again?)
LEVELS OF ORGANIZATION – ONE SPECIES
• Populaties: unit van individuen van dezelfde soort gekarakteriseerd door
hun eigen dynamieken
• Metapopulaties: set van populaties die interageren door de uitwisseling
van individuen of allelen
• Regionale gene pool: collectie van allelen (gene varieties) aanwezig in een
bepaalde regio
• Biogeographical gene pool: al de allelen (van een soort) aanwezig in een
biogeografische regio (definitie niet algemeen aanvaard)
LEVELS OF ORGANIZATION – MULTI SPECIES
• Gemeenschap: multi species unit van individuen gekarakteriseerd
door hun eigen dynamieken, niet altijd makkelijk te definiëren
• Metagemeenschap: set van gemeenschappen van mogelijks
interagerende soorten, geconnecteerd door dispersie van individuen
• Regionale species pool: collectie van soorten die mogelijks patches
zouden kunnen koloniseren en in settelen in een bepaalde regio
• Biogeografic species pool: alle soorten aanwezig in een bepaalde
biogeografische regio
A REGIONAL SPECIES POOL
• Zie onderaan p.6!
• Reeksen op elkaar leggen om idee van soortenpool te krijgen voor bep. locatie
6
