SUSCETTIBILITA’ ALLE INVASIONI DI SPECIE ALIENE

Il caso studio è stato proposto da LifeWatch CT Mediterranean per esplorare la suscettibilità dell’habitat EUNIS alle invasioni di AS. Originariamente presentato per l’habitat di acqua dolce e marino (Boggero et al., 2014; Corriero et al, 2016), il caso studio è stato generalizzato per funzionare con qualsiasi set di dati sulla biodiversità disponibile nel portale dei dati LW. Per una piena comprensione del razionale del caso studio e dell’approccio statistico utilizzato si consiglia vivamente agli utenti di leggere attentamente Boggero et al. (2014) e Corriere et al. (2016). La conoscenza degli strumenti statistici utilizzati, GLMM (Generalized Linear Mixed Model) è un prerequisito. Ciò è particolarmente rilevante per due aspetti: capire se i tuoi dati sono adatti per questo tipo di analisi (ad esempio si adattano all’ipotesi di GLMM) e per l’interpretazione dell’output.

Questo calcolo consente di utilizzare i dataset disponibili nel Lifewatch Eric Metadata Catalogue, possono essere scaricati come .csv, essendo presenti nel Lifewatch Italy Data Portal. L’obiettivo del calcolo è quello di indagare la vulnerabilità del sito, distribuito in diversi Eunis habitat, e diversi gruppi tassonomici. I dati vengono aggregati a livello di sito per nome tassonomico e Eunis Habitat name.

Il calcolo esegue 3 attività principali:

1) Rimodella il set di dati al fine di ottenere specie aliene e ricchezza di specie autoctone per ogni famiglia a livello di habitat e sito. Se in un sito è presente più di 1 habitat EUNIS, viene calcolata la ricchezza per i due (o più di 2) habitat nel sito;

2) Seleziona il modello più adatto. Questo flusso di lavoro secondario chiama un insieme di funzioni R dai pacchetti lme4 e MuMIn. Inizialmente viene calcolato un modello GLMM completo che include sia la ricchezza che l’habitat EUNIS di livello 1 come fattore fisso. Successivamente i modelli ridotti vengono calcolati e confrontati con il modello completo utilizzando gli Akaike Information Criteria (AIC). Il modello che mostra l’AIC migliore viene utilizzato per creare l’output (tabelle e grafico),

3) Infine, un flusso di lavoro secondario prende le informazioni dal set di dati rimodellato e traccia le curve di rarefazione.