1. Podatki v projektu LIFEGENMON
V gozdnem genetskem monitoringu imamo opravka z veliko vrstami podatkov, npr. genetskimi, fenološkimi, meteorološkimi in drugimi terenskimi podatki. Da bi zagotovili integriteto podatkov iz številnih različnih virov, se surovi podatki pred analizo shranijo v relacijsko bazo podatkov. Baza podatkov nam omogoča dostop, upravljanje, standardizacijo in nato analizo podatkov iz več virov.
Pri analizi podatkov iščemo časovne spremembe v genetski pestrosti, fenologiji (brstenje, rumenenje, cvetenje in obrod), številčnosti naravne regeneracije itd. V ta namen v rednih časovnih intervalih spremljamo in analiziramo verifikatorje in dodatne informacije za tri kazalnike – (1) selekcija, (2) genetska variabilnost in (3) pretok genov/sistem opraševanja – kar vključuje pridobivanje in analizo podatkov terenskih opazovanj, molekularnih in drugih laboratorijskih analiz. Zbiranje/pridobivanje podatkov in analiza morajo biti standardizirani, podatki pa morajo biti na voljo za primerjavo v daljšem obdobju.
Opažene spremembe nam lahko dajo pomembne informacije o zdravju gozdov in nam pomagajo prepoznati potencialno škodljive spremembe v sposobnosti prilagajanja gozdov. Podatki se lahko uporabijo tudi za načrtovanje izvajanja upravljavskih ukrepov, kadar so spremembe resne.
2. Primeri podatkov in za kaj se uporabljajo
2.1 Fenologija
Iz fenoloških podatkov lahko izračunamo in grafično prikažemo povprečni začetek določene fenološke faze, npr. nastop različnih faz rumenenja in primerjavo med leti (Slika 1). Če fenološke podatke prikažemo skupaj z meteorološkimi podatki, lahko ugotovimo, ali potek fenologije sledi temperaturni krivulji.
Slika 1: Primerjava faz rumenenja med leti 2016-2019 pri navadni bukvi (Fagus sylvatica) na ploskvi v Sloveniji.
Fenološki podatki vsebujejo informacije o prisotnosti, pogostosti in času cvetenja ter obroda. Podatki o intenzivnosti cvetenja nam povedo, kolikšen obrod lahko pričakujemo. Za vrste, ki ne cvetijo vsako leto, nam fenološki podatki pomagajo napovedati, kdaj lahko pričakujemo naslednji obrod.
Koristne informacije, ki jih lahko dobimo iz fenoloških podatkov, so tudi, katera drevesa bodo kasneje spomladi odgnala in cvetela (Slika 2). Ta podatek nam koristi pri izbiri dreves, s katerih bomo nabirali seme, kadar želimo izbrati genotipe, ki cvetijo pozno in so posledično manj dovzetni za spomladanske pozebe.
Slike 2: Grafični prikaz brstenja v letu 2019 za drevesa navadne bukve (Fagus sylvatica) v Sloveniji.
2.2 Genetski podatki
Naslednji velik set podatkov, pridobljen v LIFEGENMON-u, so genetski podatki. Surovi podatki vključujejo 11 SSR in 163 SNP markerjev za navadno bukev (Fagus sylvatica L.) ter 11 SSR in 212 SNP markerjev za navadno/Borisovo jelko (Abies alba Mill./Abies borisii-regis Mafft.) iz treh partnerskih držav: Nemčije, Grčije in Slovenije. Podatki omogočajo izračun številnih različnih verifikatorjev iz nabora indikatorjev ‘Genetska variabilnost’ in ‘Pretok genov / Sistem opraševanja’, npr. frekvence alelov, alelnega bogastva, koeficienta opraševanja med sorodniki, efektivne velikosti populacije, pretoka genov, dejanske stopnje opraševanja med sorodniki in drugo. Izračunane vrednosti teh verifikatorjev nam dajo vpogled v genetske značilnosti izbrane populacije (Tabela 1). S časovnim spremljanjem genetskih indikatorjev in njihovih verifikatorjev lahko ugotovimo, ali se genetske značilnosti ciljne populacije ohranjajo ali zmanjšujejo zaradi spreminjajočih se okoljskih razmer. Pri primerjanju podatkov v času je pomembna statistično značilna in / ali kritična razlika od časovnih referenčnih točk, vendar je treba opozoriti, da taka kritična razlika sama po sebi predstavlja mejno točko. To ima pomembne posledice za ukrepe, ki jih je mogoče sprejeti (Tabela 2).
Tabela 1: Parametri genetske variabilnosti, izračunani na podlagi SNP markerjev za navadno bukev (Fagus sylvatica) v treh državah (Nemčija, Slovenija in Grčija). SN – standardna napaka.
Tabela 2: Ravni kritične razlike med časovnimi ocenami, ravni odziva in priporočeno ukrepanje. ssd: statistično značilne razlike; IZ: interval zaupanja
Da bi dobili vpogled v vzorce razmnoževanja gozdnih dreves, je z genetskimi analizami mogoče pregledati razpršenost mladja med možnimi starši in razprševanje semen v povezavi s časovnimi razlikami v efektivnem reproduktivnem uspehu (Slika 3 in Slika 4). Moški in ženski relativni reproduktivni uspeh (število potomcev, ki jih je ustvaril en posameznik v primerjavi z drugim posameznikom ali povprečjem populacije) je splošno sprejeto kot ključno merilo za opis variabilnosti spolov znotraj in med populacijami ter evolucijskih posledic. Takšne in podobne študije, nam dajejo vpogled v evolucijske procese in lahko predstavljajo pomembne informacije, ki nam pomagajo pri interpretiranju rezultatov različnih verifikatorjev. Poleg tega so take informacije lahko uporabne pri ugotavljanju posledic v kontekstu gospodarjenja z gozdovi, saj bi lahko posek dreves z visokim efektivnim reproduktivnim uspehom vplival na opažene vrednosti parametrov/verifikatorjev (Slika 4).
Slika 3: Razdalje razpršitve semena (zgoraj) in cvetnega prahu (spodaj) [m] in PDF – funkcija gostote verjetnosti za bukev (levo) in navadno jelko (desno). Model razpršitve peloda na podlagi mladik iz leta 2016 je prikazan z zeleno, model razpršitve peloda na podlagi mladik iz leta 2019 je prikazan z modro, model razpršitve peloda na podlagi semena pa rdeče.
Slika 4: Odrasla drevesa in regeneracijski centri za navadno bukev v Sloveniji. Vsako odraslo drevo nad pragom 15 cm je označeno s piko, regeneracijski centri, sestavljeni iz 50 sadik, pa z zvezdico (*). Barvna drevesa imajo relativno fekunditeto > 1; rdeča predstavlja darovalce semen, zelena darovalce cvetnega prahu/peloda, modra pa drevesa, ki so hkrati darovalci semen in cvetnega prahu/peloda. Velikost kroga predstavlja relativno fekunditeto.
3. Dostop do surovih podatkov
Do surovih podatkov projekta LIFEGENMON je mogoče dostopati prek spleta z odprtokodnim orodjem Calc (Slika 5), ki je del projekta OpenForis (http://www.openforis.org). Podatke je mogoče filtrirati, prenesti in nato analizirati z uporabo razpoložljivih skriptov R / Python 3 / druge programske opreme.
Slika 5: Brskanje po podatkih LIFEGENMON v programu Calc – odprtokodno orodje, razvito v OpenForisu.
Brskanje po surovih podatkih je na voljo na pregledovalniku. Za dostop nas kontaktirajte po e-pošti.