Předmět je vyučován anglicky v případě přítomnosti zahraničních studentů.
Cílem praktika je podat přehled běžných postupů ve dvou oblastech:
? analýza běžných datových souborů v populační biologii rostlin
? použití základních technik pro modelování v populační biologii a jejich aplikace v praktických situacích
? seznámení s možným softwarovým vybavením pro práci v populační biologii (zejména Matlab a S-plus)
Poslední úprava: Rubešová Jana, RNDr., Ph.D. (12.12.2006)
The lectures can be given in English.
Poslední úprava: Rubešová Jana, RNDr., Ph.D. (12.12.2006)
Sylabus
Kurs má část teoretickou (přednášky, demonstrace analýzy dat a modelování), a část praktickou (analýza a modelování dat přinesených posluchači, nebo dat, která přinesou přednášející). Závěrem kursu posluchači vypracují krátký report o vybraném zpracovávaném problému, který přednesou a obhájí na společném sezení.
Náplň cyklu vychází z problémů a technik, které uvádíme v manuálu pro analýzu dat v populační biologii (Herben a Münzbergová: Zpracování geobotanických dat v příkladech - Část II. Demografická data). Obsah se mezi jednotlivými běhy trochu mění. Jednotlivé okruhy:
analýza dat o natalitě a mortalitě: logistická regrese, analýza přežívání
analýza dat o růstu rostlin
analýza dat o kvetení, produkci semen, analýza dat z polinačních pokusů: Poissonovská regrese
analýza dat o klíčení a přežívání semenáčků, analýza dat o přežívání semen v půdě
identifikace jednosměrných vztahů v datových souborech pomocí parciální regrese a path analysis
konstrukce populačních přechodových matic, kritika sebraných dat
maticové modelování populační dynamiky: stabilní věková struktura, růstová rychlost, její variabilita, průměrná délka života
elasticita, příspěvky jednotlivých fází k růstové rychlosti, zjišťování "kritických" fází
metapopulační dynamika: modelování šíření druhu v krajině s explicitní strukturou
analýza dat na úrovni populace
Poslední úprava: Rubešová Jana, RNDr., Ph.D. (12.12.2006)
Výsledky učení -
• Formulovat otázky populační biologie rostlin jako testovatelné hypotézy a převést je do vhodného statistického či modelového postupu (závislá proměnná, prediktory, vzorkovací jednotka, předpoklady modelu). • Navrhnout a kriticky posoudit demografické vzorkovací schéma u rostlin (plochy/transekty, opakované cenzusy, značení jedinců/ramet, vymezení stadií či velikostních tříd), včetně identifikace běžných zdrojů zkreslení a pseudoreplikace. • Modelovat natalitu a mortalitu pomocí vhodných metod pro demografická data, včetně logistické regrese pro binární výstupy a analýzy přežívání pro časové údaje, a interpretovat velikost efektů včetně nejistot. • Vhodně analyzovat data o růstu rostlin (např. spojité míry velikosti, přírůstky, opakovaná měření), zvolit obhajitelné linkové funkce a rozdělení a interpretovat faktory ovlivňující růst v ekologickém kontextu. • Modelovat procesy kvetení a plodnosti (např. počty květů či semen, data z opylovacích experimentů) pomocí modelů pro početní data, jako je Poissonovská či negativně binomická regrese, a diagnostikovat nadměrnou disperzi a nulovou inflaci, pokud se vyskytují. • Vyhodnotit úzká místa regenerace populací analýzou dat o klíčení, přežívání semenáčků a perzistenci semenné banky a propojit výsledky s pravděpodobností obnovy a populačním růstem. • Sestavit populační přechodové matice z terénních dat (velikostně strukturované), včetně odůvodněného vymezení stadií, odhadu přechodových pravděpodobností a explicitní kritiky kvality dat a chybějících složek životního cyklu. • Aplikovat maticové modelování populační dynamiky ke kvantifikaci výkonnosti populace, včetně odhadu a interpretace rychlosti populačního růstu (λ), stabilní struktury, reprodukčních hodnot, očekávané délky života/průměrné životnosti a časové variability tam, kde to data umožňují. • Provádět analýzy citlivosti a elasticity k seřazení přechodů v životním cyklu podle jejich vlivu na λ a využít tyto výsledky k identifikaci „kritických“ fází nejvíce omezujících populační růst. • Posoudit spolehlivost predikcí založených na modelech hodnocením nejistoty parametrů, volby struktury modelu a robustnosti závěrů (např. pomocí resamplingu, porovnání scénářů a transparentního popisu omezení). • Analyzovat data na úrovni populací (srovnání mezi populacemi, vliv environmentálních faktorů a managementu) s volbou vhodných modelů a jasným vymezením hranic inference. • Vypracovat a obhájit stručnou odbornou zprávu a prezentaci, které dokumentují celý analytický postup (otázka → data → model → diagnostika → interpretace), s reprodukovatelnými výstupy a transparentní diskusí nejistot.
Poslední úprava: Münzbergová Zuzana, prof. RNDr., Ph.D. (19.12.2025)
·Formulate plant population–biology questions as testable hypotheses and translate them into an appropriate statistical or modelling workflow (response variable, predictors, sampling unit, and assumptions).
·Design and critique demographic sampling schemes for plants (plots/transects, repeated censuses, marking individuals/ramets, defining stages/size classes), including identification of common sources of bias and pseudoreplication.
·Model natality and mortality using suitable methods for demographic data, including logistic regression for binary outcomes and survival analysis for time-to-event data, and interpret effect sizes with uncertainty.
·Analyse plant growth data appropriately (e.g., continuous size measures, growth increments, repeated measures), choose defensible link functions/distributions when needed, and interpret growth drivers in an ecological context.
·Model flowering and fecundity processes (e.g., counts of flowers/seeds, pollination experiments) using count-data models such as Poisson/negative-binomial regression and diagnose overdispersion and zero inflation when present.
·Evaluate recruitment bottlenecks by analysing germination, seedling survival, and seed-bank persistence data, and link results to regeneration probability and population growth.
·Construct population transition (projection) matrices from field data (stage/size-structured), including justified definition of stages, estimation of transition probabilities, and explicit critique of data quality and missing life-history components.
·Implement matrix population modelling to quantify population performance, including estimation and interpretation of population growth rate (λ), stable stage distribution, reproductive values, life expectancy/mean lifespan, and temporal variability where data allow.
·Perform sensitivity and elasticity analyses to rank life-cycle transitions by their influence on λ and use these results to identify “critical” life stages that most constrain population growth.
·Assess the reliability of model-based predictions by evaluating parameter uncertainty, model structure choices, and robustness of conclusions (e.g., through resampling, scenario comparison, and transparent reporting of limitations).
·Analyse data at the population level (among-population comparisons, environmental drivers, and management effects), selecting appropriate models and communicating inference boundaries clearly.
·Produce and defend a concise technical report and presentation that documents the full analysis pipeline (question → data → model → diagnostics → interpretation), with reproducible outputs and a transparent discussion of uncertainty.
Poslední úprava: Münzbergová Zuzana, prof. RNDr., Ph.D. (19.12.2025)
