blomqvist ver 2 bqi malmö 2015...model)building) mats)blomqvist,)malmö)6th)may)2015) slide10)...

15
Reducing uncertainty in assessment with the Benthic Quality Index Examples from the Swedish west coast Mats Blomqvist, Hafok Kjell Leonardsson, SLU Rutger Rosenberg, GU, Marine Monitoring Marina Magnusson, Marine Monitoring Photo: Hans C Nilsson

Upload: others

Post on 22-Sep-2020

1 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Reducing  uncertainty  in  assessment  with  the  Benthic  Quality  Index  

Examples  from  the  Swedish  west  coast  

Mats  Blomqvist,  Hafok  Kjell  Leonardsson,  SLU  Rutger  Rosenberg,  GU,  Marine  Monitoring  Marina  Magnusson,  Marine  Monitoring  

Photo:  Hans  C  Nilsson  

Page 2: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

BQI  history  •  Introduced  2004  (Rosenberg  et  al  2004)  •  Legally  binding  WFD  method  2008  (NFS  2008:1,  HVMFS  2013:19)  

•  Further  developed  2009  (Leonardsson  et  al  2009)  –  discuss  uncertainty  

•  Legally  binding  MSFD  method  2012  (HVMFS  2012:18)  

•  Species  sensiGvity  values  improved  2015  (Leonardsson  et  al  2015)  –  SGll  lowest  diversity  a  species  is  found  (5th  percenGle)  

•  Richness  instead  of  Hurlbert  ES50  –  Based  on  

•  Tolerance  or  sensiGvity  to  disturbance  •  Capability  to  coexist  with  other  species  

–  Uncertainty  evaluated  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  2  

Page 3: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Polyphysia  crassa  

SensiGvity  value

 (S0.05)  

ProporGon  of  samples  from  disturbed  areas  

Species  sensiGvity  value  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  3  

1411  staGons  

Amphiura  chiajei  

SensiGvity  value

 (S0.05)  

StraGfied:  at  least  20  disturbed  and    20  undisturbed  samples  Not  straGfied:  at  least  20  samples    

Page 4: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Species  sensiGvity  value  •  SensiGvity  factor  =  

abundance  weighted  mean  of  sensiGvity  values  

•  Randomly  select  a  sensiGvity  value  within  the  95%  conf  int  for  each  species  in  a  sample  

•  Calculate  factor  •  Repeat  1000  Gmes  for  

each  sample  •  Each  dot  is  one  sample  

calculated  one  Gme  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  4  

SensiGvity  factor  without  uncertainty  in  S0.05  

SensiGvity  factor  with

   uncertainty  in  S

0.05  

Absolute  average  error  is  0.26  ±  0.22  or  a  CV  of  1.8  ±  2.9  %    

 i.e.  uncertainty  in  sensiGvity  values  has  a  very  small  influence  on  BQI!  

Page 5: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Species  sensiGvity  value  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  5  

Polyphysia  crassa  

SensiGvity  value

 (S0.05)  

ProporGon  of  samples  from  disturbed  areas  

Upper  error  bar  

Lower  error  bar  

Page 6: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Species  sensiGvity  values  -­‐  conclusions  

•  Uncertainty  depends  on  – proporGon  of  samples  from  disturbed  environments    – number  of  samples  

•  Low  precision  can  reduce  accuracy  – exclude  species  from  sensiGvity  list  if  •  low  value  and  high  upper  range  error  •  large  lower  error  range  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  6  

Read  more  Leonardsson  et  al:  Marine  Pollu3on  Bulle3n  93  (2015)  94–102  

Page 7: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Reducing  spaGal  variaGon  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  7  

VerGcal  subtypes:  ≤  20  m  BalGc  influence  >  20  m  AtlanGc  water  

From  SGU  2010  

Page 8: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Account  for  environmental  variaGon  

•  Subtypes:  e.g.  BQI  today  •  Include  environmental  variables  in  the  index  by  sefng  

reference  values  for  index  metric  based  on  environmental  variable,  e.g.    –  Danish  DKIv2  (reference  values  for  AMBI  and  H’  as  funcGon  of  salinity)  (DKIv2  =  ((1-­‐  ((AMBI-­‐AMBImin)/7))+  (H/Hmax))/2  *  (1-­‐(1/N)))  

–  BriGsh  IQIvIV  (reference  values  for  AMBI,  Lambda’  and  S  as  funcGon  of  salinity  and  sediment)  

•  Regression  model  –  include  relevant  environmental  factors  salinity,  sediment,  depth  –  assessment  based  on  residuals  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  8  

Page 9: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Model  building  –  index  components  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  9  

855  staGons  

StaGon  medians  

Page 10: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Model  building  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  10  

Model AIC ΔΑΙC

Y=BQI2015(depth) 3241.2 0

Y=BQI2009(depth) 3365.4 124.2

Y=BQI2015  (salinity) 3377.6 136.4

Y=BQI2009  (salinity) 3478.7 237.5

Y=BQI2015  (sediment) 4003.8 762.6

Y=BQI2009  (sediment) 4017.9 776.7

Assessment  is  based  on  the  residuals  from  the  regression  model  instead  of  the  index  value  itself.  

Page 11: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Model  building  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  11  

Page 12: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

TransformaGon  of  residuals  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  12  

Page 13: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Residuals  per  type  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  13  

Page 14: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Assessment  –  GM  •  SE  approach  5  staGons  

for  spaGal  representaGveness  

•  Boundary  GM  5%  limit  of  baseline  data  –  Select  assessment  unit/year  (AY)  

–  Select  5  staGons  in  AY  –  Select  1  sample  from  each  staGon  

–  Calculate  mean  

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  14  

If  mean  residual  is  less  than  -­‐2.52  then  status  is  less  than  good  

EQR  =  (mean  residual  +  8.53)  /  17.06  

Bootstrapped  mean  of  5  transformed  residuals  

Page 15: Blomqvist ver 2 BQI Malmö 2015...Model)building) Mats)Blomqvist,)Malmö)6th)May)2015) Slide10) Model AIC ΔΑΙC Y=BQI 2015 (depth) 3241.2 0 Y=BQI 2009 (depth) 3365.4 124.2 Y=BQI

Conclusions  •  SpaGal  variaGon  in  BQI  is  reduced  by  a  regression  model  based  on  depth  

•  Assessment  is  based  on  the  residuals  from  the  regression  model  instead  of  the  index  value  itself  

•  Bootstrapping  is  used  to  find  GM  boundary  (5  samples  within  assessment  unit/year)  

•  Final  step  in  assessment:  compare  mean  residuals  against  status  class  boundaries  

 

Mats  Blomqvist,  Malmö  6th  May  2015   Slide  15