Understanding Weather effects on, in, and from large Herbivore Population Dynamics

Abstract

Large herbivores are monitored for various reasons in many areas around the world. Data from such monitoring can be of varying degree of detail and extent. Several studies have shown that we need extensive amounts of data with a high degree of detail to be able to understand anything from it. Nevertheless, data in the less detailed form of annual censuses of large herbivore densities and weather is still very common. In addition, it is collected for relatively short time spans and with large observation errors. In this thesis I explore some different aspects of the problems a researcher or manager has when trying to interpret the complex processes from such simple data. To handle these problems, a monitoring program should be reviewed in all its parts (modeling, experiments, statistical analysis and data collection) and refined accordingly.



In the first paper I refine the statistical tools used for time series analysis of large herbivore data in two ways. First, I take observation errors into account when estimating statistical parameters by using state space modeling. Second, I use mechanistic modeling of the pathway from precipitation to herbivore dynamics to interpret the statistical parameters. In the second paper I extended the work started in the first by comparing a number of different models of the pathway from precipitation to herbivore dynamics. The results tell us that the statistical parameters are not as easily interpreted as previously thought. The third paper investigates the consequences of mismatch between the scales at which a large herbivore population is monitored and the scales of the processes that govern the dynamics. The results have implications both for data collection and statistical analysis. In the final paper I incorporate large herbivore population dynamics into the Lund-Potsdam-Jena Dynamic Global Vegetation Model to investigate the relationship between weather and herbivore dynamics. I use the full model to analyze if indirect weather effects can be understood without information on vegetation dynamics.



To summarize, understanding weather effects on large herbivore population dynamics does not necessarily require highly detailed data. In this thesis I present several ways to improve our ability to extract reliable information from data with low degree of detail.

Abstract (Swedish)

Popular Abstract in Swedish

Olika arter av stora växtätare lever på platser spridda över nästan hela jordklotet. På många av dessa platser samlar vi människor data för att kunna skatta storleken på deras populationer. Anledningen till att detta görs varierar från plats till plats, det kan till exempel vara för att djuren är utrotningshotade, för att kunna bedriva nöjesjakt eller för att begränsa antalet djur.



Denna datainsamling kan vara olika detaljerad. På ett fåtal ställen har man koll på alla individer i popualtionen, hur många ungar varje individ får, deras genetik, vem som är var, och vem som dör när och av vad. På ett flertal ställen har man bara halvt tillförlitliga årliga uppskattningar av hur många de är i området.



Min avhandling handlar om vad vi kan göra för att så bra som möjligt lära oss något om växtätarpopulationen utifrån den mer odetaljerade formen av data. Utifrån dessa data försöker nämligen viltvårdare och forskare förstå varför djuren ökar eller minskar i antal och vad vädret har för effekter på detta.



Denna situation är svår, främst av två anledningar; (1) man försöker dra slutsatser om komplexa processer från enkla data, och (2) data är inte alltid så tillförlitliga. Jag utforskar olika delar av dessa problem för att dels förbättra viltvårdarnas och forskarnas verktyg när de tolkar data och dels klargöra vad som kan gå fel i dessa tolkningar.



Problemen under den första punkten försöker jag avhjälpa genom att utveckla olika matematiska modeller för de komplexa processer vi inte har data på. Jag använder mig också av modellering för att undersöka hur trovärdiga resultaten är från de statistiska verktyg som används. Vi vet att vädret i stor utsträckning inte påverkar växtätarna direkt, utan via växterna, jag undersöker huruvida vi kan säga något om vädrets effekter utan att veta något om växternas dynamik.



Den andra punktens problem hanterar jag bland annat med en statistisk metod som kan ta observationsfel i beaktande när data analyseras. Ibland kan vi inte täcka in hela populationen i vår övervakning och vi kanske dessutom räknar dem vid fel tidpunkt på året eller med fel frekvens för att säga något om populationsdynamiken. Jag undersöker hur dessa problem påverkar våra tolkningar av populationens tillstånd.



Det finns de som påstår att vi inte kan förstå stora växtätares populationsdynamik eller vädrets effekter om vi inte har mer detaljerade data än årliga skattningar av hur många de är. Jag menar att det visst är möjligt om vi i våra övervakningsprogram ser över metoderna som används i alla delar (modellering, statistisk analys, experiment och datainsamling) och förfinar dem.

• author: Månsson, Lena
• supervisor: Per Lundberg
• opponent: Professor Fryxell, John M, Department of Integrative Biology, University of Guelph, Guelph, Canada
• organization: Department of Biology
• publishing date: 2006
• type: Thesis
• publication status: published
• subject: Ecology
• keywords: monitoring, management, data collection, Ecology, Ekologi, indirect effects, vegetation, modeling, time series analysis, precipitation, weather, population dynamics, Large herbivores
• pages: 136 pages
• defense location: Blå Hallen, Ekologihuset, Sölvegatan 37, Lund
• defense date: 2006-10-13 13:00:00
• ISBN: 91-7105-248-8
• language: English
• LU publication?: yes
• additional info: The information about affiliations in this record was updated in December 2015. The record was previously connected to the following departments: Theoretical ecology (Closed 2011) (011006011)
• id: 198a5918-f5ef-4f26-8ebe-234031602358 (old id 547248)
• date added to LUP: 2016-04-04 10:30:30
• date last changed: 2018-11-21 20:59:10