GeoAfrica2009 Instructions to Authors

Mappe di hot spot di presenza forestale nel Bacino del Mediterraneo
Dott.Sergio Noce – CMCC -Centro Euromediterraneo Sui Cambiamenti Climatici – [email protected]
Parole chiave: foreste, GIS, Spatial Analisys, Hot Spot, Mediterraneo, GEMINA
1. Abstract
Il bacino del Mediterraneo è considerato una delle aree più importanti termini di biodiversità grazie alla
sua enorme variabilità climatica e topografica; è caratterizzato da una moltitudine di habitat e le foreste
svolgono un ruolo cruciale. La distribuzione geografica delle specie forestali è ben nota e sono disponibili
molti dataset geografici a diversa risoluzione. Le strategie di protezione e conservazione, soprattutto in
considerazione dei cambiamenti climatici in corso e previsti, hanno bisogno di informazioni più
specifiche. Diventa fondamentale identificare quelle porzioni di territorio dove la presenza di una
determinata tipologia forestale assume, dal punto di vista geostatistico, un significato maggiore, in altri
termini le zone 'hot spot'. Attraverso le funzionalità dei GIS ed in particolare degli strumenti dell’Hot Spot
Analysis, abbiamo formulato e testato una procedura che a partire da semplici dati di presenza riesce a
fornire informazioni più raffinate e comunicative. Questo approccio è stato applicato ai dati di dieci
importanti specie/classi forestali mediterranee localizzando aree hot spot a diverse scale di analisi. Si è
scelto un’analisi multi scala (dal regionale al locale) per venire incontro ai diversi potenziali end-user. I
risultati sono stati validati mediante una valutazione del significato biologico di hot spot. Nel complesso i
risultati possono essere un valido aiuto per i decisori in tematiche ambientali per individuare le porzioni di
territorio prioritarie per la protezione delle foreste.
2. Introduzione
Come è noto la distribuzione geografica delle specie forestali (areali) è strettamente legata alle
condizioni climatiche (Davis, 1983; Williams et al 2004), così come agli eventi estremi ad esse collegati
(Zimmermann et al 2009). In seguito agli scenari climatici futuri, gli areali di distribuzione delle specie
arboree tipiche del bacino del Mediterraneo potrebbero ridursi, ma anche espandersi verso nuove aree
(Liepelt et al 2008; Palahi et al 2008). Tuttavia, i possibili cambiamenti positivi nella distribuzione
necessariamente si scontreranno con l’attuale frammentazione degli habitat e con le barriere fisiche
imposte dall’uomo (Matteucci et al., 2013). Considerando queste dinamiche è fondamentale identificare
delle aree prioritarie all’interno degli areali per poter guidare le strategie di mitigazione ed adattamento ai
cambiamenti climatici del settore forestale.
3. L’esigenza
I semplici dati di presenza forestale geolocalizzati e le informazioni sugli areali poligonali delle singole
specie non sono da soli sufficienti per attuare strategie di protezione e conservazione degli habitat
forestali peculiari dell’area mediterranea, data questa esigenza la Spatial e la Geostatistical Analsys (in
particolare l’Hot Spot Analisys) applicate ai fenomeni naturali ed in particolare ai dati presenza forestale
possono essere utili per determinare aree in cui detta presenza risulta particolarmente significativa. In
breve si rendeva necessario la formulazione di una catena di tool di analisi spaziale per sfruttare i
dataset di presenza forestale e trarre informazioni qualitative fino ad individuare le aree hot spot a
diverse scale spaziali, mostrando la capacità di generare informazioni per molteplici esigenze derivanti
dai diversi utenti finali. L’approccio è stato applicato in taluni casi a livello di specie in altri a livello di
genere.
4. Il cambiamento
4.1 Area di studio
La regione mediterranea è caratterizzata da un importante variabilità geografica e topografica legata alla
presenza di una linea di costa variegata e grandi range altitudinali. Il clima mediterraneo, definito come
temperato caldo e caratterizzato da estati calde e siccitose (Kottek et al 2006; Alessandri et al 2014),
genera le condizioni per la sussistenza di foreste peculiari e vegetazione arbustiva (Matteucci et al
2013). Tra tutte le regioni bioclimatiche, il Mediterraneo appare uno dei più vulnerabili riscaldamento
globale (Sala et al 2000;. Lindner et al 2010). Per questo motivo è stato definito un hot spot di
cambiamento climatico (Giorgi 2006; Matteucci et al 2013. ), con grandi impatti attesi sulla vegetazione e
sul ciclo dell'acqua (Santini et al. 2014).
Dato questo contesto, il primo passo della nostra analisi è stato delineare la regione euro-mediterranea
come area di studio. La figura 1 mostra come il dominio sia stato ampliato per includere alcuni Paesi non
direttamente sul Mar Mediterraneo vista la necessità di garantire la continuità spaziale delle analisi.
Figura 1 – L’area di studio. Layer Uso suolo FAO GLC-Share.
4.2 Dataset di base ed omogeneizzazione
Il problema principale è stato quello di identificare dataset di presenza che coprissero l'intera area
omogenei in termini di risoluzione spaziale ed informazioni contenute, ciò ha portato alla esclusione dei
vari dataset nazionali; l’analisi delle informazioni disponibili (Trombik & Hlásny 2013) ci ha permesso di
identificare due dataset europei: (EFI) ‘Tree species maps for Europe’ (Brus et al 2012) e il (JRC) ‘Novel
Maps for Forest Tree Species in Europe’(Koble & Seufert 2000). Entrambi sono forniti in formato raster
cella 1km (presenza forestale 0-100). Le differenze tra i due consistono nel raggruppamento dei dati e
nella copertura: EFI 20 macro classi (genere), copertura totale JRC 115 specie, ma a copertura parziale.
I due dataset sono stati fusi in uno unico in seguito ad una fase di preprocessing, omogeneizzazione e
consenus analisys sia dei valori sia della classificazione (maggiori informazioni in Noce et al 2016). Le
specie/classi forestali individuate sono: Abies alba, Betula sp., Castanea sativa, Fagus sylvatica, Larix
decidua, Picea abies, Pinus pinaster, Pinus sylvestris, Quercus robur/petraea, Quercus sp.. Questi strati
sono stati caricati in un ESRI® File Geodatabase come Raster Dataset.
4.3 Analisi e implementazione dell'algoritmo
Per fini computazionali e per garantire la robustezza statistica da potenziali sovrastime o sottostime le
analisi sono state effettuate tramite una griglia regolare di lato 10 km (shapefile) comprensiva di 24867
features all’interno delle quali è stata calcolata la media del dato di presenza per ciascuna specie/classe.
Per l’individuazione degli hot spot è stato utilizzato l’algorimto Getis-Ord (Getis & Ord 1992, Ord & Getis
1995); questo strumento (definito anche G* statistic) calcola le dipendenze spaziali tra un dato osservato
ed i suoi vicini all’interno di una distanza di soglia che può essere pre-definita o impostata dall’utente
(Getis et al. 2003). Il Gi* indica se entità spaziali con valori di presenza elevati (o molto bassi) tendono a
raggrupparsi all’interno di una determinata distanza in settori dell’area di studio. In sostanza per essere
individuati come hot-spot valori elevati devono essere circondato da ulteriori valori elevati; in caso
contrario, si tratta solo di outlier. ArcGis con il tool Hot Spot Analysis implementa questo algoritmo.
4.4 Identificazione delle distanze di soglia
Come riportato in precedenza, fondamentale è l’identificazione della distanza di soglia delle analisi.
Alcuni autori (Khan et al 2008; Liu et al 2012) usano distanze univoche nelle loro analisi; in altre
situazioni, in particolare in presenza di attributi continui nello spazio, è preferibile utilizzare set di distanze
(Nelson & Boots 2008). In questo studio sono state utilizzate due distanze predefinite: 25 km e 500 km
considerate estremi ed una terza intermedia identificata a livello di specie/classe risultante da uno studio
autocorrelazione spaziale eseguito utilizzando indice Global Moran I (Moran 1950; Goodchild 1986).
Utilizzare set di distanze (due pre-definite ed una intermedia) al posto di un valore fisso nell'algoritmo
assicura la possibilità valutare le differenze tra i risultati sotto scale multiple. Per identificare la migliore
distanza di soglia intermedia in termini di significatività geostatistica è stato utilizzato il tool di ArcGis
Spatial Autocorrelation (che applica l’indice di Moran I) e lo Z-score è stato calcolato per ogni
specie/classe per dieci distanze incrementali predefinite: 25, 50, 75, 100, 125, 150, 175, 200, 300 e 500
km. Solitamente il grafico dello Z-score in funzione della distanza mostra uno o più picchi (Kent &
Capello 2013) e le distanze in corrispondenza di questi picchi vengono utilizzate come distanze soglia
nell'algoritmo Getis-Ord. Contrariamente nel nostro caso i grafici non mostrano picchi, ma un andamento
crescente all’aumentare della distanza. Ciò è particolarmente evidente alle distanze più piccole (curve
molto ripide) per poi diminuire. Individuate le equazioni che meglio descrivevano le varie curve sono
state calcolate le derivate prime e la distanza prescelta per ciascuna specie/classe è stata selezionata in
base a due criteri: alto valore di derivata (pendenza) e massima distanza ragionevole. Il concetto alla
base di questa scelta è scegliere il punto che rappresenta la distanza dove appare più evidente il
clustering dei dati. L’intera metodologia è descritta in figura 2.
Figura 2 – Metodologia applicata
4.5 Significato biologico degli hot spot ed aree protette
Dopo aver identificato gli hs a varie distanze si è studiato il significato biologico confrontando le
condizioni climatiche annuali e intra-annuali di queste aree con quelli dell’intera area di studio e con gli
areali di distribuzione delle specie. Su temperatura e precipitazioni estratti dal dataset v11.0 E-OBS
(periodo di riferimento 1971-2000) è stata calcolata la media annuale e stagionale per ciascuna cella
della griglia (più notizie sui test effettuati in Noce et al 2016). Infine è stata anche effettuata una
sovrapposizione tra le aree hs e le aree protette.
4.6 Creazione delle mappe di hot spot
Con ArcGis 10.1® è stato calcolato il Gi* per ciascuna delle dieci specie/classi forestali per le tre
distanze soglia all’interno di ogni cella della griglia. Sono quindi state create due serie di mappe (figura
3): una prima che include le celle dove il valore di Z score supera il 95° percentile (per ogni distanza
soglia) ed una seconda che include quelle dove il valore supera il 99° percentile. Queste celle sono gli
hot spot (high e very high). Maggiori informazioni sui risultati ottenuti confrontando i dati bioclimatici delle
aree hs rispetto all’intera area di studio e rispetto agli areali delle specie sono disponibili in Noce et al
2016.
Figure 3 - Una delle mappe degli hs di presenza
La distanza soglia massima (500 km) appare identificare aree univoche e molto grandi, queste
potrebbero essere considerate come rappresentative per l'intero dominio euro-mediterraneo: la porzione
centro-occidentale delle Alpi per Abies alba; la Francia centro-settentrionale per Betula, i Carpazi per
Fagus sylvatica e le Alpi orientali per Picea abies. Mentre a questa soglia per Larix decidua le aree hs
sono localizzate nelle Alpi centrali. Gli hs per Pinus pinaster e Quercus sp. sono localizzati nella penisola
iberica, probabilmente per via della grande presenza delle querce mediterranee come Q. ilex e Q. suber
in Portogallo. La zona dei Pirenei sembra essere significativa per Pinus sylvestris; la Normandia appare
più rilevante per Quercus robur/petraea. La situazione del castagno (Castanea sativa) è più interessante:
le aree hs sono frammentate in diverse macro aree a sud della Francia e nell’Italia centrale.
La distanza soglia minima (25 km) identifica aree numerose e piccole, in alcuni casi anche puntuali. I
risultati ottenuti a questa scala sono molto importanti perché queste aree si sovrappongono bene con le
aree rifugio per la colonizzazione post-glaciale individuate in altri studi (Culiberg 1991 ; Sercelj 1996,
Liepelt et al. 2008) per Abies come le Alpi Dinariche e quelle slovene, i Balcani e il sud della Calabria.
Per Betula le aree hs sono localizzate tra Francia (Massiccio Centrale), nord della Spagna (Galizia,
Cantabria montagne orientali) ed in Italia (Valtellina). Per Fagus sylvatica numerose aree in particolare
nei Carpazi, nei Balcani, lungo l'Appennino (Liguria centrale; Alpi Apuane; Parco nazionale d'Abruzzo,
Lazio e Molise, il Parco Nazionale dell'Appennino Lucano), nelle Alpi orientali e nelle Alpi Dinariche.
Anche in questo caso la maggior parte di queste stazioni sono indicate come rifugio per la
ricolonizzazione post-glaciale (Magri 2008). Per Larix decidua la distanza dei 25 km identifica le Alpi
occidentali e Retiche, le Dolomiti ed una vasta area nel Prealpi di Diois (Francia), mentre per Picea abies
sono concentrate nelle Alpi orientali.
Per Pinus pinaster, due aree hs principali: nel centro del Portogallo (Coimbra e Serra da Estrela) e in
Guascogna (Francia) Per Pinus sylvestris le aree individuate sono piccole e numerose e localizzate in
quattro macro aree: Pirenei e sistema iberico, massiccio centrale Francese, Alpi Marittime ed i Monti
Rodopi occidentali. Per Quercus robur/petraea diverse aree aggregate in Borgogna e nel Parco
regionale dei Causses del Quercy (Francia), nella Francia centrale, in Macedonia occidentale, nella parte
dei Pirenei baschi, nel sud est della Bulgaria e nel centro della Slavonia. Per le restanti specie del
genere Quercus (Quercus classe sp) aree molto piccole sparse nel sud della Spagna e del Portogallo,
Catalogna in Spagna, Provenza in Francia e negli Appennini centrali e meridionali.
Applicando, invece, l'algoritmo con la distanza di soglia intermedia, che varia tra 50 (Betula sp) e 175
km (Castanea sativa, Picea abies e Quercus robur/petraea) si generano risultati simili rispetto alla
distanza massima (aree univoche e grandi). Abies mostra aree isolate nelle montagne della Giura e
nelle Alpi francesi; per Betula, identificate tre regioni(Galizia, Pirenei orientali e la grande area che
comprende i parchi regionali francesi di Millevaches en Limousin e dei Vulcani d'Alvernia); Piemonte e
Liguria sono importanti hs per Castanea. Per Fagus la Liguria, il parco regionale del Sirente-Velino, il
Carso sloveno e croato, le montagne centrali bosniache e molte aree dei Carpazi. Per Larix Alpi Cozie e
le Dolomiti; Picea ha un hs nelle Alpi Salzakammergut; Pinus pinaster in Aquitania e in Coimbra;
Quercus robur/petraea in Borgogna, mentre le altre querce in una grande area da Lisbona
all’Extremadura. Per Pinus sylvestris i risultati sono più complessi : cinque aree hot spot: il massiccio del
Rila (Bulgaria), l'Alpi dell’Alta Provenza, il dipartimento dell’Alta Loira, i Pirenei d’Aragona e la provincia
de La Rioja.
L'analisi relativa al significato biologico degli hs (in relazione ai parametri bioclimatici) dimostra che la
maggior parte delle specie occupano la porzione più fredda all'interno dell’area di studio e le condizioni
più calde all'interno dei propri areali. Eccezione fatta per Quercus sp. e Fagus sylvatica che si
comportano in maniera opposta; gli hs di Pinus pinaster sono invece localizzati nelle porzioni più umide
dell'intera area di studio e del proprio areale.
L'analisi dei risultati sulla sovrapposizione spaziale delle aree hot spot e le aree protette dimostra che la
distanza dei 25 km a ha la più grande area di sovrapposizione, suggerendo così che le strategie di
conservazione e protezione attuali (parchi, riserve, etc.) hanno ancora un’ottica troppo locale.
5. Il cambiamento
Questo studio suggerisce come l'analisi spaziale e geostatistica può contribuire ad aumentare la qualità
delle informazioni disponibili per quanto riguarda la presenza e la distribuzione delle specie forestali, con
un'applicazione pratica nell'Europa mediterranea, area altamente vulnerabile alle pressioni ambientali e
antropiche.
E’ stata ideata ed applicata una catena di processi in ambiente ESRI ArcGIS su dataset free access.
L'applicazione di questa metodologia ha portato all'identificazione di aree, all'interno degli areali delle
specie, in cui la presenza mostrava particolare significatività statistica tanto da essere identificate e
contrassegnate come hot spot. L’approccio multiscala mediante l’utilizzo delle due distanze di analisi
estreme (25 e 500 km) e di quella specie-specifica derivante dallo studio di autocorrelazione spaziale ha
permesso di concludere che la distanza di 500 km ha più un interesse regionale (sub-continentale),
mentre altre soglie sembrano per lo più dare informazioni sul locale.
La metodologia presentata ha dimostrato la sua efficacia per ottenere informazioni significative, chiare
ed altamente comunicative da dati di presenza semplici (0-100). Inoltre, l'approccio multi-scala utilizzato
e le conseguenti differenze tra le mappe di output hanno dimostrato l'importanza centrale della distanza
soglia confutando il concetto di distanza fissa. Inoltre, un elemento innovativo di questo approccio è
diventato l'identificazione delle distanze soglia specie-specifici attraverso l’analisi di autocorrelazione
spaziale sui dataset specifici. Allo stesso tempo, le divergenze dei risultati tra le distanze di soglia
possono essere utili per diversi utenti finali (responsabili politici a livello locale o europeo, professionisti,
ricercatori, ecc) e l’utilizzo delle aree hs può essere la base per ulteriori valutazioni ecologiche ed
economiche e per definire le priorità per gli interventi protezionistici da effettuare.
Al fine di agevolare lo sfruttamento dei dati di hot spot è stata sviluppata una Web Mapping Application di
ESRI
ArcGis
Online®
con
template
Storytelling
raggiungibile
al
link
http://www.arcgis.com/apps/StorytellingTextLegend/index.html?appid=f1066016c5254b8aa62dc5f96866
b7cd. Tutti i set di dati sono disponibili su richiesta.
Ringraziamenti
Ringraziamo per il finanziamento del progetto da parte del Ministero dell'Istruzione, dell'Università e della
Ricerca (MIUR) attraverso il progetto GEMINA
Riferimenti
Alessandri A, De Felice M, Zeng N, Mariotti A, Pan Y, Cherchi A, Lee J-Y, Wang B, Ha K-J, Ruti P,
Artale V (2014). Robust assessment of the expansion and retreat of Mediterranean climate in the 21st
century. Scientific Reports. 4:7211. doi:10.1038/srep07211.
Brus DJ, Hengeveld GM, Walvoort DJJ, Goedhart PW, Heidema a. H, Nabuurs GJ, Gunia K (2012).
Statistical mapping of tree species over Europe. European Journal of Forest Research. 131:145-157.
doi:10.1007/s10342-011-0513-5.
Culiberg M (1991). Late Glacial Vegetation in Slovenia. In: Classis IV: Historia Naturalis 29. Academia
Scientiarum et Artium Slovenica, Ljubljana, pp. 1-52.
Davis MB (1983). Quaternary History of Deciduous Forests of Eastern North America and Europe.
Annals of the Missouri Botanical Garden. 70:550-563. doi:10.2307/2992086.
Getis A, Morrison AC, Gray K, Scott TW (2003). Characteristics of the spatial pattern of the dengue
vector, Aedesaegypti, in Iquitos, Peru. American Journal of Tropical Medicine and Hygiene. 69:494505. doi:10.1007/978-3-642-01976-0_15.
Getis A, Ord JK (1992). The Analysis of Spatial Association. Geographical Analysis. 24:189-206.
doi:10.1111/j.1538-4632.1992.tb00261.x.
Giorgi F (2006). Climate change hot-spots. Geophysical Research Letters. 33:1-4.
doi:10.1029/2006GL025734.
Goodchild MF (1986). Spatial Autocorrelation. Concepts and Techniques in Modern Geography 47. Geo
Books, Norwich, UK, pp.56.
Kent JD, Capello HT (2013). Spatial patterns and demographic indicators of effective social media
content during the Horsethief Canyon fire of 2012. Cartography and Geographic Information Science.
40:78-89. doi:10.1080/15230406.2013.776727.
Khan G, Qin X, Noyce DA. (2008). Spatial Analysis of Weather Crash Patterns. Journal of Transportation
Engineering. 134:191-202. doi:10.1061/(ASCE)0733-947X(2008)134:5(191).
Köble R, Seufert G (2001). Novel Maps for Forest Tree Species in Europe. In:Proceedings of the 8th
European Symposium on the Physico-Chemical Behaviour of Air Pollutants: “A Changing
Atmosphere!”. September 2001. Turin, Italy, pp. 17-20
Kottek M, Grieser J, Beck C, Rudolf B, Rubel F (2006). World map of the Köppen-Geiger climate
classification updated. Meteorologische Zeitschrift. 15:259-263. doi:10.1127/0941-2948/2006/0130.
Liepelt S, Cheddadi R, de Beaulieu JL, Fady B, Gömöry D, Hussendörfer E, Konnert M, Litt T, Longauer
R, Terhürne-Berson R, Ziegenhagen B (2008). Postglacial range expansion and its genetic imprints in
Abies alba (Mill.) - A synthesis from palaeobotanic and genetic data. Review of Palaeobotany and
Palynology. 153:139-149. doi:10.1016/j.revpalbo.2008.07.007.
Liepelt S, Cheddadi R, de Beaulieu JL, Fady B, Gömöry D, Hussendörfer E, Konnert M, Litt T, Longauer
R, Terhürne-Berson R, Ziegenhagen B (2008). Postglacial range expansion and its genetic imprints in
Abies alba (Mill.) - A synthesis from palaeobotanic and genetic data. Review of Palaeobotany and
Palynology. 153:139-149. doi:10.1016/j.revpalbo.2008.07.007.
Lindner M, Maroschek M, Netherer S, Kremer A, Barbati A, Garcia-Gonzalo J, Seidl R, Delzon S, Corona
P, Kolström M, Lexer MJ, Marchetti M (2010). Climate change impacts, adaptive capacity, and
vulnerability of European forest ecosystems. Forest Ecology and Management. 259:698-709.
doi:10.1016/j.foreco.2009.09.023.
Liu Y, Li X, Wang W, Li Z, Hou M, He Y, Wu W, Wang H, Liang H, Guo X (2012). Investigation of spacetime clusters and geospatial hot spots for the occurrence of tuberculosis in Beijing. International
Journal of Tuberculosis and Lung Disease. 16:486-491. doi:10.5588/ijtld.11.0255.
Magri D (2008). Patterns of post-glacial spread and the extent of glacial refugia of European beech
(Fagus sylvatica). Journal of Biogeography. 35:450-463. doi:10.1111/j.1365-2699.2007.01803.x.
Matteucci G, Cammarano M, Dezi S, Mancini M, Scarascia Mugnozza G, Magnani F (2013). Climate
Change Impacts on Forests and Forest Products in the Mediterranean Area. In: “Regional
Assessment of Climate Change in the Mediterranean. Volume 2: Agriculture, Forests and Ecosystem
Services and People” (Navarra A, Tubiana L eds). Springer, Netherlands, pp. 71-100.
Moran PAP (1950). Notes on continuous stochastic phenomena. Biometrika. 37:17-23.
doi:10.2307/2332142.
Nelson TA, Boots B (2008). Detecting spatial hot spots in landscape ecology. Ecography. 31:556-566.
doi:10.1111/j.0906-7590.2008.05548.x.
Noce S, Collalti A, Valentini R and Santini M,Hot Spot maps of forest presence in the Mediterranean
Basin. iForest – Biogeosciences and Forestry. 2016 DOI 10.3832/ifor1802-009
Ord JK, Getis A (1995). Local Spatial Autocorrelation Statistics: Distributional Issues and an Application.
Geographical Analysis. 27:286-306. doi:10.1111/j.1538-4632.1995.tb00912.x.
Palahi M, Mavsar R, Gracia C, Birot Y (2008). Mediterranean forests under focus. International Forestry
Review. 10:676-688. doi:10.1505/ifor.10.4.676.
Sala OE, Chapin FS, Armesto JJ, Berlow E, Bloomfield J, Dirzo R, Huber-Sanwald E, Huenneke LF,
Jackson RB, Kinzig a, Leemans R, Lodge DM, Mooney HA, Oesterheld M, Poff NL, Sykes MT,
Walker BH, Walker M, Wall DH (2000).
Global biodiversity scenarios for the year 2100. Science.
287:1770-1774. doi:10.1126/science.287.5459.1770.
Santini M, Collalti A, Valentini R (2014). Climate change impacts on vegetation and water cycle in the
Euro-Mediterranean region, studied by a likelihood approach. Regional Environmental Change.
14:1405-1418. doi:10.1007/s10113-013-0582-8.
Sercelj A (1996). The origins and development of forests in Slovenia. In: Classis IV: Historia Naturalis 35.
Academia Scientiarum et Artium Slovenica, Ljubljana, pp. 81-143.
Trombik J, Hlásny T (2013). Free European data on forest distribution: Overview and evaluation. Journal
of Forest Science. 59:447-457.
Williams JW, Shuman BN, Webb T, Bartlein PJ, Leduc PL (2004). Late-Quaternary vegetation dynamics
in North America:scaling from taxa to biomes. Ecological Monographs. 74:309-334. doi:10.1890/024045.
Zimmermann NE, Yoccoz NG, Edwards TC, Meier ES, Thuiller W, Guisan A, Schmatz DR, Pearman PB
(2009). Climatic extremes improve predictions of spatial patterns of tree species. Proceedings of the
National Academy of Sciences of the United States of America. 106 Suppl. 2:19723-19728.
doi:10.1073/pnas.0901643106.