Příčiny a důsledky změn v přírodě: Studie ekosystémových služeb opylovačů

22.03.2026

Náš každodenní život je zásadně ovlivněn okolními ekosystémy. Pokud jsou tyto ekosystémy zdravé, tak nám na oplátku poskytují rozsáhlou paletu služeb. Mezi ně patří například úrodná půda, čistý vzduch, čistá voda a další.

Jednou z těchto služeb, které se věnuje tato studie, je služba opylovačů. Tu můžeme chápat jako příspěvek divokých opylovačů vedoucí k produkci kulturních plodin. I přes to, že dnes využíváme řízené opylování zajišťované včelaři, tak stále převážnou práci na opylování zastávají divocí opylovači.

V několika posledních desetiletích se výskyt a rozmanitost těchto hmyzích opylovačů (včely, motýli, pestřenky a můry) dramaticky snížila. Jednou ze zásadních příčin je vysoká intenzifikace zemědělství, fragmentace krajiny a další změny v krajině, které berou opylovačům jejich přirozené stanoviště i potravu.

Z tohoto důvodu vznikla potřeba podrobného statistického hodnocení (takzvaného ekosystémového účetnictví), která vychází z požadavků Eurostatu (United Nations, verze 12. 12. 2024). Ten, jakožto statistický úřad Evropské unie, hraje v této oblasti klíčovou roli. Především pak v koordinaci metodik sběru environmentálních dat (aktuálně ve stavu experimentálního testování). Od roku 2026 budou výsledky této analýzy reportovány, a stejně tak v každém následujícím roce. Nejlepší variantou by v tomto případě měl být in-situ monitoring. Tato metoda však není v rozsahu České republiky možná.

Metodika analýzy

Analýza je inspirována metodickým rámcem vyvinutým Eurostatem, který se zaměřuje na identifikaci vhodných stanovišť pro opylovače a následné určení ekosystémů, jež k této ekosystémové službě nejvíce přispívají. V našem případě byl obecný přístup zásadně rozšířen o detailnější vstupy a sofistikovanější analytické postupy, což umožnilo velmi přesnou lokalizaci ploch významných pro opylovače. Hlavním cílem je tedy nalezení vhodných stanovišť, predikce ploch bez dostatečného opylení a predikce zemědělských výnosů, které lze přisuzovat činnosti divokých opylovačů.

Čtěte také: Volně žijící živočichové a legislativa

Analýza je založena na prostorových datech z roku 2023 (viz Tab. 1) a využívá kombinaci nástrojů geoprostorového softwaru QGIS, programovacího jazyka Python a webového prostředí Google Earth Engine Code (JavaScript).

Klasifikace liniových prvků a zemědělských přístupů

V prvním kroku se analýza zaměřila na klasifikaci a indexování úzkých liniových prvků v krajině. Jedná se zejména o prvky jako stromořadí, živé ploty, meze, ale také silnice a ulice. Charakter těchto prvků je velmi zásadní při hledání vhodných ploch pro opylovače, neboť ovlivňuje jejich pohyb a dostupnost. Z tohoto důvodu byla spojena vrstva silnic (ČÚZK) a nezemědělských liniových prvků vycházející z vrstvy ekologicky významných prvků (LPIS). Tyto lineární prvky jsou reprezentovány velmi podrobnými vektory (viz Mapa 1).

Dalším významným faktorem, který zásadně ovlivňuje opylovače, jsou zemědělské přístupy na obdělávaných plochách. Tento postup zohledňuje intenzitu a kvalitu hospodaření. Pro tyto účely byla využita vrstva dílů půdních bloků (LPIS), která detailně rozlišuje typy zemědělských ploch a zároveň identifikuje, zda se na dané ploše uplatňuje ekologické zemědělství. K této vrstvě byly přičteny vybrané plochy z vrstvy ekologicky významných ploch (LPIS). V případě překryvů v rastrovém zobrazení byly hodnoty průměrovány. Podobně jako u liniových prvků byly zemědělské potupy hodnoceny indexem od 0 do 2 (viz Tab. 2), s dodatkem o ekologickém zemědělství, které navyšovalo index o 0,2.

Vliv ekosystémů a doletová vzdálenost

V následujícím kroku byl hodnocen vliv jednotlivých typů ekosystémů na přítomnost a aktivitu opylovačů. K tomuto účelu byla využita vrstva KVES (AOPK ČR), která klasifikuje území do 40 různých kategorií ekosystémů na základě jejich ekologických charakteristik.

Dalším důležitým vstupním parametrem je doletová vzdálenost opylovačů, která je klíčovým faktorem při identifikaci vhodných stanovišť. Zjednodušeně řečeno, opylovači si vybírají svá stanoviště tak, aby měli v dosažitelné vzdálenosti potravu. Z tohoto důvodu byly pro lesní ekosystémy, které byly v předchozích krocích z hodnocení vyjmuty, vytvořeny vnitřní obalové zóny. Tyto zóny slouží k identifikaci lesních ploch, které se nacházejí příliš daleko od potenciálních zdrojů potravy a zároveň nejsou samy o sobě pro opylovače atraktivní. V tomto případě byla zvolena doletová vzdálenost 200 m, což odpovídá akčnímu rádiu mnoha druhů divokých opylovačů.

Čtěte také: Ekologické dopady

V prvním kroku byly eliminovány malé izolované shluky lesních ploch (1-2 pixely o velikosti 10 × 10 m), které by mohly nepřiměřeně zkreslovat analýzu. Následně byla pomocí eukleidovské vzdálenosti vypočtena vzdálenost každého pixelu s lesním ekosystémem k nejbližšímu sousednímu pixelu, který by mohl představovat zdroj potravy.

Po dokončení této prostorové klasifikace byly lesní plochy hodnoceny podle kritérií, které jsou zobrazeny v Tab. 4.

Expertní index a teplota černého tělesa

Na základě podrobného popisu několika klíčových proměnných, které významně ovlivňují potenciální výskyt opylovačů, bylo možné vytvořit expertní index, který spojuje všechny předchozí indexy.

Výskyt a chování hmyzu jsou výrazně ovlivňovány teplotou a intenzitou slunečního záření. Aktivita hmyzu obecně pozitivně koreluje s těmito faktory, kdy každý druh opylovače je aktivní pouze tehdy, pokud tzv. teplota černého tělesa (tedy radiační teplota vnímaná tělem hmyzu) překročí určitý prahový limit (Corbet et al. 1993). Data byla průměrována za období duben až září 2023, a to pouze v denních hodinách mezi 6:00 a 20:00, kdy předpokládáme nejvyšší aktivitu hmyzu. Výpočet černého tělesa je založen na koeficientech vycházejících z Britské studie (Corbet et al. 1993). Vzhledem k tomu, že vstupní data jsou dostupná pouze v rozlišení 1 000 × 1 000 m, byla pro zpřesnění použita jedna ze zjemňujících prostorových regresních metod. Konkrétně byla zvolena regression kriging metoda, která kombinuje lineární regresní model a prostorovou interpolaci pomocí krigingu. Jako prediktor byla využita výšková data z digitálního modelu reliéfu (ČÚZK), neboť nadmořská výška významně ovlivňuje teplotní podmínky.

Fragmentace krajiny a dostupnost potravy

Již zmíněná fragmentace krajiny je klíčovým faktorem ovlivňujícím život opylovačů. Pro hodnocení jejího dopadu je nejprve nutné identifikovat plochy, které jsou příliš vzdálené od zdrojů potravy, a zároveň zohlednit míru atraktivity těchto zdrojů. Základní analýza již pracuje s potravními zdroji na loukách a dalších přírodních ekosystémech. Významnou roli však hrají také zemědělské plodiny, zejména ty, které se střídají v rámci osevních postupů. Z tohoto důvodu byly všechny plodiny evidované ve vrstvě plodiny 2023 (LPIS) ohodnoceny pomocí koeficientů atraktivity, které vyjadřují kvalitu a množství potravy pro opylovače. Celkem bylo hodnoceno 327 plodin, přičemž každé byl přiřazen koeficient na základě pravidla: čím vyšší nabídka potravy, tím vyšší koeficient.

Čtěte také: Ochrana přírodních lokalit

Po nalezení atraktivních plodin byly z analýzy vyloučeny plochy, které jsou až příliš vzdálené od dostupné potravy. Zároveň byla zohledněna doletová vzdálenost opylovačů k hnízdištím - s každým dalším 10. metrem od zdroje potravy se atraktivita prostředí postupně snižuje. Tento přístup umožnil efektivní filtrování nevhodných lokalit a zároveň podrobnější hodnocení prostorové dostupnosti potravy pro opylovače (viz Mapa 4). Pokud zohledníme pouze zemědělské plodiny a velikost jednotlivých polí, lze za atraktivní pro opylovače považovat pouze přibližně 30 % ploch v okolí polí. Zbývající území buď leží příliš daleko od dostupného zdroje potravy, nebo se v jeho blízkosti nenacházejí kvalitní květnaté plodiny.

Stanovení prahové hodnoty

Pro finální určení ploch s opylovači bylo nezbytné určit prahovou hodnotu, která odděluje vhodné a nevhodné lokality. K jejímu určení byly zvoleny některé statistické metody, včetně percentilů, bodů zlomu, průměru a mediánu. Na základě analýzy rozložení dat byla jako nejvhodnější zvolena metoda bodu zlomu s hodnotou 0,222, která nejlépe vystihuje přirozenou hranici poklesu v distribuci hodnot (viz Graf 1). Tato metoda umožňuje přesněji identifikovat přechod mezi oblastmi s nízkou a vysokou pravděpodobností výskytu opylovačů.

Identifikace opylovaných plodin

V závěrečné fázi se analýza zaměřila na identifikaci plodin závislých na opylovačích a jejich prostorové rozložení. Před nalezením opylovaných a neopylovaných ploch bylo nejprve nutné stanovit závislost jednotlivých plodin na opylovačích a jejich výnosnost v t/ha. K tomuto účelu opět posloužila vrstva plodin 2023 (LPIS). Celkem bylo identifikováno 168 druhů plodin, které vykazují různou míru závislosti na opylovačích. Každé z těchto plodin byla přiřazena procentuální hodnota závislosti podle metodiky Klein et al. (2006). Následně byla doplněna i průměrná výnosnost v t/ha (výnosové hodnoty jednotlivých plodin byly převzaty a upraveny dle oficiálních statistik Českého statistického úřadu).

Na základě těchto údajů bylo možné prostorově rozlišit opylované a neopylované plochy. Opět byla k tomuto účelu nastavena doletová vzdálenost 200 m od míst s vysokou pravděpodobností výskytu opylovačů. Zemědělské plochy, které se nacházely uvnitř tohoto pásma, byly klasifikovány jako opylované, zatímco ostatní byly označeny jako neopylované (viz Mapa 5). Z výsledků vyplývá, že ze závislých plodin bylo 71 % opylováno a 29 % bylo mimo dosah opylovačů.

Jak již bylo uvedeno na začátku textu, cílem celé analýzy je identifikace a rozlišení ekosystémů na základě jejich přínosu k poskytování této ekosystémové služby. Pomocí překryvné analýzy byly identifikovány všechny ekosystémy z vrstvy KVES z roku 2023 (AOPK ČR), která byla předem upravena dle požadavků Eurostatu.

Na závěr analýzy by bylo vhodné zdůraznit, že se stále jedná o metodu ve fázi testování. Výhodou navrženého postupu je, že je kompletně naprogramovaný, což umožňuje snadnou úpravu všech proměnných parametrů, například doletových vzdáleností opylovačů. Před zahájením povinného reportingu může ještě dojít k dílčím změnám či vylepšením metodiky. Zvláštní důraz bude kladen na zpřesnění meteorologických vstupních dat, a pokud budou dostupné, tak začlenění záznamů o výskytu druhů opylovačů.

Tabulky s daty

Tab. 1 Seznam použitých vstupních datových sad, včetně jejich poskytovatelů.

Tab. 2 Kategorie zemědělských ploch, spojeny pomocí dvou vstupních vrstev ekologicky významných ploch a dílů půdních bloků.

Tab. 4 Korekční faktory hodnotící různé typy lesních ekosystémů kategorizovaných podle doletových vzdáleností opylovačů.

Grafy a mapy

Graf 1: Hledání prahové hodnoty za pomoci několika statistických metod. Model zahrnuje přibližně 788 700 000 vzorků.

Mapa 1: Mapové zobrazení rastrových dat s těmito parametry: 1. kategorie liniových prvků (vlevo nahoře), 2. kategorie zemědělských přístupů (vpravo nahoře), 3. atraktivita hnízdění bez lesních ploch (vlevo dole), 4. atraktivita květů bez lesních ploch (vpravo dole).

Mapa 2: Klasifikace lesních ploch podle 200 m doletových vzdáleností.

Mapa 3: Zjemněná vrstva znázorňující teplotu černého tělesa. K zjemnění posloužila interpolace rastru pomocí lineární regrese s digitálním modelem terénu (DEM). K následnému vyhlazení zbytkových chyb byla použita metoda Ordinary kriging.

Mapa 4: Názorná ukázka vlivu fragmentace krajiny a atraktivity květu na zemědělských plochách.

Mapa 5: Hledání opylovaných a neopylovaných plodin závislých na opylení.

tags: #niceni #prirody #priciny #a #dusledky #grafy