40 \ Ochrana prírody, 47/2026 výpočet, ktorý je štandardizovaný na 100 pasco-dní: RAI = (Nn /Ec) ×100, kde Nn = celkový počet nezávislých detekcií daného druhu na všetkých pasciach na jednej lokalite za monitorovacie obdobie, Ec = celkový počet pasco-dní (súčet počtu funkčných dní všetkých fotopascí v teréne), 100 = štandardizačný faktor (používa sa na vyjadrenie výsledku na 100 pasco-dní pre lepšiu čitateľnosť a porovnateľnosť). Na kvantifikáciu a vizualizáciu časových vzorcov aktivity kún v našom súbore sme použili „časový index relatívnej početnosti“ – Time-period relative abundance index (TRAI) (Liu et al. 2013, Sathyakumar et al. 2011); TRAI = (Tij/Ni) × 100, kde Tij = celkový počet fotografických záznamov druhu (i) v jednej z definovaných časových sekvencií (j); Ni = celkový počet záznamov daného druhu (i) počas všetkých časových období trvania monitoringu; 100 = vyjadrenie výsledku v percentách. Na výpočet TRAI sme deň (24 hodín) rozdelili na 12 častí, každá po 2 hodinách. Index „j“ (vo vzorci Tij) tak reprezentuje jednu z týchto 12 kategórií (napr. 00:00 – 02:00, 02:00 – 04:00, ..., 22:00 – 00:00). Na analýzu vzťahu medzi dvoma spojitými premennými sme využili lineárnu regresiu, ktorá modeluje ako sa zmení hodnota RAI (závislá premenná), ak sa zmení vzdialenosť od sídla (nezávislá premenná) za predpokladu, že vzťah je lineárny. Vzorkovanie fauny koristi – drobných cicavcov, ktoré tvoria podstatnú časť potravy kún, sme realizovali odchytom na lokalitách, na ktorých boli umiestnené fotopasce. Odchytové zariadenia boli kladené do línie po 50 kusoch s odstupom 10 – 15 m s 24 hodinovou expozíciou. Na lokalite (Panské lúky) s biotopom označeným v našom príspevku ako pasienok (C), bol v rokoch 2014 – 2017 realizovaný prieskum fauny drobných cicavcov (Krištín et al. 2017). Údaje z tohto výskumu sme zaradili do našich analýz. Spracovanie množstva údajov z fotopascí sme riešili formou využitia možností strojového učenia. Údaje z kamier sme spracovali predtrénovaným modelom strojového učenia MegaDetector. Ten dokáže automaticky vyselektovať „prázdne zábery“ a identifikovať zosnímané objekty ako zvieratá, ľudí a vozidlá, čo prináša obrovské úspory času. Pokročilá verzia dokáže (ak ju to naučíme) niektoré zosnímané druhy na fotkách aj determinovať. Na archiváciu a spracovanie fotografií sme použili voľne dostupnú aplikáciu Timelapse. Dôležitá výhoda tohto systému je integrácia MegaDetectora do tejto aplikácie. ŠTUDOVANÉ ÚZEMIE A OPIS BIOTOPOV Lineárna vegetácia a agrocenóza Fotopasce použité v tejto práci sme umiestnili v lineárnej vegetácii lokalizovanej v podmienkach agrocenózy južného Slovenska v uvedených orografických celkoch. Za účelom komparácie sme vybrali jednu lokalitu, ktorá nemala lineárny charakter (les). Ochrana a manažment lineárnych krajinných prvkov zohráva kľúčovú úlohu v zachovaní biodiverzity, najmä v intenzívne využívanej poľnohospodárskej krajine. Tieto prvky sú limitujúcim faktorom pre prežitie, konektivitu a úspešné monitorovanie malých lasicovitých šeliem (a iných skupín živočíchov). Vplyv linearity biotopov na komunity cicavcov v poľnohospodárskej krajine je komplexná téma. Náš prieskum sa primárne zameriava na to, či a ako lineárny alebo nelineárny charakter biotopových plôch ovplyvňuje abundanciu, diverzitu a druhovú bohatosť spoločenstiev niektorých druhov lasicovitých šeliem. V súvislosti s fenoménom linearity krajinných vegetačných prvkov je diskutovaná téma vplyvu okrajového efektu (edge effects), nakoľko lineárne biotopy majú vysoký pomer okraja k ploche (edge-to-area ratio). Lineárne štruktúry vegetácie v poľnohospodárskej krajine fungujú ako životne dôležité krajinné prvky s viacerými funkciami pre malé lasicovité šelmy: (i) ochrana pred predáciou, (ii) konektivita – lineárne prvky zvyšujú prepojenosť krajiny, (iii) dostupnosť koristi (drobné cicavce). Lineárne štruktúry sú umiestnené v matrixe agrocenózy, ktorej využitie je funkčne heterogénne. Pre potreby našej štúdie rozlišujeme produkčné plochy – obilniny, olejniny, kukurica a pod. a neprodukčné plochy – lúky, pasienky, úhor, pričom zohľadňujeme „mieru nepriaznivosti“ okolitého prostredia/krajiny pre pohyb alebo prežitie organizmu. Je to koncept označovaný ako „hostilita matice“ (matrix hostility), ktorý popisuje mieru, do akej je prostredie obklopujúce biotopy, v našom prípade lineárne habitaty, nepriaznivé/priaznivé alebo nepriepustné pre cieľové druhy fauny (Dennis et al. 2024). Prehľad biotopov Naše údaje o kunách z fotopascí pochádzajú z rôznych typov habitatov. Rozdelili sme ich do šiestich ekologických skupín podľa charakteru líniových prvkov a ich umiestnenia v okolitom matrixe agrocemózy:
RkJQdWJsaXNoZXIy MjAzMjQ2NA==