#25jaarNEM: Een bron voor wetenschappelijk onderzoek

Veel wetenschappers groeien op met een lineair beeld van onderzoek doen: vraagstelling, hypothese, materiaal en methode, analyse, conclusie. Deze werkwijze leent zich goed voor experimentele wetenschap, waarbij je in het onderdeel ‘materiaal en methode’ een proefopstelling bouwt en metingen verricht. Voordeel van deze werkwijze is dat je experimenten kunt herhalen waarmee je de wetenschappelijke stevigheid per herhaling versterkt, bijvoorbeeld de vele laboratorium- en veldexperimenten die er zijn uitgevoerd om de effecten van stikstof in beeld te brengen. Een belangrijk nadeel is dat heel veel vragen zich niet goed lenen voor experimenten.

Zeker in medisch onderzoek: een experimenteel onderzoek om de effecten van gifstoffen op de gezondheid van mensen te meten is bijvoorbeeld om ethische redenen niet uitvoerbaar. En veel andere gezondheidsonderzoeken zijn niet goed herhaalbaar – als je voor het eerst een bepaalde ziekte krijgt, is dat niet vergelijkbaar met de situatie waarin je die ziekte voor de tweede keer krijgt. Mensen en situaties zijn onderling altijd verschillend, er zijn eindeloos veel factoren die van invloed kunnen zijn en al die invloeden werken ook nog eens door elkaar heen.

In de geneeskunde hebben ze dit opgelost door gebruik te maken van grote hoeveelheden observatiedata in combinatie met statistische technieken. Op deze manier hebben longartsen het verband aan kunnen tonen tussen roken en longkanker. En ook in de ecologie zien we dit soort onderzoek steeds vaker. Een bekend voorbeeld is het onderzoek van Caspar Hallmann, die het verband aantoont tussen gebruik van pesticiden en sterfte van insectenetende vogels.

Van associatie naar causatie

Deze onderzoeken zijn alleen mogelijk als er grote hoeveelheden goed gestructureerde observatiedata beschikbaar zijn, waarvan ook de metadata goed gestructureerd en goed beschikbaar zijn. Precies zoals dat gebeurt in het Netwerk Ecologische Monitoring (NEM) en dat is echt een zeldzaamheid. Niet alle groepen zitten er echter even sterk in en niet alle vragen kunnen aan de data gesteld worden. Want behalve goede protocollen en goede metadata, is de ‘dichtheid’ van groot belang. Want de stap van associatie – we zien vergelijkbare ontwikkelen die parallel lopen – naar causatie – het één wordt door het ander veroorzaakt – is een kwestie van massa.

Als het aantal ooievaars toeneemt en je ziet ook het geboortecijfer omhooggaan, is dat wel een associatie – het kan allebei tegelijk waar zijn – maar geen causatie – je hebt dan nog niet bewezen dat ooievaars kindjes brengen. Daar is meer voor nodig, vooral heel veel meer meetpunten. Een oorzakelijk verband blijft over als je alle andere mogelijke verklaringen uit kunt sluiten en dan genoeg punten overhoudt voor een statistisch correct en significant verband.

Indicatoren gebaseerd op metingen in de natuur

Als je in gestandaardiseerde monitoring complete soortgroepen in beeld brengt met voldoende meetpunten, kun je die op veel verschillende manieren bevragen. Je ziet bijvoorbeeld veranderingen binnen populaties, waar je dan betekenis aan toe kunt kennen. Binnen dagvlinders en paddenstoelen kun je bijvoorbeeld de ontwikkeling van stikstoftolerante soorten afzetten tegen de stikstofmijdende, en dan heb je een op natuurmetingen gebaseerde stikstofindicator. Dankzij goede natuurmonitoring kunnen we in theorie heel goed natuurbeleid baseren op metingen in de natuur, zoals in het regeerakkoord staat opgetekend.

Tekst: Sander Turnhout, SoortenNL
Foto's: Kars Veling (leadfoto: veenbesparelmoervlinder); Harvey van Diek; De Vlinderstichting; Centraal Bureau voor de Statistiek