Vad förekomstdata inte kan säga dig

En frånvaro, i Uppland, 2005

Artportalen, som drivs av SLU Artdatabanken, är en av de största biodiversitetsdatabaserna i Europa. Den version som publicerats till GBIF innehöll 121 526 685 förekomstposter när jag frågade API:et i juli 2026. Av dessa har 707 249 — ungefär sex per tusen — förekomststatusen absent: en post där någon letat och arten inte fanns där.

Begränsar man det till det som en svampplockare bryr sig om blir förhållandet sämre. Riket Fungi i Sverige: 6 826 703 GBIF-poster, 528 389 av dem frånvaroposter — men tre fjärdedelar av dessa frånvaroposter kommer från två datamängder ur Riksskogstaxeringens vegetationsdata för förekomst/frånvaro, inte från någon som rapporterat frivilligt. Går man ner på artnivå kollapsar det helt. Cantharellus cibarius, kantarell: 15 705 svenska poster, och exakt en frånvaropost, registrerad i Uppland den 5 augusti 2005. Boletus edulis, karljohan: 12 987 poster, ingen frånvaro. Craterellus tubaeformis, trattkantarell: 10 007 poster, ingen frånvaro.

Det är hela argumentet i fyra siffror. Vi har ett enormt register över var svamp har hittats och nästan inget register över var den har sökts.

Varför högen växer som den gör

Inget oredligt ligger bakom detta. Ett fynd är en händelse — det har ett namn, ett datum, en koordinat och ett fotografi. En tom eftermiddag är en icke-händelse, och icke-händelser blir inte naturligt rader i en databas. Artportalen har faktiskt en mekanism för den andra halvan: rapporterar man en artlista som fullständig dokumenterar man arters frånvaro, frånvaron av de arter man inte såg. Den används, mest av lav- och kärlväxtrapportörer som återbesöker kända lokaler. Den används knappt alls för matsvamp.

Så högen växer skevt, både geografiskt och vad gäller vilka slags observationer den består av. Mair och Ruete (2016) tog svenska artobservationsdata från tretton taxonomiska grupper — svamp bland dem — och undersökte vad som förutsäger hur noga en given ruta har eftersökts. Vägdensitet och den logaritmerade befolkningsdensiteten framstod som konsekvent viktiga. Det är slutsatsen rakt uttryckt: det svenska registret är, till betydande del, en karta över var svenskar bekvämt kan parkera. Lägg till de tidsmässiga topparna — en länsinventering, en mykologisk förenings exkursion, en flitig rapportörs tjugo aktiva år — och en modell som naivt tränats på dessa punkter lär sig mänskligt beteende minst lika väl som den lär sig biologi.

Den saknade utfallsvariabeln

Det här är inte ett problem med datarensning. Det är ett strukturellt problem. För att anpassa en modell som säger "sannolikheten att det finns svamp här är p" behöver man fall där det fanns svamp och fall där det inte fanns, hämtade från samma urvalsprocess. Rena förekomstdata ger bara det ena av dessa, så den vanliga lösningen är att skapa det andra: dra bakgrunds- eller pseudofrånvaropunkter från landskapet och behandla dem som jämförelseklass. Barbet-Massin m.fl. (2012) är den praktiska referensen för hur många man ska dra och varifrån — och att frågan alls behövde en artikel säger något om hur mycket svaret spelar roll.

Phillips m.fl. (2009) visade den skarpa kanten av detta. Om dina fynd klumpar ihop sig längs vägar och bakgrunden dras slumpmässigt och likformigt, lär sig modellen inte vilken livsmiljö arten föredrar; den lär sig hur vägkanter ser ut. Deras föreslagna lösning — "target-group background", att bara dra bakgrundspunkter från celler där någon rapporterat något — hjälpte så mycket att de drog slutsatsen att valet av bakgrundsdata spelade lika stor roll som valet av modelleringsmetod. Det är en anmärkningsvärd slutsats. Den kontrast man uppfinner spelar lika stor roll som algoritmen man uppfinner den för.

Och det ger inte en sannolikhet på köpet. Elith m.fl. (2011) är tydliga med att MaxEnts råa utdata är en relativ förekomstfrekvens, inte en sannolikhet för närvaro; prevalens finns helt enkelt inte i data. Hastie och Fithian (2013) gick längre i Ecography och menade att påståenden om att kunna återskapa absolut förekomstsannolikhet från rena förekomstdata bygger på obefogade parametriska antaganden — att modellens stelhet skapar information som data inte innehåller. Guillera-Arroita m.fl. (2015) uttryckte den praktiska versionen bäst: förekomstdata räcker för vissa tillämpningar, och de som kräver förekomstsannolikhet är "omöjliga att uppnå utan tillförlitliga frånvarodata".

Detektion är inte samma som förekomst

Det finns ett andra glapp under det första, och svampplockare känner redan av det i benen. En svamp kan finnas och ändå inte ses. MacKenzie m.fl. (2002) är den klassiska formuleringen: utebliven detektion innebär inte frånvaro såvida inte detektionssannolikheten är ett, och den är aldrig ett. Deras ramverk för förekomst (occupancy) skiljer på de två genom upprepade besök på samma plats — man skattar hur ofta man missar något som faktiskt finns där, och korrigerar sedan förekomstskattningen för det. Upprepade besök är inträdesbiljetten, och rena förekomstdata har inga.

För svamp är korrigeringen stor. Straatsma, Ayer och Egli (2001) undersökte en 1 500 m² stor provyta vid La Chanéaz i Schweiz varje vecka under 21 år och påträffade fler än 400 arter, många av dem tillfälliga, som dök upp ett enda år och sedan aldrig igen — och de drog slutsatsen att artantalet skulle fortsätta stiga om undersökningen fortsatte. Halme och Kotiaho (2012), som arbetade med vedlevande svamp, fann variationen mellan undersökningar så stor att skattningar av diversitet från ett enda besök inte är tillförlitliga. Om två decenniers veckovisa besök på en liten provyta inte räcker för att fånga hela dess artförekomst, visar en enda vandring över en sluttning mycket lite.

Vad en tom tur egentligen är värd

Det är därför den post som kostar mest att skapa också är värd mest. En fyndmarkering är den tiotusende i sitt slag och dess förekomst är sammanblandad med tillgången till vägar. En post som säger jag sökte i detta bestånd i nittio minuter den 12 september och hittade ingenting är sällsynt, och den bär tre saker på en gång: en plats, ett negativt utfall och den insats som gav upphov till det.

Det tredje elementet är det som gör det negativa utfallet tolkningsbart. Isaac m.fl. (2014) är standardverket om hur måttproxyer för insats — listlängd, besökslängd — gör det möjligt att skilja verklig förändring från förändringar i hur noga folk letat. Johnston m.fl. (2018) visade att om man modellerar observatörens erfarenhet som en kovariat förbättras artutbredningar skattade från medborgarforskningsdata. Insats som registreras vid tillfället går inte att återskapa efteråt. Ingen kan år 2035 rekonstruera hur länge du letade 2026.

Ingenting av detta gör rena förekomstdata värdelösa. De är utmärkta för att beskriva var livsmiljön är lämplig — de miljöförhållanden en art förekommer under, det fenologiska fönster då den bildar fruktkroppar och de trädslag den är knuten till. Det är verklig och användbar kunskap. Det är bara ett annat påstående än "det kommer att finnas svamp här på lördag", och det hederliga avståndet mellan de två är precis avståndet mellan förekomstdata och frånvarodata. En tom sida i anteckningsboken från en verklig vandring är inte ett misslyckat besök. Enligt underlaget är den den mer värdefulla halvan av registret — och den halva Sverige nästan helt saknar.

Källor

• SLU Artdatabanken (2026). Artportalen — Swedish Species Observation System. Occurrence dataset published to GBIF.
• Swedish University of Agricultural Sciences. Swedish National Forest Inventory: Presence-absence vegetation data (1995–current). Occurrence dataset published to GBIF.
• Mair, L. & Ruete, A. (2016). Explaining spatial variation in the recording effort of citizen science data across multiple taxa. PLOS ONE 11(1): e0147796.
• Phillips, S.J., Dudík, M., Elith, J., Graham, C.H., Lehmann, A., Leathwick, J. & Ferrier, S. (2009). Sample selection bias and presence-only distribution models: implications for background and pseudo-absence data. Ecological Applications 19: 181–197.
• Elith, J., Phillips, S.J., Hastie, T., Dudík, M., Chee, Y.E. & Yates, C.J. (2011). A statistical explanation of MaxEnt for ecologists. Diversity and Distributions 17: 43–57.
• Hastie, T. & Fithian, W. (2013). Inference from presence-only data; the ongoing controversy. Ecography 36: 864–867.
• Guillera-Arroita, G. et al. (2015). Is my species distribution model fit for purpose? Matching data and models to applications. Global Ecology and Biogeography 24: 276–292.
• Barbet-Massin, M., Jiguet, F., Albert, C.H. & Thuiller, W. (2012). Selecting pseudo-absences for species distribution models: how, where and how many? Methods in Ecology and Evolution 3: 327–338.
• MacKenzie, D.I., Nichols, J.D., Lachman, G.B., Droege, S., Royle, J.A. & Langtimm, C.A. (2002). Estimating site occupancy rates when detection probabilities are less than one. Ecology 83: 2248–2255.
• Straatsma, G., Ayer, F. & Egli, S. (2001). Species richness, abundance, and phenology of fungal fruit bodies over 21 years in a Swiss forest plot. Mycological Research 105: 515–523.
• Halme, P. & Kotiaho, J.S. (2012). The importance of timing and number of surveys in fungal biodiversity research. Biodiversity and Conservation 21: 205–219.
• Isaac, N.J.B., van Strien, A.J., August, T.A., de Zeeuw, M.P. & Roy, D.B. (2014). Statistics for citizen science: extracting signals of change from noisy ecological data. Methods in Ecology and Evolution 5: 1052–1060.
• Johnston, A., Fink, D., Hochachka, W.M. & Kelling, S. (2018). Estimates of observer expertise improve species distributions from citizen science data. Methods in Ecology and Evolution 9: 88–97.
• Artportalen — reporting help, SLU Artdatabanken (complete-checklist reporting).