To better understand the spatial distribution of the common tick Ixodes ricinus, we investigated how local site factors and landscape characteristics influence tick presence and abundance in different greenspaces along the natural-urban gradient in Stockholm County, Sweden. Ticks and field data were collected in 2017 and 2019 and analyzed in relation to habitat type distributions estimated from land cover maps using geographical information system (GIS). In 2017, ticks and field data were collected from 12 different sites in Stockholm County originally chosen as random controls for another study but was never used. In 2019, we collected ticks and field data at 35 randomly selected sites along the natural-urban gradient. To calculate and urbanization index, we used the proportion of artificial surfaces surrounding each site. All sampling sites were visited once with a total of 295 sampling plots inventoried for ticks and field data. For each sampling plot, we recorded date, time, temperature, weather conditions, number of ticks, vegetation height and tree stem density surrounding the inventory plot. To retrieve large landscape characteristics, we established 10 buffer zones ranging from 100m to 1000m around each sampling site in GIS using satellite land cover maps (retrieved from: https://www.naturvardsverket.se/verktyg-och-tjanster/kartor-och-karttjanster/nationella-marktackedata/ladda-ner-nationella-marktackedata/). These maps have a spatial resolution of 10m and include the following main categories 1) Forest and seminatural areas, 2) Open areas, 3) Arable land, 4) Wetlands, 5) Artificial surfaces and 6) Inland and marine water. These main categories are further divided into subcategories with detailed information regarding the different land cover classes. In the analyses, we used the main categories, with the exception of Forest and seminatural areas where we included eight individual forest types: Pine forest, Spruce forest, Mixed coniferous forest, Mixed forest, Broadleaved forest, Broadleaved hardwood forest, Broadleaved forest with hardwood forest and Temporarily non-forest. To calculate landscape configuration metrics at each sampling site, we used land cover data from the GIS buffers with a 1000m radius, exported to GeoTIFF format and analyzed them with FRAGSTATS version 4. For landscape heterogeneity we used Shannons’ diversity index (SHDI) and to measure the aggregation of landscape attributes we used Contagion (CONTAG). As measures of forest configuration, we used percent of forest cover (PLAND) and total forest edge length (TE). All statistical analyses were performed with R version 4.0.3. To analyze the effect of possible risk factors for tick abundance in different greenspaces across the natural-urban gradient, we used generalized linear mixed models assuming Poisson distributed residuals. As the data contained a larger proportion of zeros than would be expected according to a Poisson or a negative binomial distribution causing overdispersion, we fitted zero-inflated Poisson models using the package glmmTMB (generalized linear mixed models using Template Model Builder)

För att förstå utbredningen av den vanliga fästingen Ixodes ricinus, undersökte vi hur både lokala faktorer och olika landskapsegenskaper påverkar förekomsten av fästingar i grönområden längs med urbaniseringsgradienten i Stockholms län, Sverige. Fästingar och fältdata samlades in under 2017 och 2019 och analyserades i relation till habitatdata och landskapsdata framtaget från geografiskt informationssystem (GIS). 2017 samlades fästingar och fältdata in från 12 olika platser i Stockholms län som ursprungligen hade valts som slumpmässiga kontroller till en annan studie men aldrig använts. 2019 samlades fästingar och fältdata in från 35 olika platser längs med urbaniseringsgradienten. Dessa 35 platser valdes slumpmässigt ut med hjälp av GIS. För att beräkna urbaniseringsgraden för varje plats, använde vi andelen exploaterad mark i en 1000m buffertzon. För de 12 första insamlingsplatserna under 2017 valde vi slumpmässigt ut 10 2m × 2m rutor för inventering av fästingar och fältdata. På de 35 platser som vi inventerade 2019, samlade vi in fästingar i 5 2m × 2m rutor. Vi besökte alla platser en gång och totalt inventerades 295 provtagningsrutor. För varje ruta noterade vi datum, tid, väderförhållande, antal fästingar, vegetationshöjd och trädstamstäthet runt varje ruta. För att ta fram landskapsdata skapades 10 buffertzoner från 100m till 1000m radies runt varje insamlingsplats i GIS tillsammans med Naturvårdverkets Nationella Marktäckedata. Dessa satellitkartor har en upplösning på 10m och har följande huvudkategorier 1) Skog, 2) Öppen mark, 3) Åkermark, 4) Öppen våtmark, 5) Exploaterad mark, och 6) Vatten. För att identifiera riskfaktorer valde vi att använda dessa huvudkategorier med undantag for kategorin Skog där vi valde att inkludera de åtta olika skogstyperna: Tallskog, Granskog, Barrblandskog, Lövblandad barrskog, Triviallövskog, Ädellövskog, Triviallövskog med ädellövsinslag och Temporärt ej skog. För att ta fram statistik och beräkna konfigurationen av landskapet runt varje insamlingsplats, använde vi marktäckedata från 1000m buffertzonen som exporterades till GeoTIFF-format och som sedan analyserades med FRAGSTATS version 4. Vi använde Shannons diversitetsindex (SHDI) för att uppskatta mångfalden av marktäcketyper runt varje insamlingsplats. För att mäta aggregeringen av de olika martäcketyperna i landskapet använde vi Contagion (CONTAG). Som ett mått på skogens konfiguration använde vi PLAND, som är proportionen av skog i landskapet och total edge (TE) som är den totala skogskantslängden. Alla statistiska analyser har gjorts med R, versionen 4.0.3. För att analysera effekterna av olika riskfaktorer på fästingförekomst i olika grönområden, använde vi generaliserade linjära mixade modeller med Poisson-fördelade residualer. Eftersom datasetet innehöll fler nollor än vad som förväntas enligt en Poisson eller negativ binomialfördelning som orsakar överdispersion, använde vi nollinflations-Poissonmodeller i paketet glmmTMB.

In 2017, ticks and field data were collected from 12 different sites in Stockholm County originally chosen as random controls for another study but was never used. In 2019, we collected ticks and field data at 35 randomly selected sites along the natural-urban gradient. To calculate and urbanization index, we used the proportion of artificial surfaces surrounding each site. All sampling sites were visited once with a total of 295 sampling plots inventoried for ticks and field data. For each sampling plot, we recorded date, time, temperature, weather conditions, number of ticks, vegetation height and tree stem density surrounding the inventory plot. To retrieve large landscape characteristics, we established 10 buffer zones ranging from 100m to 1000m around each sampling site in GIS using satellite land cover maps (retrieved from: https://www.naturvardsverket.se/verktyg-och-tjanster/kartor-och-karttjanster/nationella-marktackedata/ladda-ner-nationella-marktackedata/). These maps have a spatial resolution of 10m and include the following main categories 1) Forest and seminatural areas, 2) Open areas, 3) Arable land, 4) Wetlands, 5) Artificial surfaces and 6) Inland and marine water. These main categories are further divided into subcategories with detailed information regarding the different land cover classes. In the analyses, we used the main categories, with the exception of Forest and seminatural areas where we included eight individual forest types: Pine forest, Spruce forest, Mixed coniferous forest, Mixed forest, Broadleaved forest, Broadleaved hardwood forest, Broadleaved forest with hardwood forest and Temporarily non-forest. To calculate landscape configuration metrics at each sampling site, we used land cover data from the GIS buffers with a 1000m radius, exported to GeoTIFF format and analyzed them with FRAGSTATS version 4. For landscape heterogeneity we used Shannons’ diversity index (SHDI) and to measure the aggregation of landscape attributes we used Contagion (CONTAG). As measures of forest configuration, we used percent of forest cover (PLAND) and total forest edge length (TE). All statistical analyses were performed with R version 4.0.3. To analyze the effect of possible risk factors for tick abundance in different greenspaces across the natural-urban gradient, we used generalized linear mixed models assuming Poisson distributed residuals. As the data contained a larger proportion of zeros than would be expected according to a Poisson or a negative binomial distribution causing overdispersion, we fitted zero-inflated Poisson models using the package glmmTMB (generalized linear mixed models using Template Model Builder)

För att förstå utbredningen av den vanliga fästingen Ixodes ricinus, undersökte vi hur både lokala faktorer och olika landskapsegenskaper påverkar förekomsten av fästingar i grönområden längs med urbaniseringsgradienten i Stockholms län, Sverige. Fästingar och fältdata samlades in under 2017 och 2019 och analyserades i relation till habitatdata och landskapsdata framtaget från geografiskt informationssystem (GIS). 2017 samlades fästingar och fältdata in från 12 olika platser i Stockholms län som ursprungligen hade valts som slumpmässiga kontroller till en annan studie men aldrig använts. 2019 samlades fästingar och fältdata in från 35 olika platser längs med urbaniseringsgradienten. Dessa 35 platser valdes slumpmässigt ut med hjälp av GIS. För att beräkna urbaniseringsgraden för varje plats, använde vi andelen exploaterad mark i en 1000m buffertzon. För de 12 första insamlingsplatserna under 2017 valde vi slumpmässigt ut 10 2m × 2m rutor för inventering av fästingar och fältdata. På de 35 platser som vi inventerade 2019, samlade vi in fästingar i 5 2m × 2m rutor. Vi besökte alla platser en gång och totalt inventerades 295 provtagningsrutor. För varje ruta noterade vi datum, tid, väderförhållande, antal fästingar, vegetationshöjd och trädstamstäthet runt varje ruta. För att ta fram landskapsdata skapades 10 buffertzoner från 100m till 1000m radies runt varje insamlingsplats i GIS tillsammans med Naturvårdverkets Nationella Marktäckedata. Dessa satellitkartor har en upplösning på 10m och har följande huvudkategorier 1) Skog, 2) Öppen mark, 3) Åkermark, 4) Öppen våtmark, 5) Exploaterad mark, och 6) Vatten. För att identifiera riskfaktorer valde vi att använda dessa huvudkategorier med undantag for kategorin Skog där vi valde att inkludera de åtta olika skogstyperna: Tallskog, Granskog, Barrblandskog, Lövblandad barrskog, Triviallövskog, Ädellövskog, Triviallövskog med ädellövsinslag och Temporärt ej skog. För att ta fram statistik och beräkna konfigurationen av landskapet runt varje insamlingsplats, använde vi marktäckedata från 1000m buffertzonen som exporterades till GeoTIFF-format och som sedan analyserades med FRAGSTATS version 4. Vi använde Shannons diversitetsindex (SHDI) för att uppskatta mångfalden av marktäcketyper runt varje insamlingsplats. För att mäta aggregeringen av de olika martäcketyperna i landskapet använde vi Contagion (CONTAG). Som ett mått på skogens konfiguration använde vi PLAND, som är proportionen av skog i landskapet och total edge (TE) som är den totala skogskantslängden. Alla statistiska analyser har gjorts med R, versionen 4.0.3. För att analysera effekterna av olika riskfaktorer på fästingförekomst i olika grönområden, använde vi generaliserade linjära mixade modeller med Poisson-fördelade residualer. Eftersom datasetet innehöll fler nollor än vad som förväntas enligt en Poisson eller negativ binomialfördelning som orsakar överdispersion, använde vi nollinflations-Poissonmodeller i paketet glmmTMB.

Field/Intervention experiment

Fältexperiment