DIPLOMARBEIT - Universität Oldenburg
DIPLOMARBEIT - Universität Oldenburg
DIPLOMARBEIT - Universität Oldenburg
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Carl von Ossietzky<br />
Universität <strong>Oldenburg</strong><br />
Diplomstudiengang Landsachftsökologie<br />
<strong>DIPLOMARBEIT</strong><br />
Modellierung zur aktuellen und möglichen zukünftigen Verbreitung des<br />
Steinhuhns (Alectoris graeca saxatilis) in der Schweiz<br />
vorgelegt von: Vincent Sohni<br />
Betreuender Gutachter: Dr. Boris Schröder<br />
Zweiter Gutachter: PD Dr. Lukas Jenni<br />
<strong>Oldenburg</strong>, 09. August 2004
Inhalt<br />
II<br />
Inhalt<br />
1 Einleitung ............................................................................................................ 1<br />
2 Untersuchungsgebiet .......................................................................................... 3<br />
2.1 Bearbeitungsgebiet für das Atlasmodell ...................................................................... 3<br />
2.2 Untersuchungsgebiete für das Regionalmodell .......................................................... 4<br />
2.2.1 Naturraum Tessin....................................................................................................... 5<br />
2.2.2 Gebiete......................................................................................................................... 6<br />
3 Untersuchungsobjekt .......................................................................................... 9<br />
4 Methoden............................................................................................................11<br />
4.1 Datengrundlage für das Atlasmodell.......................................................................... 12<br />
4.1.1 Daten zum Steinhuhnvorkommen......................................................................... 12<br />
4.1.2 Daten zum Klima..................................................................................................... 14<br />
4.1.3 Geostatistische Daten.............................................................................................. 15<br />
4.1.4 Daten zur Vegetation............................................................................................... 16<br />
4.2 Datengrundlage für das Regionalmodell ................................................................... 16<br />
4.2.1 Probeflächen ............................................................................................................. 17<br />
4.2.2 Parameter................................................................................................................... 18<br />
4.3 Klimaprognosen............................................................................................................ 19<br />
4.4 Datenauswertung: Habitatmodelle............................................................................. 20<br />
4.4.1 Logistische Regression ............................................................................................. 20<br />
4.4.2 Variablenwahl ............................................................................................................ 21<br />
4.4.3 Modellbildung........................................................................................................... 22<br />
4.4.4 Modellbewertung ...................................................................................................... 23<br />
4.4.5 Modellvalidierung...................................................................................................... 24<br />
4.4.6 Trendoberflächen - Analyse.................................................................................... 25<br />
4.4.7 Problem der räumlichen Autokorrelation ............................................................ 26<br />
5 Ergebnisse ......................................................................................................... 28<br />
5.1 Atlasmodell .................................................................................................................... 28<br />
5.1.1 Univariate Modelle .............................................................................................. 28<br />
5.1.2 Multiple Modelle.................................................................................................. 33<br />
5.1.3 Prognosekarten .................................................................................................... 36<br />
5.2 Regionalmodell.............................................................................................................. 39<br />
5.2.1 Univariate Modelle .............................................................................................. 39<br />
5.2.2 Multiple Modelle.................................................................................................. 42<br />
5.3 Vergleich von Atlas- und Regionalmodell ................................................................ 45<br />
5.4 Trendmodell und räumliche Autokorrelation........................................................... 49<br />
5.5 Überlegungen zur Klimaveränderung........................................................................ 51
Inhalt<br />
II<br />
6 Diskussion ......................................................................................................... 52<br />
6.1 Diskussion der Methoden ........................................................................................... 52<br />
6.1.1 Probeflächendesign.................................................................................................. 52<br />
6.1.2 Datenerhebung ......................................................................................................... 54<br />
6.1.3 Datenauswertung...................................................................................................... 56<br />
6.2 Diskussion der Ergebnisse .......................................................................................... 56<br />
6.2.1 Ökologische Interpretation..................................................................................... 56<br />
6.2.2 Modellgüte................................................................................................................. 68<br />
6.2.3 Vergleich von Atlas- und Regionalmodell............................................................ 70<br />
6.2.4 Überlegungen zur Klimaveränderung ................................................................... 73<br />
6.3 Gedanken zum Schutz der Art ................................................................................... 77<br />
6.3.1 Aktuelle Gefährdungssituation............................................................................... 77<br />
6.3.2 Maßnahmen .............................................................................................................. 81<br />
6.3.3 Schutzkonzept für das Steinhuhn .......................................................................... 83<br />
7 Zusammenfassung ............................................................................................ 85<br />
8 Danksagung....................................................................................................... 87<br />
9 Literatur ............................................................................................................. 88<br />
10 Anhang............................................................................................................... 94
1 Einleitung 1<br />
1 Einleitung<br />
Bei vielen Vogelarten waren die Bestände in der Schweiz zuletzt rückläufig (SCHMID et al.<br />
1998). Dieser Trend zeigte sich auch beim Steinhuhn (Alectoris graeca). Mehrere Arbeiten zur<br />
Bestandsentwicklung des Steinhuhns im letzten Jahrhundert dokumentierten rückgehende<br />
Zahlen (PRÄSENT 1979; LÜPS 1981 a, c; ZBINDEN 1984; MAGNANI et al. 1990). Allerdings<br />
scheint sich die Art seit Mitte der 1980iger Jahre wieder zu erholen (LÜPS 1994; SCHMID<br />
1998). Diese Entwicklung überrascht, widerspricht sie doch den Ursachen wie z.B.<br />
Habitatzerstörung oder Aufgabe der Berglandwirtschaft, die bisher für den Rückgang<br />
verantwortlich gemacht wurden (SCHMID et al. 1998).<br />
In der Roten Liste der Brutvögel der Schweiz wird das Steinhuhn als potentiell gefährdet<br />
eingestuft (KELLER et al. 2001). Auch auf der Liste der Vogelarten, für welche die Schweiz<br />
eine besondere Verantwortung trägt (Verantwortungsarten), ist die Art zu finden (KELLER<br />
& BOLLMANN 2001). Um eine Liste der prioritären Vogelarten für Artenförderprogramme<br />
(Prioritätsarten) zu erstellen, wurden von allen Brutvogelarten der Schweiz aus den<br />
Verantwortungsarten diejenigen ausgesucht, für die akuter Handlungsbedarf besteht<br />
(BOLLMANN et al. 2002). Zu den Prioritätsarten, für die Artenförderungsprogramme als<br />
geeignetes Instrument zur Bestandsstabilisierung angesehen werden, gehören auch das<br />
Steinhuhn und die teilweise im gleichen Lebensraum vorkommenden und ebenfalls von der<br />
Nutzungsaufgabe betroffenen Arten Birkhuhn (Tetrao tetrix) und Steinrötel (Monticola<br />
saxatilis). Da Bestandsaufnahmen am Steinhuhn methodisch schwierig und aufwändig sind<br />
(ZBINDEN & SALVIONI 2003), wurden erst wenige quantitative Auswertungen zu einzelnen<br />
Habitatfaktoren durchgeführt (z.B. LÜPS & HEYNEN 1978, LÜPS 1980). Zur Brutbiologie<br />
liegen nur unvollständige Kenntnisse vor (z.B. HAFNER 1994) und die Gründe für die<br />
aktuelle Bestandsentwicklung sind unklar (SCHMID et al. 1998).<br />
Für einen effektiven Schutz seltener Arten ist generell die Kenntnis der Habitatansprüche<br />
besonders wichtig (ARAUJO et al. 2002, LUCK 2002). Eine geeignete Methode den Einfluss<br />
von Umweltfaktoren auf das Vorkommen von Arten zu ermitteln, ist die<br />
Habitatmodellierung. Dabei wird die Vorkommenswahrscheinlichkeit einer Art als<br />
Regressionsfunktion von Umweltvariablen beschrieben. Die Auswahl der erklärenden<br />
Variablen im Modell wird aufgrund der statistischen Signifikanz und des biologischen<br />
Erklärungsgehaltes der Habitatparameter getroffen (KLEYER et al. 1999), wobei die<br />
Qualität des Habitats quantifiziert werden kann (SCHRÖDER 2000). Habitatmodelle dienen<br />
auch der Prognose von Vorkommenswahrscheinlichkeiten, die für nicht untersuchte<br />
Gebiete oder veränderte Verhältnisse vorhergesagt werden können (MORRISON et al. 1998,<br />
SCHRÖDER & REINEKING 2004a). Damit stellen Habitatmodelle ein wichtiges Instrument<br />
in der Naturschutzplanung dar, insbesondere zur Prognose der Auswirkung von Eingriffen<br />
oder Pflegemaßnahmen (KLEYER et al. 1999). Die statistische Analyse und Fokussierung<br />
auf die entscheidenden Parameter garantiert bei Naturschutzmaßnahmen dabei den<br />
effizienten Einsatz finanzieller Mittel.
1 Einleitung 2<br />
Vor diesem Hintergrund wurden in Italien für das Steinhuhn bereits einige Modelle erstellt.<br />
Die Modelle von CATTADORI et al. (1998) und MERIGGI et al. (1998) basieren auf<br />
Jagdstatistiken aus den Jahren 1950-1960, die Daten zu den erklärenden Variabeln wurden<br />
aus Luftbildern abgeleitet. Andere Modelle sind populationsdynamisch ausgerichtet<br />
(CATTADORI et al. 1999). In keinem Modell wurden direkte Klimavariablen berücksichtigt.<br />
Zwar wird nasskalte Witterung während der Brutperiode von vielen Autoren für<br />
Bestandsrückgänge verantwortlich gemacht (GLUTZ et al. 1973, PRÄSENT 1979, LÜPS<br />
1981c, ZBINDEN 1984, GOSSOW et al. 1992), allerdings wurden nach vorliegender Literatur<br />
Zusammenhänge zwischen Klimaereignissen und Steinhuhnvorkommen noch nie<br />
quantifiziert. Wenn aber das Klima einen entscheidenden Einfluss auf die Art hat, wird sich<br />
auch die zu erwartende Klimaerwärmung (global change) auf den Bestand auswirken. Für<br />
Zentraleuropa werden mittlere jährliche Temperaturerhöhungen im Bereich von 2 bis 3° C<br />
vorhergesagt (FISCHLIN et al. 1995), was erhebliche Veränderungen in den Lebensräumen<br />
der meisten Arten verursachen wird. Die Schweiz mit einer ausgesprochenen<br />
Klimadiversität ist dabei anfällig für Klimaveränderungen, dies gilt insbesondere für die<br />
Alpen (BOLLIGER 2002).<br />
Ziel meiner Diplomarbeit ist es, ein Brutzeit-Habitatmodell für das Steinhuhn auf zwei<br />
Skalenebenen zu erstellen, zum einen für die gesamte Schweiz (Atlasmodell) und zum<br />
anderen ein regional gültiges Modell (Regionalmodell). Dadurch werden Aussagen zu der<br />
Hypothese möglich, dass auf unterschiedlichen Maßstabsebenen unterschiedliche Faktoren<br />
wirksam werden. Ein weiteres Ziel ist die Erstellung von Habitateignungskarten, welche auf<br />
der gesamten Landesfläche der Schweiz zeigen, mit welcher Wahrscheinlichkeit mit dem<br />
Vorkommen der Art zu rechnen ist. Durch Anwendung von Klimaszenarien stelle ich<br />
darüber hinaus Überlegungen zur zukünftigen Verbreitung des Steinhuhns an. Die<br />
Klimaveränderung wird dazu als vertikale Verschiebung der Waldgrenze simuliert, da zu<br />
erwarten ist, dass dies einschneidende Veränderungen im Lebensraum des Steinhuhns<br />
verursachen wird. Auf Grundlage der gewonnenen Erkenntnisse und unter Verwendung<br />
von Literaturangaben gebe ich abschließend eine Übersicht über die aktuelle<br />
Gefährdungssituation, mögliche Schutzmaßnahmen und schlage ein Schutzkonzept für die<br />
Art vor.<br />
Die Daten für die Modellierung zum Atlasmodell wurden mir im Projekt „Modellierung<br />
zum neuen Schweizer Brutvogelatlas“ von der Schweizerischen Vogelwarte Sempach zur<br />
Verfügung gestellt. Dabei handelt es sich um die Ergebnisse mehrjähriger Kartierungen für<br />
einen nationalen Brutvogelatlas. Die Daten für die erklärenden Variablen stammen aus<br />
Datenbanken verschiedener Schweizer Behörden. Für die Datengrundlage des<br />
Regionalmodells führte ich eine Strukturkartierung im Kanton Tessin durch.
2 Untersuchungsgebiet 3<br />
2 Untersuchungsgebiet<br />
2.1 Bearbeitungsgebiet für das Atlasmodell<br />
Die Schweiz ist mit knapp 41 300 km 2 ein kleines Binnenland im südlichen Mitteleuropa.<br />
Im Süden grenzt sie an den Mittelmeerraum (NIGG 1975, BÄR 1976). Nach Geologie und<br />
Relief lassen sich drei Hauptlandschaften unterscheiden (Abb. 1). Die Alpen im Süden<br />
nehmen mit etwa 60% der Landesfläche den größten Raum ein, das Mittelland (30%) liegt<br />
zwischen den Alpen und dem von West nach Nordost verlaufenden Jura (10%). Über 50%<br />
der Landesfläche liegen höher als 1000 m, nur etwa 16% befinden sich unterhalb von<br />
500 m. Die Höhenstufen werden in kolline Stufe (bis 600 m), montane Stufe (bis rund<br />
1200 m, Laubwaldgrenze), subalpine Stufe (bis etwa 2000 m, Nadelwaldgrenze) alpine Stufe<br />
(Bereich bis zur Schneegrenze) und nivale Stufe aufgeteilt (BFS 2002). Die Angaben zu den<br />
Höhenstufen sind nur als Richtwerte zu verstehen und variieren stark mit der<br />
geographischen Lage (OZENDA 1983).<br />
Abb. 1: Übersicht über die Schweiz mit den Hauptlandschaften. Verändert aus BÄR<br />
(1976).<br />
Bei den Alpen handelt es sich um ein verhältnismäßig junges Faltengebirge. Die nach<br />
Norden drückende Afrikanische Platte führte während des Tertiär zur Faltenbildung des<br />
ursprünglichen Meeresbodens. In den zentralen Alpen wirkten zusätzlich magmatische<br />
Kräfte, welche Granit nach oben pressten (BÄR 1976). Neben der Erosionskraft prägte<br />
auch die quartäre Vereisung das heutige sehr vielfältige Landschaftsbild (BFS 2002). Die<br />
Schweizer Alpen sind Teil eines etwa 1000 km langen Gebirgszuges der von Nizza im
2 Untersuchungsgebiet 4<br />
Südwesten bis Wien in ost-nordöstlicher Richtung verläuft. Mit Ausnahme einiger Bündner<br />
Berge liegt die Schweiz im Gebiet der Westalpen (Trennungslinie Bodensee – Rheintal –<br />
Splügenpass - Comersee). Im Süden fallen die Alpen relativ steil zur Poebene ab, im<br />
Norden sind dem Gebirge die Voralpen vorgelagert. Vom zentral gelegenen<br />
Gotthardmassiv aus teilen die großen Flusstäler von Rhone und Rhein die Bergmasse in<br />
Nord- und Südalpen (NIGG 1975, BÄR 1976).<br />
Das Klima der Schweiz wird stark durch die Alpen beeinflusst. So bilden die zahlreichen<br />
Gebirgsketten oftmals Wetterscheiden. Als gesamtschweizerischer Klimatyp kann daher,<br />
verstärkt durch die geographische Lage, nur von einem Übergangsklima gesprochen<br />
werden. Der Westen ist geprägt durch milde und feuchte ozeanische Luftmassen, der<br />
Osten wird durch kontinental trockenes Wetter beeinflusst. Auf der Südseite der Alpen<br />
herrschen z.T. mediterrane warm-feuchte Verhältnisse. So können die Grenzen der<br />
Höhenstufen hier bis zu 300 m höher liegen als im Norden (BFS 2002). Temperatur und<br />
Niederschlag variieren vor allem mit der Höhe. Die Temperatur nimmt um etwa 0,7° C pro<br />
100 m ab, die Niederschläge (Steigungsregen) nehmen zu. Vornehmlich durch die<br />
Hangexposition wird aber meist ein Lokalklima ausgeprägt (BÄR 1976, BFS 2002).<br />
Die Landschaftsnutzung hat sich seit Mitte des letzten Jahrhunderts stark verändert. Die<br />
durchschnittliche Parzellengröße verdoppelte sich, während gleichzeitig die Anzahl der<br />
Betriebe auf fast ein Drittel der Zahl von 1955 sank (SCHMID et al. 1998). Ein wichtiges<br />
Merkmal der landwirtschaftlichen Verhältnisse der Schweiz ist, bedingt durch Topographie<br />
und Klima, der hohe Anteil an Dauergrünland. Dieser betrug im Jahr 2000 fast 70% der<br />
gesamten Nutzungsfläche. Dazu kommen noch sogenannte Sömmerungsweiden, Weiden<br />
der subalpinen und alpinen Stufe, die nur wenige Monate im Jahr genutzt werden (BFS<br />
2002).<br />
Die Bewaldung nahm in den letzten 15 Jahren auf insgesamt 30% der Landesfläche zu. Der<br />
größte Zuwachs war dabei im Gebiet der Alpen zu verzeichnen, als Hauptgrund wird die<br />
Aufgabe der Landwirtschaft genannt (STROBEL & BRÄNDLI 1998). Mit rund einem Viertel<br />
der Landesfläche ist der Anteil der „Unproduktiven Vegetation“ (Nassstandorte,<br />
ungenutzte Flächen im Grenzbereich der Alpwirtschaft sowie Gebüsch- und<br />
Strauchvegetation an der Waldgrenze) und vegetationslosen Flächen sehr hoch.<br />
2.2 Untersuchungsgebiete für das Regionalmodell<br />
Nach Empfehlung von Dr. NIKLAUS ZBINDEN von der Schweizerischen Vogelwarte<br />
Sempach wählte ich nach festgelegten Kriterien (vgl. Kap. 4.2.1) sechs Gebiete im Kanton<br />
Tessin aus (Abb. 2). Die Entfernung zwischen den nördlichsten Gebieten in der Gegend<br />
des Lukmanierpasses und dem südlichsten am Lago di Lugano beträgt etwa 60 km. Der<br />
Kanton Tessin wird in einen nördlichen (Sopraceneri) und einen südlichen (Sottoceneri)<br />
Teil gegliedert, die Trennungslinie bildet der Bergrücken des Mte. Ceneri südwestlich von<br />
Bellinzona.
2 Untersuchungsgebiet 5<br />
2.2.1 Naturraum Tessin<br />
Der Kanton Tessin wird, zusammen mit wenigen Tälern der Kantone Wallis und<br />
Graubünden zur Region Südschweiz zusammengefasst. Das Relief wird durch große<br />
Höhenunterschiede auf kleinem Raum und damit steile Bergflanken geprägt (SCHMID et al.<br />
1998). Der nördliche Teil weist Hochgebirgscharakter auf, während der Süden eher<br />
Mittelgebirgen ähnelt (NIGG 1975). Fast in der gesamten Südschweiz dominieren Granite<br />
und Gneise als Gesteinsarten. Daneben treten metamorphe Gesteine wie Dolomit und im<br />
Sottoceneri auch Kalk und vereinzelt vulkanische Gesteine auf (NIGG 1975, SCHMID et al.<br />
1998).<br />
Abb. 2: Lage der sechs Untersuchungsgebiete im Kanton Tessin und typische Ansicht<br />
(Someo im Maggiatal).<br />
Das Klima ist durch starke Sonneneinstrahlung und hohe Niederschläge (> 2000<br />
mm/Jahr) charakterisiert. Dabei handelt es sich aber nur um eine hohe<br />
Niederschlagssumme, die Anzahl der Regentage ist niedrig (SCHMID et al. 1998, BFS 2002).<br />
Die tieferen Lagen, besonders die Regionen um die größeren Seen, haben ausgesprochen<br />
milde Winter (SCHMID et al. 1998) und werden häufig zum Weinanbau genutzt.<br />
Im Bereich der kollinen und unteren montanen Stufe der Alpensüdseite würden auf saurem<br />
Ausgangsgestein als natürliche Vegetation Laubmischwälder aus Traubeneichen und<br />
Birken dominieren. Durch traditionelle Nutzungsformen (vor allem durch die<br />
Brennholzgewinnung im Niederwaldbetrieb) wurde aber die ausschlagsfreudige<br />
Edelkastanie zur dominierenden Baumart. Im Südtessin wird die Waldgrenze von<br />
Laubwäldern (Buche) gebildet. Im westlichen Tessin schließt darüber ein Lärchengürtel an<br />
und nur im nördlichen Teil wird die Baumgrenze durch typische Fichtenmischwälder<br />
gebildet. Die in früheren Jahrhunderten übliche Kombination aus Edelkastanien-Kulturen<br />
und Ziegenhaltung, auch in unzugänglichen Bereichen, ist fast völlig verschwunden. Bis auf<br />
die günstigsten Lagen werden so die Seitentäler und ehemals strukturreichen Alpweiden<br />
(„Monti“) hoch über den Tälern von Zwergsträuchern und Pionierwald überwachsen<br />
(„verganden“) und schließlich wiederbewaldet (SCHMID et al. 1998).
2 Untersuchungsgebiet 6<br />
2.2.2 Gebiete<br />
Bei der Beschreibung der einzelnen Untersuchungsgebiete unterscheide ich jeweils<br />
zwischen Bereichen mit Steinhuhnvorkommen und sogenannten Nullquadraten (bekannte<br />
Nichtvorkommen in der Kartiereinheit eines Quadratkilometers), welche ich für die<br />
Modellierung ebenfalls beprobte. Die Koordinaten des Nullquadrats beziehen sich auf das<br />
Schweizer Koordinatensystem, dazu wird die jeweilige Blattnummer der Topographischen<br />
Landeskarte 1: 25 000 angegeben. Die Reihenfolge richtet sich von Nord nach Süd und<br />
von West nach Ost. In Anhang 3.1 sind die entsprechenden Kartenausschnitte beigefügt.<br />
Lago Ritóm/ Val Piora<br />
Die Steinhuhnvorkommen erstrecken sich von den Hängen über dem nordwestlichen Ufer<br />
des auf etwa 1850 m gelegenen Lago Ritóm entlang der Südflanke des Pizzo Taneda<br />
(unzugänglich) bis an die Südseite des Val Piora. In der weiteren Verlängerung dieses Tales,<br />
direkt unterhalb des Passo del Sole befindet sich das Nullquadrat (701/154, Blatt 1252). Bis<br />
auf das Südufer des Lago Ritóm ist das Gebiet unbewaldet. Weite Bereiche um die Seen,<br />
teilweise bis über 2200 m, werden als Sömmerungsweiden genutzt. Das Nullquadrat war<br />
mit durchschnittlich etwa 2300 m das höchste und einzige komplett unbewaldete der<br />
gesamten Untersuchung (Abb. 3).<br />
Abb. 3: Übersicht über Steinhuhnhabitate oberhalb des Lago Ritóm (links) und<br />
zugehöriges Nullquadrat (rechts).<br />
Oberes Bleniotal/ Costa<br />
Direkt angrenzend an den Arvenwald oberhalb Aquacalda in Richtung Pizzo di Cadreigh<br />
beginnen häufig frequentierte Steinhuhnreviere. Von hier aus erstrecken sie sich entlang<br />
des gesamten als Costa bezeichneten Südhanges in östlicher Richtung. Die untersten<br />
Bereiche um die Ortschaft Dötra werden von einzelnen Arven, Zwergsträuchern,<br />
Streuwiesen und zwergstrauchreichen Nadelwäldern geprägt, der leicht ansteigende<br />
Hangfuß wird als Mäh- und Sömmerungsweide genutzt und der Grat zum über 2500 m
2 Untersuchungsgebiet 7<br />
hohen Pizzo di Cadreigh ist von Natur aus unbewaldet. Vor allem im westlichen Bereich<br />
dominieren Felsen und grober Blockschutt. Das Nullquadrat (712/155, Blatt 1253) ist reich<br />
strukturiert (Gebäude, Mähweiden, Bachtal, Nadelforst und Gebüschwald), teilweise sehr<br />
steil und weist eine mittlere Höhe von etwa 1700 m auf (Abb. 4).<br />
Mittleres Maggiatal<br />
Fast 2000 Höhenmeter, aber nur etwa drei Kilometer Luftlinie über der Ortschaft Someo<br />
(378 m) liegen die Steinhuhnhabitate nördlich und südlich der P ta di Splüga. Das gesamte<br />
Gebiet scheint nicht genutzt zu werden. Die Waldgrenze (Lärchen) liegt bei etwa 2000m,<br />
darüber schließen Zwergsträucher und alpine Matten an. Weite Teile im nördlichen Bereich<br />
sind durch Felswände und Geröllfelder unzugänglich. Das Nullquadrat (693/128, Blatt<br />
1292) liegt zwischen dem Talgrund und den Vorkommen der Art. Es weist eine<br />
Höhendifferenz von über 700 m auf und ist überwiegend bewaldet. Zugänglich waren nur<br />
einige z.T. kaum sichtbare Wege, welche zu überwiegend verlassenen Monti führen. Einige<br />
Häuser sind zur Wochenendnutzung hergerichtet, aber nahezu sämtliche Freiflächen<br />
befinden sich in einem Vergandungsstadium.<br />
Mergoscia/ Madone<br />
Der Höhenzug des Madone befindet sich auf dem Bergrücken zwischen den Talausgängen<br />
von Maggia- und Verzascatal. Vom Südhang in einer Höhe zwischen etwa 1600 und<br />
2000 m liegen zahlreiche Steinhuhn-Beobachtungen vor. Das gesamte Gebiet wird wohl<br />
nicht mehr genutzt, viele Gebäude verfallen und die Vergandung ist weit fortgeschritten.<br />
Aufgrund eines Wetterumschwungs konnte das nordwestlich gelegene Nullquadrat nicht<br />
erreicht werden.<br />
Joriopass/ Carena<br />
Das westlichste Untersuchungsgebiet befindet sich im Grenzgebiet zu Italien. Vom<br />
Joriopass auf ca. 2000 m zieht sich ein Höhenzug nach Westen, dessen Südhang, sowie<br />
Bereiche südlich der Alpe die Gesero bekannte Steinhuhnreviere darstellen. Diese Alp ist<br />
nach wie vor in Nutzung, so dass in weniger exponierten Bereichen mit Beweidung bis auf<br />
2000 m zu rechen ist. Weite Teile der steilen Südhange zeigen aber deutliche<br />
Vergandungsspuren. Die Hänge bis zur 2200 m hohen Cima delle Cigogne sind teilweise<br />
mit Latschenkiefern bewachsen. Das Nullquadrat (727/114, Blatt 1314) befindet am Ende<br />
der Strasse im Val Morobbia. Um die Ortschaft Carena (958 m) liegen verstreute<br />
Mähweiden, der überwiegende Teil ist jedoch mit Laubwald bedeckt.<br />
Mte. Bigorio/ Corticiasca<br />
Das südlichste Gebiet liegt oberhalb des Luganersees über der Ortschaft Tesserete.<br />
Bekannte Steinhuhnvorkommen liegen an den felsigen Flanken des Monte Bigorio<br />
(Abb. 4). Der niedrige (maximal 1188 m) Bergrücken wird trotz aktiver Bewirtschaftung<br />
zunehmend von Erlen und Ginster überwachsen. Das Nullquadrat liegt sechs Kilometer
2 Untersuchungsgebiet 8<br />
östlich im Bereich der Ortschaft Corticiasca. Von Struktur und Höhenlage gleicht es jenem<br />
des vorherigen Gebietes.<br />
Abb. 4: Übersicht über Steinhuhnhabitate am Monte Bigorio (links) und das Nullquadrat<br />
unterhalb Costa (rechts).
3 Untersuchungsobjekt 9<br />
3 Untersuchungsobjekt<br />
Das Verbreitungsgebiet des zu den Glattfußhühnern (Phasianidae) gehörenden Steinhuhns<br />
(Alectoris graeca, Abb. 5) ist hauptsächlich auf Südeuropa beschränkt (Abb. 6). Es reicht von<br />
den Westalpen über die nördlichen Voralpen bis nach Süditalien und zum Peleponnes<br />
(ZBINDEN & SALVIONI 2003). Innerhalb der Schweiz hat das Steinhuhn seine nördliche<br />
Verbreitungsgrenze. Schwerpunkte der Verbreitung liegen in den westlichen Voralpen und<br />
Alpen, im Wallis, Tessin und Graubünden (SCHMID et al. 1998).<br />
Verwechslungen mit anderen Glattfußhühnern wie dem Chukarhuhn (Alectoris chukar, nur<br />
östlich davon) oder Rothuhn (Alectoris rufa, nur westlich) können für das Gebiet der<br />
Schweizer Alpen ausgeschlossen werden (SVENSSON et al. 1999). Entlang des<br />
Alpenhauptkamms von Frankreich bis SW-Kroatien kommt nur A. g. saxatilis als Unterart<br />
vor, A. g. graeca ist östlicher und in den Appenninen verbreitet, während A. g. withakeri nur<br />
auf Sizilien vorkommt.<br />
Männchen und Weibchen der Art weisen bis auf einen kleinen knotigen Höcker am<br />
Hinterlauf des Männchens keinen Geschlechtsdimorphismus auf. Kennzeichnend sind die<br />
markante Flankenbänderung, der rote Schnabel und die schwarz eingefasste Kehle (GLUTZ<br />
et al. 1973).<br />
Abb. 5: Steinhuhn<br />
Abb. 6: Verbreitungsgebiet des<br />
Steinhuhns in Europa (Aus<br />
ZBINDEN & SALVIONI 2003)<br />
Foto: Claude Morerot<br />
Das Steinhuhn besiedelt in der Schweiz Höhenlagen zwischen 700 und 2700 m, mit einem<br />
Schwerpunkt zwischen 1700 und 2200 m ü. NN. Ab Juli kann die Art auch oberhalb von<br />
2800m vorkommen (SCHMID et al. 1998). Harte Winter zwingen den wenig an den<br />
Hochwinter angepassten Standvogel (keine befiederten Läufe wie bei den Raufußhühnern,<br />
kein Anlegen von Schneehöhlen und keine Umstellung auf Baumnahrung bei hohen<br />
Schneelagen (LÜPS 1981b)) zu Ausweichbewegungen. Wenn im Sommerhabitat nicht<br />
genügend schneefreie Felspartien vorhanden sind, finden einerseits Vertikalverschiebungen<br />
in die Gipfelregionen mit windexponierten Kuppen statt, häufig aber auch in tiefere Lagen<br />
(GLUTZ et al. 1973). Die von den Bergbauern genutzten Almen mit den
3 Untersuchungsobjekt 10<br />
umliegenden, meist durch Ziegen beweideten Flächen stellen dabei häufig Rückzugsräume<br />
dar. Diese werden durch die Aufgabe der Berglandwirtschaft immer seltener (LÜPS 1980,<br />
HAFNER 1994, ZBINDEN & SALVIONI 2003). Die Entfernungen, die im Jahresverlauf<br />
zurückgelegt werden, liegen bei etwa 6 bis 9 km, maximal wurden 25 km festgestellt. Dabei<br />
bewegen sich die Tiere teilweise zwischen verschiedenen Tälern und Gebirgsmassiven<br />
(BERNARD-LAURENT 1991, HAFNER 1994).<br />
Das versteckt lebende Steinhuhn bevorzugt steile Südlagen mit Zwergsträuchern oder<br />
felsdurchsetzten Rasengesellschaften. Reichstrukturiertes Gelände mit Offenbodenanteil,<br />
Felsblöcken, einzelnen Sträuchern oder auch Bäumen findet man an den meisten<br />
Beobachtungsorten (HAFNER 1994). Im Gegensatz zu den Raufußhühnern frisst die Art<br />
ganzjährig Gräser und Kräuter. Im Herbst bilden Blätter von Kräutern den Hauptteil der<br />
Nahrung, je nach Angebot ergänzt durch Beeren und Samen. Im Winter dagegen<br />
überwiegen grüne Blätter von Gräsern bei der Nahrungszusammensetzung (ZBINDEN<br />
1984). Tierische Nahrung (Insekten) spielt wohl höchstens bei juvenilen Tieren eine Rolle<br />
(BERNARD-LAURENT 1986). Auch im Brutgebiet hat die Art lange Zeit von der<br />
Berglandwirtschaft profitiert und verliert nun durch die zunehmende Wiederbewaldung<br />
Lebensraum (GOSSOW et al. 1992, HAFNER 1994).<br />
Die Reviere von etwa 10 ha Größe (HAFNER 1994, ZBINDEN & SALVIONI 2003) werden in<br />
der Zeit von April bis Juni durch die Gesangsaktivität des Männchens markiert. Zur<br />
Brutdichte gibt HAFNER (1994) zwischen 1 und 1,5 Brutpaare pro km 2 an, lokal beträgt sie<br />
heute bis zu 5 Reviere/ km 2 (ZBINDEN & SALVIONI 2003). Innerhalb der Brutzeit lebt das<br />
Steinhuhn monogam, im Herbst und teilweise auch im Winter schließen sich manchmal<br />
Ketten von bis zu 30 Individuen zusammen, häufiger sind jedoch Ketten von 2-7<br />
Exemplaren (HAFNER 1994, ZBINDEN & SALVIONI 2003).<br />
Die Populationsgröße unterliegt starken Schwankungen, deren wichtigste Ursache wohl der<br />
witterungsbedingt unterschiedliche Fortpflanzungserfolg ist (ZBINDEN & SALVIONI 2003).<br />
In den 1990iger Jahren wurde der Steinhuhnbestand in der Schweiz auf etwa 3000 - 4000<br />
Paare geschätzt (SCHMID et al. 1998). Dies entspricht etwa 7,5% des europäischen<br />
Bestandes und bedeutet eine hohe internationale Verantwortung, welche zu einer<br />
Einstellung der Bejagung in der Schweiz im Jahr 1978 führte.
4 Methoden 11<br />
4 Methoden<br />
Ziel dieser Diplomarbeit ist es, die wichtigsten Habitatparameter, welche das Vorkommen<br />
des Steinhuhns beeinflussen, zu bestimmen und in Habitatmodellen zu beschreiben. Dies<br />
erfordert eine bestimmte Struktur der Datengrundlage. Einerseits müssen Daten zu<br />
Präsenz (Vorkommen) und Absenz (Nichtvorkommen) der Art für die abhängige Variable<br />
vorliegen. Andererseits werden Daten für eine Reihe von Habitatparametern als erklärende<br />
Variablen benötigt. Tabelle 1 gibt einen Überblick über alle 32 untersuchten Parameter für<br />
das Atlasmodell. Erklärungen zu den einzelnen Parametern sind den folgenden Kapiteln zu<br />
entnehmen.<br />
Tab. 1: Bearbeitete Parameter für das Atlasmodell.<br />
VARIABLE BEZEICHNUNG SKALA EINHEIT<br />
Steinhuhnvorkommen (Quelle: Kartierung zum Brutvogelatlas, Schweiz. Vogelwarte Sempach)<br />
Steinhuhnvorkommen Atlas_96 binär Vorkommen/ Nichtvorkommen<br />
Klima (Quelle: Datenbank BIOCLIM des Instituts für Wald, Schnee und Landschaft, WSL)<br />
Juli-Bewölkungsgrad (cloudiness) clojul metrisch 1/1000 des Himmels<br />
Juli-Niederschläge (precipitation) precjul metrisch Millimeter<br />
Juli-Temperatur (temperature) tempjul metrisch Grad Celsius<br />
Juli-Sonneneinstrahl. (radiation) radjul metrisch 100*kJoule /m 2<br />
Wärmesumme (degree days) degdays metrisch Grad Celsius<br />
Juli-Wasserbilanz (water budget) wbudjuly metrisch Millimeter<br />
Geostatistik (Quelle: Datenbank GEOSTAT des Bundesamt für Statistik, BFS)<br />
med_he,<br />
Höhe über NN<br />
he_diff metrisch Meter<br />
Neigungsstufen, siehe Anhang<br />
Hangneigung neigst metrisch<br />
1.2<br />
Grad, transformiert als Sinusbzw.<br />
Cosinus des Bogenmaß<br />
Exposition sin_exp, cos_exp metrisch<br />
Nutzung (Quelle: Arealstatistik innerhalb GEOSTAT, BFS)<br />
Geschlossener Wald<br />
N1<br />
Aufgelöster Wald<br />
N2<br />
Gebüschwald<br />
N3<br />
Maiensässe, Heualpen, Bergwiesen<br />
N10<br />
7 relevante Nutzungstypen<br />
Alp- und Juraweiden<br />
N11<br />
in %. Die genauen Definitionen<br />
Unproduktive Vegetation<br />
N14<br />
sind Anhang 1.3 zu entnehmen.<br />
Vegetationslose Flächen N15 metrisch<br />
Vegetation (Quelle: HEGG et al. 1993, verändert nach R. GRAF, Schweizerische Vogelwarte Sempach<br />
Vegetationsarm oder –los ST 3<br />
Lückige, niedrige Vegetation ST 4<br />
Dichte, niedrige Vegetation ST 5<br />
Lückige, höhere Gras- und Seggenfluren ST 6<br />
Dichte, höhere Gras- und Seggenfluren ST 7<br />
Staudenfluren ST 8<br />
Zwergsträucher und niedriges Gebüsch ST 9<br />
Höhere Gebüsche ST 10<br />
Laubw. mit spärl. Strauch u. Krautschicht ST 11<br />
Laubw. mit üppiger Strauchschicht ST 12<br />
Nadelw. mit spärl. Strauch u. Krautschicht ST 13<br />
Nadelw. . mit üppiger Strauchschicht ST 14<br />
Gras-, Hochstauden-, Kraut-, oder Zwergstrauchreiche<br />
Laubw. ohne ü. Strauchsch. ST 15<br />
Gras-, Hochstauden-, Kraut-, oder Zwergstrauchreiche<br />
Nadelw. ohne ü. Strauchsch ST 16 ordinal<br />
14 relevante Strukturtypen in<br />
4 Häufigkeitsklassen.<br />
Die genauen Bezeichnungen<br />
und die Zuordnung der HEGG-<br />
Typen zu den Strukturtypen ist<br />
Anhang 1.4 zu entnehmen.
4 Methoden 12<br />
4.1 Datengrundlage für das Atlasmodell<br />
Die Modellierung auf dieser Skala beruht größtenteils auf Datenbanken verschiedener<br />
Schweizer Behörden. Diese stellte mir die Schweizerische Vogelwarte Sempach innerhalb<br />
einer Zusammenarbeit mit Dr. Boris Schröder (jetzt Universität Potsdam) und Dr. Aletta<br />
Bonn (University of Sheffield) zur Verfügung. Die Aufbereitung der Daten für die<br />
Modellierung habe ich teilweise aus den Vorarbeiten zum Projekt „Modellierung zum<br />
neuen Schweizer Brutvogelatlas“ übernommen.<br />
Allen Daten liegen in rasterbasierter Form vor. Als Grundeinheit gelten die Quadrate,<br />
welche auf den Landeskarten der Schweiz durch die Kilometer-Koordinatenlinien definiert<br />
sind und deren Rastergröße 1 km 2 beträgt. Rasterzellen, die z.T. im Ausland liegen, wurden<br />
bei der Auswertung nicht berücksichtigt. Die Daten aus den biogeographischen Einheiten<br />
Mittelland und Jura wurden bei der Modellbildung ebenfalls nicht zur Berechnung<br />
herangezogen. Es gab dort offenbar nie Steinhuhnvorkommen, und geeignete Habitate<br />
sind nur lokal auf kleinsten Flächen im Jura vorhanden (ZBINDEN, mündl. Mitt.). Eine<br />
Anwendung des errechneten Modells findet aber für die ganze Schweiz statt.<br />
4.1.1 Daten zum Steinhuhnvorkommen<br />
Die Daten zum Vorkommen- und Nichtvorkommen des Steinhuhns stammen aus den<br />
Kartierungen zum Schweizer Brutvogelatlas. Gegenüber dem ersten Atlas von 1980 wurde<br />
eine halbquantitative Erfassung durchgeführt, die außer zur Verbreitung, auch Aussagen<br />
zur Häufigkeit der Arten zulässt (SCHMID et al. 1998). Die Kartierung erfolgte in den<br />
Jahren 1993-1996 in 2734 Kilometerquadraten des Schweizer Koordinatensystems. Dies<br />
entspricht einem Anteil an der Landesfläche von 6,6% und garantiert auf regionaler Ebene<br />
eine ausreichende Genauigkeit. Eine wesentliche Verbesserung wäre erst bei einer<br />
Kartierung von etwa 25% der Fläche zu erwarten, was den Rahmen des Vorhabens<br />
gesprengt hätte. Spezielles Gewicht kommt aber in jedem Fall der repräsentativen Auswahl<br />
der Flächen, bzw. der Verteilung in den Lebensräumen zu.<br />
Aufgrund der teilweise sehr schwierigen topographischen Verhältnisse, wäre eine zufällige<br />
Auswahl der Probeflächen nicht sinnvoll gewesen. Daher wurden in jedem der 467<br />
Atlasquadrate (10 x 10 km-Raster) die zu bearbeitenden Kilometerquadrate von der<br />
Vogelwarte optisch aufgrund der Landeskarten 1: 100 000 ausgewählt. Die Absicht einer<br />
repräsentativen Auswahl wurde dabei durch den Abgleich mit den Daten zur Arealstatistik<br />
(s.u.) des Bundesamtes für Statistik gewährleistet. Jeweils fünf Kilometerquadrate<br />
(fünf obligatorisch und fünf fakultativ) wurden so gewählt, dass die Höhenlage, die Fläche<br />
des Waldes und der übrigen wichtigen Habitate sowie die Exposition etwa dieselben<br />
Anteile erreichten wie im ganzen Atlasquadrat. Auch die räumliche Verteilung innerhalb<br />
des Atlasquadrates wurde berücksichtigt. Ausgenommen von der Kartierung waren unter<br />
anderem Gletscher und Hochgebirgsregionen über 2500 m. Atlasquadrate mit nur<br />
geringem Anteil von Flächen unter 2500 m wurden aber wenn möglich mit mindestes drei<br />
obligatorischen Kilometerquadraten beprobt, da die hochgelegenen Flächen sonst nicht
4 Methoden 13<br />
ausreichend vertreten gewesen wären. Auch so ist die Anzahl der bearbeiteten<br />
Kilometerquadrate im Tiefland deutlich höher, vor allem Flächen mit einem hohen Anteil<br />
an steilen Partien und Felswänden sind unterrepräsentiert (Abb. 7).<br />
Abb. 7: Lage der bearbeiteten Kilometerquadrate. Jedes Fähnchen repräsentiert eine<br />
Untersuchungsfläche.<br />
Alle Vogelarten wurden einer von drei Kategorien zugeteilt (verbreitete Arten,<br />
Koloniebrüter und seltene Arten), für die unterschiedliche Aufnahmekriterien galten. Das<br />
Steinhuhn gehört zu den verbreiteten Arten (Definition: in gewissen Gegenden mehr oder<br />
weniger verbreitet). Zur Aufnahme in den Atlas reicht für diese Arten im Normalfall eine<br />
Beobachtung nach dem 15. April in einem geeignet scheinenden Brutbiotop. Frühere<br />
Beobachtungen werden nur dann berücksichtigt, wenn ein Hinweis auf wahrscheinliches,<br />
oder sicheres Brüten vorlag (Internationaler Atlascode > 6, siehe Anhang 1.1). Als Ende<br />
der Kartierzeit wurde für die Bergregionen Mitte Juli vorgesehen, Beobachtungen aus dem<br />
August sind aber nicht ausgeschlossen.<br />
Die eigentliche Kartierung ist als vereinfachte Revierkartierung zu bezeichnen. Jedes<br />
Kilometerquadrat wurde nur in einem Jahr bearbeitet. Pro Kilometerquadrat wurden drei<br />
Beobachtungsgänge gemacht. Oberhalb der Baumgrenze waren es nur zwei (Reduzierung<br />
des Aufwandes, geringere Artenzahl, geringere Bestandsdichte, übersichtliche Habitate und<br />
verkürzte Brutperiode). Auf jedem Rundgang sollte möglichst das ganze Quadrat erfasst<br />
werden. Die Wegstrecken lagen zwischen 2,5 km (Offenland) und 4 km (unübersichtliches<br />
Gelände) und variierten bei den einzelnen Durchgängen. Unzugängliche Bereiche wurden<br />
mit Fernrohren und Feldstechern abgesucht. Alle Beobachtungen von verbreiteten Arten,<br />
welche die Aufnahmekriterien erfüllten, wurden auf Kartenkopien eingetragen, nach den<br />
Durchgängen auf Artkarten übertragen und damit sogenannte Papierreviere und deren<br />
Zahl ermittelt. Die Bestände wurden dabei nur bis zu einer bestimmten Mindestanzahl<br />
kartiert. Für das Steinhuhn liegt dieser Grenzwert bei drei Individuen, ab diesem Wert galt
4 Methoden 14<br />
die Art als „in guter Dichte vorhanden“ und die Kartierung in diesem Quadrat wurde<br />
beendet. Vor allem für Arten mit hoher Dichte wäre sonst der Erfassungsaufwand<br />
unverhältnismäßig hoch geworden.<br />
4.1.2 Daten zum Klima<br />
Der Datensatz BIOCLIM stammt vom Schweizerischen Institut für Wald, Schnee und<br />
Landschaft (WSL). Innerhalb des Projektes „Risikoanalyse Klima“ wurden auf Basis eines<br />
hochauflösenden Höhenmodells (25 m-Rasterweite) thematische Karten berechnet<br />
(ZIMMERMANN & KIENAST 1995). Die Vorgehensweise soll am Beispiel der Erstellung<br />
einer Karte der Julimitteltemperaturen erklärt werden. Um die Abhängigkeit von Relief<br />
(Höhe) und geographischer Lage (Großraumklima) gleichermaßen zu berücksichtigen,<br />
wurden die Werte der Messstationen auf eine vergleichbare Basis gesetzt. Da die<br />
Temperatur proportional zur Höhe abnimmt, wurde mittels linearer Regression jeder<br />
Stationswert so transformiert, als ob die jeweilige Station auf Meeresniveau liegen würde.<br />
Durch räumliche Interpolation (Kriging- oder Spline-Funktionen) wurden diese<br />
punktuellen Werte für die gesamte Schweiz geschätzt. Unter Berücksichtigung der<br />
Abweichung vom gesamtschweizerischen Mittelwert konnte nun anhand der<br />
Regressionsgleichung die Temperatur wieder auf das Relief übertragen werden.<br />
Tab. 2: Klimavariablen aus der Datenbank BIOCLIM des Institutes für Wald, Schnee und<br />
Landschaft (WSL).<br />
Variable Zeitraum Beschreibung Maßeinheit<br />
Bewölkungsgrad<br />
Niederschläge<br />
Temperatur<br />
Sonneneinstrahlung<br />
Wärmesumme<br />
Wasserbilanz<br />
Juli<br />
Juli<br />
Juli<br />
Juli<br />
Alle Tage mit<br />
Tagesmittel<br />
> 3° C<br />
Juli<br />
Langjähriges Mittel (1981-1990) der Monatswerte<br />
von 95 Stationen<br />
Langjähriges Mittel (1961-1990) der Monatswerte<br />
von 311 Stationen<br />
Langjähriges Mittel (1961-1990) der Monatswerte<br />
von 115 Stationen<br />
Potentielles Langjähriges Mittel der<br />
Sonneneinstrahlung ab 1950 basierend auf<br />
empirischen Strahlungsprofilen<br />
Langjähriges Mittel (1963-1994) der<br />
Temperatursummen über 3,0° C, basierend auf<br />
den Tageswerten von 104 Klimastationen<br />
Langjähriges Mittel (1961-1990) der potentiellen<br />
Evapotranspiration (Turc Formel) minus des<br />
Niederschlags basierend auf 115/311<br />
Klimastationen<br />
1/1000<br />
des Himmels<br />
mm<br />
Grad Celsius<br />
100*kJoule<br />
/m 2<br />
Grad Celsius<br />
mm<br />
Für die Temperaturkarte in 50 m-Auflösung wurde eine Validierung an den tatsächlichen<br />
Messwerten vorgenommen. Vergleicht man alle Stationswerte mit den gerechneten<br />
Kartenwerten, so beträgt die Differenz der Temperaturen in 90% aller Stationen weniger<br />
als 1° C (ZIMMERMANN & KIENAST 1995).<br />
Auf diese oder ähnliche Weise entstanden Grundkarten zu Temperatur, Niederschlag,<br />
Bewölkung und Sonneneinstrahlung, aus denen weitere ökologische Faktoren berechnet<br />
wurden. Innerhalb der Modellierung verwendete ich sechs Kenngrößen des Datensatzes in<br />
der transformierten Auflösung für 1 km 2 (siehe Tab. 2).
4 Methoden 15<br />
4.1.3 Geostatistische Daten<br />
Die Ermittlung und Verwaltung der Datenbank GEOSTAT liegt beim Bundesamt für<br />
Statistik (BFS). In einem Geographischen Informationssystem sind dort spezifische<br />
Eigenschaften zur naturräumlichen Ausstattung, sowie zu wirtschaftlichen und technischen<br />
Gegebenheiten erfasst und raumbezogen verknüpft (BFS 2001).<br />
Für die Modellierung zum Steinhuhn übernahm ich zum einen Daten aus dem<br />
Themenbereich Geländedaten. Die Erhebungsgrundlage für die drei verwendeten<br />
Messgrößen Höhe, Neigung und Exposition sind die Kartenblätter der Landestopographie<br />
(1: 25 000). Aufgrund manueller Karteninterpretation wurde zunächst ein digitales<br />
Geländemodell (DGM) mit 250 m Maschenweite erstellt. Für die Übernahme in<br />
GEOSTAT wurden die Daten auf die SW-Eckpunkte eines 100 m-Rasters interpoliert. Der<br />
mittlere Fehler der interpolierten Höhe liegt für den Alpenraum bei etwa 20 m (BFS 2001).<br />
Für die Modellierung zum Steinhuhn mussten die Werte an ein km-Raster angepasst<br />
werden. Die Höhe ging daher als Differenz aus minimaler und maximaler Höhe der<br />
Rasterzelle, sowie als Median dieser beiden Werte in die Modellierung ein (Abb. 8).<br />
Hangneigung und Exposition sind in GEOSTAT als Klassen erfasst. Die Neigung ging<br />
daher in Klassen von jeweils vier Neugrad in die Berechnung ein (Klassen und<br />
Umrechnung in Altgrad siehe Anhang 1.2), die Exposition als derjenige Wert aus den acht<br />
Himmelsrichtungen, der innerhalb eines km 2 dominierte. Um Artefakte bei der<br />
Modellierung zu vermeiden, ging die Exposition als Sinus- bzw. Cosinusfunktion des<br />
Bogenmaß in die Berechnung ein. Die Datensätze erhielt ich komplett aufbereitet zu<br />
Beginn meiner Diplomarbeit.<br />
Abb. 8: Beispielhafte Kartendarstellung aus GEOSTAT zu Höhe (links, Angabe in m ü.<br />
NN) und Nutzungstyp „Unproduktive Vegetation“ (rechts, Angabe in % Anteil an der<br />
Rasterzelle).<br />
Ein weiterer Themenbereich innerhalb von GEOSTAT ist die Arealstatistik. Die Daten<br />
basieren auf einem den Luftbildern der Landestopographie überlagerten Stichprobennetz<br />
von 100 x 100 m. Jeder Stichprobenpunkt bekam eine von 74 Kategorien des<br />
Nutzungskataloges zugewiesen. Die Genauigkeit dieser Methode, insbesondere was punktund<br />
linienhafte Objekte sowie kleinparzellierte Landschaften betrifft, ist gering. Durch eine<br />
Aggregation zu 24 Nutzungsklassen ist eine sinnvolle Interpretation aber möglich (BFS
4 Methoden 16<br />
2001). Von den 24 Einheiten habe ich acht für das Steinhuhn relevante übernommen (zu<br />
Bezeichnung und Abgrenzungskriterien siehe Anhang 1.3). Zur Berechnung wurden die<br />
Anteile jedes Typs an der Rasterfläche (1 km 2 ) verwendet (Abb. 8).<br />
4.1.4 Daten zur Vegetation<br />
Die Daten zur Vegetation basieren auf den Arbeiten zum Atlas schutzwürdiger<br />
Vegetationstypen der Schweiz (HEGG et al. 1993). Der Erhebung liegt das Gitternetz der<br />
Landeskarten der Schweiz zugrunde, die Erfassungsgenauigkeit liegt bei 1 km 2 . Auf dieser<br />
Basis wurden anhand von topographischen und geologischen Karten (Maßstab 1: 25 000),<br />
Luftbildern und Literaturwissen die dort vorhandenen Pflanzengesellschaften ermittelt.<br />
Von den insgesamt 118 Einheiten beziehen sich 97 auf pflanzensoziologische Einteilungen,<br />
meist auf der Stufe der Verbände im System von Braun-Blanquet. Dazu kommen 21 stark<br />
vom Menschen geprägte Einheiten wie Forste, Rebberge, Obstgärten usw. (HEGG et al.<br />
1993). Die Einheiten sind in vier Häufigkeitsklassen erhoben, die transformiert in die<br />
Modellierung eingingen (0,05; 0,5; 25 und 75% Deckungsanteil an der Rasterzelle). Den<br />
Datensatz erhielt ich ebenfalls komplett aufbereitet zu Beginn meiner Arbeit.<br />
Abb. 9: Beispielhafte Darstellung der Strukturtypen „Zwergsträucher/niedriges Gebüsch“<br />
(links) und „Gras-, Hochstauden-, Kraut- oder Zwergstrauchreiche Laubwälder“ (rechts).<br />
Angabe in Deckungsgraden.<br />
Da Vögel im allgemeinen weniger auf einen bestimmten Vegetationstyp angewiesen sind<br />
und eher auf Vegetationsstrukturen reagieren, verwendete ich eine von ROMAN GRAF<br />
(Schweizerische Vogelwarte Sempach) zu 19 Strukturtypen zusammengefasste Einteilung<br />
der oben beschriebenen Daten (Abb. 9). Von diesen 19 Typen wurden 14 für das<br />
Steinhuhn relevante bei der Berechnung der Modelle verwendet. Die Bezeichnung der<br />
Strukturtypen und die Zuordnung der pflanzensoziologischen Einheiten zu jedem Typ<br />
nach ROMAN GRAF ist Anhang 1.4 zu entnehmen.<br />
4.2 Datengrundlage für das Regionalmodell<br />
Die für die Habitatmodellierung notwendige Datengrundlage erstellte ich für das<br />
Regionalmodell mittels Strukturkartierungen im Freiland (Juni und Juli 2003). Die<br />
Koordinaten für die Ermittlung der Habitatparameter im Zusammenhang mit Steinhuhn-
4 Methoden 17<br />
Vorkommen stammen aus einer Datensammlung von Dr. NIKLAUS<br />
ZBINDEN<br />
(Schweizerische Vogelwarte Sempach), basierend auf Beobachtungen verschiedener<br />
Kartierer aus den Jahren 1980 bis 2001. Aufgrund der Absicht ein Brutzeitmodell zu<br />
erstellen, wurden nur Beobachtungen aus den Monaten April bis Juli berücksichtigt. Für die<br />
Aufnahmen zu den Nichtvorkommen wurden Kartierflächen (1 x 1 km) aus den<br />
Erfassungen zum Brutvogelatlas (s.o.) gewählt. Um den Raumbezug zu gewährleisten,<br />
wurden nach Möglichkeit nur Kartierquadrate berücksichtigt, die in ein oder zwei<br />
Kilometern Entfernung zu den Vorkommen liegen.<br />
Zusätzlich zu den oben beschriebenen Aufnahmepunkten wurde an den Erfassungstagen<br />
auf Sichtkontakte und Rufe geachtet und bei Begehbarkeit an diesen Orten ebenfalls die<br />
Strukturkartierung durchgeführt.<br />
4.2.1 Probeflächen<br />
Die Wahl der Untersuchungsgebiete für die Freilandarbeit zum Regionalmodell orientierte<br />
sich an folgenden Kriterien:<br />
• möglichst hohes Steinhuhnvorkommen mit möglichst hoher Anzahl bekannter<br />
Beobachtungspunkte<br />
• Repräsentanz eines Nord-Süd Gradienten, Flächen in Zentral- und Randalpen<br />
• Nähe zu einem geeigneten Nullquadrat (für die Habitatmodellierung wird zu jedem<br />
Vorkommen auch ein Gebiet im räumlichen Zusammenhang, welches die Art meidet,<br />
benötigt, s.u.)<br />
• Erreichbarkeit mit öffentlichen Verkehrsmitteln und Begehbarkeit der<br />
Untersuchungsflächen<br />
Die Beschreibung der einzelnen Gebiete ist Kapitel 2.2.2 zu entnehmen. Um die<br />
Unabhängigkeit der erhobenen Daten zu gewährleisten, soll nach CRAWLEY (2003) die<br />
Wahl der Probeflächen möglichst zufällig erfolgen. Alle Steinhuhn-Beobachtungen aus der<br />
Datensammlung bekamen daher per Zufallsgenerator (in EXCEL) einen Rang zugewiesen.<br />
Aufgrund dieser Liste wurden im Gelände dann nach Möglichkeit (je nach Erreichbarkeit)<br />
in der vorgegebenen Reihenfolge die Strukturkartierungen durchgeführt. Bei den<br />
Nichtvorkommen wurde aus den maximal drei in Frage kommenden Kartierquadraten per<br />
Zufall eines ausgewählt. Meist war aber nur eine Fläche ökologisch (nicht komplett<br />
bewaldet oder anderwertig unattraktiv für die Art) und logistisch sinnvoll. Innerhalb des<br />
gewählten Quadrates wurde ein Punktenetz im Abstand von 10 m erstellt (zur Vermeidung<br />
von Randeffekten wurden die äußersten 10 m nicht berücksichtigt). Wiederum mit einem<br />
Zufallsgenerator wurde aus den Punkten eine Rangliste erstellt und<br />
- je nach Erreichbarkeit - in der vorgegebenen Reihenfolge auf der jeweils nächstmöglichen<br />
homogenen Fläche kartiert.<br />
Die Probeflächengröße sollte möglichst einen Hektar betragen. Wichtiger war aber die<br />
Homogenität der Fläche, im Unterschied zur Atlasebene sollte der Wert jeder Variablen für<br />
100% der Fläche gelten. Dadurch verringerte sich die Flächengröße meist auf etwa 1/4 ha.
4 Methoden 18<br />
4.2.2 Parameter<br />
Zwecks besserer Vergleichbarkeit wurden die Parameter denjenigen aus dem Datensatz<br />
zum Atlasmodell angepasst. Zum Klima wurden keine eigenen Erfassungen im Freiland<br />
gemacht. Die Höhe wurde aus den Topographischen Landeskarten 1: 25 000 abgelesen.<br />
Die Hangneigung wurde mit einem Neigungsmesser bestimmt, die Exposition mit dem<br />
Kompass.<br />
Tab. 3: Erfasste Habitatparameter für das Regionalmodell.<br />
VARIABLE BEZEICHNUNG SKALA EINHEIT<br />
Geostatistik<br />
Höhe über NN höhe metrisch Meter<br />
Hangneigung neig metrisch Grad<br />
Exposition sin_exp, cos_exp metrisch<br />
Grad, transformiert als Sinusbzw.<br />
Cosinus des Bogenmaß<br />
Nutzung<br />
Geschlossener Wald<br />
N1<br />
Aufgelöster Wald<br />
N2<br />
Gebüschwald<br />
N3<br />
Maiensässe, Heualpen, Bergwiesen<br />
N10<br />
Alp- und Juraweiden<br />
N11<br />
Unproduktive Vegetation<br />
N14<br />
Vegetationslose Flächen N15 binär<br />
Nachbarnutzung nach_nutz metrisch<br />
Vegetation<br />
Vegetationsarm oder –los ST 3<br />
Lückige, niedrige Vegetation ST 4<br />
Dichte, niedrige Vegetation ST 5<br />
Lückige, höhere Gras- und Seggenfluren ST 6<br />
Dichte, höhere Gras- und Seggenfluren ST 7<br />
Staudenfluren ST 8<br />
Zwergsträucher und niedriges Gebüsch ST 9<br />
Höhere Gebüsche ST 10<br />
Laubw. mit spärl. Strauch u. Krautschicht ST 11<br />
Nadelw. mit spärl. Strauch u. Krautschicht ST 13<br />
Gras-, Hochstauden-, Kraut-, oder Zwergstrauchreiche<br />
Laubw. ohne ü. Strauchsch. ST 15<br />
Gras-, Hochstauden-, Kraut-, oder Zwergstrauchreiche<br />
Nadelw. ohne ü. Strauchsch ST 16 ordinal<br />
Nachbarvegetation nach_veg metrisch<br />
Deckungsgrade WS%, SS%, KS% metrisch<br />
Gesamtdeckung ges% metrisch<br />
Vegetationshöhe<br />
s_he, kr_he_max,<br />
kr_he_s<br />
metrisch<br />
Einzelbäume einzelb metrisch<br />
Abstand vom Wald abst_w metrisch Meter<br />
Struktur<br />
Von Steinen<br />
bedeckte Fläche stein_p metrisch %<br />
7 aufgetretene Nutzungstypen<br />
als binäre Variablen (Typ<br />
kommt vor/ kommt nicht vor).<br />
Die genauen Definitionen sind<br />
Anhang 1.3 zu entnehmen.<br />
Summe aus +/- Typen der<br />
Umgebung (s. Text)<br />
12 aufgetretene Strukturtypen<br />
in 4 Häufigkeitsklassen. Die<br />
genauen Bezeichnungen und<br />
die Zuordnung der HEGG-Typen<br />
zu den Strukturtypen ist<br />
Anhang 1.4 zu entnehmen.<br />
Summe aus +/- Typen der<br />
Umgebung<br />
Für Baum- , Strauch- und<br />
Krautschicht getrennt in %<br />
% (Deckungen geschätzt nach<br />
(AG BODEN 1996), S. 55)<br />
Für Strauch-, maximale Höhe<br />
Krautschicht und mittlere Höhe<br />
Krautschicht getrennt in cm<br />
Anz. Bäume >3m/ha (Definition<br />
nach (BFS 2001)<br />
Große Felsen vorhanden? fels binär kommt vor/ kommt nicht vor<br />
Subjektive Klassen 1-6 (sehr<br />
Strukturvielfalt struktur metrisch gering bis sehr hoch)
4 Methoden 19<br />
Um die Abhängigkeit der Steinhuhnvorkommen von den umgebenden Nutzungs- und<br />
Vegetationstypen zu ermitteln, wurden diese auch auf den direkt angrenzenden Flächen<br />
bestimmt. In der Auswertung wurden alle Typen einzeln auf ihren Zusammenhang mit<br />
dem Steinhuhnvorkommen hin untersucht. Die Anzahl der positiven und negativen<br />
Zusammenhänge wurde aufsummiert und der so entstandene Term (Nachbarnutzung bzw.<br />
Nachbarvegetation) ging in das Modell ein. Darüber hinaus wurden auch weitere<br />
Habitatfaktoren erfasst, die nach vorliegender Literatur einen Einfluss auf das Vorkommen<br />
haben könnten (Tab. 3).<br />
4.3 Klimaprognosen<br />
Zur Einschätzung einer möglichen Habitatveränderung bei zukünftiger mittelfristiger (2030<br />
bis 2050) und langfristiger (2100) Klimaerwärmung fand eine einfache Flächenberechnung<br />
zu potentiell waldfreien Gebieten statt. Dazu wurde in Absprache mit PD Dr. FELIX<br />
KIENAST vom WSL die Waldgrenze mit der 9,5° Juliisotherme gleichgesetzt: Alle Bereiche<br />
darunter sind potentielle Waldstandorte (eine Flächenberechnung zur aktuellen - durch<br />
anthropogene Nutzung tiefer liegenden - Waldgrenze fand nicht statt). Die Information zur<br />
Julitemperatur (und damit zur Lage der Juliisotherme) ist dem Klimadatensatz entnommen<br />
(s.o.). Um die Fläche zu errechnen, welche dem Steinhuhn potentiell als<br />
Sommerlebensraum zur Verfügung steht (ohne Berücksichtigung weiterer<br />
Habitatparameter), wurden von der Fläche oberhalb der 9,5° Juliisotherme noch diejenigen<br />
Rasterflächen abgezogen, welche innerhalb der Arealstatistik (s.o.) die Nutzung<br />
„Vegetationslose Flächen“ (hauptsächlich Fels, Geröll und Gletscher) in Anteilen > 75%<br />
aufwiesen.<br />
Für den Zeitraum 2030 - 2050 wurden dabei Klimaszenarien unterschiedlicher Intensität<br />
nach KIENAST et al. (1996) verwendet. Beim Szenario für das Jahr 2001 erhöhte ich die<br />
Werte in Absprache mit Prof. Dr. MARTIN BENISTON (Uni Fribourg, CH). Der<br />
Temperaturanstieg wird dabei regional unterschiedlich erwartet (Tab. 4).<br />
Darüber hinaus stellte mir das WSL auch eine Nachdigitalisierung der potentiellen<br />
Waldgrenze nach WELTEN & SUTTER zur Verfügung (WOHLGEMUTH 1993). Hier wird die<br />
potentielle Waldgrenze über das oberste Waldvorkommen jeder Talschaft extrapoliert. Zu<br />
Vergleichszwecken wurde hier ebenfalls die waldfreie Fläche berechnet.<br />
Tab. 4: Regional erwartete Temperaturanstiege für vier Klimaerwärmungsszenarien<br />
(Mittlere Julitemperatur gegenüber heute in ° C).<br />
Region 2030- 2050 (KIENAST et al. 1996) 2100 (BENISTON, mdl. Mitt.)<br />
schwach | stark<br />
schwach| stark<br />
Jura +1,1 | + 2,2 +3,1 | + 5,7<br />
Mittelland +1 | + 2 +3 | + 5,5<br />
Nordalpen +1,2 | + 2,4 +3,2 | + 5,9<br />
Westliche Zentralalpen +1,3 | + 2,6 +3,3 | + 6,1<br />
östliche Zentral- und Inneralpen +1,4 | + 2,8 +3,4 | + 6,3<br />
Südalpen +1,2 | + 2,4 +3,2 | + 5,9
4 Methoden 20<br />
4.4 Datenauswertung: Habitatmodelle<br />
Ziel der Modellierung ist es, das Vorkommen des Steinhuhns als Beziehung zur<br />
Ausprägung von Habitatfaktoren zu beschreiben. Als statistisches Verfahren bietet sich<br />
dazu die logistische Regression an. Gegenüber der Diskriminanzanalyse werden mit<br />
diesem Verfahren bessere Klassifizierungsergebnisse und robustere Modelle erreicht<br />
(BLOCK et al. 1998) und die erhaltenen Koeffizienten sind leicht zu interpretieren (HOSMER<br />
& LEMESHOW 2000). Auch für die Verwendung binärer Variablen ist die Methode geeignet<br />
(KLEYER et al. 1999).<br />
4.4.1 Logistische Regression<br />
Bei diesem Verfahren wird in einer Regressionsgleichung eine abhängige Variable mit einer<br />
(univariate Analyse) oder mehreren (multiple Analyse) unabhängigen Variablen in<br />
Beziehung gesetzt (Gl. 1). Graphisch aufgetragen beschreibt die ermittelte<br />
Vorkommenswahrscheinlichkeit eine s-förmige (sigmoide) Kurve. Die Wertespanne liegt<br />
zwischen 0 (0% Vorkommen) und 1 (100% Vorkommen). Um unimodale<br />
Zusammenhänge (glockenförmig) zu beschreiben, muss die jeweilige Variable auch als<br />
quadrierter Term in das Modell einbezogen werden (SCHRÖDER 2000).<br />
β + βx+<br />
... + β x<br />
e 0 k k<br />
1<br />
P(<br />
y = 1) =<br />
=<br />
(1)<br />
β + βx+<br />
... + β x −(<br />
β x ... x )<br />
1 0 k k o+<br />
β + + β<br />
+ e<br />
1+<br />
e<br />
k k<br />
mit :<br />
P ( y = 1) = Wahrscheinlichkeit eines Vorkommens (= Wahrscheinlichkeit, dass abhängige Variable 1 ist)<br />
β<br />
0 = Konstante<br />
x<br />
k = unabhängige Variable<br />
β<br />
k = Koeffizient der unabhängigen Variablen<br />
Die Schätzung des Regressionskoeffizienten geschieht über eine Maximierung der<br />
Likelihood Funktion. Mit dem Likelihood-Ratio-Test (LR-Test) wird geprüft, ob das<br />
Modell signifikant ist, also besser zwischen Vorkommen und Nichtvorkommen trennen<br />
kann als der Zufall. Dazu wird der LogLikelihood-Wert des Modells mit dem eines<br />
Nullmodells verglichen (HOSMER & LEMESHOW 2000). Beim Nullmodell geht man davon<br />
aus, dass die Hinzunahme der Variablen keine signifikante Verbesserung ergibt. Diese und<br />
- wenn nicht anders gekennzeichnet - alle weiteren Berechnungen wurden mit dem<br />
Statistik-Programm SPSS (Version 11.0) durchgeführt, die Darstellung der multiplen<br />
Modelle erfolgte mit dem Programm LR_Mesh (Version 1.0.4) von RUDNER (2004). Die<br />
LR-Statistik wird iterativ bestimmt. In der vorliegenden Arbeit wurde zur Erstellung der<br />
multiplen Modelle das rückwärts schrittweise Verfahren angewandt. Dabei werden vom<br />
vollständigen Variablensatz so lange Variablen entfernt, bis durch das weitere Ausschließen<br />
von Variablen eine signifikante Verschlechterung der Vorhersage auftreten würde. Wie<br />
stark der Zusammenhang zwischen Vorkommen und den einzelnen Variablen innerhalb<br />
des multiplen Modells ist, lässt sich dabei anhand der Änderung der Devianz (= -2 Log-
4 Methoden 21<br />
Likelihood-Wert) erkennen, welche bei einem Ausschluss der jeweiligen Variable zu<br />
verzeichnen wäre. Je größer dieser Wert, desto stärker wäre der Informationsverlust.<br />
Die Vorteile gegenüber dem vorwärts schrittweisen Verfahren (Aufnahme von Variablen,<br />
bis keine signifikante Verbesserung mehr zu verzeichnen ist) liegen zum einen in der<br />
Berücksichtigung von Variablen, die für sich alleine keine signifikante Verbesserung des<br />
Gesamtmodells bringen, aber in Verbindung mit anderen Variablen gute Modelle liefern<br />
(PEARCE & FERRIER 2000). Zum anderen sind die Ergebnisse genauer, insbesondere bei<br />
vorhandener Kolinearität (HARRELL 2002).<br />
Entscheidend für den Ausschluss bzw. die Aufnahme der Variablen ist das verwendete<br />
Signifikanzniveau. Da ein konservatives Niveau in der Regel zu besseren Modellen führt<br />
(PEARCE & FERRIER 2000) und um ein mögliches overfitting (zu viele erklärende Variablen)<br />
zu vermeiden, wurde für den Ausschluss von Variablen bei der multiplen Analyse ein<br />
Signifikanzwert von p out = 0,05 angewandt.<br />
Durch dieses Verfahren werden diejenigen Variablen mit den höchsten Erklärungsgehalten<br />
herausgefiltert. Die Art des Zusammenhanges mit dem Vorkommen der Art lässt sich<br />
anhand des Regressionskoeffizienten β interpretieren: Positive Werte weisen darauf hin,<br />
dass höhere Werte des entsprechenden Parameters zu höheren Vorkommenswahrscheinlichkeiten<br />
führen. Für negative Werte gilt das umgekehrte Verhältnis. Die Werte<br />
der Exposition gingen in transformierter Form (als Sinus und Cosinusfunktion des<br />
Bogenmaß) in den Modellierungsprozess ein, da die ursprüngliche Skalierung bei der<br />
Berechnung zu Artefakten geführt hätte. Einige Variablen mit unimodalem Kurvenverlauf<br />
wiesen am unteren Ende der Skala Werte < 0 auf. Um Vorzeichenfehler bei der<br />
Potenzierung zu vermeiden, wurde in diesen Fällen die Differenz zu Null vor dem<br />
quadrieren addiert.<br />
4.4.2 Variablenwahl<br />
Das Ziel der statistischen Auswertung ist die Erstellung eines Modells mit hohem<br />
Erklärungsgehalt bei gleichzeitig geringer Komplexität. Daher bietet sich vor der<br />
eigentlichen Modellierung eine Vorauswahl aussagekräftiger Variablen an (HOSMER &<br />
LEMESHOW 2000). Erste Hinweise auf Art und Intensität der Zusammenhänge lassen sich<br />
aus Streudiagrammen ablesen. Dabei werden die beobachteten Vorkommen gegen die<br />
Variable aufgetragen und eine Trendlinie (lowess-plot) durch die Punkte gelegt. Weist die<br />
Trendlinie dabei einen unimodalen Zusammenhang auf, sollte auch die quadrierte Variable<br />
in das Modell eingehen.<br />
Nach dieser visuellen Inspektion wurden für alle Variablen zunächst univariate Modelle<br />
erstellt und mit Hilfe des LR-Tests auf Signifikanz getestet. Aufgrund der großen Anzahl<br />
eingehender Variablen, wurden nur solche mit p < 0,05 für die weitere Modellierung<br />
verwendet. HOSMER & LEMESHOW (2000) schlagen zwar 0,25 vor, doch PEARCE &<br />
FERRIER (2000) erreichten mit konservativeren Signifikanzniveaus bessere und robustere<br />
Modelle.
4 Methoden 22<br />
Die so verbleibenden Modelle wurden anschließend untereinander auf Kolinearität<br />
untersucht. Korrelationen unter unabhängigen Variablen können zwar ökologisch<br />
durchaus begründet sein (z.B. abnehmende Temperatur mit steigender Höhe), führen aber<br />
zu teilweise sehr hohen Koeffizienten und Standardfehlern (NETER et al. 1989). Für alle<br />
Variablen ermittelte ich daher den beidseitigen Rangkorrelationskoeffizienten nach<br />
Spearman (r s ). Als Grenzwert, ab welchem nur eine von zwei korrelierten Variablen<br />
verwendet werden sollte, wurde r s = 0,5 festgelegt. Dies ist gegenüber den von FIELDING<br />
& HAWORTH (1995) verwendeten Werten sehr streng, aber aufgrund der Vielzahl an<br />
Ausgangsvariablen sinnvoll. Von den so ermittelten korrelierten Variablen wählte ich zur<br />
Modellierung diejenige mit dem höheren Erklärungsgehalt oder die ökologisch besser<br />
interpretierbare aus. Teilweise wurden korrelierte Variablen auch in separaten Modellen<br />
weiterverwendet. Abschließend fand eine ökologische Plausibilitätsprüfung statt. Zwar<br />
sind bei korrelativen Methoden wie der logistischen Regression rein korrelative von<br />
kausalen Zusammenhängen schwer zu trennen (MORRISON et al. 1998), durch den<br />
Vergleich mit vorhandenem Wissen zur Ökologie der Art ist aber eine Einordnung des<br />
gefundenen Zusammenhangs möglich (KLEYER et al. 1999). Eine absolute Sicherheit, keine<br />
Scheinzusammenhänge zu berücksichtigen, bietet dieses Vorgehen jedoch nicht: Bei einem<br />
Signifikanzniveau von α = 0,05 zeigen im Mittel 5% aller Variablen einen signifikanten<br />
Zusammenhang mit der Zielvariablen, der in der Realität nicht vorhanden ist (REINEKING<br />
& SCHRÖDER 2004b).<br />
4.4.3 Modellbildung<br />
Aus dem so erhaltenen Variablenkatalog wurden mehrere Modellvarianten erstellt. Um aus<br />
diesen Varianten dasjenige Modell mit dem besten Kompromiss zwischen möglichst<br />
hohem Erklärungsgehalt und Parameterzahl (möglichst geringe Komplexität) auszuwählen,<br />
wendete ich das Akaike Information Criterion (AIC) an. Dabei wird den LogLikelihood-<br />
Werten der Modelle mit zunehmender Anzahl an Eingangsvariablen ein zunehmender<br />
Strafterm zugewiesen (Gl 2). Als Endmodell findet daher dasjenige mit dem niedrigsten<br />
AIC-Wert Verwendung (BUCKLAND et al. 1997, AUGUSTIN et al. 2001).<br />
Für kleine Stichproben (in meinem Fall das Regionalmodell) schlagen REINEKING &<br />
SCHRÖDER (2004b) einen modifizierten AIC C vor, bei welchem die Anzahl der<br />
Probepunkte berücksichtigt wird (Gl. 3).<br />
AIC = −2 LL + 2 p<br />
(2)<br />
( p + 1)<br />
p<br />
AIC<br />
C<br />
= AIC + 2<br />
(3)<br />
n − p −1<br />
mit<br />
p = Anzahl Regressionskoeffizienten + Konstanten (= 1) + Varianzparameter (= 1)<br />
n = Anzahl der Beobachtungen<br />
2LL = 2 * LogLokelihood
4 Methoden 23<br />
4.4.4 Modellbewertung<br />
Wie gut ein Modell die abhängige Variable erklärt, kann mit verschiedenen Gütekriterien<br />
bewertet werden. Es sollten mehrere Kriterien angewandt werden und sowohl eine<br />
Modellkalibrierung (Beurteilung der Übereinstimmungen zwischen beobachteten und<br />
vorhergesagten Werten), als auch eine Modelldiskriminierung (Prüfung auf korrekte<br />
Einzefallzuordnung der Vorkommen bzw. Nichtvorkommen) stattfinden (MANEL et al.<br />
1999, HOSMER & LEMESHOW 2000). Ein gebräuchliches Gütemaß zur<br />
Modellkalibrierung ist das R 2 nach NAGELKERKE (R 2 N). Es berechnet sich aus den<br />
Likelihood-Werten von Nullmodell, Modell und der Fallzahl (BACKHAUS et al. 2000). Der<br />
Wertebereich für R 2 N liegt zwischen 0 und 1. Je höher R 2 N, desto stärker die Trennkraft der<br />
unabhängigen Variablen, wobei in der Regel bereits bei Werten im Bereich von 0,2-0,4 von<br />
einer guten Modellanpassung gesprochen wird (BACKHAUS et al. 2000). Auf der Ebene<br />
univariater Modelle erlaubt dieses Kriterium einen Vergleich der Erklärungsgehalte von<br />
Variablen.<br />
Schwellenwertabhängige Verfahren zur Modelldiskriminierung unterteilen die<br />
vorhergesagten Vorkommenswahrscheinlichkeiten in Vorkommen und Nichtvorkommen.<br />
In einer Klassifikationsmatrix lassen sich die so prognostizierten Vorkommen bzw.<br />
Nichtvorkommen den tatsächlich beobachteten Werten gegenüberstellen. Das am<br />
einfachsten aus dieser Matrix zu berechnende Maß ist der Anteil korrekter Prognosen.<br />
Nach MANEL et al. (2001) ist es allerdings ungeeignet, da es stark vom Anteil der<br />
Vorkommen (Prävalenz) abhängt. Bei Datensätzen mit hoher bzw. niedriger Prävalenz<br />
können leicht hohe Anteile korrekter Prognosen erhalten werden, indem einfach allen<br />
Fällen ein Vorkommen bzw. Nichtvorkommen zugewiesen wird (Nullmodell). Diese<br />
Gefahr besteht bei den vorliegenden Daten im Falle des Atlasmodells. Bei ausgeglichenen<br />
Datensätzen (in etwa gleichviele Vorkommen wie Nichtvorkommen) stellt sich dieses<br />
Problem weniger. Dennoch ist die Angabe des Anteils korrekter Prognosen nicht<br />
unbedingt sinnvoll, da sie stark vom gewählten Klassifikationsschwellenwert abhängt (s.u.).<br />
Der Vorteil dieser Methode liegt in der einfachen und einleuchtenden Interpretation, der<br />
Anteil korrekter Prognosen wird daher zusammen mit der Unterteilung in korrekte<br />
Vorkommensprognosen (Sensitivität) und korrekte Nichtvorkommensprognosen<br />
(Spezifizität) für die Regionalmodelle angegeben.<br />
Ein Maß welches die Prävalenz mit einbezieht und daher hier Verwendung findet, ist der<br />
Konkordanzindex Kappa nach COHEN (1960). Zur Berechnung wird, ebenfalls aus der<br />
Klassifikationsmatrix, die Anzahl korrekter Prognosen (= Konkordanz) mit der Anzahl<br />
übereinstimmender Zuordnungen in Beziehung gesetzt, welche rein zufällig zu erwarten<br />
gewesen wären (BORTZ et al. 2000). Kappa nimmt Werte zwischen –1 und +1 an. Ab 0,4<br />
ist von einer deutlichen und ab 0,6 von einer starken Konkordanz auszugehen (SACHS<br />
1999).<br />
Die Anteile korrekter Vorhersagen hängen stark vom Schwellenwert (P krit , auch cut-value)<br />
ab. Für jeden Schwellenwert zwischen 0 und 1 ergibt sich eine spezifische Kombination aus
4 Methoden 24<br />
Sensitivität und Spezifizität. Je nach Fragestellung gibt es verschiedene Möglichkeiten den<br />
Schwellenwert..festzulegen.<br />
- a priori Festlegung eines Schwellenwertes, z.B. 0,5 (P krit )<br />
- Vorkommenswahrscheinlichkeit bei der Sensitivität und Spezifizität möglichst<br />
gleich groß sind (P fair )<br />
- Vorkommenswahrscheinlichkeit bei welcher der Anteil korrekter Prognosen am<br />
höchsten ist (P opt )<br />
- Vorkommenswahrscheinlichkeit bei der Kappa am größten ist (P kappa )<br />
Da sich die a-priori Methode und P opt nicht für Datensätze mit niedriger oder hoher<br />
Prävalenz eignen, wurde für alle Modelle P kappa verwendet. Die Berechnung wurde mit dem<br />
Programm „ROC Plotting and AUC Calculation“ (Version 1.3) von SCHRÖDER (2004)<br />
vorgenommen. In der Habitateignungskarte werden darüber hinaus auch<br />
Vorkommensprognosen auf Basis der Schwellenwerte P fair und P krit = 0,5 sichtbar. Nach<br />
REINEKING & SCHRÖDER (2004a) stellt letzterer eine objektive Vergleichsmöglichkeit dar<br />
und sollte neben anderen, möglicherweise besser angepassten Schwellenwerten angegeben<br />
werden. Aus diesem Grund erfolgt auch die Angabe der korrekten Prognosen im Falle des<br />
Regionalmodells auf Basis des Schwellenwertes P krit = 0,5.<br />
Ein von vielen Autoren empfohlenes schwellenwertunabhängiges (und damit für den<br />
Vergleich von unterschiedlich erstellten Modellen geeignetes) Gütemaß stellt die Fläche<br />
unter der receiver-operating characteristic-Kurve (ROC) dar (HOSMER & LEMESHOW 2000,<br />
SCHRÖDER 2000, MANEL et al. 2001). Sie wird als area under curve (AUC) bezeichnet<br />
(HANLEY & MCNEIL 1982) und stellt ein integrierendes Gütemaß für die Eignung des<br />
Modells zur Klassifizierung dar. ROC-Kurven ergeben sich in einem Streudiagramm durch<br />
Auftragen aller möglichen Trennwerte der Sensitivität gegen 1 - Spezifizität. Der AUC-<br />
Wert ist besser, je näher er an 1 liegt: 0,5 ist der Wert für ein Null- oder Zufallsmodell.<br />
Werte über 0,7 weisen eine akzeptable, Werte zwischen 0,8 und 0,9 eine gute und Werte<br />
über 0,9 eine hervorragende Modelldiskriminierung aus (HOSMER & LEMESHOW 2000). Ein<br />
Wert von AUC = 0,75 bedeutet, dass in 75% der Fälle für eine zufällig gewählte<br />
Probefläche mit nachgewiesenem Vorkommen eine größere Vorkommenswahrscheinlichkeit<br />
geschätzt wurde, als für eine zufällig gewählte Fläche mit Nichtvorkommen (FIELDING<br />
& BELL 1997).<br />
4.4.5 Modellvalidierung<br />
Die bisher beschriebenen Bewertungskriterien legen zur Beurteilung der Modellgüte nur<br />
den Datensatz zugrunde, aus dem auch das Modell errechnet wurde. Sie werden also auf<br />
der Basis derjenigen Daten bestimmt, an die das Modell optimal angepasst ist. Neben der<br />
Qualität des Modells kann dadurch vor allem die Übertragbarkeit und Vorhersagequalität<br />
überschätzt werden (VERBYLA & LITATIS 1989). Für alle Modelle wurde daher eine interne<br />
Validierung durchgeführt. Das bootstrapping-Verfahren eignet sich dazu am besten<br />
(VERBYLA & LITATIS 1989). Dabei werden durch Ziehen mit Zurücklegen aus dem
4 Methoden 25<br />
vorhandenen Datensatz zufällig so viele Fälle herausgegriffen, bis ein neuer Datensatz<br />
entstanden ist, der die gleiche Fallzahl wie der ursprüngliche aufweist (Trainingsdatensatz).<br />
Darin können einzelne Fälle mehrfach oder gar nicht enthalten sein. Der Originaldatensatz<br />
dient als Testdatensatz. Die Differenz zwischen der Vorhersagegüte auf Basis von<br />
Trainings- und Testdatensatz ist dann eine Schätzung für den Optimismus des Modells (je<br />
geringer die Differenz, desto robuster sind die Modelle). Dieser Vorgang wird mehrfach<br />
wiederholt, in der vorliegenden Arbeit 300 mal. Dabei werden Durchschnittswerte aller<br />
Gütekriterien berechnet. Der so ermittelte durchschnittliche Optimismus wurde dann von<br />
den Werten des Ursprungsmodells abgezogen und so die Überanpassung korrigiert<br />
(SCHRÖDER & REINEKING 2004b). Zum bootstrapping wurde das Programm R (Version<br />
1.8.1, http://www.r-project.org/) verwendet. Zur Ermittlung der korrigierten Werte für<br />
AUC und R 2 gingen die Variablen aus den in SPSS errechneten Endmodellen ein.<br />
4.4.6 Trendoberflächen - Analyse<br />
Zur Ermittlung jenes Erklärungsgehaltes, welcher alleine durch die Anordnung der<br />
Probeflächen im Raum bedingt ist, wurde zunächst wie in SCHRÖDER (2000) und<br />
LICHSTEIN et al. (2002) vorgegangen. Eine Trendoberfläche wird mittels logistischer<br />
Regression (rückwärts schrittweise) erstellt (Trendmodell). Dabei dienen die<br />
Vogelvorkommen als abhängige Variable und die z-standardisierten Koordinaten (sowie<br />
ihre zweite und dritte Potenz und entsprechende Interaktionsterme) als unabhängige<br />
Variablen. Auf diese Weise werden Trendmodelle 2. oder 3. Grades geschätzt. Dann wird<br />
ein weiteres Modell erstellt, das in gleicher Weise Polynome der Koordinaten als auch die<br />
Umweltvariablen einbezieht (Trendumweltmodell).<br />
Tab. 5: Ermittlung der Erklärungsanteile an der Varianz der abhängigen Variable nach<br />
BORCARD (1992).<br />
Erklärungsanteil<br />
Durch räumliche Verteilung<br />
Durch Umweltparameter<br />
Durch Umweltparameter oder<br />
räumliche Verteilung<br />
unerklärt<br />
Berechnung<br />
R 2 N-Trendumweltmodell - R 2 N-Umweltmodell<br />
R 2 N-Trendumweltmodell - R 2 N-Trendmodell<br />
R 2 N-Trendmodell + R 2 N-Umweltmodell - R 2 N-Trendumweltmodell<br />
1 - R 2 N-Trendumweltmodell<br />
Nimmt man nun noch die multiplen Modelle, die allein auf Basis der Umweltvariabeln<br />
berechnet wurden hinzu (Umweltmodelle), so lässt sich nach BORCARD et al. (1992) aus<br />
den jeweiligen Werten für R 2 N der prozentuale Erklärungsanteil berechnen, welcher durch<br />
die räumliche Verteilung bestimmt wird (siehe auch LICHSTEIN et al. 2002). Als<br />
„Erklärungsanteil“ betrachtet wird dabei der Anteil der Varianz der abhängigen Variable y,<br />
der durch die räumliche Verteilung repräsentiert wird. In Tabelle 5 ist die Berechnung der<br />
einzelnen Erklärungsanteile dargestellt.
4 Methoden 26<br />
4.4.7 Problem der räumlichen Autokorrelation<br />
Ein grundsätzliches Problem räumlicher Daten ist die positive räumliche Autokorrelation<br />
der abhängigen Variable. In der nahen Umgebung eines Vorkommens einer Art ist<br />
demnach die Wahrscheinlichkeit weiterer Vorkommen erhöht (SMITH 1994). In diesem Fall<br />
liegt eine Verletzung der Modellannahme der Unabhängigkeit der Probepunkte vor<br />
(LEGENDRE 1993). Die Missachtung der räumlichen Autokorrelation kann zu falschen<br />
Rückschlüssen über ökologische Zusammenhänge und zu übertrieben hohen<br />
Korrelationen der Umweltparameter untereinander führen (LICHSTEIN et al. 2002). In der<br />
vorliegenden Arbeit versuche ich, den Einfluss der räumlichen Autokorrelation<br />
festzustellen. Dazu habe ich mit dem Programm CrimeStat © (Version 1.1, LEVINE 2000)<br />
unter Verwendung der Koordinaten der Probepunkte und der standardisierten<br />
Abweichungsresiduen des jeweiligen Modells den Wert für Moran´s I als Maß für die<br />
räumliche Autokorrelation in den Modellresiduen berechnet (Gl. 4). Dabei wird zunächst<br />
der Mittelwert der zu untersuchenden Variablen und die Abweichung jedes Probepunktes<br />
von diesem Mittel errechnet. Darauf folgt für jeden einzelnen Probepunkt ein Vergleich<br />
mit den Werten der jeweils übrigen Punkte.<br />
I<br />
N ∑i<br />
∑<br />
j<br />
Wij<br />
( X<br />
i<br />
− X )( X<br />
j<br />
− X )<br />
=<br />
2<br />
(4)<br />
( ∑ ∑ W ) ∑ ( X − X )<br />
i<br />
j<br />
ij<br />
i<br />
i<br />
mit<br />
N<br />
X<br />
i<br />
j<br />
= Anzahl der Fälle<br />
= Wert von X am Ort i<br />
X = Wert von X am Ort j (i ≠ j )<br />
X<br />
X<br />
= Wert des Residuums (d.h. vorhergesagte Vorkommenswahrscheinlichkeit – beobachtete<br />
Inzidenz)<br />
= Mittelwert aller Residuen<br />
W = Gewichtung, resultierend aus der Entfernung zwischen i und j (1/ Distanz zwischen Punkt i und j )<br />
ij<br />
Die Werte liegen zwischen –1,0 und +1,0. Ob die räumliche Autokorrelation positiv oder<br />
negativ ist, lässt sich anhand des Erwartungswertes bei Nichtvorhandensein von räumlicher<br />
Autokorrelation E (I) erkennen (Gl. 5).<br />
1<br />
E ( I)<br />
= −<br />
(5)<br />
N −1<br />
Werte für I, die größer sind als E (I) zeigen positive räumliche Autokorrelation an, Werte<br />
unterhalb des Erwartungswertes bedeuten, dass sich die nahgelegenen Punkte unähnlicher<br />
sind, was ebenfalls eine Verletzung der Modellannahmen bedeutet.<br />
Die Gewichtung anhand W unter Verwendung des reziproken Wertes der Distanz<br />
ij<br />
zwischen den Punkten i und j führt bei sehr geringen Abständen der Probepunkte zu sehr<br />
hohen Werten. Daher bietet das Programm CrimeStat<br />
© die Möglichkeit einer
4 Methoden 27<br />
entsprechenden Anpassung (small distances adjustment). In diesem Fall liegt der<br />
Maximumwert von W nie über eins (LEVINE 2000). Diese Methode verwendete ich im<br />
ij<br />
Falle des Regionalmodells.<br />
Neben dem Wert von I wird auch die Signifikanz, genauer das Quantil der<br />
Standardnormalverteilung (Z-Wert) berechnet. Geht man bei einem Signifikanzniveau von<br />
α = 0,05 von einer Standard-Normalverteilung aus (Mittelwert = 0, Standardabweichung<br />
= 1), so ist bei Z-Werten > 1,96 von räumlicher Autokorrelation auszugehen. In diesem<br />
Fall kann ein Vergleich der Regressionskoeffizienten zwischen Umweltmodell und<br />
Trendumweltmodell Hinweise darauf liefern, welchen Einfluss die räumliche<br />
Autokorrelation auf das multiple Modell ausübt.
5 Ergebnisse 28<br />
5 Ergebnisse<br />
5.1 Atlasmodell<br />
5.1.1 Univariate Modelle<br />
Die univariate Analyse der Daten ergab in den meisten Fällen signifikante Unterschiede<br />
bezüglich der Ausprägung der Habitatparameter zwischen den vom Steinhuhn genutzten<br />
Kilometerquadraten (n = 122) und denjenigen ohne Vorkommen (n = 1365).<br />
Aufgrund der Vielzahl der untersuchten Parameter (n = 32) wählte ich zwei Kriterien, die<br />
zum Ausschluss von Variablen bei der weiteren Modellierung führten. Variablen mit<br />
Signifikanzen von p > 0,05 (jeweils sigmoid und unimodal getestet) oder mit<br />
AUC-Werten < 0,6 wurden bei der multiplen Analyse nicht weiter berücksichtigt. HOSMER<br />
& LEMESHOW (2000) sprechen erst bei AUC-Werten ab 0,7 von Modellen mit ausreichend<br />
guter Diskriminierung. Bis auf die Variable Neigung weisen aber alle Parameter mit Werten<br />
> 0,7 starke Korrelationen auf. Für ein Modell mit maximalem Informationsgewinn wird<br />
daher ein Modellblock unter Berücksichtigung der Variablen mit AUC-Werten zwischen<br />
0,6 und 0,7 erstellt. Ein weiteres Ausschlusskriterium war die starke Korrelation (r s > 0,5)<br />
zwischen zahlreichen Habitatparametern. Die Entscheidung für eine der korrelierten<br />
Variablen fiel aufgrund ökologischer Überlegungen und/oder dem Gütemaß R 2 N. Die auf<br />
diese Weise ausgeschlossenen Variablen sind in Tabelle 6 dargestellt, die Modelle und<br />
Rangkorrelationskoeffizienten sind Anhang 2.1 zu entnehmen.<br />
Tab. 6: Aus weiterem Modellierungsprozess ausgeschlossene Habitatparameter.<br />
Variable<br />
Grund des Ausschlusses<br />
Klima<br />
Bewölkungsgrad im Juli<br />
korreliert<br />
Niederschlagssumme im Juli<br />
korreliert<br />
Geostatistik<br />
Mittlere Höhe<br />
korreliert<br />
Höhendifferenz<br />
korreliert<br />
Sinusfunktion der Exposition AUC-Wert
5 Ergebnisse 29<br />
von anderen Variablen korrelieren, würde ein „korrelationsbereinigter“ Variablenkatalog zu<br />
hohen Informationsverlusten führen. Daher erstellte ich mittels teilweise manueller Selektion<br />
unkorrelierte Variablenkombinationen.<br />
Tab. 7: Korrelationen unter den bei der multiplen Analyse berücksichtigten Variablen<br />
(Bivariate Rangkorrelationskoeffizienten nach Spearman). Zu den Bezeichnungen der<br />
Variablen siehe Tab. 1.<br />
TEMPJUL RADJUL DEGDAYS N1 N11 N14 N15 ST 9 ST 15<br />
TEMPJUL -0,643 0,977 0,519 -0,756 -0,557 -0,588 -0,416 0,690<br />
RADJUL -0,643 -0,630 -0,317 0,562 0,303 0,258 0,300 -0,508<br />
DEGDAYS 0,977 -0,630 0,503 -0,729 -0,561 -0,595 -0,408 0,682<br />
N1 0,519 -0,317 0,503 -0,471 -0,415 -0,406 -0,291 0,473<br />
N11 -0,756 0,562 -0,729 -0,471 0,421 0,460 0,335 -0,576<br />
N14 -0,557 0,303 -0,561 -0,415 0,421 0,642 0,519 -0,459<br />
N15 -0,588 0,258 -0,595 -0,406 0,460 0,642 0,437 -0,452<br />
ST 9 -0,416 0,300 -0,408 -0,291 0,335 0,519 0,437 -0,394<br />
ST 15 0,690 -0,508 0,682 0,473 -0,576 -0,459 -0,452 -0,394<br />
Sämtliche Korrelationen sind auf dem Niveau von p < 0,01 signifikant<br />
grau hinterlegt = aufgrund starker Korrelation sollte nur eine Variable in multiplen Modellen verwendet werden<br />
In einigen multiplen Modellen wurden verhältnismäßig schwach korrelierende<br />
(r s zwischen 0,5 und 0,7) Parameter in einem Modell verwendet, in diesem Fall sind die<br />
Ergebnisse mit Vorbehalt zu bewerten. Für die weitere Analyse wurden so 17 Variablen<br />
ermittelt (Tab. 8).<br />
Tab. 8: Univariate Analyse der bei der weiteren Modellierung berücksichtigten Variablen.<br />
Dargestellt werden Angaben zum Kurvenverlauf (Potenz 1 = sigmoid; Potenz 2 = unimodal),<br />
die Signifikanz des Modells und Gütemaße.<br />
Variable Potenz p R 2 N AUC<br />
Klima<br />
Julitemperatur 2
5 Ergebnisse 30<br />
Angaben zur Wirkrichtung (positive, negative oder unimodale Korrelation mit dem<br />
Vorkommen des Steinhuhns) und zum Wertebereich sind in den Tabellen 9-11 dargestellt, die<br />
Zusammenhänge werden in den Abb. 10-12 und in Anhang 2.6 graphisch veranschaulicht.<br />
Alle Variablen, die später in der multiplen Analyse berücksichtigt werden, weisen einen<br />
hochsignifikanten Zusammenhang mit dem Vorkommen des Steinhuhns auf. Die<br />
Erklärungsgehalte der einzelnen Variablen sind allerdings unterschiedlich. So scheint das<br />
Vorhandensein von höheren Gebüschen auf dem Skalenniveau des Atlasmodells nur einen<br />
vergleichsweise geringen Einfluss auf das Vorkommen des Steinhuhns zu haben (R 2 N = 0,03).<br />
Den höchsten Erklärungsgehalt (R 2 N = 0,19) weist demnach der Anteil der „Unproduktiven<br />
Vegetation“ nach der Definition des BFS (2001) auf.<br />
Sämtliche klimatischen Parameter gehören zu den Variablen mit den höchsten<br />
Erklärungsgehalten. Mit einem R 2 N von 0,12 wird die Julitemperatur als wichtigster<br />
klimatischer Habitatparameter bestimmt. Demnach wirkt sich eine mittlere Temperatur von<br />
etwa 10° C am günstigsten auf die Vorkommenswahrscheinlichkeit aus (Abb. 10). Ebenfalls<br />
einen unimodalen Kurvenverlauf und einen annähernd gleich hohen R 2 N –Wert weist die sehr<br />
stark mit der Julitemperatur korrelierte Variable „Wärmesumme“ auf.<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
Julitemperatur (°C)<br />
4 8 12 16 20<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
Sonneneinstrahlung im Juli<br />
(100*kJoule/m2)<br />
0<br />
2000 4000 6000 8000 10000<br />
Wärmesumme (°C)<br />
Wasserbilanz (mm)<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
0 600 1200 1800 2400<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
-40 20 80 140 200<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
Neigung (in Neugrad-Klassen)<br />
0 4.5 9 13.5 18<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
Cosinus Exposition<br />
-1 -0.5 0 0.5 1<br />
S<br />
N<br />
Abb. 10: Univariate Modelle zu Klima und Geostatistik. Auf der X-Achse der Wertebereich<br />
der Variablen, Skalierung in Klammern hinter dem Diagrammtitel. Auf der y-Achse die<br />
Vorkommenswahrscheinlichkeiten. X = Beobachtete Werte, mindestens 12 Werte gemittelt.
5 Ergebnisse 31<br />
Die „Sonneneinstrahlung im Juli“ ist als einzige Klimavariable ausschließlich positiv mit<br />
dem Steinhuhnvorkommen korreliert. Zwar liegt das Maximum in den Kilometerquadraten<br />
mit Präsenz des Steinhuhns ähnlich hoch wie in denjenigen mit Absenz (vgl. Tab. 9), die<br />
Minimumwerte und auch der Medianwert sind in den besetzten Rasterzellen aber deutlich<br />
höher (siehe auch Boxplot-Diagramm in Anhang 2.6). Mit dem gleichen R 2 N-Wert wie die<br />
Sonneneinstrahlung zeigt die Variable „Wasserbilanz“ ebenfalls den Verlauf einer<br />
Glockenkurve mit einem Optimum bei etwa 60 mm.<br />
Tab. 9: Univariate Analyse der Präsenz-Absenz-Daten. Angegeben sind Median,<br />
Schwankungsbereich und Wirkrichtung der Habitatparameter zu Klima und Geostatistik.<br />
Zu den Bezeichnungen der Variablen siehe Tab. 1.<br />
Variable Einheit Präsenz Absenz Wirkrichtung<br />
Median min max Median min max<br />
tempjul ° C 11,30 6,78 16,91 13,55 5,47 21,79 + -<br />
radjul 100*kJoule/m 2 8274 3440 9571 6956 1350 9592 +<br />
degdays ° C 1180 375 2422 1632 219 3679 +-<br />
wbudjuly mm 67 -13 124 84 -31 210 +-<br />
neigst Neugradklassen 10 0 17 7 0 17 +<br />
cos_exp<br />
cosinus des<br />
Bogenmaß -0,71 -1 1 0,00 -1 1 +-<br />
+ je größer, desto höher Vorkommenswahrscheinlichkeit<br />
+- unimodaler Kurvenverlauf<br />
Von den beiden Parametern aus dem Bereich der Geostatistik weist die Neigung den<br />
höheren Erklärungsgehalt auf: Je steiler, desto günstiger für das Steinhuhn. Die maximal<br />
beobachtete Steigung lag allerdings bei Neigungsstufe 17 (72 bis 76,4°, siehe auch Boxplot-<br />
Diagramm in Anhang 2.6). Für die Exposition ergeben sich insgesamt wesentlich geringere<br />
Vorkommenswahrscheinlichkeiten. Es lässt sich aber eine eindeutige Bevorzugung von<br />
südlich ausgerichteten Flächen erkennen (Tab. 9, Abb. 10).<br />
Den mit Abstand höchsten Erklärungsgehalt unter allen univariaten Modellen macht der<br />
Flächenanteil der Rasterzelle aus, welcher die Nutzungsart „Unproduktive Vegetation“<br />
aufweist (R 2 N = 0,19). Dem entspricht auch der höchste Regressionskoeffizient unter allen<br />
Nutzungsvariablen (Anh. 2.3). Bis zu einem Anteil von gut 40% steigt die<br />
Vorkommenswahrscheinlichkeit, eine noch höhere Abdeckung durch diesen Nutzungstyp<br />
verbessert die Vorkommenschancen nicht (Abb. 10). Alle weiteren Nutzungsarten weisen<br />
R 2 N-Werte kleiner 0,1 auf. Der Nutzungstyp „Geschlossener Wald“ zeigt dabei als einziger<br />
einen sigmoiden Kurvenverlauf, der Zusammenhang mit dem Vorkommen des Steinhuhns<br />
ist negativ (siehe auch Boxplot-Diagramme in Anhang 2.6). Von den unimodal<br />
verlaufenden Nutzungsvariablen weisen die „Alpweiden“ den zweithöchsten R 2 N-Wert<br />
dieser Gruppe auf, das Optimum liegt bei knapp 50% Anteil dieses Typs an der<br />
Rasterfläche. Einen ähnlichen Kurvenverlauf (und auch ähnliche Regressionskoeffizienten,<br />
siehe Anh. 2.3) zeigen die drei Nutzungstypen „Aufgelöster Wald“, „Gebüschwald“ und<br />
„Vegetationslose Flächen“: Flächenanteile bis etwas über 20% sind mit dem Vorkommen<br />
des Steinhuhns positiv korreliert.
5 Ergebnisse 32<br />
Tab. 10: Univariate Analyse der Präsenz-Absenz-Daten. Angegeben sind Median,<br />
Schwankungsbereich und Wirkrichtung der Habitatparameter zur Nutzung (Alle Angaben<br />
als Flächenanteil der Rasterzelle in %).<br />
Nutzungstyp Präsenz Absenz Wirkrichtung<br />
Median min max Median min max<br />
Geschlossener Wald 6,5 0 79 20 0 96 -<br />
Aufgelöster Wald 4 0 40 1 0 53 +-<br />
Gebüschwald 1 0 49 0 0 50 +-<br />
Alpweiden 32 0 94 9 0 100 +-<br />
Unproduktive Vegetation 14 1 67 2 0 83 +-<br />
Vegetationslose Flächen 4 0 53 0 0 80 +-<br />
- je kleiner, desto höher Vorkommenswahrscheinlichkeit<br />
+- unimodaler Kurvenverlauf<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
Geschlossener Wald (%)<br />
0 25 50 75 100<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
Aufgelöster Wald (%)<br />
0<br />
0 15 30 45 60<br />
Gebüschwald (%)<br />
Alpweiden (%)<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
0 15 30 45 60<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
0 25 50 75 100<br />
Unproduktive Vegetation (%)<br />
Vegetationslose Flächen (%)<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
0 20 40 60 80<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
0 15 30 45 60<br />
Abb. 11: Univariate Modelle zur Landnutzung. Auf der X-Achse der Wertebereich der<br />
Variablen, Skalierung: Flächenanteil der Rasterzelle in %. Auf der y-Achse die<br />
Vorkommenswahrscheinlichkeiten. X = Beobachtete Werte, mindestens 12 Werte<br />
gemittelt.<br />
Die Erklärungsgehalte innerhalb der Parameter zur Vegetation sind sehr unterschiedlich.<br />
Einen vergleichsweise hohen Einfluss (R 2 N = 0,12) übt das Vorhandensein des Strukturtyps<br />
„Zwergsträucher und niedriges Gebüsch“ aus. Wie in Abb. 12 zu sehen, ist ein<br />
Flächenanteil von 25% am günstigsten für das Vorkommen des Steinhuhns. Der
5 Ergebnisse 33<br />
zweithöchste Erklärungsgehalt (R 2 N = 0,08) wird durch den Flächenanteil des Typs „Gras-,<br />
Hochstauden-, Kraut- oder Zwergstrauchreiche Laubwälder“ bestimmt, der<br />
Zusammenhang ist negativ. Dies gilt auch für die Variablen „Gras- und Seggenfluren“ und<br />
„Höhere Gebüsche“ mit deutlich geringeren Werten für R 2 N und den<br />
Regressionskoeffizienten (vgl. Anh. 2.3). Sowohl die maximalen Werte, als auch der Median<br />
des Strukturtyps „Staudenfluren“ liegen in den vom Steinhuhn besetzten Rasterflächen<br />
deutlich höher (Tab. 11), der Zusammenhang ist positiv.<br />
Tab. 11: Univariate Analyse der Präsenz-Absenz-Daten. Angegeben sind Median,<br />
Mittelwert, Schwankungsbereich und Wirkrichtung der Habitatparameter zur Vegetation<br />
(Alle Angaben als Deckungsgrade innerhalb der Rasterzelle).<br />
Strukturtyp Präsenz Absenz Wirkrichtung<br />
Median min max Median min max<br />
|Mittel<br />
|Mittel<br />
Dichte, höhere Gras- und<br />
Seggenfluren 25 | 13 0 25 25 | 20 0 75 -<br />
Staudenfluren (50 – 100 cm) 25 | 18 0 75 0,5 | 12 0 25 +<br />
Zwergsträucher und niedriges<br />
Gebüsch (bis 150 cm) 25 | 21 0 75 0,5 | 10 0 75 +-<br />
Höhere Gebüsche 0 | 3 0 25 0 | 7 0 75 -<br />
Gras-, Hochstauden-, Kraut-,<br />
oder Zwergstrauchreiche Laubw. 0 | 2 0 25 0,5 | 10 0 75 -<br />
+ je größer, desto höher Vorkommenswahrscheinlichkeit<br />
- je kleiner, desto höher Vorkommenswahrscheinlichkeit<br />
+- unimodaler Kurvenverlauf<br />
0.2<br />
ST 7<br />
0.2<br />
ST 8<br />
0.52<br />
0.2<br />
ST 9<br />
0.15<br />
0.15<br />
0.15<br />
0.1<br />
0.1<br />
0.1<br />
0.05<br />
0.05<br />
0.05<br />
0<br />
1 2 3<br />
0<br />
1 2 3<br />
0<br />
1 2 3<br />
0.2<br />
0.15<br />
0.1<br />
0.05<br />
ST 10<br />
0.2<br />
0.15<br />
0.1<br />
0.05<br />
ST 15<br />
Deckungsgrade:<br />
1 = 0,5<br />
2 = 25<br />
3 = 75<br />
0<br />
1 2 3<br />
0<br />
1 2 3<br />
Abb. 12: Univariate Modelle zur Vegetation. Auf der x-Achse Deckungsgrade (siehe<br />
nebenstehend). Auf der y-Achse die Vorkommenswahrscheinlichkeiten. Abkürzungen:<br />
vgl. Tab. 1.<br />
5.1.2 Multiple Modelle<br />
In zwei Modellblöcken werden aus den in Kap. 5.1.1 dargestellten univariat getesteten<br />
Variablen rückwärts schrittweise Modelle geschätzt. Der jeweilige Variablenkatalog wird<br />
durch die AUC-Werte der univariaten Modelle bestimmt. Im ersten Modellblock werden
5 Ergebnisse 34<br />
alle Variablen berücksichtigt, die einen AUC-Wert > 0,6 aufweisen (n = 17), im zweiten<br />
nur diejenigen mit AUC-Werten > 0,7 (n = 8).<br />
Für den größtmöglichen Informationsgewinn erstellte ich zunächst Modellkombinationen<br />
aus allen 17 Variablen, welche sich bei der univariaten Analyse als sinnvoll erwiesen. So<br />
wurde ein Block aus acht unkorrelierten, mit bis zu vier ausgewählten korrelierten<br />
Habitatparametern ergänzt (Tab. 12).<br />
Tab. 12: Modellierungsergebnisse für den Variablenkatalog „AUC > 0,6“. Dargestellt sind<br />
jeweils unkorrelierte Ausgangskombinationen und die davon berücksichtigten Variablen<br />
sowie die Gütemaße der einzelnen Modelle mit AIC-Werten < 650. q = quadrierter Term.<br />
Block: In allen Modellen gleichbleibendes Set der Variablen wbudjuly (+q), neigst,<br />
cos_exp (+q), N2 (+q), N3 (+q), ST 7, ST 8 und ST 10. Zu den Bezeichnungen der<br />
Variablen siehe Tab. 1.<br />
Modell Eingehende<br />
Variablen<br />
A1-1 Block; radjul, N1,<br />
N14+q<br />
A1-2 Block; radjul, N1,<br />
ST 4+q, ST 9+q,<br />
A1-3 Block; tempjul+q,<br />
ST 3, ST 9+q<br />
A1-4 Block; N1, N15+q,<br />
ST 9+q, ST 15<br />
Aufgenommene<br />
Variablen<br />
R 2 N AUC Kappa P Kappa AIC<br />
radjul, q_wbudjuly, neigst,<br />
q_cos_exp, N1, N2, N14+q, ST 8 0,36 0,887 0,36 0,28 613<br />
radjul, q_wbudjuly, neigst,<br />
q_cos_exp, N1, N2, ST 4+q, ST 7, 0,34 0,872 0,35 0,23 630<br />
ST 8<br />
tempjul+q, q_wbudjuly, neigst,<br />
q_cos_exp, ST 7, ST 8, ST 9 0,32 0,860 0,35 0,27 642<br />
wbudjuly, neigst, q_cos_exp,N1, N2,<br />
ST 7, ST 8, ST 15 0,32 0,865 0,34 0,22 641<br />
Korrigierte Werte für A1-1 0,32 0,874 - - -<br />
Sowohl die Modellgütemaße, als auch der AIC-Wert weisen das Modell A1-1 als bestes<br />
dieses Blocks aus. Der R 2 N-Wert hat sich gegenüber dem besten univariaten Modell<br />
annähernd verdoppelt und der AUC von fast 0,9 zeigt eine sehr gute<br />
Modelldiskriminierung an. Durch das bootstrapping werden diese Werte nur geringfügig<br />
korrigiert, es handelt sich also um ein relativ robustes Modell.<br />
Aus dem Variablenkatalog werden in das Modell A1-1 „Sonneneinstrahlung im Juli“,<br />
„Wasserbilanz im Juli“ (nur als quadrierter Term), „Neigungsstufe“, „Exposition“ (nur als<br />
quadrierter Term), die Nutzungstypen „Geschlossener Wald“, „Aufgelöster Wald“ und<br />
„Unproduktive Vegetation“ (letztere auch als quadrierter Term), sowie der Strukturtyp<br />
„Staudenfluren“ aufgenommen. Die drei ausgeschlossenen Variablen „Gebüschwald“<br />
„Seggenfluren“ und „Höhere Gebüsche“ weisen in der univariaten Analyse mit R 2 N –<br />
Werten < 0,06 nur geringe Erklärungsgehalte auf. Wie aus der Übersicht über die<br />
Veränderung der Devianz in Anhang 2.8 ersichtlich, üben die Parameter „Neigung“,<br />
„Unproduktive Vegetation“, „Wasserbilanz“ und „Sonneneinstrahlung im Juli“ den<br />
stärksten Einfluss auf das Vorkommen des Steinhuhns aus. Auch in den anderen Modellen<br />
dieses Blocks wurden vor allem die unkorrelierten Variablen ähnlich gewählt:<br />
„Wasserbilanz im Juli“, „Neigungsstufe“, „Exposition“ und „Staudenfluren“ sind in allen<br />
Modellen vertreten. Diese Variablen zeigen entweder bereits in der univariaten Analyse<br />
einen hohen Erklärungsgehalt oder bedeuten in der Kombination aller Variablen eine<br />
signifikante..Verbesserung.
5 Ergebnisse 35<br />
Beim zweiten Modellblock wurden für den Variablenkatalog schärfere Aufnahmekriterien<br />
angewendet (AUC > 0,7). Dies führt zu „schlankeren“ Modellen, außerdem sprechen<br />
HOSMER & LEMESHOW (2000) erst ab diesem Wert von guten Modellen. Da außer der<br />
Variable „Neigung“ alle Habitatparameter, die diese Vorgabe erfüllen, miteinander<br />
korrelieren, wurden für die Modelle A2-1 bis A2-6 die eingehenden Variablen manuell<br />
selektiert. In den Modellen A2-7 und A2-8 wurden auch Variablen mit einem r S -<br />
Wert bis 0,7 berücksichtigt (Tab. 13).<br />
Tab. 13: Modellierungsergebnisse für den Variablenkatalog „AUC > 0,7“. Dargestellt sind<br />
jeweils unkorrelierte Ausgangskombinationen und die davon berücksichtigten Variablen<br />
sowie die Gütemaße der einzelnen Modelle. q = quadrierter Term. Zu den Bezeichnungen<br />
der Variablen siehe Tab. 1.<br />
Modell Eingehende<br />
Variablen<br />
Aufgenommene<br />
Variablen<br />
R 2 N AUC Kappa P Kappa AIC<br />
A2-1 radjul, neigst, n14+q radjul, neigst, n14+q 0,28 0,852 0,31 0,15 658<br />
A2-2 radjul, neigst, n15+q,<br />
ST 9+q radjul, neigst, ST 9+q 0,24 0,816 0,29 0,21 692<br />
A2-3 tempjul+q, neigst,<br />
ST 9+q<br />
tempjul+q, neigst,<br />
ST 9+q 0,23 0,818 0,27 0,21 696<br />
A2-4 degdays+q, neigst,<br />
ST 9+q<br />
degdays+q, neigst,<br />
ST 9+q 0,23 0,814 0,27 0,21 701<br />
A2-5 neigst, n11+q, n14+q neigst, n11+q, n14+q 0,24 0,830 0,28 0,27 690<br />
A2-6 neigst, n11+q, n15+q,<br />
ST 9+q neigst, n11+q, ST 9+q 0,21 0,801 0,23 0,24 720<br />
A2-7 radjul, neigst, n11+q,<br />
radjul, neigst, n14+q,<br />
n14+q, n15+q, ST 9+q<br />
A2-8 tempjul+q, neigst, n14+q,<br />
n15+q, ST 9+q<br />
ST 9 0,29 0,855 0,32 0,18 680<br />
tempjul+q, neigst, n14+q,<br />
ST 9+q 0,29 0,851 0,31 0,20 698<br />
Korrigierte Werte für A2-1 0,27 0,846 - - -<br />
Den geringsten AIC- Wert dieses Modellblocks weist Modell A2-1 auf. Im Vergleich zu<br />
A1-1 ist die Anzahl der Eingangsvariablen bei A2-1 niedriger (drei statt acht). Durch die<br />
geringere Modellgüte (R 2 N = 0,28 gegenüber 0,36) wird dies aber bei der Berechnung des<br />
AIC kompensiert. Aufgrund der geringeren Korrekturwerte nach Durchführung des<br />
bootstrapping sehe ich Modell A2-1 als Endmodell an. Es werden aber auch Prognosekarten<br />
für ein Modell mit maximalem Informationsgehalt (Modell A1-1) erstellt.<br />
In das Modell A2-1 werden alle eingehenden Variablen aufgenommen. In Abbildung 13 ist<br />
dieses Modell mit den Variablen „Sonneneinstrahlung im Juli“ und „Unproduktive<br />
Vegetation“ dargestellt, der Wert für die „Neigung“ variiert. Dabei wird der relativ<br />
gleichstarke Einfluss aller Variablen (siehe auch Tabelle zur Änderung der Devianz in<br />
Anhang 2.8) erkennbar. Weist auch nur eine der Variablen einen für das Vorkommen des<br />
Steinhuhns ungünstigen Wert auf, so bleibt die Vorkommenswahrscheinlichkeit unterhalb<br />
des Schwellenwertes von p = 0,15.<br />
Aufgrund der geringen Anzahl eingehender Variablen werden in den Modellen A2-1 bis<br />
A2-6 sämtliche Parameter ins Modell aufgenommen. Der Informationsgewinn, welcher<br />
durch die Verwendung korrelierter Variablen erreichbar ist (Modell A2-7 und A2-8), wird<br />
durch den Strafterm bei der Ermittlung des AIC-Wertes ausgeglichen.
5 Ergebnisse 36<br />
Abb. 13: Dreidimensionale Darstellung des Atlasmodells A2-1. Auf der x- und y-Achse<br />
Umweltparameter, z-Achse mit Vorkommenswahrscheinlichkeit. Zu den Bezeichnungen<br />
der Variablen siehe Tab. 1. Werte der nicht dargestellten Neigungsstufe: Stufe 0 = 0,0-4,4°<br />
(links), Stufe 6 = 22,5-26,9° (mitte) und Stufe 13 = 54,0-58,4° (rechts).<br />
5.1.3 Prognosekarten<br />
Anhand der Regressionsformel fand auf Grundlage der Kilometerquadrate eine<br />
Übertragung der Vorkommenswahrscheinlichkeiten auf die gesamte Fläche der Schweiz<br />
statt. Dargestellt werden ein Modell mit maximalem Informationsgewinn und ein Modell<br />
mit dem besten Kompromiss zwischen Erklärungsgehalt und Komplexität. Die<br />
Abbildungen 14 und 15 zeigen jeweils eine Karte, welche mittels des Wertes für P Kappa in<br />
Vorkommen und Nichtvorkommen unterteilt, als auch eine Habitateignungskarte. Bei der<br />
Habitateignungskarte werden ebenfalls mit dem Schwellenwert P kappa die Vorkommen und<br />
Nichtvorkommen jeweils in zwei Klassen unterteilt. Der alternative Trennwert P fair liegt für<br />
beide Modelle zwischen Klasse eins und zwei (P fair = 0,10).<br />
Die Artefakte im südlichen Bereich kommen durch Fehler im Ausgangsdatensatz zustande<br />
und konnten von mir nicht behoben werden. Es handelt sich dabei um fehlende Daten für<br />
die Variable „Neigungsstufe“, welche in beiden Modellen zu den wirkungsstärksten zählt.
5 Ergebnisse 37<br />
Abb. 14: Oben: Prognosekarte für Modell A1-1. Schwellenwert zur Unterteilung in<br />
Vorkommen und Nichtvorkommen ist P kappa (= 0,28) . Gelb = Vorkommen, Grau =<br />
Nichtvorkommen<br />
Unten: Habitateignungskarte (Vorkommenswahrscheinlichkeit in %) für Modell A1-1. Den<br />
Trennwert zwischen den Klassen zwei und drei bildet ebenfalls P kappa (= 0,28) .
5 Ergebnisse 38<br />
N<br />
Abb. 15: Oben: Prognosekarte für Modell A2-1. Schwellenwert zur Unterteilung in<br />
Vorkommen und Nichtvorkommen ist P kappa (= 0,15) . Gelb = Vorkommen, Grau =<br />
Nichtvorkommen<br />
Unten: Habitateignungskarte (Vorkommenswahrscheinlichkeit in %) für Modell A2-1. Den<br />
Trennwert zwischen den Klassen zwei und drei bildet ebenfalls P kappa (= 0,15) .
5 Ergebnisse 39<br />
5.2 Regionalmodell<br />
5.2.1 Univariate Modelle<br />
Auch die univariate Analyse der erfassten Daten zum Regionalmodell ergab in den meisten<br />
Fällen signifikante Unterschiede bezüglich der Ausprägung der Habitatparameter zwischen<br />
den Probeflächen mit Steinhuhnbeobachtungen (n = 42) und denjenigen ohne<br />
Vorkommen (n = 45). Einige Nutzungs- und Strukturtypen kamen nur auf sehr wenigen<br />
Flächen vor, sie wurden nicht weiter bearbeitet.<br />
Ähnlich wie beim Atlasmodell wählte ich auch für das Regionalmodell aufgrund der<br />
Vielzahl untersuchter Parameter (n = 30) drei Kriterien, die zum Ausschluss von<br />
Variablen bei der weiteren Modellierung führten. Variablen mit Signifikanzen von p ><br />
0,05 (jeweils sigmoid und unimodal getestet) und ebenfalls Variablen mit AUC < 0,7<br />
wurden bei der multiplen Analyse nicht weiter berücksichtigt. Das gegenüber dem<br />
Atlasmodell schärfere Ausschlussverfahren ist in diesem Fall möglich, da auch unter den<br />
unkorrelierten Variablen diese Werte teilweise erreicht werden. Aufgrund starker<br />
Korrelation (r S > 0,5; Anh. 2.2) wurden basierend auf ökologischen Überlegungen oder<br />
anhand des Gütemaß R 2 N weitere Variablen ausgeschlossen (Tab. 14).<br />
Tab. 14: Aus weiterem Modellbildungsprozess ausgeschlossene Habitatparameter.<br />
Variable<br />
Grund des Ausschlusses<br />
Geostatistik<br />
Höhe über NN<br />
korreliert<br />
Neigung AUC-Wert
5 Ergebnisse 40<br />
Die bei der multiplen Modellierung aufgenommenen Variablen weisen ebenfalls teilweise<br />
Korrelationen auf (Tab. 15). Wie beim Atlasmodell wurden auch für das Regionalmodell<br />
mittels teilweise manueller Selektion unkorrelierte Variablenkombinationen erstellt.<br />
Tab. 15: Korrelationen unter den bei der multiplen Analyse berücksichtigten Variablen<br />
(Bivariate Rangkorrelationskoeffizienten nach Spearman). Zu den Bezeichnungen der<br />
Variablen siehe Tab. 3.<br />
ST 9 NACH_VEG WS% KS% EINZELB FELS STRUK<br />
ST 9 0,485** -0,285** -0,124 -0,189 0,360** 0,521**<br />
NACH_VEG 0,485** -0,507** 0,087 -0,662** 0,475** 0,467**<br />
WS% -0,285** -0,507** -0,432** 0,764** -0,438** -0,399**<br />
KS% -0,124 0,087 -0,432** -0,530** -0,014 0,029<br />
KR_HE_S -0,150 -0,488** 0,414** 0,005 0,388** -0,241* -0,180<br />
EINZELB -0,189 -0,662** 0,764** -0,530** -0,344** -0,263*<br />
FELS 0,360** 0,475** -0,438** -0,014 -0,344** 0,611**<br />
STRUKTUR 0,521** 0,467** -0,399** 0,029 -0,263* 0,611**<br />
*/** Korrelationen ist auf dem Niveau von p < 0,05/< 0,01 signifikant<br />
grau hinterlegt = aufgrund starker Korrelation sollte nur eine Variable in multiplen Modellen verwendet werden<br />
Für die weitere Analyse wurden zehn Variablen ermittelt (Tab. 16). Angaben zur<br />
Wirkrichtung (positive, negative oder unimodale Korrelation mit dem Vorkommen des<br />
Steinhuhns) und zum Wertebereich sind Tabelle 17 zu entnehmen, die Zusammenhänge<br />
werden in Abbildung 16 und Anhang 2.7 graphisch veranschaulicht.<br />
Tab. 16: Univariate Analyse der bei der weiteren Modellierung berücksichtigten<br />
Variablen. Dargestellt werden Angaben zum Kurvenverlauf (Potenz 1 = sigmoid; Potenz 2<br />
= unimodal), die Signifikanz des Modells und Gütemaße.<br />
Variable Potenz p R 2 N AUC<br />
Geostatstik<br />
Cosinusfunktion Exposition 1
5 Ergebnisse 41<br />
Aus den Bereichen Geostatistik und Nutzung erfüllte jeweils nur eine Variable die<br />
Aufnahmekriterien für die weitere Analyse. Bei der Exposition zeigt sich eine deutliche<br />
Bevorzugung der südlicheren Bereiche (Abb. 16 und Boxplot-Diagramm in Anhang 2.7).<br />
Das Vorkommen des Steinhuhns ist positiv mit der Nutzungsart „Unproduktive<br />
Vegetation“ korreliert (Tab. 17).<br />
Tab. 17: Univariate Analyse der Präsenz-Absenz-Daten. Angegeben sind Median,<br />
Schwankungsbereich und Wirkrichtung der bei der weiteren Modellierung<br />
berücksichtigten Variablen. Zu den Bezeichnungen der Variablen siehe Tab. 3.<br />
Variable Einheit Präsenz Absenz Wirkrichtung<br />
Median min max Median min max<br />
Geostatistik<br />
cos_exp<br />
cosinus des<br />
Bogenmaß -0,92 -1 0,91 0,00 -0,99 0,99 -<br />
Nutzung<br />
N14 vorh./ nicht vorh. ja nein ja nein nein ja +<br />
Vegetation<br />
ST 9 Deckungsgrad 25 0 75 0 0 75 +-<br />
nach_veg Siehe Kap. 4.2.2 2 -2 3 -1 -3 3 +<br />
WS% Deckungsgrad 0 0 3 0 0 95 -<br />
KS% Deckungsgrad 84 20 100 70 0 100 +-<br />
kr_he_s cm 20 8 30 25 0 70 +-<br />
einzelb Anzahl/ ha 0 0 250 75 0 1000 -<br />
Struktur<br />
fels vorh./ nicht vorh. ja nein ja nein nein ja +<br />
struktur Klassen 1-6 4 1 6 2 1 5 +<br />
+ je größer, desto höher Vorkommenswahrscheinlichkeit<br />
- je größer, desto geringer Vorkommenswahrscheinlichkeit<br />
+- unimodaler Kurvenverlauf<br />
Die Ausprägung der Vegetation scheint bei der Frage der Besiedlung durch das Steinhuhn<br />
eine entscheidende Rolle zu spielen. Dies gilt zum einen für die Ausprägung des<br />
Strukturtyps. Optimal scheint dabei der Komplex „Zwergsträucher und niedriges<br />
Gebüsch“ in einer Bedeckung von 75% zu sein (Abb. 16). Einen noch höheren<br />
Erklärungsgehalt (R 2 N = 0,41) weist die Variable „Nachbarvegetation“ auf. Dies deutet<br />
darauf hin, dass nicht nur die Vegetationsausprägung am Beobachtungsort selber wichtig<br />
ist, sondern auch die umgebenden Flächen vorzugsweise einen Strukturtyp aufweisen, der<br />
mit dem Vorkommen des Steinhuhns positiv korreliert ist (vgl. Kap. 4.2.2). Auch der<br />
Deckungsgrad der verschiedenen Vegetationsschichten hat einen Einfluss auf die<br />
Vorkommenswahr-scheinlichkeit der Art (siehe auch Boxplot-Diagramme in Anhang 2.7):<br />
Während sich das Vorhandensein einer Waldschicht eindeutig negativ auswirkt, zeigt das<br />
univariate Modell zur Krautschicht einen vergleichsweise geringeren Einfluss mit einem<br />
optimalen Deckungsgrad von etwa 70%. Den stärksten Zusammenhang (R 2 N = 0,6) mit<br />
dem Vorkommen des Steinhuhns zeigt die „Mittlere Höhe der Krautschicht“.<br />
Probeflächen mit festgestellter Präsenz der Art wiesen Höhen innerhalb des<br />
Schwankungsbereichs von 8 bis 30 cm auf, optimal sind 20 cm (Abb. 16). Der Median der<br />
„Einzelbaumanzahl“ in den Präsenz-Probeflächen liegt bei Null, die Beziehung zum<br />
Vorkommen des Steinhuhns ist negativ (Box-Plots in Anh. 2.7).
5 Ergebnisse 42<br />
Unter den Parametern zur Struktur finden sich unterschiedlich starke Erklärungsgehalte.<br />
Das Vorhandensein von größeren Felsblöcken wirkt sich positiv auf die<br />
Vorkommenswahrscheinlichkeit aus. Einen entscheidenden Einfluss hat mit dem<br />
zweithöchsten Wert für R 2 N (0,42) die Strukturvielfalt des Habitats: Je größer die Vielfalt,<br />
desto günstiger für das Steinhuhn (Abb. 16).<br />
N 14<br />
Fels<br />
ST 9<br />
Nachveg<br />
1<br />
0.8<br />
0. 6<br />
0.4<br />
0. 2<br />
0<br />
0 1<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
0 1<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
1 2 3 4<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
-3 -1 1 3<br />
1<br />
0. 8<br />
0. 6<br />
0. 4<br />
0. 2<br />
0<br />
Struktur<br />
1 2 3 4 5 6<br />
Cosinus Exposition<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
-1.0 0.0 1.0<br />
S<br />
N<br />
N14:<br />
0 = Nutzung „Unproduktive Vegetation“<br />
kommt nicht vor<br />
1 = Nutzung „Unproduktive Vegetation<br />
kommt vor<br />
Fels:<br />
0 = keine großen Felsen vorhanden<br />
1 = große Felsen vorhanden<br />
Wald-Deckung (%)<br />
1<br />
0. 8<br />
0. 6<br />
0. 4<br />
0. 2<br />
0<br />
0 8 16 24 32<br />
Höhe der Krautschicht (cm)<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
0 10 20 30 40<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
Kraut-Deckung (%)<br />
0 25 50 75 100<br />
Einzelbäume (Anzahl/ha)<br />
0 125 250 375 500<br />
ST 9 (Zwergsträucher):<br />
1 = Deckungsgrad 0,05<br />
2 = Deckungsgrad 0,5<br />
3 = Deckungsgrad 25<br />
4 = Deckungsgrad 75<br />
Nach_veg:<br />
Summe aus + und – mit dem<br />
Steinhuhnvorkommen korrelierten<br />
Strukturtypen in direkter<br />
Nachbarschaft (s. Kap. 4.2.2)<br />
Srtuktur:<br />
1 = sehr geringe Strukturvielfalt<br />
6 = sehr hohe Strukturvielfalt<br />
Abb. 16: Univariate Regionalmodelle. Auf der X-Achse der Wertebereich der Variablen,<br />
Skalierung in Klammern hinter dem Diagrammtitel oder nebenstehend. Auf der y-Achse<br />
die Vorkommenswahrscheinlichkeiten. X = Beobachtete Werte, mindestens 6 Werte<br />
gemittelt.<br />
5.2.2 Multiple Modelle<br />
Aus dem ermittelten Variablenkatalog wurden alle korrelationsfreien Kombinationen<br />
getestet. Aufgrund der von STEYERBERG et al. (2001) aufgestellten Faustregel, dass pro<br />
Variable im Endmodell etwa zehn Präsenzen im Datensatz vertreten sein sollten (10 EPV<br />
= events per variable), werden nur Modelle berücksichtigt, die im letzten Schritt der
5 Ergebnisse 43<br />
Modellierung weniger als fünf Variablen aufweisen (n Präsenz = 42). In einigen Fällen wies<br />
das Ergebnis der schrittweise rückwärts Modellierung nichtsignifikante Variablen auf. Diese<br />
wurden manuell entfernt. Änderte sich das Vorzeichen des Regressionskoeffizienten einer<br />
Variable gegenüber der univariaten Analyse, so wurden diese Modelle nicht berücksichtigt.<br />
Schlankere Modelle sind auf dieser Skalenebene nur durch eine verringerte Zahl von<br />
Eingangsvariablen erreichbar. Daher wurden für alle Kombinationen von drei<br />
unkorrelierten Variablen Modelle durch vollständig manuelle Selektion erstellt.<br />
Tab. 18: Modellvalidierung. Dargestellt sind die mittels bootstrapping ermittelten<br />
Gütemaße für die verschiedenen Datensätze und die daraus berechneten Korrekturwerte.<br />
Modell R 2 N original R 2 N train | test R 2 N korrigiert AUC original AUC train | test AUC korrigiert<br />
R-1 0,92 0,31 | 0,30 0,91 0,994 0,667 | 0,665 0,992<br />
R-2 0,87 0,66 | 0,64 0,85 0,983 0,868 | 0,864 0,979<br />
R-3 0,80 0,75 | 0,70 0,75 0,964 0,935 | 0,922 0,951<br />
R-5 0,73 0,74 | 0,69 0,68 0,949 0,945 | 0,931 0,935<br />
Bei der Modellvalidierung zeigte sich, dass die Werte der Gütemaße für die Test- und<br />
Trainingdatensätze z.T. erheblich von den Originalmodellen abweichen (Tab. 18). Da sich<br />
der Optimismus beim bootstrapping aus der Differenz zwischen den Gütemaßen des<br />
Trainings- und Testdatensatzes ableitet, fällt dies bei der Betrachtung der korrigierten<br />
Werte zunächst nicht auf. Auffällig ist aber die Anzahl der Fälle, in denen nach der<br />
Erstellung eines „neuen“ Datensatzes überhaupt kein Modell geschätzt werden konnte<br />
(Abb. 17).<br />
R1<br />
R3<br />
250<br />
200<br />
150<br />
100<br />
50<br />
0<br />
0 1 2 3 4 5<br />
250<br />
200<br />
150<br />
100<br />
50<br />
0<br />
0 1 2 3 4<br />
Abb. 17 : Modellvalidierung mittels bootstrapping: Dargestellt ist der ermittelte Anteil von<br />
300 Iterationen (y- Achse), bei dem die entsprechende Anzahl an Variablen in das Modell<br />
aufgenommen wurde (x-Achse).<br />
In diesen Fällen kommt es zur vollständigen Separation, das heißt, das Modell ist so gut,<br />
dass sämtliche Vorkommen bzw. Nichtvorkommen korrekt prognostiziert werden.<br />
Aufgrund numerischer Probleme kann dann keine Maximierung der Likelihood-Funktion<br />
mehr stattfinden, das Modell kann nicht gerechnet werden. Dies gilt für die Modelle R-1<br />
und R-2. Für die Modelle R-3 bis R-6 wurde aus diesem Grund die Variable „Höhe der<br />
Krautschicht“ aus dem Datensatz entfernt. Dies führt zu immer noch hervorragenden<br />
Gütemaßen, umgeht jedoch die oben beschriebenen numerischen Probleme. In Tabelle 19
5 Ergebnisse 44<br />
werden die Modelle mit AIC < 60 dargestellt. Den geringsten AIC-Wert weist Modell R-3<br />
auf und wird daher als Endmodell angesehen.<br />
Tab. 19: : Multiple Analyse der Regionalmodelle. Dargestellt sind jeweils unkorrelierte<br />
Ausgangskombinationen und die davon berücksichtigten Variablen (fett) sowie die<br />
Gütemaße der einzelnen Modelle. q = quadrierter Term. Zu den Bezeichnungen der<br />
Variablen siehe Tab. 3.<br />
Modell Eingehende<br />
R 2 N AUC Kappa P Kappa %Korrekt<br />
Variablen<br />
(Sens.| Spez.)<br />
AIC C<br />
R-1 cos_exp, N14, ST 9+q,<br />
kr_he_s+q, nach_veg,<br />
KS%+q, fels 0,92 0,994 0,95 0,50 97,7 (97,6 | 97,8) 30<br />
R-2 kr_he_s+q, nach_veg,<br />
struktur 0,87 0,983 0,91 0,42 94,3 (95,2 | 93,3) 38<br />
R-3 cos_exp, N14, ST 9+q,<br />
nach_veg, KS%+q, fels 0,80 0,964 0,86 0,43 91,8 (90,5 | 93,0) 49<br />
R-4 cos_exp, N14, WS%, struktur 0,71 0,937 0,76 0,53 87,1 (92,9 | 81,4) 59<br />
R-5 cos_exp, nach_veg, struktur 0,73 0,949 0,81 0,36 89,4 (88,1 | 90,7) 56<br />
R-6 cos_exp, nach_veg, ST 9+q 0,72 0,939 0,79 0,42 89,4 (88,1 | 90,7) 58<br />
Aus dem Variablenkatalog werden in das Modell R-3 „Exposition“, „Strukturtyp<br />
Zwergsträucher und niedriges Gebüsch“, „Nachbarvegetation“ und „Deckung der<br />
Krautschicht“ aufgenommen. Dies stimmt weitgehend mit den Erkenntnissen aus der<br />
univariaten Analyse überein: Die nicht berücksichtigte Variable „Unproduktive Vegetation“<br />
weist dort den geringsten Erklärungsanteil auf. Die ausgeschlossene Variable „Fels“ zeigt<br />
ebenfalls keinen hohen Erklärungsgehalt, ihr Ausschluss aus dem multiplen Modell<br />
bedeutet keine signifikante Verschlechterung der Modellgüte. In Abbildung 18 ist Modell<br />
R-3 mit den Variablen „Exposition“ und „Nachbarvegetation“ dargestellt. Ergänzend wird<br />
auch Modell R-1 mit den Variablen „Nachbarvegetation“ und „Mittlere Höhe der<br />
Krautschicht“ dargestellt. Da im Modell R-3 keiner der quadrierten Terme im multiplen<br />
Modell berücksichtigt wird, zeigt die Modelloberfläche einen sigmoiden Verlauf. Betrachtet<br />
man die Veränderung der Devianz, die beim Entfernen einzelner Variablen aus dem<br />
multiplen Modell eintreten würde (Anh. 2.8), so wird deutlich, dass die „Exposition“ und<br />
die „Nachbarvegetation“ einen höheren Einfluss ausüben als die restlichen Parameter. Dies<br />
wird auch durch die Responseoberfläche visualisiert, selbst wenn keine „Zwergsträucher<br />
und niedrigen Gebüsche“ auftreten, werden bei günstiger Kombination immer noch Werte<br />
oberhalb des Schwellenwertes (P kappa = 0,43) prognostiziert. Betrachtet man die<br />
Veränderung der Devianz bezüglich Modell R-1, so wird der außerordentlich starke<br />
Zusammenhang zwischen Steinhuhnvorkommen und der „Mittleren Höhe der<br />
Krautschicht“ erkennbar. Dies wird auch in Abbildung 18 deutlich: selbst wenn die<br />
Variablen „Nachbarvegetation“ und „Deckung der Krautschicht“ für das Steinhuhn<br />
optimale Werte annehmen, geht die Vorkommenswahrscheinlichkeit gegen Null, wenn die<br />
Höhe der Krautschicht gleichzeitig unter 8 oder über 32 cm liegt.
5 Ergebnisse 45<br />
Abb. 18: Dreidimensionale Darstellung der Regionalmodelle R-1 (oben) und R-3 (unten).<br />
Auf der x- und y-Achse jeweils ausgewählte Umweltparameter, z-Achse mit<br />
Vorkommenswahrscheinlichkeit. Zu den Bezeichnungen der Variablen siehe Tab. 3. Die<br />
Wahl der dargestellten Variablen richtet sich nach der Änderung der Devianz, die beim<br />
Ausschluss einzelner Variablen aus dem Modell zu erwarten wäre (vgl. Anh. 2.8). Werte<br />
der nicht dargestellten Variablen: R-1: Mittlerer Wert für den Nutzungstyp „Unproduktive<br />
Vegetation“ (0,5). Deckung der Krautschicht: 0% (links), 25% (mitte) und 75% (rechts). R-<br />
3: Durchschnittswert für die Deckung der Krautschicht (50%). Deckung der<br />
„Zwergsträucher und niedrigen Gebüsche“: 0,5% (links), 25% (mitte) und 75% (rechts).<br />
5.3 Vergleich von Atlas- und Regionalmodell<br />
Tabelle 20 gibt Übersicht über diejenigen Habitatparameter, welche in der univariaten<br />
Analyse der beiden Modellebenen jeweils die höchsten Erklärungsgehalte aufweisen. Dabei<br />
ist aufgrund der unterschiedlichen Datenstruktur ein direkter Vergleich der Werte für R 2 N<br />
nicht angebracht. Die Rangfolge der wichtigsten Variablen kann aber durchaus verglichen<br />
werden. Auf der Ebene des Atlasmodells wird dabei der Einfluss der höhenabhängigen<br />
Parameter deutlich. Von den zehn nach R 2 N wichtigsten Variablen weisen sieben mit der<br />
„Medianhöhe“ Korrelationen mit r s > 0,5 auf (vgl. Anh. 2.1). Auf der Regionalebene<br />
dagegen dominieren Strukturparameter.<br />
Sechs bezüglich Inhalt und Skalierung übereinstimmende Variablen mit AUC-Werten > 0,6<br />
sind in beiden Datensätzen vertreten und bieten sich für einen univariaten<br />
Modellvergleich an (Tab. 21). Alle anderen Habitatparameter wurden entweder nur auf<br />
einer Skalenebene bearbeitet, oder genügten nur auf einer Ebene den Gütekriterien. Die<br />
Nutzungsvariablen sind auf der regionalen Skala als binäre Variablen (ja/nein) erfasst,<br />
daher wurden die Werte auf der Atlasebene transformiert (Nutzungsanteil der Rasterfläche<br />
> 50% ergibt Vorkommen, Nutzungsanteil 0,6 mehr erreicht.
5 Ergebnisse 46<br />
Tab. 20: „Rangliste“ der Variablen mit den höchsten R 2 N- Werten. Getrennt für Atlas- und<br />
Regionalmodell. Zu den Bezeichnungen der Variablen siehe Tab. 1 und 3.<br />
Atlasmodell<br />
Regionalmodell<br />
„Rang“ Variable R 2 N Variable R 2 N<br />
1 Höhe über NN (Median der Rasterzelle) 0,24 Abstand vom nächsten Wald 0,64<br />
2 Nutztyp Unproduktive Vegetation (N 14) 0,19 Mittlere Höhe der Krautsch. 0,60<br />
3 Julitemperatur 0,12 Strukturvielfalt 0,42<br />
4 Höhe über NN (Differenz innerh. Rasterz.) 0,12 Nachbarvegetation 0,41<br />
5 Strukturtyp Zwergstr. + Gebüsch (ST 9) 0,12 Nachbarnutzung 0,39<br />
6 Wärmesumme 0,11 Deckungsgrad der Waldschicht 0,38<br />
7 Neigung 0,11 Anzahl der Einzelbäume 0,35<br />
8 Strukturtyp lückige, niedrige Veg. (ST 4) 0,10 Vorhandensein großer Felsen 0,28<br />
9 Sonneneinstrahlung im Juli 0,09 Strukturtyp Zwergstr. und Gebüsch (ST 9) 0,25<br />
10 Wasserbilanz im Juli 0,09 Deckungsgrad der Krautschicht 0,24<br />
11 Niederschläge im Juli 0,08 Exposition (cosinustransformiert) 0,22<br />
12 Nutztyp Alpweiden (N11) 0,08 Nutztyp Unprod. Vegetation (N14) 0,20<br />
13 ST 15 0,08 ST 15 0,20<br />
14 Nutztyp Vegetationslose Flächen (N15) 0,07 Struckturtyp lückige, niedrige Veg. (ST 4) 0,18<br />
Von den sechs übereinstimmenden Variablen unterschied sich in drei Fällen der<br />
Kurvenverlauf zwischen den beiden Modellebenen. Um die Regressionskoeffizienten<br />
vergleichen zu können, wurde jeweils den Verlauf, wie er im Regionalmodell vorliegt<br />
übernommen. Für die beiden Variablen „Exposition“ und „Neigung“ ist davon<br />
auszugehen, dass die Zusammenhänge zum Steinhuhnvorkommen hier genauer<br />
wiedergeben werden (da nicht wie bei der Atlasebene gemittelt wird). Bei der Variablen<br />
„Strukturtyp lückige, niedrige Vegetation“ ändert sich auf der Regionalebene das<br />
Vorzeichen des Regressionskoeffizienten innerhalb des unimodalen Modells gegenüber der<br />
sigmoiden Analyse. In diesem Fall ist vom Gebrauch des quadrierten Terms abzusehen.<br />
Tab. 21: Vergleich der univariaten Modelle der beiden Skalenebenen. Dargestellt werden<br />
Parameter der Regressionsgleichung und Angaben zum Kurvenverlauf (Potenz 1 =<br />
sigmoid; Potenz 2 = unimodal).<br />
ATLAS<br />
REGIONAL<br />
Regressions-<br />
Koeffizient<br />
sigmoid | unimodal<br />
VARIABLE<br />
Potenz<br />
Regressions-<br />
Koeffizient<br />
sigmoid | unimodal<br />
Geostatistik<br />
0,023 | -5,75E-6 Höhe 2 0,008 | -1.91E-6<br />
0,291 | -0,001 Neigung 2 0,177 | -0,002<br />
-0,547 Exposition 1 -1,344<br />
Vegetation<br />
0,054 Lückige, niedrige Vegetation (ST 4) 1 0,075<br />
0,095 | -0,001<br />
Zwergsträucher und niedriges<br />
Gebüsch bis 150 cm (ST 9) 2 0,125 | -0,001<br />
-0,074<br />
Gras-, Hochstauden-, Kraut- oder<br />
Zwergstrauchreiche Laubw. (ST 15) 1 -0,261<br />
Bei den Variablen aus dem Bereich der Geostatistik fallen vor allem Unterschiede<br />
zwischen den beiden Skalenebenen bei „Höhe“ und „Exposition“ auf: Der Einfluss auf das<br />
Vorkommen beim Atlasmodell ist im Falle der Höhe fast dreimal so hoch wie auf der<br />
Regionalebene, bei der Exposition liegt das umgekehrte Verhältnis vor. Ein geringerer
5 Ergebnisse 47<br />
Unterschied ist bei der Variable „Neigung“ festzustellen, hier findet sich der stärkere<br />
Zusammenhang beim Atlasmodell.<br />
Die Unterschiede im Bereich der Vegetation sind insgesamt geringer, wenngleich der<br />
negative Einfluss der „Gras-, Hochstauden-, Kraut- oder Zwergstrauchreichen<br />
Laubwälder“ auf das Regionalmodell über dreimal so hoch ist wie beim Atlasmodell.<br />
Aufgrund dieser Unterschiede bietet sich die Erstellung eines weiteren, „verbesserten“<br />
multiplen Atlasmodells an, welches diese Unterschiede berücksichtigt. Dabei gehe ich<br />
davon aus, dass die Ergebnisse der Freilandkartierung die Realität genauer wiederspiegeln.<br />
Es werden nur Parameter berücksichtigt, deren unterschiedliche Ausprägung auf den<br />
beiden Modellebenen nicht allein durch den Skalenunterschied zu erklären ist. Demnach<br />
bieten sich „Exposition“ und „Gras-, Hochstauden-, Kraut- oder Zwergstrauchreiche<br />
Laubwälder“ für eine Kombination mit dem bisherigen Endmodell A2-1 an, wobei im<br />
letzteren Fall aufgrund starker Korrelation die Variable nicht verwendet wird. Die<br />
Ergebnisse sind in Tabelle 22 und in Anhang 2.5 dargestellt.<br />
Tab. 22: „Verbessertes“ Atlasmodell. Dargestellt sind eingehenden und berücksichtigten<br />
Variablen sowie die Gütemaße der Modelle. q = quadrierter Term. Zu den Bezeichnungen<br />
der Variablen siehe Tab. 1.<br />
Eingehende<br />
Variablen<br />
radjul, neigst, cos_exp<br />
N14, q_N14<br />
Aufgenommene<br />
Variablen<br />
R 2 N AUC Kappa P Kappa AIC<br />
radjul, neigst, cos_exp<br />
N14, q_N14 0,30 0,858 0,33 0,26 656<br />
Vergleicht man die Ergebnisse aus Kapitel 5.1.2 mit denjenigen aus Tabelle 22, so liegen<br />
die Gütemaßen zwischen jenen, welche auf Basis des maximalen Informationsgewinns<br />
erstellt wurden und den „schlankeren“ Modellen auf Basis der AUC-Werte > 0,7. Der<br />
AIC-Wert liegt dabei niedriger als beim bisherigen Endmodell A2-1.<br />
Bei einem multiplen Modellvergleich unter Verwendung gleich skalierter Parameter<br />
können die meisten Gütemaße direkt verglichen werden. Die Variable „Höhe“ wird dabei<br />
nicht berücksichtigt, da sie beim Atlasdatensatz mit sämtlichen Vegetationsparametern<br />
stark korreliert. Die Ergebnisse sind in Tabelle 23 und Abbildung 19 dargestellt.<br />
Tab. 23: Multipler Modellvergleich. Dargestellt sind die eingehenden und<br />
berücksichtigten Variablen sowie die Gütemaße der Modelle. Für das Regionalmodell<br />
wurde der AIC- Wert unter Berücksichtigung der Stichprobengröße errechnet (AIC c ). q =<br />
quadrierter Term. Zu den Bezeichnungen der Variablen siehe Tab. 1.<br />
Modell<br />
Atlas<br />
Regional<br />
Eingehende<br />
Variablen<br />
neig+q, cos_exp, ST 4,<br />
ST 9+q, ST 15<br />
neig+q, cos_exp, ST 4,<br />
ST 9+q, ST 15<br />
Aufgenommene<br />
Variablen<br />
R 2 N AUC Kappa P Kappa AIC<br />
q_neig, cos_exp, ST<br />
4, ST 9+q, ST 15 0,24 0,821 0,28 0,21 699<br />
cos_exp, ST 4, ST<br />
9+q, ST 15 0,65 0,895 0,67 0,69 72<br />
Im Atlasmodell wird bis auf den sigmoiden Term der „Neigung“ keine Variable bei der<br />
rückwärts schrittweisen Modellierung ausgeschlossen. Im Regionalmodell dagegen wird die
5 Ergebnisse 48<br />
„Neigung“ überhaupt nicht berücksichtigt. Die Werte für R 2 N sind aufgrund der<br />
unterschiedlichen Ausgangsdatensätze nicht direkt vergleichbar, die AUC-Werte liegen<br />
jeweils im Bereich einer guten Modelldiskriminierung, während für Kappa und P Kappa die<br />
Werte im Falle des Regionalmodells deutlich höher liegen. Wie aus Abbildung 19<br />
ersichtlich, werden bei gleichen Vorraussetzungen beim Regionalmodell eher Vorkommen<br />
prognostiziert als beim Atlasmodell.<br />
Abb. 19: Dreidimensionaler Vergleich multipler Modelle der beiden Skalenebenen<br />
Atlasmodell (links) und Regionalmodell (rechts). Auf der x- und y-Achse jeweils<br />
ausgewählte Umweltparameter, z-Achse mit Vorkommenswahrscheinlichkeit. Zu den<br />
Bezeichnungen der Variablen siehe Tab. 1. Werte der nicht dargestellten Variablen:<br />
Atlasmodell: „Neigung“ = Durchschnittswert, Deckungsgrad der „Lückigen, niedrigen<br />
Vegetation“ = 75%, Deckungsgrad der „Gras-, Hochstauden-, Kraut- oder<br />
Zwergstrauchreichen Laubwälder“ = 20%. Regionalmodell: Deckungsgrad der „Lückigen,<br />
niedrigen Vegetation“ = 75%, Deckungsgrad der „Gras-, Hochst.-, Kraut- oder<br />
Zwergstrauchreichen Laubw.“ = 20%.<br />
Ein Vergleich der Regressionskoeffizienten der beiden Modelle (Tab. 24), offenbart weitere<br />
Unterschiede zwischen den beiden Skalenebenen.<br />
Tab. 24: Regressionskoeffizienten der multiplen Modelle zum Skalenvergleich.<br />
Variable Atlasmodell Regionalmodell<br />
sigmoid unimodal sigmoid unimodal<br />
Exposition -0,534 - -2,190 -<br />
Lückige, niedrige Vegetation (ST 4) 0,026 - 0,070 -<br />
Zwergsträucher und niedriges Gebüsch bis<br />
150 cm (ST 9) 0,059 -0,001 0,149 -0,001<br />
Gras-, Hochstauden-, Kraut- oder<br />
Zwergstrauchreiche Laubwälder (ST 15) -0,051 - -0,260 -<br />
Der Vergleich zeigt für alle Variablen beim Regionalmodell einen eindeutig stärkeren<br />
Einfluss auf das Vorkommen des Steinhuhns. Am deutlichsten wird dies bei den<br />
Parametern „ST 15“ und „Exposition“, wo der jeweils negative Zusammenhang auf der<br />
kleineren Skalenebene bis zu fünfmal stärker ist.
5 Ergebnisse 49<br />
Um eine Einschätzung über die Informationsverluste zu gewinnen, welche auf der<br />
Atlasskala durch die Mittelung der Daten auf die gesamte Rasterfläche entstehen, übertrug<br />
ich für die geostatistischen Parameter die Rasterdaten der jeweiligen Kilometerquadrate auf<br />
die Probepunkte im Tessin. Anhand der im Feld gemessenen Werte konnte so der „Fehler“<br />
ermittelt werden. In Tabelle 25 sind die Werte vergleichend aufgeführt.<br />
Tab. 25: Vergleich der geostatistischen Parameter zwischen Rasterdaten und eigenen<br />
Erhebungen für alle Probeflächen im Tessin (n = 87). Dargestellt werden Parameter der<br />
Regressionsgleichung (Signifikanz des Modells) und Gütemaße.<br />
Variable Ergebnisse der<br />
Freilandkartierung<br />
Ergebnisse nach Übertragung<br />
der Rasterdaten<br />
p R 2 N AUC p R 2 N AUC<br />
Höhe 0,013 0,13 0,752 0,341 0,03 0,685<br />
Neigung 0,028 0,11 0,672 0,096 0,07 0,489<br />
Exposition
5 Ergebnisse 50<br />
Die räumliche Verteilung der Probeflächen hat in allen Modellen einen Einfluss. Dieser<br />
liegt aber in keinem Fall über demjenigen, welcher durch die untersuchten<br />
Umweltparameter bestimmt wird. Es fällt allerdings auf, dass das Atlasmodell die<br />
Variabilität der abhängigen Variable (das Vorkommen des Steinhuhns) zu über 60%<br />
überhaupt nicht erklären kann. Das Regionalmodell dagegen kann einen Anteil von<br />
ebenfalls 60% alleine durch die Umweltparameter erklären. Die Veränderung der<br />
Ergebnisse, die mit einer Trendoberfläche dritten Grades gegenüber derjenigen zweiten<br />
Grades erreicht werden, sind minimal.<br />
Die Ergebnisse der Berechnung der Moran´s I-Werte sind in Tabelle 27 dargestellt. Der<br />
angegebene Z-Wert bezieht sich auf die Annahme einer Standard-Normalverteilung.<br />
Tab. 27: Moran´s I – Statistik. Dargestellt wird das theoretische Mittel E (I), der Wert für<br />
Moran´s I, die Wirkrichtung der Korrelation und die Signifikanz (Signifikanzniv. α = 0,05).<br />
Modell E (I) Moran´s I Korrelation Z-Wert<br />
A2-1 -0,00067 0,011289 + 9,43<br />
R3 -0,0116 -0,011181 + 0,06<br />
Trendumweltmodell A2-1 -0,00067 0,000336 + 0,80<br />
Trendumweltmodell R3 -0,0116 -0,011961 - -0,00<br />
Beim Atlasmodell ist aufgrund der Z-Werte > 1,96 von räumlicher Autokorrelation<br />
auszugehen. Um zu überprüfen, ob dies einen entscheidenden Einfluss auf die Parameter<br />
innerhalb des Modells hat, bietet sich ein Vergleich der Regressionskoeffizienten an. Sind<br />
die Werte innerhalb des Umweltmodells und des Trendumweltmodells gleich oder ähnlich,<br />
kann davon ausgegangen werden, dass der Einfluss der räumlichen Autokorrelation gering<br />
ist. Wie aus Tabelle 28 ersichtlich, unterscheiden sich die Regressionskoeffizienten nur<br />
wenig, lediglich der Koeffizient der „Neigung“ liegt beim Umweltmodell etwas höher als<br />
beim Trendumweltmodell.<br />
Tab. 28: Vergleich der Regressionskoeffizienten von Umweltmodell und Trendumweltmodell.<br />
Variable Regressionskoeffizient A2-1<br />
(Umweltmodell)<br />
Regressionskoeffizient<br />
Trendumweltmodell<br />
Sonneneinstrahlung im Juli 0,001 0,001<br />
Nutzung „Unproduktive Vegetation“ 0,123 0,110<br />
Quadrierter Term -0,002 -0,001<br />
Neigung 0,236 0,190
5 Ergebnisse 51<br />
5.5 Überlegungen zur Klimaveränderung<br />
Die Ergebnisse der Berechnung zur Flächengröße, welche dem Steinhuhn zukünftig<br />
potentiell als Sommerlebensraum zur Verfügung stehen könnte, sind in Tabelle 29<br />
aufgeführt. Abbildung 20 zeigt Kartendarstellungen für zwei Szenarien, Karten für alle<br />
Szenarien finden sich in Anhang 2.10.<br />
Tab. 29: Angaben zur Größe der Fläche, welche bei unterschiedlichen Klimaszenarien<br />
oberhalb der potentiellen Waldgrenze liegt.<br />
Szenario<br />
Heutige potentielle Waldgrenze nach WELTEN &<br />
SUTTER (WOHLGEMUTH 1993)<br />
Waldfreie Fläche (ohne<br />
Fels und Eis)<br />
6217 km 2<br />
Heutige potentielle Waldgrenze auf Grundlage<br />
4963 km 2<br />
der 9,5° Juliisotherme<br />
2030- 2050 schwaches Szenario 2567 km 2<br />
2030- 2050 starkes Szenario 765 km 2<br />
2100 schwaches Szenario 317 km 2<br />
2100 starkes Szenario 11 km 2<br />
Aufgrund der unterschiedlichen Methoden bei der Festlegung der potentiellen Waldgrenze<br />
ist die als waldfrei angesehene Fläche nach WOHLGEMUTH (1993) um über 1000 km 2<br />
größer als diejenige auf Grundlage der 9,5° Juliisotherme (jeweils nach Abzug der von Fels<br />
und Eis dominierten Bereiche). Bereits beim Szenario für den Zeitraum 2030 bis 2050 liegt<br />
diese Fläche - geht man vom maximalen Temperaturanstieg aus - unter 1000 km 2 .<br />
Aufgrund des langfristigen Szenarios sind sogar weniger als 1% der Landesfläche zu<br />
erwarten. Möglich ist auch das völlige Verschwinden des potentiellen Sommerlebensraumes<br />
des Steinhuhns innerhalb der nächsten 100 Jahre (11 km 2 im Jahr 2100, unter Annahme der<br />
maximalen Klimaerwärmung).<br />
Abb. 20: Karten zur potentiellen Waldgrenze bei unterschiedlichen Klimaszenarien.<br />
Links: Heutige Situation auf Grundlage der 9,5° Juliisotherme, rechts: starkes Szenario<br />
für das Jahr 2030 bis 2050, ebenfalls auf Basis der 9,5° Juliisotherme.
6 Diskussion 52<br />
6 Diskussion<br />
6.1 Diskussion der Methoden<br />
6.1.1 Probeflächendesign<br />
Beim Probeflächendesign muss zwischen den beiden Skalenebenen unterschieden werden.<br />
Beim Atlasmodell war die Wahl der Probeflächen durch die Kartierung zum<br />
Brutvogelatlas vorgegeben. Die Verteilung der Probeflächen in den Atlasquadraten<br />
(landesweites 10 x 10 km-Raster) repräsentiert die Verteilung der Nutzungs- und<br />
Vegetationstypen, Höhenlage und Exposition, welche diese in den Atlasquadraten<br />
einnehmen (SCHMID et al. 1998). Dies entspricht weitgehend der von SCHRÖDER &<br />
REINEKING (2004a) geforderten Stratifizierung bei der Probeflächenwahl. Allerdings sind<br />
die für das Steinhuhn relevanten Bereiche mit hohem Anteil an steilen Partien im Gebirge<br />
wohl unterrepräsentiert (SCHMID et al. 1998). Die ebenfalls von SCHRÖDER & REINEKING<br />
(2004a) geforderte zufällige Verteilung der Probeflächen war aufgrund der topographischen<br />
Verhältnisse nicht anwendbar (SCHMID et al. 1998).<br />
Die räumliche Verteilung der Probeflächen wurde zwar berücksichtigt (SCHMID et al.<br />
1998), wie die Ergebnisse der Moran´s I Statistik ergeben (Kap. 5.4), liegt aber beim<br />
Endmodell räumliche Autokorrelation vor. Der Vergleich der Regressionskoeffizienten<br />
zwischen Atlasmodell und Trendumweltmodell zeigt jedoch, dass die vorliegende<br />
räumliche Autokorrelation keinen entscheidenden Einfluss auf die Modellierung hat. Eine<br />
weitere Berücksichtigung der räumlichen Autokorrelation in der Modellierung wie in<br />
SCHRÖDER (2000) wurde daher nicht vorgenommen. Für eine Modellübertragung auf<br />
andere Regionen halten FIELDING & BELL (1997) dies auch nicht für notwendig. Auch die<br />
Ergebnisse der Trendoberflächen-Analyse (Tab. 26) belegen den geringen Einfluss, den die<br />
räumliche Verteilung ausübt.<br />
Die Flächengröße von 1 x 1 km ist für den landesweiten Maßstab geeignet. Größere<br />
Einheiten würden vor allem bei den erklärenden Variablen durch die Mittelung der Werte<br />
(insbesondere der höhenabhängigen Parameter) zu falschen Interpretationen führen. Mit<br />
der Größe der Rasterfläche steigt auch die Wahrscheinlichkeit eines Vorkommens der<br />
untersuchten Art. Ein einziges Vorkommen in einem kleinen Teil der Probefläche mit<br />
günstigen Bedingungen für die Art weist dann der gesamten Rasterzelle ein Vorkommen<br />
zu. Kleinere Einheiten auf nationaler Ebene würden dagegen den Erfassungsaufwand<br />
sprengen. Daher wurde zur Klärung kleinskaliger Habitatansprüche eine Strukturkartierung<br />
im Tessin durchgeführt, welche einen Vergleich der Skalenebenen ermöglicht.<br />
Die Anzahl der Stichproben ist mit 1487 als absolut ausreichend anzusehen. Neben der<br />
absoluten Probenanzahl kommt der Anzahl der Probeflächen mit Vorkommen des<br />
Untersuchungsgegenstandes eine besondere Bedeutung zu. BACKHAUS et al. (2000)<br />
sprechen von einer absoluten Untergrenze für die abhängige Variable von n = 50, gute<br />
Werte erreiche man ab n = 100. STEYERBERG et al. (2001) differenzieren dies noch weiter,
6 Diskussion 53<br />
indem sie die Anzahl der benötigten Vorkommen auf die Anzahl der Variablen im<br />
multiplen Modell beziehen. Dabei sollten für jede Variable im Endmodell mindestens 10<br />
Vorkommen im Datensatz vorhanden sein. All diese Kriterien werden im Atlasmodell<br />
erfüllt. Problematisch ist jedoch die ungleiche Verteilung auf Vorkommen und<br />
Nichtvorkommen. Bei einem Verhältnis von 122 : 1365 sind schwellenwertabhängige<br />
Gütemaße als nicht zuverlässig einzustufen. Um aber die Information aus allen<br />
unterschiedlichen Probeflächen zum Nichtvorkommen in der Modellierung<br />
berücksichtigen zu können, wurde von einer Reduzierung der Absenz-Daten abgesehen.<br />
Beim Regionalmodell waren die Probeflächen im Falle der Präsenz-Daten ebenfalls<br />
vorgegeben. Der räumliche Zusammenhang zu den Untersuchungsflächen mit<br />
Nichtvorkommen war teilweise schwierig einzuhalten. Auch wären mehr Nullquadrate<br />
oberhalb der Baumgrenze wünschenswert gewesen. Um kleinskalig die Ursachen der<br />
Habitatselektion zu untersuchen, eignen sich Lebensräume, die nach vorhandenem Wissen<br />
zumindest potentiell besiedelbar erscheinen besser, als offensichtlich gemiedene Bereiche<br />
(SCHRÖDER, mündl. Mitt.). Aufgrund meines begrenzten Freiland-Einsatzes war die<br />
gewählte Methode aber die einzige Möglichkeit standardisiert erhobene Absenz-Daten zu<br />
erhalten.<br />
Da die Untersuchungsgebiete festgelegt waren, konnte keine stratifizierte<br />
Probeflächenverteilung erfolgen. Der Forderung nach zufälliger Verteilung konnte im<br />
Gegensatz zum Atlasmodell hier entsprochen werden. In einigen Fällen konnte allerdings<br />
die vorgegebene Reihenfolge bei der Strukturkartierung (Kap. 4.2.1) aus logistischen<br />
Gründen (Erreichbarkeit) nicht eingehalten werden. Räumliche Autokorrelation spielt auf<br />
dieser Ebene keine Rolle (Kap. 5.4).<br />
Einige Variablen kamen nur in wenigen Aufnahmen vor und konnten daher nicht in der<br />
Auswertung berücksichtigt werden. Dies ist im Falle der Parameter „Aufgelöster Wald“<br />
und „Gebüschwald“ bedauerlich, da hier der Vergleich zwischen Atlas und Regionalmodell<br />
besonders interessant gewesen wäre. Da diese Parameter an den Aufnahmeorten (sowohl<br />
Vorkommen wie Nichtvorkommen) so selten vertreten waren, kann davon ausgegangen<br />
werden, dass sie auf der Skalenebene des Regionalmodells keinen Einfluss ausüben.<br />
Die Frage nach der optimalen Probeflächengröße stellt sich auf dieser Ebene<br />
differenzierter. Die Probleme bei zu groß gewählten Flächen wurden im Zusammenhang<br />
mit dem Atlasmodell bereits erwähnt. Auch zu kleine Probeflächen können problematisch<br />
werden, da sich der Lebensraum mobiler Arten nicht auf einen Punkt beschränkt.<br />
Da die Modelle für das Teilhabitat Brutgebiet gelten sollen, ist die Habitatgröße zu diesem<br />
Zeitraum maßgeblich. HAFNER (1994) und ZBINDEN & SALVIONI (2003) geben<br />
übereinstimmend etwa 10 ha genutzte Fläche an, die tatsächlich verteidigte Reviergröße<br />
liegt noch darunter (300 m im Durchmesser nach HAFNER (1994)). Ob die Habitatqualität<br />
insgesamt mehr durch die Eignung als Brutrevier, oder auch durch das Ressourcenangebot<br />
für adulte Tiere bestimmt wird, kann nicht mit Sicherheit beantwortet werden. Insgesamt<br />
ist relativ wenig über das Brutverhalten des Steinhuhns bekannt, weshalb eine spezielle
6 Diskussion 54<br />
Berücksichtigung möglicher Brutparameter nicht erfolgte. Die zur Brutzeit festgestellten<br />
Lautäußerungen können neben der Revierabgrenzung auch dem Zusammenführen der<br />
Partner dienen. Anders als die Raufußhühner lebt das Steinhuhn während der Brutzeit aber<br />
monogam (ZBINDEN & SALVIONI 2003), ein revierverteidigender Hahn deutet also auf eine<br />
brütende Henne hin. Im gesamten Frühjahr verbleiben die Tiere außerdem im engeren<br />
Brutgebiet (GLUTZ et al. 1973). Die Phase der Reviermarkierung konzentriert sich dabei<br />
auf den Zeitraum zwischen April und Juni (ZBINDEN & SALVIONI 2003).<br />
Entscheidend bei der Wahl der Probeflächengröße ist letztlich die Homogenität der Fläche.<br />
Für jeden Habitatparameter sollte nur ein Wert gelten, keine Mittelwerte, wie sie beim<br />
Atlasmodell verwendet wurden.<br />
Der Einfluss, den die Umgebung auf die Anwesenheit von Individuen an einem Punkt<br />
ausübt, wurde durch die Berechnung der beiden Terme „Nachbarnutzung“ und<br />
„Nachbarvegetation“ berücksichtigt und zeigt eine hohe Wirkung (Abb. 16).<br />
Mit 87 Stichproben im Falle des Regionalmodells werden nicht alle der oben<br />
beschriebenen Kriterien erfüllt, eine ausreichende Genauigkeit ist aber gewährleistet und<br />
mit einem Verhältnis von 42 : 45 zwischen Flächen mit Präsenz und Absenz des<br />
Steinhuhns liefern auch schwellenwertabhängige Verfahren verlässliche Werte.<br />
6.1.2 Datenerhebung<br />
Bei der Datenerhebung müssen die beiden Modellebenen ebenfalls getrennt betrachtet<br />
werden. Die Erfassung der abhängigen Variable beim Atlasmodell orientierte sich vor<br />
allem an der Minimierung des Erfassungsaufwandes um das Großprojekt eines nationalen<br />
Brutvogelatlas überhaupt durchführen zu können. Daher wurden verbreitete Arten pro<br />
Kilometerquadrat nur in jeweils einem Jahr an zwei oder drei Terminen kartiert. Dies ist<br />
zur Feststellung der Art ausreichend, für eine Revierkartierung empfehlen BIBBY et al.<br />
(1995) aber bis zu acht Begehungen. Für die Feststellung von Nichtvorkommen ist die<br />
Methode als ungenügend zu bezeichnen. Entsprechende Monitoringprogramme für alle<br />
potentiell besiedelbaren Bergregionen sind aber nicht durchführbar. Dabei handelt es sich<br />
allerdings um ein generelles Problem der Habitatmodellierung, zumal nach CAPEN (1986)<br />
auch nie mit absoluter Sicherheit von einem Nichtvorkommen auf ein tatsächlich<br />
ungeeignetes Habitat geschlossen werden kann. Durch die Verteilung der<br />
Kilometerquadrate auf die ganze Schweiz ist aber eine ausreichende Repräsentanz<br />
gesicherter Nichtvorkommen gewährleistet. Auch die wenigen Kilometerquadrate mit<br />
Präsenz des Steinhuhns reichen aus, um signifikante Unterschiede bezüglich der<br />
Ausprägung der Umweltfaktoren in den von der Art genutzten und gemiedenen Bereichen<br />
zu erhalten.<br />
Trotz der hohen Anzahl der untersuchten, erklärenden Habitatparameter kann nicht<br />
ausgeschlossen werden, dass entscheidende Faktoren übersehen wurden. Ein Faktor, der<br />
die räumliche Verteilung beeinflusst, ist der Isolationsgrad. Gerade an der Peripherie des<br />
Verbreitungsgebietes ist der Einfluss der Isolation hoch einzuschätzen und kann in
6 Diskussion 55<br />
Verbindung mit den Dispersionseigenschaften der Art die Nicht-Besiedlung potentieller<br />
Habitate verursachen. Diese Zusammenhänge sind nur durch Verknüpfung mit<br />
populationsdynamischen Ansätzen zu räumlich expliziten Simulationsmodellen (z.B. bei<br />
SCHRÖDER (2000)) einbeziehbar, was den Rahmen der vorliegenden Arbeit aber<br />
überschritten hätte. Die Niederschläge wären in die Modellierung besser als Anzahl der<br />
Regentage eingegangen. Im Tessin fallen an wenigen Tagen große Mengen an Regen.<br />
Werden nur die Regensummen berücksichtigt, wird der Vergleich beispielsweise mit dem<br />
Wallis verzerrt (EGGENBERG 1995).<br />
Variablen, die in Anteilen von insgesamt 100% erfasst sind (Nutzungstypen), bringen das<br />
statistische Problem mit sich, dass die einzelnen Teile nicht voneinander unabhängig sind.<br />
Dieses könnte durch die Zuweisung eines Eignungswertes für jeden Typ umgangen<br />
werden, welcher mit dem Flächenanteil multipliziert wird. Die Summe dieser Produkte gilt<br />
dann als Index für die Habitatqualität der Umgebung. Da dies aber zu Schwierigkeiten bei<br />
der ökologischen Interpretation führt, verzichtete ich auf diese Methode. Die Angaben zu<br />
den Habitatparametern sind in fast allen Fällen Mittelwerte der unterschiedlichen Werte<br />
einer Rasterzelle. Die daraus resultierende Ungenauigkeit zeigte sich besonders bei der<br />
Exposition im Vergleich mit den gemessenen Werten der Freilanderfassung. Dies kommt<br />
durch kleine Anteile von für das Steinhuhn geeigneten Bereichen an einem ansonsten<br />
ungünstigen Kilometerquadrat zustande und gilt für viele Parameter.<br />
Die Erfassung der abhängigen Variable beim Regionalmodell erfolgte mittels Verhören<br />
durch verschiedene Kartierer in den Jahren 1980-2001. Auf die Problematik, dass nicht alle<br />
Lautäußerungen ausschließlich der Revierabgrenzung dienen, wurde bereits hingewiesen.<br />
Eine Garantie, dass die Absenz-Flächen tatsächlich nicht vom Steinhuhn besiedelt sind,<br />
kann nicht gewährleistet werden. Bestandsaufnahmen am schwer zu entdeckenden<br />
Steinhuhn (HAFNER 1994) sind methodisch schwierig und aufwändig (ZBINDEN &<br />
SALVIONI 2003). Gesicherte Kenntnisse über Nichtvorkommen, Bestandsgrößen oder<br />
Bewegungsradius der Art, ließen sich nur durch standardisierte Kartierungen mit<br />
Klangatrappen (BERNARD-LAURENT & LAURENT 1984, HAFNER 1994, BERNARD-<br />
LAURENT & LÉONARD 2000), dem Einsatz von Spürhunden (BOCCA 1990, HAFNER 1994,<br />
BERNARD-LAURENT & LÉONARD 2000) oder dem Einsatz besenderter Tiere (Telemetrie,<br />
z. B. bei HAFNER (1994)) erhalten. Wie beim Atlasmodell, gewährleistet aber die<br />
Reduzierung des Datensatzes auf die Monate April bis Juli bei der monogam lebenden Art<br />
einen Zusammenhang zwischen Lautäußerung und Brutrevier.<br />
Aufgrund der langen Zeitspanne, welche zwischen den ältesten berücksichtigten<br />
Steinhuhn-Beobachtungen und der Auswertung liegt, können mögliche Veränderungen<br />
eine Verzerrung der Datengrundlage verursachen. Die Verbuschung war nach meiner<br />
Ansicht an einigen der älteren Beobachtungspunkte weit vorangeschritten und eine<br />
andauernde Präsenz der Art daher fraglich. Da ich aber keine messbare Grundlage zum<br />
Ausschluss solcher Flächen hatte, gingen diese Probeflächen ungewichtet in die
6 Diskussion 56<br />
Berechnung ein. In den meisten Gebieten werden die Vorkommen durch Beobachtungen<br />
aus verschiedenen Jahren bestätigt.<br />
Bei den erklärenden Variablen könnten wichtige Parameter übersehen worden sein.<br />
Klimatische Parameter kontinuierlich im Feld zu erfassen, war logistisch nicht möglich.<br />
Durch die Auswertung der Expositionsdaten kann zumindest die Bevorzugung warmtrockener<br />
Südlagen gezeigt werden. Durch den umfangreichen Variablenkatalog ist es<br />
insgesamt unwahrscheinlich, dass entscheidende Faktoren nicht berücksichtigt wurden.<br />
Auch auf der Ebene des Regionalmodells spielen populationsbiologische Faktoren eine<br />
Rolle. Der Einfluss ist dabei ähnlich wie beim Atlasmodell. Das Problem der gemittelten<br />
Werte stellt sich auf dieser Skalenebene weniger, da die Flächen in der Regel homogen<br />
waren. Spezielle Brutparameter konnten nicht erhoben werden (s.o.) und auch das<br />
Nahrungsangebot konnte aufgrund fehlender Spezialisierung der Art (vgl. Kap. 3) nicht<br />
über direkte Parameter quantifiziert werden.<br />
6.1.3 Datenauswertung<br />
Das Verfahren der logistischen Regression zur Erstellung von Habitatmodellen gilt<br />
allgemein als robust (MORRISON et al. 1998, KLEYER et al. 1999). MANEL et al. (1999)<br />
wenden allerdings ein, dass das Verfahren anfällig für zufällige Signifikanzen ist. Aufgrund<br />
des umfangreichen Variablenkataloges und der ausreichenden Anzahl an Stichproben, ist<br />
dies aber unwahrscheinlich. Darüber hinaus erfolgt für alle signifikanten Zusammenhänge<br />
eine Diskussion der ökologischen Plausibilität. Letztlich können Habitatmodelle die<br />
Realität aber nie vollständig wiedergeben und ein gut ausgebildeter lokaler Experte kann die<br />
Prognosegüte in vielen Fällen übertreffen (SCHRÖDER 2000). Robuste Habitatmodelle<br />
eignen sich aber für eine räumliche Übertragung der Modelle und garantieren Objektivität<br />
in der Naturschutzpraxis.<br />
Aufgrund der Vielzahl korrelierter Variablen konnten einige signifikante Parameter nicht<br />
gemeinsam in multiplen Modellen verwendet werden oder wurden ganz aus der weiteren<br />
Analyse ausgeschlossen. Durch eine Hauptkomponentenanalyse, wie sie z.B. von LI et al.<br />
(1997) oder MASSOLO & MERIGGI (1998) durchgeführt wurde, ließe sich die<br />
unterschiedliche Information der korrelierten Parameter in der multiplen Modellierung<br />
verwenden. Aufgrund der dabei entstehenden Schwierigkeiten bei der ökologischen<br />
Interpretation wurde allerdings auf diese Möglichkeit der Verbesserung der Modellgüte<br />
verzichtet.<br />
6.2 Diskussion der Ergebnisse<br />
6.2.1 Ökologische Interpretation<br />
Bei der ökologischen Interpretation geht es um die Zusammenhänge zwischen<br />
Habitatparametern und Steinhuhnvorkommen. Als Habitat einer Art wird ein Bereich<br />
bezeichnet, in dem aufgrund seiner spezifischen Kombination von Ressourcen (wie
6 Diskussion 57<br />
Nahrung oder Versteckmöglichkeiten) und Umwelteinflüssen (wie Temperatur oder<br />
Niederschlag), die Ansiedlung von Individuen oder Populationen möglich ist (MORRISON<br />
et al. 1998). Für das Überleben der Art sind natürlich auch die Jungenaufzuchtgebiete<br />
(ZBINDEN, mündl. Mitt.) oder die Schutzmöglichkeiten im Winter von Bedeutung, für<br />
diese müssten aber gesonderte Modelle erstellt werden. Ob die Brutzeit-Modelle den für<br />
das Überleben der Art entscheidenden Zeitraum repräsentieren, ist aber nicht sicher.<br />
BERNARD-LAURENT & LÉONARD (2000) zeigen aber durch Modellierung, dass neben der<br />
Überlebensrate der Jungvögel der Bruterfolg die Wachstumsrate beim Steinhuhn am<br />
meisten beeinflusst.<br />
Atlasmodell<br />
Bei der univariaten Analyse wurden 15 Variablen aus verschiedenen Gründen nicht<br />
weiter berücksichtigt, davon genügten neun den Aufnahmekriterien nicht. Bei einigen<br />
dieser Parameter wurde ein stärkerer Einfluss auf das Steinhuhnvorkommen erwartet. Die<br />
Exposition gilt allgemein als wichtiger Faktor bei der Habitatwahl des Steinhuhns. Die<br />
„Sinustransformierte Exposition“ repräsentiert dabei den Ost-West-Gradienten. In der<br />
Literatur existieren dazu widersprüchliche Angaben. So spricht LÜPS (1980) von einer<br />
hochsignifikanten Bevorzugung von SE und E gegenüber SW und W, ZBINDEN (1984)<br />
und HAFNER (1994) kamen dagegen zu dem Ergebnis, dass SW-Hänge eher besiedelt<br />
werden. In der vorliegenden Arbeit wird ebenfalls eine Bevorzugung der westlichen<br />
Richtungen festgestellt (vgl. Vorzeichen des Regressionskoeffizienten in Anh. 2.3), der<br />
Zusammenhang zum Steinhuhnvorkommen ist aber nicht stark. Der Nutzungstyp<br />
„Maiensässe, Heualpen und Bergwiesen“ scheint den Strukturen, deren Verschwinden<br />
ZBINDEN (1984) und GLUTZ et al. (1973) als Verlust an Brutlebensraum bewerten, zu<br />
entsprechen. Bei genauerer Betrachtung der Definition der Nutzungstypen (Anhang 1.3)<br />
fällt aber auf, dass eher die „Alp- und Juraweiden“ das für die Art günstige Mosaik aus<br />
offenen Flächen, Felsen und Büschen aufweisen. Niedrige Vegetation ist zwar in allen<br />
Brutgebieten der Art vertreten (HAFNER 1994), die Auswertung der Strukturkartierung für<br />
das Regionalmodell zeigt aber, dass eine zu hohe Deckung der Krautschicht negativ mit<br />
dem Vorkommen des Steinhuhns zusammenhängt (Abb. 16). Die geringe Modellgüte des<br />
Parameters „Dichte, niedrige Vegetation“ ist somit verständlich. Die relativ schwachen<br />
Zusammenhänge zwischen den verschiedenen Waldtypen und dem Vorkommen der Art<br />
kommen eventuell durch deren Höhenverbreitung zustande. So können gerade in<br />
Kilometerquadraten mit großer Höhenamplitude an der oberen Grenze Steinhühner<br />
vorkommen, während die unteren Bereiche bewaldet sind. Dadurch wird der an sich<br />
negative Zusammenhang zwischen Waldtyp und Steinhuhn (vgl. Anh. 2.3) weniger<br />
deutlich.<br />
Sechs weitere Variablen wurden wegen Korrelation mit anderen Parametern<br />
ausgeschlossen. Die Parameter „Bewölkungsgrad im Juli“ und „Niederschlagssumme im<br />
Juli“ werden durch die „Wasserbilanz im Juli“ vertreten. Der Zusammenhang zum<br />
Steinhuhnvorkommen ist für letztgenannte stärker. Die Variable wird auch von BOLLIGER
6 Diskussion 58<br />
et al. (2000) anstelle des mittleren Niederschlags verwendet. Die Höhenparameter „Mittlere<br />
Höhe“ und „Höhendifferenz“ weisen zwar sehr hohe Erklärungsgehalte auf, sind aber mit<br />
einer Vielzahl an anderen Variablen korreliert (vgl. Anh. 2.1). Außerdem übt die Höhe<br />
keinen direkten Einfluss auf das Steinhuhn aus. Gelegefunde in der Schweiz sind von 400-<br />
2400 m über NN belegt (LÜPS 1980), entscheidend sind also andere Parameter. Klima,<br />
Nutzung und Vegetationsausprägung werden durch die Höhe beeinflusst, die vom<br />
Steinhuhn bevorzugten Strukturen und damit auch die meisten Vorkommen finden sich in<br />
einer bestimmten Höhenlage (1700-2200m, vgl. auch Anh. 2.9). An Orten, wo die<br />
Strukturtypen „Vegetationsarm oder Vegetationslos“ und „Lückige, niedrige Vegetation“<br />
auftreten, entspricht die Nutzung mit erhöhter Wahrscheinlichkeit dem Typ<br />
„Unproduktive Vegetation“. Da letzterer Nutzungstyp in der univariaten Analyse den<br />
höchsten Erklärungsgehalt aller Variablen aufweist, wurde auf die weitere Berücksichtigung<br />
der genannten Strukturtypen verzichtet.<br />
Die Verläufe der 17 für die Modellbildung berücksichtigten Variablen spiegeln weitgehend<br />
die Angaben aus der Literatur wider. Zu den Klimaparametern liegen allerdings kaum<br />
Angaben zu konkreten Werten vor. Generell bevorzugt das Steinhuhn besonnte Hänge<br />
(PRÄSENT 1979, RAETHEL 1988), die von vielen Autoren beschriebene Südexposition der<br />
Steinhuhnvorkommen (s.u.) spricht ebenfalls für eine Bevorzugung trocken-warmer<br />
Standorte. Auch aus dem häufig als Hauptursache der Bestandsschwankungen genannten<br />
negativen Einfluss regnerischer Sommer (vgl. Kap. 6.3.1) kann geschlossen werden, dass<br />
die umgekehrten Verhältnisse der Art förderlich sind. Dennoch zeigt nur die<br />
Sonneneinstrahlung einen uneingeschränkt positiven Zusammenhang mit dem<br />
Vorkommen des Steinhuhns. Alle anderen Klimavariablen zeigen einen glockenförmigen<br />
(unimodalen) Kurvenverlauf (Abb. 10). Dabei wird wieder der Höheneinfluss sichtbar. In<br />
den höchsten Regionen entsprechen die klimatischen Bedingungen nicht den Ansprüchen<br />
der Art. Unterhalb der Waldgrenze ist dies zwar der Fall, geeignete (waldfreie) Bereiche<br />
sind aber die Ausnahme. Auffällig ist, dass die bevorzugte Temperatur von etwa 10° C<br />
relativ genau der Definition der potentiellen Waldgrenze entspricht (vgl. Kap. 6.2.4). Bei<br />
der „Wasserbilanz“ ist der Kurvenverlauf ebenfalls höhenabhängig. Negative Werte der<br />
Variablen „Wasserbilanz“ bedeuten, dass mehr Niederschlag fällt als verdunsten kann. Da<br />
die Niederschlagswahrscheinlichkeit mit der Höhe steigt (Steigungsregen), handelt es sich<br />
in diesem Fall um höhergelegene Bereiche. Dass „nasse“ Bereiche gemieden werden,<br />
stimmt auch mit der oben beschriebenen Bevorzugung trocken-warmer Standorte überein.<br />
Sehr hohe Werte werden bei der Wasserbilanz, wie bei den anderen Klimaparametern, nur<br />
unterhalb der Waldgrenze erreicht.<br />
Von den Parametern der Geostatistik zeigt die „Neigung“ den deutlich stärkeren<br />
Zusammenhang. Die Bevorzugung steiler Hänge wird von vielen Autoren bestätigt (GLUTZ<br />
et al. 1973, ZBINDEN & SALVIONI 2003). Die Angaben reichen von 10° bis 60° (HAFNER<br />
1994), Schwerpunkte liegen je nach Studie bei 36-43° (LÜPS & HEYNEN 1978), 18-29°<br />
(LÜPS 1980), oder 30-45° (HAFNER 1994). Bei der eigenen Erfassung im Tessin wurde eine
6 Diskussion 59<br />
maximale Neigung von 58° festgestellt, Neugradklassen oberhalb der Stufe 13 (entspricht<br />
54-58,4 Altgrad, siehe Anh. 1.2) dürften also in der Realität kaum besiedelt werden. Bei der<br />
Neigung handelt es sich aber wohl um keinen direkten Zusammenhang mit dem<br />
Vorkommen des Steinhuhns. Sowohl LÜPS (1978) als auch HAFNER (1994) betonen den<br />
Einfluss der Neigung (in Verbindung mit der Exposition) auf ein frühes Ausapern (je<br />
steiler, desto höher die Sonneneinstrahlung, desto weniger setzt sich Schnee fest, da er<br />
leichter abrutscht). Schneefreie Flächen sind für den wenig an den Hochwinter angepassten<br />
Standvogel (LÜPS 1981b, GOSSOW et al. 1992, SCHMID et al. 1998) von entscheidender<br />
Bedeutung. Außerdem weisen steile Hänge oft die für das Steinhuhn vorteilhafte<br />
Verbindung von krautiger Vegetation, Offenboden und Fels auf (HAFNER 1994). Bei der<br />
„Exposition“ findet sich nach den Literaturangaben eine noch stärkere Spezialisierung als<br />
bei der Neigung (84% aller Beobachtungen zwischen SE und SW (ZBINDEN 1984)). Da<br />
aber pro Kilometerquadrat nur eine dominante Exposition errechnet wurde und außerdem<br />
kleine, geeignete Bereiche mit Steinhuhnvorkommen einer ansonsten überwiegend<br />
„ungünstig“ ausgerichteten Rasterzelle dieser komplett ein „Vorkommen“ zuweisen, zeigt<br />
sich auf dieser Skalenebene nur ein schwacher Zusammenhang. Eine Bevorzugung von<br />
südlich ausgerichteten Hängen lässt sich aber dennoch erkennen (Abb. 10).<br />
Fast alle der Nutzungsparameter zeigen einen unimodalen Kurvenverlauf (Abb. 11). Dies<br />
deutet darauf hin, dass die Art mosaikartige Strukturen bevorzugt. Selbst eindeutig positiv<br />
mit dem Steinhuhnvorkommen korrelierte Parameter („Alpweiden“ oder „Unproduktive<br />
Vegetation“) zeigen bei zu hohen Flächenanteilen einen negativen Einfluss auf die<br />
Vorkommenswahrscheinlichkeit. Die Häufigkeitsklasse „vorhanden, aber nicht<br />
dominierend“ wird auch von LÜPS & HEYNEN (1978) als bevorzugter Deckungsgrad<br />
angegeben. Lediglich „Geschlossene Wälder“ werden eindeutig gemieden. „Aufgelöste<br />
Wälder“ und „Gebüschwälder“ sind dagegen bis zu Flächenanteilen von gut 20% an der<br />
Rasterzelle positiv mit dem Steinhuhnvorkommen korreliert. Die Definition der beiden<br />
Nutzungstypen (Anh. 1.3) präzisiert die geringe Deckung der „Aufgelösten Wälder“ (20-<br />
60%) und nennt Grünerlengebüsche an der Waldgrenze im Alpenraum als eine der<br />
häufigsten Ausprägung der „Gebüschwälder“. Dies passt zu Beobachtungen von ZBINDEN<br />
(1984) und BOCCA (1990), die das Vorhandensein eines lockeren Baumbestandes als zwar<br />
nicht notwendig, aber durchaus günstig für die Art einstufen. In der Regel werden<br />
Deckungsgrade von 20 (POMPILIO et al. 2003) bis maximal 30 oder 40% akzeptiert (BOCCA<br />
1990). Das Vorkommen von Steinhühnern bei aufkommendem Grünerlenbewuchs wird<br />
von PRÄSENT (1979) bestätigt und die Eignung von Grünerlengebüschen als Äsungsgebiete<br />
im Frühjahr wird von HAFNER (1994) beschrieben. Genutzt werden Einzelbäume und<br />
Büsche vor allem als Schutz- und Schattenspender für Ruhe- und Schlafphasen (LÜPS &<br />
HEYNEN 1978, BOCCA 1990, ZBINDEN & SALVIONI 2003). Der Nutzungstyp „Alp- und<br />
Juraweiden“ entspricht dem von vielen Autoren als für die Art günstig beschriebenen<br />
Mosaik aus Weideflächen, die mit Büschen, Trockenmauern, Zäunen und Felsen<br />
durchsetzt sind (BOCCA 1990, GOSSOW et al. 1992, HAFNER 1994). Diese Bereiche werden
6 Diskussion 60<br />
außer im Winter z.T. auch zur Brutzeit genutzt. Die „Unproduktive Vegetation“ schließt<br />
mit zunehmender Höhe direkt an den vorgenannten Bereich an und ist der für das<br />
Vorkommen des Steinhuhns wichtigste Nutzungstyp. Bei der Definition in Anhang 1.3<br />
werden entscheidende Strukturelemente genannt. Gras- und Krautvegetation sowie<br />
Zwergstrauchvegetation sind die meistgenannten Vegetationseinheiten bei der<br />
Beschreibung der Steinhuhnhabitate (HESS 1979, ZBINDEN 1984, SCHMID et al. 1998).<br />
Einzelne Gebüsche und ehemaliges Kulturland können die Vorkommenswahrscheinlichkeit<br />
erhöhen (s.o.). Auch die „Vegetationslosen Flächen“ bis zu einem Flächenanteil<br />
von etwa 25% hängen mit dem Steinhuhnvorkommen positiv zusammen. Dieser Anteil<br />
scheint ein wenig hoch, HAFNER (1994) gibt für den Brutzeitraum einen<br />
Gesamtdeckungsgrad der Vegetation von 80-90% an.<br />
Die Vegetationsparameter weisen insgesamt eher geringe Erklärungsgehalte auf (Tab. 8),<br />
es lassen sich aber eindeutige Tendenzen feststellen. Der Strukturtyp „Dichte, höhere<br />
Gras- und Seggenfluren“ zeigt einen negativen Zusammenhang mit dem<br />
Steinhuhnvorkommen. Dies stimmt mit der von LÜPS (1981b) beschriebenen „Meidung<br />
dichter und hoher Pflanzendecken“ überein. Dass der Strukturtyp „Staudenfluren“ positiv<br />
mit dem Vorkommen der Art übereinstimmt, überrascht. Der Deckungsgrad von 75%, der<br />
in Abbildung 12 die höchsten Vorkommenswahrscheinlichkeiten verursacht, tritt in der<br />
Realität aber kaum auf und nur in einem Fall liegt in der entsprechenden Rasterzelle auch<br />
ein Vorkommen des Steinhuhns. Es scheint sich hier also, wie schon bei der „Exposition“<br />
beschrieben, um Artefakte zu handeln, welche durch die hohe Heterogenität der<br />
Kilometerquadrate zustande kommen. Es kann sich auch um Einflüsse der jahreszeitlichen<br />
Entwicklung handeln, denn wie HAFNER (1994) bemerkt, können Staudenfluren im<br />
Frühjahr, wenn nach der Schneeschmelze durch die niedergedrückten Pflanzenteile neues<br />
Grün hervorkommt, durchaus als Äsungsgebiete geeignet sein, im Sommer werden sie<br />
dann aber gemieden. Aus diesem Grund wurden die „Staudenfluren“ bei der Erstellung der<br />
multiplen Modelle berücksichtigt. Neben der krautigen Vegetation sind die<br />
„Zwergsträucher und niedrigen Gebüsche“ die wichtigsten Vegetationseinheiten für die<br />
Steinhühner. Zu hohe Deckungen werden dabei gemieden (Abb. 12). „Höhere Gebüsche“<br />
dagegen sind eindeutig negativ mit dem Vorkommen der Art korreliert. Auch GLUTZ et al.<br />
(1973), ZBINDEN (1984), und HAFNER (1994) bestätigen, dass Zwergstrauchgesellschaften<br />
geringer Dichte (bis ca. 15%) zu den Charakteristika der Steinhuhnhabitate gehören,<br />
während eine dominierende Strauchschicht gemieden wird (LÜPS & HEYNEN 1978). Der<br />
negative Einfluss des Strukturtyps „Gras-, Hochstauden-, Kraut-, oder Zwergstrauchreiche<br />
Laubwälder“ stimmt mit den Überlegungen im Zusammenhang mit dem Nutzungstyp<br />
„Geschlossener..Wald“..(s.o.)..überein.<br />
Als bestes multiples Modell des Modellblocks für den maximalen Informationsgewinn<br />
wurde Modell A1-1 ermittelt (Tab. 12). Es berücksichtigt Parameter aus allen Bereichen<br />
(Klima, Geostatistik, Nutzung und Vegetation). Das optimale Bruthabitat ließe sich<br />
demnach als warm-trockene, südexponierte Mosaiklandschaft aus überwiegend
6 Diskussion 61<br />
ungenutztem Offenland, ohne dichten Wald, aber mit einzelnen Baum- und Buschgruppen<br />
beschreiben. Dies passt sehr genau mit den Literaturangaben zu Ökologie und bevorzugter<br />
Habitatstruktur von GLUTZ et al. (1973), ZBINDEN (1984), HAFNER (1994), SCHMID (1998)<br />
und ZBINDEN & SALVIONI (2003) überein. Mit acht berücksichtigten Variablen ist die<br />
Gefahr eines overfittings (Überanpassung) allerdings als relativ hoch einzuschätzen. Dadurch<br />
leidet die Übertragbarkeit des Modells. BOLLIGER (2002) erkannte in einer vergleichenden<br />
Studie, dass eine erhöhte Komplexität der Modelle nicht unbedingt die „Genauigkeit“<br />
dieser Modelle erhöhte und stellte innerhalb der letzten zehn Jahre einen Trend zur<br />
Vereinfachung und erhöhten Flexibilität fest. Auch SCHRÖDER & REINEKING (2004a)<br />
sehen overfitting als häufiges Problem an. Die Validierung mittels bootstrapping führt<br />
tatsächlich zu etwas geringeren Gütemaßen, weshalb ein zweiter Modellblock mit<br />
schärferen Aufnahmekriterien für den Variablenkatalog erstellt wurde.<br />
Modell A2-1 wurde aus denjenigen Variablen erstellt, die schon in Modell A1-1 den<br />
stärksten Einfluss auf das Vorkommen des Steinhuhns ausüben (vgl. Anh. 2.8). Aus jedem<br />
der Bereiche Klima, Geostatistik und Nutzung ist diejenige Variable vertreten, die schon in<br />
der univariaten Analyse meist den stärksten Zusammenhang aufweist. Durch die<br />
Kombination kann der Erklärungsgehalt gegenüber dem besten univariaten Wert<br />
verdoppelt werden. Gegenüber dem oben beschriebenen Modell unter Verwendung von<br />
acht Variablen ist der Informationsverlust relativ gering und die mittels bootstrapping<br />
ermittelten korrigierten Werte weichen nur minimal von den Originalwerten ab.<br />
Abbildung 13 zeigt den Modellverlauf bei drei verschiedenen Variablenkombinationen.<br />
Liegt die Neigung unter 5°, so werden korrekterweise keine Vorkommen vorhergesagt.<br />
Dies gilt unabhängig vom Zustand der anderen Variablen. Bei einer Neigung von etwa 24°<br />
werden bei günstiger Kombination der übrigen Variablen bereits Vorkommen oberhalb des<br />
Schwellenwertes prognostiziert, bei einer Neigung von knapp 60° liegt fast die gesamte<br />
Modellfläche über dem Schwellenwert. Noch höhere Vorkommenswahrscheinlichkeiten<br />
ließen sich durch noch höhere Neigungsstufen erreichen, aber bereits Flächen um 60° sind<br />
als extrem steil einzustufen und bilden die Obergrenze der akzeptierten Neigung.<br />
Die berücksichtigten Variablen wirken nicht nur direkt, sondern beschreiben indirekt auch<br />
weitere Aspekte des Steinhuhnlebensraumes. So sind die positiv mit dem Vorkommen der<br />
Art korrelierten Variablen „Sonneneinstrahlung“ und „Neigung“ wichtige Faktoren für das<br />
frühe Ausapern der Flächen, das bereits bei der Diskussion der univariaten Ergebnisse als<br />
wichtiges Charakteristikum der Steinhuhnhabitate beschrieben wurde. Da natürlich die<br />
Sonneneinstrahlung auf südlich ausgerichteten Flächen am höchsten ist, spielt auch die<br />
Exposition in diesem Modell eine Rolle, ohne dass sie als Variable berücksichtigt wäre.<br />
Ähnliches gilt für die Variable „Unproduktive Vegetation“, die für eine unbestockte,<br />
strukturreiche Landschaft im Übergang der alpwirtschaftlich genutzten Flächen zu den<br />
vegetationslosen Bereichen mit überwiegend Kraut- und Grasvegetation (siehe auch<br />
Korrelation mit den Strukturtypen „Vegetationsarm oder Vegetationslos“ und „Lückige,<br />
niedrige Vegetation“ in Anh. 2.1), Felsanteil, Zwergsträuchern und Büschen (Korrelation
6 Diskussion 62<br />
mit Strukturtyp „Zwergsträucher und niedriges Gebüsch“) steht. Auch dies gleicht der<br />
Beschreibung eines für das Steinhuhn optimalen Lebensraumes, ökologisch ist dieses<br />
Modell also sinnvoll.<br />
Die Prognose- und Habitateignungskarten zeigen die auf die gesamte Fläche der<br />
Schweiz angewendeten Modelle A1-1 (Abb. 14) und A2-1 (Abb. 15). Die Artefakte im<br />
südlichen Bereich kommen durch fehlende Werte für die Neigung im Ausgangsdatensatz<br />
zustande. Aufgrund der geringeren Variablenanzahl und dem damit etwas niedrigeren<br />
Erklärungsgehalt prognostiziert Modell A2-1 etwas „unschärfer“ und aufgrund des<br />
niedrigeren Schwellenwertes werden Vorkommen in mehr Rasterzellen als beim Modell<br />
A1-1 vorhergesagt. Inwieweit die Prognosekarte mit den tatsächlichen Vorkommen<br />
übereinstimmt, kann durch eine Gegenüberstellung mit der „Vergleichskarte“ zur aktuellen<br />
Verbreitung der Art (in SCHMID et al., S. 218) überprüft werden. Hinsichtlich des<br />
maximalen Verbreitungsgebietes ist für beide Modelle eine relativ gute Übereinstimmung<br />
zwischen den prognostizierten Werten und der „Vergleichskarte“ festzustellen. Die entlang<br />
der nördlichen Voralpen gelegene Verbreitungsgrenze ist gut erkennbar, lediglich im<br />
Bereich von Thuner-, Sarner-, Vierwaldstätter- und Walensee (in einem Fall auch im Jura)<br />
werden gegenüber der heutigen Verbreitung etwas zu weit nördliche Vorkommen<br />
vorhergesagt. Vor allem Modell A2-1 zeigt in der Ostschweiz eine zu dichte Besiedlung.<br />
Bei der Prognose können zwei Fehler auftreten, die inhaltlich unterschieden werden<br />
müssen. Fehler 1. Art (MORRISON et al. 1998) führen zu falschen Vorkommensprognosen<br />
(vorhergesagte Präsenz bei beobachteter Absenz). Häufige Ursachen dafür sind, dass<br />
potentiell geeignete Habitate nicht besetzt sind, wichtige Habitatparameter mit negativem<br />
Einfluss auf die Art nicht berücksichtigt wurden oder die Art trotz Anwesenheit übersehen<br />
wurde. Fehler 1. Art sind problematisch, wenn auf der Basis der Prognosekarte teure<br />
Maßnahmen zum Erhalt oder zur Verbesserung der Habitatqualität durchgeführt werden<br />
sollen. Beim Steinhuhn, das innerhalb der Schweiz seine nördliche Verbreitungsgrenze<br />
aufweist, und dessen Bestände sich bis in die 1980iger Jahre rückläufig entwickelten<br />
(ZBINDEN 1984, SCHMID et al. 1998), ist die Wahrscheinlichkeit, dass Fehler 1. Art<br />
auftreten, relativ hoch. Üblicherweise werden bei sinkenden Bestandszahlen die peripheren<br />
Arealbereiche zuerst verlassen. Dies wurde auch im Fall des Steinhuhns bereits beschrieben<br />
(MAGNANI et al. 1990). ZBINDEN (1984) stellt gleichzeitig mit dem Rückgang der<br />
Steinhuhnbestände eine stärkere Bindung an die bevorzugten Südlagen fest, weniger<br />
günstige Habitate werden gemieden. Die Schwierigkeiten bei der Erfassung des Steinhuhns<br />
wurden bereits beschrieben (vgl. Kap. 6.1) und verursachen möglicherweise Fehler 1. Art.<br />
Zumindest beim Modell A2-1 ist aber die fehlende Berücksichtigung qualitätsmindernder<br />
Faktoren sicherlich für den Großteil der Fehler 1. Art verantwortlich (alle drei Variablen im<br />
Modell weisen einen positiven Zusammenhang mit dem Vorkommen der Art auf). Modell<br />
A1-1 ist diesbezüglich weniger anfällig.<br />
Fehler 2. Art (MORRISON et al. 1998) führen zu falschen Nichtvorkommensprognosen<br />
(vorhergesagte Absenz bei beobachteter Präsenz). Ursachen sind übersehene, wichtige
6 Diskussion 63<br />
Habitatparameter, die einen positiven Einfluss auf das Vorkommen der Art ausüben oder<br />
wandernde Tiere. In der vorliegenden Arbeit ist die Wahrscheinlichkeit, dass diese<br />
Fehlerquelle eine Rolle spielt, als gering einzustufen. Auf den Einfluss qualitätsmindernder<br />
oder -fördernder Faktoren wurde bereits eingegangen, und zur Brutzeit weist die Art eine<br />
ausgesprochene Standortstreue auf (GLUTZ et al. 1973). Fehler 2. Art wären dann<br />
problematisch, wenn durch geplante oder durchgeführte Eingriffe nicht erkannte Habitate<br />
verloren gehen.<br />
Ein Maß, das den Anteil der Fehler 1. und 2. Art gleich groß hält, ist der Schwellenwert<br />
P fair . Die Wahl des Schwellenwertes beeinflusst die Vorkommensprognose erheblich und<br />
führt zu unterschiedlichen Ergebnissen bei der Gegenüberstellung mit der<br />
„Vergleichskarte“. Vor allem bei Modell A1-1 zeigt sich, dass gerade die nördlichsten<br />
Bereiche sehr geringe Vorkommenswahrscheinlichkeiten aufweisen. Mit P fair als<br />
Schwellenwert werden auch im Jura einige Vorkommen prognostiziert (in dieser Hinsicht<br />
entspricht Modell A2-1 der Realität besser!), wählt man P kappa als Schwellenwert, so<br />
werden an der Nordgrenze der Verbreitung nur sehr wenige, weit voneinander entfernte<br />
Vorkommen vorhergesagt, deren Nicht-Besiedlung aus populationsbiologischer Sicht<br />
verständlich scheint. Würde man den a priori Wert P krit = 0,5 als Schwellenwert verwenden<br />
und die Vorkommen danach, wie in SCHMID et al. (1998) in 10 x 10 km Rasterzellen<br />
darstellen, so käme man der „Vergleichskarte“ am nächsten. Die Wahl des Schwellenwertes<br />
kann je nach Fragestellung unterschiedlich ausfallen, für die Prognosekarte habe ich P kappa<br />
gewählt, in den Habitateignungskarten werden auch die Ergebnisse auf Basis von P fair und<br />
P krit = 0,5 dargestellt.<br />
Eine weitere Vergleichsmöglichkeit besteht zwischen den Habitateignungskarten und der<br />
Dichtekarte aus SCHMID et al. (1998, S. 218), welche auf Basis vergleichbarer Höhenstufen<br />
durch Interpolierung zwischen den erhobenen Kilometerquadraten erstellt wurde. In<br />
diesem Fall werden Unterschiede zwischen den beiden Modellen deutlich.<br />
Vorkommenswahrscheinlichkeiten über 50% werden für das Modell A2-1 im Wallis, Tessin<br />
und Graubünden, aber auch relativ weit in die Nordalpen hinein vorhergesagt. Modell A1-1<br />
dagegen weist hohe Dichten vor allem im Wallis (nördlich und südlich des Rhonetals auf<br />
der Höhe von Visp), im Tessin (auf den Bergrücken zwischen den Tälern Maggia- und<br />
Verzascatal und verstärkt zwischen Verzasca- und Ticinotal und auch im Osten an der<br />
Grenze zu Italien) und verstreut zwischen Vorder- und Hinterrhein auf. Setzt man hohe<br />
Dichten mit hohen Vorkommenswahrscheinlichkeiten gleich, so entspricht dies sehr gut<br />
den Angaben aus SCHMID et al. (1998), nur im östlichsten Graubünden werden in der<br />
vorliegenden Arbeit geringere Werte erreicht. Die hohen Werte könnten bei der genannten<br />
Untersuchung durch Randeffekte bei der Interpolierung verursacht sein. Neigung und<br />
Exposition wurden ebenfalls nicht berücksichtigt, sind aber wichtige Habitatparameter für<br />
das Steinhuhn und in den Modellen der vorliegenden Arbeit integriert. Bei der<br />
Habitateignungskarte handelt es sich allerdings lediglich um das Potential einer möglichen
6 Diskussion 64<br />
Verbreitung, die tatsächliche Verteilung der Art im Raum kann nur durch dynamische<br />
Modelle simuliert werden.<br />
Zusammenfassend ist feststellbar, dass die prognostizierten Vorkommenswahrscheinlichkeiten<br />
insgesamt gut mit den aktuellen Kenntnissen zum Steinhuhn<br />
übereinstimmen. Das maximale Verbreitungsgebiet wird von beiden Modellen weitgehend<br />
in Übereinstimmung mit der Realität beschrieben. Die tatsächliche Verteilung und die<br />
Bereiche mit der höchsten Vorkommenswahrscheinlichkeit werden unter Verwendung der<br />
maximalen Information (Modell A1-1) deutlich besser vorhergesagt als mit einem<br />
vereinfachten Modell mit drei Variablen (Modell A2-1).<br />
Regionalmodell<br />
Bei der univariaten Analyse wurden 20 Variablen aus verschiedenen Gründen nicht<br />
weiter berücksichtigt. Aufgrund der Vielzahl der Parameter wird hier nur auf diejenigen<br />
näher eingegangen, bei denen ein stärkerer Zusammenhang zu erwarten war, oder die<br />
wegen Korrelation bei der multiplen Analyse nicht berücksichtigt wurden. Die Analyse der<br />
„Neigung“ ergab auf diesem Skalenniveau eine geringere Modellgüte als auf der Atlasebene.<br />
Wie schon beschrieben, ist die „Einnischung“ der Art bei der „Neigung“ weniger<br />
stark als bei der „Cosinustransformierten Exposition“. Dies macht sich auf dieser Skala<br />
bemerkbar, da Artefakte durch die Mittelwertbildung keine Rolle spielen. Auch für die<br />
gegenüber dem Atlasmodell weniger deutlichen Zusammenhänge bei den Nutzungstypen<br />
„Geschlossener Wald“, „Alpweiden“ und „Vegetationslose Flächen“ sind unterschiedliche<br />
Methoden verantwortlich. Die Nutzungstypen auf der regionalen Ebene wurden als binäre<br />
Variablen behandelt (ja/nein). Dies führt zu weniger differenzierten Ergebnissen (vgl. Kap.<br />
5.3). Die ökologischen Überlegungen, die zum Ausschluss der korrelierten Variable<br />
„Höhe“ geführt haben, wurden bereits bei der Diskussion der Variablen für die Atlas-<br />
Modellierung genannt. Die Variable „Nachbarnutzung“ ist stark positiv mit der<br />
„Nachbarvegetation“ korreliert, letztere wurde aufgrund der besseren Modellwerte<br />
bevorzugt. Die „Gesamtdeckung“ korreliert negativ mit wichtigen Variablen wie<br />
„Nachbarvegetation“ oder „Strukturvielfalt“ die höhere Erklärungsgehalte aufweisen und<br />
daher in den Variablenkatalog für die multiple Modellierung aufgenommen werden. Die<br />
„Maximale Höhe der Krautschicht“ ist positiv mit der „Mittleren Höhe der Krautschicht“<br />
korreliert. Letztere weist einen wesentlich höheren Zusammenhang zum<br />
Steinhuhnvorkommen auf und ist auch besser interpretierbar. Die Variable „Abstand vom<br />
Wald“ weist zwar neben der „Mittleren Höhe der Krautschicht“ den höchsten<br />
Erklärungsgehalt aller Variablen auf, korreliert aber negativ mit dieser und einer Vielzahl<br />
anderer Parameter (vgl. Anh. 2.2). Dort wo der „Anteil der von Steinen bedeckten Fläche“,<br />
angegeben als Prozent der Gesamtfläche, hoch ist, steigt auch die Wahrscheinlichkeit für<br />
das „Vorhandensein größerer Felsen“. Die letztgenannte Variable weist den höheren<br />
Erklärungsgehalt auf und wird deshalb bei der multiplen Modellierung verwendet.<br />
Die univariaten Verläufe der zehn für die Modellbildung berücksichtigten Variablen<br />
spiegeln weitgehend die Angaben aus der Literatur wider. Aus dem Bereich der
6 Diskussion 65<br />
Geostatistik wurde nur die „Cosinustransformierte Exposition“ in der multiplen Analyse<br />
berücksichtigt. Es zeigte sich ein deutlicher Zusammenhang zwischen Südausrichtung und<br />
Steinhuhnvorkommen (Abb. 16). Eine eindeutige Bevorzugung von Südexpositionen<br />
nennen auch GLUTZ et al. (1973), LÜPS (1980) und SCHMID et al. (1998). ZBINDEN (1984)<br />
stellte nördliche Ausrichtungen nur bei 3% fest (s. auch BOCCA (1991)).<br />
Nur zwei Nutzungstypen zeigten einen signifikanten Zusammenhang mit dem<br />
Steinhuhnvorkommen, davon entsprach nur die „Unproduktive Vegetation“ den<br />
Aufnahmekriterien. Schon bei der Modellierung zum Atlasmodell hatte diese Variable<br />
einen stark positiven Einfluss, die dort genannten Argumente werden durch das Ergebnis<br />
auf der Skalenebene des Regionalmodells bekräftigt.<br />
Die Ausprägung der Vegetation spielt bei der Habitatwahl des Steinhuhns eine<br />
entscheidende Rolle. Dabei scheinen weniger bestimmte Vegetationseinheiten wichtig zu<br />
sein, als vielmehr die Vegetationszusammensetzung der Umgebung und bestimmte<br />
Vegetationsstrukturen. Nur ein Strukturtyp genügte den Aufnahmekriterien für die multiple<br />
Modellierung. Die „Zwergsträucher und niedrigen Gebüsche“ wurden bereits bei der<br />
Diskussion der Atlas-Parameter als wichtige Einheiten für das Steinhuhnvorkommen<br />
genannt. Der negative Einfluss zu hoher Deckungsgrade (HAFNER 1994) wird allerdings<br />
wenig deutlich (Abb. 16). Die Umgebungsvariable „Nachbarvegetation“ ist positiv mit dem<br />
Vorkommen der Art korreliert und zeigt einen starken Einfluss auf die<br />
Vorkommenswahrscheinlichkeit. Dies bedeutet, dass auch in der näheren Umgebung der<br />
Steinhuhnvorkommen eine für die Art günstige Vegetationszusammensetzung vorhanden<br />
sein muss, bzw. dass der untersuchte Ausschnitt des Aktions- und Lebensraumes nicht<br />
unabhängig von der Beschaffenheit der Umgebung ist. Die Vorkommenswahrscheinlichkeit<br />
steigt dabei, wenn die Anzahl der Strukturtypen steigt, die in der univariaten<br />
Analyse einen positiven Zusammenhang mit dem Steinhuhnvorkommen aufweisen. Die<br />
Ergebnisse könnten durch die teilweise unterschiedliche Probeflächengröße verzerrt<br />
werden. Da ich aber alle Flächen standardisiert auf Basis der Homogenität ausgewählt<br />
habe, ist die Vergleichbarkeit gewährleistet. Die „Deckung der Waldschicht“ zeigt einen<br />
sehr starken, negativen Einfluss. Bereits bei einem Deckungsgrad von etwa 8% geht die<br />
Vorkommenswahrscheinlichkeit gegen Null (Abb. 16). Dies stimmt zwar mit den<br />
Beobachtungen von GLUTZ et al. (1973) und ZBINDEN (1984) überein, die geschlossene<br />
Wälder mit stark gestörtem Rasenunterwuchs als gemiedene Bereiche<br />
bezeichnen, allerdings gilt dies nach BOCCA (1990) erst ab einem Deckungsgrad von 30-<br />
40%. Die Deckung der Krautschicht mit einem Optimum bei 75% (Abb. 16) dagegen<br />
entspricht relativ genau den Literaturangaben. So gibt HAFNER (1994) einen<br />
Gesamtdeckungsgrad von 60-70% im Frühjahr und 80-90% im Sommer an, wobei der<br />
Anteil der Krautschicht ganzjährig dominiert. Bei LÜPS & HEYNEN (1978) gehörte „die ½<br />
oder mehr des Bodens bedeckend aber nicht dominierend“ zu den am häufigsten<br />
auftretenden Deckungsklassen. Die „Mittlere Höhe der Krautschicht“ mit einem Optimum<br />
bei 20 cm passt exakt zu Beobachtungen, die BOCCA (1990) bei Untersuchungen im
6 Diskussion 66<br />
Aostatal in Italien beschreibt. Der Verlauf der Kurve zur „Anzahl der Einzelbäume“ gleicht<br />
fast einer Geraden. Der Zusammenhang zum Steinhuhnvorkommen ist negativ, aber selbst<br />
bei einer Einzelbaumanzahl von 100 werden noch Vorkommenswahrscheinlichkeiten um<br />
0,5 erreicht. Steinhuhnvorkommen bei lockerem Baumbestand werden von vielen Autoren<br />
beschrieben (LÜPS & HEYNEN 1978, RAETHEL 1988, SCHMID et al. 1998). Als „günstig,<br />
aber nicht notwendig“ wird das Vorhandensein höherer Holzpflanzen von ZBINDEN<br />
(1984) und BOCCA (1990) eingestuft. In einem Untersuchungsgebiet von HAFNER (1994)<br />
traten an über 70% der Beobachtungen Krüppelfichten auf. Bäume mit einer Höhe von<br />
über vier Metern kamen bei etwa 50% der Beobachtungen vor. Die Bäume können an<br />
Stelle von größeren Felsvorsprüngen und –blöcken Deckung und Schatten spenden<br />
(ZBINDEN & SALVIONI 2003). Die Möglichkeit eines sofortigen Abflugs hangabwärts muss<br />
dabei immer gewährleistet sein (LÜPS 1976).<br />
Zwei Strukturparameter wurden in die multiple Analyse aufgenommen. Das<br />
„Vorhandensein größerer Felsen“ als wichtiger Parameter ist in der Literatur gut belegt<br />
(GLUTZ et al. 1973, PRÄSENT 1979, HAFNER 1994) und wird durch die vorliegende Analyse<br />
bestätigt. Einen noch höheren, ebenfalls positiven Zusammenhang mit dem Vorkommen<br />
des Steinhuhns zeigt die „Strukturvielfalt“. In der vorliegenden Arbeit wurde eine<br />
subjektive Klasseneinteilung vorgenommen, deren Ergebnisse gut mit den Beschreibungen<br />
anderer Autoren übereinstimmen. Reichstrukturierte Bereiche mit mosaikartigem Wechsel<br />
offener Strukturen werden von LÜPS & HEYNEN (1978) und BOCCA (1990)<br />
zusammenfassend als Habitatcharakteristika genannt. HAFNER (1994) stellte bei 2/3 der<br />
Beobachtungen stark strukturiertes Gelände fest (reliefbezogen).<br />
Kombiniert man die zwei Parameter zur Vegetationsstruktur, die schon in der univariaten<br />
Analyse die höchsten Erklärungsgehalte aller Variablen aufwiesen („Mittlere Höhe der<br />
Krautschicht“ und „Nachbarvegetation“) mit dem Nutzungstyp „Unproduktive<br />
Vegetation“ und der „Deckung der Krautschicht“ zu einem multiplen Modell, so erhält<br />
man ein annähernd perfektes Modell (Modell R-1, Tab. 19). Bei dieser Zusammenstellung<br />
wird deutlich, dass auch Variablen wie die „Unproduktive Vegetation“, die als univariates<br />
Modell einen vergleichsweise geringen Zusammenhang mit dem Steinhuhnvorkommen<br />
zeigen (Tab. 16), in der Kombination wichtige zusätzliche Information liefern können. Im<br />
vorliegenden Fall ermöglicht es die entsprechende Variable, über die Krautschicht hinaus<br />
Aussagen zur Habitatausprägung zu erstellen (unbestockt, strukturreich, im Übergang der<br />
alpwirtschaftlich genutzten Flächen zu vegetationslosen Bereichen mit Felsanteil,<br />
Zwergsträuchern und Gebüsch). Im Zusammenspiel mit den offenbar entscheidenden<br />
Merkmalen der Krautschicht (Mittlere Höhe = 20 cm, hoher Deckungsgrad) und einer<br />
Umgebung mit einer Vielzahl der bevorzugten Vegetationstypen (ein möglichst hoher Wert<br />
für die „Nachbarvegetation“, kommt durch niederwüchsige, meist lückige<br />
Vegetationseinheiten zustande) wird so das „Optimalhabitat“ ausreichend beschrieben.<br />
Variablen wie die „Cosinustransformierte Exposition“ oder das „Vorhandensein größerer<br />
Felsen“ werden dann aus dem multiplen Modell ausgeschlossen.
6 Diskussion 67<br />
Wie sich bei der Validierung zeigte (Abb. 17), führte diese Variablenkombination bei einer<br />
Vielzahl von bootstraps dazu, dass überhaupt kein Modell geschätzt werden konnte. In<br />
diesen Fällen liegt vollständige Separation vor (alle prognostizierten Vorkommen und<br />
Nichtvorkommen stimmen mit den beobachteten Werten überein) und das Verfahren der<br />
maximum likelihood kann aus numerischen Gründen nicht mehr angewandt werden<br />
(REINEKING & SCHRÖDER 2004b). Schließt man die „Mittlere Höhe der Krautschicht“ aus<br />
der Modellierung aus, so werden diese Probleme umgangen und das beste Modell dieses<br />
Blocks (Modell R-3) weist immer noch hervorragende Gütemaße auf.<br />
Ökologisch lässt sich Modell R-3 sogar etwas besser interpretieren. So wird der wichtige<br />
Klimaeinfluss durch die Bevorzugung südlich exponierter Bereiche berücksichtigt. Die<br />
„Cosinustransformierte Exposition“ hat sogar den höchsten Einfluss innerhalb des<br />
Modells (vgl. Anh, 2.8). Das Vorhandensein von Zwergsträuchern, auch als Anzeiger für<br />
Strukturvielfalt anzusehen (da mit dieser korreliert, siehe Anh. 2.2), wird in diesem Modell<br />
explizit miteinbezogen. Durch die „Nachbarvegetation“ wird die Umgebung als<br />
überwiegend niedrigbewachsene, felsdurchsetzte (positive Korrelation mit „Anteil der von<br />
Steinen bedeckten Fläche“) Landschaft mit Offenbodenanteil (negative Korrelation mit der<br />
„Gesamtdeckung“), in einiger Entfernung vom Wald (negative Korrelation mit „Abstand<br />
vom Wald“) beschrieben. Aus diesem Grund würden die Variablen „Unproduktive<br />
Vegetation“ und „Vorhandensein größerer Felsen“ keine wesentlichen neuen<br />
Informationen mehr liefern und werden ausgeschlossen. Die „Deckung der Krautschicht“<br />
wird wie in Modell R-1 berücksichtigt.<br />
Diese Beschreibung stimmt gut mit den z.B. von ZBINDEN (1984), HAFNER (1994) und<br />
ZBINDEN & SALVIONI (2003) beschriebenen Habitatstrukturen überein. Allerdings wird die<br />
größte Modellfläche oberhalb des Schwellenwertes für Modell R-3 erreicht, wenn der<br />
Strukturtyp „Zwergsträucher und niedriges Gebüsch“ hohe Deckungsgrade aufweist (Abb.<br />
18). In der univariaten Analyse zeigte diese Variable aber einen unimodalen Verlauf (Tab.<br />
16), was auch den Angaben von LÜPS & HEYNEN (1978) entspricht, welche als optimale<br />
Ausprägung die Häufigkeitsklasse „vorhanden, aber nicht dominierend“ angeben.<br />
Insgesamt bevorzugt das Steinhuhn eher strukturreiche, offene Bereiche (BOCCA 1990),<br />
eine hohe Deckung der Strauchschicht wirkt sich in der Realität also wohl eher negativ auf<br />
die Vorkommenswahrscheinlichkeit aus. Im Datensatz kommen Deckungsgrade von 75%<br />
nur sehr vereinzelt vor, die Ausgangslage für die Prognose tritt also in der Realität in<br />
diesem Fall kaum auf. Ähnliches gilt für die „Deckung der Krautschicht“, auch hier handelt<br />
es sich im univariaten Modell um eine Glockenkurve mit einer optimalen Deckung von<br />
75%, was gut mit den von HAFNER (1994) beschriebenen Verhältnissen übereinstimmt. Da<br />
die Krautschicht in der Abbildung 18 aber auf 50% festgesetzt ist, kommt die mittlere der<br />
drei Darstellungen dem Optimalzustand wohl am nächsten und stellt ein ökologisch<br />
sinnvolles Modell dar.
6 Diskussion 68<br />
6.2.2 Modellgüte<br />
Ein ökologisch sinnvolles, statistisch signifikantes Modell garantiert noch keine hohe<br />
Modellgüte. Auch ob das Modell robust ist und ausreichend gute Prognosen liefert, muss<br />
mit verschiedenen Gütemaßen überprüft werden.<br />
Modellkalibrierung<br />
Ob ein Modell gut kalibriert ist, also gut zwischen Vorkommen und Nichtvorkommen<br />
unterscheiden kann, wird in der vorliegenden Arbeit anhand des R 2 nach NAGELKERKE<br />
bewertet. SCHRÖDER (2000) erhält für viele Modelle R 2 N-Werte unter 0,5, der maximale<br />
Wert liegt bei 0,74. POMPILIO et al. (2003) führten wie in der vorliegenden Arbeit eine<br />
Untersuchung zur Habitatnutzung des Steinhuhns durch und kamen zu einem Ergebnis<br />
von 0,18, wobei nicht angegeben wird, nach welcher Methode der Wert für R 2 errechnet<br />
wurde. Nach BACKHAUS et al. (2000) kann in der Regel schon bei Werten zwischen 0,2 und<br />
0,4 von einer guten Modellanpassung gesprochen werden.<br />
Vor diesem Hintergrund sind die Atlasmodelle (Tab. 12 und 13) als akzeptabel kalibriert<br />
einzustufen, die Regionalmodelle (Tab. 19) erreichen mit Werten bis zu 0,92 (Modell R-1)<br />
die in der Habitatmodellierung mit logistischer Regression höchstmöglichen Ergebnisse.<br />
Auch das robustere Regionalmodell R-3 weist mit 0,80 einen sehr hohen Wert auf.<br />
Modelldiskriminierung<br />
Der schwellenwertabhängige Anteil korrekter Prognosen wird nur für das<br />
Regionalmodell angegeben. Da die Wahl des Schwellenwertes letztlich beliebig ist (ich<br />
verwendete in diesem Fall P krit = 0,5), wird dieses Gütemaß aber nicht als entscheidend<br />
angesehen.<br />
Der Gesamtanteil korrekter Prognosen liegt für Modell R-1 und R-3 über 90%. Im Falle<br />
des (wenig robusten) Modells R-1 beträgt er sogar 97,7%, nur jeweils ein Vor- bzw.<br />
Nichtvorkommen wird vom Modell nicht so vorhergesagt wie beobachtet. Der Anteil<br />
korrekt prognostizierter Vorkommen (Sensitivität) liegt beim Endmodell R-3 bei 90,5, der<br />
Anteil korrekter Nichtvorkommen (Spezifizität) bei 93,0%. Verglichen mit Werten aus der<br />
Literatur sind dies sehr hohe Werte. POMPILIO & MERIGGI (1999) erhalten in einer Studie<br />
für das Steinhuhn Werte von 70 (Sens.) und 71% (Spez.). In der gleichen Studie werden<br />
auch Birkhuhn (Tetrao tetrix) und Alpenschneehuhn (Lagopus mutus) untersucht. Beim<br />
Birkhuhn wurde ein Verhältnis von 84,6 : 67,9%, beim Alpenschneehuhn von 91,9 : 21,7%<br />
erreicht. Der für die Klassifizierung verwendete Schwellenwert wird von POMPILIO &<br />
MERIGGI (1999) nicht angegeben. Die Untersuchungsgebiete von POMPILIO & MERIGGI<br />
(1999) sind allerdings, im Gegensatz zum Regionalmodell in der vorliegenden Studie,<br />
jeweils einige 1000 km 2 groß, die Datenbasis ist ein 2 x 2 km-Raster. Auf einer dem<br />
Regionalmodell vergleichbaren Skala (Singvogelterritorien) erhalten OPPEL et al. (2003) mit<br />
einer anhand der ROC-Kurve optimierten Methode Gesamtanteile korrekter<br />
Klassifikationen von etwa 90%, der Maximalwert liegt bei 94%.<br />
Die Fehlerquote bei der Spezifizität liegt allgemein höher als jene der Sensitivität<br />
(SCHRÖDER 2000). Nullnachweise sind nie sicher zu erbringen, da von einem beobachteten
6 Diskussion 69<br />
Nichtvorkommen nicht unmittelbar auf ein ungeeignetes Habitat geschlossen werden kann<br />
(CAPEN et al. 1986). Auch wandernde Tiere können die Ursache sein (SCHRÖDER 2000),<br />
was die guten Ergebnisse beim Steinhuhn (einem Standvogel) erklären könnte.<br />
Ein Maß, das ebenfalls auf der Klassifikationsmatrix basiert, dabei aber die Prävalenz<br />
berücksichtigt, ist der Konkordanzindex Kappa. Bei den Atlasmodellen werden keine<br />
Werte über 0,4 erreicht, nach SACHS (1999) kann also nicht von einer deutlich besseren<br />
Unterscheidung zwischen Vorkommen und Nichtvorkommen, als sie zufällig zu erwarten<br />
wäre, gesprochen werden. Auch MANEL et al. (1999) erhielten für viele Modelle Werte<br />
unter 0,4. Auf der regionalen Skala wird für das Endmodell mit 0,86 ein sehr hoher Wert<br />
erreicht, der über dem Spitzenwert von 0,8 liegt, den MANEL et al. (1999) erreichten.<br />
Allerdings wurde dort der Schwellenwert nicht auf Kappa optimiert, so dass Kappa nicht<br />
den maximal möglichen Wert erreicht. Ein auf Kappa optimierter Wert von 0,71 findet sich<br />
in einer Untersuchung auf regionaler Skala für das Haselhuhn (Bonasa bonasia) bei MATHYS<br />
(2000).<br />
Ein schwellenwertunabhängiges und damit für einen Vergleich zwischen Atlas- und<br />
Regionalmodell geeignetes Gütemaß sind die AUC-Werte. Der Wert für die besten<br />
Atlasmodelle liegt bei 0,89 bzw. 0,85 (bestes Modell, bzw. robustes Modell), beim<br />
Regionalmodell sind die Werte mit 0,99 bzw. 0,96 nahe am Maximalwert von 1.<br />
Bei MANEL (2001) liegen die meisten Werte zwischen 0,7 und 0,8, nur wenige über 0,9.<br />
Allerdings wurden dort die Modelle für ganze Familien erstellt. Bei der oben genannten<br />
Arbeit von OPPEL et al. (2003) wurden meist Werte zwischen 0,8 und 0,9 erreicht, der<br />
Maximalwert liegt mit 0,95 ähnlich hoch wie beim Regionalmodell. Die Atlasmodelle sind<br />
als gut, das Regionalmodell als hervorragend diskriminiert anzusehen.<br />
AIC<br />
Die AIC-Werte sind zwischen den Skalenebenen nicht direkt vergleichbar. Die niedrigsten<br />
Werte (und damit der beste Kompromiss aus Komplexität und Information) innerhalb der<br />
einzelnen Modellblöcke werden eher durch hohe Erklärungsgehalte als durch niedrige<br />
Parameteranzahlen verursacht. So weist Modell A1-1 zwar eine Variable mehr als Modell<br />
A1-3 auf (Tab. 12), scheint aber mit der „Sonneneinstrahlung“ und den<br />
Nutzungsparametern entscheidende Information zu berücksichtigen, welche zu dem<br />
besseren Ergebnis führen (vgl. auch Modell A2-7 und A2-6 in Tab. 13 oder R-1 und R-4 in<br />
Tab..19).<br />
Robustheit der Modelle/ bootstrapping<br />
Insbesondere bei kleinen Datensätzen ist das Modell oft zu eng an die Daten angepasst, zu<br />
„optimistisch“. Wie stark dieser Optimismus ist, muss durch eine Validierung an Daten, die<br />
nicht zur Modellschätzung verwendet wurden, getestet werden (SCHRÖDER & REINEKING<br />
2004b). Dazu wählte ich die Methode der internen Validierung durch resampling. Für eine<br />
Aufteilung der Daten zur externen Validierung reichten die beobachteten Vorkommen<br />
nicht aus. Eine Beurteilung des Gültigkeits- oder Anwendungsbereichs ist daher nicht<br />
möglich, da diese nur auf Grundlage aufgeteilter Daten oder Erhebungen aus anderen
6 Diskussion 70<br />
Untersuchungsgebieten/ –jahren erfolgen kann (SCHRÖDER & REINEKING 2004b). Für die<br />
Untersuchung der Stabilität logistischer Regressionsmodelle liefert bootstrapping aber nach<br />
einer vergleichenden Studie von STEYERBERG et al. (2001) die besten Ergebnisse. Die<br />
großen Differenzen zwischen den Original- und Trainings-, bzw. Testdatensätzen der<br />
Modelle R-1 und R-2 (Tab.18) werden durch die bereits beschriebene vollständige<br />
Separation verursacht.<br />
Auf die Modellkalibrierung R 2 N zeigt das bootstrapping kaum Einfluss. Unter Umständen<br />
kann der Mittelwert aus den 300 Trainingsdatensätzen sogar um 0,01 höher liegen als beim<br />
Originaldatensatz (Modell R-5, Tab. 18). Der AUC-Wert nimmt mit maximal 0,014 noch<br />
weniger ab (Tab. 12, 13 und 18). Auch Modelle, die eher schlecht kalibriert sind und eine<br />
Diskriminierung mittlerer Güte aufweisen (z.B. Modell A2-1, Tab. 13) können also<br />
durchaus robust sein. Der Optimismus in den Modellen scheint insgesamt sehr gering zu<br />
sein, mir liegen aber keine Literaturangaben darüber vor, bis zu welcher Abnahme ein<br />
Modell als robust gelten kann.<br />
6.2.3 Vergleich von Atlas- und Regionalmodell<br />
In Tabelle 20 sind die nach R 2 N wichtigsten Variablen getrennt für die beiden Skalenebenen<br />
dargestellt. Es gibt unter den 10 wichtigsten Variablen keine Übereinstimmung zwischen<br />
Atlas- und Regionalmodell. Beim Atlasmodell überwiegen höhenabhängige Variablen. Im<br />
Fall der Klimaparameter wurde der Einfluss der Höhe bereits erklärt (Kap. 6.2.1). Die<br />
Nutzungstypen und Vegetationseinheiten, die einen hohen Einfluss auf das Vorkommen<br />
des Steinhuhns ausüben, weisen eine konzentrierte Verbreitung in spezifischen<br />
Höhenstufen auf. Im Fall der „Zwergsträucher und niedrigen Gebüsche“ ist dies der<br />
Bereich an und über der Waldgrenze, also genau jener Bereich, den nach GLUTZ et al.<br />
(1973) auch das Steinhuhn bevorzugt. „Unproduktive Vegetation“ und „Lückige, niedrige<br />
Vegetation“ sind noch etwas stärker mit der Höhe korreliert (Anh. 2.1) und liegen oberhalb<br />
der eben beschriebenen Höhenstufe im Übergang zu den vegetationslosen Flächen. Als<br />
einziger Parameter, der nicht mit der Höhe korreliert, ist die „Neigung“ unter den stärksten<br />
univariaten Modellen zu finden.<br />
Ökologisch betrachtet übt die Höhe aber keinen direkten Einfluss auf die Verbreitung des<br />
Steinhuhns aus, noch nach 1950 kam die Art auch unterhalb 600 m als Brutvogel in<br />
extensiv genutzten Bereichen vor (LÜPS 1980). Die vom Steinhuhn bevorzugten Strukturen<br />
weisen aber eine Höhenabhängigkeit auf, die dazu führt, dass die Art in einem bestimmten<br />
Höhenbereich vorkommt. Bei höherer räumlicher Auflösung (Regionalmodell) hat die<br />
Variable „Höhe“ keinen Einfluss. Der direkte Vergleich zwischen Atlas- und<br />
Regionalmodell (Tab. 21) verdeutlicht dies ebenfalls. Die Unterschiede bei der Exposition<br />
sind wohl eher methodisch bedingt (Problem der Mittelung innerhalb der Rasterzelle beim<br />
Atlasmodell), unterschiedliche Präferenzen bei den beiden Skalen sind nicht zu erwarten.<br />
Daher habe ich dem bisherigen besten Atlasmodell A2-1 manuell die Variable<br />
„Cosinustransformierte Exposition“ hinzugefügt, was zu geringfügig verbesserten
6 Diskussion 71<br />
Gütemaßen führt (Tab. 22). Zu der vom Steinhuhn bevorzugten Neigung liegen recht<br />
unterschiedliche Angaben der Habitatpräferenz vor (vgl. Diskussion der Neigung beim<br />
Atlasmodell in Kap. 6.2.1), auf der regionalen Skala ist sie möglicherweise weniger<br />
entscheidend. Großräumig kann sie aber, in Verbindung mit anderen Parametern, geeignete<br />
Lebensräume anzeigen.<br />
Auf der regionalen Skala sind Strukturparameter und Umgebungsvariablen für das<br />
Vorkommen des Steinhuhns entscheidend (Tab. 20). Dabei wird der negative Einfluss der<br />
Bewaldung deutlich (die Vorkommenswahrscheinlichkeit steigt mit zunehmender<br />
Entfernung vom Wald und mit abnehmender Deckung der Waldschicht sowie geringerer<br />
Zahl von Einzelbäumen). Eine allgemeine Strukturvielfalt ist ebenso wichtig, wie eine<br />
Umgebung, die möglichst viele positiv mit dem Steinhuhn korrelierte Vegetationseinheiten<br />
und Nutzungsparameter aufweist. Einzelne Strukturelemente wie die „Mittlere Höhe der<br />
Krautschicht“ oder das „Vorhandensein größerer Felsen“ sind ebenfalls entscheidend.<br />
Auf der regionalen Skala weisen die Modelle insgesamt wesentlich höhere<br />
Erklärungsgehalte auf (Tab. 20). Dies gilt auch für die multiplen Endmodelle (Atlasmodell:<br />
AUC: 0,85; R 2 N: 0,28 gegenüber Regionalmodell AUC: 0,96; R 2 N: 0,80). Zieht man zur<br />
Berechnung der Regionalmodelle anstatt der im Freiland gewonnenen Daten die<br />
Rasterdaten der entsprechenden Kilometerquadrate heran, so wird die Bedeutung des<br />
„Fehlers“ deutlich, der bei der Mittelung der Daten auf die gesamte Rasterfläche entsteht.<br />
Alle Modelle auf Basis der übertragenen Rasterdaten sind nicht signifikant (Tab. 25). Zwar<br />
kann ein Vergleich der Streudiagramme für „Höhe“ und „Neigung“ Gemeinsamkeiten<br />
belegen (Anh. 2.9), bei der Exposition zeigen sich aber gravierende..Unterschiede.<br />
Diese Ergebnisse zeigen, dass sich durch eine Strukturkartierung bessere Ergebnisse<br />
erzielen lassen, als durch eine Datenbankauswertung auf Basis eines 1 x 1 km-Rasters.<br />
SCHRÖDER (2000) erhielt ebenfalls die besten Modelle durch die Einbeziehung räumlich<br />
höher aufgelöster Daten. Als einen wichtigen Grund nennt SCHRÖDER (2000) die<br />
Homogenität der Fläche und kleinere, sowie präziser zu beschreibende Einheiten. Dies<br />
dürfte auch in der vorliegenden Arbeit die Hauptursache für die Unterschiede bei der<br />
Modellgüte sein. Die Probleme, die bei einer Mittelung der Daten entstehen, wurden<br />
bereits beschrieben. Habitatansprüche werden darüber hinaus durch direkte<br />
Strukturparameter besser repräsentiert als durch Struktur- oder Nutzungstypen. Als<br />
einzige übergeordnete Einheit innerhalb der 10 nach R 2 N wichtigsten Variablen beim<br />
Regionalmodell findet sich der Strukturtyp „Zwergsträucher und niedriges Gebüsch“<br />
auf „Rang“ neun (Tab. 20). Der Einfluss, den die Höhe der Krautschicht auf das<br />
Vorkommen des Steinhuhns ausübt, wird durch die direkte Messung der mittleren Höhe<br />
der Krautschicht wesentlich besser repräsentiert (R 2 N = 0,6), als durch den Strukturtyp<br />
„Lückige,..niedrige..Vegetation“..(R 2 N..=..0,18).<br />
Ein Vergleich mit Habitatmodellen aus den Italienischen Alpen kann weiteren Aufschluss<br />
über die Habitatpräferenzen auf unterschiedlichen Skalen bringen. POMPILIO et al. (2003)<br />
untersuchten in den Lepontinischen Alpen Gebiete von einigen 100 ha Größe. Die Daten
6 Diskussion 72<br />
zu den erklärenden Variablen stammen aus Luftbildinterpretationen. Als wichtigste<br />
Einflussgrößen ermittelten die Autoren die Südexposition und die mittels Patch Analyst<br />
quantifizierte Komplexität der Lebensraumstrukturen (Mosaik) mit positivem<br />
Zusammenhang und bestätigten den negativen Einfluss des Waldes. Der Erklärungsgehalt<br />
des Modells ist allerdings sehr gering (R 2 = 0,18). Ein Modell der historischen Verbreitung<br />
(1950-1960), basierend auf Jagdstatistiken der Jagd- und Forstämter in der Provinz<br />
Trentino, beschreiben sowohl MERIGGI et al. (1998) als auch CATTADORI et al. (1998). Mit<br />
fast 6000 km 2 Gesamtfläche aufgeteilt in 2 x 2 km-Rasterzellen entspricht die Skala eher<br />
dem Atlasmodell. Die Umweltdaten wurden über Luftbildauswertungen ermittelt und sind<br />
damit wohl genauer erfasst als beim Atlasmodell. Klimadaten wurden nicht berücksichtigt.<br />
Mit vorwärts schrittweiser Modellierung wurde ein multiples Modell erstellt, das positive<br />
Zusammenhänge mit dem Steinhuhnvorkommen bei steilen Hängen, Südexposition und<br />
Habitatdiversität (Shannon-Index) aufzeigt. Negativ wirken Bewaldung, Sumpfgebiete und<br />
bebaute Zonen (CATTADORI et al. 1998). Die Rate der korrekten Klassifikation ist<br />
ausgeglichen (78,3 : 71,7%), ein Schwellenwert wird nicht angegeben. Sumpfgebiete und<br />
Siedlungen werden per se vom Steinhuhn gemieden. Um die Modelle möglichst trennscharf<br />
zu machen, sollten entsprechende Variablen nicht in multiple Modelle integriert, sondern<br />
diesen als automatische Ausschlusskriterien vorgeschaltet werden. Auch das Verfahren der<br />
vorwärts schrittweisen Modellierung bietet einige Nachteile gegenüber dem rückwärts<br />
schrittweisen Verfahren (vgl. Kap. 4.4.1). Eine Berücksichtigung dieser Überlegungen hätte<br />
möglicherweise eine stärkere Bedeutung von Nutzungsparametern ergeben können, die<br />
von CATTADORI et al. (1998) nicht bestätigt werden konnte.<br />
Zusammenfassend kann bei geringer räumlicher Auflösung der entscheidende Einfluss von<br />
Neigung und Exposition sowie höhenabhängigen Parametern (Klima, Nutzungs- und<br />
Vegetationstypen) festgestellt werden. Mit höherer Auflösung steigt die Bedeutung der<br />
Exposition weiter an, der negative Einfluss des Waldes und der positive von<br />
Mosaiklandschaften nehmen zu. Auf der Skala des Regionalmodells (< 1 ha) kommen<br />
zahlreiche direkte Strukturparameter wie die mittlere Höhe der Krautschicht hinzu, die<br />
insgesamt sehr genau eine offene, strukturreiche Mosaiklandschaft mit Felsen und<br />
Einzelbäumen in einiger Entfernung des Waldes beschreiben. Auf der Skala der<br />
Nistplatzwahl wurden nach meinem Wissen für das Steinhuhn noch keine quantitativen<br />
Untersuchungen gemacht (zu den methodischen Schwierigkeiten vgl. Kapitel 6.1), zu<br />
erwarten wäre eine zunehmende Bedeutung von Rasenbulten, Krüppelfichten,<br />
Felsvorsprüngen oder anderen deckungsbietenden Strukturen (HAFNER 1994).<br />
Auch aus der Sicht des Naturschutz hat die Wahl der Skala eine Bedeutung. Für<br />
bestandsfördernde Maßnahmen beim Auerhuhn (Tetrao urogallus) auf Basis von<br />
Informationen aus Habitatmodellen ist nach STORCH (2002) eine Kombination aus<br />
Strukturparametern (kleinskalig, vergleichbar mit den Daten zum Regionalmodell) und<br />
Parametern der Landschaftsskala notwendig. Dies sollte bei zukünftigen Modellierungen<br />
mit Arten aus dem Schweizer Brutvogelatlas beachtet werden. Eine Datenbasis wie beim
6 Diskussion 74<br />
Atlasmodell in der vorliegenden Arbeit wird nicht ausreichen, um geeignete Maßnahmen<br />
für den Erhalt von Prioritätsarten wie dem Waldlaubsänger (Phylloscopus sibilatrix)<br />
abzuleiten, bei denen nach BOLLMANN et al. (2002) die Ursachen für den<br />
Bestandsrückgang ungeklärt sind.<br />
6.2.4 Überlegungen zur Klimaveränderung<br />
Eine globale Erwärmung war im letzten Jahrhundert weltweit (IPPC 2001) und speziell im<br />
Alpenraum (BENISTON et al. 1997) feststellbar. Die These, dass die globale Erwärmung im<br />
21. Jahrhundert fortschreitet und sich beschleunigen wird, ist inzwischen allgemein<br />
akzeptiert. Die Alpenvegetation der Schweiz mit vertikaler (Höhengradient) und<br />
horizontaler (Nord-Südgradient durch Alpenbogen als Klimaschranke) Klimadiversität ist<br />
dabei besonders anfällig für Klimaveränderungen (BOLLIGER 2002).<br />
Für eine einfache Berechnung der potentiell waldfreien Fläche in der Schweiz legte ich<br />
nach Vorschlägen von PD Dr. FELIX KIENAST (WSL) und kritischer Durchsicht von Prof.<br />
Dr. MARTIN BENISTON (Uni Fribourg) regional angepasste Temperaturszenarien fest.<br />
Demnach ist der Temperaturanstieg in Hochlagen besonders stark (siehe auch BENISTON<br />
et al. (1997)). Die Güte der Prognose hängt von zwei Faktoren ab. Zum einen können<br />
Fehler beim Festlegen der potentiellen Waldgrenze auftreten, zum anderen kann die<br />
Prognose des Temperaturanstiegs fehlerhaft sein.<br />
Die Diskussion um die Gleichsetzung einer Juliisotherme von etwa 10° C mit der<br />
potentiellen Waldgrenze wird seit über 100 Jahren geführt (z.B. KÖPPEN (1919),<br />
EGGENBERG (1995) und KÖRNER (1998)). Für eine pragmatische Anwendung stellt die<br />
aktuelle Experteneinschätzung ein praktikables Instrument dar. Die angewendeten<br />
Klimaszenarien berücksichtigen regionale Unterschiede und liefern eine Vorhersage<br />
differenzierter Intensität. Dadurch wird der aktuelle Stand der Forschung wiedergegeben.<br />
Wünschenswert wäre neben der Flächenberechnung anhand der potentiellen Waldgrenze<br />
auch die Berücksichtigung der aktuellen Verhältnisse (niedrigere Waldgrenze durch<br />
anthropogenen Einfluss) gewesen. Da mir aber keine digitalisierte Form der aktuellen<br />
Waldgrenze vorlag, war dies nicht möglich. Es muss aber betont werden, dass zwischen<br />
dem potentiellen Zustand wie er in Abbildung 20 und Anhang 2.10 dargestellt wird und der<br />
aktuellen Situation ein großer Unterschied besteht. Der anthropogene Einfluss wird auch<br />
bei den weiteren Szenarien nicht berücksichtigt. Die nach der digitalisierten Waldgrenze<br />
von WOHLGEMUTH (1993) errechnete heute potentiell waldfreie Fläche ist deutlich größer<br />
als diejenige auf Basis der 9,5° Juliisotherme (Tab. 29). Dies deutet darauf hin, dass bei der<br />
Methode der Interpolation über das höchste Waldvorkommen jeder Talschaft die<br />
anthropogene Nutzung teilweise berücksichtigt wird.<br />
Die Ergebnisse (Tab. 29) zeigen aber eine eindeutige Tendenz, welche im Extremfall zum<br />
fast völligen Verschwinden der waldfreien Fläche führt. Dies würde bedeuten, dass dem<br />
Steinhuhn in etwa 100 Jahren kein Lebensraum mehr zur Verfügung steht. Dieser
6 Diskussion 74<br />
Entwicklung stehen verschiedene Überlegungen gegenüber, welche sich positiv oder<br />
negativ auf den Bestand des Steinhuhns auswirken könnten.<br />
Bereits erwähnt wurde der starke menschliche Einfluss, welcher auch in Zukunft zu<br />
waldfreien Gebieten auf potentiellen Waldstandorten führen wird. Es gibt zwar<br />
Bestrebungen, statt einer hauptsächlich schutzorientierten Planung mehr Gewicht auf das<br />
Entwicklungspotential von Landschaften zu legen (http://www.umweltschweiz.ch/buwal/<br />
de/fachgebiete/fg_landnutzung/kulturland/strategie), aber im Schweizer Bundesgesetz<br />
über den Natur- und Heimatschutz (NHG) sind Schutz, Erhalt und Pflege von<br />
„heimatlichen Landschaften und Kulturdenkmälern“ gesetzlich festgeschrieben (Art. 1).<br />
Wenn ein Grundeigentümer im Interesse der Schutzziele eine Leistung ohne<br />
entsprechenden wirtschaftlichen Ertrag erbringt (was im Fall der aufwändigen<br />
Bewirtschaftung in den Bergen oft der Fall ist), hat er einen Anspruch auf finanziellen<br />
Ausgleich (Art. 18c). Gerade in den Berggebieten wird durch agrarpolitische<br />
Direktzahlungen ein Anreiz geschaffen, die Bewirtschaftung beizubehalten. Das<br />
„Landschaftskonzept Schweiz“ (LKS) nimmt in seiner, für alle in der Landschaft tätigen<br />
Bundesstellen verbindlichen, langfristigen Zielsetzung eine vermittelnde Haltung ein.<br />
Kulturlandschaften sollen in ihrer Eigenart, Vielfalt und Schönheit schonend entwickelt<br />
werden, wobei ihre Geschichte und Bedeutung ablesbar bleiben muss<br />
(http://www.landschaftskonzept.ch). So übernehmen die Bergbauern zunehmend auch<br />
landschaftspflegerische Aufgaben, was in einem neuen Landwirtschaftsartikel in der<br />
Bundesverfassung auch ausdrücklich anerkannt wird.<br />
Die Reaktionszeit der Bäume auf veränderte Verhältnisse spielt eine entscheidende Rolle.<br />
Bäume als physiologische Einheiten verhalten sich oft asynchron zu ihrer Umwelt.<br />
Faktoren wie Samenverbreitungsmechanismen, Keimraten, Konstanz der Klimaerwärmung<br />
und die Geschwindigkeit der Bodenentwicklung sind wichtige Einflussgrößen (BOLLIGER<br />
2002). In trockenen, inneralpinen Tälern ist außerdem auch eine Versteppung möglich, falls<br />
sich keine mediterranen Baumarten ansiedeln. Ob die alpine Stufe in naher Zukunft<br />
bewaldet wird, bleibt letztlich kontrovers (BOLLIGER 2002). Eine Erhöhung der<br />
Waldgrenze ist nicht zwingende Folge eines Temperaturanstiegs und wird in einer<br />
Simulation von BOLLIGER et al. (2000) auch nicht vorhergesagt. Andererseits zeigen erste<br />
(statistisch ungesicherte) Ergebnisse einer Studie des Institutes für Wald, Schnee und<br />
Landschaft (WSL), dass die Waldgrenze in den Jahren 1985 bis 1997 tatsächlich<br />
angestiegen ist (JAQUELINE GEHRIG-FASEL, schriftl. Mitt.).<br />
Zu welchem Nutzungstyp sich der auf den Brachflächen stockende Wald entwickeln wird,<br />
ist ein Untersuchungsschwerpunkt des Projektes WaSAlp (Waldausdehnung im Schweizer<br />
Alpenraum) des WSL. Die univariate Analyse dynamischer Landschaftsmodelle zeigt in<br />
ersten Ergebnissen (http://www.wsl.ch/projects/ WaSAlp), dass sich im Bereich der<br />
heutigen Waldgrenze (1800 bis 2200 m) „Gebüschwald“ (wie in der vorliegenden Arbeit<br />
per Definition des BFS (2001)) selten zu „Aufgelöstem Wald“ und fast nie zu<br />
„Geschlossenem Wald“ entwickelt, sondern „Gebüschwald“ bleibt. Der Nutzungstyp
6 Diskussion 76<br />
„Gebüschwald“ weist in der Modellierung der vorliegenden Arbeit auf nationalem Maßstab<br />
bis zu einem Flächenanteil an der Rasterfläche von knapp 30% einen positiven<br />
Zusammenhang mit dem Vorkommen des Steinhuhns auf (Abb. 11). Die<br />
Zusammensetzung des Nutzungstyps mit den Hauptarten Alnus viridis, Pinus mugo und<br />
Corylus avellana verdeutlicht, dass es sich hierbei kaum um Bruthabitate für das Steinhuhn<br />
handelt (HAFNER 1994). Im Frühling können Erlengebüsche aber durchaus zur Äsung<br />
genutzt werden (HAFNER 1994) und sind aus Sicht des Steinhuhns positiver zu bewerten<br />
als beispielsweise „Geschlossene Wälder“.<br />
Eine mögliche Kompensation klimabedingter „Verluste“ an der unteren<br />
Lebensraumgrenze durch gleichzeitigen „Gewinn“ an Lebensraum durch Entstehung neuer<br />
Alpiner Matten auf aktuell vegetationslosen Flächen wird durch den „Gipfeleffekt“ (nichtplanimetrisches<br />
Verhalten der Flächen im Hochgebirge im Vergleich zu großen Flächen in<br />
tieferen Lagen) eingeschränkt, zumal zuerst eine komplette Bodenentwicklung stattfinden<br />
muss.<br />
Die Temperaturveränderung, welche zur Zunahme der Waldfläche und somit zu<br />
Habitatverlusten beim Steinhuhn führen könnte, wird auch die Niederschlagshäufigkeit<br />
(insbesondere Starkregenereignisse) um durchschnittlich 20% ansteigen lassen (BOLLIGER<br />
2002). Dies kann zu weiteren Bestandseinbußen führen (vgl. Kap. 6.3.1).<br />
Bei der Diskussion um die Entwicklung der Waldgrenze und den Einfluss auf den<br />
Lebensraum darf aber nicht vergessen werden, dass es sich beim Steinhuhn um einen<br />
Vertreter des turkestanisch-ostmediterranen Faunenelements handelt. Natürliche Prozesse<br />
führten im Alpenraum zur Verdrängung das Steinhuhn seit dem Ende der Eiszeit durch<br />
den sukzessiven Anstieg der Waldgrenze in die Krüppelzone und andere Randbereiche<br />
(LÜPS 1981b, HAFNER 1994). Erst der Mensch hat durch Rodungen und Weidebetrieb der<br />
Art unterhalb der Waldgrenze großflächig Lebensraum erschlossen (vgl. Kap. 6.3.1). Eine<br />
Rückentwicklung dieser Eingriffe muss zu Veränderungen im Steinhuhnbestand führen<br />
(HAFNER 1994). In diesem Zusammenhang ist es interessant, dass die nach der<br />
vorliegenden Analyse bevorzugte Julitemperatur (10° C, Abb. 10) sehr gut mit der<br />
potentiellen Waldgrenze übereinstimmt. Dies deutet darauf hin, dass die Art eventuell „mit<br />
der Waldgrenze ansteigen“ könnte. Sollte die bereits beschriebene „Versteppung“ der<br />
zentralalpinen Täler tatsächlich eintreten, so kann sich außerdem der von PRÄSENT (1979)<br />
formulierte Nachteil eines „Einwanderers aus dem Südosten, ursprünglich ein Bewohner<br />
von Halbwüsten und Steppen ohne besondere Anpassungen an das rauhe Klima“ auch<br />
zum Vorteil entwickeln. Beobachtungen aus dem Apennin und Sizilien zeigen, dass bei<br />
dem dortigen Klima die Bindung an südexponierte Hänge und bestimmte Höhenstufen<br />
weniger stark oder gar nicht mehr feststellbar ist (DE FRANCESCHI 1994). Dem steht<br />
allerdings die Möglichkeit einer Zunahme von Starkregenereignissen entgegen.<br />
Die Bewertung klimabedingter Veränderungen in der Artenzusammensetzung wird<br />
gegenwärtig kontrovers diskutiert. Das Verschwinden von Arten kann als natürlicher<br />
Prozess angesehen werden. STRIEN (1997) sieht in seiner Arbeit zu einem
6 Diskussion 76<br />
Biodiversitätsindex für die Niederlande das Aussterben von Arten gleichwertig an wie das<br />
Neuerscheinen, da dies oft durch die gleichen großräumigen Klimaveränderungen<br />
verursacht werde. Eine Gewichtung sei nur in Fällen internationaler Bedeutsamkeit<br />
gerechtfertigt. Diese liegt für das Steinhuhn in der Schweiz bei einem Anteil am<br />
europäischen Bestand von etwa 7,5% allerdings vor (ZBINDEN & SALVIONI 2003, siehe<br />
auch KELLER & BOLLMANN 2001).<br />
THOMAS et al. (2003) warnen auf Grundlage von Modellschätzungen auf etwa 20% der<br />
terrestrischen Erdoberfläche mit über 1000 endemischen Pflanzen- und Tierarten, dass im<br />
Jahr 2050 je nach Klimaszenario (schwach-mittel-stark) 18%, 24%, oder 35% der<br />
untersuchten Arten aussterben könnten. Unter Einbeziehung von Expertenwissen<br />
hinsichtlich Verbreitungstendenzen und Bestandsentwicklung (Rote Listen auf IUCN-<br />
Grundlage) kommen sie für die gleichen Szenarien sogar auf 23%, 32% und 46% der<br />
untersuchten Arten. Die Autoren betonen, dass die Zahlen nicht als präzise Vorhersagen<br />
verstanden werden sollten, aufgrund der zunehmenden Bedrohung der Artenvielfalt durch<br />
Klimawandel, die inzwischen mindestens den gleichen Stellenwert wie Habitatzerstörung<br />
besitzt, liefern sie aber eine Einschätzung der Größenordnung dieser Gefahr. Die durch die<br />
Klimaerwärmung neu besiedelbaren Habitate werden nach THOMAS et al. (2003) durch<br />
Zerstörung und Fragmentierung anderswo kompensiert, gar nicht erst besiedelt, oder von<br />
Invasiv-Arten besetzt.<br />
Letztlich komme ich zu dem Schluss, dass die in Kapitel 5.5 dargestellten Ergebnisse eher<br />
als Vorschläge und Diskussionsgrundlage, denn als konkrete Prognosen zu verstehen sind.<br />
Die fehlende Berücksichtigung des menschlichen Einflusses und der Reaktionszeit, welche<br />
die Umwelt braucht, um sich an die veränderten Bedingungen anzupassen, führt zu einer<br />
zu „positiven“ Prognose des Anstiegs der Waldgrenze. Es ist aber festzustellen, dass neben<br />
Vorteilen einer möglichen Waldausdehnung (Schutzwald, Wasserhaushalt, wirtschaftlicher<br />
Ertrag, Kohlenstoffbindung und damit Reduzierung des CO 2 ) gleichzeitig auch ein<br />
Lebensraumverlust für das Steinhuhn und andere Arten (z.B. Birkhuhn (Tetrao tetrix)) und<br />
eine Abnahme der landschaftlichen Vielfalt eintreten würden (STROBEL & BRÄNDLI 1998).<br />
Durch Modellierung konnten GUISAN & THEURILLAT (2000) zeigen, dass auch viele<br />
Pflanzenarten durch einen Anstieg der Temperaturen Lebensraum verlieren würden.<br />
Aufgrund des Spielraumes, welcher sowohl zwischen den Szenarien der eigenen<br />
Prognosen, als auch derjenigen von THOMAS et al. (2003) zu beobachten ist, muss alles<br />
unternommen werden, um möglichst nur die Minimal-Szenarien Realität werden zu lassen.
6 Diskussion 77<br />
6.3 Gedanken zum Schutz der Art<br />
6.3.1 Aktuelle Gefährdungssituation<br />
Bevor Schutzmaßnahmen zur Erhaltung oder Förderung einer Art geplant oder<br />
durchgeführt werden können, ist es zunächst notwendig, die jüngere Bestandsentwicklung<br />
und deren wichtigsten Einflussgrößen zu kennen.<br />
Das Steinhuhn wies im letzten Jahrhundert in der Schweiz extreme Bestandsschwankungen<br />
und seit der Mitte des Jahrhunderts bis in die 1980iger Jahre einen insgesamt starken<br />
Rückgang auf (ZBINDEN 1984, SCHMID et al. 1998). In Frankreich ging die Art ebenfalls in<br />
den 1980iger- (MAGNANI et al. 1990) und 1990iger Jahren (BERNARD-LAURENT &<br />
LÉONARD 2000) zurück, in Östereich ist sie zahlenmäßig geringer als in der Vergangenheit<br />
(GOSSOW et al. 1992) und auch in Italien wurden nach 1950 Rückgänge festgestellt<br />
(SASCOR & MAISTRI 1994).<br />
Nach SCHMID et al. (1998) hat sich die Art in der Schweiz seit Mitte der 1980iger Jahre<br />
wieder erholt (geschätzter Bestand derzeit etwa 3000 bis 4000 Paare). Diese Entwicklung<br />
überrascht, scheint sie doch allen bisher für den Rückgang verantwortlichen genannten<br />
Ursachen zu widersprechen. Folgende Gründe werden von verschiedenen Autoren<br />
genannt (ergänzt durch eigene Überlegungen):<br />
1. Unterschiedlich intensive Erfassungstätigkeit<br />
Gerade bei dieser schwer zu beobachtenden Art können unterschiedlich intensive<br />
Erfassungstätigkeiten zu unterschiedlichen Annahmen über die Bestandsgröße führen. Der<br />
Anstieg Ende der 1980iger Jahre ist aber nicht alleine durch höhere Erfassungstätigkeit<br />
erklärbar, da für andere Arten (z.B. Steinadler (Aquila chrysaetos) und Schneehuhn (Lagopus<br />
mutus)) kein vergleichbarer Anstieg im selben Zeitraum zu verzeichnen ist (LÜPS 1994).<br />
2. Interspezifische Konkurrenz<br />
Zwar treten sowohl Steinhuhn und Birkhuhn (Tetrao tetrix) im Bereich der Waldgrenze, als<br />
auch Steinhuhn und Schneehuhn (Lagopus mutus) im Bereich der Alpinen Matten teilweise<br />
gemeinsam auf (LÜPS 1981c), aber bereits LÜPS geht davon aus, dass dies keinen Einfluss<br />
auf die Bestandsgröße des Steinhuhns hat.<br />
3. Prädatoren<br />
Als Prädatoren mit möglichem Einfluss auf den Steinhuhnbestand werden immer wieder<br />
Greifvögel, Rabenvögel und Säugetiere genannt (GLUTZ et al. 1973, LÜPS 1981c). Ein<br />
signifikanter Einfluss durch Prädatoren konnte aber in der mir bekannten Literatur nie<br />
nachgewiesen werden. Lediglich vom Steinadler (Aquila chrysaetos) liegt durch HAFNER<br />
(1994) mehr als eine Beobachtung von getöteten Steinhühnern vor, diese zählen aber sicher<br />
nicht zu seiner Hauptbeute und selbst die ansteigenden Bestandszahlen beim Steinadler<br />
dürften keinen entscheidenden Einfluss haben (LÜPS 1981c).<br />
4. Jagd<br />
Bis zum Anfang des 20. Jahrhunderts war der Jagddruck (bis zu 2500 erlegte Hühner im<br />
Jahr in der Schweiz und bis zu 25 an einem Tag pro Jäger (GLUTZ et al. 1973)) sicher der
6 Diskussion 78<br />
Hauptgrund für den Rückgang der Art. Ein Jagdschutz (in der Schweiz seit 1978, in<br />
Österreich seit 1968) konnte die negative Bestandsentwicklung aber nicht aufhalten (LÜPS<br />
1981c), weshalb dies nicht der entscheidende Faktor sein kann. Beschreibungen wie<br />
beispielsweise von ZBINDEN (1984), dass bis 1935 im Tessin „erlegte Steinhühner in<br />
Rückentragekörben zu Tal getragen wurden“ geben aber zu bedenken, dass die Population<br />
möglicherweise bereits vor dem Jagdschutz so dezimiert wurde, dass die verstreuten und<br />
teilweise isolierten Bestände von diesem Schutz nicht mehr profitieren konnten. Die<br />
aktuelle Bejagung in Frankreich und Italien muss vor dem Hintergrund des relativ kleinen,<br />
auf Südeuropa begrenzten, Verbreitungsgebietes und der Bestandsentwicklung im letzten<br />
Jahrhundert sehr kritisch betrachtet werden.<br />
5. Gifte<br />
Von GLUTZ al. (1973) werden Insektizide als mögliche Rückgangsursache genannt, doch<br />
wie LÜPS (1981c) berechtigterweise anmerkt, dürften diese in der (rückgängigen)<br />
Berglandwirtschaft kaum eine Rolle spielen.<br />
6. Tourismus<br />
Direkte Habitatverluste durch Überbauungen für Skianlagen und Hotels sowie<br />
Zerschneidungswirkungen durch Bergbahnen und Strassen in sensiblen Bereichen haben<br />
sicher einen gewissen Einfluss (LÜPS 1981c, HAFNER 1994). Da sich die bevorzugten<br />
Lebensräume aber an unwegsamen Hängen befinden, kommt es selten zu erheblichen<br />
Eingriffen.<br />
7. Nutzungsänderung<br />
Die Aufgabe der Bergbauernlandwirtschaft mit darauf folgender Wiederbewaldung wird<br />
von Autoren aus dem gesamten Alpenraum als Hauptgrund für den Verlust sowohl von<br />
Brutlebensraum als auch von Ausweichhabitaten im Hochwinter genannt (GLUTZ et al.<br />
1973, ZBINDEN 1984, BOCCA 1990, GOSSOW et al. 1992). Alleine in den Jahren 1985 bis<br />
1995 nahm die Waldfläche in der Schweiz um 10% zu (BOLLIGER 2002). Besonders<br />
betroffen sind steile, steinige Hänge (WALTHER 1986, STROBEL & BRÄNDLI 1998) oberhalb<br />
von 1200 m ü. NN, Bereiche der Waldgrenze und Flächen mit „Unproduktiver<br />
Vegetation“ (STROBEL & BRÄNDLI 1998). Die Alpensüdseite ist Schwerpunkt dieser<br />
Entwicklung (STROBEL & BRÄNDLI 1998). Es handelt sich also um Bereiche, für die<br />
Modelle aus der vorliegenden Arbeit auf der nationalen Skala hohe<br />
Vorkommenswahrscheinlichkeiten für das Steinhuhn vorhersagen (Modell A2-1 beinhaltet<br />
die Parameter „Neigung“ und „Unproduktive Vegetation“, vgl. Tab. 13 und Abb. 14 und<br />
15). Die ebenfalls in der vorliegenden Arbeit aufgezeigten negativen Zusammenhänge<br />
zwischen den Parametern „Dichte, höhere Gras- und Seggenfluren“ (Abb. 12), „Höhere<br />
Gebüsche“ (Abb. 12) und „Deckung der Waldschicht“ (Abb. 16) mit dem<br />
Steinhuhnvorkommen bestätigen den negativen Einfluss der Verbrachung auf den Bestand<br />
des Steinhuhns.<br />
Nach dem Bundesgesetz über den Wald (WaG) von 1991 sind in der Schweiz Waldflächen,<br />
die innerhalb eines vorgegebenen Rahmens (mind. 200-800 m 2 , mind. 10-12 Jahre alt und
6 Diskussion 79<br />
mind. 10-12 m breit) kantonal definierten Mindestfunktionen genügen, automatisch vor<br />
Rodungen geschützt. Die oben beschriebene Entwicklung ist also (bis auf wenige<br />
Ausnahmeregelungen) zumindest bis zu einer Gesetzesänderung irreversibel.<br />
Wie schon in Kapitel 6.2.4 erwähnt, ist aber zu betonen, dass die heute verschwindenden<br />
Lebensräume erst durch die menschliche Tätigkeit, vor allem seit dem Mittelalter,<br />
geschaffen wurden. Durch Rodungen (u.a. zur Herstellung von Holzkohle, für den Bauund<br />
Brennholzbedarf der Städte), Waldweide, Streunutzung und umherziehende Schafund<br />
Ziegenherden wurde dem Steinhuhn die Besiedlung von Mittelgebirgen und tieferen<br />
Lagen der Hochgebirge überhaupt erst ermöglicht. Die Aufgabe dieser Nutzungsformen,<br />
beschleunigt durch die Landflucht während der Industrialisierung, muss sich also negativ<br />
auf die Steinhuhnbestände auswirken (HAFNER 1994).<br />
8. Populationsbiologie<br />
Von einigen Autoren wird ein verstärkter Rückgang der Art an der nördlichen Peripherie<br />
des Verbreitungsgebietes erkannt (LÜPS 1981b, MAGNANI et al. 1990, BERNARD-LAURENT<br />
& LÉONARD 2000). Es wird auch beschrieben, dass die Amplitude der<br />
Expositionsakzeptanz bei niedriger Dichte und an der Peripherie geringer ist, es werden<br />
nur noch Optimalhabitate besiedelt (ZBINDEN 1984, MAGNANI et al. 1990).<br />
MAGNANI et al. (1990) und MERIGGI et al. (1998) geben die Isolation von<br />
Reliktvorkommen als Grund für das lokale Aussterben des Steinhuhns an. Das Aussterben<br />
von Arten durch Verkleinerung („Verinselung“) von Lebensräumen ist ein bekanntes<br />
Phänomen, welches für ganz unterschiedliche Organismengruppen beschrieben wurde<br />
(ZIMMERMANN 1986, TILMAN 1994, NEWMARK 1996). In diesem Zusammenhang muss<br />
nochmals auf den Einfluss der Jagd hingewiesen werden, die möglicherweise in einigen<br />
Gegenden erst die Isolation der Steinhuhnbestände verursacht hat. Die genauen<br />
Zusammenhänge, die zur Isolation führen, müssen aber noch genauer untersucht werden.<br />
9. Klima<br />
Klimaeinflüsse werden übereinstimmend von den meisten Autoren als Ursache der<br />
schwankenden Steinhuhnbestände genannt. Nasskalte Sommer wirken sich vor allem<br />
während der Brutperiode negativ aus (GLUTZ et al. 1973, PRÄSENT 1979, LÜPS 1981c,<br />
ZBINDEN 1984, GOSSOW et al. 1992). Durch die vorliegende Arbeit konnte dies bestätigt<br />
werden. So ist der Zusammenhang zwischen Vorkommen des Steinhuhns und der<br />
Sonneneinstrahlung im Juli positiv (Abb. 10). Schneereiche Winter sind für die schlecht an<br />
das alpine Klima angepasste, ursprünglich turkestanisch-ostmediterrane Art (ohne<br />
befiederte Läufe wie die Raufußhühner sie besitzen, kein Anlegen von Schneehöhlen und<br />
kein Umstellen auf Baumnahrung bei hohen Schneelagen) ebenfalls oft mit<br />
Bestandseinbußen verbunden (LÜPS 1980, 1981c, BERNARD-LAURENT & LEONARD 2000).<br />
Die Punkte (7. bis 9.) sind sicher für die derzeitige und zukünftige Entwicklung der<br />
Steinhuhnbestände entscheidend. BERNARD-LAURENT & LÉONARD (2000) haben mit<br />
Modellen zu den Punkten 8. und 9. weitere Information geliefert. Sie wendeten<br />
deterministische Modelle (Einfluss konstanter demographischer Faktoren, Aussterberisiko)
6 Diskussion 80<br />
und stochastische Modelle (Klimaeinflüsse) an. Als mögliche Fehlerquellen nennen sie u.a.<br />
die Nichtberücksichtigung der Varianz der Überlebensraten, von Jagddruck, Anwesenheit<br />
von Schutzmöglichkeiten vor dem Schnee bzw. Ausweichverhalten der Art auf<br />
windexponierte Kuppen, sowie die fehlende Berücksichtigung des Kontaktes mit einer<br />
größeren Metapopulation. Folgende Szenarien wurden erstellt:<br />
a) katastrophale Klimaereignisse (50% Bestandsverlust) mit festgelegter Häufigkeit<br />
(empirisch auf alle 10 Jahre festgelegt) bei 25 Jahren Laufzeit des Modells<br />
b) gute, mittlere und schlechte Brutjahre im Verhältnis zueinander<br />
c) Kombination aus a) und b)<br />
Ergebnis ihrer Untersuchung ist, dass eine Population, die nicht durch katastrophale<br />
Wettereinflüsse beeinträchtigt wird (hypothetisch), eine positive Wachstumsrate (1,072%)<br />
aufweist, wobei die Überlebensrate der Jungvögel und der Bruterfolg subadulter und<br />
adulter Weibchen am wichtigsten sind. Bei Szenario a) ergibt sich eine stabile Population,<br />
die Wachstumsrate liegt bei 1,001%. Erhöht man die Auftretenswahrscheinlichkeit für<br />
schneereiche Winter auf alle 5 Jahre, so liegt die Wachstumsrate nur noch bei 0,935% und<br />
das Aussterberisiko nach 25 Jahren bei 11,6%. Nimmt man für Szenario b) die<br />
beobachteten Verhältnisse (Alpes Maritimes, 1982 bis 1997) von 0,3 : 0,5 : 0,2 an, so liegt<br />
die Wachstumsrate bei 0,969%. Stabile Verhältnisse sind mit dieser Methode erst bei der<br />
hypothetischen Ausgangslage 0,5 : 0,3 : 0,2 zu erreichen, ein Wachsutm bei 0,4 : 0,5 : 0,1.<br />
Szenario b) kommt also zu etwas geringeren Wachstumsraten. Bis hierher stimmen die<br />
Ergebnisse gut mit den von BERNARD-LAURENT & LÉONARD (2000) empirisch ermittelten<br />
Bestandszahlen überein. Szenario c) ergibt (bei einem Verhältnis von 0,3 : 0,5 : 0,2 eine<br />
Wachstumsrate von 0,906% und 27,1% Aussterbewahrscheinlichkeit. Die wohl etwas zu<br />
stark negative Tendenz könnte durch eine zu kleine Stichprobe (n = 37) oder einige der<br />
eingangs genannten Fehlerquellen verursacht sein.<br />
Als Fazit weisen BERNARD-LAURENT & LÉONARD (2000) auf eine ausreichende<br />
Vernetzung der Populationen in den Französischen Südalpen hin, dort bestehe kein reales<br />
Aussterberisiko. Am Nordwestrand der Verbreitung, wo Verluste nicht über<br />
Populationsaustausch aufgefangen werden können, bestehe aber ein akutes<br />
Aussterberisiko. In diesem Zusammenhang muss darauf hingewiesen werden, dass es keine<br />
Einschätzungen über die Mindestgröße einer überlebensfähigen Population (minimum viable<br />
population – MVP) für das Steinhuhn gibt. Dabei handelt es sich um ein generelles Problem<br />
des Artenschutzes (SOULÉ 1987). Eine fundierte Einschätzung einer MVP kann nur unter<br />
Berücksichtigung von sowohl populationsbezogenen Faktoren (Reproduktion, Mortalität,<br />
Mobilität etc.) als auch von Umwelteinflüssen (Habitatqualität, Anfälligkeit gegenüber<br />
Klimaeinflüssen etc.) erfolgen. Dies war im Rahmen der vorliegenden Arbeit nicht zu<br />
bewerkstelligen. Wichtige Hinweise zur Mobilität der Art geben aber Telemetrie-Studien<br />
von HAFNER (1994) und BERNARD-LAURENT (1991). Demnach können zwischen den<br />
Sommer- und Winterhabitaten des Steinhuhns zwischen 6 bis 9 km liegen, in Extremfällen<br />
sogar bis zu 25 km. Dabei werden unterschiedliche Täler und Berggruppen angeflogen.
6 Diskussion 81<br />
6.3.2 Maßnahmen<br />
Konkrete Maßnahmen sollten sich an der Biologie der Art orientieren, die Reproduktivität<br />
der Art nachhaltig steigern, ökonomisch vertretbar sein, mit dem lokalen<br />
sozioökonomischen Umfeld vereinbar sein und im Rahmen von Mitnahmeeffekten<br />
anderen Arten zugute kommen (SNYDER 2000).<br />
Nach ODASSO<br />
& FRANCESCHI (1998) können die Maßnahmen auf folgende<br />
Teilhabitate/Höhenstufen aufgeteilt werden (ob der Begriff des Primärhabitats hier<br />
gerechtfertigt ist, kann aufgrund von Herkunft und aktueller Verbreitung der Art als<br />
diskussionswürdig angesehen werden):<br />
a) Primärhabitat: (Krummseggenrasen, Blaugrashalden, alpine Stufe) ist stabil und<br />
bedarf keiner Maßnahmen.<br />
b) Sekundäres Trockenhabitat (Trockenrasen) braucht nur gezielte, gelegentliche<br />
Einsätze.<br />
c) Alle anderen Sekundärhabitate sind weniger stabil und brauchen konstante und<br />
extensive Nutzung, am besten durch Schaf-Umtriebweide, um die Buschanzahl<br />
unter der von der Art akzeptierten Obergrenze zu halten.<br />
DE FRANCESCHI (1994) stellt für den Schutz in den Italienischen Alpen ein Konzept auf,<br />
welches hier teilweise verändert wiedergegeben wird. Zunächst sollen durch weitere<br />
Beobachtungen zu allen Jahreszeiten weitere Kenntnisse zum Verhalten der Art (vor allem<br />
zu Ausbreitungstendenzen und Bewegungsradius) gewonnen werden. So kann die Größe<br />
der Fläche für entsprechende Maßnahmen ermittelt werden, oder von Teilflächen, welche<br />
durch Habitatvernetzung miteinander verbunden sind. Von primärem Interesse für den<br />
Schutz der Art sind die im Winter genutzten Lebensräume. Denn soweit die Tiere nicht an<br />
Windkanten höherer Lagen überwintern, sind sie zu dieser Jahreszeit auf vom Menschen<br />
genutzte Flächen angewiesen. Vertikale Verbindungen zwischen den Teillebensräumen sind<br />
dann ebenfalls wichtige Schutzobjekte. In allen Fällen ist eine Kontrolle der Maßnahmen<br />
durchzuführen. Folgende Maßnahmen zum Schutz der Art bieten sich an:<br />
1. Erhaltung eines Mosaiks aus niedriger, krautiger Vegetation, Gebüsch und Felsen<br />
in geeigneten Brutgebieten. Keines der Strukturelemente sollte Flächenanteile über<br />
50% aufweisen. Dabei kann auf den periodischen Einsatz von Maschinen zur<br />
Beseitigung aufkommender Verbuschung im Spätsommer nicht verzichtet werden.<br />
2. Einführen halbwilder Ziegen- oder Pferdeherden, dies bedeutet weniger<br />
Pflegeaufwand und verhindert eine weitere Verbuschung (Abb. 21).<br />
3. Einsatz von Ziegen auch nach Verjüngung der Krautvegetation durch<br />
schachbrettartige Bodenreinigung in von Gehölzen überwucherten Bereichen,<br />
welche als Winterlebensraum dienen.<br />
4. Erst kürzlich verlassene Bergweiden mähen und das Mähgut abtragen<br />
(Nährstoffentzug). Diese Bereiche eignen sich auch als Wintereinstand für wilde<br />
Huftiere, welche durch Verbiss die Flächen weiter offen halten.
6 Diskussion 82<br />
5. Wiedereinbürgerung/Bestandsverstärkung durch Aussetzen von Zucht- oder<br />
Wildtieren (wird z.B. von MERIGGI et al. (1998) vorgeschlagen). Dabei besteht aber<br />
die Gefahr, dass keine reinrassigen oder infizierte Tiere ausgesetzt werden,<br />
namentlich das Chukar ist oft eingekreuzt (PRÄSENT 1979, DE FRANCESCHI 1994).<br />
Seit 1988 ist das Aussetzen von Chukarhühnern gesetzlich verboten. LÜPS (1981c)<br />
fasst das Thema treffend zusammen, indem er feststellt, dass an Orten wo die Art<br />
ausstirbt offenbar die Bedingungen zu schlecht sind, und wo sie vorkommt die<br />
Gefahr einer Infizierung der natürlichen Restbestände nicht eingegangen werden<br />
sollte. Auch DE FRANCESCHI (1994) weist darauf hin, dass nur in Gebieten, in<br />
denen die Gründe für das Verschwinden der Art bekannt und beseitigt worden<br />
sind, eine Wiedereinbürgerung Sinn macht. In der Schweiz sind keine<br />
Aussetzungsprogramme geplant (ZBINDEN, schriftl. Mitt.).<br />
6. Vor allem zur Balz- und Brutzeit sollten die Besucherzahlen kontrolliert und wenn<br />
nötig beschränkt werden (über Anzahl zugangsberechtigter Autos).<br />
7. Kontrolle über Auswirkungen der Maßnahmen (Effizienz-/Erfolgskontrolle)<br />
Abb. 21 : Der Einsatz von Ziegen hält die Verbuschung zurück.<br />
Aus dieser Übersicht wird deutlich, dass vor allem pflegerische Maßnamen vorgeschlagen<br />
werden. Auch wenn die Art sicher keine klassische flagship species im Sinne von SNYDER<br />
(2000) ist (die Art ist zu selten, zu unscheinbar in der Lebensweise und dadurch wenig<br />
bekannt), so kann sie doch als Leitart für eine Vielzahl an Tier- und Pflanzenarten der<br />
extensiven Bergweiden stehen, die durch die Schutzmaßnahmen ebenfalls profitieren<br />
würden. Neben Insektenarten (z.B. Schmetterlinge wie Appolo (Parnassius apollo),<br />
Hochalpen-Apollo (P. phoebus), Heller- und Dunkler Alpenbläuling (Plebeius orbitulus, P.<br />
glandon) wären dies in tieferen Lagen auch die Zippammer (Emberiza cia) mit einem etwas<br />
weiteren Biotopspektrum und in höheren Lagen der Steinrötel (Monticola saxatilis). Letzterer<br />
ist eine regelmäßige Begleitart des Steinhuhns und wie dieses von Veränderungen in der<br />
berglandwirtschaftlichen Nutzung betroffen (BOLLMANN et al. 2002). Da es sich bei beiden<br />
Arten um Prioritätsarten für Artenförderungsprogramme in der Schweiz handelt<br />
(BOLLMANN et al. 2002, siehe auch Einleitung), würde sich eventuell ein gemeinsamer
6 Diskussion 83<br />
Aktionsplan anbieten. Eine weitere Prioritätsart, deren Lebensraum sich ebenfalls teilweise<br />
mit dem des Steinhuhn überschneidet, ist das Birkhuhn (Tetrao tetrix). Auch diese Art hat<br />
von der Alpwirtschaft profitiert, unter anderem durch das herabsetzen der Waldgrenze für<br />
die Gewinnung von Brennholz und Weideflächen. Ähnlich wie beim Steinhuhn konnten so<br />
klimatisch günstigere Bereiche besiedelt werden (ZBINDEN & SALVIONI 2003). Auch hier<br />
wären bei Maßnahmen zum Schutz einer Art Mitnahmeeffekte zu erwarten.<br />
Das Steinhuhn ist allerdings durch eine ansteigende Waldgrenze wohl nicht in seinem<br />
Bestand gefährdet. Daher fordert HAFNER (1994) eine stärkere Rolle des Flächenschutzes<br />
in den natürlichen Lebensräumen (extreme Steillagen, großflächige, unbewaldete Hänge mit<br />
hohem Felsanteil von der Waldgrenze an aufwärts, s. Abb. 22). Dies reiche im Hochgebirge<br />
(der Autor bezieht sich auf Ergebnisse aus den Hohen Tauern) zum Erhalt<br />
überlebensfähiger Populationen aus. Er schlägt die Einrichtung mehrerer Schutzgebiete<br />
von 50 000 ha Größe in weitgehend nicht erschlossenen Gegenden vor. Da die<br />
beschriebenen Strukturen für Massentourismus weniger attraktiv sind, bewerte ich dies als<br />
sinnvolle, und in Zeiten überall knapper Naturschutzmittel kostengünstige Maßnahme, die<br />
sich ohne größere Nutzungskonflikte durchsetzen ließe. Die Bedeutung von<br />
Schutzgebieten für den Erhalt gefährdeter Arten wird auch von anderen Autoren bestätigt.<br />
BERGER (2003) spricht von einer Bedeutung der Nationalparks, ohne die viele Arten<br />
wesentlich geringere Bestände aufweisen würden, oder bereits ausgestorben wären.<br />
Allerdings wurden diese Erkenntnisse an migrierenden Großsäugern eines amerikanischen<br />
Nationalparks gewonnen. Aber auch ARAUJO et al. (2002) kommen zu dem Ergebnis, dass<br />
eine Schutzgebietsausweisung in Gebieten mit hoher Vorkommenswahrscheinlichkeit von<br />
Brutvogelarten die Wahrscheinlichkeit erhöht, dass diese Bestände in der nahen Zukunft<br />
erhalten bleiben. Ob das auch langfristig gilt, hängt von der Populationsdynamik der<br />
einzelnen Arten ab.<br />
6.3.3 Schutzkonzept für das Steinhuhn<br />
In einem Spannungsfeld, zwischen internationaler Verantwortung für den Erhalt der Art<br />
(ZBINDEN & SALVIONI 2003) und Forderungen nach weiterer Ursachenforschung für den<br />
Rückgang der Art (LÜPS 1981a) einerseits und der Erkenntnis, dass die Art bei „günstigen“<br />
klimatischen Bedingungen aus dem Südosten eingewandert ist, und bei veränderten<br />
Bedingungen eben auch wieder verschwinden kann andererseits, müssen sämtliche<br />
Schutzmaßnahmen betrachtet und diskutiert werden.<br />
Bei einer Art, welche in alpinen „Urlandschaften“, die sich zumindest in absehbarer Zeit<br />
nicht wesentlich verändern werden (HAFNER 1994), ausreichend Nachkommen für eine<br />
überlebensfähige Population reproduzieren kann, halte ich die oben genannten Vorschläge<br />
(Schutzgebietsstrategie) aus ideellen und finanziellen Gründen für die geeignete Lösung.<br />
Denn die Berglandwirtschaft der Jahrhundertwende wird kaum wieder auferstehen<br />
(HAFNER 1994). Im Sinne der oben genannten Gliederung nach ODASSO & FRANCESCHI<br />
(1998) entspräche dies der obersten Ebene. Maßnahmen der zweiten Ebene, soweit sie
6 Diskussion 84<br />
kostengünstig in Bereichen mit gesicherten Steinhuhnvorkommen, die nicht isoliert sind,<br />
durchgeführt werden können, halte ich darüber hinaus ebenfalls für sinnvoll. Sollten<br />
Pflegearbeiten in den Winterlebensräumen durchgeführt werden, so ist auf eine<br />
ausreichende vertikale Vernetzung mit den Sommerlebensräumen zu achten.<br />
Abb. 22: In Hochlagen wird auch in absehbarer Zeit Lebensraum für das Steinhuhn zur<br />
Verfügung stehen.<br />
Mögliche negative Einflüsse auf den Bestand der Art müssen weiter untersucht und<br />
quantifiziert werden, um bei einem erneuten Bestandsrückgang optimale Schutzmaßnahmen<br />
treffen zu können. Für unterschiedliche Szenarien zu Klimaschwankungen und<br />
Landschaftswandel sind dazu mittels weiteren, verbesserten Modellen Vorhersagen<br />
möglich (AUSTIN 1996, SCHRÖDER 2000). So könnte z.B. getestet werden, inwieweit die<br />
Aussterbewahrscheinlichkeit ansteigt, würden sämtliche Lebensräume unterhalb der<br />
heutigen, potentiellen oder auch zukünftigen Waldgrenze verloren gehen. Mit Vorhersagen<br />
dieser Art kann ein wertvoller Beitrag zu moderner Naturschutzbiologie und zum<br />
Umweltmanagement geliefert werden (MORRISON et al. 1998).
7 Zusammenfassung 85<br />
7 Zusammenfassung<br />
Das Steinhuhn (Alectoris graeca) ist eine prioritäre Vogelart für Artenförderungsprogramme<br />
in der Schweiz. Die Ursachen für Bestandsschwankungen sowie Einzelheiten im Verhalten<br />
der Art sind nur unvollständig bekannt. Für einen effektiven Artenschutz ist die Kenntnis<br />
der Habitatansprüche eine grundlegende Voraussetzung. Die Habitatmodellierung ist ein<br />
geeignetes Verfahren, um den Einfluss von Umweltfaktoren auf das Vorkommen von<br />
Arten quantitativ zu ermitteln und so Vorkommenswahrscheinlichkeiten zu liefern.<br />
In der vorliegenden Arbeit wurden mittels logistischer Regression auf zwei Skalenebenen<br />
Habitatmodelle erstellt. Auf nationaler Skala wurden auf Basis der Kartierungen (1993-<br />
1996) zum neuen Brutvogelatlas der Schweiz sowie mit Umweltdatenbanken Modelle<br />
geschätzt, die durch Übertragung zu Habitateignungskarten umgesetzt wurden. Für ein<br />
Modell auf regionaler Skala wurde im Jahr 2003 eine Strukturkartierung im Kanton Tessin<br />
durchgeführt.<br />
Auf verschiedenen Maßstabsebenen unterscheiden sich die für die räumliche Verteilung<br />
des Steinhuhns maßgeblichen Faktoren. Bei geringer räumlicher Auflösung sind die<br />
Neigung sowie höhenabhängige Parameter (Klima, Nutzungstypen und<br />
Vegetationseinheiten) entscheidend. Die Höhe selbst übt keinen direkten Einfluss aus,<br />
sondern die vom Steinhuhn bevorzugten Strukturen sind in einer bestimmten Höhenlage<br />
zu finden. Bei höherer räumlicher Auflösung wird der Einfluss von Strukturparametern wie<br />
der mittleren Höhe der Krautschicht für das Vorkommen des Steinhuhns deutlich. Der<br />
bereits auf der nationalen Skala feststellbare negative Einfluss geschlossener Wälder und<br />
die Bevorzugung südexponierter Hanglagen gewinnen darüber hinaus an Bedeutung.<br />
Auf beiden Skalenebenen konnten ökologisch wie statistisch sinnvolle Habitatmodelle<br />
erstellt werden. Auf der regionalen Skala weisen die Modelle im Vergleich mit<br />
Literaturwerten sehr hohe Gütewerte auf, auf nationaler Skala werden akzeptable Werte<br />
erreicht. Wie die Übertragung der Werte der nationalen auf die regionale Skala zeigen<br />
konnte, sinkt die Genauigkeit der Modellanpassung mit abnehmender räumlicher<br />
Auflösung. Die Habitateignungskarte für die gesamte Landesfläche der Schweiz stimmt<br />
hinsichtlich des maximalen Verbreitungsgebietes gut mit dem aktuellen Verbreitungsgebiet<br />
überein. Um eine Übereinstimmung zwischen prognostizierter hoher Vorkommenswahrscheinlichkeit<br />
und den aktuellen Vorkommen mit den höchsten Dichten in der<br />
Schweiz herzustellen, wird allerdings ein komplexes Modell benötigt.<br />
Um die tatsächliche Modellgüte beurteilen zu können, wäre eine Validierung an räumlich<br />
oder zeitlich unabhängigen Daten notwendig. Die festgestellten Zusammenhänge zwischen<br />
Vorkommen des Steinhuhns und Habitateigenschaften stimmen aber mit dem<br />
vorhandenen Wissen überein. Darüber hinaus konnten die Zusammenhänge quantifiziert<br />
werden, sowie erstmals die Bedeutung von Klimaparametern abgeschätzt werden. Dies<br />
bedeutet eine Erweiterung des bislang vorwiegend qualitativen Wissens.
7 Zusammenfassung 86<br />
Da das Steinhuhn geschlossene Wälder meidet, erfolgte eine Einschätzung zu möglichen<br />
Lebensraumverlusten durch ein klimabedingtes Ansteigen der Waldgrenze. Die Ergebnisse<br />
sind als Diskussionsgrundlage zu verstehen. Die fehlende Berücksichtigung von Faktoren,<br />
welche einem Ansteigen der Waldgrenze entgegenstehen, ergaben eine zu „positive“<br />
Prognose. Das Steinhuhn wird in Hochlagen, die sich zumindest in absehbarer Zeit nicht<br />
wesentlich verändern werden, überlebensfähig bleiben. Zur Erhaltung und Förderung des<br />
Steinhuhns wird die Ausweisung von Schutzgebieten oberhalb der Waldgrenze<br />
vorgeschlagen.
8 Danksagung 87<br />
8 Danksagung<br />
Boris Schröder hatte die Idee zu dieser Arbeit und schaffte es meine Bedenken hinsichtlich<br />
der Statistik aus dem Weg zu räumen. Meine vielen Fragen wurden meist sofort und klar<br />
beantwortet. Für seine unkomplizierte Art teilweise komplizierte Methoden zu vermitteln<br />
bedanke ich mich. PD Dr. Lukas Jenni von der Schweizerischen Vogelwarte in Sempach<br />
danke ich, dass er sich bereit erklärt hat, als Zweitgutachter zu fungieren.<br />
Dr. Niklaus Zbinden, ebenfalls von der Vogelwarte Sempach, zeigte durchgehend ein<br />
intensives Interesse, unterstützte mich bei der Planung der Freilandarbeit, war<br />
unaufhörliche Literaturquelle und sorgte für die nötige Bodenhaftung im Projekt. Ein ganz<br />
herzliches Dankeschön an ihn. Der gesamten Vogelwarte danke ich für die Bereitstellung<br />
der Datengrundlage und die freundliche Unterstützung. Hans Schmid stellte mir einige der<br />
hervorragenden, hauseigenen Publikationen zur Verfügung, Christian Marti war bei der<br />
Literaturrecherche hilfreich und Reto Spaar half bei logistischen Fragen während einiger<br />
Aufenthalte an der Vogelwarte.<br />
PD Dr. Felix Kienast und Dr. Janine Bolliger vom WSL haben sich Zeit für ein Treffen<br />
genommen, und mit Niklaus Zbinden zusammen wurden mögliche Klimaszenarien und<br />
Ansätze für eine Simulation des Anstiegs der Waldgrenze besprochen. Die Klimadaten<br />
wurden freundlicherweise von Prof. Dr. Martin Beniston von der Universität Fribourg auf<br />
ihre Aktualität hin überprüft.<br />
Michel Rudner stand mir nach dem Wechsel von Boris Schröder an die Universität<br />
Potsdam ebenso für statistische Alltagsprobleme zur Verfügung wie Barbara Strauss. Bei<br />
Fragen zur einen oder anderen Schweizer „Eigenart“ stand mir mein Kollege Felix Hahn<br />
zur Seite. Und schließlich danke ich Heike Büttger, Michael Dietrich, Barbara Fuchs, Britta<br />
Gronewold, Kerrin Lehn, Sieke Paysen und Hanjo Steinborn für die „korrigierende“<br />
Unterstützung in den letzten hektischen Tagen und für viele Anregungen und<br />
Diskussionen.<br />
Hiermit versichere ich<br />
abschließend, dass ich diese Arbeit<br />
selbständig verfasst und keine<br />
anderen als die angegebenen<br />
Hilfsmittel und Quellen benutzt<br />
habe.
9 Literatur 88<br />
9 Literatur<br />
AG BODEN (1996): Bodenkundliche Kartieranleitung. - 4. Auflage, E. Schweizerbart´sche<br />
Verlagsbuchhandlung, Hannover.<br />
ARAUJO, M. B., P. H. WILLIAMS & R. J. FULLER (2002): Dynamics of extinction and the<br />
selection of nature reserves. Proceedings of The Royal Society. Biological Sciences<br />
269 (1504): 1963-2070.<br />
AUGUSTIN, N. H., R. P. CUMMINS & D. D. FRENCH (2001): Exploring spatial vegetation<br />
dynamics using logistic regression and a multinominal logit model. Journal of<br />
Applied Ecology 38: 991-1006.<br />
AUSTIN, G. E., C. J. THOMAS, D. C. HOUSTON & D. B. A. THOMPSON (1996): Predicting<br />
the spatial distribution of buzzard Buteo buteo nesting areas using a GIS and remote<br />
sensing. Journal of Applied Ecology 33: 1541-1550.<br />
BACKHAUS, K., B. ERICHSON, W. PLINKE & R. WEIBER (2000): Multivariate<br />
Analysemethoden. Eine anwendungsorientierte Einführung. 9. Aufl. Springer,<br />
Berlin.<br />
BÄR, O. (1976): Geographie der Schweiz. Lehrmittelverlag des Kantons Zürich, Zürich.<br />
BENISTON, M., H. F. DIAZ & R. S. BRADLEY (1997): Climatic change at high elevation<br />
sites: an overwiew. Climatic Change 36: 233-251.<br />
BERGER, J. (2003): Is it acceptable to let a species go extinct in a national park?<br />
Conservation Biology 17(5): 1451-1454.<br />
BERNARD-LAURENT, A. (1986): Régime alimentaire automnal de la Perdrix Bartavelle,<br />
Alectoris graeca saxatilis, dans les Alpes-Maritimes. Revue d´Ecologie (La Terre et la<br />
Vie) 41: 39-57.<br />
BERNARD-LAURENT, A. (1991): Migrant rock partridges (Alectoris graeca saxatilis) in<br />
southern French Alps. Journal of Ornithology 132: 220-223.<br />
BERNARD-LAURENT, A. & J. L. LAURENT (1984): Méthode de recensement des Perdrix<br />
bartavelles (Alectoris graeca saxatilis Bechstein 1805) au printemps; applications dans<br />
les Alpes-Maritimes. Gibier Faune Sauvage, Game and Wildlife 4: 69-85.<br />
BERNARD-LAURENT, A. & Y. LÉONARD (2000): Vulnerability of an alpine population of<br />
Rock Partridge (Alectoris graeca saxatilis) to climate events: evaluation with<br />
deterministic and stochastic models. Game and Wildlife Science 17(2): 63-79.<br />
BFS (2001): GEOSTAT- Benützerhandbuch. Bundesamt für Statistik (BFS), Bern.<br />
BFS (2002): Umwelt Schweiz. Statistiken und Analysen. -www.statistik.admin.ch,<br />
Bundesamt für Statistik (BFS).<br />
BIBBY, C. J., N. D. BURGESS & D. A. HILL (1995): Methoden der Feldornithologie.<br />
Bestandserfassung in der Praxis. Übersetzung und fachliche Bearbeitung: H.-G.<br />
BAUER. Neumann Verlag, Radebeul.<br />
BLOCK, W. M., M. L. MORRISON & P. E. SCOTT (1998): Development and evaluation of<br />
habitat models for herpetofauna and small mammals. Forest science 44: 430-437.<br />
BOCCA, M. (1990): La Coturnice Alectoris graeca e la Pernice Bianca Lagopus mutus in Valle<br />
d´Aosta. Distribuzione, ecologia, dati reproduttivi e gestione. Aosta.<br />
BOLLIGER, J. (2002): Schweizer Wälder und Klimaveränderungen: Vergleich von<br />
Simulationen quantitativer Vegetationsmodelle. Schweizerische Zeitschrift für<br />
Forstwesen 153 (5): 167-175.<br />
BOLLIGER, J., F. KIENAST & K. ZIMMERMANN (2000): Risks of global warming on<br />
montane and subalpine forests in Switzerland - a modelling study. Reg. Environ.<br />
Change 1: 99-111.<br />
BOLLMANN, K., V. KELLER, W. MÜLLER & N. ZBINDEN (2002): Prioritäre Vogelarten für<br />
Artenförderungsprogramme in der Schweiz. Der Ornithologische Beobachter 99:<br />
301-320.
9 Literatur 89<br />
BORCARD, D., P. LEGENDRE & P. DRAPEAU (1992): Partialling out the spatial component<br />
of ecological variation. Ecology 73: 1045-1055.<br />
BORTZ, J., G. A. LIENERT & K. BOEHNKE (2000): Verteilungsfreie Methoden in der<br />
Biostatistik. Springer, Berlin.<br />
BUCKLAND, S. T., K. P. BURNHAM & N. H. AUGUSTIN (1997): Model selection: an integral<br />
part of inference. Biometrics 53: 603-618.<br />
CAPEN, D. E., J. W. FENWICK, D. B. INKLEY & A. C. BOYNTON (1986): Multivariate<br />
models of songbird habitat in New England forests. In: VERNER, J., MORRISON, M.<br />
L. & C. J. RALPH (Hg.): Wildlife 2000: modelling habitat relationships of terrestrial<br />
vertebrates. – University of Wisconsin Press, Madison: 171-177.<br />
CATTADORI, I., P. J. HUDSON, S. MERLER & A. RIZZOLI (1999): Synchrony, scale and<br />
Temporal dynamics of rock partridge (Alectoris graeca saxatilis) populations in the<br />
Dolomites. Journal of Animal Ecology 68: 540-549.<br />
CATTADORI, I., W. PANDINI, E. CISTOLDI & A. MERIGGI (1998): A model of habitat<br />
suitability for the Rock Partridge (Alectoris graeca saxatilis) in the Trentino Alps:<br />
Preliminary Results. Gibier Faune Sauvage, Game and Wildlife 15(4): 397-406.<br />
COHEN, J. (1960): A coefficient of agreement for nominal scales. Educational and<br />
Psychological Measurement 20: 37-46.<br />
CRAWLEY, M. J. (2003): Statistical Computing. An Introduction to data Analysis using S-<br />
Plus. Wiley, Sussex.<br />
DE FRANCESCHI, P. F. (1994): Plan de restauration pour la Perdrix Bartavelle (Alectoris<br />
graeca) en Italie. Gibier Faune Sauvage, Game and Wildlife 11: 321-332.<br />
EGGENBERG, S. (1995): Ein biogeographischer Vergleich von Waldgrenzen der nördlichen,<br />
inneren und südlichen Schweizeralpen. Mitteilungen der Naturforschenden<br />
Gesellschaft in Bern 52.<br />
FIELDING, A. H. & J. F. BELL (1997): A review of methods for the assessment of<br />
prediction errors in conservation presence-absence models. Environmental<br />
conservation 24: 38-49.<br />
FIELDING, A. H. & P. F. HAWORTH (1995): Testing the generality of bird-habitat models.<br />
Conservation Biology 9(6): 1466-1481.<br />
FISCHLIN, A., H. BUGMANN & D. GYALISTRAS (1995): Sensitivity of a forest ecosystem<br />
model to climate parameterization schemes. Environmental Pollution 87: 267-282.<br />
GLUTZ VON BLOTZHEIM, U. N., K. M. BAUER & E. BEZZEL (1973): Handbuch der Vögel<br />
Mitteleuropas. Akademische Verlagsgesellschaft, Band 5 Galliformes und<br />
Gruiformes. Wiesbaden.<br />
GOSSOW, H., F. HAFNER, S. PSEINER-PETRJANOS, G. VONKILCH & G. WATZINGER<br />
(1992): The status of Grey Partridge (Perdix perdix) and Rock Partdridge (Aletoris<br />
graeca) populations in relation to human land use in Austria: a review. Gibier Faune<br />
Sauvage, Game and Wildlife 9: 515-521.<br />
GUISAN, A. & J.-P. THEURILLAT (2000): Equilibrum modelling of alpine plant distribution:<br />
how far can we go? Phytocoenologia 30(3-4): 353-384.<br />
HAFNER, F. (1994): Das Steinhuhn in Kärnten. Ökologie, Verhalten und Lebensraum. -52.<br />
Sonderheft, Verlag des Naturwissenschaftlichen Vereins für Kärnten, Carinthia ll.<br />
Naturwissenschaftliche Beiträge zur Heimatkunde Kärntens. Mitteilungen des<br />
Naturwissenschaftlichen Vereins für Kärnten. Klagenfurt.<br />
HANLEY, J. A. & B. J. MCNEIL (1982): The meaning and use of the area under a receiver<br />
operating characteristic (ROC) curve. Radiology 143: 29-36.<br />
HARRELL, F. E., Jr. (2002): Regression modelling strategies: with applications to linear<br />
models, logistic regression, and survival analysis. Springer Series in Statistics.<br />
Springer, New York.<br />
HEGG, O., C. BÉGUIN & H. ZOLLER (1993): Atlas schutzwürdiger Vegetationstypen der<br />
Schweiz. Hrsg. Bundesamt für Umwelt, Wald und Landschaft, Bern.
9 Literatur 90<br />
HESS, R. (1979): Zur Siedlungsdichte des Steinhuhns im Oberengadin zwischen Maloja und<br />
Silvaplana. Der Ornithologische Beobachter 76: 41-43.<br />
HOSMER, D. W. & S. LEMESHOW (2000): Applied Logistic Regression. -2. Aufl., Wiley,<br />
New York.<br />
IPPC (2001): Climate Change 2001: Impacts, Adaptions and Vulnerability – Contribution<br />
of Working Group II to the Third Assessment Report of the Governmental Panel<br />
on Climate Change, ed. by MCCARTHY, J. J. et al. Cambridge University Press.<br />
KELLER, V. & K. BOLLMANN (2001): Für welche Vogelarten trägt die Schweiz eine<br />
besondere Verantwortung? Ornithol. Beob. 98: 323-340.<br />
KELLER, V., N. ZBINDEN, H. SCHMID & B. VOLLET (2001): Rote Liste der gefährdeten<br />
Brutvögelarten der Schweiz. Hrsg. Bundesamt für Umwelt, Wald und Landschaft<br />
Bern, und Schweizerische Vogelwarte, Sempach. BUWAL-Reihe Vollzug Umwelt.<br />
KIENAST, F., B. BRZEZIECKI & O. WILDI (1996): Long-term adaption potential of Central<br />
European mountain forests to climate change: a GIS-assisted sensitivity assessment.<br />
Forest Ecology and Management 80: 133-153.<br />
KLEYER, M., R. KRAZ, G. LUTZE & B. SCHRÖDER (1999): Habitatmodelle für Tierarten:<br />
Entwicklung, Methoden und Perspektiven für die Anwendung. Zeitschrift für<br />
Ökologie und Naturschutz 8: 177-194.<br />
KÖPPEN, W. (1919): Baumgrenze und Lufttemperatur. Petermanns geographische<br />
Mitteilungen 65: 201-103.<br />
KÖRNER, C. (1998): A re-assessment of high elevation treeline positions and their<br />
explanation. Oecologia 115(4): 445-459.<br />
LEGENDRE, P. (1993): Spatial Autocorrelation: Trouble or new Paradigm? Ecology 74(6):<br />
1659-1673.<br />
LEVINE, N. (2000): CrimeStat: A Spatial Statistics Program for the Analysis of Crime<br />
Incident Locations. Washington, DC, The Naional Institute of Justice.<br />
LI, W., Z. WANG, Z. MA & H. TANG (1997): A regression model for the spatial distribution<br />
of red-crown crane in Yancheng Biosphere Reserve, China. Ecological Modelling<br />
103: 115-121.<br />
LICHSTEIN, J. W., T. R. SIMONS, S. A. SHRINER & K. E. FRANZREB (2002): Spatial<br />
autocorrelation and autoregressive models in ecology. Ecological Monographs<br />
72(3): 445-463.<br />
LUCK, G. W. (2002): The habitat requirements of the rufous treecreper (Climacteris rufa). 1.<br />
Preferential habitat use demonstrated at mutiple spatial scales. Biological<br />
Conservation 105: 383-394.<br />
LÜPS, P. (1976): Zum tages- und jahreszeitlichen Aktivitätsmuster des Steinhuhns Alectoris<br />
graeca im Alpenraum. Der Ornithologische Beobachter 73: 143-146.<br />
LÜPS, P. (1980): Daten zur Vertikalverbreitung und zum Lebensraum des Steinhuhns<br />
Alectoris graeca in den Schweizeralpen. Der Ornithologische Beobachter 77: 209-218.<br />
LÜPS, P. (1981a): Bestandsrückgang beim Steinhuhn. Natur und Mensch 23: 35-38.<br />
LÜPS, P. (1981b): Gedanken zur Besiedlung des Alpenraums durch das Steinhuhn Alectoris<br />
graeca. Journal für Ornithologie 122: 393-401.<br />
LÜPS, P. (1981c): Verschwindet das Steinhuhn als alpiner Brutvogel? Naturf. Ges.<br />
Schaffhausen. Flugbaltt II/16. Schaffhausen.<br />
LÜPS, P. (1994): Zeichnet sich für den Bestand des Steinhuhns Alectoris graeca eine<br />
Trendwende ab? Der Ornithologische Beobachter 91: 25-30.<br />
LÜPS, P. & W. HEYNEN (1978): Verteilungsmuster und Lebensraum des Steinhuhns<br />
Alectoris graeca an einem Südhang des Lötschbergs (Rhonetal, Schweizer Alpen).<br />
Jahrbuch des Naturhistorischen Museums Bern 6: 143-170.<br />
MAGNANI, Y., M. H. CRUVEILLE, L. CHYRON & P. COLLARD (1990): Entre Léman et<br />
Méditerranée: Tétras, Bartavelle, Lièvre variable et Marmotte. Statut territorial et<br />
évolution. Bulletin mensuel de l´Office national de la chasse 150: 7-15.
9 Literatur 91<br />
MANEL, S., J.-M. DIAS & S. J. ORMEROD (1999): Comparing discriminant analysis, neutral<br />
networks and logistic regression for predicting species distribution: a case study<br />
with a Himalayan river bird. Ecological Modelling 120: 337-348.<br />
MANEL, S., H. C. WILLIAMS & S. J. ORMEROD (2001): Evaluating presence-absence models<br />
in ecology: the need to account for prevalence. Journal of Applied Ecology 38(5):<br />
921-931.<br />
MASSOLO, A. & A. MERIGGI (1998): Factors affecting habitat occupancy by wolves in<br />
northern Apennines (northern Italy): a model of habitat suitability. Ecography 21<br />
(2): 97-107.<br />
MATHYS, L. (2000): Predictive Mapping of Habitat Suitability for Hazel Grouse (Bonasa<br />
bonasia) using Infrared Aerial Photographs and GIS. Diplomarbeit an der<br />
Philosophisch-naturwissenschaftlichen Fakultät der Universität Bern.<br />
MERIGGI, A., W. PANDINI, O. SACCHI, U. ZILIANI & M. FERLONI (1998): Factors affecting<br />
the presence and population dynamics of Rock Partridge (Alectoris graeca saxatilis) in<br />
Trentino (Northern Italy). Report Centro Ecologia Alpina 15.<br />
MORRISON, M. L., B. G. MARCOT & R. W. MANNAN (1998): Wildlife -habitat relationshipsconcepts<br />
and applications-. -2. Auflage, The University of Wisconsin Press,<br />
Madison, Wisconsin.<br />
NETER, J., W. WASSERMAN & M. H. KUTNER (1989): Applied Linear Regression Models. –<br />
2. Auflage, R. D. IRWIN, Inc., Burr Ridge/Boston/Sydney.<br />
NEWMARK, W. D. (1996): Insularization of Tanzanian parks and the local extinction of<br />
large mammals. Conservation Biology 10: 1519-1556.<br />
NIGG, W. (1975): Schweiz. Land, Volk, Wirtschaft in Stichworten. Verlag Ferdinand Hirt,<br />
Hirt´s Stichwörterbücher. Wien.<br />
ODASSO, M. & P. F. DE. FRANCESCHI (1998): Habitat of the Rock Partridge (Alectoris<br />
graeca)<br />
in the province of Trento (Italy).<br />
OPPEL, S., H. M. SCHAEFER, V. SCHMIDt & B. SCHRÖDER (2003): Habitat selection by the<br />
pale-headed brush-finch (Atlapetes pallidiceps) in southern Ecuador: implications<br />
for conservation. Biological Conservation 118 (1) : 33-40.<br />
OZENDA, P. (1983): La végétation de l´arc alpin. -29, Conseil de l´europe, Collection<br />
sauvegearde de la nature. Strasbourg.<br />
PEARCE, J. & S. FERRIER (2000): An evaluation of alternative algorithms for fitting species<br />
distribtion models using logistic regression. Ecological Modelling 128: 127-147.<br />
POMPILIO, L., O. BRUSA & A. MERIGGI (2003): Uso dell´habitat e fattori influenzanti la<br />
distribzuione e l´abbondanza della Coturnice Alectoris graeca saxatilis nelle Alpi<br />
Lepontine. Avocetta 27: 93.<br />
POMPILIO, L. & A. MERIGGI (1999): Modelli di valutazione ambientale per Fagiano di<br />
monte Tetrao tetrix, Pernice bianca Lagopus mutus e Coturnice Alectoris graeca saxatilis.<br />
Avocetta 23: 98.<br />
PRÄSENT, I. (1979): Zur Verbreitung des Steinhuhnes, Alectoris graeca (Meisner 1804) in der<br />
Steiermark. Mitteilungen der Abteilung für Zoologie am Landesmuseum<br />
Johanneum 8: 93-101.<br />
RAETHEL, H.-S. (1988): Hühnervögel der Welt. Neumann-Neudamm Verlag, 3. Auflage.<br />
Melsungen.<br />
REINEKING, B. & B. SCHRÖDER (2004a): Gütemaße für Habitatmodelle. - in DORMANN,<br />
C.F., BLASCHKE, T., LAUSCH, A., SCHRÖDER, B. & D. SÖNDGERATH (Eds.):<br />
Habitatmodelle - Methodik, Anwendung, Nutzen. UFZ-Berichte 9/2004: 27-37.<br />
REINEKING, B. & B. SCHRÖDER (2004b): Variablenselektion - Strategien der<br />
Modellbildung in der Habitatmodellierung. - in Dormann, C.F., Blaschke, T.,<br />
Lausch, A.., SCHRÖDER, B. & D. Söndgerath (Eds.): Habitatmodelle - Methodik,<br />
Anwendung, Nutzen. UFZ-Berichte 9/2004: 39-45.
9 Literatur 90<br />
RUDNER, M. (2004): LR_Mesh. Response surfaces for logistic regression models,<br />
http://www.uni-oldenburg.de/landeco/Download/Software/LR_Mesh/<br />
LR_Mesh.htm.<br />
SACHS, L. (1999): Angewandte Statistik - Anwendung statistischer Methoden. Springer,<br />
New York.<br />
SASCOR, R. & R. MAISTRI (1994): La situazione della Coturnice, Alectoris graeca, in due aree<br />
campione in Val Venosta (Alto Adige). Rivista Italiana di Ornitologia 66: 141-147.<br />
SCHMID, H., R. LUDER, B. NAEF-DAENZER, R. GRAF & N. ZBINDEN (1998): Schweizer<br />
Brutvogelatlas. Verbreitung der Brutvögel in der Schweiz und im Fürstentum<br />
Liechtenstein 1993-1996. Schweizerische Vogelwarte, Sempach.<br />
SCHRÖDER, B. (2000): Zwischen Naturschutz und Theoretischer Ökologie: Modelle zur<br />
Habitateignung und räumlichen Populationsdynamik für Heuschrecken im<br />
Niedermoor. TU Braunschweig. Braunschweig.<br />
SCHRÖDER, B. (2004): ROC Plotting and AUC Calculation Transferability Test,<br />
http://brandenburg.geoecology.uni-potsdam.de/users/schroeder/download.html.<br />
SCHRÖDER, B. & B. REINEKING (2004a): Modellierung der Art-Habitat-Beziehung - ein<br />
Überblick über die Verfahren der Habitatmodellierung. - in DORMANN, C.F.,<br />
BLASCHKE, T., LAUSCH, A., SCHRÖDER, B. & D. SÖNDGERATH (Eds.):<br />
Habitatmodelle - Methodik, Anwendung, Nutzen. UFZ-Berichte 9/2004: 5-26.<br />
SCHRÖDER, B. & B. REINEKING (2004b): Validierung von Habitatmodellen. - in<br />
DORMANN,C.F., BLASCHKE, T., LAUSCH, A., SCHRÖDER, B. & D. SÖNDGERATH<br />
(Eds.): Habitatmodelle - Methodik, Anwendung, Nutzen. UFZ-Berichte 9/2004:<br />
47-56.<br />
SMITH, P. A. (1994): Autocorrelation in logistic regression modelling of species´<br />
distributions. Global ecology and biogeography letters 4: 47-61.<br />
SNYDER, N., P. MCGOWAN, J. GILARDI & A. GRAJAL (2000): Parrots: status survey and<br />
conservation action plan 2000-2004. Gland, Switzerland and Cambridge, UK,<br />
International Union for Conservation of Nature and Natural Ressources.<br />
SOULÉ, M. E. (1987): Viable populations for conservation. Cambridge, Cambridge<br />
University Press.<br />
STEYERBERG, E. W., F. E. HARRELL JR., G. J. J. M. BORSBOOM, M. J. C. EIJKEMANS, Y.<br />
VERGOUWE & J. D. F. HABBEMA (2001): Internal validation of predictive models:<br />
Efficiency of some procedures for logistic regression analysis. Journal of Clinical<br />
Epidemiology 54(8): 774-781.<br />
STORCH, I. (2002): On Spatial Resolution in Habitat Models: Can Small-scale Forest<br />
Structure Explain Capercaille Numbers? Conservation Ecology 6(1): 112-146.<br />
STRIEN, A. J. V. (1997): Biodiversity declining in the Netherlands: an indicator to describe<br />
the changes in the number of wild species. Netherlands Official Statistics 12: 45-49.<br />
STROBEL, T. & U. B. BRÄNDLI (1998): Die Waldfläche nimmt im Alpenraum weiter zu.<br />
Wald und Holz Jg.79(10): 31-33.<br />
SVENSSON, L., P. J. GRANT, MULLARNEY & D. ZETTERSTRÖM (1999): Der neue Kosmos<br />
Vogelführer. Alle Arten Europas, Nordafrikas und Vorderasiens. Kosmos,<br />
Stuttgart.<br />
THOMAS, C. D., A. CAMERON, R. E. GREEN, M. BAKKENES, L. J. BEAUMONT, Y. C.<br />
COLLINGHAM, B. F. N. ERASMUS, M. F. D. SIQUEIRA, A. GRAINGER, L. HANNAH,<br />
L. HUGHES, B. HUNTLEY, A. S. V. JAARSVELD, G. F. MIDGLEY, L. MILES, M. A.<br />
ORTEGA-HUERTA, A. TOWNSEND-PETERSON, O. L. PHILLIPS & S. E. WILLIAMS<br />
(2003): Extinction risk from climate change. Nature 427: 145-148.<br />
TILMAN, D., R. M. MAY, C. I. LEHMAN & M. A. NOWAK (1994): Habitat destruction and<br />
the extinction debt. Nature 371(65-66).
9 Literatur 93<br />
VERBYLA, D. L. & J. A. LITAITIS (1989): Resampling methods for evaluation of<br />
Classification accuracy of wildlife habitat models. Environmental management 13:<br />
783-787.<br />
WALTHER, P. (1986): Land abandonment in the Swiss Alps. A new understanding of a<br />
lande-use problem. Mountain Research and Development 6(4): 305-314.<br />
WOHLGEMUTH, T. (1993): Der Verbreitungsatlas der Farn- und Blütenpflanzen der<br />
Schweiz (WELTEN & SUTTER 1982) auf EDV: Die Artenzahlen und ihre<br />
Abhängigkeit von verschiedenen Faktoren. Botanica Helvetica 103: 55-71.<br />
ZBINDEN, N. (1984): Zur Verbreitung, Siedlungsgeschichte und Herbst-/Winternahrung<br />
des Steinhuhns Alectoris graeca im Tessin. Der Ornithologische Beobachter 81:<br />
45-52.<br />
ZBINDEN, N. & M. SALVIONI (2003): Die Hühnervögel der Tessiner Berge. Schweizerische<br />
Vogelwarte, Sempach; Dipartimento del territorio, Divisione dell´ambiente, Ufficio<br />
della caccia e della pesca del Cantone Ticino, Avifauna Report Sempach, 3.<br />
ZIMMERMANN, B. L. (1986): Relevance of the equilibrium theory of biogeography<br />
and species-area relations to conservation with a case from Amazonia. Journal of<br />
Biogeography 13: 133-143.<br />
ZIMMERMANN, K. & F. KIENAST (1995): Klimakarten lassen sich nicht kartieren, sie<br />
werden gerechnet. Informationsblatt Forschungsbereich Landschaft. 27.
Anhang A-1<br />
Verzeichnis der Anhänge<br />
ANHANG 1: Erläuterungen ...................................................................................A-2<br />
1.1 Internationaler Atlascode ...................................................................................................... A-2<br />
1.2 Neigungsklassen und Umrechnung in Altgrad .......................................................................A-3<br />
1.3 Definition der verwendeten Nutzungstypen nach BFS (2001) ...............................................A-4<br />
1.4 Zuordnung der Hegg-Typen zu den Strukturtypen nach Roman Graf ...................................A-6<br />
ANHANG 2: Ergebnisse ........................................................................................A-7<br />
2.1 Bivariate Rangkorrelationskoeffizienten nach Spearman, Atlas ............................................A-7<br />
2.2 Bivariate Rangkorrelationskoeffizienten nach Spearman, Regional ......................................A-8<br />
2.3 Atlas-Habitatmodelle ..............................................................................................................A-9<br />
2.4 Regional-Habitatmodelle ......................................................................................................A-11<br />
2.5 Weitere Modelle ...................................................................................................................A-13<br />
2.6 Boxplot-Diagramme ausgewählter univariater Atlasmodelle ................................................A-14<br />
2.7 Boxplot-Diagramme ausgewählter univariater Regionalmodelle ..........................................A-15<br />
2.8 Änderung der Devianz bei Entfernung der jeweiligen Variable aus den multiplen<br />
Endmodellen .........................................................................................................................A-16<br />
2.9 Streudiagramme der geostatistischen Variablen, Regionalmodell .......................................A-17<br />
2.10 Karten zur potentiellen Waldgrenze bei unterschiedlichen Klimaszenarien .........................A-18<br />
ANHANG 3: Material ............................................................................................A-19<br />
3.1 Ausschnitte aus Topographischen Karten (1 : 25 000) mit Lage der Aufnahmeflächen .....A-19<br />
3.2 Habitatfotos ..........................................................................................................................A-29
Anhang 1 - Erläuterungen A-2<br />
ANHANG 1: Erläuterungen<br />
Anhang 1.1: Internationaler Atlascode.<br />
aus: SHARROCK, J. T. R. (1973): Ornithological Atlases. Auspicium 5, Suppl.: 13-15<br />
(präzisiert nach SCHMIDT et al. 1998).<br />
Mögliches Brüten:<br />
1 Art zur Brutzeit beobachtet<br />
2 Art zur Brutzeit in einem möglichen Brutbiotop festgestellt<br />
3 Singendes Männchen während der Brutzeit anwesend, Balzrufe/ Trommeln gehört oder balzendes Männchen gesehen<br />
Wahrscheinliches Brüten:<br />
4 Paar während der Brutzeit in einem geeigneten Brutbiotop beobachtet<br />
5 Revierverhalten eines Paares (Gesang, Kämpfe mit Reviernachbarn usw.) an mindestens 2 Tagen im selben Territorium<br />
festgestellt<br />
6 Balzverhalten (von Männchen und Weibchen) bemerkt<br />
7 Altvogel sucht einen wahrscheinlichen Nestplatz auf<br />
8 Warn- und Angstrufe der Altvögel oder anderes aufgeregtes Verhalten, das auf ein Nest oder Junge in der näheren<br />
Umgebung hindeuten könnte<br />
9 Brutfleck bei gefangenem Weibchen festgestellt<br />
10 Altvogel transportiert Nestmaterial, baut ein Nest oder meisselt eine Höhle aus<br />
Sicheres Brüten:<br />
11 Lahmstellen und Verleitverhalten beobachtet<br />
12 Benutztes Nest gefunden<br />
13 Kürzlich ausgeflogene Junge bei Nesthockern oder Dunenjunge bei Nestflüchtern beobachtet<br />
14 Altvögel verlassen oder suchen einen Nestplatz auf. Das Verhalten der Altvögel deutet auf besetztes Nest hin, dessen<br />
Inhalt jedoch nicht eingesehen werden kann (hohe oder in Höhlen gelegene Nester)<br />
15 Altvogel trägt Kotsack von Nestling weg<br />
16 Altvogel mit Futter für die Jungen festgestellt<br />
17 Eischalen geschlüpfter Jungen gefunden<br />
18 Nest mit brütendem Altvogel entdeckt<br />
19 Nest mit Eiern oder Jungen gefunden
Anhang 1 - Erläuterungen A-3<br />
Anhang 1.2: Neigungsklassen und Umrechnung in Altgrad.<br />
Klasse Altgrad Neugrad<br />
1 0 - 4,4 0 - 4<br />
2 4,5 - 8,9 5 - 9<br />
3 9,0 - 13,4 10 - 14<br />
4 13,5 – 17,9 15 - 19<br />
5 18,0 – 22,4 20 - 24<br />
6 22,5 – 26,9 25 - 29<br />
7 27,0 – 31,4 30 - 34<br />
8 31,5 – 35,9 35 - 39<br />
9 36,0 – 40,4 40 - 44<br />
10 40,5 – 44,9 45 - 49<br />
11 45,0 – 49,4 50 - 54<br />
12 49,5 – 53,9 55 - 59<br />
13 54,0 – 58,4 60 - 64<br />
14 58,5 – 62,9 65 - 69<br />
15 63,0 – 67,4 70 -74<br />
16 67,5 – 71,9 75 - 79<br />
17 72,0 – 76,4 80 - 84<br />
18 76,5 – 80,9 85 - 89<br />
19 81,0 – 85,4 90 - 94<br />
20 85,5 – 89,9 95 - 99
Anhang 1 - Erläuterungen A-4<br />
Anhang 1.3: Definition der verwendeten Nutzungstypen nach<br />
BFS (2001).<br />
Bestockte Flächen<br />
Als bestockte Flächen (Wald und Gehölze) werden alle mit Waldbäumen oder<br />
gebüschwaldbildenden Straucharten bedeckten Flächen bezeichnet. Eine Ausnahme bilden<br />
Bestockungen auf Flächen mit Siedlungsfunktion (Parkanlagen, Alleen, Gebäudeumschwung,<br />
Verkehrsgrün), wo die entsprechende Siedlungskategorie Priorität hat. Die Abgrenzung des<br />
Waldes gegenüber dem Nichtwald erfolgte in Anlehnung an die Kriterien des schweizerischen<br />
Landesforstinventars.<br />
1 Geschlossener Wald<br />
Die Nutzungsart geschlossener Wald umfasst geschlossene Baumbestände mit einer<br />
Mindestbreite von 25 m, einem Deckungsgrad von mehr als 60% und einer minimalen<br />
Oberhöhe von 3 m. Dazu gehören auch Waldstrassen und Fliessgewässer, die weniger als 6 m<br />
breit sind sowie vorübergehend unbestockte Flächen, wie Aufforstungen, Verjüngungen,<br />
Holzschläge und Waldschadenflächen, sofern die in der unmittelbaren Umgebung liegenden<br />
Waldflächen den Minimalanforderungen bezüglich Breite, Dichte und Höhe genügen.<br />
2 Aufgelöster Wald<br />
Zum aufgelösten Wald gehören Bestockungen mit einer Mindestbreite von 50 m, einem<br />
Deckungsgrad zwischen 20 und 60% und einer minimalen Oberhöhe von 3 m. Die Zuordnung<br />
erfolgt unabhängig davon, ob zusätzlich eine landwirtschaftliche Nutzung stattfindet oder nicht.<br />
Darin sind ebenfalls Waldstrassen und Fliessgewässer, die weniger als 6 m breit sind sowie<br />
vorübergehend unbestockte Flächen enthalten, wenn die umliegenden Waldflächen den<br />
geforderten Kriterien entsprechen.<br />
3 Gebüschwald<br />
Der Gebüschwald wird zur Hauptsache aus den Straucharten Alpenerle (Alnus viridis), Legföhre<br />
(Pinus mugo) und Hasel (Corylus avellana) gebildet. Er muss die Mindestanforderungen von<br />
25m Breite und 60% Deckungsgrad, nicht aber in jedem Falle (Alpenerle, Legföhre) die<br />
Voraussetzung einer Mindesthöhe von 3 m erfüllen. Das Vorkommen des Gebüschwaldes ist<br />
auf den Alpenraum beschränkt, wo er vor allem in Nordlagen im Bereich der Waldgrenze<br />
verbreitet ist.<br />
Landwirtschaftliche Nutzflächen<br />
Die landwirtschaftlichen Nutzflächen umfassen das Kulturland des Dauersiedlungsgebietes und<br />
die alpwirtschaftlich genutzten Flächen. Sie decken das gesamte landwirtschaftliche<br />
Nutzungsspektrum von den Intensivkulturen bis hin zu den extensiv genutzten Kleinviehweiden<br />
und Wildheuplanggen ab und enthalten auch brachliegende Flächen, sofern diese nicht<br />
verbuscht oder bestockt sind. Nicht zu den landwirtschaftlichen Nutzflächen gehören Strassen,<br />
Wege, landwirtschaftliche Gebäude und deren Umschwung, sowie Feldgehölze und<br />
Bestockungen auf Kulturland (Wytweiden, Weidwälder). Für die Abgrenzung zwischen den<br />
ganzjährig besiedelten Talgebieten, den nur im Sommer bewohnten Alpen und den<br />
Sömmerungsbetrieben mit saisonal erhöhtem Viehbesatz (Voralpen, Jura) wurden die land- und<br />
alpwirtschaftlichen Produktionskataster des Bundesamtes für Landwirtschaft beigezogen.<br />
10 Maiensässe, Heualpen, Bergwiesen<br />
Die Maiensässe, Heualpen und Bergwiesen beinhalten das abseits der Dauersiedlungen<br />
liegende Wiesland der Maiensäss- und Alpstufe, auf welchem neben einer allfälligen<br />
Weidenutzung Dürrfutter gewonnen wird. Je nach Klima und Standort bewegt sich die<br />
Häufigkeit der Schnittnutzung zwischen zweimal jährlich und einmal alle drei Jahre. Die<br />
Übergänge zu den Alp- und Juraweiden sind meist fliessend, im Bereich der Hochtäler auch<br />
diejenigen zum Wies- und Akkerland.<br />
11 Alp- und Juraweiden<br />
In den Alp- und Juraweiden sind diejenigen Weideflächen enthalten, die durch saisonale<br />
Weidebetriebe (Alpen) oder durch Ganzjahresbetriebe mit saisonal bedeutend grösserem<br />
Viehbestand (Jura, Voralpen) bewirtschaftet werden. Darunter fallen die Rindvieh- und<br />
Schmalviehalpen sowie die heute kaum mehr genutzten Wildheuplanggen. Der maximale Grad
Anhang 1 - Erläuterungen A-5<br />
der Einschränkung durch Verbuschung, Fels oder Geröll kann bis zu 80% betragen. Für die<br />
Abgrenzung der alpwirtschaftlichen Nutzflächen gegenüber den Heimweiden und den Flächen<br />
mit unproduktiver Vegetation wurden die land- und alpwirtschaftlichen Produktionskataster<br />
konsultiert. Die Ausscheidung der Weidegebiete erfolgte aber nicht, wie in früheren<br />
Erhebungen, grossflächig. Bedingt durch die Stichprobenmethode fand eine innere Bereinigung<br />
statt, indem unzugängliche Bachtobel, Steilhänge, Felspartien, Geröllhalden (Anteil Felsen,<br />
Steine > 80%) und verbuschte Partien (Verbuschungsgrad > 80%) innerhalb der Alpweiden den<br />
vegetationslosen Flächen bzw. der unproduktiven Vegetation zugeordnet wurden. Die<br />
Übergänge zwischen bestockten, unproduktiven und landwirtschaftlich genutzten Flächen sind<br />
durch die starke und kleinflächige Nutzungsdurchmischung dieser Gebiete meist fliessend.<br />
Unproduktive Flächen<br />
Die unproduktiven Flächen enthalten alle unbestockten Flächen, die aufgrund der klimatischen<br />
und topographischen Lage landwirtschaftlich nicht nutzbar sind (Gewässer, unproduktive<br />
Vegetation, vegetationslose Flächen). Der Begriff «unproduktive Flächen» ist insofern zu<br />
relativieren, als auf solchen Flächen durchaus auch Nutzungen wie Tourismus, Sport,<br />
Energiegewinnung oder Fischerei möglich sind, während andererseits auch Teile der<br />
bestockten Flächen mit guten Argumenten dem Bereich der unproduktiven Flächen zugeordnet<br />
werden könnten. Für eine Differenzierung der Bestockungen in produktiv und unproduktiv gibt<br />
es jedoch im Luftbild und vielfach auch im Gelände kaum objektive Kriterien.<br />
14 Unproduktive Vegetation<br />
In der Nutzungsart unproduktive Vegetation werden die unbestockten, mit Vegetation<br />
bedeckten Flächen ohne landwirtschaftliche Nutzung zusammengefasst. Im einzelnen handelt<br />
es sich um die unproduktive Gras- und Krautvegetation (im Übergang von den alpwirtschaftlich<br />
genutzten Grenzlagen zu den vegetationslosen Flächen), die Gebüsch- und Strauchvegetation<br />
(vorwiegend Zwergsträucher im Bereich der Waldgrenze, aber auch einwachsendes<br />
Kulturland), die Nassstandorte (nicht bestockte Hochmoore und landwirtschaftlich nicht<br />
genutzte Flachmoore), die Ufervegetation (Schilfgürtel an See- und Flussufern) und die<br />
Lawinenverbauungen.<br />
15 Vegetationslose Flächen<br />
Zu den vegetationslosen Flächen zählen die naturbedingt unbewachsenen Flächen wie Fels,<br />
Geröllhalden, Gletscher, Firn oder vegetationslose Bachtobel und Erosionsflächen. Nicht dazu<br />
gehören hingegen die vegetationslosen Siedlungsflächen, insbesondere Abbau- und<br />
Deponieflächen. Obwohl die vegetationslosen Flächen naturgemäss hauptsächlich in den<br />
oberen Höhenlagen vorkommen, sind diese vereinzelt auch in tieferen Lagen anzutreffen.
Anhang 2 - Erläuterungen A-6<br />
Anhang 1.4: Zuordnung der Hegg-Typen zu den Strukturtypen nach Roman Graf.<br />
Strukturtyp Bezeichnung*<br />
beinhaltet folgende Typen aus Hegg**<br />
ST 3 Vegetationsarm oder -los (Deckung < 20%) Potentillion caulescentis (Kalkfelsvegetation), Androsacion vandellii (Silikatfelsvegetation), Galio-Parietarion (Mauerfugen-Gesellschaften),<br />
Thlaspion rotundifolii (Kalkschutt), Petasition paradoxi (Schieferschutt), Androsacion alpinae (Silikatschutt), Epilobion fleischeri (Alluvionen),<br />
Sedo-Scleranthion (Felsgrus, Sand, Mauerkronen, Felsköpfe), Drabo-Seslerion (Felsbänke und Schichtflächen auf Kalk)<br />
ST 4 lückige, niedrige Vegetation (bis 20 cm) Adiantion (feuchte Felsschluchten), Nanocyperion (Zwergbinsen-Gesellschaften, wechselnass), Agropyro-Rumicion (Kies- und Sandalluvionen<br />
an Flüssen), Salicion herbaceae (Silikat-Schneetälchen), Arabidion coeruleae (Kalk-Schneetälchen), Oxytropido-Elynion (Gratrasen, Nacktried, alpin),<br />
Seslerion coeruleae (Trockenrasen auf Kalk, Blaugras, subalp.-alp.), Caricion bicolori atrofuscae (Flachmoore der alpinen Stufe, Kalk), Caricion<br />
sempervirentis (Horstseggenrasen, tiefgründig, sauer, subalpin), Loiseleurio-Vaccinion (alpine Zwergstrauchheide, windexponiert)<br />
ST 5 dichte, niedrige Vegetation (bis 20 cm) Cardamino-Montion (kalkarme Quellfluren), Cratoneurion (kalkreiche Quellfluren, tuffbildend), Poion alpinae (Alpweide, Milchkrautweide), Cynosurion<br />
(Weiden), Caricion canescenti-fusca (saure Flachmoore), Caricion davallinae (Flachmoore der kollinen, montanen, subalp. Stufe, Kalk), Caricion<br />
curvulae (Krummseggenrasen / Silikatrasen, alpin, Klimax), Festucetum halleri (Hallers Schwingelrasen, alpine Silikat-Steilhänge), Laserpitio-Poion<br />
violaceae (subalpine Steilhänge, Silikat, tiefgründig), Sphagnion fusci (Hochmoor), Nardion (Magerrasen, Borstgrasweiden, stark sauer, schwach<br />
geneigt), Calluno-Genistion (Ericaceen-Heiden, Zwergstrauchheiden), Calamagrostion (arund.) (subalpine Hochgrasfluren)<br />
ST 6 lückige, höhere Gras- u. Seggenfluren Magnocaricion (Groß-Seggenried), Xerobromion (Trockenrasen, kollin u. unt. montan), Festucion spadiceae (subalp. kalkarm, steile Trockenhänge),<br />
Rhynchosporion (Zwischenmoore und Schlenken), Festucion variae (subalpine Silikat-Steilhänge)<br />
ST 7 dichte, höhere Gras- u. Seggenfluren Mesobromion (Halbtrockenrasen, kollin u. unt. montan), Seslerio-Bromion (Halbtrockenrasen, ob. montan), Andropogonetum gryllii (Trockenrasen,<br />
Steilhänge), Stipo-Poion carniolicae (Walliser Schwingelrasen, Wallis), Stipo-Poion xerophilae (Walliser Schwingelrasen, Graubünden), Caricion<br />
ferrugineae (frische Rasen auf Kalk, Rostseggen, subalp), Arrhenatherion (Tal-Fettwiesen), Polygono-Trisetion (Berg-Fettwiesen), Molinion<br />
(nasse Streu-Magerwiesen)<br />
ST 8 Staudenfluren (50-100cm) Onopordion (wärmeliebende Distel-Ruderalgesellschaften), Rumicion alpini (Lägergesellschaften), Convolvulion sepii (Hochstauden-Mantelges.<br />
an Röhricht usw), Calthion + Filipendulion (nährstoffreiche Nasswiesen und Staudenfluren), Adenostylion alliariae (Hochstaudenfluren)<br />
ST 9 Zwergsträucher u. niedriges Gebüsch (bis 150 cm) Salicetum helveticae (Weidengebüsch auf Silikat), Rhododendro-Vaccinion (subalp. Zwergstrauchheide, Schneeschutz), Juniperion nanae (subalp.<br />
Zwergstrauchheide, warm-trockenes Lokalklima), Berberidion (wärmeliebende Buschgesellschaften, Berberitzengebüsche), Juniperetum sabinae<br />
(Felsenheide mit Juniperus sabina)<br />
ST 10 höhere Gebüsche Rhododendro-Mugetum prostratae (Legföhrenbestände), Rubo-Prunion spinosae (atlantische Buschgesellschaften), Castanea-Palina,<br />
Corylus-Busch, Niederwald<br />
ST 11 Laubwaldgesellsch. mit spärl. Strauch- u. Krautschicht Asperulo-Fagion (Braunerde-Buchenwald, submontan), Cardamino-Fagion (echter Buchenwald, Kalk, submontan), Fagus-Hochwald<br />
(höchstens Frühblüher)<br />
ST 12 Laubwaldgesellschaften mit üppiger Strauchschicht Salicion pentandrae (Auenwälder der subalp. Stufe), Quercion pubesc.-petraeae (thermophile Eichenwälder), Orno-Ostryon (Hopfenbuchenwald),<br />
Aceri-Fraxinetum (Bach-Eschenwald, Hangfuss-Ahorn-E.-Wald), Carpinion (anspruchsvolle Laubmischwälder), Carpino-Ostryetum (Hainbuchen-
Anhang 2 - Erläuterungen A-6<br />
Hopfenbuchenwald, Mendrisiotto), Tilion (wärmeliebende Lindenmischwälder), Robinia-Forst<br />
ST 13 Nadelwaldgesellsch. mit spärl. Strauch- u. Krautschicht Cytiso-Pinion (Föhrenwald-Steppe), Larix-Forst (Lärchen-Forst), Picea-Forst (Fichten-Forst), Pinus-Forst (Kiefern-Forst)<br />
(höchstens Frühblüher)<br />
ST 14 Nadelwaldgesellschaften mit üppiger Strauchschicht Rhododendro-Cembretum (Arvenwald)<br />
ST 15 gras- hochstauden- kraut- od. zwergstrauchreiche Salicion albae (Weidenau), Alnion glutinosae (Schwarzerlen-Bruchwald), Quercion robori-petraeae (bodensaurer Eichen-Birkenwald, nährstoffarm),<br />
Laubw. ohne üppige Stauchsch.<br />
Pino-Betuletum pubescentis (Kiefern-Birken-Bruchwald), Alnion incanae (Erlen-Aue), Fraxinion (Harte Aue), Luzulo-Fagion (Buchenwälder saurer<br />
Böden, montan), Cephalanthero-Fagion (Orchideen-Buchenwald), Seslerio-Fagion (Steilhang-Kalkbuchenwald), Aceri-Fagion (Ahorn-Buchenwald,<br />
Kalk, subalpin), Lunario-Acerion (Schluchtwälder)<br />
ST 16 gras- hochstauden- kraut- od. zwergstrauchreiche Erico-Mugion (Bergföhrenwald auf Kalk, subalpin), Erico-Pinion (Waldföhren-Wald auf Kalk, montan), Molinio-Pinion (Waldföhren-Wald auf tonigem<br />
Nadelw. ohne üppige Strauchsch.<br />
Boden, montan), Ononido-Pinion (offener Kiefernwald, sehr trocken), Vaccinio-Piceion (subalp. Fichtenwald), Melico-Piceion (montaner Fichtenwald<br />
bzw. Perlgras-Fichtenwald, trocken), Piceo-Abietion (montaner Fichtenwald, sauer, frisch-nass), Adenostylo-Abietion (Buchentannenwald, Kalk,<br />
montan), Rhododendro-Mugetum arboreae (Wald aufrechter Bergföhren, Silikat), Rhododendro-Mugetum prostratae (Legföhrenbestände)<br />
Rhododendro-Laricetum (Lärchenwald), Spagno-Mugetum (Hochmoorwald), Calluno-Pinion (Föhrenwald auf Silikat, montan)<br />
* = Einteilung nach Roman Graf, Vogelwarte Sempach<br />
** = nach Hegg 1993
Anhang 2 - Ergebnisse<br />
A-7<br />
ANHANG 2: Ergebnisse<br />
Anhang 2.1: Bivariate Rangkorrelationskoeffizienten nach Spearman. Dargestellt sind Variablen des Atlasmodells, die<br />
in der univariaten Analyse Signifikanzen von p < 0.05 und AUC-Werte > 0.6 aufweisen.<br />
clojul precjul tempjul degdays radjul wbudjuly N1 N2 N3 N11 N14 N15 neigst cos_asp med_he he_diff ST 3 ST 4 ST 7 ST 8<br />
clojul 1,000 0,473(**) -0,335(**) -0,291(**) 0,146(**) 0,590(**) -0,231(**) -0,183(**) 0,030 0,196(**) -0,022 0,013 -0,066(*) 0,082(**) 0,140(**) -0,141(**) -0,170(**) 0,102(**) -0,007 -0,246(**)<br />
precjul 0,473(**) 1,000 0,099(**) 0,102(**) -0,121(**) 0,957(**) 0,013 -0,208(**) -0,132(**) 0,088(**) -0,198(**) -0,164(**) -0,107(**) 0,111(**) -0,233(**) -0,197(**) -0,281(**) -0,057(*) 0,133(**) -0,181(**)<br />
tempjul -0,335(**) 0,099(**) 1,000 0,977(**) -0,643(**) -0,001 0,519(**) -0,098(**) -0,295(**) -0,756(**) -0,557(**) -0,588(**) -0,281(**) -0,059(*) -0,934(**) -0,255(**) -0,425(**) -0,627(**) 0,380(**) -0,127(**)<br />
degdays -0,291(**) 0,102(**) 0,977(**) 1,000 -0,630(**) 0,009 0,503(**) -0,111(**) -0,299(**) -0,729(**) -0,561(**) -0,595(**) -0,274(**) -0,045 -0,927(**) -0,252(**) -0,436(**) -0,627(**) 0,373(**) -0,117(**)<br />
radjul 0,146(**) -0,121(**) -0,643(**) -0,630(**) 1,000 -0,210(**) -0,317(**) 0,137(**) 0,100(**) 0,562(**) 0,303(**) 0,258(**) 0,126(**) -0,194(**) 0,675(**) 0,123(**) 0,184(**) 0,373(**) -0,234(**) 0,109(**)<br />
wbudjuly 0,590(**) 0,957(**) -0,001 0,009 -0,210(**) 1,000 -0,056(*) -0,234(**) -0,091(**) 0,113(**) -0,136(**) -0,080(**) -0,082(**) 0,175(**) -0,167(**) -0,180(**) -0,221(**) 0,001 0,094(**) -0,191(**)<br />
N1 -0,231(**) 0,013 0,519(**) 0,503(**) -0,317(**) -0,056(*) 1,000 0,350(**) -0,041 -0,471(**) -0,415(**) -0,406(**) 0,106(**) -0,048 -0,491(**) 0,122(**) -0,192(**) -0,474(**) 0,272(**) -0,055(*)<br />
N2 -0,183(**) -0,208(**) -0,098(**) -0,111(**) 0,137(**) -0,234(**) 0,350(**) 1,000 0,320(**) 0,047 0,194(**) 0,097(**) 0,354(**) -0,129(**) 0,174(**) 0,385(**) 0,184(**) 0,001 -0,017 0,186(**)<br />
N3 0,030 -0,132(**) -0,295(**) -0,299(**) 0,100(**) -0,091(**) -0,041 0,320(**) 1,000 0,167(**) 0,374(**) 0,277(**) 0,355(**) 0,023 0,297(**) 0,344(**) 0,252(**) 0,187(**) -0,100(**) 0,239(**)<br />
N11 0,196(**) 0,088(**) -0,756(**) -0,729(**) 0,562(**) 0,113(**) -0,471(**) 0,047 0,167(**) 1,000 0,421(**) 0,460(**) 0,270(**) -0,004 0,745(**) 0,250(**) 0,356(**) 0,573(**) -0,316(**) 0,194(**)<br />
N14 -0,022 -0,198(**) -0,557(**) -0,561(**) 0,303(**) -0,136(**) -0,415(**) 0,194(**) 0,374(**) 0,421(**) 1,000 0,642(**) 0,377(**) 0,010 0,615(**) 0,369(**) 0,523(**) 0,534(**) -0,406(**) 0,257(**)<br />
N15 0,013 -0,164(**) -0,588(**) -0,595(**) 0,258(**) -0,080(**) -0,406(**) 0,097(**) 0,277(**) 0,460(**) 0,642(**) 1,000 0,420(**) -0,020 0,639(**) 0,394(**) 0,646(**) 0,588(**) -0,363(**) 0,101(**)<br />
neigst -0,066(*) -0,107(**) -0,281(**) -0,274(**) 0,126(**) -0,082(**) 0,106(**) 0,354(**) 0,355(**) 0,270(**) 0,377(**) 0,420(**) 1,000 -0,186(**) 0,369(**) 0,839(**) 0,452(**) 0,238(**) -0,145(**) 0,144(**)<br />
cos_asp 0,082(**) 0,111(**) -0,059(*) -0,045 -0,194(**) 0,175(**) -0,048 -0,129(**) 0,023 -0,004 0,010 -0,020 -0,186(**) 1,000 -0,074(**) -0,205(**) -0,085(**) 0,024 -0,031 -0,005<br />
med_he 0,140(**) -0,233(**) -0,934(**) -0,927(**) 0,675(**) -0,167(**) -0,491(**) 0,174(**) 0,297(**) 0,745(**) 0,615(**) 0,639(**) 0,369(**) -0,074(**) 1,000 0,355(**) 0,506(**) 0,650(**) -0,446(**) 0,175(**)<br />
he_diff -0,141(**) -0,197(**) -0,255(**) -0,252(**) 0,123(**) -0,180(**) 0,122(**) 0,385(**) 0,344(**) 0,250(**) 0,369(**) 0,394(**) 0,839(**) -0,205(**) 0,355(**) 1,000 0,450(**) 0,210(**) -0,141(**) 0,174(**)<br />
ST 3 -0,170(**) -0,281(**) -0,425(**) -0,436(**) 0,184(**) -0,221(**) -0,192(**) 0,184(**) 0,252(**) 0,356(**) 0,523(**) 0,646(**) 0,452(**) -0,085(**) 0,506(**) 0,450(**) 1,000 0,506(**) -0,244(**) 0,200(**)<br />
ST 4 0,102(**) -0,057(*) -0,627(**) -0,627(**) 0,373(**) 0,001 -0,474(**) 0,001 0,187(**) 0,573(**) 0,534(**) 0,588(**) 0,238(**) 0,024 0,650(**) 0,210(**) 0,506(**) 1,000 -0,295(**) 0,109(**)<br />
ST 7 -0,007 0,133(**) 0,380(**) 0,373(**) -0,234(**) 0,094(**) 0,272(**) -0,017 -0,100(**) -0,316(**) -0,406(**) -0,363(**) -0,145(**) -0,031 -0,446(**) -0,141(**) -0,244(**) -0,295(**) 1,000 -0,043<br />
ST 8 -0,246(**) -0,181(**) -0,127(**) -0,117(**) 0,109(**) -0,191(**) -0,055(*) 0,186(**) 0,239(**) 0,194(**) 0,257(**) 0,101(**) 0,144(**) -0,005 0,175(**) 0,174(**) 0,200(**) 0,109(**) -0,043 1,000<br />
ST 9 -0,188(**) -0,441(**) -0,416(**) -0,408(**) 0,300(**) -0,399(**) -0,291(**) 0,257(**) 0,301(**) 0,335(**) 0,519(**) 0,437(**) 0,368(**) -0,097(**) 0,525(**) 0,393(**) 0,495(**) 0,357(**) -0,251(**) 0,310(**)<br />
ST 10 0,063(*) 0,260(**) 0,452(**) 0,435(**) -0,332(**) 0,228(**) 0,312(**) -0,075(**) -0,067(**) -0,393(**) -0,324(**) -0,266(**) -0,084(**) -0,063(*) -0,460(**) -0,072(**) -0,238(**) -0,276(**) 0,179(**) -0,150(**)<br />
ST 15 -0,139(**) 0,137(**) 0,690(**) 0,682(**) -0,508(**) 0,094(**) 0,473(**) -0,107(**) -0,222(**) -0,576(**) -0,459(**) -0,452(**) -0,180(**) 0,018 -0,719(**) -0,182(**) -0,332(**) -0,498(**) 0,333(**) -0,157(**)
Anhang 2 - Ergebnisse A-7<br />
ST 9 ST 10 ST 15<br />
clojul -0,188(**) 0,063(*) -0,139(**)<br />
precjul -0,441(**) 0,260(**) 0,137(**)<br />
tempjul -0,416(**) 0,452(**) 0,690(**)<br />
degdays -0,408(**) 0,435(**) 0,682(**)<br />
radjul 0,300(**) -0,332(**) -0,508(**)<br />
wbudjuly -0,399(**) 0,228(**) 0,094(**)<br />
N1 -0,291(**) 0,312(**) 0,473(**)<br />
N2 0,257(**) -0,075(**) -0,107(**)<br />
N3 0,301(**) -0,067(**) -0,222(**)<br />
N11 0,335(**) -0,393(**) -0,576(**)<br />
N14 0,519(**) -0,324(**) -0,459(**)<br />
N15 0,437(**) -0,266(**) -0,452(**)<br />
neigst 0,368(**) -0,084(**) -0,180(**)<br />
cos_asp -,097(**) -0,063(*) 0,018<br />
med_he 0,525(**) -0,460(**) -0,719(**)<br />
he_diff 0,393(**) -0,072(**) -0,182(**)<br />
ST 3 0,495(**) -0,238(**) -0,332(**)<br />
ST 4 0,357(**) -0,276(**) -0,498(**)<br />
ST 7 -0,251(**) 0,179(**) 0,333(**)<br />
ST 8 0,310(**) -0,150(**) -0,157(**)<br />
ST 9 1,000 -0,306(**) -0,394(**)<br />
ST 10 -0,306(**) 1,000 0,409(**)<br />
ST 15 -0,394(**) 0,409(**) 1,000<br />
* = Korrelation ist auf dem Niveau von 0,01 signifikant (2-seitig).<br />
** = Korrelation ist auf dem Niveau von 0,05 signifikant (2-seitig.)
Anhang 2 - Ergebnisse A-8<br />
Anhang 2.2: Bivariate Rangkorrelationskoeffizienten nach Spearman. Dargestellt sind Variablen<br />
des Regionalmodells, die in der univariaten Analyse Signifikanzen von p < 0.05 und AUC-Werte<br />
> 0.7 aufweisen.<br />
höhe cos_expo N14 nach_nutz ST 9 nach_veg WS% KS% ges% kr_he_max kr_he_s stein_p einzelb abst_w fels<br />
höhe 1,000 -0,071 0,202 0,616(**) 0,100 0,576(**) -0,548(**) 0,262(*) -0,461(**) -0,188 -0,488(**) 0,453(**) -0,672(**) 0,834(**) 0,258(*)<br />
cos_expo -0,071 1,000 0,069 0,098 0,063 -0,032 -0,121 -0,137 -0,170 -0,336(**) -0,152 0,140 0,013 0,029 0,287(**)<br />
N14 0,202 0,069 1,000 0,264(*) 0,268(*) 0,323(**) -0,292(**) -0,183 -0,293(**) 0,001 -0,189 0,312(**) -0,102 0,164 0,153<br />
nach_nutz 0,616(**) 0,098 0,264(*) 1,000 0,226(*) 0,704(**) -0,572(**) 0,124 -0,587(**) -0,164 -0,492(**) 0,593(**) -0,626(**) 0,763(**) 0,488(**)<br />
ST 9 0,100 0,063 0,268(*) 0,226(*) 1,000 0,485(**) -0,285(*) -0,124 -0,307(**) 0,009 -0,150 0,328(**) -0,189 0,205 0,360(**)<br />
nach_veg 0,576(**) -0,032 0,323(**) 0,704(**) 0,485(**) 1,000 -0,507(**) 0,087 -0,630(**) -0,192 -0,488(**) 0,629(**) -0,662(**) 0,733(**) 0,475(**)<br />
WS% -0,548(**) -0,121 -0,292(**) -0,572(**) -0,285(**) -0,507(**) 1,000 -0,432(**) 0,433(**) 0,039 0,414(**) -0,455 0,764(**) -0,682(**) -0,438(**)<br />
KS% 0,262(*) -0,137 -0,183 0,124 -0,124 0,087 -0,432(**) 1,000 0,106 0,183 0,005 -0,099 -0,530(**) 0,331(**) -0,014<br />
ges% -0,461(**) -0,170 -0,293(**) -0,587(**) -0,307(**) -0,630(**) 0,433(**) 0,106 1,000 0,024 0,366(**) -0,962(**) 0,457(**) -0,580(**) -0,822(**)<br />
kr_he_max -0,188 -0,336(**) 0,001 -0,164 0,009 -0,192 0,039 0,183 0,024 1,000 0,614(**) -0,039 0,104 -0,297(**) 0,022<br />
kr_he_s -0,488(**) -0,152 -0,189 -0,492(**) -0,150 -0,488(**) 0,414(**) 0,005 0,366(**) 0,614(**) 1,000 -0,371(**) 0,388(**) -0,620(**) -0,241(*)<br />
stein_p 0,453(**) 0,140 0,312(**) 0,593(**) 0,328(**) 0,629(**) -0,455(**) -0,099 -0,962(**) -0,039 -0,371(**) 1,000 -0,448(**) 0,566(**) 0,853(**)<br />
einzelb -0,672(**) 0,013 -0,102 -0,626(**) -0,189 -0,662(**) 0,764(**) -0,530(**) 0,457(**) 0,104 0,388(**) -0,448(**) 1,000 -0,823(**) -0,344(**)<br />
abst_w 0,834(**) 0,029 0,164 0,763(**) 0,205 0,733(**) -0,682(**) 0,331(**) -0,580(**) -0,297(**) -0,620(**) 0,566(**) -0,823(**) 1,000 0,414(**)<br />
fels 0,258(**) 0,287(**) 0,153 0,488(**) 0,360(**) 0,475(**) -0,438(**) -0,014 -0,822(**) 0,022 -0,241(*) 0,853(**) -0,344(**) 0,414(**) 1,000<br />
struktur 0,348(**) 0,074 0,427(**) 0,478(**) 0,521(**) 0,467(**) -0,399(**) 0,029 -0,632(**) 0,233(**) -0,180 0,632(**) -0,263(**)1 0,406(**) 0,611(**)<br />
* = Korrelation ist auf dem Niveau von 0,01 signifikant (2-seitig)<br />
** = Korrelation ist auf dem Niveau von 0,05 signifikant (2-seitig)
Anhang 2 - Ergebnisse<br />
A-9<br />
Anhang 2.3: ATLAS-Habitatmodelle.<br />
UNIVARIATE MODELLE (rechts jeweils die zugehörige Konstante)<br />
Variable β SE Wald df Sig. Konstante β SE Wald df Sig.<br />
clojul -0,010 0,002 24,696 1
Anhang 2 - Ergebnisse A-10<br />
MULTIPLE MODELLE<br />
Variable β SE Wald df Sig. Variable β SE Wald df Sig.<br />
Modell A1-1 Modell A2-2<br />
radjul 3,74E-4
Anhang 2 - Ergebnisse<br />
A-11<br />
Anhang 2.4: Regional-Habitatmodelle.<br />
UNIVARIATE MODELLE (rechts jeweils die zugehörige Konstante)<br />
Variable β SE Wald df Sig. Konstante β SE Wald df Sig.<br />
höhe 0,008 0,005 2,326 1 0,127 1<br />
q_höhe -1,91E-6
Anhang 2 - Ergebnisse A-12<br />
MULTIPLE MODELLE<br />
Variable β SE Wald df Sig. Variable β SE Wald df Sig.<br />
Modell R-1 Modell R-4<br />
N14 5,608 2,484 5,097 1 0,024 cos_exp -1,675 0,506 10,944 1 0,001<br />
kr_he_s 2,879 1,035 7,743 1 0,005 WS% -1,415 0,512 7,624 1 0,006<br />
q_kr_he_s -0,067 0,024 7,491 1 0,006 struktur 1,248 0,401 9,678 1 0,002<br />
nach_veg 2,530 0,896 7,970 1 0,005 Konstante -3,490 1,180 8,745 1 0,003<br />
KS% 0,123 0,053 6,138 1 0,013 Modell R-5<br />
Konstante -38,989 13,576 8,248 1 0,004 cos_exp -2,233 0,646 11,967 1 0,001<br />
Modell R-2 nach_veg 1,174 0,282 17,303 1
Anhang 2 - Ergebnisse A-13<br />
Anhang 2.5: Weitere Modelle.<br />
Variable β SE Wald df Sig. Variable β SE Wald df Sig.<br />
Modellvergleich, univariat (A = Atlas)<br />
Trendmodell Atlas 2.Grades<br />
A_N1 binär -1,293 0,463 7,788 1 0,005 X 0,309 0,141 4,815 1 0,028<br />
Konstante -2,312 0,097 569,004 1
Anhang 2 - Ergebnisse A-14<br />
Anhang 2.6: Boxplot-Diagramme ausgewählter erklärender Variablen (Atlasmodell). Getrennt für Absenz (0) und Präsenz (1).<br />
25<br />
12000<br />
4000<br />
300<br />
20<br />
15<br />
10<br />
9000<br />
6000<br />
3000<br />
2000<br />
200<br />
100<br />
5<br />
3000<br />
1000<br />
0<br />
0<br />
0<br />
1<br />
0<br />
0<br />
1<br />
0<br />
0<br />
1<br />
-100<br />
0<br />
1<br />
Julitemperatur (°C)<br />
Sonneneinstrahl. i. Juli (100*kJoule /m2)<br />
Wärmesumme (°C)<br />
Wasserbilanz i. Juli (mm)<br />
20<br />
15<br />
100<br />
80<br />
100<br />
80<br />
100<br />
80<br />
10<br />
5<br />
0<br />
-5<br />
0<br />
1<br />
60<br />
40<br />
20<br />
0<br />
-20<br />
0<br />
1<br />
60<br />
40<br />
20<br />
0<br />
-20<br />
0<br />
1<br />
60<br />
40<br />
20<br />
0<br />
-20<br />
0<br />
1<br />
Neigung (Klassen)<br />
"Geschlossener Wald" (%-Anteil der Rasterfläche)<br />
"Alpweiden" (%-Anteil der Rasterfläche)<br />
"Unproduktive Vegetation (%-Anteil der Rasterfläche<br />
Auf der y-Achse jeweils der Wertebereich (Angabe der Skalierung in Klammern hinter dem Diagrammtitel). Die Box stellt den Interquartilbereich mit<br />
50% der Werte dar. Die von der Box ausgehenden Linien führen jeweils bis zum höchsten und niedrigsten Wert, ohne Ausreißer zu berücksichtigen.<br />
Die quer über die Box gelegte Linie gibt die Lage des Medians wieder.
Anhang 2 - Ergebnisse A-15<br />
Anhang 2.7: Boxplot-Diagramme ausgewählter erklärender Variablen ( Regionalmodell). Getrennt für Absenz (0) und<br />
Präsenz (1).<br />
1.5<br />
1.0<br />
.5<br />
0.0<br />
-.5<br />
-1.0<br />
-1.5<br />
0<br />
1<br />
4<br />
3<br />
2<br />
1<br />
0<br />
-1<br />
-2<br />
-3<br />
-4<br />
0<br />
1<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
-20<br />
0<br />
1<br />
Exposition, Cosinustransf. (1 = nord, -1 = süd)<br />
Nachbarvegetation (s. Kap. 4.2.3)<br />
Deckung der Waldschicht (%)<br />
120<br />
80<br />
1200<br />
100<br />
80<br />
60<br />
60<br />
40<br />
1000<br />
800<br />
600<br />
40<br />
20<br />
0<br />
-20<br />
0<br />
1<br />
20<br />
0<br />
-20<br />
0<br />
1<br />
400<br />
200<br />
0<br />
-200<br />
0<br />
1<br />
Deckung der Krautschicht (%)<br />
Durchschnittliche Höhe d. Krautsch. (cm)<br />
Einzelbäume (Anzahl)
Anhang 2 - Ergebnisse A-16<br />
Anhang 2.8: Änderung der Devianz bei Entfernung der jeweiligen Variable<br />
aus den multiplen Endmodellen.<br />
Modell Variable Änderung Signifikanz<br />
der Devianz der Änderung<br />
A1-1 NEIGST 25.12
Anhang 2 - Ergebnisse A-17<br />
Anhang 2.9: Streudiagramme der geostatistischen Variablen, Regionalmodell.<br />
Vergleich der gemessenen Werte mit den übertragenen Rasterdaten.<br />
1.2<br />
1.2<br />
1.0<br />
1.0<br />
.8<br />
.8<br />
.6<br />
.6<br />
.4<br />
.4<br />
VORKOMMEN<br />
.2<br />
0.0<br />
-.2<br />
800<br />
1000<br />
1200<br />
1400<br />
1600<br />
1800<br />
2000<br />
2200<br />
2400<br />
2600<br />
VORKOMMEN<br />
.2<br />
0.0<br />
-.2<br />
800<br />
1000<br />
1200<br />
1400<br />
1600<br />
1800<br />
2000<br />
2200<br />
2400<br />
HÖHE (m)<br />
RASTER_HÖHE (m)<br />
1.2<br />
1.2<br />
1.0<br />
1.0<br />
.8<br />
.8<br />
.6<br />
.6<br />
.4<br />
.4<br />
VORKOMMEN<br />
.2<br />
0.0<br />
-.2<br />
-10<br />
0<br />
10<br />
20<br />
30<br />
40<br />
50<br />
60<br />
VORKOMMEN<br />
.2<br />
0.0<br />
-.2<br />
2<br />
4<br />
6<br />
8<br />
10<br />
12<br />
14<br />
16<br />
NEIGUNG (Grad)<br />
RASTER_NEIGUNG (Neigungsklassen)<br />
1.2<br />
1.2<br />
1.0<br />
1.0<br />
.8<br />
.8<br />
.6<br />
.6<br />
.4<br />
.4<br />
VORKOMMEN<br />
.2<br />
0.0<br />
-.2<br />
-1.5<br />
-1.0<br />
-.5<br />
0.0<br />
.5<br />
1.0<br />
1.5<br />
VORKOMMEN<br />
.2<br />
0.0<br />
-.2<br />
-1.5<br />
-1.0<br />
-.5<br />
0.0<br />
.5<br />
1.0<br />
1.5<br />
COS_EXPOSITION (1 = nord, -1 = süd)<br />
RASTER_COS_EXPOSITION (1 = nord, -1 = süd)
Anhang 2 - Ergebnisse A-18<br />
ANHANG 2.10: Karten zur potentiellen Waldgrenze bei unterschiedlichen<br />
Klimaszenarien.<br />
Nach WELTEN & SUTTER,<br />
nachdigitalisiert von<br />
WOHLGEMUTH (1993)<br />
Heutige potentielle Waldgrenze<br />
Auf Basis der 9,5°<br />
Juliisotherme<br />
Schwaches Szenario<br />
Szenario 2030 – 2050<br />
(Basis ist 9,5° Juliisotherme)<br />
Starkes Szenario<br />
Schwaches Szenario<br />
Szenario 2100<br />
(Basis ist 9,5° Juliisotherme)<br />
Starkes Szenario
Anhang 3 - Material A-19<br />
ANHANG 3: MATERIAL<br />
Anhang 3.1: Ausschnitte aus Topographischen Karten (1 : 25 000) mit<br />
Lage der Aufnahmeflächen. Nummerierung nach Zufallsrangliste.
Anhang 3 - Material A-20<br />
Lago Ritóm/Val Piora, Vorkommen
Anhang 3 - Material A-21<br />
Lago Ritóm/Val Piora, Nullquadrat
Anhang 3 - Material A-22<br />
Costa, Vorkommen und Nullquadrat
Anhang 3 - Material A-23<br />
Maggiatal, Vorkommen
Anhang 3 - Material A-24<br />
Maggiatal, Nullquadrat
Anhang 3 - Material A-25<br />
Madone, Vorkommen
Anhang 3 - Material A-26<br />
Joriopass/Carena, Vorkommen
Anhang 3 - Material A-27<br />
Joriopass/Carena, Nullquadrat
Anhang 3 - Material A-28<br />
Mte. Bigorio/Corticiasca Vorkommen und Nullquadrat
Anhang 3 - Material A-29<br />
Anhang 3.2: Habitatfotos.<br />
Oben (von links nach rechts): Costa, von Osten; Joriopass/Alpe di Gesero, von Osten; Costa, von Osten.<br />
Unten (von links nach rechts): Lago Ritóm/ Camoghè – Südosthang; Madone, von Osten; P ta di Splüga, von Osten.