DIPLOMARBEIT - Universität Oldenburg

6 Diskussion 69
Nichtvorkommen nicht unmittelbar auf ein ungeeignetes Habitat geschlossen werden kann
(CAPEN et al. 1986). Auch wandernde Tiere können die Ursache sein (SCHRÖDER 2000),
was die guten Ergebnisse beim Steinhuhn (einem Standvogel) erklären könnte.
Ein Maß, das ebenfalls auf der Klassifikationsmatrix basiert, dabei aber die Prävalenz
berücksichtigt, ist der Konkordanzindex Kappa. Bei den Atlasmodellen werden keine
Werte über 0,4 erreicht, nach SACHS (1999) kann also nicht von einer deutlich besseren
Unterscheidung zwischen Vorkommen und Nichtvorkommen, als sie zufällig zu erwarten
wäre, gesprochen werden. Auch MANEL et al. (1999) erhielten für viele Modelle Werte
unter 0,4. Auf der regionalen Skala wird für das Endmodell mit 0,86 ein sehr hoher Wert
erreicht, der über dem Spitzenwert von 0,8 liegt, den MANEL et al. (1999) erreichten.
Allerdings wurde dort der Schwellenwert nicht auf Kappa optimiert, so dass Kappa nicht
den maximal möglichen Wert erreicht. Ein auf Kappa optimierter Wert von 0,71 findet sich
in einer Untersuchung auf regionaler Skala für das Haselhuhn (Bonasa bonasia) bei MATHYS
(2000).
Ein schwellenwertunabhängiges und damit für einen Vergleich zwischen Atlas- und
Regionalmodell geeignetes Gütemaß sind die AUC-Werte. Der Wert für die besten
Atlasmodelle liegt bei 0,89 bzw. 0,85 (bestes Modell, bzw. robustes Modell), beim
Regionalmodell sind die Werte mit 0,99 bzw. 0,96 nahe am Maximalwert von 1.
Bei MANEL (2001) liegen die meisten Werte zwischen 0,7 und 0,8, nur wenige über 0,9.
Allerdings wurden dort die Modelle für ganze Familien erstellt. Bei der oben genannten
Arbeit von OPPEL et al. (2003) wurden meist Werte zwischen 0,8 und 0,9 erreicht, der
Maximalwert liegt mit 0,95 ähnlich hoch wie beim Regionalmodell. Die Atlasmodelle sind
als gut, das Regionalmodell als hervorragend diskriminiert anzusehen.
AIC
Die AIC-Werte sind zwischen den Skalenebenen nicht direkt vergleichbar. Die niedrigsten
Werte (und damit der beste Kompromiss aus Komplexität und Information) innerhalb der
einzelnen Modellblöcke werden eher durch hohe Erklärungsgehalte als durch niedrige
Parameteranzahlen verursacht. So weist Modell A1-1 zwar eine Variable mehr als Modell
A1-3 auf (Tab. 12), scheint aber mit der „Sonneneinstrahlung“ und den
Nutzungsparametern entscheidende Information zu berücksichtigen, welche zu dem
besseren Ergebnis führen (vgl. auch Modell A2-7 und A2-6 in Tab. 13 oder R-1 und R-4 in
Tab..19).
Robustheit der Modelle/ bootstrapping
Insbesondere bei kleinen Datensätzen ist das Modell oft zu eng an die Daten angepasst, zu
„optimistisch“. Wie stark dieser Optimismus ist, muss durch eine Validierung an Daten, die
nicht zur Modellschätzung verwendet wurden, getestet werden (SCHRÖDER & REINEKING
2004b). Dazu wählte ich die Methode der internen Validierung durch resampling. Für eine
Aufteilung der Daten zur externen Validierung reichten die beobachteten Vorkommen
nicht aus. Eine Beurteilung des Gültigkeits- oder Anwendungsbereichs ist daher nicht
möglich, da diese nur auf Grundlage aufgeteilter Daten oder Erhebungen aus anderen