Habitat-Modelle in der Wildökologie - Université de Lausanne

Modellvergleiche 80den die Unterschiede.ENFA erwies sich als sehr robust, was Quantität (Stichprobengröße) und Qualität(Zuverlässigkeit der presence/absence Daten) der Eingangsvariablen anbelangt.Die Autoren kommen zu Schluß, daß ENFA speziell dann geeignet ist, wenn dieQualität der Daten dürftig bzw. unbekannt ist. GLM liefert geringfügig bessereErgebnisse, wenn die verfügbaren presence/absence Daten ausreichend zuverlässigsind.Hirzel et al. (2002) vergleichen ENFA und logistische Regression. ENFA hat denbereits angesprochenen Vorteil, nicht auf absence-Daten angewiesen zu sein.Allerdings impliziert dies, daß die presence-Daten unverfälschte Stichproben deraktuellen Verteilung darstellen. Und das, so vermuten die Autoren, ist nicht immerder Fall.Für stabile Populationen gut untersuchter Arten ist den klassischeren Ansätzen– wie eben der logistischen Regression – der Vorzug zu geben, da diese in derLage sind, aus absence- bzw. Häufigkeitsdaten relevante Information zu extrahieren.Es bedarf aber einer Abwägung der Vorteile, die durch die Einbeziehungvon absence-Daten erwachsen, einerseits und des dadurch entstehenden Mehraufwandes,bzw. der geringen Qualität, andererseits.Weiters geben die Autoren zu bedenken, daß die Verfahren zur Variablenselektion(siehe 4.4.5) sehr sensibel sind, was den gewählten Algorithmus und dieReihenfolge der Eingabe angeht. Im Gegensatz dazu werden bei der FA keineVariablen verworfen, sondern unterschiedlich gewichtet.7.2 MR und ANNLek et al. (1996) vergleichen die Vorhersage-Fähigkeit von multipler Regression(MR) und neuronalen Netzwerken (ANN) für die Schätzung der Dichte von Forellen-Laichplätzen.Wegen der unterschiedlichen Größenordnung der Eingangsvariablen wurden diesestandardisiert (→Standardisieren). Beide Methoden wurden sowohl mit transformierten(Potenzierungs-Funktionen) als auch untransformierten Werten durchgerechnet.Die Notwendigkeit der →Transformation ergibt sich aus der nichtlinearenBeziehung zwischen den Variablen. Damit können zwar ANNs abernicht MR umgehen. Als Indikatoren für die Leistungsfähigkeit der Modelle wer-