12.07.2015 Aufrufe

Habitat-Modelle in der Wildökologie - Université de Lausanne

Habitat-Modelle in der Wildökologie - Université de Lausanne

Habitat-Modelle in der Wildökologie - Université de Lausanne

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

Mo<strong>de</strong>llvergleiche 81<strong>de</strong>n →Korrelationskoeffizient (r) und →Bestimmtheitsmaß (R 2 ) zw. beobachtetenund geschätzten Werten, <strong><strong>de</strong>r</strong> Anstieg (slope b) <strong><strong>de</strong>r</strong> Regression(-sgera<strong>de</strong>n) sowieVerteilung und Korrelation <strong><strong>de</strong>r</strong> →Residuen herangezogen.In die MR fan<strong>de</strong>n (nach e<strong>in</strong>em schrittweisen Ausleseverfahren) nur 4 erklären<strong>de</strong>Variablen E<strong>in</strong>gang, da sich nur <strong><strong>de</strong>r</strong>en Regressions-Koeffizienten signifikant von0 unterschie<strong>de</strong>n. Bei <strong>de</strong>n ANNs flossen h<strong>in</strong>gegen alle zur Verfügung stehen<strong>de</strong>nVariablen e<strong>in</strong>. Die Variante ANN mit untransformierten Variablen lieferte die bestenErgebnisse.Höheres R 2 , bessere Vorhersage von kle<strong>in</strong>en Werten, Normalverteilung <strong><strong>de</strong>r</strong> Residuenund <strong><strong>de</strong>r</strong>en Unabhängigkeit von <strong><strong>de</strong>r</strong> (Größe <strong><strong>de</strong>r</strong>) vorherzusagen<strong>de</strong>n Variablelassen die Autoren zum Schluß kommen, daß ANNs "performanter" s<strong>in</strong>d.7.3 DA, ANN und logistische RegressionManel et al. (1999) untersuchen das Vorkommen e<strong>in</strong>es Flußvogels anhand e<strong>in</strong>esgroßen Datensatzes (Indisches und Nepalesisches Himalaya-Gebiet) und vergleichendabei multiple discrim<strong>in</strong>ant analysis (→DA), neuronale Netzwerke (ANN)und →logistische Regression.ANN brauchen zwar mehr Rechenzeit, können aber mit nicht-l<strong>in</strong>earen Zusammenhängenumgehen. Allerd<strong>in</strong>gs ist es ohne zusätzlichen Aufwand nicht möglich,kausale Zusammenhänge zu i<strong>de</strong>ntifizieren. Logistische Regression und Diskrim<strong>in</strong>anz-Analysebeanspruchen weniger Rechenzeit und lassen Rückschlüsse aufkausale Zusammenhänge zu. Dadurch ist es möglich, überprüfbare Hypothesenzu entwickeln.Die Autoren kommen zum Schluß, daß ANNs "konventionelle" Ansätze nicht "outperformen",sofern diese richtig angewandt wer<strong>de</strong>n.7.4 ANUCLIM, DOMAIN, GAM, GLM und GARPElith (2000) vergleicht 5 Ansätze, nämlich →ANUCLIM (Synonym für→BIOCLIM), →DOMAIN, →GAM, →GLM und →GARP. Während GLMs undGAMs sowohl auf →presence bzw. Abundanz-Daten als auch auf absence-Datenfür Art angewiesen s<strong>in</strong>d, können die an<strong><strong>de</strong>r</strong>en Ansätze auch nur mit <strong>de</strong>mpresence-Datensatz umgehen. GLMs und GAMs s<strong>in</strong>d, unter <strong>de</strong>n verglichenenAnsätzen, die e<strong>in</strong>zigen mit <strong>in</strong>tegrierten anerkannten Prozeduren zur Selektion

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!