Habitat-Modelle in der WildÃ¶kologie - UniversitÃ© de Lausanne

Weitere Magazine

Empfehlungen

Info

Zusammenfassung 89chen der Modelle zu identifizieren. Allerdings spiegeln faßt alle dieser Beiträgedie Präferenzen der jeweiligen Autoren wieder.Sämtliche Autoren, die sich eingehend mit den verschiedenen Modell-Ansätzenauseinandergesetzt haben, kommen zum selben Schluß: Das "beste" Modell gibtes nicht. Man kann höchstens davon sprechen, daß ein bestimmtes Modell füreine bestimmte Fragestellung besser geeignet ist als andere.
Glossar und Abkürzungsverzeichnis 9010. Glossar und AbkürzungsverzeichnisAI Artificial Intelligence, Künstliche Intelligenz (KI). Die Erforschung und möglichstexakte Simulation von natürlichem intelligentem Verhalten. Teilgebietesind z.B. →XPS, →ANN und →machine learning.AIC Akaike Information Criterion, Informations-Kriterium von Akaike. Das AICzeichnet beim Vergleich mehrerer (Regressions-)Modelle – die sich in derAnzahl der Terme unterscheiden – das "beste" aus (kleinstes AIC). Ein "größeres"Modell (Anzahl der Terme) ist nicht unbedingt besser als ein "kleineres"(Stahel, 2002).ANN Artificial Neural Network, künstliches neuronales Netzwerk. Forschungsgebietder →AI.ANOVA ANalysis Of VAriance, Varianzanalyse.ANUCLIM siehe →BIOCLIM. ANUCLIM ist zwar speziell für die Modellierung vonVegetations-Habitaten entwickelt worden, kann aber ohne weiteres – durchBerücksichtigen zusätzlicher Parameter – auch auf das Tierreich übertragenwerden (Elith, 2000).Autokorrelation besteht, wenn die einzelnen Beobachtungen nicht unabhängigvoneinander sind, z.B. entlang eines Gradienten oder in Zeitreihen. Diesverletzt die den meisten statistischen Ansätzen zugrundeliegende Annahme,daß die Beobachtungen voneinander unabhängig sind.Bayesian approaches Auf dem →Satz von Bayes beruhende Ansätze verknüpfendie a priori Wahrscheinlichkeiten für Beobachtung einer Art mit derenWahrscheinlichkeiten für Vorkommen in Abhängigkeit vom Wert der ver-p(y) p(x|y)schiedenen Prädiktoren: z.B. p(y|x) =. Bedingte a prioriWahrscheinlichkeiten (p(y|x)) können z.B. relative Häufigkeiten desp(y) p(x|y) + p(¬y) p(x|¬y)Art-Vorkommens sein. A priori Wahrscheinlichkeiten (p(x|y)) werden aus derLiteratur oder aus früheren Studien abgeleitet (Guisan und Zimmermann,2000).Kritikpunkt: Der Wert für die a priori Wahrscheinlichkeit ist schwer zu bestimmen,gründet letzten Endes auf Experten-Urteil. Da die a posteriori
Seite 2 und 3:
Danksagung"Wenn ich weiter gesehen
Seite 4 und 5:
ii5 Modellansätze 265.1 Versuch ei
Seite 6 und 7:
ivTabellenverzeichnis4.1 Variablen
Seite 8 und 9:
Einleitung und Fragestellung 11. Ei
Seite 10 und 11:
Material und Methoden 32. Material
Seite 12 und 13:
Realität, Modell und Simulation 53
Seite 14 und 15:
Realität, Modell und Simulation 7T
Seite 16 und 17:
Realität, Modell und Simulation 9F
Seite 18 und 19:
Modellentwicklung 11bewerten bzw. u
Seite 20 und 21:
Modellentwicklung 13Beschreibungen
Seite 22 und 23:
Modellentwicklung 15zunehmen.Der zw
Seite 24 und 25:
Modellentwicklung 17nur lineare Zus
Seite 26 und 27:
Modellentwicklung 19Beispiel könnt
Seite 28 und 29:
Modellentwicklung 21VariableBodende
Seite 30 und 31:
Modellentwicklung 23deren, um die V
Seite 32 und 33:
Modellentwicklung 25- proportional-
Seite 34 und 35:
Modellansätze 27Interessen einerse
Seite 36 und 37:
Modellansätze 29schen Anforderunge
Seite 38 und 39:
Modellansätze 31Lebensbedingungen,
Seite 40 und 41:
Modellansätze 33Fläche multiplizi
Seite 42 und 43:
Modellansätze 35Tabelle 5.2: link-
Seite 44 und 45:
Modellansätze 37betrachten, allgem
Seite 46 und 47: Modellansätze 39Im autologischtisc
Seite 48 und 49: Modellansätze 41m GVorkommenshäuf
Seite 50 und 51: Modellansätze 43der untersuchten A
Seite 52 und 53: Modellansätze 45ren - Parametern b
Seite 54 und 55: Modellansätze 47Diese können mit
Seite 56 und 57: Modellansätze 49schine weiter und
Seite 58 und 59: Modellansätze 51beschicht über di
Seite 60 und 61: Modellansätze 53chend dem Wert der
Seite 62 und 63: Modellansätze 55Schutzes (Crist, 2
Seite 64 und 65: Modellanwendungen 576. Modellanwend
Seite 66 und 67: Modellanwendungen 596.2 GLMZimmerma
Seite 68 und 69: Modellanwendungen 61für diese Regi
Seite 70 und 71: Modellanwendungen 63bensfähige Pop
Seite 72 und 73: Modellanwendungen 65wiederum mit de
Seite 74 und 75: Modellanwendungen 67wesentlichen Ha
Seite 76 und 77: Modellanwendungen 69lassen und die
Seite 78 und 79: Modellanwendungen 71beschrieben.Da
Seite 80 und 81: Modellanwendungen 73Wölfe wurde mi
Seite 82 und 83: Modellanwendungen 75tes einer Art s
Seite 84 und 85: Modellanwendungen 77Für jede Jahre
Seite 86 und 87: Modellvergleiche 797. Modellverglei
Seite 88 und 89: Modellvergleiche 81den →Korrelati
Seite 90 und 91: Modellvergleiche 83Regression und M
Seite 92 und 93: Schlußbetrachtung 85die Gleichunge
Seite 94 und 95: Schlußbetrachtung 87ter die Bären
Seite 98 und 99: Glossar und Abkürzungsverzeichnis
Seite 110 und 111: Literaturverzeichnis 103Literaturve
Seite 112 und 113: Literaturverzeichnis 105Grimm, V.,
Seite 114 und 115: Literaturverzeichnis 107Mace, R., W
Seite 116: Literaturverzeichnis 109Van Horne,
Alle anzeigen

Habitat-Modelle in der WildÃ¶kologie - UniversitÃ© de Lausanne

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?