Glossar und Abkürzungsverzeichnis 91Wahrsche<strong>in</strong>lichkeit wesentlich von <strong><strong>de</strong>r</strong> a priori Wahrsche<strong>in</strong>lichkeit bee<strong>in</strong>flußtwird, ist sie entsprechend fehlerbehaftet (Morrison et al., 1998).Bestimmtheitsmaß R 2 , jener Anteil <strong><strong>de</strong>r</strong> Varianz von Y, die durch X erklärt wird.R 2 wird um so größer, je mehr Terme h<strong>in</strong>zugefügt wer<strong>de</strong>n. Der Wertebereichvon R 2 ist abhängig von <strong><strong>de</strong>r</strong> Variabilität <strong>de</strong>s Regressors (je größer X,<strong>de</strong>sto größer R 2 ). E<strong>in</strong> hoher Wert von R 2 sagt nichts über die Mo<strong>de</strong>llgüteaus (Kumke, 2001).BIOCLIM BIOCLIMatic Prediction System. Durch Kartierung von Klimadaten(Langzeit Aufzeichnungen von Nie<strong><strong>de</strong>r</strong>schlag, Temperatur, Sonnene<strong>in</strong>strahlung),topographischer Höhe und Vorkommen <strong><strong>de</strong>r</strong> Zieltierart entsteht e<strong>in</strong>artspezifisches "Klima-Profil". Mit Hilfe <strong><strong>de</strong>r</strong> Parameter berechnet man e<strong>in</strong>e(m<strong>in</strong>imale,) geradl<strong>in</strong>ige, rechtw<strong>in</strong>klige "Hülle" im mehrdimensionalen "klimatischenRaum", die als bound<strong>in</strong>g box o<strong><strong>de</strong>r</strong> climatic envelope bezeichnetwird. Es wird also die klimatische Eignung e<strong>in</strong>es Gebietes "vorhergesagt"(Elith, 2000).bootstrap Metho<strong>de</strong> zum Bestimmen von Vertrauens<strong>in</strong>tervallen, zum Schätzenvon Parametern und Testen von Hypothesen. Auch als →resampl<strong>in</strong>g-Metho<strong>de</strong>benutzt (verwandt mit →jackknife).BPN BackPropagation Network, auch als multi-layer perceptron bekannt,→ANN.Calibration Eichung. Siehe →IR.CA Correspon<strong>de</strong>nce Analysis, Korrespon<strong>de</strong>nz-Analyse. Auch bekannt als reciprocalaverag<strong>in</strong>g. Zur Quantifizierung <strong><strong>de</strong>r</strong> Beziehung zwischen <strong>de</strong>n Objektenwird e<strong>in</strong> Assoziationsmaß (χ 2 -Abstand) herangezogen (Kumke, 2001). Zähltzu <strong>de</strong>n →Ord<strong>in</strong>ation-Metho<strong>de</strong>n.Canonical Ord<strong>in</strong>ation Kanonische Verfahren umfassen alle Metho<strong>de</strong>n zur simultanenAnalyse von m<strong>in</strong><strong>de</strong>stens zwei Datenmatrizen. Voraussetzung istdabei, daß bei<strong>de</strong> Datensätze <strong>de</strong>nselben Objekten entstammen. KanonischeVerfahren basieren auf →Eigenanalyse und, <strong>in</strong> vielen Fällen, auf multiplerRegression (Kumke, 2001). Metho<strong>de</strong>n: →CCA, →RDA.
Glossar und Abkürzungsverzeichnis 92CART Classification and Regression Tree analysis, System zum Induktion vonclassification trees.CCA Canonical Correspon<strong>de</strong>nce Analysis, Kanonische Korrespon<strong>de</strong>nzanalyse.Erweiterung <strong><strong>de</strong>r</strong> →CA. Die CCA hat das Ziel, die Resonanz e<strong>in</strong>es multivariatenEnsembles von Spezies (Matrix Y) durch sie bee<strong>in</strong>flussen<strong>de</strong> Variablen(Matrix X) zu mo<strong>de</strong>llieren (Gradienten-Analyse). Die Speziesresonanzentlang e<strong>in</strong>es Gradienten ist dabei nicht l<strong>in</strong>ear (Kumke, 2001), son<strong><strong>de</strong>r</strong>n folgte<strong>in</strong>er unimodalen Verteilung (Harvey, 1996). siehe →Canonical Ord<strong>in</strong>ation.Classification Klassifikation. Aus <strong>de</strong>n Merkmalen e<strong>in</strong>es Individuums (E<strong>in</strong>gabegrößen)wird <strong>de</strong>ssen Gruppenzugehörigkeit (Ausgabegröße, zweiwertigo<strong><strong>de</strong>r</strong> nom<strong>in</strong>al) bestimmt, Gruppen a priori festgelegt (im Gegensatz zur→Ord<strong>in</strong>ation). Metho<strong>de</strong>n: →DA.Clusteranalyse Cluster Analysis. Clusteranalysen haben das Ziel, Objekte zugruppieren. Objekte mit relativ ähnlichen Eigenschaften wer<strong>de</strong>n dabei <strong><strong>de</strong>r</strong>selbenKategorie zugeordnet. Basis <strong><strong>de</strong>r</strong> Clusteranalysen s<strong>in</strong>d Assoziationsmaße(Ähnlichkeits- bzw. Abstandskoeffizienten) (Kumke, 2001).COR CORrelation analysis, Korrelations-Analyse. Es wer<strong>de</strong>n die Beziehungen<strong><strong>de</strong>r</strong> Deskriptoren untere<strong>in</strong>an<strong><strong>de</strong>r</strong> analysiert, z.B. Bestimmen <strong><strong>de</strong>r</strong> Kovarianz(-)(geme<strong>in</strong>same Dispersion <strong><strong>de</strong>r</strong> Variablen um <strong><strong>de</strong>r</strong>en Mittelwert) und Korrelation(s-Matrix)(Maß für die Abhängigkeit zwischen Zufallsvariablen) o<strong><strong>de</strong>r</strong><strong>de</strong>s multiplen Korrelations-Koeffizienten (Maß für die Stärke <strong>de</strong>s Zusammenhangeszwischen e<strong>in</strong>er Resonanzvariablen und e<strong>in</strong>er L<strong>in</strong>earkomb<strong>in</strong>ationvon erklären<strong>de</strong>n Variablen).CV cross-validation, Kreuzvalidierung, →resampl<strong>in</strong>g-Metho<strong>de</strong>.DA Discrim<strong>in</strong>ant Analysis, Diskrim<strong>in</strong>anz-Analyse; Anwendungsgebiet:Klassifikations-Probleme, Muster-Erkennung, s<strong>in</strong>d die gegebenen Variablendazu geeignet zwischen vor<strong>de</strong>f<strong>in</strong>ierten Gruppen zu unterschei<strong>de</strong>n;für größere Datensätze zu wenig flexibel (Alternative →ANN) (Corsi et al.,1999; Stahel, 2002).DCA Detren<strong>de</strong>d Correspon<strong>de</strong>nce Analysis. Durch Entfernen <strong>de</strong>s Trends wer<strong>de</strong>nVerzerrungen, die bei <strong><strong>de</strong>r</strong> →CA auftreten unterbun<strong>de</strong>n.
- 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 96 und 97: Zusammenfassung 89chen der Modelle
- Seite 100 und 101: Glossar und Abkürzungsverzeichnis
- Seite 102 und 103: Glossar und Abkürzungsverzeichnis
- Seite 104 und 105: Glossar und Abkürzungsverzeichnis
- Seite 106 und 107: Glossar und Abkürzungsverzeichnis
- Seite 108 und 109: 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,