Zwischen Naturschutz und Theoretischer Ökologie: Modelle zur ...
Zwischen Naturschutz und Theoretischer Ökologie: Modelle zur ...
Zwischen Naturschutz und Theoretischer Ökologie: Modelle zur ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<strong>Zwischen</strong> <strong>Naturschutz</strong> <strong>und</strong> <strong>Theoretischer</strong> <strong>Ökologie</strong>:<br />
<strong>Modelle</strong> <strong>zur</strong> Habitateignung <strong>und</strong> räumlichen<br />
Populationsdynamik für Heuschrecken im Niedermoor<br />
Von der Gemeinsamen Naturwissenschaftlichen Fakultät<br />
der Technischen Universität Carolo-Wilhelmina<br />
zu Braunschweig<br />
<strong>zur</strong> Erlangung des Grades eines<br />
Doktors der Naturwissenschaften<br />
(Dr. rer. nat.)<br />
genehmigte<br />
Dissertation<br />
von<br />
Boris Schröder<br />
aus<br />
Bünde
1. Referent: Prof. Dr. O. Richter<br />
2. Referent: Prof. Dr. G. Rüppell<br />
eingereicht am: 04.11.1999<br />
mündliche Prüfung (Disputation) am: 04.02.2000<br />
Druckjahr: 2000
Vorveröffentlichungen der Dissertation<br />
Teilergebnisse aus dieser Arbeit wurden mit Genehmigung der Gemeinsamen<br />
Naturwissenschaftlichen Fakultät, vertreten durch den Mentor der Arbeit,<br />
Prof. Dr. O. Richter, in folgenden Beiträgen vorab veröffentlicht:<br />
Publikationen<br />
Kleyer, M., Kratz, R., Lutze, G. & Schröder, B. (1999/2000): Habitatmodelle für<br />
Tierarten: Entwicklung, Methoden <strong>und</strong> Perspektiven für die Anwendung. - Z.<br />
<strong>Ökologie</strong> u. <strong>Naturschutz</strong> 8: 177-194.<br />
Schröder, B. & Richter, O. (1999/2000): Are habitat models transferable in space and<br />
time? - Z. <strong>Ökologie</strong> u. <strong>Naturschutz</strong> 8: 195-205.<br />
Tagungsbeiträge<br />
Schröder, B. (1997): Räumliche <strong>und</strong> zeitliche Übertragbarkeit von Habitateignungsmodellen<br />
für Conocephalus dorsalis / Kurzflügelige Schwertschrecke (Latreille 1804)<br />
(Orthoptera: Tettigoniidae). - 28. Jahrestagung der Gesellschaft für <strong>Ökologie</strong>, 1.-6.<br />
September 1997, Müncheberg. (Vortrag).<br />
Schröder, B. & Söndgerath, D. (1998): Multi-Habitat-Modell: Kopplung von Matrix<strong>und</strong><br />
Habitateignungsmodellen. - 29. Jahrestagung der Gesellschaft für <strong>Ökologie</strong>,<br />
7.-12. September 1998, Ulm. (Vortrag).<br />
Schröder, B. & Söndgerath, D. (1998): A multi-habitat model: coupling matrix<br />
models with habitat suitability. - VI th European Congress of Entomology, 23.-29.<br />
August 1998, České Budĕjovice. (Vortrag).<br />
Schröder, B. & Kratz, R. (1998): Habitat suitability models: a technique for the<br />
management of nature conservation of fens. - INTECOL – VII th International<br />
Congress of Ecology, 19.-25. Juli 1998, Florenz. (Vortrag).<br />
Schröder, B. & Söndgerath, D. (1998): A multi-habitat model: coupling matrix<br />
models with habitat suitability. - INTECOL – VII th International Congress of<br />
Ecology, 19.-25. Juli 1998, Florenz. (Vortrag).<br />
Schröder, B. & Söndgerath, D. (1998): Population dynamic models in spatially<br />
heterogeneous environments. - INTECOL – VII th International Congress of<br />
Ecology, 19.-25. Juli 1998, Florenz. (Poster).<br />
Schröder, B. & H. Apel (1999): Habitatkonnektivitätsanalyse für die Kurzflügelige<br />
Schwertschrecke Conocephalus dorsalis im Drömling. - 30. Jahrestagung der<br />
Gesellschaft für <strong>Ökologie</strong>, 13.-18. September 1999, Bayreuth. (Poster).
Inhaltsverzeichnis I<br />
Inhaltsverzeichnis<br />
1 Allgemeine Einleitung .......................................................................1<br />
1.1 Problemstellung ............................................................................................................... 1<br />
1.2 <strong>Modelle</strong> in der <strong>Ökologie</strong> <strong>und</strong> <strong>Naturschutz</strong>biologie ................................................ 1<br />
1.3 Ziel der Arbeit................................................................................................................... 2<br />
1.4 Modellverb<strong>und</strong> ................................................................................................................. 3<br />
1.5 Ökosystemmanagement für Niedermoore................................................................ 4<br />
1.5.1 Untersuchungsgebiete: Drömling & Rhinluch .................................................................................5<br />
1.5.2 Zielartenkonzept.......................................................................................................................................9<br />
1.6 Biologie der Arten .........................................................................................................10<br />
1.6.1 Die Zielart Conocephalus dorsalis .................................................................................................... 10<br />
1.6.2 Die Zielart Stethophyma grossum.................................................................................................... 11<br />
1.7 Datengr<strong>und</strong>lage..............................................................................................................12<br />
1.7.1 Datenerfassung...................................................................................................................................... 12<br />
1.7.2 Freilanddaten I: Präsenz-Absenz-Daten der Heuschrecken...................................................... 12<br />
1.7.3 Freilanddaten II: einfache Habitatfaktoren................................................................................... 14<br />
1.7.4 Freilanddaten III: Vegetationsstrukturkartierung ........................................................................ 15<br />
2 Habitatmodelle.................................................................................17<br />
2.1 Einleitung – Habitatmodelle ......................................................................................17<br />
2.1.1 Gr<strong>und</strong>sätzliche Modellannahmen <strong>und</strong> Einschränkungen .......................................................... 18<br />
2.1.2 Geschichte der Habitatmodelle......................................................................................................... 19<br />
2.1.3 Habitatmodelle innerhalb des Niedermoorprojektes .................................................................. 19<br />
2.2 Datengr<strong>und</strong>lage..............................................................................................................20<br />
2.2.1 Freilanddaten: Habitatfaktoren <strong>und</strong> Vegetationsstrukturvariablen ....................................... 20<br />
2.2.2 Aus GIS-Analysen abgeleitete Nachbarschaftsvariablen als zusätzliche erklärende<br />
Variablen.................................................................................................................................................. 20<br />
2.2.3 Häufigkeitsklassendaten ..................................................................................................................... 21<br />
2.2.4 Schrittweise Erstellung von großräumigen Habitateignungsmodellen bzw.<br />
Habitateignungskarten unter Berücksichtigung sämtlicher Informationsebenen ............. 22<br />
2.3 Statistische Verfahren der Habitatmodellierung..................................................23<br />
2.3.1 Logistische Regression: das Modell ................................................................................................. 24<br />
2.3.2 Modellannahmen <strong>und</strong> Voruntersuchungen................................................................................... 26<br />
2.3.3 Modellbewertung.................................................................................................................................. 28<br />
2.3.4 Kreuzvalidierung.................................................................................................................................... 33<br />
2.3.5 Interpretation der Regressionsmodelle durch Responsekurven............................................... 33<br />
2.4 Ergebnisse........................................................................................................................36<br />
2.4.1 Realisierte multidimensionale Nische – vorwärts schrittweise erstelltes allgemeines<br />
Modell ...................................................................................................................................................... 36<br />
2.4.2 Erweiterung der Habitatmodelle durch zusätzliche Prädiktorvariablen................................ 38<br />
2.4.3 Ausblick: <strong>Modelle</strong> für andere Arten................................................................................................. 45<br />
2.4.4 Darstellung der Ergebnisse der Habitatmodellierung in Habitateignungskarten............... 46
II Inhaltsverzeichnis<br />
2.5 Anwendung der Habitatmodelle in Nutzungsszenarien..................................... 49<br />
2.5.1 Methode – Entwicklung der Szenarien............................................................................................49<br />
2.5.2 Ergebnisse der Nutzungsszenarien ...................................................................................................50<br />
2.6 Diskussion ....................................................................................................................... 53<br />
2.6.1 Was können Habitatmodelle leisten?...............................................................................................53<br />
2.6.2 Welche <strong>Modelle</strong> <strong>und</strong> wieviel Erhebungsaufwand für welche Fragestellung? ......................55<br />
2.6.3 Modellvalidierung: welche Validierung für welchen Anspruch?..............................................59<br />
2.6.4 Ökologische Bedeutung der verwendeten Prädiktorvariablen ..................................................60<br />
2.6.5 Diskussion der Habitatmodellanwendung in den Nutzungsszenarien....................................64<br />
3 Validierung der Habitatmodelle..................................................... 67<br />
3.1 Warum Validierung?..................................................................................................... 67<br />
3.2 Datengr<strong>und</strong>lage – Freilanddaten.............................................................................. 69<br />
3.3 Methoden der Modellvalidierung ............................................................................. 69<br />
3.3.1 Modellvalidierung durch Modellübertragung................................................................................69<br />
3.3.2 Modellbewertung bei Modellübertragung......................................................................................70<br />
3.4 Ergebnisse ....................................................................................................................... 72<br />
3.4.1 Übertragbarkeitsuntersuchungen für Conocephalus dorsalis ...................................................72<br />
3.4.2 Zeitliche Übertragung bei <strong>Modelle</strong>n mit Vegetationsstrukturvariablen ................................81<br />
3.4.3 Übertragbarkeitsuntersuchungen für Stethophyma grossum ...................................................82<br />
3.4.4 Vergleich der Modellübertragbarkeit zwischen Conocephalus dorsalis <strong>und</strong> Stethophyma<br />
grossum.....................................................................................................................................................84<br />
3.5 Diskussion ....................................................................................................................... 85<br />
3.5.1 Modellübertragung................................................................................................................................85<br />
3.5.2 Gültigkeitsbereich der <strong>Modelle</strong> – was sind die Voraussetzungen für Übertragbarkeit?....86<br />
3.5.3 Diskussion der angewendeten Methodik ........................................................................................87<br />
4 Habitatkonnektivitätsanalyse ........................................................ 89<br />
4.1 Habitatkonnektivität <strong>und</strong> die landschaftsökologische Bedeutung des<br />
Habitatbegriffs............................................................................................................... 89<br />
4.2 Zielsetzung...................................................................................................................... 90<br />
4.3 Datengr<strong>und</strong>lage............................................................................................................. 91<br />
4.4 Methode .......................................................................................................................... 92<br />
4.4.1 Perkolationstheorie................................................................................................................................92<br />
4.4.2 Graphentheorie in der Landschaftsökologie...................................................................................93<br />
4.4.3 Verfahren der Habitatkonnektivitätsanalyse..................................................................................93<br />
4.5 Ergebnisse ....................................................................................................................... 97<br />
4.5.1 Effekte räumlicher Patchkonfigurationen auf Rotationsradien <strong>und</strong> Korrelationslänge ....97<br />
4.5.2 Abhängigkeit der Konnektivität von der kritischen Habitatdistanz, den Gräben <strong>und</strong><br />
Barrieren...................................................................................................................................................98<br />
4.5.3 Analyse räumlicher Charakteristika der Habitatverteilung von Conocephalus dorsalis im<br />
Drömling................................................................................................................................................102<br />
4.5.4 Auswirkung der Habitatdichte ........................................................................................................103<br />
4.5.5 Beispiel für die Identifikation eines Vernetzungselements bzw. Trittsteinhabitats <strong>und</strong> die<br />
Quantifizierung der Korridorfunktion ...........................................................................................105
Inhaltsverzeichnis III<br />
4.5.6 Szenarienvergleich für den gesamten Drömling........................................................................106<br />
4.5.7 Habitatkonnektivitätsanalyse für die Nutzungsszenarien.......................................................110<br />
4.6 Diskussion 110<br />
4.6.1 Relevanz der Habitatkonnektivität für das Überleben von Populationen in heterogenen<br />
Lebensräumen......................................................................................................................................110<br />
4.6.2 Überlegungen <strong>zur</strong> angewendeten Methode................................................................................112<br />
4.6.3 Anmerkungen <strong>zur</strong> Datengr<strong>und</strong>lage – Interpretation der binären Karte..............................112<br />
4.6.4 Einfluß der Szenarienparameter – Auftreten perkolierender Cluster...................................114<br />
4.6.5 Welche Bedeutung kann eine Habitatkonnektivitätsanalyse für die praktische<br />
Anwendung haben?............................................................................................................................115<br />
5 Verbindung von Populationsdynamik <strong>und</strong> Habitatmodellen zu<br />
einem räumlich-expliziten Simulationsmodell ................................ 117<br />
5.1 Einleitung – räumlich explizite Populationsmodelle ........................................ 117<br />
5.2 Methodik....................................................................................................................... 118<br />
5.2.1 Zellulärer Automat – coupled map lattice...................................................................................119<br />
5.2.2 Populationsdynamik I: Einfaches Populationsprojektionsmodell – nicht räumliches Leslie-<br />
Matrix-Modell......................................................................................................................................120<br />
5.2.3 Populationsdynamik II: Erweiterung des einfachen Modells zum dichte- <strong>und</strong><br />
habitatqualitätsabhängigen Leslie-Modell..................................................................................124<br />
5.2.4 Ausbreitung – Räumliche Verknüpfung der Populationsdynamikmodelle mittels<br />
Migration <strong>und</strong> Dispersion .................................................................................................................128<br />
5.2.5 Verknüpfung der Teilmodule zum Dynamischen Multihabitatmodell..................................132<br />
5.3 Ergebnisse der Analysen des lokalen Modells..................................................... 135<br />
5.3.1 Analyse des einfachen, linearen <strong>und</strong> zeitinvarianten Leslie-Modells mit imprimitiver<br />
Projektionsmatrix................................................................................................................................135<br />
5.3.2 Analyse des dichte- <strong>und</strong> habitatqualitätsabhängigen Leslie-Modells: Ergebnisse der<br />
Stabilitäts- <strong>und</strong> Bifurkationsanalyse.............................................................................................139<br />
5.4 Simulationsergebnisse............................................................................................... 142<br />
5.4.1 Simulationsergebnisse für das lokale, dichte- <strong>und</strong> habitatqualitätsabhängige Leslie-<br />
Modell ....................................................................................................................................................142<br />
5.4.2 Simulationsergebnisse für das räumliche Populationsmodell................................................147<br />
5.5 Zusammenfassende Diskussion der populationsdynamischen <strong>Modelle</strong> ...... 166<br />
5.5.1 Metapopulationsansatz & Dynamisches Multihabitatmodell: entspricht das hier<br />
vorgestellte DMHM einem Metapopulationsmodell?...............................................................167<br />
5.5.2 <strong>Modelle</strong>inschränkungen <strong>und</strong> mögliche Erweiterungen............................................................168<br />
5.5.3 Diskussion der Analysen....................................................................................................................170<br />
5.5.4 Ausblick..................................................................................................................................................174<br />
6 Zusammenfassung......................................................................... 175<br />
7 Literaturverzeichnis ...................................................................... 179<br />
Anhang ............................................................................... A1 - A24<br />
Notationen ...................................................................... A25 - A26<br />
Wissenschaftliche Publikationen (allgemeiner Art)<br />
Dank
Abschnitt 1<br />
– Allgemeine Einleitung –
1 Allgemeine Einleitung<br />
1.1 Problemstellung<br />
Die vorliegende Arbeit schlägt einen weiten Bogen von einfachen, praxisgerechten<br />
<strong>Modelle</strong>n der <strong>Naturschutz</strong>biologie über landschaftsökologische <strong>Modelle</strong> hin zu<br />
populationsdynamischen Simulationsmodellen. Deren komplexe zeitliche <strong>und</strong> räumliche<br />
Dynamik wird mit Methoden der theoretischen <strong>Ökologie</strong> analysiert.<br />
Die vorgestellten Modellansätze ermöglichen die Bearbeitung völlig unterschiedlicher<br />
Fragestellungen, die aber alle vor dem Hintergr<strong>und</strong> eines Ziels zu sehen sind: der<br />
Beschreibung einer räumlich strukturierten Insektenpopulation im Niedermoor in<br />
Abhängigkeit von ihrem Lebensraum.<br />
Anlaß der Arbeit war es, in einem <strong>Naturschutz</strong>projekt mit dem Ziel des Managements<br />
<strong>und</strong> der Renaturierung von Niedermooren (s. 1.1), die Auswirkungen der<br />
Maßnahmen für ausgewählte Zielarten (s. 1.6) zu analysieren, zu prognostizieren <strong>und</strong><br />
zu simulieren. Damit kann eine Biotopbewertung aus tierökologischer Sicht durchgeführt<br />
werden. Hierfür wurde ein Modellverb<strong>und</strong> (s. 1.4) entwickelt, dessen einzelne<br />
Komponenten in den Abschnitten 2.1, 4.1 <strong>und</strong> 5.1 detailliert eingeführt werden.<br />
1.2 <strong>Modelle</strong> in der <strong>Ökologie</strong> <strong>und</strong> <strong>Naturschutz</strong>biologie<br />
Nach Starfield & Bleloch (1986) unterstützen uns <strong>Modelle</strong> – als Repräsentationen<br />
<strong>und</strong> Abstraktionen von Systemen oder Prozessen – dabei, Probleme zu definieren,<br />
erhobene Daten zu verstehen, dieses Verständnis zu testen <strong>und</strong> Vorhersagen zu<br />
machen. Mathematische <strong>Modelle</strong> stellen eine wichtige Möglichkeit der Theoriebildung<br />
dar (s. Maynard Smith 1974; May 1981; Wissel 1989; McGlade 1999). Sie<br />
helfen, Gesetzmäßigkeiten <strong>und</strong> Muster zu entdecken <strong>und</strong> zu erklären (Yodzis 1989)<br />
<strong>und</strong> neue Hypothesen zu generieren (Fahrig 1991).<br />
Zur Beschreibung der Art-Habitat-Beziehung präzisieren Morrison et al. (1998) die<br />
folgenden Punkte als Hauptziele der Modellbildung:<br />
(1) Formalisierung <strong>und</strong> Beschreibung des aktuellen Verständnisses davon, welche<br />
Umweltfaktoren die Verteilung <strong>und</strong> Ab<strong>und</strong>anz der Arten beeinflussen,<br />
(2) Vorhersage zukünftiger Verteilungen <strong>und</strong> Ab<strong>und</strong>anzen,<br />
(3) Identifikation der Schwachpunkte unseres derzeitigen Verständnisses <strong>und</strong> der<br />
zugr<strong>und</strong>eliegenden Theorie <strong>und</strong><br />
(4) Ableitung genereller Hypothesen hinsichtlich der interessierenden Systeme.<br />
Poethke & Wissel (1994) gliedern sowohl die historische Entwicklung der <strong>Ökologie</strong><br />
als auch die notwendige Schritte eines anwendungsorientierten wissenschaftlichen
2 1 Allgemeine Einleitung<br />
Projektes in vier Phasen, die durch die vier Fragen Was, Wie, Warum <strong>und</strong> Wieviel<br />
charakterisiert werden. Hierbei stehen die ersten beiden Fragen für die statische bzw.<br />
dynamische Beschreibung eines Systems durch deskriptive <strong>Modelle</strong>. Die Warum-<br />
Phase, d.h. die Kausalanalyse, erfolgt neben Experimenten mit Hilfe einfach strukturierter,<br />
strategischer <strong>Modelle</strong> (Holling 1966; Wissel 1992). Diese <strong>Modelle</strong> bilden die<br />
Basis der Theoretischen <strong>Ökologie</strong> (May 1981; Wissel 1989; McGlade 1999). Sie<br />
liefern Erklärungen <strong>und</strong> Prognosen; auf ihrer Basis können begründete Strategien <strong>zur</strong><br />
Beeinflussung des Systemverhaltens erstellt werden. Für Fragestellungen des <strong>Naturschutz</strong>es<br />
bedeutet dies das Aufzeigen genereller Trends (Doak & Mills 1994). Ein<br />
Anspruch auf quantitative Exaktheit der Prognosen kann erst in der Wieviel-Phase<br />
erhoben werden, in der quantifizierende prädiktive <strong>Modelle</strong> an spezifische Situationen<br />
angepaßt werden (Poethke & Wissel 1994).<br />
In diesem Zusammenhang wird von vielen Autoren in der aktuellen Literatur die<br />
Bedeutung räumlich expliziter Populationsmodelle hervorgehoben (z.B. Dunning et<br />
al. 1995; Morrison et al. 1998). Sie ermöglichen eine Verbindung von populations<strong>und</strong><br />
landschaftsökologischen Modellansätzen <strong>und</strong> eine explizite Integration der<br />
räumlichen Komponente in Fragen der <strong>Naturschutz</strong>biologie <strong>und</strong> des Umweltmanagements<br />
(Kareiva & Wennergren 1995; Turner et al. 1995). <strong>Modelle</strong> dieser Art stehen<br />
aber nach wie vor auf dem Prüfstand, da mit zunehmender Modellkomplexität auch<br />
der Datenbedarf für eine adäquate Parametrisierung dieser <strong>Modelle</strong> steigt (Doak &<br />
Mills 1994; Turner et al. 1995; Ruckelshaus et al. 1997). Alternativ schlägt beispielsweise<br />
Starfield (1997) pragmatisch vor, kleine, problemorientierte <strong>Modelle</strong> <strong>zur</strong> Bearbeitung<br />
spezifischer Fragestellungen zu verwenden.<br />
1.3 Ziel der Arbeit<br />
Die Entwicklung von solcherart pragmatischen aber praxisgerechten Habitatmodellen<br />
zu einem räumlich expliziten populationsdynamischen Simulationsmodell,<br />
dem Dynamischen Multihabitatmodell (DMHM), wird in der vorliegenden Arbeit<br />
dokumentiert. Der Abschnitt 1.4 stellt den dabei entwickelten Modellverb<strong>und</strong> vor.<br />
Ziele waren hierbei:<br />
• die Habitatqualität aus Sicht der Zielarten zu quantifizieren,<br />
• dabei in einer Hierarchie von Habitatmodellen den Einfluß unterschiedlicher<br />
Datenebenen <strong>und</strong> Qualitäten der Prädiktorvariablen abzuschätzen,<br />
• diese <strong>Modelle</strong> zu validieren <strong>und</strong> damit ihren Gültigkeitsbereich, d.h. den Bereich<br />
ihrer Anwendbarkeit zu überprüfen,<br />
• Prognosen für die Zielarten bei veränderter Bewirtschaftung zu erstellen,<br />
• die Habitatkonnektivität bzw. -fragmentierung zu quantifizieren,<br />
• eine Verknüpfung von Habitat- <strong>und</strong> populationsdynamischem Modell durchzuführen,<br />
die eine Beschreibung der räumlich heterogenen Populationsstruktur<br />
erlaubt <strong>und</strong><br />
• die Abhängigkeit des Systemverhaltens von verschiedenen Modellparametern zu<br />
untersuchen.
1.4 Modellverb<strong>und</strong> 3<br />
1.4 Modellverb<strong>und</strong><br />
Die folgende Auflistung in Tab. 1-1 erläutert den der Arbeit zugr<strong>und</strong>eliegenden<br />
Modellverb<strong>und</strong> <strong>und</strong> skizziert zugleich einen „Fahrplan“ der Arbeit.<br />
Tab. 1-1: Modellverb<strong>und</strong> <strong>zur</strong> Verknüpfung von Habitatmodell <strong>und</strong> Populationsdynamik zu einem<br />
räumlich expliziten Simulationsmodell, dem Dynamischen Multihabitatmodell: Inhalt der einzelnen<br />
Abschnitte in Stichworten.<br />
Abschnitt 2:<br />
Habitatmodell: liefert Habitateignungskarte, deskriptiv, statisch<br />
Abschnitt 3:<br />
- neue Methodik der statistischen Modellbewertung (ROC / AUC),<br />
- inhaltliche Bewertung des Modells (ökologische Bedeutung, Erklärungsgehalt),<br />
- auf unterschiedlichen Informationsebenen (Habitatfaktoren, Vegetationsstrukturkartierung,<br />
Dichteklassen, Nachbarschaftsvariablen), Aussagen <strong>zur</strong><br />
räumlichen Inzidenzverteilung,<br />
- Ableitung <strong>und</strong> Bewertung einfacher Szenarien.<br />
Validierung des Habitatmodells: liefert Rechtfertigung für seine Verwendung im Dynamischen<br />
Multihabitatmodell (da übertragbares Modell mit ökologischer Relevanz)<br />
Abschnitt 4:<br />
- Überprüfung der Gültigkeit durch räumliche & zeitliche Modellübertragung,<br />
- neue Methodik des Übertragbarkeitstest (auch auf AUC-Ebene).<br />
Habitatkonnektivitätsanalyse liefert auf Gr<strong>und</strong>lage der Habitateignungskarte Information<br />
<strong>zur</strong> räumlichen Struktur <strong>und</strong> Habitatvernetzung des Untersuchungsgebiets<br />
Abschnitt 5:<br />
- Charakterisierung der räumlichen Situation.<br />
a) lokale Populationsdynamik liefert dynamische Betrachtung einzelner Populationen<br />
- Übergang von Inzidenzen auf Ab<strong>und</strong>anzen,<br />
- betrachtet in Abhängigkeit von der Habitatqualität eine Teilpopulation auf<br />
Einzelpatch,<br />
- theoretische Stabilitätsanalyse.<br />
b) Migration zwischen den Patches liefert die räumliche Verbindung der Teilpopulationen<br />
c) Dynamisches Multihabitatmodell liefert ein räumlich explizites Simulationsmodell<br />
- Realisierung der Verknüpfung,<br />
- Analyse der raumzeitlichen Populationsstruktur.<br />
Während in den Abschnitten 2 <strong>und</strong> 3 explizit für die in 1.6 vorgestellten Heuschrekkenarten<br />
<strong>Modelle</strong> erstellt wurden – mit besonderem Augenmerk auf die Kurzflügelige<br />
Schwertschrecke Conocephalus dorsalis –, beschränke ich mich hinsichtlich der<br />
räumlichen Populationsdynamik in Abschnitt 5 auf theoretische Analysen. Dort wird<br />
eine allgemeine Plattform vorgestellt <strong>und</strong> analysiert, die entsprechend der spezifischen<br />
Artcharakteristika parametrisiert werden kann. Dementsprechend nimmt<br />
Abschnitt 4 eine Mittelstellung ein, da dort auf Gr<strong>und</strong>lage der für C. dorsalis erstellten<br />
Habitateignungskarten gearbeitet wird, die Analyse der Habitatkonnektivität aber<br />
aufgr<strong>und</strong> des geringen experimentellen <strong>und</strong> kaum quantitativen Wissensstandes zum
4 1 Allgemeine Einleitung<br />
Ausbreitungsverhalten der Art allgemein bleibt. Die Auswahl der Untersuchungsschwerpunkte<br />
ist im Kontext des Verb<strong>und</strong>projektes „Ökosystemmanagement für<br />
Niedermoore“ zu sehen.<br />
1.5 Ökosystemmanagement für Niedermoore<br />
Naturnahe Niedermoore sind gr<strong>und</strong>wasserabhängige Flachmoore, die eine wesentliche<br />
natürliche Senke <strong>und</strong> Quelle für Wasser, Kohlenstoff <strong>und</strong> Stickstoff im Grenzbereich<br />
terrestrischer <strong>und</strong> limnischer Ökosysteme darstellen (Kuntze 1995; Schopp-<br />
Guth 1999). Sie reinigen <strong>und</strong> speichern Wasser <strong>und</strong> sind Lebensraum für speziell an<br />
die extrem nassen Bedingungen angepaßten Tier- <strong>und</strong> Pflanzenarten (Succow 1988).<br />
Schon früh wurden Niedermoore vom Menschen erschlossen, sei es zum Torfabbau<br />
oder durch die Landwirtschaft, für die Niedermoore aufgr<strong>und</strong> ihrer guten Nährstoffversorgung<br />
interessant waren. In weiten Teilen Mitteleuropas wurden sie bis in die<br />
heutige Zeit hinein großflächig entwässert <strong>und</strong> damit nutzbar gemacht (Succow &<br />
Jeschke 1990). Heute befinden sich über 90% der Niedermoore Norddeutschlands in<br />
landwirtschaftlicher Nutzung (Blankenburg 1995; van Diggelen et al. 1995) <strong>und</strong> nur<br />
noch ca. 2% in einem naturnahen Zustand (Göttlich 1990).<br />
Mit den nutzungsbedingten Eingriffen in den Wasserhaushalt durch zunehmende<br />
Entwässerung <strong>und</strong> Kultivierung sind die stoffdynamischen Prozesse der Niedermoore<br />
intensiviert worden, so daß diese immer stärker als Nährstoffquelle im Landschaftshaushalt<br />
wirken. Damit verb<strong>und</strong>en ist neben der Sackung <strong>und</strong> Degradation<br />
des Moorbodens durch biochemischen Torfabbau (Blankenburg 1995) das Verschwinden<br />
vieler niedermoortypischer Tier- <strong>und</strong> Pflanzenarten aufgr<strong>und</strong> der Zerstörung<br />
<strong>und</strong> Fragmentierung ihres Lebensraumes (Ellenberg 1986; Kaule 1991). Die<br />
in den letzten Jahrzehnten festzustellende Intensivierung in der Landwirtschaft hat<br />
ihren Teil dazu beigetragen, daß auch extensiv genutzte, artenreiche Grünländer<br />
selten geworden sind (Bakker & Berendse 1999).<br />
Angesichts dieser Problematik hatte das BMBF-Verb<strong>und</strong>projekt „Ökosystemmanagement<br />
für Niedermoore“ zum Ziel, Konzepte <strong>zur</strong> Erhaltung <strong>und</strong> Renaturierung<br />
von Niedermooren sowie der Wiederherstellung von Lebensbedingungen für<br />
niedermoortypische Pflanzen <strong>und</strong> Tiere zu erarbeiten (Kuntze 1995). Darüber hinaus<br />
sollten geeignete Managementmaßnahmen entwickelt werden, die eine erfolgreiche<br />
Umsetzung dieser Vorgaben gewährleisten (Pfadenhauer 1995; Richter et al. 1997).<br />
Hierbei wurden zwei Leitbilder verfolgt:<br />
• natürliche Sukzession bei Totalvernässung, verb<strong>und</strong>en mit vollständigem<br />
Nutzungsverzicht, d.h. Wiederherstellung der Funktion des Ökosystems im Landschaftshaushalt,<br />
• Extensivierung der Nutzung (niedermoortypisches Feuchtgrünland bei winterlichem<br />
Überstau), d.h. Renaturierung eines Lebensraumes (in) der Kulturlandschaft.
1.5 Ökosystemmanagement für Niedermoore 5<br />
Die Managementmaßnahmen wirken sich auf die gesamte Biozönose des Niedermoores<br />
aus. Ihre Auswirkungen <strong>und</strong> ihr Erfolg können aber mit vertretbarem Aufwand<br />
nur für einige ausgewählte Arten quantitativ <strong>und</strong> eindeutig durch Monitoring<br />
analysiert <strong>und</strong> bewertet werden (Mühlenberg et al. 1991). So erfolgen die Analyse <strong>und</strong><br />
die Prognose der Auswirkungen der Managementmaßnahmen sowie deren Simulation<br />
– hier vor allem im Hinblick auf das zweite Leitbild – über ein Zielartenkollektiv<br />
(Reck et al. 1991; Hovestadt et al. 1991; Flade 1995; Huk 1997). Die<br />
Zielarten erlauben aufgr<strong>und</strong> ihrer ökologischen Ansprüche <strong>und</strong> Repräsentativität<br />
(Schirmeffekt, s. Launer & Murphy 1994), Aussagen über den Zustand eines<br />
Gebietes zu treffen (Mühlenberg et al. 1991; Vogel et al. 1996; Richter et al. 1997;<br />
Schröder 1999) <strong>und</strong> Erfolg bzw. Mißerfolg bestimmter Managementstrategien zu<br />
belegen (Wilgrove 1989).<br />
1.5.1 Untersuchungsgebiete: Drömling & Rhinluch<br />
Das BMBF-Verb<strong>und</strong>projekt „Ökosystemmanagement für Niedermoore“ untersuchte<br />
die vier Forschungsstandorte Dümmer, Drömling, Rhinluch <strong>und</strong> Friedländer Große<br />
Wiese. Diese vier Moorlandschaften decken in einem West-Ost-Transekt durch die<br />
norddeutsche Tiefebene verschiedene hydrologische <strong>und</strong> ökologische Niedermoortypen<br />
ab (Abb. 1-1; s. Kuntze 1995; Blankenburg 1995).<br />
Dümmer<br />
Drömling<br />
Rhinluch<br />
Friedländer<br />
Große Wiese<br />
Abb. 1-1: Untersuchungsgebiete des BMBF-Verb<strong>und</strong>vorhabens „Ökosystemmanagement für<br />
Niedermoore".<br />
Im Drömling <strong>und</strong> in geringerem Umfang auch im Rhinluch fanden 1995 bis 1997<br />
flächenhafte Erhebungen des Vorkommens der Heuschrecken-Zielarten, sowie der<br />
ausgewählten Schlüsselfaktoren (s. 1.7) statt, auf deren Gr<strong>und</strong>lage die Habitatmodelle<br />
entwickelt werden. Beide Niedermoorgebiete werden hier nur kurz vorgestellt.
6 1 Allgemeine Einleitung<br />
Abb. 1-2: Kartenausschnitt der Topographischen Karte (Blatt 3530; M: 1:50 000) mit den<br />
Untersuchungsflächen <strong>und</strong> deren Umland im niedersächsischen Teil des Drömlings (dunkelgrau:<br />
Waldgebiete).<br />
Der Drömling ist ein großflächig von Niedermooren geprägtes Niederungsbecken<br />
mit einer Gesamtfläche von ca. 350 km 2 , die zu 80% in<br />
Sachsen-Anhalt <strong>und</strong> zu 20% in Niedersachsen liegt (52°N, 11°O). Die<br />
Untersuchungsgebiete des Projektes befinden sich im südwestlichen, niedersächsischen<br />
Teil des Drömlings, ca. 45 km nordöstlich von Braunschweig (s. Abb. 1-2).<br />
Das Niedermoor läßt sich als ein flachgründiges, saures Versumpfungsmoor der Altmoränenlandschaft<br />
charakterisieren (Succow 1988), das submaritimen Klimaverhältnissen<br />
unterliegt (Niederschlag: ca. 630 mm a -1 , potentielle Evapotranspiration nach<br />
Haude: ca. 440 mm a -1 ; vgl. Blankenburg 1995). Die ursprüngliche Vegetation bestehend<br />
aus Erlen- <strong>und</strong> Weidenbrüchen, ausgedehnten Seggenrieden sowie Eichenhorsten<br />
auf trockenen, sandigen Stellen ist fast vollständig durch die lange Nutzung<br />
des Drömlings überprägt worden. Ende des 19. Jahrh<strong>und</strong>erts war die großflächige<br />
Entwässerung des Gebietes abgeschlossen. Seit Mitte des 19. Jahrh<strong>und</strong>erts wurde die<br />
mäßig intensive Nutzung durch die sogenannte „Rimpau‘sche Moordammkultur“<br />
optimiert (Abb. 1-3), deren flächenhafte Verbreitung die für den Drömling typische<br />
kleinräumige Struktur aus Grünland, Beetgräben <strong>und</strong> Hecken mit ihrer standortspezifischen<br />
Vielfalt an Arten, Lebensgemeinschaften <strong>und</strong> Ökosystemen bedingt hat<br />
(Reichhoff 1990; Kratz 1992).
1.5 Ökosystemmanagement für Niedermoore 7<br />
Moordammkulturen im nördlichen Drömling Foto: Ellermann<br />
Abb. 1-3: Ansichten des Drömlings – Rimpau’sche Moordammkulturen (Foto: Ellermann).<br />
Gräben<br />
500 0 500 m<br />
N<br />
Aller<br />
Mittellandkanal<br />
Abb. 1-4: Grabensystem im Drömling sowie die Verläufe von Aller <strong>und</strong> Mittellandkanal durch<br />
das Untersuchungsgebiet (niedersächsischer Teil).
8 1 Allgemeine Einleitung<br />
Das im GeoInformationsSystem (GIS) repräsentierte Untersuchungsgebiet umfaßt<br />
insgesamt 1801 abgegrenzte Biotopeinheiten einer Fläche von insgesamt mehr als<br />
25 km 2 <strong>und</strong> Flächengrößen zwischen 135 m 2 <strong>und</strong> knapp 10 ha (Mittel ± SD:<br />
14086 ± 12884 m 2 ). Die insgesamt fast 900 im GIS verzeichneten Grabenstrukturen<br />
(z.B. Abb. 1-5) weisen eine Gesamtlänge von über 200 km bei einer mittleren<br />
Einzellänge von knapp 250 m auf. Die Länge des Verlaufs des Mittellandkanals im<br />
Untersuchungsgebiet beträgt ca. 8.5 km.<br />
Untersucht wurden insgesamt 475 z.T. nochmals in feinere, homogene Struktureinheiten<br />
untergliederte Flächen (insgesamt knapp 7.5 km 2 ) <strong>und</strong> 175 Gräben (mit einer<br />
Gesamtlänge von fast 40 km) durch insgesamt 1711 Transektbegehungen zwischen<br />
1995 <strong>und</strong> 1997 (vgl. Abb. A1-2; Tab. 1-3).<br />
Graben<br />
Allerkanal<br />
Fotos: Braumann<br />
Abb. 1-5: Ansichten des Drömlings – Beispiele für Grabenstrukturen (Fotos: Braumann).<br />
Das Rhinluch, mit einer Fläche von ca. 130 km 2 r<strong>und</strong> 70 km nordwestlich<br />
von Berlin gelegen, spielt in dieser Arbeit lediglich eine untergeordnete<br />
Rolle. Es läßt sich als ein flach- bis mitteltiefgründiges, kalkhaltiges,<br />
eutrophes Versumpfungsmoor der Jungmoränenlandschaft charakterisieren (Succow<br />
1988) <strong>und</strong> unterliegt kontinentalen Klimaverhältnissen (Niederschlag: ca. 520 mm a -1<br />
- davon 300 mm in der Vegetationsperiode, potentielle Evapotranspiration nach<br />
Haude: ca. 540 mm a -1 ; vgl. Blankenburg 1995). Die Nutzung erfolgt mit intensiver,<br />
großflächiger Pflanzenproduktion (z.B. Saatgrasland), nur noch kleinere Restbestände<br />
können als naturnah angesehen werden (Fischer et al. 1998).
1.5 Ökosystemmanagement für Niedermoore 9<br />
Im Rhinluch verwaltet das GIS 1532 abgegrenzte Biotopeinheiten auf einer Fläche<br />
von ca. 139 km 2 mit Flächengrößen zwischen 163.5 m 2 <strong>und</strong> 216 ha (Mittel ± SD:<br />
90763 ± 173173 m 2 ), von denen zwischen 1995 <strong>und</strong> 1997 insgesamt 116 verschiedene<br />
Flächen durch 583 Transektbegehungen untersucht wurden (vgl. Tab. 1-3). Karten<br />
der räumlichen Verteilung der Biotoptypen finden sich im Anhang (Abb. A1-1).<br />
1.5.2 Zielartenkonzept<br />
Beim Zielartenkonzept (Hovestadt et al. 1991) handelt es sich nach Flade (1995) um<br />
eine <strong>Naturschutz</strong>strategie, nicht um eine wissenschaftlich definierte Methode der<br />
Ermittlung biotoptypenspezifischer Arten. Die Bestimmung einer Zielart vollzieht<br />
sich unter autökologischen <strong>und</strong> naturschutzstrategischen Aspekten (Mühlenberg &<br />
Hovestadt 1992; Meyer-Cords & Boye 1999). Kratochwil (1989) definiert den Begriff<br />
„Zielart“ wie folgt: „Solche Arten oder Artengruppen, deren Erhaltung im Schutzziel verankert<br />
ist, seien [...] Zielarten oder Zielarten-Gruppen genannt.“. Mühlenberg et al. (1991) sowie<br />
Vogel et al. (1996) geben weitere Kriterien <strong>zur</strong> Zielartenauswahl an, die Bezug auf<br />
Gefährdungsgrad, Repräsentativität, Schirm- bzw. Mitnahmeeffekt etc. nehmen.<br />
Hierbei wird betont, daß die Maßnahmen zum Schutz der Zielart letztendlich einen<br />
Habitatschutz zugunsten vieler anderer Arten der Zönose bewirken. Pirkl & Riedel<br />
(1991) heben die zentrale Bedeutung von Zielarten mit fragestellungsbezogenen Indikatoreigenschaften<br />
für den Arten- <strong>und</strong> Biotopschutz hervor. Sie dienen nicht nur als<br />
ökologisch-naturwissenschaftliche Analyse-, sondern auch als Bewertungs- <strong>und</strong> Entscheidungsgr<strong>und</strong>lage<br />
für <strong>Naturschutz</strong> <strong>und</strong> Landschaftsplanung, zumal sie bzw. ihre<br />
Ansprüche als Umweltqualitätsziele fungieren können (Kiemstedt 1991). Sie fordern<br />
auch die Betrachtung mehrerer Arten in einem Zielartenkollektiv, um dem Anspruch<br />
der Erweiterung des Einzelartenschutzes zu einem umfassenden <strong>Naturschutz</strong>komplex<br />
zu entsprechen (vgl. Plachter 1989). Huk (1997) stellt dazu ein Verfahren vor,<br />
das mit Hilfe multivariater Statistik eine objektive Zielartenauswahl ermöglicht.<br />
Mühlenberg et al. (1991), Reck et al. (1991) sowie Pirkl & Riedel (1991) legen besonderen<br />
Wert auf die effektive Erfolgskontrolle von Managementmaßnahmen durch<br />
Monitoring, die nur über Zielarten management indicator species; s. Wilgrove 1989) mit<br />
vertretbarem Aufwand zu bewerkstelligen ist.<br />
Zu diesem Zweck – Erfolgskontrolle von Managementmaßnahmen durch Monitoring<br />
– wurde nach Voruntersuchungen in der ersten Phase des Verb<strong>und</strong>vorhabens<br />
ein Ensemble faunistischer Zielarten zusammengestellt <strong>und</strong> bearbeitet (s. Schröder<br />
1999), das sich aus Leitarten <strong>und</strong> Biodeskriptoren zusammensetzt (vgl. Plachter<br />
1989). Die Eignung von Heuschrecken <strong>zur</strong> Verwendung als Zielarten, bzw. Bioindikatoren<br />
ist vielerorts diskutiert (z.B. Kleinert 1991; 1992) <strong>und</strong> festgestellt worden<br />
(vgl. allgemein: Detzel 1992; Dülge et al. 1992; für den Drömling: Sandkühler 1993;<br />
Benitz 1994; Heydenreich 1995; Bölscher et al. 1995).
10 1 Allgemeine Einleitung<br />
1.6 Biologie der Arten<br />
Die <strong>Modelle</strong> – speziell die Habitateignungsmodelle in den Abschnitten 2 <strong>und</strong> 3 –<br />
wurden im Projekt für zwei in Deutschland als gefährdet geltende Heuschreckenarten<br />
(Bellmann 1993; Grein 1995) – die Kurzflügelige Schwertschrecke Conocephalus<br />
dorsalis (Orthoptera: Tettigoniidae) (Latreille, 1804) sowie für die Sumpfschrecke<br />
Stethophyma grossum (Linné, 1958) – als Zielarten entwickelt.<br />
1.6.1 Die Zielart Conocephalus dorsalis<br />
C. dorsalis gehört <strong>zur</strong> Gruppe der Laubheuschrecken<br />
(Orthoptera: Tettigoniidae). Sie bewohnt<br />
feuchte bis staunasse Standorte <strong>und</strong><br />
hat ihren Verbreitungsschwerpunkt in den<br />
Conocephalus dorsalis (Latreille, 1804)<br />
Feuchtgebieten Norddeutschlands sowie der<br />
Schweiz <strong>und</strong> Österreichs (Brinkmann 1991; Ingrisch & Köhler 1998) <strong>und</strong> wird meist<br />
als hygrophil eingestuft (Röber 1949; Kaltenbach 1963). Die Habitatbindung beruht<br />
allerdings nicht auf einer physiologischen Hygrophilie (Röber 1951; Ingrisch 1978b),<br />
sondern auf der Fixierung der weiblichen Imagines auf spezielle Pflanzen als Substrat<br />
für die Eiablage (Ingrisch 1979). Hierbei handelt es sich um markhaltige Pflanzen<br />
feuchter bis nasser Standorte (Benitz 1995; Schmidt & Schlimm 1984), wie Juncus<strong>und</strong><br />
Phragmites-Arten (Cappe de Baillon 1920) sowie Carex spec. <strong>und</strong> Typha spec.<br />
(Harz 1957). Darüber hinaus wurde auch die Eiablage in morsches Holz beobachtet<br />
(Schmidt & Schlimm 1984; Benitz 1994; Haupt 1995), was für etwaige Ausbreitungsmechanismen<br />
von Bedeutung sein könnte (vgl. Warne & Hartley 1975).<br />
Innerhalb geeigneter Habitate halten sich die Tiere bevorzugt an Stellen höherer<br />
Temperatur <strong>und</strong> damit geringerer Feuchte auf (Ingrisch 1978b). C. dorsalis ist<br />
mikropter <strong>und</strong> flugunfähig (Decleer 1990) <strong>und</strong> deshalb relativ standortstetig. Gelegentlich<br />
werden allerdings makroptere Imagines gef<strong>und</strong>en (Helms 1996, unveröff.<br />
Dipl.-Arb.). Nach stärkerem Temperaturabfall konnte Fartmann (1997) Wanderungen<br />
einzelner Tiere (von bis zu 20 m) zu Insolationsplätzen beobachten.<br />
Aufgr<strong>und</strong> der für die Art angenommenen deutlichen Stenökie wird sie explizit als<br />
Biodeskriptor für Sonderflächen eingeschätzt (Kleinert 1992). Im Freiland können<br />
die Tiere (auch die Larven) relativ einfach per Augenschein bestimmt werden (Helms<br />
1996, unveröff. Dipl.-Arb.). Eine Bindung an spezielle Futterpflanzen besteht nicht<br />
(Ingrisch 1978b; Benitz 1994, unveröff. Dipl.-Arb.), die Art gilt als omnivor (Ingrisch<br />
1976; Decleer 1990). C. dorsalis tritt generell in vergleichsweise geringen Ab<strong>und</strong>anzen<br />
auf (Ingrisch 1979; Heusinger 1988; Köhler 1989).<br />
Die Art weist einen einjährigen Entwicklungszyklus auf (s. Tab. 1-2). Der Schlupf,<br />
für den relativ hohe Temperatursummen benötigt werden (Ingrisch 1978a) erfolgt<br />
nach der ersten Überwinterung (Ingrisch & Köhler 1998). Die Dauer der Larvalentwicklung<br />
ist temperaturabhängig (Ingrisch 1980; Helfert 1980). Die Tiere können<br />
allerdings Sonneneinstrahlung <strong>zur</strong> Erhöhung der Körpertemperatur nutzen (z.B.
1.6 Biologie der Arten 11<br />
Remmert 1985). Eine geringe relative Luftfeuchte (35-40%) beschleunigt die Entwicklung<br />
<strong>und</strong> vermindert die Sterberate im Vergleich zu hoher Feuchte (Ingrisch<br />
1978a).<br />
Es werden fünf bis sechs Larvenstadien durchlaufen (Sänger & Helfert 1976;<br />
Ingrisch 1978a; Sänger 1980; Oschmann 1993). Die ersten Larven treten je nach<br />
Untersuchungsgebiet frühestens Mitte bis Ende April auf <strong>und</strong> können bis spätestens<br />
Anfang September gef<strong>und</strong>en werden (Ingrisch 1978a; Sänger 1980; Oschmann 1993).<br />
Imagines können im Drömling zwischen Mitte Juli bis zu den ersten spätherbstlichen<br />
Nachtfrösten beobachtet werden (vgl. Tab. 1-2).<br />
Tab. 1-2: Allgemeiner Phänologiekalender einer Heuschreckenpopulation: Näherungswerte<br />
eines einjährigen Entwicklungszyklus ohne Initialdiapause (nach Ingrisch & Köhler 1998).<br />
Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez<br />
....E i e r...........................<br />
--L a r v e n --<br />
I m a g i n e s<br />
..............................E i e r.....................................<br />
--L a r v e n--<br />
I m a g i n e s<br />
1. Jahr 2. Jahr<br />
.................E i e r....<br />
Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez<br />
1.6.2 Die Zielart Stethophyma grossum<br />
Die zu den Feldheuschrecken zählende Sumpfschrecke<br />
- Stethophyma grossum (ehemals Mecostethus<br />
grossus) (Linné, 1758) (Orthoptera: Acri-<br />
Stethophyma grossum (Linné, 1758)<br />
didae) gehört zu den typischen Vertretern der<br />
nassen Wiesen, Gewässerufer <strong>und</strong> Schwingrasen. Sie wird als stark hygrophil eingestuft<br />
(Harz 1957; Oschmann 1969) <strong>und</strong> gilt ebenfalls als gute Indikatorart für intakte<br />
Feuchtgebiete (Bellmann 1993; Malkus et al. 1996). Marzelli (1995) beschreibt<br />
S. grossum als Charakterart der Niedermoore. Als ein möglicher Gr<strong>und</strong> ihrer Stenökie<br />
wird eine Nahrungspräferenz für Carex angesehen (Bölscher & Sandkühler 1995).<br />
Besonders in den letzten Jahren waren für diese Art starke Bestandseinbußen zu verzeichnen,<br />
deren Gr<strong>und</strong> die zunehmende Zerstörung <strong>und</strong> Veränderung ihres Lebensraumes<br />
durch Nutzungsintensivierung, Verbrachung, Entwässerung oder Umwandlung<br />
in Ackerland ist. Für meine Arbeit ist diese Art weniger wichtig, weshalb ich für<br />
weitere Informationen auf die Dissertationen von Marzelli (1995) <strong>und</strong> Heydenreich<br />
(1998) verweise.
12 1 Allgemeine Einleitung<br />
1.7 Datengr<strong>und</strong>lage<br />
1.7.1 Datenerfassung<br />
Die Erhebung der Präsenz-Absenz-Daten für beide Heuschreckenarten erfolgte<br />
durch flächenrepräsentative Transektbegehungen zwischen Juni <strong>und</strong> August der<br />
Jahre 1995 bis 1997. Sowohl Larven als auch Imagines wurden dabei visuell gezählt<br />
<strong>und</strong> die Inzidenz (Vorkommen bzw. Nichtvorkommen) der Imagines mittels der<br />
Verhörmethode akustisch festgestellt (s. Helms 1997). Außerdem wurden die Ausprägungen<br />
der ausgewählten Habitatfaktoren aufgenommen (s. Tab. 1-5). Die bei der<br />
Linientaxierung (Mühlenberg 1993) begangenen Transekte waren in der Regel 100 m<br />
lang <strong>und</strong> bei flächigen Biotopen 4 m, bei Grabenrandstrukturen 2 m breit. Die Dauer<br />
jeweils einer Begehung betrug maximal 30 Minuten. Konnte bis dahin kein Vorkommen<br />
festgestellt werden, so wurde für die Untersuchungsfläche ein Nichtvorkommen<br />
angenommen.<br />
Gr<strong>und</strong>voraussetzung <strong>zur</strong> Erfassung der aktiven Phase der Heuschrecken sind Witterungsbedingungen<br />
mit Lufttemperaturen ≥ 17 °C, Windgeschwindigkeiten ≤ 4.4 m/s<br />
<strong>und</strong> Sonnenschein (Bewölkung ≤ 3 / 8 Flächenanteil) (Mühlenberg 1993). Vor- <strong>und</strong><br />
Nachteile dieser Methode werden u.a. bei Helms (1996, unveröff. Dipl.-Arb.) diskutiert.<br />
Das Verfahren erlaubt eine Begehung vieler Flächen in kurzer Zeit (vgl.<br />
Tab. 1-3). Mit ihrer Hilfe kann das Vorkommen einer Art vergleichsweise sicher in<br />
einem Biotop nachgewiesen werden (qualitative Erfassung). Der Nachweis des<br />
Nichtvorkommens hingegen ist methodisch nicht so sicher (s.o.). Die Zuverlässigkeit<br />
der Methode ist auch von äußeren Faktoren wie z.B. der Vegetationsdichte <strong>und</strong><br />
-höhe abhängig <strong>und</strong> steigt mit zunehmender Erkennbarkeit der Individuen. Sie<br />
nimmt also über die Larvalstadien bis zu den Imagines zu (Helms 1996, unveröff.<br />
Dipl.-Arb.).<br />
1.7.2 Freilanddaten I: Präsenz-Absenz-Daten der Heuschrecken<br />
Wie Tab. 1-3 zeigt, lag das Hauptaugenmerk bei der Datenerhebung auf dem<br />
Drömling, wo in den Jahren 1995 bis 1997 insgesamt 1711 Transekte begangen<br />
wurden. Dabei wurden auf insgesamt 47.5% der untersuchten Transekte Vorkommen<br />
von C. dorsalis festgestellt. Bei 1590 Transektbegehungen wurde auch gleichzeitig<br />
die Inzidenz von S. grossum dokumentiert, die insgesamt auf 65.5% nachgewiesen<br />
werden konnte. Im Rhinluch war sowohl die Anzahl der begangenen Transekte als<br />
auch die dabei festgestellten Prävalenzen geringer, wobei auch hier S. grossum häufiger<br />
angetroffen wurde als C. dorsalis. Die räumliche Verteilung der Untersuchungseinheiten<br />
im Drömling für die einzelnen Untersuchungsjahre ist den Karten in<br />
Abb. A1-2 im Anhang zu entnehmen.<br />
Die Abgrenzung der homogenen Untersuchungseinheiten im Drömling erfolgte<br />
1995/96 auf Gr<strong>und</strong>lage der Eigentums- bzw. Nutzungsgrenzen, die in einer vorab im<br />
Zuge einer UVS durchgeführten Biotoptypenkartierung auf Gr<strong>und</strong>lage der Deut-
1.7 Datengr<strong>und</strong>lage 13<br />
schen Gr<strong>und</strong>stückskarte Maßstab 1 : 5000 digitalisiert wurden (Borkowsky et al. unveröff.,<br />
„UVS Reaktivierung des Retentionsraumes Allerknie“; s. Helms 1997). 1997<br />
wurden die Untersuchungseinheiten dann feinskaliger nach den Vorgaben einer<br />
innerhalb des Projektes durchgeführten Vegetationsstrukturkartierung abgegrenzt<br />
(Borkowsky & Schmalhaus, unveröff.).<br />
Die Auswahl der Untersuchungsflächen erfolgte jeweils teilprojektintern durch die<br />
datenerhebenden Mitarbeiter <strong>und</strong> Mitarbeiterinnen, die schon in den vorangegangenen<br />
Projektphasen in den Untersuchungsgebieten tätig waren, d.h. im Drömling in<br />
erster Linie durch Dipl. Biol. D. Helms <strong>und</strong> Dr. R. Kratz aus Braunschweig, im Rhinluch<br />
durch E.-E. Krüper <strong>und</strong> Dr. U. Stachow aus Müncheberg.<br />
Tab. 1-3: Anzahl untersuchter Transekte <strong>und</strong> Prävalenz von Conocephalus dorsalis <strong>und</strong> Stethophyma<br />
grossum in den beiden Untersuchungsgebieten.<br />
Untersuchungsgebiet Drömling Rhinluch<br />
Untersuchungsjahr 1995 1996 1997 1995 1996 1997<br />
Anzahl untersuchter Transekte<br />
Prävalenz<br />
757 439 515 156 186 241<br />
1 von<br />
Conocephalus<br />
dorsalis [%]<br />
51.0 47.0 42.9 35.0 34.0 33.2<br />
Σ / Summe untersuchter Transekte 1711 583<br />
∅ Prävalenz von C. dorsalis 47.5 33.9<br />
Anzahl untersuchter Transekte<br />
Prävalenz<br />
633 442 515 130 154 184<br />
1 von<br />
Stethophyma<br />
grossum [%]<br />
67.6 56.8 70.3 35.3 46.2 50.6<br />
Σ / Summe untersuchter Transekte 1590 468<br />
∅ Prävalenz von S. grossum 65.5 44.9<br />
1 Prävalenz: relative Häufigkeit des Vorkommens auf den Transekten<br />
Die teilweise wiederholte Begehung in den einzelnen Untersuchungsjahren ermöglicht<br />
eine Abschätzung der Stetigkeit der Vorkommen bzw. Inzidenzen für den<br />
Drömling. Die Vorkommenskonstanz liegt – betrachtet man die 126 in allen drei<br />
Untersuchungsjahren begangenen Flächen <strong>und</strong> Gräben – mit 19% bei C. dorsalis<br />
erheblich niedriger als bei S. grossum (49%).
14 1 Allgemeine Einleitung<br />
Tab. 1-4: Konstanz von Inzidenz <strong>und</strong> Vorkommen von Conocephalus dorsalis <strong>und</strong> Stethophyma<br />
grossum im Drömling zwischen 1995 <strong>und</strong> 1997.<br />
Drömling<br />
Anzahl Transekte, die in beiden/allen Jahren<br />
untersucht wurden<br />
Conocephalus dorsalis<br />
gemeinsam betrachtete<br />
Untersuchungsjahre<br />
1995 1995 1996 alle<br />
1996 1997 1997 Jahre<br />
442 154 126 126<br />
Anteil Flächen mit konstanter Inzidenz [%] 57 64 42 31<br />
Anteil Flächen mit konstantem Vorkommen [%] 29 36 22 19<br />
Stethophyma grossum<br />
Anteil Flächen mit konstanter Inzidenz [%] 55 69 69 54<br />
Anteil Flächen mit konstantem Vorkommen [%] 38 60 60 49<br />
1.7.3 Freilanddaten II: einfache Habitatfaktoren<br />
Neben dem Vorkommen bzw. Nichtvorkommen der Heuschrecken (Larven <strong>und</strong><br />
Imagines) mittels der Transektbegehungen wurde für alle in Abb. A1-2 gezeigten<br />
Untersuchungsflächen u.a. die Ausprägung der in Tab. 1-5 aufgelisteten Habitatfaktoren<br />
flächenrepräsentativ aufgenommen, (s. auch Helms 1997). Dabei erfolgten<br />
die Schätzung des Deckungsgrades der ausgewählten Pflanzenarten nach Fröhlich<br />
(1994) <strong>und</strong> die Ermittlung der durchschnittlichen Vegetationshöhe aus fünf Meßwiederholungen<br />
(s. Helms 1997).<br />
Tab. 1-5: Liste der in beiden Untersuchungsgebieten erhobenen Habitatfaktoren (Datenaufnahme:<br />
Drömling: D. Helms; Rhinluch: E.E. Krüper).<br />
Habitatfaktoren Datenqualität <strong>und</strong> Einheiten<br />
Biotoptyp<br />
(Kartierung: Borkowsky & Schmalhaus)<br />
kategorial: Ausprägungen s.<br />
Tab. A1-1 (vgl. Drachenfels 1995)<br />
Landnutzung kategorial:<br />
[Klassen; s. Tab. A1-2]<br />
Bedeckung mit Juncus spec., Carex spec. sowie<br />
mit Glyceria maxima, Typha latifolia <strong>und</strong><br />
Phragmites communis<br />
Vegetationshöhe<br />
Feuchte-, Reaktions- & Stickstoffzeigerwert der<br />
dominanten sowie der kennzeichnenden Pflanzenarten<br />
metrisch [%]<br />
Schätzung nach Fröhlich (1994)<br />
metrisch [cm]<br />
(gemittelt aus fünf Meßwiederholungen)<br />
ordinal<br />
(vgl. Ellenberg et al. 1992)<br />
Mahdereignis dichotom [ja/nein]
1.7 Datengr<strong>und</strong>lage 15<br />
1.7.4 Freilanddaten III: Vegetationsstrukturkartierung<br />
Zusätzlich stehen für einen großen Anteil der Untersuchungsflächen im Drömling<br />
(n = 352) detaillierte Vegetationsstrukturerhebungen <strong>zur</strong> Verfügung (Borkowsky &<br />
Schmalhaus unveröff.). Von ihnen ist im Hinblick auf die Heuschreckenmodelle eine<br />
weitergehende Charakterisierung der Vegetationsbedeckung auf den Flächen sowie<br />
des dadurch maßgeblich bestimmten Mikroklimas zu erwarten (z.B. Oschmann 1973;<br />
Marzelli 1995). Die Strukturkartierung bildet gleichzeitig die Kartengr<strong>und</strong>lage für das<br />
Jahr 1997, vgl. Abb. A1-2 (unten). Die aufgenommenen <strong>und</strong> für die hier vorgestellten<br />
<strong>Modelle</strong> relevanten Variablen sind in Tab. 1-6 aufgeführt.<br />
Tab. 1-6: Im Drömling 1997 erhobene Vegetationsstrukturvariablen (Datenaufnahme:<br />
Borkowsky & Schmalhaus).<br />
Strukturvariable Datenqualität <strong>und</strong> Einheiten<br />
Horizontalstruktur der Krautschicht<br />
(flächige Strukturen)<br />
Horizontalstruktur der Krautschicht<br />
(lineare Strukturen, d.h.<br />
mind. dreimal länger als breit)<br />
Verteilung/Deckung der Individuen<br />
in der Krautschicht<br />
Wuchsform der Individuen in der<br />
Krautschicht<br />
Deckung abgestorbener, stehender<br />
Phytomasse<br />
Vertikalstruktur/Höhe der lebenden<br />
Biomasse<br />
Höhe vorjähriger Überständer<br />
Heterogenität der Schichtung in<br />
der Krautschicht<br />
Hauptbestandsbildner der Krautschicht<br />
(≥ 25% Deckung)<br />
ordinal<br />
[4 Klassen; Radius zwischen 10 m]<br />
ordinal<br />
[5 Klassen; Breiten von 1 m bis >10 m]<br />
ordinal<br />
[4 Klassen; Deckung zwischen 100% <strong>und</strong>
Abschnitt 2<br />
– Habitatmodelle –
2 Habitatmodelle<br />
2.1 Einleitung – Habitatmodelle<br />
Mit Hilfe von Habitatmodellen (exakter: Habitateignungsmodellen) wird die Beziehung<br />
zwischen einzelnen Arten <strong>und</strong> ihrem Lebensraum formalisiert <strong>und</strong> die Qualität<br />
des Habitats aus der Sicht dieser Arten quantifiziert (Morrison et al. 1998). Damit<br />
liefern Habitatmodelle eine Verknüpfung von Landschaft <strong>und</strong> Spezies entsprechend<br />
der Wahrnehmung der Landschaft durch die Art.<br />
Statistische Habitatmodelle schätzen aus Präsenz-Absenz-Daten <strong>und</strong> einigen relevanten<br />
Habitateigenschaften für jeweils abgegrenzte homogene Untersuchungseinheiten<br />
die Vorkommenswahrscheinlichkeit bzw. prognostizieren die Inzidenz, d.h. Vorkommen<br />
oder Nichtvorkommen der Art (vgl. Adler & Wilson 1985; Lindenmayer et al.<br />
1993; Massolo & Meriggi 1998; Dennis & Eales 1999). Zudem erlauben sie es, die<br />
Wichtigkeit einzelner Habitatparameter für die Prognose zu analysieren <strong>und</strong> auf<br />
dieser Gr<strong>und</strong>lage Habitatpräferenzen abzuleiten (z.B. Lindenmayer et al. 1991;<br />
Peeters & Gardeniers 1998). Allerdings ergeben die statistischen <strong>Modelle</strong> wie alle<br />
induktiven Verfahren nur Hypothesen über die kausalen Hintergründe, welche durch<br />
deduktive, experimentelle Untersuchungen geprüft werden müssen (Morrison et al.<br />
1998).<br />
Des weiteren können die <strong>Modelle</strong> dazu verwendet werden, Managementmaßnahmen<br />
zum Schutz der entsprechenden Arten zu entwickeln (z.B. bei Lindenmayer et al.<br />
1990; Genard & Lescourret 1992; Lindenmayer et al. 1993; Austin & Meyers 1996)<br />
oder deren Auswirkungen zu bewerten (Richter et al. 1997).<br />
Damit stehen Habitatmodelle in einem Spannungsfeld zwischen Wissenschaft <strong>und</strong><br />
Planung, das sich auch in den zwei komplementären Zielen der Modellierung widerspiegelt:<br />
Caswell (1976), Williams (1981), Fielding & Haworth (1995) wie auch Morrison<br />
et al. (1998) unterscheiden zwischen voraussagenden, prädiktiven (forecasting,<br />
prediction) <strong>und</strong> erklärenden (<strong>und</strong>erstanding, hindcasting, explanation) Modellanwendungen.<br />
Habitatmodelle sind räumlich explizit <strong>und</strong> liefern demnach flächenscharfe Prognosen<br />
der Verteilung der Art im Raum. Sie sind aber nicht dynamisch, da es aus einzelnen<br />
„schlaglichtartigen“ Erhebungen abgeleitet wird, für die implizit eine Gleichgewichtssituation<br />
angenommen wird (Kleyer et al. 1999/2000). Eine Abbildung der Dynamik<br />
der Habitatentwicklung kann höchstens dadurch erreicht werden, daß für jeden Zeitpunkt,<br />
für den neues, die Veränderungen dokumentierendes Datenmaterial <strong>zur</strong> Verfügung<br />
steht, auch neue <strong>Modelle</strong> angepaßt werden (multitemporale Modellbildung).<br />
Aber auch dann können Habitatmodelle keine Abbildung der Populationsdynamik<br />
verb<strong>und</strong>en mit Aussagen zu Populationsgrößen leisten (Schamberger & O'Neil<br />
1986). Diese wird erst durch die Verknüpfung mit einem populationsdynamischen<br />
Modell zu einem räumlich expliziten Simulationsmodell möglich (vgl. Dynamisches
18 2 Habitatmodelle<br />
Multihabitatmodell in Abschnitt 5 <strong>und</strong> ähnliche Ansätze bei Liu et al. 1995; Wahlberg<br />
et al. 1996; Lee & DeAngelis 1997; Letcher et al. 1998).<br />
2.1.1 Gr<strong>und</strong>sätzliche Modellannahmen <strong>und</strong> Einschränkungen<br />
Die Modellierung beruht auf der Prämisse, daß die ausgewählten Schlüsselfaktoren<br />
diejenigen Habitateigenschaften, welche für die Habitatwahl der Arten wichtig sind<br />
<strong>und</strong> den Ansprüchen der Arten an ihren Lebensraum entsprechen, hinreichend gut<br />
charakterisieren. Hierbei wird der Begriff der Schlüsselfaktoren in Abgrenzung zu<br />
Varley & Gradwell (1960) bzw. Morris (1959), die ihn bei der Analyse von Lebenstafeln<br />
eingeführt haben (s. Manly 1989), im Sinne von meßbaren Habitatparametern<br />
verwendet, welche Indikatoren <strong>zur</strong> Erklärung der Habitatwahl liefern (vgl. Konzept<br />
der key environmental correlates bei Marcot et al. 1997). Sie sind zum einen a priori, d.h.<br />
auf Gr<strong>und</strong>lage des (aut-)ökologischen Wissens über die Arten, als ökologisch relevant<br />
eingestuft worden (s. 2.6.4) <strong>und</strong> haben sich zum anderen im Zuge der <strong>Modelle</strong>ntwicklung<br />
als statistisch signifikant erwiesen (s. 2.4). Dabei kann allerdings nicht<br />
davon ausgegangen werden, daß sämtliche wichtigen Faktoren bekannt <strong>und</strong> in Form<br />
von Daten erfaßbar sind.<br />
Gr<strong>und</strong>sätzliche Annahme ist, daß die Tiere die Biotope derart nutzen <strong>und</strong> ihre<br />
Habitate so auswählen, daß ihre Fitneß optimiert wird (Southwood 1977; Schamberger<br />
& O'Neil 1986). Das bedeutet, daß Habitate höherer Qualität proportional<br />
häufiger genutzt werden (Präsenz-Absenz-Ebene). Daher kann bei einer überproportionalen<br />
Nutzung von einer Habitatpräferenz, bei einer subproportionalen von<br />
einer Meidung ausgegangen werden (vgl. Neu et al. 1974; Manly et al. 1993; Mühlenberg<br />
1993). Im Normalfall sind Habitate hoher Qualität auch durch eine höhere<br />
Besiedlungsdichte gekennzeichnet, da sie eine höhere Kapazität aufweisen <strong>und</strong> somit<br />
mehr Tieren als Habitat dienen können (Kapazitätsebene; Maurer 1986). Andererseits<br />
läßt sich aber von einer hohen Individuendichte nicht zwangsläufig auf eine<br />
hohe Habitatqualität schließen. Die Beispiele bei van Horne (1983) <strong>und</strong> Pulliam<br />
(1988) zeigen, daß die Dichte kein zuverlässiges Maß für Habitatqualität darstellt (vgl.<br />
Wesolowski et al. 1987).<br />
Die hier vorgestellten <strong>Modelle</strong> werden auf Basis von Präsenz-Absenz-Daten entwickelt<br />
(s. 2.3). Ihr Vorteil gegenüber Ab<strong>und</strong>anz- oder Dichtedaten ist, daß sie weniger<br />
fehlerbehaftet (Mühlenberg 1993) <strong>und</strong> leichter zu beschaffen sind (Kuhn 1998).<br />
Biotope unterschiedlicher Art können im Lebenszyklus der Tiere verschiedene Funktionen<br />
haben, so z.B. als Fortpflanzungs- oder Nahrungshabitate (s. Shirvell 1989;<br />
Turner et al. 1994). Die Besiedlung der Flächen ist also nicht ausschließlich von der<br />
im Modell aus der abiotischen <strong>und</strong> biotischen Flächenausstattung abgeleiteten Habitatqualität,<br />
sondern auch von anderen Faktoren abhängig (Schamberger & O'Neil<br />
1986). Somit ist eine Vielzahl von Variablen potentiell dazu geeignet, das Vorkommen<br />
der Arten im Untersuchungsgebiet zu erklären. Hierzu zählen neben den geologischen,<br />
topographischen <strong>und</strong> edaphischen Habitatfaktoren (Velázquez & Heil 1996;<br />
Austin et al. 1996; Baker & Coon 1997; Lamouroux et al. 1998), klimatische Faktoren
2.1 Einleitung – Habitatmodelle 19<br />
(Thomas 1993; Thomas et al. 1994), die Landnutzung <strong>und</strong> ihre Entwicklung<br />
(Verboom et al. 1991b), biotische Habitatfaktoren wie z.B. Prädation (Reading et al.<br />
1996), Parasiten (Balcom & Yahner 1996) oder Konkurrenz (Massolo & Meriggi<br />
1998), die Landschaftsstruktur <strong>und</strong> -heterogenität (Fahrig & Johnson 1998) sowie die<br />
Konnektivität <strong>und</strong> Verinselung der Landschaft (Adler & Wilson 1985; Dunning et al.<br />
1995; Dennis et al. 1998). Diese beeinflussen die Populationsparameter wie Fek<strong>und</strong>ität<br />
oder Mortalität <strong>und</strong> die räumliche Verteilung von Populationen bzw. Metapopulationen<br />
(Akçakaya et al. 1995; Appelt & Poethke 1997; Akçakaya & Atwood 1997).<br />
Nur ein kleiner Ausschnitt dieses Beziehungsgeflechtes kann auf Gr<strong>und</strong>lage der <strong>zur</strong><br />
Verfügung stehenden Daten mittels der in diesem Abschnitt angewendeten Verfahren<br />
modelliert werden.<br />
Aus den oben aufgeführten Gr<strong>und</strong>annahmen geht hervor, daß nicht alle Arten<br />
gleichermaßen gute <strong>Modelle</strong>rgebnisse versprechen. Besonders gut mit <strong>Modelle</strong>n zu<br />
beschreiben sind Arten, die spezifische Habitatansprüche haben, eine geringe Mobilität<br />
aufweisen <strong>und</strong> zudem eine hohe Findungsrate im Gelände garantieren (Reck<br />
1990; Pirkl & Riedel 1991; Hovestadt et al. 1991; vgl. die Zielartenkriterien in 1.5.2<br />
<strong>und</strong> die hier untersuchten Arten in 1.6).<br />
2.1.2 Geschichte der Habitatmodelle<br />
Die Analyse der Beziehung zwischen den Arten <strong>und</strong> ihrer Umwelt wurde vom U.S.<br />
Fish & Wildlife Service (1981) mit der Entwicklung von Habitateignungsindex-<br />
<strong>Modelle</strong>n (habitat suitability index-models/HSI-models), die Teil eines Verfahrens <strong>zur</strong><br />
Habitatbewertung waren (habitat evaluation procedure/HEP; s. U.S. Fish & Wildlife<br />
Service 1980; Pearsall et al. 1986) erstmals institutionalisiert. Diese HSI-<strong>Modelle</strong> bewerten<br />
die physikalischen <strong>und</strong> biologischen Attribute eines Habitats für eine spezielle<br />
Art in Form eines Indexes, der Werte zwischen „0 – absolut ungeeignet“ <strong>und</strong> „1 –<br />
optimal“ annehmen kann (U.S. Fish & Wildlife Service 1981). Anfangs basierten die<br />
HSI-<strong>Modelle</strong> eher auf Expertenwissen <strong>und</strong> allgemeinen Aussagen zu Habitatpräferenzen<br />
der jeweiligen Art. Die HSI-Werte wurden als geometrische Mittelwerte aus<br />
einer Menge auf das Intervall [0,1] skalierter Umweltvariablen berechnet, von denen<br />
der größte Einfluß auf Verteilung <strong>und</strong> Ab<strong>und</strong>anz der Arten erwartet wurde (z.B.<br />
Schroeder 1982; Conway & Martin 1993; Reading et al. 1996). Im Zuge der allgemeinen<br />
Verfügbarkeit geeigneter Software wurden dann verstärkt multivariate statistische<br />
Verfahren <strong>zur</strong> quantitativen Analyse empirischer Daten <strong>und</strong> Modellbildung eingesetzt<br />
(Brennan et al. 1986; Morrison et al. 1998) <strong>und</strong> Wert auf die Validierung der<br />
<strong>Modelle</strong> anhand empirischer Daten gelegt (z.B. Lancia et al. 1982; Marcot et al. 1983;<br />
Capen et al. 1986; Fielding & Haworth 1995; Brooks 1997; Prosser & Brooks 1998;<br />
vgl. Abschnitt 3).<br />
2.1.3 Habitatmodelle innerhalb des Niedermoorprojektes<br />
Innerhalb des BMBF-Verb<strong>und</strong>vorhabens „Ökosystemmanagement für Niedermoore“,<br />
in das die hier vorgestellte Arbeit eingegliedert ist, wurden anfangs Habitat-
20 2 Habitatmodelle<br />
eignungsmodelle mittels Diskriminanzanalyse erstellt (Kratz et al. 1994; Helms 1997).<br />
Zudem wurde das Potential von Methoden wie der Fuzzy-Logik (Zadeh 1965;<br />
Krause & Clark 1993) <strong>und</strong> der Certaintyfactor-Methode (Buchanan & Shortliffe<br />
1984) untersucht (Schröder 1996, unveröff. Dipl.-Arb.) – Verfahren, die im Bereich<br />
der Künstlichen Intelligenz anzusiedeln sind <strong>und</strong> die mit der Diskriminanzanalyse<br />
verknüpft wurden (Schröder 1997). Ziel dieser Ansätze war es, auf langjähriger Erfahrung<br />
im Freiland beruhendes <strong>und</strong> z.T. intuitives Expertenwissen in die Habitatmodelle<br />
zu integrieren. Letztendlich wurde aber auf das leistungsfähige <strong>und</strong> besser<br />
handhabbare Verfahren der logistischen Regression <strong>zur</strong>ückgegriffen (Schröder 1999;<br />
s. 2.3).<br />
Während in der Anfangsphase die Anwendbarkeit der <strong>Modelle</strong> in der Planungspraxis<br />
im Vordergr<strong>und</strong> stand, rückten – wie diese Arbeit zeigt – im Projektverlauf verstärkt<br />
autökologische Fragestellungen in den Blickpunkt der Modellierung. Diese Entwicklung<br />
läßt sich anhand der Hierarchie der erklärenden Variablen in den <strong>Modelle</strong>n verfolgen.<br />
Sie gliedert sich ausgehend von aus bestehenden Kartierungen verfügbaren<br />
Daten über einfach <strong>und</strong> parallel <strong>zur</strong> Heuschreckenzählung zu erhebenden Habitatfaktoren<br />
<strong>und</strong> Informationen aus einer Vegetationsstrukturkartierung bis hin zu landschaftsökologisch<br />
<strong>und</strong> unter dem Aspekt der räumlich heterogenen Population relevanten<br />
Variablen aus Nachbarschaftsanalysen (vgl. 2.2.4 <strong>und</strong> 2.6.2).<br />
2.2 Datengr<strong>und</strong>lage<br />
2.2.1 Freilanddaten: Habitatfaktoren <strong>und</strong> Vegetationsstrukturvariablen<br />
Für die zwei Heuschreckenarten liegt umfangreiches Datenmaterial aus drei Untersuchungsjahren<br />
<strong>und</strong> zwei Untersuchungsgebieten vor, wobei in diesem Abschnitt<br />
allein die zwischen 1995 <strong>und</strong> 1997 erhobenen Daten aus dem Drömling <strong>zur</strong> Modellierung<br />
verwendet werden (s. Tab. 1-3). Neben den Präsenz-Absenz-Daten der beiden<br />
Heuschreckenarten werden in diesem Abschnitt 2 zuerst nur der für alle Untersuchungseinheiten<br />
im Drömling kartierte Biotoptyp, dann sämtliche Habitatfaktoren<br />
aus Tab. 1-5 <strong>und</strong> später auch die Vegetationsstrukturvariablen (Tab. 1-6) für die<br />
Modellbildung berücksichtigt. Dabei verringert sich aufgr<strong>und</strong> des zunehmenden<br />
Erhebungsaufwands die Anzahl der <strong>zur</strong> Verfügung stehenden Datensätze.<br />
2.2.2 Aus GIS-Analysen abgeleitete Nachbarschaftsvariablen als zusätzliche<br />
erklärende Variablen<br />
Die Besiedlung der Flächen hängt nicht ausschließlich von der im Modell aus der<br />
abiotischen <strong>und</strong> biotischen Flächenausstattung abgeleiteten Habitatqualität ab, sondern<br />
auch von anderen Faktoren, die mit der zeitlichen Entwicklung des Habitats<br />
(Nutzungsgeschichte <strong>und</strong> Sukzession), seiner räumlichen Lage (Isolation, Erreichbarkeit,<br />
Nachbarschaftseffekte, Fragmentierung <strong>und</strong> Konnektivität) <strong>und</strong> Größe zusam-
2.2 Datengr<strong>und</strong>lage 21<br />
menhängen (z.B. van Dorp & Opdam 1987; Thomas et al. 1992; Dennis et al. 1998;<br />
Kuhn 1998). Deshalb sollte der Einfluß der landschaftlichen Struktur auf die Verteilung<br />
von C. dorsalis im Raum untersucht werden. Die Gr<strong>und</strong>idee ist hierbei, das<br />
räumliche bzw. raumzeitliche (s.u.) Beziehungsgeflecht der Habitate <strong>zur</strong> Vorhersage<br />
zu nutzen. Warum sollte nicht eine gute Fläche die Vorkommenswahrscheinlichkeit<br />
in ihrer direkten Nachbarschaft erhöhen (Dunning et al. 1992)? Genauso ist zu<br />
erwarten, daß ein gemessen an seiner Ausstattung als gut einzustufendes, aber nur<br />
von stark ungeeigneten Flächen umgebenes <strong>und</strong> dementsprechend isoliertes Habitat<br />
eine verringerte Vorkommenswahrscheinlichkeit aufweist (vgl. Dennis et al. 1998;<br />
Kuhn 1998).<br />
Um die Nachbarschaftseffekte in die Habitatanalysen einfließen lassen zu können,<br />
werden aus der im GIS gespeicherten topographischen Information neben der<br />
Flächengröße (z.B. van Dorp & Opdam 1987; Verboom & van Apeldoorn 1990)<br />
zusätzliche Prädiktorvariablen abgeleitet. Buckland & Elston (1993), Augustin et al.<br />
(1996) <strong>und</strong> Augustin et al. (1998) haben bereits in einem vergleichbaren Ansatz für<br />
Rasterdaten solche autologistischen <strong>Modelle</strong> vorgestellt (vgl. auch Smith 1994).<br />
Für alle Untersuchungseinheiten können die in direkter Nachbarschaft liegenden<br />
Flächen <strong>und</strong> Gräben ermittelt werden. Daraus lassen sich auf Gr<strong>und</strong>lage der bis zu<br />
diesem Punkt erstellten Karten weitere erklärende Variablen berechnen, die entweder<br />
die Vorkommensprognose oder das reale Vorkommen auf den direkt benachbarten<br />
Flächen – d.h. mit mindestens einer gemeinsamen Kante – in Betracht ziehen (vgl.<br />
Buckland & Elston 1993; Augustin et al. 1996; Augustin et al. 1998). Beispiele für<br />
solche Prädiktorvariablen sind z.B. „Anteil von Flächen mit Vorkommen in der<br />
Nachbarschaft“, „Anteil von Flächen mit einer hohen Habitateignung in der Nachbarschaft“<br />
oder „durchschnittliche Habitateignung der benachbarten Flächen“. Wird<br />
hierbei auf die benachbarten Vorkommen Bezug genommen, so verringert sich der<br />
Umfang des <strong>zur</strong> Verfügung stehenden Datensatzes auf diejenigen Untersuchungsflächen,<br />
in deren unmittelbarer Nachbarschaft Transektbegehungen stattgef<strong>und</strong>en<br />
haben. Im Gegensatz dazu kann bei Verwendung der prognostizierten Vorkommenswahrscheinlichkeiten,<br />
die für das gesamte Untersuchungsgebiet geschätzt werden<br />
können, der volle Datenumfang genutzt werden.<br />
Analog dazu wird überprüft, ob das a-priori-Wissen über in vorausliegenden Jahren<br />
detektierte Habitate <strong>zur</strong> Ableitung weiterer erklärender Variablen, wie z.B. „Vorkommen<br />
in der Nachbarschaft im Vorjahr festgestellt [ja/nein]“ genutzt werden kann<br />
(vgl. Buckland & Elston 1993; Smith 1994; Buckland et al. 1996).<br />
2.2.3 Häufigkeitsklassendaten<br />
Für einige der Untersuchungsflächen des Jahres 1995 (n = 362) liegen neben den<br />
Präsenz-Absenz-Daten auch Daten über Ab<strong>und</strong>anzen in ordinalen, nicht äquidistanten<br />
Häufigkeitsklassen vor (7 Klassen: von Nichtvorkommen „0“ bis >50 Individuen<br />
pro 400 m 2 -Transekt „7“). Um sie für die Habitatmodelle nutzbar zu machen, werden<br />
Gewichtungsfaktoren eingeführt, die je nach Häufigkeitsklasse die Wertigkeit der Flä-
22<br />
2 Habitatmodelle<br />
chen mit Vorkommen in der Modellbildung verändern (vgl. 2.3.1). Die Entwicklung<br />
dieser <strong>Modelle</strong> erfolgt unabhängig von dem in 2.2.4 vorgestellten hierarchischen<br />
Modellbildungsverfahren <strong>und</strong> wird nur für C. dorsalis durchgeführt (s. 2.4.2.5).<br />
Die Gewichtung erfolgt derart, daß die Summe aller gewichteten Flächen wieder<br />
genau der Flächenanzahl entspricht. Für alle 362 <strong>zur</strong> Verfügung stehenden Flächen<br />
ergibt die Summe aller Häufigkeitsklassen 999 Einheiten. Deshalb erfolgt die Gewichtung<br />
der Flächen mit nachgewiesenem Vorkommen für die in 2.4.2.5 vorgestellten<br />
<strong>Modelle</strong> wie in Gl. ( 2-1 ) dargestellt, während Flächen ohne Vorkommen ein<br />
Gewicht von 1 behalten.<br />
Nichtvorkommen : Gewicht = 1<br />
Vorkommen : Gewicht = Häufigkeitsklasse * 362 / 999<br />
( 2-1 )<br />
Eine Fläche mit Einzelf<strong>und</strong>en (Häufigkeitsklasse 1) geht also mit einem Gewicht von<br />
0.36 in die Regression ein, wohingegen eine Fläche mit mehr als 50 Tieren/400 m 2<br />
(Häufigkeitsklasse 7) ein Gewicht von 2.54 aufweist.<br />
2.2.4 Schrittweise Erstellung von großräumigen Habitateignungsmodellen<br />
bzw. Habitateignungskarten unter Berücksichtigung sämtlicher Informationsebenen<br />
Um für C. dorsalis ein räumlich umfassendes Habitatmodell zu erstellen <strong>und</strong> dabei<br />
sämtliche verfügbare Information möglichst vollständig zu nutzen, wird das im<br />
folgenden beschriebene mehrstufige Verfahren angewandt. Es faßt die in 2.2.1 <strong>und</strong><br />
2.2.2 charakterisierten Hierarchieebenen der Prädiktorvariablen zusammen. Dabei<br />
kennzeichnen die einzelnen Modellstufen Ebenen unterschiedlicher Informationsdichte<br />
vom einfachen Biotoptyp-Modell (1) bis hin zum differenzierten autologistischen<br />
Modell (4), die jeweils unterschiedlich anspruchsvollen Fragestellungen entsprechen.<br />
Bis zu Schritt (3) werden auch für S. grossum <strong>Modelle</strong> entwickelt.<br />
(1) Erstellung eines Habitateignungsmodelles, welches nur auf dem Biotoptyp beruht.<br />
Es liefert für das Gesamtgebiet eine erste Habitateignungskarte, weil der<br />
Biotoptyp als einzige Prädiktorvariable auch für das gesamte Untersuchungsgebiet<br />
aufgenommen wurde (vgl. 2.2.1).<br />
(2) Erstellung eines verbesserten Modells, das neben dem Biotoptyp auch alle anderen<br />
verfügbaren statistisch signifikanten <strong>und</strong> ökologisch relevanten Habitatfaktoren<br />
aus Tab. 1-5 berücksichtigt, <strong>und</strong> zwar für sämtliche Flächen <strong>und</strong> Gräben, für<br />
die diese Faktoren aufgenommen wurden. Da die Prognosen dieser <strong>Modelle</strong> in<br />
jedem Fall von höherer Qualität (im Sinne der Prognosegüte) sind (vgl. Tab. 2-8),<br />
ersetzen sie die Prognosen des Biotoptyp-Modells in der in (1) beschriebenen<br />
Habitateignungskarte, wo immer das möglich ist.<br />
(3) Erstellung eines nochmals erweiterten Modells, bei dem die Prädiktorvariablen<br />
durch die Variablen der Vegetationsstrukturkartierung (Tab. 1-6) ergänzt werden.
2.3 Statistische Verfahren der Habitatmodellierung 23<br />
Da diese Informationen nur für eine verringerte Anzahl an Untersuchungsflächen<br />
erhoben wurden, ersetzen die Prognosen dieses Modells diejenigen der in<br />
(2) erstellten Habitateignungskarte auch nur für diese Flächen.<br />
(4) Ableitung der zusätzlichen Nachbarschaftsvariablen (2.2.2) aus den nach den<br />
Schritten (1), (2) bzw. (3) erhaltenen Habitateignungskarten; u.U. Hinzunahme<br />
der Vorkommensnachweise in der unmittelbaren Nachbarschaft (a) bzw. aus<br />
vorangegangenen Untersuchungsjahren (b). Erstellung eines Habitateignungsmodelles,<br />
das zusätzlich diese Prädiktorvariablen berücksichtigt (autologistisches<br />
Modell, vgl. 2.2.2).<br />
2.3 Statistische Verfahren der Habitatmodellierung<br />
In der aktuellen Literatur kommen bei der Erstellung prädiktiver Habitatmodelle aus<br />
Präsenz-Absenz-Daten fast ausschließlich die Verfahren der Diskriminanzanalyse<br />
(vgl. Fisher 1936; Green 1971; Dillon & Goldstein 1984; Backhaus et al. 1996) <strong>und</strong><br />
der logistischen Regression (s. Cox & Snell 1989; Hosmer & Lemeshow 1989; Jongman<br />
et al. 1995; Agresti 1996) <strong>zur</strong> Anwendung. Die logistische Regression wird aufgr<strong>und</strong><br />
weniger scharfer Modellannahmen (Noon 1986), der besseren Klassifizierungsergebnisse<br />
(Efron 1975; Press & Wilson 1978), der ökologischen Interpretierbarkeit<br />
der Regressionsparameter (Brennan et al. 1986) sowie aufgr<strong>und</strong> der Möglichkeit<br />
der gleichzeitigen Verwendung metrischer <strong>und</strong> kategorischer Prädiktorvariablen<br />
(Capen et al. 1986; Noon 1986) häufig bevorzugt (Adler & Wilson 1985). Bei Austin<br />
et al. (1996) <strong>und</strong> Block et al. (1998) führt die logistische Regression in einem Vergleich<br />
mit der Diskriminanzanalyse zu „sparsameren“ <strong>und</strong> robusteren <strong>Modelle</strong>n mit<br />
einer geringeren Anzahl erklärender Variablen. Morrison et al. (1998) konstatieren<br />
eine Ablösung der Diskriminanzanalyse durch die logistische Regression, die auch innerhalb<br />
des Projektes vollzogen wurde (vgl. Schröder 1997; Helms 1997; Schröder<br />
1999 <strong>und</strong> Teppema 1998, unveröff. Dipl.-Arb.). Instruktive Arbeiten der aktuellen<br />
Literatur sind z.B. Lindenmayer (1991), Özesmi & Mitsch (1997), Pereira & Itami<br />
(1991) sowie Peeters & Gardeniers (1998).<br />
Die logistische Regression ermöglicht neben der Vorkommensprognose die Analyse<br />
der Wichtigkeit einzelner Habitatfaktoren bzw. -ansprüche für die Erklärung der<br />
räumlich verteilten Artvorkommen (Lindenmayer et al. 1991; Peeters & Gardeniers<br />
1998). Das Verfahren erlaubt zudem, bestimmte Dimensionen der realisierten Nische<br />
einer Art hinsichtlich einzelner Faktoren quantitativ zu beschreiben (Austin et al.<br />
1990; Pearce et al. 1994; De Swart et al. 1994; Austin et al. 1996). Diese können zum<br />
einen multivariat im Sinne von Hutchinson (1958) als Volumen im multidimensionalen<br />
Hyperraum (Margules et al. 1987; Austin et al. 1990; Pearce et al. 1994), zum<br />
anderen aber auch univariat, d.h. in Bezug auf einen einzelnen Habitatfaktor,<br />
betrachtet werden (z.B. Eyre et al. 1992; Peeters & Gardeniers 1998).
24<br />
2.3.1 Logistische Regression: das Modell<br />
Notationen:<br />
2 Habitatmodelle<br />
Y : abhängige Variable ∈ {0,1} (Nichtvor- bzw. Vorkommen im Biotop)<br />
x v : Parametervektor der k unabhängigen Variablen x1 ... xk (Vektor der<br />
Habitatfaktoren)<br />
v<br />
E[<br />
Y | x]<br />
: Erwartungswert der abhängigen Variablen bei gegebener Ausprägung<br />
von x v<br />
( x)<br />
v<br />
P : Vorkommenswahrscheinlichkeit bei gegebener Ausprägung von x ,<br />
∈ [0,1]; Kurzform für<br />
v<br />
( 1|<br />
x) v<br />
P Y =<br />
v<br />
P 01(<br />
x)<br />
: Inzidenzprognose bei gegebener Ausprägung von x v ; ∈ {0,1}<br />
Pkrit : Schwellenwert der Vorkommenswahrscheinlichkeit zwischen<br />
Vorkommens- <strong>und</strong> Nichtvorkommensprognose<br />
β v : Vektor der k zu schätzenden Regressionskoeffizienten β1 ... βk für die<br />
x1 ... xk unabhängigen Variablen<br />
L : Likelihoodfunktion<br />
D : Devianz = -2 log L = „-2LL“<br />
LR : Likelihood-Ratio-Teststatistik<br />
n : Stichprobengröße<br />
a, b, c, d : Belegungen der Klassifikationsmatrix<br />
AUC : Fläche unter einer ROC (receiver-operating characteristic) - Kurve<br />
Die multiple logistische Regression untersucht die Beziehung zwischen einer Menge<br />
unabhängiger, erklärender Variablen – den untersuchten Habitatfaktoren x – <strong>und</strong><br />
einer dichotomen abhängigen Variable Y – dem Vorkommen (codiert mit „1“) bzw.<br />
Nichtvorkommen der Art (codiert mit „0“). Der Erwartungswert von Y ist auf das<br />
Intervall [0,1] beschränkt. Garantiert wird diese Beschränkung durch die logit-Transformation<br />
der Vorkommenswahrscheinlichkeit, für die letztendlich eine multiple<br />
lineare Regression durchgeführt wird, wie Gl. ( 2-1 ) zeigt.<br />
v<br />
x<br />
v<br />
v ⎛ P(<br />
x)<br />
⎞<br />
[ P( x)] = ln<br />
⎜ v = β + β + + β<br />
P ⎟ 0 1 ...<br />
⎝ 1-<br />
( x)<br />
⎠<br />
logit 1<br />
k k x<br />
( 2-1 )<br />
Nach einer Umformung von Gl. ( 2-1 ) ergibt sich für die Vorkommenswahrscheinlichkeit<br />
der in Gl. ( 2-2 ) gezeigte Ausdruck (vgl. Hosmer & Lemeshow 1989; Trexler<br />
& Travis 1993), der auch als Habitateignung interpretiert werden kann.<br />
β0<br />
+ β1<br />
x1<br />
+ ... + βk<br />
x k<br />
v v e<br />
1<br />
P( x)<br />
= E[<br />
Y | x]<br />
=<br />
=<br />
β0<br />
+ β1<br />
x1<br />
+ ... + βk<br />
x k<br />
− 0 1 1 ... βk<br />
1 + e<br />
1 + e<br />
( β + β x + + x )<br />
k<br />
( 2-2 )<br />
Die Schätzung der Regressionskoeffizienten erfolgt nach dem Maximum-Likelihood-<br />
Verfahren (Jongman et al. 1995). Dabei wird eine Likelihoodfunktion L aufgestellt,<br />
welche die Wahrscheinlichkeit der beobachteten Daten als eine Funktion der unbekannten<br />
Regressionskoeffizienten βi (genauer der zu schätzenden βi ) ausdrückt.<br />
Anstelle von L wird oft mit der Größe -2⋅log L (kurz -2LL) gerechnet. Ihr Wert läßt<br />
sich nach Gl. ( 2-3 ) aus der Devianz berechnen (McCullagh & Nelder 1997; Hosmer<br />
& Lemeshow 1989).<br />
ˆ
2.3 Statistische Verfahren der Habitatmodellierung 25<br />
( x )<br />
( x )<br />
∑ ( )<br />
=<br />
⎥ n ⎡ ⎛ P ⎞<br />
⎛ − ⎞⎤<br />
⎢ ⎜ i<br />
1 P<br />
⎟ + − ⋅<br />
⎜ i<br />
D = − 2 LL = −2<br />
⋅ y i ⋅ ln 1 y i ln<br />
⎟<br />
( 2-3 )<br />
i 1 ⎢⎣<br />
⎝ y i ⎠<br />
⎝ 1 − y i ⎠⎦<br />
Um die Signifikanz einer erklärenden Variable für die Vorhersage der abhängigen<br />
Variable zu bestimmen, werden die Devianzen für ein Modell mit bzw. ohne Berücksichtigung<br />
dieser Variable verglichen (Likelihood-Ratio-Test; Gl. ( 2-4 )). Unter der<br />
Nullhypothese ( β i = 0 für den Einzelschritt bzw. 0 v v β = für das Gesamtmodell) ist<br />
bei ausreichend großem Stichprobenumfang die Teststatistik LR χ 2 -verteilt mit r<br />
Freiheitsgraden (r = Anzahl der zu schätzenden Parameter). Der Vergleich von LR<br />
mit dem entsprechenden kritischen Wert der χ 2 -Verteilung erlaubt die Aussage <strong>zur</strong><br />
Signifikanz der in das oder aus dem Modell genommenen Variable bzw. des Gesamtmodells.<br />
⎡L(<br />
Modell ohne x i ) ⎤<br />
LR = D(<br />
Modell ohne x i ) − D(<br />
Modell mit x i ) = −2<br />
ln⎢<br />
⎥ ( 2-4 )<br />
⎣ L(<br />
Modell mit x i ) ⎦<br />
Vergleicht man sämtliche univariaten, jeweils nur einen einzelnen Habitatfaktor<br />
berücksichtigenden <strong>Modelle</strong>, so können mittels des Wertes der LR-Statistik, d.h. der<br />
erreichten Anpassungsverbesserung bzw. Devianzverringerung, Aussagen <strong>zur</strong> Trennschärfe<br />
der einzelnen Variablen abgeleitet werden (z.B. 2.4.1). Je stärker der Effekt,<br />
den die Berücksichtigung einer Variable gegenüber dem Nullmodell bedeutet (univariater<br />
Fall) bzw. je stärker der Effekt der verbesserten Modellanpassung, der mit<br />
der Hereinnahme einer einzelnen Variable in das Modell verb<strong>und</strong>en ist (multivariater<br />
Fall), desto größer ist der durch diese Variable erklärte Varianzanteil <strong>und</strong> desto besser<br />
vermag diese Variable zwischen den beiden Gruppen Vorkommen <strong>und</strong> Nichtvorkommen<br />
<strong>zur</strong> trennen (Trennschärfe).<br />
Dieser Zusammenhang bestimmt auch die Reihenfolge der Variablenauswahl beim<br />
vor- bzw. rückwärts schrittweisen Verfahren der logistischen Regression (z.B. Neter<br />
et al. 1989; Bart et al. 1998), das über den Test auf signifikante Modellverbesserungen<br />
durch Hinzu- oder Wegnahme einer erklärenden Variablen in das bzw. aus dem<br />
Modell gesteuert wird (Hosmer & Lemeshow 1989). Ausgehend von einem Nullmodell,<br />
welches lediglich die sich aus der relativen Vorkommenshäufigkeit im Datensatz<br />
berechnende Konstante β 0 berücksichtigt, werden Schritt für Schritt so lange<br />
Variablen in das Modell aufgenommen, wie sich – getestet anhand der Likelihood-<br />
Ratio-Teststatistik LR – signifikante Modellverbesserungen ergeben. Beim u.a. von<br />
Mantel (1970) bevorzugten rückwärts schrittweisen Verfahren werden dementsprechend<br />
so lange Variablen aus dem „vollen“, alle erklärenden Variablen berücksichtigenden<br />
Modell genommen, wie sich keine signifikanten Modellverschlechterungen<br />
ergeben. Wie Adler & Wilson (1985) verwende ich in dieser Arbeit für die<br />
Aufnahme in das Modell ein Signifikanzniveau p in von 0.05 <strong>und</strong> für den Ausschluß<br />
aus dem Modell ein Signifikanzniveau p out von 0.10; Hosmer & Lemeshow (1989)<br />
schlagen sogar noch weniger konservative Niveaus vor.
26<br />
2 Habitatmodelle<br />
Vor der Anwendung von schrittweisen Verfahren sollten sämtliche univariaten<br />
<strong>Modelle</strong> analysiert werden (Neter et al. 1989). Neben der „ökonomischen“ schrittweisen<br />
Variablenauswahl werden in der Literatur auch andere Verfahren vorgeschlagen<br />
(Bart et al. 1998). Das aufwendigste ist dabei der Vergleich aller möglichen<br />
Untermengen von Variablenkombinationen (all-possible subset regression, vgl. Brennan et<br />
al. 1986; Neter et al. 1989). Aufgr<strong>und</strong> der Vielzahl der zu schätzenden <strong>Modelle</strong> findet<br />
es in der Praxis kaum Verwendung (Nicholls 1989), wenngleich es nicht den „automatischen“<br />
Charakter der schrittweisen Auswahl aufweist. Lindenmayer et al. (1999)<br />
heben hervor, daß der Prozeß der Modellformulierung ein langwieriges Unterfangen<br />
iterativer Modellschätzungen ist. Sie betonen zudem, daß die abschließende Modellauswahl<br />
ein großes Maß an Erfahrung, Verständnis der zugr<strong>und</strong>eliegenden Theorie<br />
<strong>und</strong> die ökologische <strong>und</strong> empirische Rechtfertigung der ausgewählten Variablen<br />
voraussetzt.<br />
2.3.2 Modellannahmen <strong>und</strong> Voruntersuchungen<br />
2.3.2.1 Problem der räumlichen Autokorrelation<br />
Eine wichtige Annahme, die für das Modell getroffen wird, ist die Unabhängigkeit<br />
der erhobenen Daten (Hosmer & Lemeshow 1989) – eine Annahme, die z.B. durch<br />
räumliche Autokorrelation in den Daten untergraben werden kann (Legendre 1993;<br />
Fielding & Haworth 1995). Autokorrelation findet sich überall, wo Variablen in Zeitreihen<br />
(zeitliche Autokorrelation) bzw. entlang von Umweltgradienten (räumliche<br />
Autokorrelation) aufgenommen werden (Koenig 1999). In der <strong>Ökologie</strong> ist die räumliche<br />
Autokorrelation für kurze Distanzen zumeist positiv, d.h. an nahe benachbarten<br />
Punkten gemessene Variablen weisen ähnliche Werte auf (Legendre & Fortin 1989).<br />
Die Ähnlichkeit der Variablenausprägungen zwischen verschiedenen Untersuchungsflächen<br />
ist also korreliert mit der Distanz zwischen diesen Flächen (Hinch et al.<br />
1994). Entlang eines Gradienten ist diese positive Autokorrelation für kurze<br />
Distanzen gekoppelt mit einer negativen Autokorrelation für weite Distanzen, da die<br />
Variablen, die an weit entfernten Punkten gemessen werden, dann sehr unterschiedliche<br />
Ausprägungen aufweisen (Legendre & Fortin 1989).<br />
Bei positiver räumlicher Autokorrelation kann ein Wert, der an einem bestimmten<br />
Ort erhoben wurde, zu einem gewissen Anteil durch die Werte in der Nachbarschaft<br />
vorhergesagt werden (Legendre 1993). Dieser Wert ist dann aber stochastisch nicht<br />
unabhängig, was eine Verletzung der Modellannahmen bedeutet: jede Beobachtung<br />
resultiert in diesem Fall nicht im Gewinn eines weiteren ganzen Freiheitsgrades für<br />
die Modellbildung. Positive räumliche Autokorrelation führt daher zu dem statistischen<br />
Problem, daß klassische Hypothesentests <strong>und</strong> Teststatistiken aufgr<strong>und</strong> zu eng<br />
geschätzter Konfidenzintervalle zu optimistische Ergebnisse nach sich ziehen<br />
(Legendre & Fortin 1989).<br />
Wird dann versucht, die räumliche Verteilung einer Spezies bei Vorhandensein positiver<br />
räumlicher Autokorrelation zu erklären, so erhöht ein Vorkommen die Vor-
2.3 Statistische Verfahren der Habitatmodellierung 27<br />
kommenswahrscheinlichkeit in der Nachbarschaft (Smith 1994; Augustin et al. 1996;<br />
Li et al. 1997), weshalb die Verläßlichkeit der allein auf Habitatfaktoren beruhenden<br />
<strong>Modelle</strong> relativiert wird (Borcard et al. 1992; Legendre 1993). Eine Überprüfung<br />
hinsichtlich möglicher Auswirkungen räumlicher Autokorrelation erfolgt in meiner<br />
Arbeit auf zwei verschiedenen Wegen.<br />
In Abschnitt 2.4.2.4 wird ein qualitativer Vergleich von Responsekurven durchgeführt<br />
(vgl. Legendre 1993), die Ergebnis dreier unterschiedlicher <strong>Modelle</strong> (Tab. 2-1)<br />
mit <strong>und</strong> ohne Berücksichtigung der räumlichen Koordinaten sind. In diesem Zusammenhang<br />
wird auch eine Trendoberfläche geschätzt (vgl. Unwin 1975; Turner et al.<br />
1991), d.h. ein – hier logistisches – Regressionsmodell, in das allein die geographischen<br />
Koordinaten eingehen (s. Legendre & Fortin 1989; Pereira & Itami 1991;<br />
Dessaint & Caussanel 1994).<br />
Tab. 2-1: <strong>Modelle</strong> <strong>zur</strong> Überprüfung der möglichen Auswirkungen räumlicher Autokorrelation.<br />
Modell 1 logistisches Regressionsmodell ohne Berücksichtigung der räumlichen<br />
Koordinaten, das allein auf den Umweltvariablen beruht.<br />
Modell 2<br />
trendoberflächenbereinigtes Modell, das mit der folgenden Prozedur<br />
geschätzt wird:<br />
• Berechnung einer Trendoberfläche (dritten Grades) mittels logistischer<br />
Regression, bei der nur die Koordinaten (sowie ihre zweite <strong>und</strong><br />
dritte Potenz <strong>und</strong> Interaktionsterme) berücksichtigt werden<br />
• Bestimmung der Logit-Residuen<br />
• Schätzung eines linearen Regressionsmodells für die Residuen unter<br />
Berücksichtigung der Umweltvariablen <strong>und</strong> Umrechnung der Vorhersagewerte<br />
in Vorkommenswahrscheinlichkeiten mittels Gl. ( 2-2 )<br />
Modell 3 logistisches Regressionsmodell, das in gleicher Weise räumliche Koordinaten<br />
<strong>und</strong> Umweltvariablen als Prädiktoren einbezieht.<br />
Alternativ dazu wird in 2.4.2.2 ein Verfahren angewendet, bei dem die in der räumlichen<br />
Autokorrelation vorhandene Information <strong>zur</strong> Erklärung der Verteilung der Art<br />
hinzugezogen wird, indem „Nachbarschaftsvariablen“ (s. 2.2.2) als zusätzliche<br />
Prädiktorvariablen in das Modell integriert werden (vgl. Smith 1994). Über entsprechende<br />
<strong>Modelle</strong>, welche die Heuschreckenvorkommen in vergangenen Untersuchungsphasen<br />
bzw. -jahren (vgl. 2.2.2) als Prädiktoren verwenden (vgl. Buckland et<br />
al. 1996), wird in 2.4.2.3 auch die Bedeutung der Mehrfachbegehungen <strong>und</strong> damit der<br />
zeitlichen Autokorrelation für die Unabhängigkeitsannahme untersucht.<br />
2.3.2.2 Problem der Multikollinearität<br />
Die Verläßlichkeit der <strong>Modelle</strong> verringert sich bei Multikollinearität, d.h. wenn im<br />
Modell hochkorrelierte unabhängige Variablen berücksichtigt werden (Cavallaro et al.<br />
1981; Capen et al. 1986; Neter et al. 1989). Die Gefahr, ein durch Multikollinearität<br />
verzerrtes Modell zu erhalten, ist bei der schrittweisen Modellbildung nicht so groß,<br />
da Prädiktorvariablen, die mit einer bereits im Modell berücksichtigten erklärenden<br />
Variable hoch korreliert sind, aufgr<strong>und</strong> ihres sehr ähnlichen Informationsgehaltes<br />
kaum <strong>zur</strong> Modellverbesserung beitragen können <strong>und</strong> so durch den LR-Test –
28<br />
2 Habitatmodelle<br />
Gl. (2-5) – nicht berücksichtigt werden. Um lineare Zusammenhänge zwischen den<br />
erklärenden Variablen aufzudecken, werden deshalb bivariate Korrelationskoeffizienten<br />
berechnet (vgl. Fielding & Haworth 1995; Özesmi & Mitsch 1997). Bei Auftreten<br />
stärkerer Korrelationen wird nur eine der korrelierten Variablen für die Modellierung<br />
verwendet. Die in dieser Arbeit verwendeten Habitatfaktoren weisen untereinander<br />
keine starken Korrelationen auf, wie Tab. 2-2 zeigt.<br />
Tab. 2-2: Bivariate Rangkorrelationskoeffizienten nach Spearman (ρ) zwischen den auf metrischem<br />
Niveau erhobenen Habitatfaktoren (Bedeckungsgrade [%] <strong>und</strong> Vegetationshöhe [cm])<br />
für sämtliche im Drömling erhobenen Daten.<br />
ρ<br />
Carex-Bed.<br />
[%]<br />
Juncus-Bed.<br />
[%]<br />
Glyceria-Bed.<br />
[%]<br />
Veg.-höhe<br />
[cm]<br />
Carex-Bed. [%] 0.444 ∗∗∗ 0.342 ∗∗∗ 0.173 ∗∗∗<br />
Juncus-Bed. [%] 0.444 ∗∗∗ 0.097 ∗∗ 0.164 ∗∗∗<br />
Glyceria-Bed. [%] 0.342 ∗∗∗ 0.097 ∗∗ 0.200 ∗∗∗<br />
Veg.-höhe [cm] 0.173 ∗∗∗ 0.164 ∗∗∗ 0.200 ∗∗∗<br />
∗∗∗ ( ∗∗ ) : Korrelation ist signifikant (2-seitig) mit p
2.3 Statistische Verfahren der Habitatmodellierung 29<br />
( Nullmodell)<br />
⎞<br />
⎟ ⎛ D<br />
R = 1−<br />
⎜<br />
( 2-5 )<br />
⎝ D(Modell)<br />
⎠<br />
( Nullmodell)<br />
1<br />
(Modell) ⎟ ⎛ L<br />
⎞<br />
⎜<br />
⎝ L ⎠<br />
2 / n<br />
2<br />
R Cox & Snell = −<br />
( 2-6 )<br />
2<br />
2 R Cox & Snell<br />
2<br />
2 / n<br />
R Nagelkerke = mit R max = 1 − ( L(<br />
Nullmodell ) ) 2<br />
( 2-7 )<br />
R max<br />
2.3.3.2 Modelldiskriminierung I – Klassifikationsmatrix<br />
Da die berechneten Vorkommenswahrscheinlichkeiten <strong>zur</strong> Vorkommensprognose<br />
genutzt werden sollen, ist es ein gängiges Verfahren, diese Prognosen in einer Klassifikationsmatrix<br />
den Beobachtungen gegenüberzustellen (z.B. Lindenmayer et al.<br />
1991; Pearce et al. 1994; Austin et al. 1996; Fielding & Bell 1997). Dies ist gleichbedeutend<br />
mit einer Abgrenzung von Habitaten auf einer Karte, bei der ein Schwellenwert<br />
der Vorkommenswahrscheinlichkeit (P krit) gewählt werden muß, ab dem ein<br />
Biotop als Habitat angesehen wird (Akçakaya & Atwood 1997). Mittels einer Klassifikationsregel<br />
(Gl. ( 2-8 )) werden hierfür aus den vorhergesagten Vorkommenswahrscheinlichkeiten<br />
P dichotome Vorkommensprognosen P 01 abgeleitet <strong>und</strong> mit den<br />
Beobachtungen verglichen (s. Abb. 2-1). Die Klassifikationsraten, d.h. die Belegungen<br />
der Klassifikationsmatrix, sind dabei stark vom gewählten Klassifikationsschwellenwert<br />
abhängig (Noon 1986; Hosmer & Lemeshow 1989).<br />
Prognose P01 = {<br />
Nichtvorkommen (0) falls P < Pkrit<br />
Vorkommen (1) falls P ≥ Pkrit<br />
Klassifikationsmatrix (2 x 2-Kontingenztafel):<br />
Daten<br />
1 0<br />
Prog- 1 a b a+b<br />
nose 0 c d c+d<br />
a+c b+d n<br />
0 : Nichtvorkommen<br />
1 : Vorkommen<br />
a : Anzahl korrekter Vorkommensprognosen<br />
b : Anzahl falscher Vorkommensprognosen (Fehler 1. Art)<br />
c : Anzahl falscher Nichtvorkommensprognosen (Fehler 2. Art)<br />
d : Anzahl korrekter Nichtvorkommensprognosen<br />
(a+c) / n: Prävalenz (Anteil der Vorkommen)<br />
( 2-8 )<br />
Abb. 2-1: Klassifikationsmatrix <strong>zur</strong> Gegenüberstellung von beobachteten Daten <strong>und</strong> Vorkommensprognose.<br />
Die Prävalenz bezeichnet die relative Häufigkeit der Vorkommen auf den untersuchten<br />
Biotopen. Aus der Klassifikationsmatrix lassen sich u.a. die in Tab. 2-3 aufgeführten<br />
Güteparameter berechnen (vgl. Lindenmayer et al. 1991; Pearce et al. 1994).
30<br />
2 Habitatmodelle<br />
Tab. 2-3: Aus einer Klassifikationsmatrix ableitbare Güteparameter (vgl. Fielding & Bell 1997).<br />
Güteparameter Berechnung aus Klassifikationsmatrix in Abb. 2-1 1<br />
Anteil korrekter Prognosen (a+d) / n<br />
Sensitivität a / (a+c)<br />
Spezifizität d / (b+d)<br />
1 mit a, b, c, d : Belegungen der Klassifikationsmatrix s. Abb. 2-1<br />
Bei jeder Klassifikation können zwei Fehler begangen werden, die inhaltlich unterschieden<br />
werden müssen. Falsche Vorkommensprognosen (d.h. Prognose: Präsenz<br />
bei beobachteter Absenz) – bei Morrison et al. (1998) der Fehler 1. Art – können z.B.<br />
dadurch entstehen, daß nicht alle potentiell geeigneten Habitate besetzt sind (Fielding<br />
& Haworth 1995; Dennis & Eales 1999). Weitere mögliche Gründe sind, daß das<br />
Modell mindestens einen qualitätsmindernden Faktor nicht berücksichtigt, oder daß<br />
es die Bedingungen, die für ein Vorkommen notwendig sind, un<strong>zur</strong>eichend beschreibt.<br />
Außerdem lassen sie sich durch Fehler bei der Datenaufnahme – d.h. nicht<br />
gef<strong>und</strong>ene Individuen – erklären. Da ein tatsächliches Nichtvorkommen methodisch<br />
nicht so sicher festzustellen ist wie ein Vorkommen (Helms 1997), kann ein Fehler 1.<br />
Art nicht so schwerwiegend bewertet werden.<br />
Falsche Nichtvorkommensprognosen – Prognose: Absenz bei beobachtetem Vorkommen<br />
(Fehler 2. Art bei Morrison et al. 1998) – können ebenfalls in einem un<strong>zur</strong>eichenden<br />
Modell begründet sein, welches mindestens einen qualitätsfördernden<br />
Faktor nicht berücksichtigt. Auch wandernde, einzelne Individuen in einem eigentlich<br />
ungeeigneten Habitat können einen solchen Fehler verursachen (s. 2.6.4.3).<br />
Die Auswirkungen der beiden möglichen Fehler hängen von der Modellanwendung<br />
ab: Fehler 1. Art sollten dann minimiert werden, wenn durch Modellfehler – z.B. bei<br />
einer geplanten Verbesserung der Umweltbedingungen für potentiell geeignetes Habitat<br />
– erhöhte Kosten verursacht werden (Morrison et al. 1998). Fehler der 2. Art<br />
sind immer dann kritisch, wenn bei geplanten Eingriffen in die Landschaft fehlerhaft<br />
als ungeeignet klassifizierte Habitate dem Eingriff zum Opfer fallen (Morrison et al.<br />
1998; Kuhn 1998).<br />
Da die Gütemaße in Tab. 2-3 aus der Klassifikationsmatrix (Abb. 2-1) berechnet<br />
werden, hängen auch sie stark von der Lage des Klassifikationsschwellenwertes Pkrit ab, wie Abb. 2-2 verdeutlicht (vgl. Fielding & Bell 1997; Schröder 1999/2000).<br />
Während einige Autoren a priori feste Schwellenwerte annehmen (z.B. Austin et al.<br />
1990; Pearce et al. 1994; Pausas et al. 1995), wählen andere den Pkrit-Wert ex posteriori,<br />
d.h. nach Anpassung des Modells <strong>und</strong> Berechnung der prognostizierten Vorkommenswahrscheinlichkeiten.<br />
So selektieren Özesmi & Mitsch (1997) denjenigen<br />
Wert, der den Anteil korrekter Klassifikationen maximiert (Pkrit = Popt). Capen et al.<br />
(1986) hingegen wählen diejenige Vorkommenswahrscheinlichkeit als Schwellenwert,<br />
bei der Sensitivität <strong>und</strong> Spezifizität denselben Wert annehmen (Pkrit = Pfehlergerecht, vgl.<br />
Abb. 2-2). Im Zuge der <strong>Modelle</strong>ntwicklungen werden die Klassifikationsergebnisse in<br />
dieser Arbeit für diese beiden charakteristischen Schwellenwerte gegenübergestellt (s.<br />
beispielsweise Tab. 2-9).
2.3 Statistische Verfahren der Habitatmodellierung 31<br />
Gütemaß [%]<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
Anteil<br />
korrekter<br />
Prognosen<br />
Spezifizität Sensitivität<br />
10<br />
0<br />
Poptimal Pfehlergerecht 0,0 0,2 0,4 0,6 0,8 1,0<br />
Klassifikationsschwellenwert P krit<br />
Anteil korr. Prognosen Sensitivität Spezifizität<br />
[%]<br />
[%]<br />
[%]<br />
Popt = 0.414 76.8 89.8 59.9<br />
Pfehlergerecht = 0.584 73.7 73.7 73.7<br />
Abb. 2-2: Abhängigkeit des Anteils korrekter Prognosen, der Sensitivität <strong>und</strong> der Spezifizität<br />
von der Wahl des Klassifikationsschwellenwertes Pkrit . Dargestellt ist die Ableitung der zwei ex<br />
posteriori erhaltenen Klassifikationsschwellenwerte Popt <strong>und</strong> Pfehlergerecht für ein Beispielmodell.<br />
2.3.3.3 Modelldiskriminierung II – receiver-operating-characteristic (ROC-Kurve)<br />
Die Abhängigkeit von einzelnen Klassifikationsschwellenwerten beschränkt den Aussagegehalt<br />
der Modellbeurteilungen sehr. Außerdem birgt sie die Gefahr, trennscharfe<br />
<strong>Modelle</strong> nur aufgr<strong>und</strong> eines nicht adäquat gewählten P krit-Wertes als unbrauchbar<br />
zu verwerfen (Altman et al. 1994). Aus diesem Gr<strong>und</strong> wird in meiner<br />
Arbeit ein schwellenwertunabhängiges, bis jetzt selten benutztes, aber oftmals angemessenes<br />
(Fielding & Bell 1997) Bewertungsverfahren der Klassifikationsgüte eines<br />
Modells, die receiver-operating-characteristic-Kurve, kurz: ROC-Kurve (Hanley & McNeil<br />
1982) angewendet. Eine solche ROC-Kurve entspricht einem Streudiagramm, in dem<br />
die Sensitivität gegen 1-Spezifizität (vgl. Tab. 2-3) für sämtliche P krit-Werte aus [0,1]<br />
aufgetragen wird (s. Hanley & McNeil 1982; Zweig & Campbell 1993 sowie<br />
Abb. 2-3).<br />
Das Verfahren ermöglicht eine Beurteilung der Klassifikation unabhängig von einzelnen<br />
Klassifikationsschwellenwerten, da der gesamte Bereich möglicher Schwellen<br />
betrachtet wird. Die Fläche unter der ROC-Kurve (AUC bei Hanley & McNeil 1982,<br />
c-Statistik bei Norušis 1997) ist ein integrierendes Gütemaß, welches die Eignung des<br />
Modells <strong>zur</strong> Klassifizierung beschreibt. Sie kann Werte zwischen 0.5 (für ein Zufallsmodell)<br />
<strong>und</strong> 1 (bei perfekter Trennung zwischen den Gruppen) annehmen (vgl.<br />
Abb. 2-3).
32<br />
Sensitivität<br />
1,0<br />
0,8<br />
0,6<br />
0,4<br />
0,2<br />
Zufallsmodell (AUC = 0.5)<br />
AUC = 0.74<br />
AUC = 0.82<br />
Perfektes Modell (AUC = 1)<br />
0,0<br />
0,0 0,2 0,4 0,6 0,8 1,0<br />
1 - Spezifizität<br />
Abb. 2-3: Receiver-operating-characteristic-(ROC-)Kurven für Beispielmodelle.<br />
2 Habitatmodelle<br />
Die Fläche unterhalb der ROC-Kurve läßt sich nach einer Gruppierung der Vorkommenswahrscheinlichkeiten<br />
in eine größere Anzahl distinkter Gruppen aus dem<br />
Zusammenhangsmaß Somer's D berechnen (Norušis 1997; Gl. ( 2-9 )), welches aus<br />
den Anzahlen konkordanter <strong>und</strong> diskordanter Beobachtungspaare ermittelt wird (vgl.<br />
Kuhn 1998).<br />
AUC = 0.<br />
5+<br />
Somer'<br />
s D<br />
2<br />
( 2-9 )<br />
Ein Wert von AUC = 0.75 bedeutet, daß in 75% aller Fälle für eine zufällig gewählte<br />
Untersuchungsfläche mit nachgewiesenem Vorkommen eine größere Vorkommenswahrscheinlichkeit<br />
berechnet wurde, als für eine zufällig gewählte Untersuchungsfläche<br />
mit Nichtvorkommen (Fielding & Bell 1997). Zur Modellbeurteilung werden<br />
im Ergebnisteil allgemein die in Tab. 2-4 aufgelisteten Kriterien angegeben.<br />
Tab. 2-4: Gütekriterien, die im Ergebnisteil <strong>zur</strong> Modellbeurteilung angegeben werden.<br />
Modelldiskriminierung:<br />
• ROC-Kurve (receiver-operating-characteristic-Kurve)<br />
• AUC (mit 95%-Konfidenzintervall, kurz: CI95%)<br />
• Anteil korrekter Klassifikationen, Sensitivität <strong>und</strong> Spezifizität für zwei Klassifika-<br />
tionsmatrizen:<br />
- Klassifikationsmatrix mit maximalem Anteil korrekter Klassifikationen (Pkrit = Popt)<br />
- Klassifikationsmatrix, bei der Sensitivität ≈ Spezifizität ≈ Anteil korrekter<br />
Prognosen (Pkrit = Pfehlergerecht )<br />
Modellkalibrierung:<br />
• Bestimmtheitsmaß R 2 Nagelkerke , kurz: R 2 N
2.3 Statistische Verfahren der Habitatmodellierung 33<br />
2.3.4 Kreuzvalidierung<br />
Werden sämtliche <strong>zur</strong> <strong>Modelle</strong>ntwicklung benutzten Daten auch <strong>zur</strong> Beurteilung der<br />
Modellgüte herangezogen, so liefert die Modellierung zu optimistische Güteprognosen,<br />
da diese dann auf der Basis derjenigen Daten bestimmt werden, an die das<br />
Modell optimal angepaßt ist (s. Deichsel & Trampisch 1985; Verbyla & Litaitis 1989).<br />
Realistischere Schätzungen der Klassifikationsgüte erhält man durch die Validierung<br />
des Modells anhand unabhängiger Testdaten, die nicht <strong>zur</strong> Modellbildung verwendet<br />
wurden. Hierzu bieten sich Modellübertragungen in andere Untersuchungsjahre oder<br />
-gebiete an (vgl. Abschnitt 3 <strong>und</strong> z.B. Capen et al. 1986; Fielding & Haworth 1995).<br />
Stehen keine Daten anderer Untersuchungsjahre oder -gebiete <strong>zur</strong> Verfügung, so ist<br />
die Anwendung von Resampling-Techniken angeraten (Burnham & Anderson 1992;<br />
Chatfield 1995). Verbyla & Litaitis (1989) schlagen u.a. eine zehnfache Kreuzvalidierung<br />
vor, bei welcher der Datensatz in zehn etwa gleich große, zufällig festgelegte<br />
Teile gespalten wird. Reihum werden jeweils 9 / 10 der Daten als Trainingsdaten<br />
genutzt, d.h. auf ihrer Gr<strong>und</strong>lage wird das Modell angepaßt. Für das verbleibende<br />
Zehntel der Daten, die Testdaten, werden dann Vorkommenswahrscheinlichkeiten<br />
berechnet <strong>und</strong> die Klassifikationsgüte jeweils nur für diese Daten bestimmt.<br />
2.3.5 Interpretation der Regressionsmodelle durch Responsekurven<br />
Zum Abschluß des Methodenteils werden <strong>zur</strong> Erläuterung der Regressionsmodelle<br />
zunächst beispielhaft einige <strong>Modelle</strong> in Form von Responsekurven bzw. -oberflächen<br />
vorgestellt. Sie charakterisieren <strong>und</strong> quantifizieren beispielhaft bestimmte Dimensionen<br />
der realisierten Nische von Conocephalus dorsalis.<br />
2.3.5.1 Response innerhalb eines Umweltgradienten - univariate <strong>Modelle</strong><br />
An dieser Stelle werden anhand der Abhängigkeit des Vorkommens von C. dorsalis<br />
von der Vegetationshöhe die verschiedenen Formen univariater logistischer Regressionsmodelle<br />
beispielhaft vorgestellt. Abb. 2-4 zeigt entsprechende Responsekurven,<br />
deren Gestalt davon abhängt, ob die erklärende Variable linear oder zusätzlich auch<br />
quadratisch in das Modell eingeht. Tab. 2-5 listet die geschätzten Regressionskoeffizienten<br />
samt Standardfehler für das Null-, das sigmoidale <strong>und</strong> das unimodale Modell<br />
auf. Ebenfalls aufgeführt wird die Signifikanz dafür, daß die Regressionskoeffizienten<br />
von 0 verschieden sind, was bedeutet, daß der entsprechende Habitatfaktor signifikant<br />
<strong>zur</strong> Erklärung der Varianz des Vorkommens beitragen kann (vgl. Gl. ( 2-4 )).<br />
Der zugehörige p-Wert bezeichnet dann die Wahrscheinlichkeit dafür, die Nullhypothese<br />
(H 0: β i = 0) fälschlicherweise abzulehnen.
34<br />
Vorkommenswahrscheinlichkeit<br />
1,0<br />
0,8<br />
0,6<br />
0,4<br />
0,2<br />
Daten<br />
Modell 1<br />
Modell 2<br />
0,0<br />
0 50 100 150 200 250<br />
Vegetationshöhe [cm]<br />
2 Habitatmodelle<br />
Abb. 2-4: Conocephalus dorsalis – Univariate Regressionsmodelle für den Schlüsselfaktor Vege-<br />
tationshöhe. Modell I: Annahme eines linearen Zusammenhanges zwischen dem logit <strong>und</strong> der<br />
Vegetationshöhe (sigmoidales Modell); Modell II: Annahme eines quadratischen Zusammen-<br />
hanges (Gauß-Logit-Modell). Erhebungsdaten aus dem Drömling sind als relative Häufigkeit des<br />
Vorkommens in Bezug auf Vegetationshöhenklassen dargestellt.<br />
Eine linear in das Modell eingehende Variable steht für einen sigmoidalen Zusammenhang<br />
(vgl. Jongman et al. 1995, Modell 1 in Abb. 2-4), während quadratische<br />
Terme im Modell einen unimodalen Zusammenhang (Gauß-Logit-Modell, hier<br />
Modell 2) charakterisieren, wenn die geschätzten Regressionskoeffizienten für den<br />
linearen Term positiv, für den quadratischen negativ sind (vgl. Eyre et al. 1992;<br />
Peeters & Gardeniers 1998 <strong>und</strong> Abb. 2-4). Dieser Fall bedeutet, daß für die zu untersuchende<br />
Art – betrachtet man diese Variable allein – nur mittlere Ausprägungen<br />
geeignet sind. Jongman et al. (1995) leiten aus den für solche Gauß-Logit-<strong>Modelle</strong><br />
geschätzten Regressionskoeffizienten ökologisch relevante Parameter wie Optimum<br />
<strong>und</strong> Toleranz ab.<br />
Tab. 2-5: Regressionskoeffizienten der in Abb. 2-4 dargestellten <strong>Modelle</strong>.<br />
Modell 0: Nullmodell<br />
Variable Regressionskoeffizient<br />
β<br />
Standardfehler<br />
von β<br />
Signifikanz<br />
Konstante -0.0931 0.0486 0.0554<br />
Modell 1: Sigmoidales logistisches Regressionsmodell für die Vegetationshöhe<br />
Konstante -0.8415 0.0856
2.3 Statistische Verfahren der Habitatmodellierung 35<br />
2.3.5.2 Realisierte multidimensionale Nische - multivariate <strong>Modelle</strong><br />
Werden zusätzlich weitere Variablen in die <strong>Modelle</strong> integriert, so lassen sich<br />
Responseoberflächen generieren, die Vorkommenswahrscheinlichkeiten der Art in<br />
Abhängigkeit zweier Habitatfaktoren darstellen. Abb. 2-5 zeigt beispielhaft eine<br />
solche Oberfläche. In das zugehörige Modell geht die Vegetationshöhe linear <strong>und</strong><br />
quadratisch ein (unimodaler Zusammenhang), die Carex-Bedeckung positiv linear (s.<br />
Tab. 2-6), d.h. mit zunehmendem Bedeckungsgrad sigmoidal ansteigend.<br />
Kategorische Prädiktorvariablen – wie in dieser Arbeit der Biotoptyp <strong>und</strong> die landwirtschaftliche<br />
Nutzung – werden <strong>zur</strong> Integration in die <strong>Modelle</strong> in dichotome<br />
Dummy-Variablen umcodiert, für die jeweils einzelne Regressionskoeffizienten geschätzt<br />
werden (Hosmer & Lemeshow 1989; Kodierungsschemata s. Norušis 1997).<br />
Tab. 2-6: Regressionskoeffizienten des in Abb. 2-5 dargestellten Modells.<br />
Bivariates logistisches Regressionsmodell nur für die Vegetationshöhe <strong>und</strong> die<br />
Carex-Bedeckung<br />
Variable Regressionskoeffizient<br />
β<br />
Standardfehler<br />
von β<br />
Signifikanz<br />
Konstante -2.2464 0.2048
36<br />
2.4 Ergebnisse<br />
2 Habitatmodelle<br />
Die Darstellung der Ergebnisse gliedert sich analog der in 2.2.4 aufgeführten Modellhierarchie<br />
(vgl. Tab. 2-7). Dabei wird der Einfluß der Einbeziehung von Vegetationsstrukturvariablen,<br />
der Berücksichtigung von Häufigkeitsdaten <strong>und</strong> der Berechnung<br />
von autologistischen <strong>Modelle</strong>n auf die Prognosegüte untersucht, wobei sich sowohl<br />
der Komplexitätsgrad der <strong>Modelle</strong> als auch die Qualität der Prognose erhöhen. In der<br />
Hauptsache werden die <strong>Modelle</strong> für C. dorsalis entwickelt; <strong>Modelle</strong> für die zweite<br />
Zielart S. grossum finden sich in 2.4.3 bzw. im Anhang A2.3 <strong>und</strong> A2.4.<br />
Tab. 2-7: Gliederung der Ergebnisse anhand der in 2.2.4 aufgeführten Hierarchie der<br />
erklärenden Variablen.<br />
Biotoptyp<br />
Habitatfaktoren<br />
Vegetationsstruktur<br />
Nachbarschaft<br />
Ergebniskapitel s. Tabelle<br />
2.4.1<br />
Tab. 2-8<br />
Tab. 2-9<br />
2.4.1<br />
Tab. 2-8<br />
Tab. 2-9<br />
2.4.2.1<br />
Tab. 2-11<br />
Tab. 2-12<br />
2.4.2.2<br />
2.4.2.4<br />
Tab. 2-13<br />
Tab. 2-15<br />
Tab. A2-1<br />
2.4.1 Realisierte multidimensionale Nische – vorwärts schrittweise erstelltes<br />
allgemeines Modell<br />
Aus den in Tab. 1-5 aufgeführten Habitatfaktoren wurden mittels multipler schrittweiser<br />
logistischer Regression Habitatmodelle entwickelt (vgl. Schröder 1999). Anhand<br />
einer vorwärts schrittweisen Durchführung wird die für alle anderen <strong>Modelle</strong><br />
ebenfalls verwendete Ergebnisdarstellung eingeführt. Hierbei geben Tab. 2-8 die<br />
Güte der Modellanpassung wider, Tab. 2-9 <strong>und</strong> Abb. 2-6 den Klassifikationserfolg.<br />
Tab. 2-8: Conocephalus dorsalis – Gütekriterien der Modellanpassung für ein vorwärts schrittweise<br />
erstelltes Habitatmodell (Datengr<strong>und</strong>lage: alle verfügbaren Daten des Drömlings).<br />
Variable Kürzel R [%] R 2 Cox & Snell R 2 Nagelkerke<br />
Biotoptyp BT 9.2 0.120 0.160<br />
+ Vegetationshöhe V 12.2 0.155 0.207<br />
+ Vegetationshöhe 2 V 2 19.1 0.232 0.310<br />
+ Juncus-Bedeckung J 20.6 0.248 0.331<br />
+ Nutzung N 22.8 0.271 0.361<br />
+ Carex-Bedeckung C 23.5 0.278 0.370<br />
+ Carex-Bedeckung 2 C 2 24.2 0.285 0.380<br />
= vorwärts schrittweise erstelltes Gesamtmodell 24.2 0.285 0.380
2.4 Ergebnisse 37<br />
Tab. 2-9: Conocephalus dorsalis – Gütekriterien der Modellklassifikation für ein vorwärts<br />
schrittweise erstelltes Habitatmodell (vgl. Abb. 2-6 <strong>und</strong> Tab. 2-8).<br />
Variable Kürzel AUC [CI95%]<br />
Popt A<br />
(% korrekt |<br />
Sensitivität |<br />
Spezifizität)<br />
Pfehlergerecht B<br />
(% korrekt)<br />
Biotoptyp BT 0.69 [0.66; 0.72] 64.8 | 79.2 | 51.4 63.3<br />
+ Vegetationshöhe V 0.75 [0.72; 0.77] 69.6 | 69.4 | 69.5 69.5<br />
+ Vegetationshöhe 2 V 2 0.78 [0.76; 0.81] 72.0 | 75.2 | 69.0 71.1<br />
+ Juncus-Bedeckung J 0.79 [0.77; 0.82] 72.0 | 81.1 | 63.5 71.1<br />
+ Nutzung N 0.81 [0.78; 0.83] 73.1 | 84.7 | 62.3 72.5<br />
+ Carex-Bedeckung C 0.81 [0.79; 0.83] 73.4 | 70.2 | 76.3 73.2<br />
+ Carex-Bedeckung 2 C 2 0.81 [0.79; 0.84] 73.9 | 71.5 | 76.1 73.6<br />
= vorwärts schrittweise er-<br />
stelltes Gesamtmodell<br />
0.81 [0.79; 0.84] 73.9 | 71.5 | 76.1 73.6<br />
A „Optimalmodell“ mit Pkrit = Popt ⇔ %korrekt = maximal<br />
B „fehlergerechtes Modell“ mit Pkrit = Pfehlergerecht ⇔ %korrekt ≈ Sensitivität ≈ Spezifizität<br />
Mit der Hereinnahme jeder zusätzlichen erklärenden Variable – hinsichtlich ihrer<br />
statistischen Signifikanz getestet mittels LR-Test (s.o.) – ergeben sich eine verbesserte<br />
Modellanpassung (Tab. 2-8) <strong>und</strong> eine verbesserte Prognosegüte für das „Optimal-“<br />
<strong>und</strong> das „fehlergerechte“ Modell (Tab. 2-9) sowie gemessen an der Fläche unterhalb<br />
der ROC-Kurve (AUC-Wert, s. Abb. 2-6).<br />
Sensitivität<br />
1,0<br />
0,8<br />
0,6<br />
0,4<br />
0,2<br />
<strong>Modelle</strong>ntwicklung<br />
Zufallsmodell<br />
BT<br />
BT, V<br />
BT, V, V 2<br />
BT, V, V 2<br />
, J<br />
BT, V, V 2<br />
, J, N<br />
BT, V, V 2<br />
, J, N, C<br />
BT, V, V 2<br />
, J, N, C, C 2<br />
0,0<br />
0,0 0,2 0,4 0,6 0,8 1,0<br />
1 - Spezifizität<br />
Abb. 2-6: Conocephalus dorsalis – ROC-Kurven für eine vorwärts schrittweise multiple logisti-<br />
sche Regression (Datengr<strong>und</strong>lage: alle verfügbaren Daten des Drömlings; Kürzel: s. Tab. 2-8<br />
<strong>und</strong> Tab. 2-9).
38<br />
2.4.1.1 Effekt der Kreuzvalidierung<br />
2 Habitatmodelle<br />
Das in Abschnitt 2.4.1 vorgestellte Modell (Tab. 2-8) beruht auf sämtlichen für den<br />
Drömling verfügbaren Daten aus den drei Untersuchungsjahren für die Art C. dorsalis<br />
<strong>und</strong> schätzt deshalb die Prognosegüte zu optimistisch ein (s. 2.3.4). Um seine<br />
Robustheit abzuschätzen, wurde ein Vergleich mit einem zehnfach kreuzvalidierten<br />
durchgeführt, dessen Ergebnisse Tab. 2-10 zeigt.<br />
Tab. 2-10: Conocephalu s dorsalis – Gütekriterien für ein kreuzvalidiertes <strong>und</strong> ein unvalidiertes<br />
Modell (Datengr<strong>und</strong>lage: alle verfügbaren Daten).<br />
Modell AUC [CI95%] R 2 N<br />
Popt<br />
(% korrekt | Sens. | Spez.)<br />
Pfehlergerecht<br />
(% korrekt)<br />
nicht<br />
0.81 [0.79; 0.84] 0.380<br />
kreuzvalidiert<br />
73.9 | 71.5 | 76.1 73.6<br />
10-fach<br />
kreuzvalidiert<br />
0.80 [0.77; 0.82] 0.3691 72.6 | 82.2 | 63.7 71.8<br />
1 gemittelt aus den zehn der Kreuzvalidierung zugr<strong>und</strong>eliegenden <strong>Modelle</strong>n<br />
Die Prognosegüten für den unvalidierten <strong>und</strong> den kreuzvalidierten Fall weichen nicht<br />
stark voneinander ab, wobei das kreuzvalidierte Modell, da es immer den nicht <strong>zur</strong><br />
Modellschätzung verwendeten Teil der Daten klassifiziert, eine etwas geringere Güte<br />
aufweist (vgl. Verbyla & Litaitis 1989; Fielding & Haworth 1995).<br />
2.4.2 Erweiterung der Habitatmodelle durch zusätzliche Prädiktorvariablen<br />
2.4.2.1 Einbeziehung von Vegetationsstrukturvariablen<br />
Unabhängig vom Verfahren – vorwärts oder rückwärts schrittweise – bringt die Hinzunahme<br />
der Vegetationsstrukturvariablen (Tab. 2-11) eine erhebliche Verbesserung<br />
der Prognosegüte mit sich (Abb. 2-7 <strong>und</strong> Tab. 2-12).<br />
Tab. 2-11: In die <strong>Modelle</strong> für Conocephalu s dorsalis aufgenommene Vegetationsstrukturvariablen<br />
(vgl. Tab. 1-6).<br />
• Horizontalstruktur der Krautschicht<br />
• Wuchsform der Individuen der Krautschicht<br />
• Deckung abgestorbener, stehender Phytomasse<br />
• Vertikalstruktur (Höhe der lebenden Biomasse)<br />
• Heterogenität der Schichtung in der Krautschicht<br />
Dabei führen sowohl die sonst verwendeten Umweltvariablen (einfache Habitatfaktoren,<br />
kurz: UV), als auch die Strukturvariablen allein zu guten <strong>Modelle</strong>n. Der hier<br />
um die Flächen ohne Vegetationsstrukturkartierung verringerte Datensatz enthält<br />
weniger Inkonsistenzen, weshalb der Klassifikationserfolg <strong>und</strong> die Bestimmtheitsmaße,<br />
die durch die Habitatfaktoren erreicht werden, hier besser sind, als für den<br />
vollen Datensatz in Tab. 2-9.
2.4 Ergebnisse 39<br />
Tab. 2-12: Gütekriterien der <strong>Modelle</strong> mit <strong>und</strong> ohne Einbeziehung der Variablen aus der Vegetationsstrukturkartierung<br />
(vor- u. rückwärts schrittweise Modellbildung (v bzw. r).<br />
Variable AUC [CI95%] R 2 N<br />
Popt<br />
(% korrekt |<br />
Sens. | Spez.)<br />
Pfehlergerecht<br />
(% korrekt)<br />
nur Strukturvar. (v=r) 0.77 [0.72; 0.82] 0.328 70.3 | 88.4 | 47.1 68.1<br />
nur Umweltvar./UV (v) 0.86 [0.82; 0.90] 0.498 78.3 | 74.4 | 83.2 75.1<br />
nur UV (r) 0.87 [0.84; 0.91] 0.513 82.2 | 74.9 | 91.6 76.0<br />
UV (v) + Struktur (v) 0.90 [0.87; 0.93] 0.606 83.9 | 84.4 | 83.2 83.6<br />
UV (v) + Struktur (r) 0.92 [0.89; 0.94] 0.641 84.2 | 85.4 | 82.6 82.5<br />
UV (r) + Struktur (v) 0.91 [0.89; 0.94] 0.628 85.0 | 86.9 | 82.6 83.6<br />
UV (r) + Struktur (r) 0.93 [0.90: 0.95] 0.663 87.6 | 91.0 | 83.2 84.5<br />
UV (r) + Struktur (r)<br />
0.86 [0.82; 0.90] 0.659<br />
10-fach kreuzvalidiert<br />
1 79.8 | 83.9 | 74.5 78.4<br />
1 gemittelt aus den zehn der Kreuzvalidierung zugr<strong>und</strong>eliegenden <strong>Modelle</strong>n<br />
Sensitivität<br />
1,0<br />
0,8<br />
0,6<br />
0,4<br />
0,2<br />
<strong>Modelle</strong>ntwicklung<br />
Zufallsmodell<br />
nur Struktur (v=r)<br />
nur UV (v)<br />
nur UV (r)<br />
UV (r) + Struktur (r)<br />
10-fach kreuz.valid.<br />
UV (r) + Struktur (r)<br />
0,0<br />
0,0 0,2 0,4 0,6 0,8 1,0<br />
1 - Spezifizität<br />
Abb. 2-7: Conocephalus dorsalis – ROC-Kurven für <strong>Modelle</strong> mit <strong>und</strong> ohne Einbeziehung der<br />
Variablen aus der Vegetationsstrukturkartierung.<br />
Charakteristischerweise ergeben rückwärts schrittweise erstellte <strong>Modelle</strong> hier bessere<br />
Prognosegüten als vorwärts schrittweise erstellte. Der Gr<strong>und</strong> dafür liegt im Signifikanzkriterium,<br />
welches im Standardfall für die Aufnahme einer Variable ins Modell<br />
restriktiver gewählt wird als für den Ausschluß aus dem Modell (s. 2.3.1: p in: 0.05; p out:<br />
0.10; vgl. Adler & Wilson 1985; Hosmer & Lemeshow 1989). Verwendet man für p out<br />
denselben Wert wie für p in, so ergeben sich hier für das rückwärts schrittweise<br />
Verfahren dieselben <strong>Modelle</strong>, wie bei der vorwärts schrittweisen Modellbildung, was<br />
für die Robustheit der geschätzten <strong>Modelle</strong> spricht.
40<br />
2 Habitatmodelle<br />
2.4.2.2 Einbeziehung von Nachbarschaftsverhältnissen: Autoregressionsvariablen –<br />
autologistische Regressionsmodelle<br />
Der Einfluß der räumlichen Anordnung der Untersuchungsflächen <strong>und</strong> -gräben <strong>und</strong><br />
damit auch der im Datensatz vorhandenen räumlichen Autokorrelation wird auf zwei<br />
Wegen untersucht:<br />
1. durch den qualitativen Vergleich von Responsekurven, welche sich für <strong>Modelle</strong><br />
ergeben, die unter Berücksichtigung bzw. Vernachlässigung der räumlichen Koordinaten<br />
entwickelt wurden (s. 2.4.2.4) <strong>und</strong><br />
2. durch die Bildung autologistischer <strong>Modelle</strong> in 2.4.2.2 (vgl. Smith 1994; Augustin<br />
et al. 1996). Hierbei werden potentiell <strong>zur</strong> Erklärung der räumlichen Verteilung<br />
beitragende Informationen, die sich aus den Nachbarschaftsverhältnissen ableiten<br />
lassen, hinsichtlich ihrer Verwendbarkeit als Prädiktorvariablen überprüft.<br />
Der Effekt der Hereinnahme von Nachbarschaftsvariablen auf die Klassifikationsgüte<br />
wird anhand von Variablen untersucht, die aus einer GIS-Analyse für die Drömling-Daten<br />
von 1995 abgeleitet wurden. Vorerst werden – wie in 2.2.2 beschrieben –<br />
die Vorkommensprognosen <strong>zur</strong> Ableitung der Nachbarschaftsvariablen verwendet.<br />
Ein sich hierbei stellendes Problem (vgl. 2.3.2.2) sind die oftmals extrem starken<br />
Korrelationen, die zwischen diesen auftreten. Deshalb können zusätzlich zu den<br />
bisher verwendeten Umweltvariablen jeweils nur ein bis zwei Nachbarschaftsvariablen<br />
in das Modell aufgenommen werden. Das beste konsistent gebildete Modell enthält<br />
neben den Umweltvariablen die „Anzahl von Flächen mit hoher Habitateignung<br />
(P ≥ 0.75) in der direkten Nachbarschaft (HE P ≥ 0.75)“ <strong>und</strong> die „Anzahl an Gräben in<br />
der direkten Nachbarschaft“ als zusätzliche Prädiktorvariablen (vgl. Tab. 2-13).<br />
Tab. 2-13: Conocephalu s dorsalis – Gütekriterien für <strong>Modelle</strong> mit <strong>und</strong> ohne Berücksichtigung<br />
der aus den prognostizierten Vorkommenswahrscheinlichkeiten abgeleiteten Nachbarschaftsvariablen<br />
(Drömling-Daten von 1995).<br />
Variable AUC [CI95%] R 2 N<br />
Umweltvariablen allein<br />
nur UV<br />
(v = r: V, V 2 , J, J 2 , C, G )<br />
Flächen in der Nachbarschaft allein<br />
Popt<br />
(% korrekt |<br />
Sens. | Spez.)<br />
Pfehlergerecht<br />
(% korrekt)<br />
0.83 [0.79; 0.86] 0.411 76.7 | 89.5 | 59.9 73.6<br />
HE∅ 0.58 [0.53; 0.62] 0.026 57.0 | 44.2 | 70.2 55.4<br />
HEP ≥ 0.5 0.57 [0.54; 0.61] 0.028 55.6 | 54.5 | 56.7 55.6<br />
HEP ≥ 0.75 0.56 [0.53; 0.59] 0.034 55.2 | 30.7 | 80.6 (55.2) 1<br />
Gräben in der Nachbarschaft allein<br />
Anzahl GräbenNachbarschaft 0.56 [0.52; 0.60] 0.022 57.1 | 81.1 | 32.0 (53.0) 1<br />
Kombinationen<br />
UV + HEP ≥ 0.75 0.83 [0.79; 0.86] 0.417 77.6 | 89.0 | 62.6 73.4<br />
UV + HEP ≥ 0.75 + Anzahl<br />
GräbenNachbarschaft 0.83 [0.80; 0.87] 0.424 78.2 | 90.7 | 61.8 74.8<br />
1 für diese <strong>Modelle</strong> existiert kein Pfehlergerecht ; angegeben ist der Anteil korrekter Prognosen<br />
mit minimaler Differenz zwischen Sensitivität <strong>und</strong> Spezifizität (vgl. Abb. 2-8).
2.4 Ergebnisse 41<br />
Wie Tab. 2-13 <strong>und</strong> Abb. 2-8 zeigen, hat die Berücksichtigung der Nachbarschaftseffekte<br />
hier nur einen sehr geringen, ja unerheblichen Einfluß auf die Prognosegüte.<br />
Werden die auf den prognostizierten Vorkommenswahrscheinlichkeiten beruhenden<br />
Nachbarschaftsvariablen allein betrachtet, so weisen sie mit Bestimmtheitsmaßen um<br />
3% nur einen extrem geringen Erklärungsgehalt auf. Ihre ROC-Kurven liegen nur<br />
knapp über der eines Zufallsmodells, sind aber in allen dargestellten Fällen signifikant.<br />
Das ohnehin recht gute Modell auf Gr<strong>und</strong>lage der Umweltvariablen wird durch<br />
ihre Hereinnahme kaum verbessert: R 2 : 0.411 vs. 0.424.<br />
Sensitivität<br />
1,0<br />
0,8<br />
0,6<br />
0,4<br />
0,2<br />
<strong>Modelle</strong>ntwicklung<br />
Zufallsmodell<br />
(1) HE durchschn.<br />
(2) HE P>0.75<br />
(3) Anzahl Gräben<br />
(4) nur UV (v=r)<br />
(5) = (4)+(2)+(3)<br />
0,0<br />
0,0 0,2 0,4 0,6 0,8 1,0<br />
1 - Spezifizität<br />
Abb. 2-8: Conocephalus dorsalis – ROC-Kurven für <strong>Modelle</strong> mit <strong>und</strong> ohne Berücksichtigung der<br />
aus prognostizierten Vorkommenswahrscheinlichkeiten abgeleiteten Nachbarschaftsvariablen<br />
(Drömling-Daten von 1995).<br />
Verwendet man anstelle der Vorkommensprognosen die tatsächlichen Beobachtungen<br />
<strong>zur</strong> Ableitung der Nachbarschaftsvariablen, verringert sich der Datenumfang<br />
auf die Anzahl derjenigen Flächen, deren unmittelbare Nachbarschaft ebenfalls<br />
untersucht wurde. Die Prädiktorvariable beschreibt dann den „Anteil an Flächen mit<br />
Vorkommen in der Nachbarschaft“. Natürlich können auch für diesen Datensatz die<br />
im vorigen Absatz beschriebenen Nachbarschaftsvariablen (z.B. HE P ≥ 0.75) untersucht<br />
werden. Die Berücksichtigung der Nachbarschaftseffekte hat dann einen im Vergleich<br />
zu Tab. 2-13 stärkeren, aber immer noch geringen Einfluß auf die Prognosegüte<br />
(s. Tab. A2-1; Abb. A2-1). Das Vorkommen auf den Nachbarflächen erklärt<br />
nun immerhin mehr als 11% der Varianz. Auch die auf den Prognosen beruhenden<br />
Nachbarschaftsvariablen weisen jetzt höhere Erklärungsanteile auf (vgl. Tab. 2-13<br />
mit Tab. A2-1 <strong>und</strong> Abb. 2-8 mit Abb. A2-1). Alle untersuchten Nachbarschaftsvariablen<br />
können das auf Gr<strong>und</strong>lage der Umweltvariablen gebildete <strong>und</strong> für den reduzierten<br />
Datensatz im Vergleich zu Tab. 2-13 ebenfalls bessere Modell durch ihre<br />
Hereinnahme weiter verbessern (R 2<br />
N: 0.513 vs. 0.535 bzw. 0.545).
42<br />
2 Habitatmodelle<br />
Für isolierte Flächen ohne Vorkommensnachweis in der Nachbarschaft liefert das<br />
Nachbarschaftsmodell durchweg niedrigere, für Flächen mit besiedelten Nachbarflächen<br />
fast immer höhere Vorkommenswahrscheinlichkeiten als das Modell ohne<br />
Berücksichtigung der Nachbarschaft (s. Abb. 2-9). Im übrigen hat auch eine hohe<br />
Vorkommenswahrscheinlichkeit auf den benachbarten Flächen einen positiven Einfluß<br />
auf die geschätzte Vorkommenswahrscheinlichkeit. Ebenso unterscheidet sich<br />
die durchschnittliche Inzidenz zwischen den beiden Flächengruppen. Sie liegt für die<br />
isolierten Flächen bei 0.38, für die nicht isolierten bei 0.71 (Abb. 2-9).<br />
Vorkommenswahrscheinlichkeit<br />
1,0<br />
0,8<br />
0,6<br />
0,4<br />
0,2<br />
0,0<br />
isolierte Flächen<br />
Flächen mit Vorkommen in der direkten Nachbarschaft<br />
Modell:<br />
mit Nachbarschaft<br />
ohne Nachbarschaft<br />
Daten:<br />
Inzidenz<br />
0 Flächensequenz 20 40 sortiert 60 nach 80 Vorkommenswahrscheinlichkeit<br />
100 120 140 160<br />
Abb. 2-9: Conocephalus dorsalis – Daten <strong>und</strong> Modellprognosen mit <strong>und</strong> ohne Berücksichtigung<br />
der benachbarten Vorkommen für räumlich isolierte <strong>und</strong> nicht isolierte Flächen.<br />
2.4.2.3 Einbeziehung zeitlicher Autoregressionsvariablen <strong>und</strong> der Flächengröße als<br />
weiterer topographischer Prädiktorvariable<br />
Innerhalb des Untersuchungsjahres 1995 wurden einige der Untersuchungsflächen<br />
zweimal begangen (n = 215; Helms 1996, unveröff. Dipl.-Arb.). Der Gr<strong>und</strong> für die<br />
Doppelbegehung war die Mahd, die auf manchen Flächen bereits vor oder während<br />
der ersten Begehungsphase durchgeführt wurde, was den hohen Anteil von Flächen<br />
mit zugewanderten oder in der <strong>Zwischen</strong>zeit geschlüpften Tieren in Tab. 2-14 erklärt<br />
(77 (Re-)kolonisierungen gegenüber 19 lokalen Extinktionen zwischen erster <strong>und</strong><br />
zweiter Begehung).<br />
Tab. 2-14: Conocephalu s dorsalis – Kreuztabelle der in den beiden Begehungsphasen 1995<br />
festgestellten Inzidenzen.<br />
1. Begehungsphase:<br />
Nichtvorkommen Vorkommen<br />
2. Begehungs- Nichtvorkommen 85 19<br />
phase: Vorkommen 77 32
2.4 Ergebnisse 43<br />
Die Einbeziehung einer für das Jahr 1995 erstellten Variable „Inzidenz in der vorangegangenen<br />
Begehungsphase“ liefert kein signifikantes univariates Modell <strong>und</strong> kann<br />
auch das multivariate Modell nicht signifikant verbessern, was aufgr<strong>und</strong> der geringen<br />
Stetigkeit zwischen den beiden Begehungen (vgl. Tab. 2-14) auch zu erwarten ist.<br />
Analog zu dieser Untersuchung der Doppelbegehungen im Jahr 1995 im Drömling<br />
wurde für die Drömling-Daten abgeschätzt, ob die Inzidenz der Vorjahre für die in<br />
zwei bzw. in allen drei Untersuchungsjahren begangenen Flächen als Prädiktorvariable<br />
geeignet ist, die Modellprognosen zu verbessern. Lediglich in einem Fall –<br />
„Inzidenz 1996“ als erklärende Variable in einem Modell für den Drömling 1997 –<br />
kann ein signifikanter, wenn auch schwacher Effekt der zeitlichen Autokorrelation<br />
für C. dorsalis festgestellt werden. Wie zu erwarten ist, wird ein positiver Regressionskoeffizient<br />
im multivariaten Modell geschätzt, d.h. ein Vorkommen im Jahr 1996<br />
erhöht die Vorkommenswahrscheinlichkeit 1997.<br />
Auch die Flächengröße spielt bei den <strong>Modelle</strong>n für C. dorsalis nur eine untergeordnete<br />
Rolle. Im univariaten Modell läßt sich mit der Flächengröße kein Modell bilden, das<br />
eine signifikante Verbesserung gegenüber dem Nullmodell liefert. Bei der vorwärts<br />
schrittweisen Modellbildung wird sie im letzten Schritt in das multivariate Modell<br />
aufgenommen <strong>und</strong> leistet den geringsten Beitrag <strong>zur</strong> Varianzerklärung. Der Regressionskoeffizient<br />
ist wie zu erwarten positiv, d.h. höhere Vorkommenswahrscheinlichkeiten<br />
sind auf größeren Flächen zu erwarten.<br />
2.4.2.4 Elimination des räumlichen Effektes durch Regression an Residuen nach<br />
Schätzung einer Trendoberfläche: Vergleich von <strong>Modelle</strong>n mit <strong>und</strong> ohne x-,y-<br />
Koordinaten<br />
Alternativ zu den Ausführungen in 2.4.2.2 erfolgt eine qualitative Überprüfung möglicher<br />
Auswirkungen räumlicher Autokorrelation mittels Responseoberflächen dreier<br />
<strong>Modelle</strong>, die ohne (Modell I) bzw. mit (Modell II & III) Berücksichtigung der räumlichen<br />
Zusammenhänge entwickelt werden. Die räumlichen Verhältnisse werden<br />
dabei durch die z-transformierten x- <strong>und</strong> y-Koordinaten der Flächenschwerpunkte<br />
aus dem GIS repräsentiert.<br />
Als Umweltvariablen finden in allen drei für die Drömling-Daten von 1995 gebildeten<br />
<strong>Modelle</strong>n die Habitatfaktoren Vegetationshöhe, Vegetationshöhe 2 <strong>und</strong> Juncus-<br />
Bedeckung Berücksichtigung. Zur Schätzung einer kubischen Trendoberfläche (vgl.<br />
Borcard et al. 1992; Turner et al. 1991) in Modell II wie auch als Prädiktorvariablen<br />
in Modell III werden zusätzlich die rückwärts schrittweise ausgewählten räumlichen<br />
Koordinaten x, x 2 <strong>und</strong> y 3 einbezogen. Verwendet man hierbei das vorwärts schrittweise<br />
Verfahren, so werden die Koordinaten x <strong>und</strong> y 3 gewählt. Die erhaltenen<br />
Responsekurven unterscheiden sich aber kaum von den unten dargestellten.
44<br />
Responsekurven Konturkarten<br />
Modell I: nur Umweltvariablen (UV)<br />
Juncus-Bedeckung [%]<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
0 50 100 150 200 250<br />
Vegetationshöhe [cm]<br />
Modell II: Umweltvariablen nach der Trendoberflächenbereinigung<br />
Modell III: Umweltvariablen + räumliche Koordinaten<br />
Juncus-Bedeckung [%]<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
0 50 100 150 200 250<br />
Vegetationshöhe [cm]<br />
2 Habitatmodelle<br />
0<br />
0 50 100 150 200 250<br />
Vegetationshöhe [cm]<br />
Abb. 2-10: Conocephalus dorsalis – Responsekurven <strong>und</strong> Konturkarten im Parameterraum<br />
„Vegetationshöhe – Juncus-Bedeckung” für <strong>Modelle</strong> mit <strong>und</strong> ohne Berücksichtigung der räum-<br />
lichen Koordinaten.<br />
Die Responseoberflächen bzw. Konturkarten zeigen qualitativ keine Unterschiede<br />
zwischen Modell I <strong>und</strong> II. Auf dieser Ebene ist also kein Einfluß räumlicher Autokorrelation<br />
festzustellen (vgl. Tab. A2-2, Tab. A2-3 <strong>und</strong> Abb. A2-2). Werden die<br />
Koordinaten als einfache Prädiktorvariablen ins logistische Regressionsmodell integriert<br />
(Modell III), so ergibt sich aufgr<strong>und</strong> der zusätzlichen Variablen im Modell eine<br />
Juncus-Bedeckung [%]<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
1.00<br />
0.90<br />
0.80<br />
0.70<br />
0.60<br />
0.50<br />
0.40<br />
0.30<br />
0.20<br />
0.10<br />
0.00<br />
1.00<br />
0.90<br />
0.80<br />
0.70<br />
0.60<br />
0.50<br />
0.40<br />
0.30<br />
0.20<br />
0.10<br />
0.00<br />
1.00<br />
0.90<br />
0.80<br />
0.70<br />
0.60<br />
0.50<br />
0.40<br />
0.30<br />
0.20<br />
0.10<br />
0.00<br />
Vorkommenswahrscheinlichkeit<br />
Vorkommenswahrscheinlichkeit<br />
Vorkommenswahrscheinlichkeit
2.4 Ergebnisse 45<br />
leicht „zerfurchte“, aber den beiden anderen ebenfalls sehr ähnliche Responseoberfläche,<br />
mit einer leicht besseren Prognosegüte <strong>und</strong> leicht erhöhtem Erklärungsanteil.<br />
Führt man dasselbe Verfahren mit den Umweltvariablen Vegetationshöhe, Vegetationshöhe<br />
2 , Juncus-Bedeckung, Carex-Bedeckung <strong>und</strong> Carex-Bedeckung 2 durch <strong>und</strong><br />
vergleicht die Responseoberflächen im Parameterraum z.B. Vegetationshöhe – Carex-<br />
Bedeckung, so sind ebenfalls nur sehr geringe Unterschiede zwischen den <strong>Modelle</strong>n<br />
auszumachen.<br />
2.4.2.5 Einbeziehung von Häufigkeitsklassendaten<br />
Für einen Teil der 1995 im Drömling untersuchten Flächen liegen Häufigkeitsklassendaten<br />
vor, die über Gewichtungsfaktoren in ein weiteres logistisches Regressionsmodell<br />
Eingang gef<strong>und</strong>en haben (vgl. 2.2.3).<br />
Tab. 2-15: Conocephalu s dorsalis – Vergleich der Gütekriterien für <strong>Modelle</strong> mit <strong>und</strong> ohne<br />
Einbeziehung der Häufigkeitsklassen.<br />
Modell AUC [CI95%] R 2 N<br />
ungewichtet, ohne<br />
Häufigkeitsklassen<br />
gewichtet mit<br />
Häufigkeitsklassen<br />
Popt Pfehlergerecht<br />
(% korrekt |Sens.|Spez.) (% korrekt)<br />
0.83 [0.80; 0.86] 0.426 77.0 | 88.6 | 61.9 73.9<br />
0.83 [0.80; 0.86] 0.507 77.4 | 90.6 | 60.4 74.1<br />
Die Modellstruktur (berücksichtigte Habitatfaktoren, Vorzeichen der Regressionskoeffizienten)<br />
ist für <strong>Modelle</strong> mit <strong>und</strong> ohne Einbeziehung der Häufigkeitsklassen<br />
gleich. Beide <strong>Modelle</strong> unterscheiden sich auch nur marginal hinsichtlich der Prognosegüte<br />
(Tab. 2-15).<br />
2.4.3 Ausblick: <strong>Modelle</strong> für andere Arten<br />
Im Verlaufe des Projektes wurden Habitatmodelle nicht nur für die am intensivsten<br />
untersuchte Zielart C. dorsalis, sondern zusätzlich für einige Arten auch anderer Taxa<br />
entwickelt, so z.B. für wiesenbrütende Kleinvögel, wie Braunkehlchen (Saxicola<br />
rubetra), Wiesenpieper (Anthus pratensis) <strong>und</strong> Schafstelze (Motacilla flava) (s. Schröder<br />
1999) sowie einige Laufkäferarten (Oodes helopioides, Loricera pilicornis, Chlaenius nigricornis)<br />
(Teppema 1998, unveröff. Dipl.-Arb.). Die bis zum Schritt (3) in 2.2.4<br />
erstellten Habitatmodelle für die zweite Heuschreckenart, die Sumpfschrecke Stethophyma<br />
grossum, finden sich im Anhang (A2.3). Sie werden hier mit denen von<br />
C. dorsalis verglichen.<br />
2.4.3.1 Vergleich Conocephalus dorsalis versus Stethophyma grossum<br />
Vergleicht man die für die beiden Heuschreckenarten erstellten <strong>Modelle</strong>, so fällt<br />
folgendes auf: Die in erster Linie <strong>zur</strong> Erklärung des Vorkommens von C. dorsalis<br />
aufgenommenen Umweltvariablen erklären auch einen großen Anteil der Varianz des<br />
Vorkommens von S. grossum (vgl. Diskussion der ökologischen Bedeutung der
46<br />
2 Habitatmodelle<br />
Habitatfaktoren in 2.6.4.1). Aufgr<strong>und</strong> der Auswahl der Habitatfaktoren ist es aber<br />
nicht verw<strong>und</strong>erlich, daß die Anpassungs- <strong>und</strong> Prognosegüte bei Verwendung der<br />
einfachen Habitatfaktoren für C. dorsalis mit R 2<br />
N= 0.37 vs. 0.32 sowie 72% vs. 70%<br />
korrekter Prognosen bzw. einem AUCkreuzvalidiert von 0.80 vs. 0.77 besser ausfallen als<br />
für S. grossum (vgl. Tab. 2-10 mit Tab. A2-4).<br />
Das Bild kehrt sich allerdings um, wenn die Variablen der Vegetationsstruktur berücksichtigt<br />
werden (AUCkreuzvalidiert: 0.77 für C. dorsalis vs. 0.83 für S. grossum; vgl.<br />
Tab. 2-12 mit Tab. A2-6). Anpassungs- <strong>und</strong> Prognosegüte für S. grossum sind auch<br />
dann etwas besser, wenn die Vegetationsstrukturvariablen <strong>und</strong> die einfachen Habitatfaktoren<br />
gemeinsam in die <strong>Modelle</strong> integriert werden (R 2<br />
N(C. dorsalis): 0.66 vs.<br />
R 2<br />
N(S. grossum): 0.75 <strong>und</strong> 78% vs. 82% korrekter Prognosen bzw. AUCkreuzvalidiert: 0.86<br />
vs. 0.89; vgl. Tab. 2-12 mit Tab. A2-6).<br />
2.4.4 Darstellung der Ergebnisse der Habitatmodellierung in Habitateignungskarten<br />
Eine Darstellung der Habitatmodelle erfolgt mit Hilfe des GIS, das eine räumliche<br />
Visualisierung der Vorkommenswahrscheinlichkeiten <strong>und</strong> -prognosen ermöglicht.<br />
Gezeigt werden Habitateignungskarten, die den südwestlichen Teil des niedersächsischen<br />
Drömlings abbilden (Abb. 2-11 für C. dorsalis, Abb. 2-13 für S. grossum). Die<br />
Vorkommenswahrscheinlichkeiten werden gemäß des zweiten Schrittes in 2.2.4 dargestellt,<br />
d.h. wenn möglich werden sie mittels des Habitatfaktor-Modells berechnet,<br />
ansonsten durch das einfachere Biotoptyp-Modell.<br />
Solche Karten bilden die Gr<strong>und</strong>lage der räumlich expliziten Modellierung in Abschnitt<br />
5. Wie die Prognosen können auch die Prognosefehler auf dieser Kartengr<strong>und</strong>lage<br />
weitergehend analysiert werden (s. Prognosefehlerkarten in Abb. 2-12 bzw.<br />
Abb. 2-14).
2.4 Ergebnisse 47<br />
Habitateignung C. dorsalis<br />
N<br />
sehr gering<br />
gering<br />
mittel<br />
hoch<br />
sehr hoch<br />
500 0 500m<br />
(0.0
48<br />
Habitateignung S. grossum<br />
N<br />
sehr gering<br />
gering<br />
mittel<br />
hoch<br />
sehr hoch<br />
500 0 500m<br />
(0.0
2.5 Anwendung der Habitatmodelle in Nutzungsszenarien 49<br />
2.5 Anwendung der Habitatmodelle in Nutzungsszenarien<br />
Habitatmodelle werden üblicherweise allein auf der Gr<strong>und</strong>lage von Daten erstellt, die<br />
„schlaglichtartig“ die Entwicklung der aktuellen Vergangenheit widerspiegeln (Rotenberry<br />
1986; Schamberger & O'Neil 1986; Gustafson 1998). Die Einbeziehung einer<br />
„quasi-“dynamischen Komponente in die <strong>Modelle</strong> ist durch eine multitemporale<br />
Modellbildung möglich (vgl. 2.1), bei der jeweils neue <strong>Modelle</strong> an die im Zuge des<br />
Prozesses landschaftlicher Veränderungen aufgenommenen Daten angepaßt werden<br />
<strong>und</strong> die Entwicklung in der Abfolge der jeweils geschätzten <strong>Modelle</strong> offenbar wird.<br />
Implizite Annahme der <strong>Modelle</strong> ist hierbei allerdings eine Gleichgewichtssituation,<br />
die sich für jeden einzelnen Zeitpunkt eingestellt hat.<br />
Mit den mir <strong>zur</strong> Verfügung stehenden Daten ist die Bildung mehrerer <strong>Modelle</strong> für<br />
drei einzelne Untersuchungsjahre möglich (s. Abschnitt 3). Innerhalb dieser Zeit ist –<br />
abgesehen von den flächenspezifischen Mahdereignissen – von relativ konstanten<br />
Umweltbedingungen auszugehen. Die Biotoptypen, das Muster der Landnutzung<br />
sowie die Vegetationszusammensetzung <strong>und</strong> -bedeckung ändern sich in dieser Zeit<br />
nicht bzw. nicht wesentlich.<br />
In Abschnitt 2.5 wird nun gezeigt, wie sich die Auswirkung von Nutzungsänderungen<br />
als mögliche Managementmaßnahmen auf das Vorkommen der Arten <strong>und</strong><br />
die Verteilung der Populationen aus den erhaltenen <strong>Modelle</strong>n ableiten läßt (vgl.<br />
Anwendungen von Habitatmodellen bei Lindenmayer et al. 1990; Genard & Lescourret<br />
1992; Lindenmayer et al. 1993; Austin & Meyers 1996). Dabei handelt es sich<br />
bei der Szenarienerstellung um ein einfaches Verfahren, welches lediglich die Anwendbarkeit<br />
dieser <strong>Modelle</strong> für die Szenarienprognose demonstriert. Durch die<br />
Modellbildung sowohl für den aktuellen Zustand der Habitate als auch für<br />
prognostizierte Zustände wird zwar nicht die Dynamik der Flächenveränderungen<br />
abgebildet, wohl aber ihre Resultate. Eine die Dynamik verfolgende Betrachtung<br />
wäre mittels dieses Verfahrens durch Verwendung einer geringeren zeitlichen<br />
Auflösung möglich.<br />
2.5.1 Methode – Entwicklung der Szenarien<br />
Nach einem in Zusammenarbeit mit den Vegetationsstrukturkartierern <strong>und</strong> Botanikern<br />
des BMBF-Projektes „Ökosystemmanagement für Niedermoore“ entwickelten<br />
Schema (Borkowsky mdl. Mitt.; Tab. 2-16), wird für die am häufigsten im Drömling<br />
kartierten Biotoptypen eine Entwicklungsprognose für je ein Extensivierungs<strong>und</strong><br />
ein Intensivierungsszenario über einen Zeithorizont von einigen Jahren erstellt.<br />
Das Biotoptyp-Habitatmodell (Schritt (1) in 2.2.4) weist für das gesamte Untersuchungsgebiet<br />
für jeden Biotoptypen eine Vorkommenswahrscheinlichkeit aus, die<br />
für die neuen Biotoptypen der Szenarien übernommen wird. Wie schon in 2.2.4<br />
werden die Prognosen dieses einfachen Modells für diejenigen Untersuchungsflächen,<br />
für welche die Habitatfaktoren aufgenommen wurden, durch die eines<br />
detaillierteren, multivariaten Habitatfaktor-Modells (Schritt (2) in 2.2.4) ersetzt. Hier-
50<br />
2 Habitatmodelle<br />
für werden auf der Gr<strong>und</strong>lage der bekannten statistischen Verteilungen der Habitatfaktorausprägungen<br />
für jeden Biotoptypen beim Status Quo für die Extensivierungs-<br />
<strong>und</strong> Intensivierungsszenarien veränderte Ausprägungen abgeleitet, für die dann Vorkommenswahrscheinlichkeiten<br />
geschätzt werden.<br />
Tab. 2-16: Ableitung der Nutzungsszenarien aus einer prognostizierten Veränderung der<br />
Biotoptypen.<br />
Biotoptyp bei<br />
Extensivierung<br />
←<br />
Nährstoffreicher<br />
Graben<br />
Nährstoffreicher<br />
←<br />
Sumpf<br />
Nährstoffreiche<br />
←<br />
Feucht-/ Naßwiese<br />
Nährstoffreiche<br />
←<br />
Feucht-/ Naßwiese<br />
Nährstoffreiche<br />
←<br />
Feucht-/ Naßwiese<br />
Nährstoffreiche<br />
←<br />
Feucht-/ Naßwiese<br />
Nährstoffreicher<br />
Sumpf<br />
Nährstoffreicher<br />
Sumpf<br />
Ruderalflur frischer<br />
bis feuchter Standorte ←<br />
Biotoptyp aktuell<br />
(Status Quo)<br />
→<br />
Biotoptyp bei<br />
Intensivierung<br />
← Nährstoffreicher Graben → Nährstoffreicher Graben<br />
Nährstoffreiche<br />
Feucht-/ Naßwiese<br />
Intensivgrünland auf<br />
Niedermoorstandorten<br />
Intensivgrünland auf<br />
Feuchtstandorten<br />
Grünland mäßig feuchter<br />
Standorte<br />
Seggen-/ Binsen- o. hochstaudenreiche<br />
Naßwiese<br />
→<br />
→<br />
→<br />
→<br />
→<br />
← Nährstoffreiche Naßwiese →<br />
← Nährstoffreicher Sumpf →<br />
Ruderalflur frischer bis<br />
feuchter Standorte<br />
2.5.2 Ergebnisse der Nutzungsszenarien<br />
→<br />
Intensivgrünland auf<br />
Niedermoorstandorten<br />
Intensivgrünland auf<br />
Niedermoorstandorten<br />
Intensivgrünland auf<br />
Niedermoorstandorten<br />
Intensivgrünland auf<br />
Niedermoorstandorten<br />
Grünland mäßig feuchter<br />
Standorte<br />
Intensivgrünland auf<br />
Niedermoorstandorten<br />
Nährstoffreiche Feucht-/<br />
Naßwiese<br />
Intensivgrünland auf<br />
Niedermoorstandorten<br />
Gegenüberstellungen der Modellprognosen der Extensivierungs- <strong>und</strong> der Intensivierungsszenarien<br />
mit dem Status-Quo-Szenario, welches entsprechend dem in 2.4.1<br />
vorgestellten Modell den aktuellen Zustand im Drömling charakterisiert, zeigen<br />
Abb. 2-15 für C. dorsalis <strong>und</strong> Abb. 2-16 für S. grossum. Die Veränderungen der<br />
Habitatqualität werden hierbei in Form von gegenüber dem Status-Quo-Szenario<br />
erhöhten oder verringerten Vorkommenswahrscheinlichkeiten dargestellt. Für beide<br />
Szenarien ergeben sich sowohl positive als auch negative Veränderungen der<br />
Habitatqualität, aber der Gesamteindruck ist eindeutig. Bei beiden Arten nimmt bei<br />
einer Extensivierung in einem großen Teil der Habitate die Qualität im Vergleich<br />
zum Status-Quo-Modell zu (Abb. 2-15 bzw. Abb. 2-16 oben), bei einer Intensivierung<br />
hingegen ab (Abb. 2-15 bzw. Abb. 2-16 unten). Dabei ist allerdings bei der<br />
Extensivierung der Anteil sich – allerdings nur leicht – verschlechternder Habitate<br />
für S. grossum ebenfalls recht groß. Die Auswirkungen der Szenarien auf die Vorkommensprognosen<br />
sind entsprechenden binären Prognosekarten in Abb. A2-5 <strong>und</strong><br />
Abb. A2-6 im Anhang A2.5 zu entnehmen.
2.5 Anwendung der Habitatmodelle in Nutzungsszenarien 51<br />
Veränderung der Habitatqualität<br />
durch Extensivierung<br />
negativ<br />
keine<br />
positiv<br />
500 0 500 1000 m<br />
N<br />
Conocephalus dorsalis<br />
Veränderung der Habitatqualität<br />
durch Intensivierung<br />
negativ<br />
keine<br />
positiv<br />
500 0 500 1000 m<br />
N<br />
Conocephalus dorsalis<br />
Abb. 2-15: Conocephalus dorsalis – Veränderung der Habitatqualität gegenüber dem Status-<br />
Quo-Szenario im Drömling (oben: Extensivierungsszenario; unten: Intensivierungsszenario;<br />
Pkrit = 0.5).<br />
Möchte man die in Abb. 2-15 <strong>und</strong> Abb. 2-16 nur qualitativ dargestellten Veränderungen<br />
quantifizieren, so bieten sich die in der Habitat Evaluation Procedure (HEP) des<br />
U.S. Fish & Wildlife Service (1980) eingeführten Habitateinheiten (habitat units) an; sie<br />
bezeichnen das Produkt zwischen Habitateignungsindices – hier den Vorkommenswahrscheinlichkeiten<br />
– <strong>und</strong> der Fläche des zugehörigen Habitats. In Tab. 2-17 A<br />
wurden diese Einheiten summiert <strong>und</strong> die Veränderungen relativ zum Status-Quo-<br />
Szenario berechnet. Zum Vergleich sind in Tab. 2-17 B auch die für die Szenarien errechneten<br />
Veränderungen der Habitatflächen aufgeführt, die sich bei Anwendung<br />
des Klassifikationsschwellenwertes P krit = 0.5 ergeben (vgl. Abb. A2-5 <strong>und</strong> Abb. A2-6).
52<br />
Veränderung der Habitatqualität<br />
durch Extensivierung<br />
negativ<br />
keine<br />
positiv<br />
500 0 500 1000 m<br />
N<br />
Stethophyma grossum<br />
Veränderung der Habitatqualität<br />
durch Intensivierung<br />
negativ<br />
keine<br />
positiv<br />
500 0 500 1000 m<br />
N<br />
Stethophyma grossum<br />
2 Habitatmodelle<br />
Abb. 2-16: Stethophyma grossum – Veränderung der Habitatqualität gegenüber dem Status-<br />
Quo-Szenario im Drömling (oben: Extensivierungsszenario; unten: Intensivierungsszenario;<br />
Pkrit = 0.5).<br />
Für C. dorsalis ergibt sich hinsichtlich der Habitateinheiten ein klares Bild<br />
(Tab. 2-17 A), das für den Anteil geeigneter Habitatfläche sogar noch deutlicher ausfällt:<br />
die Extensivierung führt bei Durchführung im gesamten Untersuchungsgebiet<br />
zu mehr als einer Verdreifachung der Fläche mit einer Vorkommenswahrscheinlichkeit<br />
größer als 0.5, die Intensivierung verringert sie um mehr als die Hälfte<br />
(Tab. 2-17 B; Abb. A2-5).
2.6 Diskussion 53<br />
Tab. 2-17: Summe der Habitateinheiten (A) bzw. der Habitatflächen bei Pkrit = 0.5 (B) für die<br />
Nutzungsszenarien für Conocephalu s dorsalis <strong>und</strong> Stethophyma grossum relativ zum Status-<br />
Quo-Szenario (=100%).<br />
A<br />
Habitateinheiten rel. zum Status Quo [%]<br />
(Vorkommenswahrscheinlichkeit ∗ Habitatfläche)<br />
Extensivierung Intensivierung<br />
Conocephalus dorsalis 155 86<br />
Stethophyma grossum 102 91<br />
B Habitatfläche (Pkrit = 0.5) rel. zum Status Quo [%]<br />
Conocephalus dorsalis 332 41<br />
Stethophyma grossum 90 95<br />
Für S. grossum hingegen heben sich die in Abb. 2-16 prognostizierten positiven <strong>und</strong><br />
negativen Veränderungen der Habitatqualität beim Extensivierungsszenario in der<br />
Summe fast auf, denn die Habitateinheiten erhöhen sich nur geringfügig<br />
(Tab. 2-17 A). Während die mit der Extensivierung verb<strong>und</strong>enen negativen Veränderungen<br />
hier zu Habitatverlusten führen, bedeuten die in Abb. 2-16 gezeigten Verbesserungen,<br />
daß für ohnehin schon geeignete Flächen noch höhere Vorkommenswahrscheinlichkeiten<br />
prognostiziert werden (Tab. 2-17 B; Abb. A2-6 B). Ähnliches gilt für<br />
das Intensivierungsszenario, bei dem die recht großflächigen Verschlechterungen nur<br />
zu wenigen Habitatverlusten führen (Tab. 2-17 B; Abb. A2-6 C). Für einen großen<br />
Teil der Flächen werden hier zwar geringere Vorkommenswahrscheinlichkeiten berechnet<br />
(Tab. 2-17 A; Abb. 2-16), sie liegen aber immer noch über dem Klassifikationsschwellenwert,<br />
der für Tab. 2-17 B <strong>und</strong> Abb. A2-6 ausschlaggebend ist.<br />
2.6 Diskussion<br />
Hier soll kurz die Idee der Habitatmodelle im allgemeinen erörtert werden sowie eine<br />
Diskussion der methodischen Ergebnisse erfolgen. Diese wird ergänzt durch eine<br />
knappe Interpretation der ökologischen Ergebnisse, wie sie in 2.6.4.4 <strong>und</strong> 2.6.4.5 u.a.<br />
in der Charakterisierung von Optimalhabitaten der modellierten Arten erfolgt.<br />
2.6.1 Was können Habitatmodelle leisten?<br />
Will man die hier vorgestellten Verfahren erfolgreich anwenden, gehört dazu auch<br />
eine Einschätzung dessen, was Habitatmodelle wirklich leisten können <strong>und</strong> was man<br />
nicht von ihnen erwarten darf. Habitatmodelle in der hier vorgestellten Form sind<br />
keine populationsdynamischen <strong>Modelle</strong> (Schamberger & O'Neil 1986). Sie geben keinerlei<br />
Aufschluß über Populationsgrößen, sondern nur über Inzidenzen. Außerdem<br />
sind sie statischer, nicht dynamischer Natur, d.h. sie beruhen auf einzelnen, stets<br />
schlaglichtartigen Erhebungen (Rotenberry 1986; Gustafson 1998). Die als erklärende<br />
Variablen im Modell <strong>zur</strong> Verfügung stehenden Umweltparameter können nur<br />
einen gewissen Teil der im gesamten Lebenszyklus der Arten wichtigen Habitateigen-
54<br />
2 Habitatmodelle<br />
schaften abbilden (Schamberger & O'Neil 1986; Morrison et al. 1998), der zudem<br />
durch den pragmatischen Gesichtspunkt der leichten, schnellen <strong>und</strong> kostengünstigen<br />
Erhebbarkeit <strong>und</strong> das Modellierungsverfahren eingeschränkt ist (Duelli et al. 1990;<br />
Erdelen 1990). Die erhobenen „Schlüsselfaktoren“ sind also immer nur mehr oder<br />
weniger sinnvolle Annäherungen an die real wirksamen Prozesse (Smith 1994). Im<br />
Allgemeinen ist davon auszugehen, daß ein gut ausgebildeter lokaler Experte die<br />
<strong>Modelle</strong> in der Prognosegüte übertreffen kann (s. auch Fielding & Haworth 1995).<br />
Solcherart nicht formalisierte Bewertungen widersprechen aber dem Wunsch nach<br />
Objektivität in der Planung, dem man durch Verwendung von Habitatmodellen zu<br />
entsprechen wünscht (Morrison et al. 1998).<br />
Dabei weisen Habitatmodelle aufgr<strong>und</strong> der Auswertung von Koinzidenzen gr<strong>und</strong>sätzlich<br />
einen korrelativen, retrospektiven <strong>und</strong> beschreibenden Charakter auf, der für<br />
sich genommen kein näheres Verständnis der die Populationen kontrollierenden Prozesse<br />
benötigen würde (Hobbs & Hanley 1990). Um so wichtiger ist aber dieses Verständnis<br />
für die Erstellung sinnvoller <strong>Modelle</strong>. Deshalb erfolgt nicht nur eine Überprüfung<br />
der statistischen Signifikanz der Ergebnisse, sondern auch die Sicherstellung<br />
des biologischen Aussagegehalts der <strong>Modelle</strong> (Noon 1986) durch einen Abgleich mit<br />
dem vorhandenen empirisch-experimentellen Wissen. Nur dadurch erhalten die<br />
<strong>Modelle</strong> ihre Relevanz <strong>und</strong> können zum einen ihre prädiktive Rolle im <strong>Naturschutz</strong><br />
(z.B. Fielding & Haworth 1995; Glozier et al. 1997) <strong>und</strong> zum anderen eine erklärende<br />
Rolle in der <strong>Ökologie</strong> spielen (vgl. Austin et al. 1990; Peeters & Gardeniers 1998).<br />
Da die retrospektive Habitatanalyse stark von den zum Zeitpunkt der Datenerhebung<br />
herrschenden Bedingungen abhängt, zweifelt z.B. Rotenberry (1986) den<br />
prädiktiven Wert der <strong>Modelle</strong> für die Vorhersage bei veränderten Bedingungen an.<br />
Um diese Zweifel zu beheben, wurden in dieser Arbeit zwei Wege beschritten:<br />
• Abgleich der <strong>Modelle</strong>rgebnisse mit autökologischen Artkenntnissen, um keine<br />
irreführenden <strong>und</strong> wenig aussagekräftigen Scheinkorrelationen zu modellieren<br />
(Mühlenberg 1993). D.h.: die kausalen Abhängigkeiten der Art-Habitat-Beziehungen<br />
werden immer wieder hinterfragt (vgl. 2.6.4; Noon 1986).<br />
• Validierung der <strong>Modelle</strong> durch Modellübertragung auf unabhängige Daten, die in<br />
anderen Untersuchungsjahren <strong>und</strong>/oder -gebieten erhoben wurden (vgl. Abschnitt<br />
3; Capen et al. 1986 <strong>und</strong> Fielding & Haworth 1995).<br />
Die Rechtfertigung der <strong>Modelle</strong> aufgr<strong>und</strong> ihrer erreichten Prognosegüten ist vor<br />
allem vor dem pragmatischen Hintergr<strong>und</strong> der primären Modellanwendung in der<br />
Planungspraxis zu sehen. Die in diesem Bereich zu lösenden Aufgaben sind zumeist<br />
durch die zwei Zielvorstellungen „Maximierung der Aussagekraft bei vorgegebenem<br />
Aufwand“ sowie „Minimierung des Aufwandes bei vorgegebenem Zuverlässigkeitsanspruch“<br />
zu charakterisieren (Duelli et al. 1990). Diese pragmatische Ausrichtung<br />
bedingt, daß häufig Probleme mit vertretbarem Aufwand nicht so gelöst werden<br />
können, daß sie allen Ansprüchen der Wissenschaft genügen. So bleibt oftmals keine<br />
andere Wahl, als mit den in Bezug auf die Kenntnisse in den Spezialdisziplinen stark<br />
vereinfachten <strong>Modelle</strong>n zufrieden zu sein: es gibt einfach dann keine besseren
2.6 Diskussion 55<br />
<strong>Modelle</strong> (Brooks 1997). Blaschke (1999) faßt dieses Dilemma mit den Worten<br />
zusammen:<br />
„Lieber 10 realistische Habitatmodelle bei der Eingriffsplanung als ein<br />
einziges perfektes.“<br />
Es ist klar, daß bei dieser Beschränkung eine besondere Bedeutung der Abschätzung<br />
der predictive power, vor allem aber der Modellgültigkeit <strong>und</strong> -zuverlässigkeit zukommt<br />
(vgl. Abschnitt 3 <strong>und</strong> z.B. Hurley 1986; Marcot 1986; Fielding & Haworth 1995).<br />
Diese kann aber auch für noch so einfache <strong>Modelle</strong> erst mit Hilfe wissenschaftlicher,<br />
d.h. vor allem statistischer Methoden erfolgen (Noon 1986; Chalk 1986). In diesem<br />
Spannungsbogen zwischen den Ansprüchen der Wissenschaft <strong>und</strong> den Erfordernissen<br />
der Praxis ist auch die im nächsten Abschnitt erfolgende Diskussion der<br />
Modellhierarchie zu verstehen.<br />
2.6.2 Welche <strong>Modelle</strong> <strong>und</strong> wieviel Erhebungsaufwand für welche Fragestellung?<br />
Dem hierarchischen schrittweisen Verfahren (2.2.4) folgend, werden in 2.4.1 bis<br />
2.4.2.2 für zunehmend aufwendiger zu erhebende Habitatfaktoren <strong>Modelle</strong> mit nicht<br />
immer besserem Klassifikationserfolg entwickelt. Je nach Anwendung – von einem<br />
pragmatischen Schnelldurchlauf der Flächenbewertung, über ein trennscharfes prädiktives<br />
Modell bis hin zu speziellen, die landschaftliche Struktur berücksichtigenden<br />
<strong>Modelle</strong>n – ist eine Abwägung zwischen dem notwendigen Erhebungsaufwand <strong>und</strong><br />
der erwarteten Vorhersage- bzw. Erklärungsverbesserung zu treffen.<br />
2.6.2.1 Erste <strong>und</strong> einfachste Ebene: Biotoptyp-<strong>Modelle</strong><br />
Die einfachsten <strong>Modelle</strong> beruhen lediglich auf dem Biotoptypen <strong>und</strong> damit auf einer<br />
Kartierung, die oftmals zum Standardrepertoire von Umweltverträglichkeitsstudien<br />
<strong>und</strong> anderen Landschaftsbewertungsverfahren gehört <strong>und</strong> deshalb häufig schon vor<br />
eigenen Kartierungen verfügbar ist (hier Borkowsky & Schmalhaus, unveröff. UVS).<br />
Die Arbeiten von Herr & Queen (1993), Austin et al. (1996), McGregor (1998) oder<br />
Kuhn (1998) zeigen, daß für viele Arten mit Hilfe des GIS angemessene <strong>Modelle</strong> auf<br />
weitestgehend allgemein verfügbarer Datengr<strong>und</strong>lage erstellt werden können: sie verwenden<br />
Satellitenbilder, aus denen sie Habitatfaktoren ableiten.<br />
Die integrierende Variable „Biotoptyp“ ist hier als einzige für das gesamte Untersuchungsgebiet<br />
aufgenommen, ermöglicht deshalb auch die Erstellung von Prognosen<br />
für das gesamte Gebiet <strong>und</strong> liefert für sich genommen schon zufriedenstellende<br />
Klassifikationsgüten (erste Zeilen in Tab. 2-8 <strong>und</strong> Tab. 2-9 sowie Abb. 2-6). Die<br />
Biotoptyp-<strong>Modelle</strong> für S. grossum sind mit einer AUC von 0.73 <strong>und</strong> einem R 2<br />
N von<br />
0.23 sogar noch besser (erste Zeile in Tab. A2-4) als die für C. dorsalis geschätzten<br />
(AUC: 0.69; R 2<br />
N: 0.16). S. grossum scheint entweder spezifischer auf bestimmte<br />
Habitate zu reagieren oder aber alle Präferenzbiotoptypen auch konsequent zu besiedeln,<br />
was die bessere Prognosegüte erklären würde <strong>und</strong> aufgr<strong>und</strong> der höheren Prä-
56<br />
2 Habitatmodelle<br />
valenz (s. Tab. 1-3) <strong>und</strong> Mobilität der Art (Sandkühler & Heydenreich 1994) auch<br />
denkbar ist.<br />
2.6.2.2 Zweite Ebene: Habitatfaktoren<br />
Für weitere zu erhebende Habitatfaktoren gilt bei beabsichtigter Anwendung in der<br />
Planungspraxis neben dem ökologischen Erklärungsgehalt das Primat der leichten<br />
<strong>und</strong> kostengünstigen Erhebbarkeit (Duelli et al. 1990; Erdelen 1990; Reck 1992). Die<br />
im Zuge der Heuschreckenerhebung aufgenommen Habitatfaktoren liefern gegenüber<br />
dem Biotoptypen verbesserte <strong>Modelle</strong>, obgleich der Erfassungsaufwand für<br />
diese Studie relativ gering gehalten wurde (vgl. auch Helms 1997).<br />
Die Faktoren wurden mit speziellem Augenmerk auf die hypothetischen Bedürfnisse<br />
von C. dorsalis aufgenommen <strong>und</strong> verbessern für diese Art die Prognosegüte gegenüber<br />
dem Biotoptyp-Modell auf einen AUC-Wert von 0.81 (Tab. 2-9) <strong>und</strong> ein R 2<br />
N<br />
von 0.38 (Tab. 2-8). Aber auch für S. grossum läßt sich auf Gr<strong>und</strong>lage dieser Faktoren<br />
ein gutes Modell (AUC: 0.78; R 2<br />
N: 0.30) anpassen (Tab. A2-4). Die realisierten<br />
Nischen der Arten – oder zumindest Aspekte davon – werden also mittels dieser<br />
recht einfachen Faktoren bereits erstaunlich gut charakterisiert (vgl. 2.6.4.1). Der<br />
geringe Erfassungsaufwand ermöglichte in bestimmten Teilbereichen des Drömlings<br />
eine fast lückenlose Begehung der Flächen <strong>und</strong> Gräben <strong>und</strong> die Erstellung eines<br />
vergleichsweise umfangreichen Datensatzes (s. Abb. A1-2 <strong>und</strong> Tab. 1-3).<br />
2.6.2.3 Dritte Ebene: Vegetationsstrukturkartierung<br />
Durch die Einbeziehung von räumlich höher aufgelösten Daten, wie der mit hohem<br />
Erfassungsaufwand durchgeführten – <strong>und</strong> damit kaum für die Anwendung in der<br />
<strong>Naturschutz</strong>praxis geeigneten – Vegetationsstrukturkartierung, lassen sich Anpassung<br />
<strong>und</strong> Prognosegüte noch einmal stark verbessern (C. dorsalis: AUC: 0.90; R 2<br />
N: 0.61 <strong>und</strong><br />
S. grossum: AUC: 0.94; R 2<br />
N: 0.74; s. Tab. 2-12 <strong>und</strong> Tab. A2-6). Das kann u.a. an der<br />
besseren Repräsentation der auf den Untersuchungsflächen herrschenden mikroklimatischen<br />
Verhältnisse (van Wingerden et al. 1992) <strong>und</strong> an Präferenzen für bestimmte<br />
Vegetationsstrukturen (Oschmann 1973) liegen (2.6.4.2).<br />
Der positive Einfluß der Vegetationsstrukturvariablen ist festzustellen, obwohl diese<br />
Daten für gänzlich andere Fragestellungen <strong>und</strong> damit unter einem anderen Blickwinkel<br />
sowie z.T. in anderen Untersuchungszeiträumen erhoben wurden. Daß sich<br />
hierbei teilweise Inkonsistenzen zu den eigens für die Modellierung der Heuschrecken<br />
durchgeführten Erhebungen ergaben <strong>und</strong> mittels des GIS einige Konsistenzüberprüfungen<br />
durchgeführt werden mußten, ist hier für den erhöhten Prognoseerfolg<br />
in Kauf zu nehmen.<br />
Ein weiterer Gr<strong>und</strong> für die Güte der <strong>Modelle</strong> unter Einbeziehung der Vegetationsstrukturkartierung<br />
liegt in der Homogenität <strong>und</strong> räumlichen Auflösung der abgegrenzten<br />
Struktureinheiten. Während in den zuvor verwendeten Datensätzen Gr<strong>und</strong>stücksgrenzen,<br />
d.h. zumeist Nutzungsgrenzen <strong>zur</strong> Festlegung der Biotope verwendet<br />
wurden (Helms 1997), gehen in die Vegetationsstrukturdatensätze nur Flächen ein,<br />
die auf der feinskaligeren Ebene der Vegetationsstruktur als homogen kartiert
2.6 Diskussion 57<br />
wurden: also oft kleinere <strong>und</strong> präziser zu beschreibende Einheiten. Dies betont die<br />
Wichtigkeit der räumlichen Auflösung bei der Datenerhebung (vgl. O'Neill et al.<br />
1988; With 1994; Conroy et al. 1995; Riitters et al. 1997; Hughes 1998).<br />
2.6.2.4 Vierte Ebene (a): Nachbarschaftseffekte – autologistische <strong>Modelle</strong><br />
Neben den vergleichsweise „einfachen“, parallel <strong>zur</strong> Heuschreckenerhebung aufgenommenen<br />
Habitatfaktoren ist potentiell auch von anderen Parametern ein Beitrag<br />
<strong>zur</strong> Erklärung der räumlichen Verteilung der Population zu erwarten (s. 2.1.1). Eine<br />
wichtige Rolle wurde dabei der Berücksichtigung der Nachbarschaftsverhältnisse in<br />
den Habitatmodellen, d.h. der expliziten Modellierung der räumlichen Autokorrelation<br />
in den Daten durch ein autologistisches Modell zugedacht (vgl. Augustin et al.<br />
1998 <strong>und</strong> 2.4.2.2).<br />
Es ist bei der Beurteilung der Ergebnisse zu unterscheiden, ob die Nachbarschaftsvariablen<br />
aus den für das Gesamtgebiet erstellten Prognosen abgeleitet wurden oder<br />
aber aus den beobachteten Inzidenzen. Im ersten Fall liegt die erreichte Modellgüte<br />
nur unerheblich über der eines Modells, das allein die Umweltvariablen berücksichtigt<br />
(Tab. 2-13). Anders im zweiten Fall (s. 2.4.2.2): betrachtet man nur die Flächen,<br />
in deren Nachbarschaft ebenfalls Untersuchungen gelaufen sind, so können die<br />
Nachbarschaftsvariablen das Habitatfaktor-Modell durchaus verbessern (Tab. A2-1)<br />
<strong>und</strong> die Auswirkungen von Isolations- <strong>und</strong> Nachbarschaftseffekten abbilden<br />
(Abb. 2-9). Eine Diskussion möglicher Gründe erfolgt in 2.6.4.3.<br />
Eine für alle Untersuchungsflächen mögliche Ableitung der Nachbarschaftsverhältnisse<br />
aus den Vorkommensprognosen mittels der aufwendigen GIS-Analyse lohnt<br />
sich also für C. dorsalis unter dem Gesichtspunkt einer Prognoseverbesserung nicht<br />
(Tab. 2-13). Allerdings können für bestimmte, einzelne Untersuchungsflächen die<br />
Prognosefehler erklärt werden (Tab. A2-1), wie beispielsweise Vorkommen auf hinsichtlich<br />
ihrer Ausstattung ungeeigneten Flächen, die in direkter Nachbarschaft zu<br />
optimalen Habitaten liegen, oder Nichtvorkommen auf Flächen hoher Qualität aufgr<strong>und</strong><br />
räumlicher Isolation (vgl. Abb. 2-9).<br />
Neben diesen Nachbarschaftsvariablen wurden auch einfachere topographische Prädiktorvariablen,<br />
wie z.B. die Flächengröße untersucht. Bei Verboom & van Apeldoorn<br />
(1990) oder Kuhn (1998) beispielsweise ist diese einer der wichtigsten<br />
Faktoren im Habitatmodell. Sie spielt bei den <strong>Modelle</strong>n für C. dorsalis aber nur eine<br />
untergeordnete Rolle. Der sich innerhalb des multivariaten Modells ergebende<br />
Zusammenhang ist wie zu erwarten positiv, d.h. für größere Flächen werden höhere<br />
Vorkommenswahrscheinlichkeiten geschätzt (vgl. patch size effect bei Andrén 1994;<br />
Lindenmayer & Possingham 1995; Appelt & Poethke 1997; Fahrig & Johnson 1998).<br />
2.6.2.5 Vierte Ebene (b): Nutzung der zeitlichen Zusammenhänge<br />
Innerhalb des Untersuchungsjahres 1995 wurde ein bestimmter Anteil der Untersuchungsflächen<br />
zweimal begangen (vgl. Tab. 2-14; Helms 1996, unveröff. Dipl.-<br />
Arb.), weshalb streng genommen nicht alle Begehungen im Datensatz voneinander<br />
unabhängig sind. Allerdings führen die aufgr<strong>und</strong> der während der ersten Phase
58<br />
2 Habitatmodelle<br />
durchgeführten Mahd stark voneinander abweichenden Umweltbedingungen dazu,<br />
daß sich eine aus der Inzidenz der ersten Begehung abgeleitete Prädiktorvariable für<br />
das Modell der zweiten Begehungsphase als nicht signifikant erwies (s. auch<br />
Tab. 2-14). Das zeigt einerseits, daß die mit der Zweifachbegehung verb<strong>und</strong>ene<br />
Verletzung der Unabhängigkeit der Daten vernachlässigbar ist. Andererseits kann<br />
daraus abgeleitet werden, daß die zeitliche Autokorrelation nicht wie z.B. bei<br />
Buckland et al. (1996) <strong>zur</strong> Vorkommensprognose genutzt werden kann.<br />
Dasselbe gilt für die in den Untersuchungsjahren mehrfach begangenen Flächen. Der<br />
geringe Erfolg der zeitlichen Autoregressionsvariable „Vorkommensdetektion in vorangegangenem/n<br />
Jahr(en)“ bei der Verbesserung der <strong>Modelle</strong> bestätigt, daß die Auswirkung<br />
der zeitlichen Autokorrelation bei C. dorsalis vernachlässigbar ist. Er wird<br />
wohl aufgr<strong>und</strong> der zeitlichen Auflösung der Datenaufnahme von anderen Effekten,<br />
die mit der landwirtschaftlichen Nutzung der Biotope zusammenhängen, überdeckt.<br />
Ganz andere Ergebnisse wurden bei der Modellierung der Brutreviere von Vögeln<br />
erzielt (vgl. Schröder 1999). Bei ihnen konnten aufgr<strong>und</strong> der dichotomen Prädiktorvariable<br />
„Art hat auf dieser Fläche im letzten Jahr gebrütet [ja|nein]“ hervorragende<br />
<strong>Modelle</strong> gebildet werden, die beim Wiesenpieper <strong>und</strong> der Schafstelze sogar bessere<br />
Prognosegüten erzielten als das jeweils beste auf Basis der erhobenen Habitatfaktoren<br />
erstellte Modell. Der Gr<strong>und</strong> liegt in der Reviertreue dieser Arten, deren<br />
Individuen in aufeinanderfolgenden Jahren dieselben Brutplätze aufsuchen (vgl.<br />
Schröder 1999). Die hier im Verlauf zweier aufeinanderfolgender Jahre aufgenommenen<br />
Daten sind also hochgradig zeitlich autokorreliert. Für C. dorsalis hingegen ist<br />
aufgr<strong>und</strong> der relativ geringen Stetigkeit kein großer Effekt zu erwarten, d.h. die Verletzung<br />
der Modellannahme der Unabhängigkeit der Daten durch zeitliche Autokorrelation<br />
ist hier ein vernachlässigbares Problem. Bei der zweiten untersuchten<br />
Heuschreckenart S. grossum gestaltet sich dieses schon problematischer, da für sie<br />
Autoregressionsmodelle geschätzt werden konnten, welche einen größeren Anteil der<br />
Varianz des Vorkommens zu erklären vermochten. Die Bestimmtheitsmaße signifikanter<br />
univariater <strong>Modelle</strong> aus der Inzidenz der Vorjahre liegen bei jeweils ca. 0.1 für<br />
„Inzidenz 1995“ als Prädiktor für 1996 <strong>und</strong> 1997 sowie „Inzidenz 1996“ als Prädiktor<br />
für 1997 bilden. Aufgr<strong>und</strong> der höheren Stetigkeit von Inzidenz <strong>und</strong> Vorkommen<br />
dieser Art (s. Tab. 1-4) ist der höhere Erklärungsgehalt dieser Variablen für S. grossum<br />
zu erwarten.<br />
2.6.2.6 Häufigkeitsdaten<br />
Stehen statt der Präsenz-Absenz-Daten mit hinreichender Verläßlichkeit <strong>und</strong> ausreichendem<br />
Stichprobenumfang Ab<strong>und</strong>anz- oder Dichtedaten <strong>zur</strong> Verfügung, so ist<br />
nicht die hier verwendete logistische Regression, sondern vielmehr eine Poissonregression<br />
anzuwenden (vgl. Vincent & Haworth 1983; Lindenmayer et al. 1991;<br />
Laurance 1997). Mittels der Einführung von Gewichtungsfaktoren wurde untersucht,<br />
ob sich bei der Verwendung von Häufigkeitsklassen veränderte Modellstrukturen<br />
ergeben. Das Ergebnis ist negativ: das Modell unterscheidet sich kaum vom<br />
einfachen, die Präsenz-Absenz-Daten ungewichtet berücksichtigenden Modell
2.6 Diskussion 59<br />
(Tab. 2-15). Dieses Ergebnis bedeutet, daß für diese Art die relevanten Habitatfaktoren<br />
auch mittels der Analyse von weniger fehlerbehafteten (Mühlenberg 1993)<br />
<strong>und</strong> leichter zu beschaffenden (Kuhn 1998) Präsenz-Absenz-Daten extrahiert werden<br />
können.<br />
Ein stets mit der Modellierung von Präsenz-Absenz-Daten verb<strong>und</strong>ener Aspekt ist<br />
das Problem der Einzelf<strong>und</strong>e. Bei ihnen kann ohne genauere Betrachtung des räumlichen<br />
Kontextes <strong>und</strong> der Habitatausstattung nicht a priori entschieden werden, ob<br />
die einzelnen Tiere eine Neu- bzw. Wiederbesiedlung eines aktuell unbesiedelten,<br />
aber eigentlich geeigneten Habitats bedeuten, oder ob sie bei der Durchquerung einer<br />
nicht von einer Population besiedelbaren Fläche kartiert wurden. Bewertet man<br />
Flächen mit Einzelf<strong>und</strong>en als Vorkommen, so läuft man im zweiten Fall Gefahr, die<br />
Zusammenhänge zwischen Faktorausprägung <strong>und</strong> Inzidenz fehl zu interpretieren<br />
<strong>und</strong> bei der Klassifikation einen Fehler 2. Art zu begehen.<br />
Unterliegen Habitate einer Quellen-Senken-Dynamik (source-sink dynamic sensu<br />
Pulliam 1988; Pulliam & Danielson 1991), so kann sich die Modellverläßlichkeit verringern,<br />
da u.U. eine unbestimmte Anzahl an Vorkommen in „sink-“Habitaten<br />
kartiert wurde. In einem solchen Fall wäre davon auszugehen, daß sich eine Berücksichtigung<br />
der Häufigkeitsdaten bei den Modellschätzungen stark auswirken müßte.<br />
Wie in Kap. 2.4.2.5 gezeigt wurde, ist dies aber hier nicht der Fall.<br />
2.6.3 Modellvalidierung: welche Validierung für welchen Anspruch?<br />
Für einige <strong>Modelle</strong> wurde mittels einer zehnfachen Kreuzvalidierung (Verbyla &<br />
Litaitis 1989) eine – in Anbetracht von Abschnitt 3 vorläufige – Überprüfung der<br />
Zuverlässigkeit durchgeführt <strong>und</strong> eine realistischere Schätzung der Klassifikationsfehler<br />
erhalten. Dies ist vor allem dann angebracht, wenn die Gefahr besteht,<br />
<strong>Modelle</strong> durch „Verbrauch“ einer unangemessen hohen Anzahl von Freiheitsgraden<br />
zwar sehr gut, dabei aber auch zu sehr an die spezifischen Daten anzupassen (Überparametrisierung,<br />
overfitting) (McDonald 1981; Karr & Martin 1981; Harrell et al.<br />
1996; Reichert & Omlin 1997). Eine verläßlichere Modellvalidierung (Verbyla &<br />
Litaitis 1989) ist durch aufwendigere Resampling-Techniken wie Bootstrap (Efron &<br />
Tibshirani 1993) <strong>und</strong> Jackknifing (Manly 1993) ober aber die Modellübertragung auf<br />
unabhängige Daten möglich (Capen et al. 1986; Fielding & Haworth 1995 <strong>und</strong><br />
Abschnitt 3). Letzteres ermöglicht dann auch die Abschätzung der Anwendbarkeit<br />
bei veränderten Bedingungen.<br />
Die bei beiden Heuschreckenarten – verglichen z.B. mit ebenfalls im Projektverlauf<br />
erstellten <strong>Modelle</strong>n für Laufkäfer oder wiesenbrütende Kleinvögel (vgl. Schröder<br />
1999) – geringe Differenz der Prognosegüten mit <strong>und</strong> ohne Durchführung der<br />
Kreuzvalidierung hat ihren Gr<strong>und</strong> in der hohen Stichprobenanzahl des zugr<strong>und</strong>eliegenden<br />
Datensatzes, der sowohl im Ganzen wie auch als 9 / 10-Trainingsdatensatz<br />
jeweils ähnliche Anteile modell-inkonsistenter Vorkommens- <strong>und</strong> Nichtvorkommensnachweise<br />
enthält. Die nur leichte Verringerung der Prognosegüten bei Durch-
60<br />
2 Habitatmodelle<br />
führung der Kreuzvalidierung spricht für die Robustheit der geschätzten <strong>Modelle</strong><br />
(vgl. 3.5).<br />
Bei der aufgr<strong>und</strong> der kategorialen <strong>und</strong> ordinalen Datenqualität der Strukturvariablen<br />
größeren Anzahl der hier verbrauchten Freiheitsgrade ist die Gefahr, überparametrisierte<br />
<strong>Modelle</strong> zu schätzen (overfitting), vergleichsweise groß. Die Kreuzvalidierung<br />
führt bei den geschätzten <strong>Modelle</strong>n deshalb auch zu einer etwas stärkeren Verringerung<br />
der Prognosegüte (Tab. 2-12) als bei den Habitatfaktor-<strong>Modelle</strong>n (Tab. 2-10).<br />
2.6.4 Ökologische Bedeutung der verwendeten Prädiktorvariablen<br />
2.6.4.1 Großflächig aufgenommene Habitatfaktoren<br />
Die ökologische Bedeutung (ecological significance, Noon 1986) der berücksichtigten<br />
Habitatfaktoren für die Heuschreckenmodelle beider Arten ist für alle in die oben<br />
vorgestellten <strong>Modelle</strong> aufgenommenen erklärenden Variablen gegeben. Eine detailliertere<br />
Diskussion findet sich z.B. bei Schröder (1996, unveröff. Dipl.-Arb.).<br />
• Der Biotoptyp charakterisiert übergreifend die Umweltbedingungen (Feuchte,<br />
Mikroklima, etc.); er umfaßt den Merkmalskomplex des gesamten multifaktoriellen<br />
Gefüges „Lebensraum“ (Köhler 1988).<br />
• Juncus- <strong>und</strong> Carex-Bedeckung stehen für das Vorhandensein <strong>und</strong> die Häufigkeit<br />
von potentiellen Eiablagepflanzen von C. dorsalis (vgl. Cappe de Baillon 1920;<br />
Harz 1957; Schmidt & Schlimm 1984). Sie kennzeichnen zudem bestimmte<br />
Kleinstrukturen wie Seggenriede, die aufgr<strong>und</strong> der dort herrschenden Bodenfeuchtebedingungen<br />
gute Lebens- <strong>und</strong> Entwicklungsbedingungen auch für<br />
S. grossum anzeigen (Marzelli 1995), zumal Bölscher & Sandkühler (1995) eine<br />
Nahrungspräferenz dieser Art für Carex festgestellt haben.<br />
• Die Landnutzung kennzeichnet die Störungsintensität, d.h. Mahdhäufigkeit <strong>und</strong><br />
Beweidungsintensität. Sie ist aber auch über den Aspekt der Befahrbarkeit der<br />
Flächen mit den Habitatfaktoren winterliche Überstaulänge <strong>und</strong> -häufigkeit im<br />
Niedermoor verb<strong>und</strong>en (vgl. Thomas 1980; Detzel 1985; Claßen et al. 1993).<br />
• Die Vegetationshöhe charakterisiert die Zeitdauer seit dem letzten Mahdereignis,<br />
den Schutz vor Prädation durch Vögel (Lorz & Clausnitzer 1988) sowie die<br />
mikroklimatischen Bedingungen (Kleinert 1992).<br />
Die vorgestellten <strong>Modelle</strong> berücksichtigen die Unterschiede zwischen Larval- <strong>und</strong><br />
Imaginalstadien nicht. Aufgr<strong>und</strong> der recht geringen Mobilität der untersuchten Heuschrecken<br />
(Sandkühler 1993, unveröff. Dipl.-Arb.) wird davon ausgegangen, daß die<br />
Imagines auch Ei- <strong>und</strong> Larvalhabitate repräsentieren (Marzelli 1995). Da die Präsenz-<br />
Absenz-Daten zudem nicht nur gef<strong>und</strong>ene Imagines, sondern auch die angetroffenen,<br />
wenig mobilen Larvalstadien (Richards & Waloff 1954) beinhalten, sind<br />
die Informationen, die auf die Eignung der Biotope <strong>zur</strong> Fortpflanzung verweisen, in<br />
diesen Daten repräsentiert. Auch die aufgenommenen Schlüsselfaktoren beziehen<br />
sich teilweise auf Habitatbindungen, die eng mit den Ei- <strong>und</strong> Larvenstadien<br />
verknüpft sind (z.B. Eiablagepflanzen).
2.6 Diskussion 61<br />
2.6.4.2 Vegetationsstruktur<br />
Die Vegetationsstruktur hat nach Oschmann (1973) <strong>und</strong> Oppermann (1987) einen<br />
erheblichen Einfluß auf Heuschreckenvorkommen <strong>und</strong> -ab<strong>und</strong>anz. Ihre Ausbildung<br />
steht in einer engen Beziehung zu den mikroklimatischen Verhältnissen des Standorts<br />
(Kleinert 1992) <strong>und</strong> der Bodenfeuchte (van Wingerden et al. 1992; Marzelli<br />
1995). Mikroklima <strong>und</strong> Klima der bodennahen Luftschicht werden allgemein als<br />
habitatbindende Faktoren (Röber 1949; Sänger 1977; van Wingerden et al. 1991) von<br />
entscheidender Bedeutung angesehen (Köhler 1990). Sie lassen sich mit Hilfe der<br />
Strukturvariablen wie „Heterogenität der Schichtung“, „Wuchsform <strong>und</strong> Horizontalstruktur<br />
der Krautschicht“ besser charakterisieren als durch die großflächig aufgenommenen<br />
Habitatfaktoren. Andere Strukturvariablen, wie z.B. die Deckung abgestorbener,<br />
stehender Phytomasse geben weitere Hinweise auf die sich der Heuschrecke<br />
bietenden Möglichkeiten, sich vor Prädation zu schützen.<br />
2.6.4.3 Nachbarschaftsvariablen: warum haben sie keinen deutlicheren Effekt?<br />
Von der expliziten Modellierung der räumlichen Nachbarschaftsverhältnisse in den<br />
Daten durch ein autologistisches Modell (Augustin et al. 1998) ist eine nicht unerhebliche<br />
Verbesserung der Prognosegüte zu erwarten (vgl. Smith 1994), die aber nur<br />
zum Teil festgestellt werden kann (s. 2.4.2.2).<br />
Die Nachbarschaftsvariablen in Tab. 2-13 werden aus den prognostizierten, nicht<br />
den nachgewiesenen Vorkommen abgeleitet (vgl. Smith 1994). Dies ermöglicht die<br />
Berechnung dieser Variablen für alle Untersuchungsflächen, da für alle Flächen<br />
zumindest aufgr<strong>und</strong> des Biotoptyp-Modells erstellte Prognosen existieren (vgl.<br />
2.6.2.1). Allerdings ist damit eine Fortpflanzung des Prognosefehlers verb<strong>und</strong>en; eine<br />
geringere Verläßlichkeit der Ausprägungen der Nachbarschaftsvariablen wird in Kauf<br />
genommen. Fraglich ist, ob aufgr<strong>und</strong> dieser Unsicherheiten nicht ein möglicher<br />
Effekt überdeckt wird.<br />
Obschon die Verwendung der Nachbarschaft als Prädiktorvariable für den gesamten<br />
Datensatz nicht den erhofften Erfolg hatte, ändert sich das Bild, wenn man die<br />
Untersuchungen auf diejenigen Flächen beschränkt, in deren Nachbarschaft ebenfalls<br />
Transektbegehungen durchgeführt wurden. So können die tatsächlichen Beobachtungen<br />
<strong>zur</strong> Ableitung der Nachbarschaftsvariablen genutzt werden. Für den reduzierten<br />
Datensatz können beide Gruppen von Nachbarschaftsvariablen größere Beiträge<br />
<strong>zur</strong> Varianzerklärung leisten <strong>und</strong> Effekte wie Isolation oder direkte Nachbarschaft zu<br />
optimalen Habitaten in die <strong>Modelle</strong> integrieren (vgl. Abb. 2-9). Wenn auf den angrenzenden<br />
Flächen Tiere gef<strong>und</strong>en wurden, dann hängt die geschätzte Vorkommenswahrscheinlichkeit<br />
positiv von diesen Vorkommen ab. Isolation hingegen führt<br />
zu verringerten Vorkommenswahrscheinlichkeiten (u.a. van Dorp & Opdam 1987;<br />
Hanski 1991; Kuhn 1998; Dennis et al. 1998).<br />
Daß die Auswirkung dieser Prädiktorvariablen nicht noch stärker ins Gewicht fällt,<br />
kann daran liegen, daß die der Erwartung einer Prognoseverbesserung zugr<strong>und</strong>eliegenden<br />
Hypothesen mittels der vorhandenen Datengr<strong>und</strong>lage nicht adäquat untersucht<br />
werden können: Im Gelände konnte beobachtet werden, daß Mahdereignisse
62<br />
2 Habitatmodelle<br />
eine Abwanderung der Tiere bewirken, der später eine Rekolonisation aus ungemähten<br />
Nachbarbereichen folgt (Sänger 1980 sowie Kratz & Helms, mdl. Mitt.; vgl.<br />
Tab. 2-14). Ein solcher durch ein Nachbarschaftsmodell erklärbarer Effekt kann<br />
mittels der <strong>zur</strong> Verfügung stehenden Daten nur un<strong>zur</strong>eichend untersucht werden, da<br />
die flächenrepräsentativen Transekte zumeist im Zentrum der Untersuchungsflächen<br />
<strong>und</strong> dementsprechend weit von der in diesem Zusammenhang interessierenden<br />
„Kontaktzone“ entfernt lagen. Auch die geringe zeitliche Auflösung <strong>und</strong> die im GIS<br />
nötige Aggregierung verhindern eine adäquate Modellierung dieser Muster auf der<br />
Ebene der Habitatmodelle.<br />
Eine zweite Hypothese, beruhend auf der Annahme, daß eine hohe Habitatqualität<br />
gleichbedeutend mit einer hohen Individuendichte verb<strong>und</strong>en mit Dispersion in die<br />
Nachbarflächen ist, bedeutet eine auf der Ebene der Habitatmodellierung irreguläre<br />
Verknüpfung von Habitateignung <strong>und</strong> Populationsdynamik, da eine hohe Vorkommenswahrscheinlichkeit<br />
nicht unbedingt eine hohe Dichte auf den Flächen bedeuten<br />
muß (Schamberger & O'Neil 1986; Hobbs & Hanley 1990).<br />
Auf Gr<strong>und</strong>lage der in diesen <strong>Modelle</strong>n kaum <strong>zur</strong> Erklärung der räumlichen Verteilung<br />
der Art beitragenden Nachbarschaftsvariablen können also wegen der nicht<br />
adäquaten räumlichen <strong>und</strong> zeitlichen Auflösung der Daten <strong>und</strong> der daran angepaßten<br />
Modellierungsverfahren keine auf alle Untersuchungsflächen im Drömling übertragbaren<br />
Aussagen <strong>zur</strong> Bedeutung der räumlichen Autokorrelation getroffen werden.<br />
Das Wirken wichtiger räumlicher Isolations- <strong>und</strong> Nachbarschaftseffekte läßt sich<br />
aber nachweisen.<br />
Die in 2.4.2.4 erfolgte Analyse <strong>zur</strong> Abschätzung des Einflusses räumlicher Autokorrelation<br />
widerspricht diesem Ergebnis nicht. Der Vergleich von Responseoberflächen<br />
eines die räumlichen Verhältnisse nicht berücksichtigenden Modells <strong>und</strong> eines<br />
Modells, das auf den Residuen einer kubischen Trendoberfläche der geographischen<br />
Koordinaten beruht, zeigt vielmehr, daß die räumlichen Verhältnisse bei Verwendung<br />
dieser Datengr<strong>und</strong>lage die geschätzten Habitatfaktormodelle kaum verändern.<br />
Dies gilt auch, wenn die Koordinaten als Prädiktorvariablen in das Modell integriert<br />
werden – die Form der Responseoberfläche verändert sich nur unwesentlich. Wenn<br />
die Habitatfaktoren in gleicher Art <strong>und</strong> Weise räumlich autokorreliert wären wie die<br />
Heuschreckeninzidenz, so wäre ein solches Ergebnis nicht zu erwarten.<br />
2.6.4.4 Charakterisierung eines Optimalhabitats für Conocephalus dorsalis<br />
In der Reihenfolge ihres Erklärungsgehaltes in einem alle Datensätze umfassenden<br />
multivariaten Modell (vgl. Tab. 2-8 <strong>und</strong> Tab. 2-9) ergibt sich für die Habitatfaktoren<br />
folgende Charakterisierung eines Optimalhabitats für C. dorsalis:<br />
• Die Vegetationshöhe sollte eine möglichst mittlere bis hohe Ausprägung aufweisen<br />
(ca. 50 bis 150 cm, vgl. Abb. 2-4 <strong>und</strong> Abb. 2-5), was mit den Ergebnissen<br />
von Reise (1970) <strong>und</strong> Ingrisch (1979) übereinstimmt. Geringere Höhen bedeuten<br />
zwar bessere mikroklimatische Bedingungen aber gleichzeitig auch weniger<br />
Schutz vor Fraßfeinden (Sänger 1977). Zu hohe Vegetation wiederum bedingt ein<br />
zu feuchtes Mikroklima (Ingrisch 1978; Kleinert 1992).
2.6 Diskussion 63<br />
• Juncus, Carex <strong>und</strong> andere potentielle Eiablagepflanzen sollten in möglichst nicht<br />
zu geringer Deckung vorhanden sein (> 5 %). Zu hohe Deckungsgrade könnten<br />
zu feuchte mikroklimatische Bedingungen im Bereich der Bulten widerspiegeln<br />
(Kratz, pers. Mitt.). Somit decken sich die Ergebnisse zum großen Teil mit denen<br />
von Röber (1951), Harz (1957), Kaltenbach (1963) <strong>und</strong> Haupt (1995), die eine<br />
enge Habitatbindung von C. dorsalis an potentielle Eiablagepflanzen beschreiben.<br />
Ergebnisse von Ingrisch (1979) <strong>und</strong> Benitz (1994, unveröff. Dipl.-Arb.) lassen<br />
darauf schließen, daß bei C. dorsalis nicht von einer Bindung an spezielle Futterpflanzen<br />
auszugehen ist. Daß die Art aber auch auf Flächen ohne potentielle<br />
Eiablagepflanzen nachgewiesen wurde, weist auf Mobilität <strong>und</strong> Migrationen der<br />
Imagines hin. Es gibt zudem Anlaß zu der Hypothese, daß für mobilere Stadien<br />
auch <strong>zur</strong> Eiablage ungeeignete Habitate eine ausreichende Habitatqualität aufweisen<br />
können. Dies wird u.a. von Oschmann (1973) <strong>und</strong> Köhler (1990) gestützt,<br />
welche die Vegetationsstruktur <strong>und</strong> das Mikroklima als wesentliche Habitatfaktoren<br />
für die Imagines ansehen. Außerdem gibt es Hinweise darauf, daß<br />
C. dorsalis-Weibchen bei der Oviposition auch andere Substrate wie Baumstämme<br />
verwenden können (z.B. Warne & Hartley 1975; Haupt 1995).<br />
• Optimale Biotoptypen sind nährstoffreiche Naßwiesen, seggen-, binsen- <strong>und</strong><br />
hochstaudenreiche Flutrasen. Randstrukturen <strong>und</strong> Gräben haben ebenfalls eine<br />
große Bedeutung (vgl. Helms 1997). Der Einfluß der Gräben im Drömling als<br />
Biotope mit habitatvernetzender Funktion wird in Abschnitt 4 näher beleuchtet.<br />
• Das Nutzungsregime sollte einen möglichst extensiven Charakter haben. Eine<br />
späte Mahd verhindert, daß im Pflanzenmaterial abgelegte Eier oder die immobilen<br />
Larvenstadien mit dem Mähgut abtransportiert werden. Wird die Mahd nicht<br />
zu häufig im Jahr durchgeführt <strong>und</strong> bleiben den Tieren Rückzugsmöglichkeiten,<br />
wie Randstrukturen <strong>und</strong> ungemähte Teilbereiche, so bieten sich der Heuschrecke<br />
genügend Überlebenschancen (Helms 1997). Die ohne Mahd oder Beweidung<br />
einsetzende Verbuschung führt letztendlich zu einer Verringerung der<br />
Habitatqualität (Detzel 1991). Intensive Grünlandnutzung führt zu sehr dichtem<br />
Vegetationsbestand, der mit einem zu kühlen <strong>und</strong> feuchten Mikroklima<br />
verb<strong>und</strong>en ist (Ingrisch 1978; Kleinert 1992).<br />
• Für die Vegetationsstruktur lassen sich die folgenden Präferenzen ableiten: Die<br />
Horizontalstruktur der Krautschicht sollte flächig sein (∅ > 10 m) mit überwiegend<br />
rasiger Wuchsform <strong>und</strong> heterogener Schichtung in der Krautschicht. Der<br />
Deckungsgrad abgestorbener, stehender Phytomasse ist im Bereich zwischen 5%<br />
<strong>und</strong> 25% optimal.<br />
2.6.4.5 Charakterisierung eines Optimalhabitats für Stethophyma grossum<br />
Für S. grossum läßt sich ebenfalls die Beschreibung eines optimalen Habitats aus den<br />
<strong>Modelle</strong>n ableiten, wobei auch hier die Reihenfolge der Habitatfaktoren im multivariaten<br />
Modell berücksichtigt wird.<br />
• Stark präferierte Biotoptypen sind nährstoffreiche Feucht- <strong>und</strong> Naßwiesen sowie<br />
seggen-, binsen- <strong>und</strong> hochstaudenreiche Flutrasen.
64<br />
2 Habitatmodelle<br />
• Das Vorhandensein von Carex ist aufgr<strong>und</strong> der Nahrungspräferenz dieser Art<br />
(Bölscher & Sandkühler 1995) eine wichtige Habitateigenschaft. Die Bedeckung<br />
mit Juncus <strong>und</strong> Carex ist zudem aufgr<strong>und</strong> des Zusammenhanges mit der Bodenfeuchte<br />
(s. 2.6.4.4) von Interesse. Optimal sind mittlere Bedeckungsgrade.<br />
• Auch diese Art bevorzugt Flächen mit extensiver Nutzung. Die Mahd beeinträchtigt<br />
diese flug- <strong>und</strong> damit fluchtfähige Art nicht so sehr wie C. dorsalis, wenn<br />
sie nicht in die Zeit der frühen, kaum mobilen Larvenstadien fällt. Sie ist – möglichst<br />
einmal im Jahr durchgeführt – vielmehr notwendig, um die Flächen offen<br />
zu halten (Detzel 1991). Eine extensive Nutzung ist im Niedermoor häufig mit<br />
langem Winterüberstau der Flächen verb<strong>und</strong>en <strong>und</strong> sagt deshalb auch viel über<br />
den nach Marzelli (1995) wichtigsten Schlüsselfaktor, die Bodenfeuchte, bzw.<br />
regelmäßige Überschwemmungen aus (vgl. auch Oschmann 1973; Malkus et al.<br />
1996).<br />
• Die Vegetation sollte geringe bis mittlere Höhen aufweisen (bis ca. 60 cm). Auch<br />
für diese Art stellt die Vegetation einen Prädationsschutz dar (Sänger 1977; Lorz<br />
& Clausnitzer 1988). Zudem bedeuten geringe Höhen bessere mikroklimatische<br />
Bedingungen, <strong>und</strong> eine zu hohe Vegetation bedingt ein zu feuchtes Mikroklima<br />
(Ingrisch 1978; Kleinert 1992). Allerdings gilt S. grossum als recht tolerant<br />
gegenüber mikroklimatischen Einflüssen (Oschmann 1973; Ingrisch 1980).<br />
Marzelli (1995) konnte keine starken Präferenzen hinsichtlich der Temperatur<br />
oder der relativen Luftfeuchte feststellen.<br />
• Vegetationsstruktur: präferiert werden Flächen mit Stockwerksbildung (v.a. mit<br />
dominantem unteren Stockwerk) <strong>und</strong> mit einem geringen Anteil (unter 3%) abgestorbener,<br />
stehender Phytomasse (van Wingerden et al. 1992; Marzelli 1995).<br />
2.6.5 Diskussion der Habitatmodellanwendung in den Nutzungsszenarien<br />
Die Anwendung der erstellten Habitatmodelle in der Szenarienmodellierung soll in<br />
erster Linie den Weg eines solchen Verfahrens vorstellen. Der hier verwendete<br />
Ansatz über prognostizierte Veränderungen des Biotoptyps ist stark vereinfacht.<br />
Dafür verdeutlicht er aber die notwendige Vorgehensweise, wenn man z.B. das<br />
Habitatmodell mit einem Modell <strong>zur</strong> Beschreibung <strong>und</strong> Vorhersage der Sukzession<br />
im Niedermoor (Richter et al. 1997; Belde & Richter 1997) verknüpfen will.<br />
Statistische Habitatmodelle implizieren unter anderem, daß Vorkommen <strong>und</strong> Umweltbedingungen<br />
in Zeit oder Raum einer Situation im Gleichgewicht entsprechen.<br />
Das bedeutet für die hier gezeigte Anwendung, daß bei der Ableitung sich verändernder<br />
Inzidenzen aus dem Habitatmodell nach Eingriffen in einer Landschaft das<br />
Modell keine Information darüber gibt, wann dieser Prozeß abgeschlossen sein wird<br />
<strong>und</strong> sich ein neues Gleichgewicht eingestellt hat (Kleyer et al. 1999/2000). Übertragen<br />
auf den Fall von Ausgleichs- bzw. Ersatzmaßnahmen bedeutet dies, daß eine<br />
Art, für die <strong>Modelle</strong> aus einer seit Jahrzehnten relativ stabilen Landschaft abgeleitet<br />
werden, bei Herstellung ähnlicher Habitatbedingungen im Rahmen solcher Maßnahmen<br />
in Gebieten, in denen sie bis dahin nicht festgestellt wurde, nicht zwangsläufig
2.6 Diskussion 65<br />
„schlagartig“ auftritt. Eine solche Annahme darf bei der Anwendung von statistischen<br />
Habitatmodellen <strong>zur</strong> Prognose nicht impliziert werden, da die Kolonisierungs<strong>und</strong><br />
Etablierungswahrscheinlichkeiten neuer Habitate sehr viel stärker von der Populationsdynamik<br />
<strong>und</strong> dem Ausbreitungsverhalten der Art als von der lokalen Habitatqualität<br />
abhängen (z.B. den Boer 1990; Verboom et al. 1991a; Thomas et al. 1992;<br />
Jeschke & Fröbe 1994; Appelt & Poethke 1997).<br />
Rotenberry (1986) betont in diesem Zusammenhang, daß retrospektive Analysen, wie<br />
sie die statistischen Habitatmodelle darstellen, stark von den aktuell zum Zeitpunkt<br />
der Begehung herrschenden Umweltbedingungen abhängig sind <strong>und</strong> bei sich verändernden<br />
Bedingungen kaum Vorhersagewert aufweisen. Dem ist entgegenzuhalten,<br />
daß die der einfachen Szenarienberechnung in 2.5.2 zugr<strong>und</strong>eliegenden Datensätze<br />
den Bereich der Variablenausprägungen, anhand derer die <strong>Modelle</strong> geschätzt wurden,<br />
nicht verlassen. Zur weiteren Überprüfung des Gültigkeitsbereiches der <strong>Modelle</strong><br />
wurden darüber hinausgehend Analysen in Abschnitt 3 durchgeführt.<br />
2.6.5.1 Artunabhängige Bewertung beider Szenarien<br />
Die prognostizierten Veränderungen der Habitatqualität scheinen für beide Arten<br />
plausibel zu sein. Die Extensivierung bringt Verbesserungen z.B. aufgr<strong>und</strong> der weniger<br />
häufigen Mahd oder aufgr<strong>und</strong> höherer Gr<strong>und</strong>wasserstände, die eine höhere<br />
Bodenfeuchte <strong>und</strong> einen veränderten Vegetationsbewuchs <strong>zur</strong> Folge haben. Sie führt<br />
aber auch zu einer Verringerung der Habitatqualität aufgr<strong>und</strong> der zunehmenden Verbuschung<br />
auf bestimmten Flächen. Auch bei der Intensivierung sind zwei gegenläufige<br />
Effekte festzustellen: die häufigere Durchführung der Mahd verschlechtert<br />
die Qualität der Habitate; Intensivierung kann aber auch bedeuten, daß verbuschende<br />
Brachen wieder als Grünland kultiviert werden.<br />
2.6.5.2 Managementmaßnahmen für Conocephalus dorsalis <strong>und</strong> Stethophyma<br />
grossum<br />
Die Ergebnisse in 2.5.2 verdeutlichen vor allem, daß Maßnahmen, die für eine bestimmte<br />
Art eine Verbesserung der Habitatqualität bedeuten, für andere Arten ganz<br />
gegensätzliche Konsequenzen haben können. Dieser Effekt ist bei den beiden hier<br />
untersuchten Heuschreckenarten nicht stark ausgeprägt, aber dennoch festzustellen<br />
(vgl. Tab. 2-17). Der Gr<strong>und</strong> hierfür ist darin zu sehen, daß beide Arten nicht völlig<br />
verschiedene Habitatansprüche aufweisen <strong>und</strong> auf bestimmte Umweltveränderungen<br />
ähnlich reagieren. So bringt die Umwandlung von Intensivgrünland in nährstoffreiche<br />
Feucht- <strong>und</strong> Naßwiesen (vgl. Tab. 2-16) für beide Arten eine Verbesserung der<br />
Habitatqualität, die für S. grossum allerdings weniger stark ist. Es zeigt sich aber auch,<br />
daß eine gleichzeitige Förderung beider Arten auf denselben Flächen nicht immer<br />
möglich ist.<br />
Bezieht man Arten anderer Taxa, wie die ebenfalls untersuchten Wiesenbrüter in<br />
diesen Vergleich mit ein, so ergeben sich weitaus größere Differenzen. Verallgemeinert<br />
man diesen Fall, so wird klar, wie wichtig die Verwendung verschiedener Arten<br />
<strong>und</strong> besser noch Artengruppen ist, wenn mittels Indikatorspezies Umweltmanage-
66<br />
2 Habitatmodelle<br />
mentmaßnahmen empfohlen oder beurteilt werden sollen (vgl. Plachter 1989; Morrison<br />
et al. 1998). Einzelne Arten können nie für ganze Lebensgemeinschaften stehen<br />
(Mühlenberg 1993). Aus diesem Gr<strong>und</strong> wurde auch innerhalb des Projektes ein<br />
ganzes Artenensemble analysiert (z.B. Kratz 1992; Sandkühler 1993, unveröff. Dipl.-<br />
Arb.; Benitz 1995; Bölscher et al. 1995; Bölscher & Sandkühler 1995; Heydenreich<br />
1995; Langmaack & Wilken 1995; Teppema 1998, unveröff. Dipl.-Arb.) <strong>und</strong><br />
modelliert (vgl. Schröder 1999). Allerdings steckt die integrierende Modellierung der<br />
Habitatansprüche ganzer Gilden (Block et al. 1986) oder funktioneller Gruppen<br />
(Morrison et al. 1998; Kleyer et al. 1999/2000) noch in den Kinderschuhen (Block et<br />
al. 1987; Leonard & Orth 1988).<br />
Für das Management der Flächen heißt dies, daß in einem mosaikartigen Nebeneinander<br />
einzelne Artengemeinschaften in den für sie charakteristischen Kernzonen<br />
gefördert werden, wie das im Drömling aktuell in einem Pflege- <strong>und</strong> Entwicklungsplan<br />
umgesetzt wird (Kratz mdl. Mitt.). Diese Kernzonen auszuweisen <strong>und</strong> die<br />
Beziehung zwischen den Arten <strong>und</strong> ihren Habitaten besser zu verstehen, kann mit<br />
Hilfe der hier vorgestellten <strong>Modelle</strong> <strong>und</strong> Methoden erfolgversprechend bewältigt<br />
werden.
Abschnitt 3<br />
– Validierung der Habitatmodelle –
Developing wildlife-habitat models that are statistically significant says<br />
nothing about their relevance to data sets collected in other parts of a<br />
species' range, or at different times in the same location. Developing<br />
statistically significant models is an easy task, particularly in presence/<br />
absence studies. Developing models that predict or classify well<br />
in different years or at different locations has proven to be a much more<br />
formidable <strong>und</strong>ertaking.<br />
Noon (1986)<br />
3 Validierung der Habitatmodelle<br />
Gegenstand des folgenden Abschnittes sind Aspekte, welche die Anwendbarkeit <strong>und</strong><br />
Zuverlässigkeit der in Abschnitt 2 vorgestellten Habitatmodelle betreffen <strong>und</strong> damit<br />
von herausragender Bedeutung für den Erfolg der Modellierung <strong>und</strong> die korrekte<br />
Einschätzung der <strong>Modelle</strong>rgebnisse sind.<br />
3.1 Warum Validierung?<br />
Wann immer <strong>Modelle</strong> in der Ökosystemanalyse eingesetzt werden, ist die Modellvalidierung,<br />
d.h. die Überprüfung der Zuverlässigkeit der Modellaussagen <strong>und</strong> des<br />
Gültigkeits- <strong>und</strong> adäquaten Anwendungsbereiches, ein Aspekt von immenser Bedeutung<br />
(Caswell 1976; Mankin et al. 1977; Jørgensen 1994). Das gilt in besonderem<br />
Maße in der <strong>Naturschutz</strong>biologie <strong>und</strong> im Ökosystemmanagement (Poethke & Wissel<br />
1994), bei denen <strong>Modelle</strong>rgebnisse Gr<strong>und</strong>lage wichtiger Handlungsentscheidungen<br />
mit teilweise unwiderruflichen Konsequenzen sein können, die oftmals auf Gr<strong>und</strong>lage<br />
begrenzter Informationen <strong>und</strong> noch dazu unter Zeitdruck getroffen werden<br />
müssen (Soulé 1986; Maguire 1991; Meffe & Carroll 1994). Die Validierung ist hier<br />
unverzichtbarer Bestandteil des Modellierungsprozesses (Marcot et al. 1983; Schamberger<br />
& O'Neil 1986; Fielding & Haworth 1995; Morrison et al. 1998), da man sich<br />
mit gefährdeten Ökosystemen <strong>und</strong> Spezies <strong>und</strong> kritischen Schwellenwertphänomenen<br />
wie dem Aussterben beschäftigt (With & Crist 1995; Bascompte & Solé 1996).<br />
Da in der <strong>Naturschutz</strong>biologie <strong>und</strong> im Ökosystemmanagement allgemein Entscheidungen<br />
unter Vorhandensein von z.T. erheblichen Unsicherheiten getroffen werden<br />
müssen (z.B. Maguire 1991; Nichols et al. 1995; De Leo & Levin 1998), ist es erforderlich,<br />
die Zuverlässigkeit der mathematischen <strong>Modelle</strong> möglichst genau zu quantifizieren,<br />
um zumindest diese Quelle der Unsicherheit in der Anwendung berücksichtigen<br />
zu können.<br />
Dennoch scheint – betrachtet man Äußerungen in der Literatur allgemein wie auch<br />
zum Thema Habitatmodelle – der Modellvalidierung in vielen Arbeiten nicht der ihr<br />
gebührende Wert beigemessen zu werden. Bereits 1976 schreibt Caswell sein gr<strong>und</strong>legendes<br />
Kapitel über das „Validierungsproblem“, motiviert von der bis dato konstatierten<br />
„kompletten Abwesenheit der Validierung in der systemökologischen Literatur“. Ähnliche
68 3 Validierung der Habitatmodelle<br />
Aussagen treffen z.B. Johnson (1981), Cole & Smith (1983) oder Berry (1986) in<br />
Bezug auf Habitatmodelle <strong>und</strong> die Untersuchungen von Art-Habitat-Beziehungen.<br />
In der Literatur finden sich dennoch auch einige Beispiele für Validierungen von<br />
Habitatmodellen, wie beispielsweise die Arbeiten von Lancia (1982), Cook & Irwin<br />
(1985), Raphael & Marcot (1986), Rotenberry (1986) oder Adamus (1995). Explizite<br />
Beispiele für die Anwendung von Resampling-Verfahren (wie z.B. der Kreuzvalidierung,<br />
s. 2.3.4) <strong>und</strong> die Nutzung unabhängiger Daten zeigen z.B. Capen et al. (1986)<br />
<strong>und</strong> Fielding & Haworth (1995). Obwohl in den letzten Jahren eine immense Zahl an<br />
Habitatmodellen veröffentlicht wurde, beschäftigt sich doch nur eine vergleichsweise<br />
geringe Anzahl von Autoren dabei auch mit den Problemen der zeitlichen (z.B. Rice<br />
et al. 1981; Rice et al. 1986; Shirvell 1989; Dennis & Eales 1999) <strong>und</strong> räumlichen<br />
Übertragbarkeit (z.B. Thomas & Bovee 1993; Glozier et al. 1997; Freeman et al.<br />
1997; Leftwich et al. 1997; Özesmi & Mitsch 1997; Lavers & Haines-Young 1997)<br />
bzw. dem gültigen Anwendungsbereich (Bozek & Rahel 1992; Fielding & Haworth<br />
1995) von Habitatmodellen. Dies macht deutlich, daß diesem Punkt nach wie vor<br />
nicht genügend Aufmerksamkeit geschenkt wird. Fast alle der oben zitierten Arbeiten<br />
stammen entweder aus der Fischökologie oder der Ornithologie.<br />
Die bereits in 2.1 erwähnte Unterscheidung zwischen prädiktiven <strong>und</strong> erklärenden<br />
Modellansätzen (Williams 1981; Fielding & Haworth 1995; Morrison et al. 1998) zu<br />
berücksichtigen, ist für eine sinnvolle Durchführung der Modellvalidierung wesentlich,<br />
wenngleich ihre Vermischung in der ökologischen Modellierung häufig unvermeidbar<br />
<strong>und</strong> auch nicht unbedingt von Nachteil ist (Caswell 1976). Dabei ordnet<br />
Caswell die schrittweise Bildung von Regressionsmodellen, bei der über Ausschluß<br />
oder Aufnahme einer erklärenden Variable in das Modell mittels eines Tests (hier:<br />
LR-Test, s. Gl. (2-4)) allein auf der Basis ihres Beitrages <strong>zur</strong> Verbesserung der<br />
Modellgüte entschieden wird, als Paradebeispiel prädiktiver <strong>Modelle</strong> ein („canonical<br />
form of purely predictive models: stepwise multiple regression“). Mit der ausführlichen Erläuterung<br />
der ökologischen Bedeutung der Habitatfaktoren (vgl. Noon 1986) wurde<br />
aber in 2.6.4 die über die Prognoseanwendung hinausgehende Plausibilität dieser<br />
<strong>Modelle</strong> herausgestellt <strong>und</strong> der erklärende Charakter dieser <strong>Modelle</strong> aufgezeigt.<br />
Auf der Datengr<strong>und</strong>lage eines Untersuchungsgebietes <strong>und</strong> eines Untersuchungsjahres<br />
erstellte Habitatmodelle erlauben - wenn ihre Übertragbarkeit nicht untersucht<br />
<strong>und</strong> festgestellt wurde - nur Aussagen, die räumlich <strong>und</strong> zeitlich auf die der Modellierung<br />
zugr<strong>und</strong>eliegenden Daten begrenzt sind (Fielding & Haworth 1995). Um<br />
diese lokale Aussagekraft der entwickelten <strong>Modelle</strong> in Richtung allgemeiner Aussagen<br />
zu erweitern, bedarf es ihrer Validierung in räumlicher <strong>und</strong> zeitlicher Dimension (vgl.<br />
Schamberger & O'Neil 1986; Noon 1986; Fielding & Haworth 1995).<br />
Ausgehend von einem bei Thomas & Bovee (1993) bzw. Freeman et al. (1997) vorgestellten<br />
Verfahren wird in diesem Abschnitt eine Methode <strong>zur</strong> Beurteilung der<br />
Übertragbarkeit multivariater Habitatmodelle vorgestellt. Am Beispiel der in Abschnitt<br />
2 entwickelten <strong>Modelle</strong> werden für C. dorsalis ausführlich <strong>und</strong> für S. grossum<br />
weniger ausführlich Möglichkeiten der Überprüfung von Übertragbarkeit dargelegt.<br />
Die Validierung dieser <strong>Modelle</strong> in Raum <strong>und</strong> Zeit wird demonstriert.
3.3 Methoden der Modellvalidierung 69<br />
3.2 Datengr<strong>und</strong>lage – Freilanddaten<br />
Die hier verwendeten Daten entsprechen denen aus Abschnitt 2. Zusätzlich werden<br />
die im zweiten Untersuchungsgebiet, dem Rhinluch, erhobenen Daten verwendet.<br />
Die Datensätze werden bezüglich der einzelnen Untersuchungsjahre <strong>und</strong> -gebiete getrennt,<br />
um die Modellübertragung in Zeit <strong>und</strong> Raum durchführen zu können (Tab. 1-3).<br />
Als Prädiktorvariablen werden für die Modellübertragungen die parallel <strong>zur</strong> Heuschreckenerhebung<br />
aufgenommenen Habitatfaktoren (Tab. 1-5) verwendet. Aufgr<strong>und</strong><br />
der unterschiedlichen Vegetationszusammensetzungen der beiden Untersuchungsgebiete<br />
konnten nicht für alle Untersuchungsflächen alle erklärenden Variablen<br />
aufgenommen werden. Für die Analyse der Drömling-internen zeitlichen Übertragbarkeit<br />
finden auch die Variablen der Vegetationsstrukturkartierung (Tab. 1-6)<br />
Verwendung. Die Übertragung der autologistischen <strong>Modelle</strong> hingegen (vgl. 2.4.2.2),<br />
unterbleibt, da gemessen am Erfolg der Aufwand der Datenpräparation mittels GIS<br />
zu hoch wäre (vgl. 2.6.2.4).<br />
3.3 Methoden der Modellvalidierung<br />
3.3.1 Modellvalidierung durch Modellübertragung<br />
Bezug nehmend auf Marcot et al. (1983), die eine Vielzahl von Kriterien <strong>zur</strong> Validierung<br />
von Habitatmodellen angeben, führen Morrison et al. (1998) die in Tab. 3-1 aufgelisteten<br />
Schritte der Modellvalidierung an. Der Validierungsprozeß soll dabei auf<br />
die Angemessenheit der gesteckten Ziele <strong>und</strong> der Modellstruktur sowie die Anwendbarkeit,<br />
Verläßlichkeit, Korrektheit <strong>und</strong> Vollständigkeit der <strong>Modelle</strong> Bezug nehmen<br />
(Morrison et al. 1998).<br />
Tab. 3-1: Schritte der Modellvalidierung nach Morrison et al. (1998).<br />
(1) Modellverifikation: Sicherstellung der Benutzung korrekter Gleichungen <strong>und</strong><br />
Quellcodes, Suche nach <strong>und</strong> Aufdeckung von Inkonsistenzen (vgl. Jeffers 1978);<br />
Test der internen Logik des Modells (Jørgensen 1994).<br />
(2) Überprüfung der Anwendbarkeit durch Befragung potentieller Anwender, da zu<br />
komplexe oder „esoterische“ <strong>Modelle</strong> nicht eingesetzt werden.<br />
(3) Überprüfen der notwendigen Datenqualitäten, da sich <strong>Modelle</strong>, die auf zu<br />
speziellen Variablen beruhen, nur schwer hinsichtlich ihrer Übertragbarkeit<br />
untersuchen lassen <strong>und</strong> zu Ökosystemmanagementzwecken voraussichtlich<br />
kaum eingesetzt werden.<br />
(4) Überprüfung <strong>und</strong> Festlegung des Gültigkeits- <strong>und</strong> Anwendungsbereiches des<br />
Modells.<br />
(5) Überprüfung der Übereinstimmung von <strong>Modelle</strong>rgebnissen <strong>und</strong> realen Beobachtungen.
70 3 Validierung der Habitatmodelle<br />
Die ersten drei Schritte dieses übergeordneten Schemas (Tab. 3-1) sind in Abschnitt<br />
2 bzw. bei Schröder (1996, unveröff. Dipl.-Arb.) schon ausführlich diskutiert<br />
worden, ebenso wie der letzte Aspekt (5), der in den umfangreichen Kapiteln <strong>zur</strong><br />
Modellbewertung, den Klassifikationen <strong>und</strong> ROC-Kurven untersucht wurde (2.4).<br />
Um den Gültigkeits- <strong>und</strong> Anwendungsbereich der <strong>Modelle</strong> zu analysieren – Schritt<br />
(4) –, muß Schritt (5) aber auch im Zuge der Modellvalidierung erfolgen. So werden<br />
die letzten beiden Punkte in dieser Arbeit durch ein Verfahren umgesetzt, das sich an<br />
Thomas & Bovee (1993) bzw. Freeman et al. (1997) anlehnt.<br />
Realistische Schätzungen der Klassifikationsgüte erhält man durch die Validierung<br />
des Modells anhand unabhängiger Testdaten, die nicht <strong>zur</strong> Modellbildung verwendet<br />
wurden (Deichsel & Trampisch 1985; Jørgensen 1994). Die in 2.3.4 eingeführte<br />
Validierung durch die Resampling-Technik der Kreuzvalidierung ist nur ein „Notbehelf“,<br />
wenn keine unabhängigen Daten <strong>zur</strong> Überprüfung des Modells <strong>zur</strong> Verfügung<br />
stehen. Da innerhalb des Projektes aber Datensätze aus drei Untersuchungsjahren<br />
<strong>und</strong> zwei Niedermooren aufgenommen wurden, bietet sich eine Validierung durch<br />
zeitliche <strong>und</strong> räumliche Modellübertragungen an (vgl. Shirvell 1989; Fielding &<br />
Haworth 1995; Özesmi & Mitsch 1997; Dennis & Eales 1999). Diese wird hier in<br />
den folgenden Schritten durchgeführt:<br />
Bildung des Originalmodells: Mittels schrittweiser multipler logistischer Regression<br />
wird an einen Trainingsdatensatz, der auf ein Untersuchungsgebiet <strong>und</strong> -jahr beschränkt<br />
ist, ein optimal angepaßtes Modell geschätzt („Originalmodell“).<br />
Modellübertragung: Für den aus einem anderen Untersuchungsgebiet <strong>und</strong>/oder<br />
aus einem anderen Untersuchungsjahr stammenden Testdatensatz werden dann<br />
ebenfalls mit diesem Modell Vorkommenswahrscheinlichkeiten errechnet <strong>und</strong> Inzidenz-Prognosen<br />
abgeleitet („übertragenes Modell“).<br />
Wiederholung der beiden vorangegangenen Schritte: In einem dritten Schritt wird<br />
dieses Vorgehen mit vertauschten Trainings- <strong>und</strong> Testdatensätzen wiederholt,<br />
um nach Ermittlung der jeweiligen Prognosegüten von Originalmodellen <strong>und</strong><br />
Modellübertragungen einen Vergleich zu erhalten (vgl. Caswell 1976).<br />
3.3.2 Modellbewertung bei Modellübertragung<br />
Im Zuge dieses Vorgehens erlaubt ein Vergleich der jeweiligen Originalmodelle, Aussagen<br />
hinsichtlich der Robustheit der postulierten Art-Habitat-Beziehung zu treffen<br />
(s. 3.4.1.3). Dieser qualitative Ansatz der Übertragbarkeitsprüfung berücksichtigt die<br />
beim Vertauschen von Trainings- <strong>und</strong> Testdatensatz in die jeweiligen Originalmodelle<br />
eingehenden Habitatfaktoren (vgl. Freeman et al. 1997). Untersucht wird<br />
hierbei, ob in beide Originalmodelle dieselben Prädiktorvariablen mit vergleichbaren<br />
Abhängigkeiten eingehen, d.h. dieselben Vorzeichen für die Regressionskoeffizienten<br />
geschätzt werden bzw. diese dieselben Werte aufweisen.<br />
Da es bei dieser Art der Modellvalidierung aber in erster Linie um den prädiktiven<br />
Charakter der <strong>Modelle</strong> geht (s.o.), wird das Hauptaugenmerk auf die Prognosegüte<br />
der <strong>Modelle</strong> gerichtet (vgl. Fielding & Haworth 1995), zumal die ökologische Bedeu-
3.3 Methoden der Modellvalidierung 71<br />
tung der <strong>Modelle</strong> schon untersucht wurde (s. 2.6.4). Deshalb werden die in Tab. 3-2<br />
zusammengefaßten Güteparameter für das „Original-“ <strong>und</strong> das übertragene Modell<br />
einander gegenübergestellt (vgl. 2.3.3). Unter statistischen Gesichtspunkten aussagekräftiger<br />
ist allerdings die Verwendung von Tests hinsichtlich der Signifikanz der Modellübertragung,<br />
wie sie im folgenden Abschnitt 3.3.2.1 eingeführt <strong>und</strong> erläutert<br />
werden.<br />
3.3.2.1 Signifikanztests auf Übertragbarkeit<br />
Für die Klassifikationsmatrizen (Abb. 2-1) der Originalmodelle als auch der übertragenen<br />
<strong>Modelle</strong> wird in Anlehnung an Thomas & Bovee (1993) bzw. Freeman et al.<br />
(1997) ein Signifikanztest durchgeführt. Er ermöglicht die Unterscheidung zwischen<br />
übertragbaren <strong>und</strong> nicht übertragbaren <strong>Modelle</strong>n. Die Klassifikationen werden unter<br />
Verwendung des Klassifikationsschwellenwertes P fehlergerecht durchgeführt (vgl. 2.3.3.2).<br />
In den Ergebnistabellen (Tab. A3-1 bis Tab. A3-12) werden zusätzlich die mittels P opt<br />
erhaltenen Resultate aufgeführt. Sie werden aber aufgr<strong>und</strong> der z.T. stark einseitigen<br />
Klassifikationsmatrizen (extreme Sensitivität bei sehr geringer Spezifizität <strong>und</strong> umgekehrt)<br />
nicht weitergehend zum Test auf Übertragbarkeit verwendet (z.B. Tab. A3-3).<br />
Mittels eines G-Tests (log-likelihood ratio test, Sokal & Rohlf 1995) wird der Zusammenhang<br />
zwischen Daten <strong>und</strong> Prognosen in den Klassifikationsmatrizen überprüft.<br />
Getestet wird die Nullhypothese, welche besagt, daß geeignete (Vorhersage: Vorkommen)<br />
<strong>und</strong> ungeeignete Biotope (Vorhersage: Nichtvorkommen) in demselben<br />
Verhältnis besetzt sind. Überschreitet die aus der Belegung der Klassifikationsmatrix<br />
berechnete Teststatistik G obs (s. Gl. (A3-1); Sokal & Rohlf 1995) einen kritischen Wert,<br />
so ist die Alternativhypothese zu akzeptieren (vgl. Thomas & Bovee 1993). Diese besagt,<br />
daß auf geeigneten Biotopen proportional häufiger Vorkommen beobachtet<br />
werden. Kann die Nullhypothese für eine Modellübertragung nicht verworfen werden,<br />
so ist das übertragene Modell nicht besser als ein Zufallsmodell. Damit ist es<br />
nicht übertragbar.<br />
Einen vergleichbaren Signifikanztest der Modellübertragung, der unabhängig von der<br />
getroffenen Wahl des Klassifikationsschwellenwertes P krit ist (vgl. s. 2.3.3.3), leite ich<br />
aus den ROC-Kurven (Hanley & McNeil 1982; Zweig & Campbell 1993) ab. Nach<br />
Beck & Shultz (1986) testet die in Gl. ( 3-1 ) gezeigte Statistik die Nullhypothese, daß<br />
sich die Fläche unter der ROC-Kurve (AUC) nicht signifikant von einem kritischen<br />
AUC-Wert unterscheidet.<br />
( AUC − AUC )<br />
z =<br />
mit:<br />
krit<br />
SE AUC<br />
AUC : Fläche unter der ROC-Kurve<br />
AUCkrit : kritischer AUC-Wert, z.B.: 0.5<br />
SEAUC : Standardfehler der Fläche unter der ROC-Kurve (s. Hanley & McNeil 1982)<br />
( 3-1 )<br />
Als kritischen Wert verwende ich AUC krit = 0.5, was der Fläche unterhalb der ROC-<br />
Kurve eines Zufallsmodells <strong>und</strong> damit einem nicht übertragbaren Modell entspricht.
72 3 Validierung der Habitatmodelle<br />
Da z ~ N(0,1) gilt (Beck & Shultz 1986), kann man durch den Vergleich mit den<br />
Quantilen der Standardnormalverteilung Aussagen darüber treffen, ob die Fläche<br />
unter der ROC-Kurve signifikant vom kritischen AUC-Wert (etwa eines Zufallsmodells)<br />
abweicht. Ohne Beschränkung der Allgemeinheit kann bei diesem Test der<br />
kritische AUC-Wert von 0.5 durch andere minimal akzeptable Klassifizierungsgüten<br />
ersetzt werden (Beck & Shultz 1986). So kann beispielsweise getestet werden, ob ein<br />
übertragenes Modell für die Testdaten einen höheren AUC-Wert von beispielsweise<br />
0.6 oder 0.75 signifikant übertrifft.<br />
Der Vorteil dieses Signifikanztests ist, daß der gesamte Bereich möglicher Klassifizierungen<br />
berücksichtigt wird <strong>und</strong> sich dadurch unterschiedliche Prävalenzen in den<br />
Trainings- <strong>und</strong> Testdatensätzen weniger stark auf die Bewertung der Übertragbarkeit<br />
auswirken (s. 3.5.3.2).<br />
Zur Beurteilung der Modellübertragungen werden im Ergebnisteil die in Tab. 3-2<br />
aufgelisteten Kriterien angegeben.<br />
Tab. 3-2: Gütekriterien der Modellübertragung (vgl. Tab. 2-4).<br />
• ROC-Kurven<br />
• AUC-Wert mit Signifikanztest der ROC-Kurve bei Modellübertragungen (nach<br />
Gl. ( 3-1 ))<br />
• Anteil korrekter Klassifikationen, Sensitivität <strong>und</strong> Spezifizität für zwei<br />
Klassifikationsmatrizen:<br />
– Klassifikationsmatrix mit maximalem Anteil korrekter Klassifikationen (Popt)<br />
– Klassifikationsmatrix, bei der Anteil korrekter Prognosen ≈ Sensitivität ≈<br />
Spezifizität (Pfehlergerecht)<br />
• R 2 Nagelkerke des Originalmodells (R 2 N), s. Gl. ( 2-7 )<br />
3.4 Ergebnisse<br />
3.4.1 Übertragbarkeitsuntersuchungen für Conocephalus dorsalis<br />
An eine detaillierte Darstellung des Verfahrens in 3.4.1.1 schließt sich eine Zusammenfassung<br />
sämtlicher Modellübertragungen an (3.4.1.2). Sie wird in 3.4.1.3 bis<br />
3.4.1.6 <strong>zur</strong> Analyse einzelner Aspekte weiter aufgegliedert.<br />
3.4.1.1 Detaillierte Darstellung des Übertragbarkeittests anhand einer vorwärts<br />
schrittweisen Modellübertragung<br />
Tab. 3-3 stellt – analog zu Tab. 2-8 <strong>und</strong> Tab. 2-9 – detailliert die schrittweise Verbesserung<br />
bei der Bildung eines Modells sowie die Auswirkung auf die Prognosegüte bei<br />
der zeitlichen <strong>und</strong> räumlichen Übertragung dieses Modells dar. Das Originalmodell<br />
beruht auf den Drömling-Daten von 1995, übertragen wird es auf Drömling-Daten<br />
von 1996 <strong>und</strong> Rhinluch-Daten von 1995 (Tab. 3-3 A). Tab. 3-3 B zeigt die Ergebnisse<br />
der räumlichen <strong>und</strong> zeitlichen „Rück-“übertragungen, d.h. nach Vertauschen<br />
der Trainings- <strong>und</strong> Testdaten. Im Gegensatz zu den in 3.4.1.2 vorgestellten, rück-
3.4 Ergebnisse 73<br />
wärts schrittweise erstellten <strong>Modelle</strong>n wird hier aus Gründen der besseren Darstellbarkeit<br />
das vorwärts schrittweise Verfahren verwendet.<br />
In den jeweils ersten Zeilen von Tab. 3-3 A & B werden die Klassifikationsraten für<br />
die Nullmodelle angegeben, welche die Prävalenz in den Datensätzen widerspiegeln.<br />
So besagt das in 66% aller Fälle korrekt prognostizierende Nullmodell in Tab. 3-3 B,<br />
daß die Aussage „Auf den Untersuchungsflächen im Rhinluch kamen 1996 keine<br />
Schwertschrecken vor!“ in 66% aller Fälle richtig war, da die Prävalenz auf den untersuchten<br />
Flächen in diesem Jahr 34% betrug (vgl. Tab. 1-3). Für die Nullmodelle<br />
existiert kein Klassifikationsschwellenwert P fehlergerecht, da sie entweder in allen Fällen<br />
Vorkommen oder Nichtvorkommen prognostizieren. Deshalb nimmt bei ihnen<br />
gr<strong>und</strong>sätzlich immer eines der beiden Kriterien Sensitivität <strong>und</strong> Spezifizität den Wert<br />
0%, das andere den Wert 100% an. Eine solche Prognose ist nicht aussagekräftig <strong>und</strong><br />
die zugehörige Klassifikationsmatrix nicht signifikant. Alle anderen Klassifikationsraten<br />
in Tab. 3-3 sind aus Matrizen mit P fehlergerecht berechnet.<br />
Tab. 3-3: Bestimmtheitsmaß, Anteil korrekter Prognosen (Pfehlergerecht) <strong>und</strong> Signifikanz der Prognose<br />
für eine vorwärts schrittweise logistische Regression.<br />
A: Originalmodell: Drömling 1995; zeitliche Übertragung auf Drömling 1996 <strong>und</strong> räumliche<br />
Übertragung auf Rhinluch 1995.<br />
B: Originalmodell: Drömling 1996; zeitliche „Rück-“Übertragung auf Drömling 1995 <strong>und</strong> räumliche<br />
Übertragung auf Rhinluch 1996.<br />
A<br />
Originalmodell (Trainingsdatensatz)<br />
'95<br />
zeitliche<br />
Übertragung<br />
Drömling '96 Dr '95<br />
hinzugefügte Variable<br />
(Freiheitsgrade)<br />
R 2 N<br />
korrekt<br />
[%]<br />
korrekt<br />
[%]<br />
räumliche<br />
Übertragung<br />
korrekt<br />
[%]<br />
Nullmodell 51.0 n.s. 47.0 n.s. 35.0 n.s.<br />
1. + Vegetationshöhe (1) 0.074 66.9 ∗∗∗ 68.3 ∗∗∗ 59.8 ∗∗∗<br />
2. + Vegetationshöhe 2 (1) 0.250 69.4 ∗∗∗ 67.7 ∗∗∗ 62.4 ∗∗∗<br />
3. + Landnutzung (4) 0.324 72.0 ∗∗∗ 67.8 ∗∗∗ 62.4 ∗∗∗<br />
4. + Juncus-Bedeckung (1) 0.375 73.3 ∗∗∗ 66.8 ∗∗∗ 66.4 ∗∗∗<br />
5. + Biotoptyp (7) 0.412 73.7 ∗∗∗ 62.8 ∗∗∗ 64.8 ∗∗∗<br />
B '96<br />
Drömling '95 Dr '96<br />
Nullmodell 53.0 n.s. 49.0 n.s. 66.0 n.s.<br />
1. + Vegetationshöhe (1) 0.107 66.8 ∗∗∗ 66.9 ∗∗∗ 65.8 ∗∗<br />
2. + Vegetationshöhe 2 (1) 0.203 66.5 ∗∗∗ 68.1 ∗∗∗ 65.5 ∗∗<br />
3. + Biotoptyp (7) 0.293 72.2 ∗∗∗ 68.2 ∗∗∗ 66.4 ∗∗<br />
mit ∗∗∗ ⇔ P < 0.001; ∗∗ ⇔ P < 0.01; ∗ ⇔ P < 0.05 (G-Test; s. Gl. ( 3-2 ))<br />
Mit jeder Berücksichtigung einer zusätzlichen Variable wird eine Verbesserung der<br />
Modellanpassung (s. R 2<br />
N-Werte in Tab. 3-3) wie auch der Klassifikationsgüte für das<br />
Originalmodell erreicht. Diese schrittweise Verbesserung der Klassifikation ist bei<br />
den Modellübertragungen nicht so deutlich festzustellen. Mitunter führt die Hereinnahme<br />
weiterer Variablen ins Originalmodell zu leichten Klassifikationsverschlechte-<br />
Rh<br />
Rh
74 3 Validierung der Habitatmodelle<br />
rungen bei den Übertragungen (z.B. letzter Schritt in Tab. 3-3 A). Die Originalmodelle<br />
weisen erwartungsgemäß einen höheren Klassifizierungserfolg auf als die<br />
vergleichbaren Modellübertragungen, da sie an die Trainingsdaten optimal angepaßt<br />
wurden: Drömling-Daten von 1995: 73.7% (Originalmodell) > 68.2% (Übertragung<br />
des Modells vom Drömling 1996); Drömling-Daten von 1996: 72.2% (Originalmodell)<br />
> 62.8% (Übertragung des Modells vom Drömling 1995).<br />
Die vorgestellten <strong>Modelle</strong> sind beginnend mit den einfachsten <strong>Modelle</strong>n, die nur den<br />
ersten, trennschärfsten Faktor berücksichtigen, für alle Schritte übertragbar. Die<br />
Modellübertragungen sind darüber hinaus in jedem Fall weitaus besser als die damit<br />
zu vergleichenden Nullmodelle.<br />
Das vorwärts schrittweise Verfahren wählt für die beiden Trainingsdatensätze in<br />
Tab. 3-3 nicht exakt dieselben Habitatfaktoren aus. So finden die Landnutzung <strong>und</strong><br />
die Juncus-Bedeckung im Drömling-Modell für 1996 keine Berücksichtigung, da sie<br />
auf den 1996 untersuchten Flächen eine geringere diskriminatorische Bedeutung<br />
hatten. Für die in beiden <strong>Modelle</strong>n vorhandenen erklärenden Variablen gelten aber<br />
dieselben Zusammenhänge, wie Abb. 3-1 beispielhaft für den Faktor „Vegetationshöhe“<br />
zeigt (vgl. auch Vorzeichen der Regressionskoeffizienten in Tab. 3-6).<br />
Vorkommenswahrscheinlichkeit C. dorsalis<br />
1,0<br />
0,8<br />
0,6<br />
0,4<br />
0,2<br />
Daten 1995<br />
Modell 1995<br />
Daten 1996<br />
Modell 1996<br />
0,0<br />
0 50 100 150 200 250<br />
Vegetationshöhe [cm]<br />
Abb. 3-1: Responsekurven der univariaten <strong>Modelle</strong> (Schlüsselfaktor „Vegetationshöhe") für die<br />
Drömling-Daten von 1995 <strong>und</strong> 1996 (erhalten nach Zeile 2 in Tab. 3-3A & B). Daten als relative<br />
Vorkommenshäufigkeit für Vegetationshöhenklassen.<br />
3.4.1.2 Zusammenfassung sämtlicher Modellübertragungsergebnisse <strong>und</strong> Vergleich<br />
der Übertragbarkeitstests<br />
Wie in Tab. 3-3 beispielhaft dargestellt, werden für sämtliche möglichen Modellübertragungen<br />
in Raum <strong>und</strong> Zeit zwischen den Untersuchungsjahren <strong>und</strong> -gebieten<br />
<strong>Modelle</strong> entwickelt. Zum Vergleich der verwendeten Testverfahren (s. 3.3.2.1) faßt<br />
Tab. 3-4 die Prognosegüte (als AUC-Werte) sowie die Ergebnisse der Signifikanztests<br />
nach Gl. ( 3-1 ) sämtlicher hier rückwärts schrittweise gebildeter <strong>Modelle</strong> zusammen.<br />
Verglichen damit wird Tab. 3-5, welche sich auf die Signifikanz einzelner Klas-
3.4 Ergebnisse 75<br />
sifikationsmatrizen (s. Gl. (A3-1)) mit dem Schwellenwert P fehlergerecht bezieht. Eine weitere<br />
Zusammenfassung in Form der ROC-Kurven findet sich in Abb. 3-2 <strong>und</strong> Abb. 3-3.<br />
Tab. 3-4: Conocephalus dorsalis: AUC-Werte <strong>und</strong> Signifikanz der räumlichen <strong>und</strong> zeitlichen<br />
Modellübertragungen für Drömling <strong>und</strong> Rhinluch; Diagonale: „Originalmodelle".<br />
Test<br />
Training<br />
'95<br />
'96<br />
'97<br />
'95<br />
'96<br />
'97<br />
'95<br />
'96<br />
'97<br />
0.83 0.62 0.65 0.78 0.79 0.75<br />
0.74 0.79 0.66 0.67 0.78 0.81<br />
0.64 0.68 0.79 0.73 0.62 0.63<br />
0.71 0.57 0.46 0.93 0.77 0.62<br />
0.69 0.72 0.64 0.62 0.84 0.58<br />
0.64 0.68 0.52 0.76 0.73 0.87<br />
'95<br />
'96<br />
P < 0.001 P < 0.01 P < 0.05 n.s.<br />
Tab. 3-5: Conocephalus dorsalis: Anteile korrekter Prognosen <strong>und</strong> Signifikanz der räumlichen<br />
<strong>und</strong> zeitlichen Modellübertragungen für Drömling <strong>und</strong> Rhinluch (Pkrit = Pfehlergerecht); Diagonale:<br />
„Originalmodelle".<br />
Test<br />
Training<br />
'95<br />
'96<br />
'97<br />
'95<br />
'96<br />
'97<br />
'95<br />
'96<br />
'97<br />
74.1 64.6 62.6 67.2 72.9 69.0<br />
68.2 73.8 65.1 64.8 69.2 74.9<br />
60.7 59.9 69.1 70.4 64.5 55.8<br />
65.9 55.6 48.0 85.4 63.4 62.9<br />
64.2 70.4 62.2 61.5 75.3 62.2<br />
60.1 66.2 50.7 75.0 68.6 81.2<br />
'95<br />
'96<br />
P < 0.001 P < 0.01 P < 0.05 n.s.<br />
Beide Testverfahren liefern in etwa dasselbe Muster, wie die Grauschattierungen der<br />
Kreuztabellenelemente zeigen: bei allen noch heraus zuarbeitenden Unterschieden<br />
zwischen den Testverfahren sind insgesamt 24 (Tab. 3-4) bzw. 26 <strong>Modelle</strong> (Tab. 3-5)<br />
übertragbar, davon 23 der insgesamt 30 möglichen Modellübertragungen konstant<br />
<strong>und</strong> zumeist hoch signifikant bei beiden Verfahren. Während drei Übertragungen<br />
(Rhinluch '95 übertragen auf Drömling '96 bzw. '97 sowie Rhinluch '97 auf Drömling<br />
'97) beide Tests nicht bestehen, treten bei den anderen vier nicht signifikanten<br />
Übertragungen Widersprüche zwischen den beiden Tests auf. Diese erscheinen aber<br />
nicht mehr so groß, wenn man auch die erreichten P-Werte der Signifikanztests<br />
'97<br />
'97
76 3 Validierung der Habitatmodelle<br />
vergleicht, denn die von jeweils nur einem Test als nicht signifikant bewerteten<br />
Modelltransfers erreichen beim zweiten Test auch nur vergleichsweise schlechte Ergebnisse.<br />
Als Beispiele seien hier die Übertragungen Rhinluch '96 auf Rhinluch '95<br />
(nicht signifikant in Tab. 3-4 <strong>und</strong> signifikant in Tab. 3-5) oder Drömling '97 auf<br />
Rhinluch '97 (signifikant in Tab. 3-4, aber nicht signifikant in Tab. 3-5) angeführt.<br />
So liefern alles in allem beide Tests konsistente Aussagen, wobei das schwellenwertunabhängige<br />
Verfahren nach Gl. ( 3-1 ) hier etwas konservativer testet. Bei diesem<br />
Test ist die Größe des Standardfehlers von AUC ausschlaggebend, weshalb auch<br />
recht hohe AUC-Werte größer als 0.6 keine Signifikanz der Modellübertragung garantieren<br />
(vgl. z.B. signifikante Übertragung Rhinluch '95 auf '97 vs. nicht signifikante<br />
Übertragung Rhinluch '96 auf '95 in Tab. 3-4).<br />
Die folgende Analyse der Modellübertragungen gliedert sich in verschiedene Unterpunkte,<br />
die anhand ihrer Positionen in Tab. 3-4 <strong>und</strong> Tab. 3-5 charakterisiert werden:<br />
a) Vergleich der Originalmodelle (Trainingsdaten = Testdaten) in 3.4.1.3,<br />
d.h. der Diagonalelemente in Tab. 3-4 <strong>und</strong> Tab. 3-5;<br />
b) Analyse der zeitlichen Übertragbarkeit, jeweils gebietsintern in 3.4.1.4,<br />
d.h. der jeweils neben der Hauptdiagonalen liegenden<br />
übertragenen <strong>Modelle</strong>;<br />
c) Untersuchung der räumlichen <strong>und</strong> raumzeitlichen Übertragbarkeit in 3.4.1.5,<br />
d.h. der auf <strong>und</strong> neben der Gegendiagonalen liegenden<br />
übertragenen <strong>Modelle</strong>.<br />
Abschließend werden die <strong>Modelle</strong> beider Niedermoore verglichen, wobei sowohl die<br />
Modellgüten der jeweiligen Originalmodelle, als auch die Eignung der Datensätze als<br />
Prädiktoren für andere Untersuchungsjahre (zeitliche Übertragung) bzw. Untersuchungsgebiete<br />
(räumliche Übertragung) <strong>und</strong> für die Modellübertragung berücksichtigt<br />
werden (s. 3.4.1.5). Sämtliche ROC-Kurven der in diesem Zusammenhang<br />
geschätzten <strong>Modelle</strong> zeigen Abb. 3-2 <strong>und</strong> Abb. 3-3 (s. 3.4.1.6); die zugehörigen<br />
Ergebnistabellen finden sich in Tab. A3-1 bis Tab. A3-5 im Anhang A3.2.<br />
3.4.1.3 Vergleich der Originalmodelle – Welche Habitatfaktoren werden in den<br />
<strong>Modelle</strong>n berücksichtigt?<br />
Die – allesamt hoch signifikanten – Originalmodelle liefern immer die<br />
besten Prognosen für die zugehörigen Datensätze wie ein spaltenweiser<br />
Vergleich in Tab. 3-4 <strong>und</strong> Tab. 3-5 zeigt. In beiden Untersuchungsgebieten<br />
lassen sich gemessen am AUC-Wert <strong>und</strong> am Bestimmtheitsmaß für das Jahr 1995<br />
die besten, für das Jahr 1996 die schlechtesten <strong>Modelle</strong> bilden (vgl. Tab. A3-5). Die
3.4 Ergebnisse 77<br />
Gütekriterien für die jeweils rückwärts schrittweise angepaßten Originalmodelle<br />
enthält Tab. A3-5 im Anhang A3.2.<br />
Bei den rückwärts schrittweise gebildeten Originalmodellen fanden nicht alle einfachen<br />
Habitatfaktoren (Tab. 1-5) Eingang in die <strong>Modelle</strong>. Die jeweils einbezogenen<br />
Faktoren entsprechen unterschiedlichen Teilmengen derjenigen Faktoren, die im<br />
Gesamtmodell (Tab. 2-8) bzw. bei den <strong>Modelle</strong>n für die hinsichtlich der Untersuchungsjahre<br />
zusammengefaßten Datensätze berücksichtigt sind (s. Tab. 3-6). In<br />
allen <strong>Modelle</strong>n ist der Biotoptyp eine der erklärenden Variablen; andere Faktoren wie<br />
die Vegetationshöhe oder die Carex-Bedeckung finden sich in fast allen <strong>Modelle</strong>n.<br />
Die sich auf Gr<strong>und</strong>lage der geschätzten Regressionskoeffizienten ergebenden Zusammenhänge<br />
zwischen Vorkommen <strong>und</strong> Habitateigenschaften sind in fast allen<br />
Fällen identisch: unimodal für die Vegetationshöhe <strong>und</strong> die Carex-Bedeckung, positiv<br />
sigmoidal für die Juncus-Bedeckung <strong>und</strong> entsprechen damit den in 2.6.4.4 diskutierten<br />
Habitatpräferenzen der Art.<br />
Tab. 3-6: Habitatfaktoren in den multivariaten <strong>Modelle</strong>n der einzelnen Untersuchungsjahre;<br />
(kursiv: nur im rückwärts schrittweise erstellten Modell berücksichtigte Faktoren; in Klammern:<br />
Vorzeichen der Regressionskoeffizienten für die metrischen Variablen).<br />
Trainingsdaten<br />
'95<br />
'96<br />
'97<br />
'95<br />
'96<br />
'97<br />
Habitatfaktoren in den Originalmodellen<br />
Biotoptyp, Juncus-Bedeckung (+), Landnutzung, Vegetationshöhe (+),<br />
Vegetationshöhe 2 (-)<br />
Biotoptyp, Carex-Bedeckung (+), Carex-Bedeckung 2 (-),<br />
Vegetationshöhe (+), Vegetationshöhe 2 (-)<br />
Biotoptyp, Vegetationshöhe (+), Vegetationshöhe2 (-)<br />
Biotoptyp, Juncus-Bedeckung (+), Carex-Bedeckung 2 (+),<br />
Vegetationshöhe 2 (+)<br />
Biotoptyp, Carex-Bedeckung (+), Carex-Bedeckung 2 (-),<br />
Vegetationshöhe (+)<br />
Biotoptyp, Carex-Bedeckung (+), Carex-Bedeckung2 (-), Landnutzung<br />
<strong>Modelle</strong> für hinsichtlich der Untersuchungsjahre zusammengefaßte Daten:<br />
Biotoptyp, Carex-Bedeckung (+), Carex-Bedeckung 2 (-), Juncus-Bedeckung<br />
(+), Landnutzung, Vegetationshöhe (+), Vegetationshöhe 2 (-)<br />
Biotoptyp, Juncus-Bedeckung (+), Juncus-Bedeckung 2 (-),<br />
Vegetationshöhe (+), Vegetationshöhe 2 (-)<br />
3.4.1.4 Zeitliche Modellübertragung in den Untersuchungsgebieten<br />
Mit jeder zeitlichen Übertragung (Tab. A3-1 <strong>und</strong> Abb. 3-2 linke Seite für<br />
den Drömling sowie Tab. A3-2 <strong>und</strong> Abb. 3-3 linke Seite für das Rhinluch)<br />
ist ein Verlust an Prognosegüte verb<strong>und</strong>en (vgl. auch Tab. 3-3). Während<br />
innerhalb des Drömlings alle <strong>Modelle</strong> hoch signifikant zeitlich übertragbar sind,<br />
lassen sich die geschätzten <strong>Modelle</strong> für das Rhinluch nicht auf alle Untersuchungsjahre<br />
übertragen. Gemessen am AUC-Wert sind die Übertragungen Rhinluch '96
78 3 Validierung der Habitatmodelle<br />
auf '95 <strong>und</strong> '97 nicht signifikant (s. Tab. 3-4). Beurteilt man die Übertragungen anhand<br />
der Klassifikationsmatrizen, so sind sie häufig auf niedrigerem Niveau signifikant<br />
(s. Tab. 3-5). Die Unterschiede zwischen den jeweiligen Original- <strong>und</strong> übertragenen<br />
<strong>Modelle</strong>n hinsichtlich der AUC-Werte <strong>und</strong> der Anteile korrekter Klassifikationen<br />
sind beim Drömling geringer als beim Rhinluch.<br />
3.4.1.5 Modellübertragung in Raum <strong>und</strong> Zeit<br />
Die Ergebnisse für die räumlichen <strong>und</strong> raumzeitlichen Modellübertragungen<br />
zeigen Tab. A3-3 bzw. Abb. 3-2 (rechte Seite) für Trainingsdaten<br />
aus dem Drömling sowie Tab. A3-4 bzw. Abb. 3-3 (rechte Seite) für Trainingsdaten<br />
aus dem Rhinluch. Während die Übertragung der Drömling-<strong>Modelle</strong> auf<br />
das Rhinluch zumindest für die Untersuchungsjahre 1995 <strong>und</strong> 1996 immer gelingt<br />
<strong>und</strong> nur für 1997 problematisch ist, lassen sich Rhinluch-<strong>Modelle</strong> in weniger Fällen<br />
übertragen. Die Drömling-Daten können also als guter Prädiktor auch für das Rhinluch<br />
angesehen werden, während das Rhinluch nur in etwas mehr als der Hälfte aller<br />
Fälle für den Drömling gültige <strong>Modelle</strong> liefert.<br />
3.4.1.6 Zusammenfassung der Modellübertragungen durch Gegenüberstellung der<br />
ROC-Kurven<br />
Die bis hierher vorgestellten Ergebnisse sollen in den folgenden zusammenfassenden<br />
Abbildungen der ROC-Kurven untermauert werden (Abb. 3-2 <strong>und</strong> Abb. 3-3).<br />
Gebietsinterne zeitliche Übertragungen finden sich in den linken Spalten, die rechten<br />
Spalten zeigen die Kurven für die räumlichen <strong>und</strong> raumzeitlichen Modellübertragungen.<br />
Die in Tab. 3-4 bzw. Tab. 3-5 in einer Spalte aufgeführten <strong>Modelle</strong> werden<br />
in Abb. 3-2 bzw. Abb. 3-3 jeweils in einer Zeile dargestellt.<br />
Für einige der Modellübertragungen ergeben sich z.T. ungewöhnliche Verläufe der<br />
ROC-Kurven, die verschiedene Ursachen haben können. Als Beispiel sei die zeitliche<br />
Übertragung Drömling '95 auf '96 angeführt (Abb. 3-2 Mitte links): das Abtauchen<br />
der ROC-Kurve unter die Zufallsmodell-Kurve bei höheren Spezifizitäten, aufgr<strong>und</strong><br />
des fehlenden Anstiegs der Sensitivität bei immer kleiner werdenden Schwellenwerten,<br />
liegt an mehreren groben Fehlern erster Art. Einige Flächen, bei denen aufgr<strong>und</strong><br />
des 1995er Modells sehr geringe Vorkommenswahrscheinlichkeiten geschätzt<br />
v<br />
wurden ( P(<br />
Y = 1|<br />
x ) ≈ 0.002), wiesen 1996 Vorkommen auf – eine grobe Fehlklassi-<br />
fikation des '95er Modells also. Selbst bei einem P krit nahe 0 beträgt die Sensitivität<br />
des übertragenen Modells immer noch keine 100%. Dasselbe gilt z.B. für die Übertragungen<br />
Rhinluch '96 auf '95 (Abb. 3-3 links oben) oder Rhinluch '96 auf '97<br />
(Abb. 3-3 links unten). Im entgegengesetzten Fall des auf der linken Seite unterhalb<br />
der Nullmodell-Kurve liegenden ROC-Kurvenverlaufs – z.B. bei der Übertragung<br />
Drömling '96 auf Rhinluch '95 (Abb. 3-3 rechts oben) – ergeben sich sehr hohe Vorkommenswahrscheinlichkeiten<br />
nahe einem Wert von 1 aufgr<strong>und</strong> der Übertragung für<br />
Flächen, auf denen im Testgebiet bzw. -jahr keine Vorkommen festgestellt werden<br />
konnten (s. auch Übertragung Rhinluch '97 auf '96 in Abb. 3-3 Mitte links).
3.4 Ergebnisse 79<br />
Sensitivität<br />
Sensitivität<br />
Sensitivität<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Trainingsdaten: Drömling Trainingsdaten: Rhinluch<br />
Prognosen für Drömling 1995<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
1 - Spezifizität<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Sensitivität<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Prognosen für Drömling 1996<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
1 - Spezifizität<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
Sensitivität<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Rhinluch 1995<br />
Rhinluch 1996<br />
Rhinluch 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Prognosen für Drömling 1997<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
1 - Spezifizität<br />
Sensitivität<br />
1 - Spezifizität<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Rhinluch 1995<br />
Rhinluch 1996<br />
Rhinluch 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
1 - Spezifizität<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Rhinluch 1995<br />
Rhinluch 1996<br />
Rhinluch 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1 - Spezifizität<br />
zeitliche Übertragung raumzeitliche Übertragung<br />
Abb. 3-2: ROC-Kurven für Modellübertragungen bei Conocephalus dorsalis – Prognosen für den<br />
Drömling; links: zeitliche Übertragung (Trainingsdaten aus dem Drömling) <strong>und</strong> rechts: raumzeitliche<br />
Übertragung (Trainingsdaten aus dem Rhinluch).
80 3 Validierung der Habitatmodelle<br />
Sensitivität<br />
Sensitivität<br />
Sensitivität<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Trainingsdaten: Rhinluch Trainingsdaten: Drömling<br />
Prognosen für Rhinluch 1995<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Rhinluch 1995<br />
Rhinluch 1996<br />
Rhinluch 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
1 - Spezifizität<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
1 - Spezifizität<br />
Sensitivität<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Prognosen für Rhinluch 1996<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Rhinluch 1995<br />
Rhinluch 1996<br />
Rhinluch 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1 - Spezifizität<br />
Sensitivität<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Prognosen für Rhinluch 1997<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Rhinluch 1995<br />
Rhinluch 1996<br />
Rhinluch 1997<br />
Sensitivität<br />
1 - Spezifizität<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
1 - Spezifizität<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1 - Spezifizität<br />
zeitliche Übertragung raumzeitliche Übertragung<br />
Abb. 3-3: ROC-Kurven für Modellübertragungen bei Conocephalu s dorsalis – Prognosen für das<br />
Rhinluch; links: zeitliche Übertragung (Trainingsdaten aus dem Rhinluch) <strong>und</strong> rechts: raumzeitliche<br />
Übertragung (Trainingsdaten aus dem Drömling).<br />
Allgemein gilt: die Originalmodelle weisen im Vergleich zu den jeweiligen Modellübertragungen<br />
die besten Prognosegüten auf. Aber auch die meisten Übertragungen
3.4 Ergebnisse 81<br />
bestehen beide Tests. Vergleicht man die Güte der unvalidierten Originalmodelle, so<br />
liefert das Rhinluch höhere Prognosegüten: im Mittel für P fehlergerecht 80.6% korrekte<br />
Prognosen für das Rhinluch vs. 72.3% für den Drömling sowie AUC-Werte von 0.88<br />
bzw. 0.80 (vgl. auch die höheren Bestimmtheitsmaße in Tab. A3-5). Auf den ersten<br />
Blick hat es also den Anschein, daß insgesamt für das Rhinluch bessere <strong>Modelle</strong><br />
angepaßt werden können. Bedenkt man aber, daß schon ein Nullmodell für das<br />
Rhinluch 1995 65%, 1997 sogar 71% korrekte Prognosen liefern kann (s. Prävalenzen<br />
in Tab. 1-3), so erscheinen die fast durchweg hohen Prognosegüten der Rhinluch-<strong>Modelle</strong><br />
in einem anderen Licht. Die relativen Verbesserungen gegenüber den<br />
entsprechenden Nullmodellen (im Drömling zwischen 51% <strong>und</strong> 57% korrekt) sind<br />
dann für die Drömling-<strong>Modelle</strong> größer. Zudem weisen die Diskrepanzen zwischen<br />
den Originalmodellen <strong>und</strong> den zeitlichen, gebietsinternen Modellübertragungen<br />
darauf hin, daß die Rhinluch-<strong>Modelle</strong> zu stark an die Trainingsdaten angepaßt sind.<br />
3.4.2 Zeitliche Übertragung bei <strong>Modelle</strong>n mit Vegetationsstrukturvariablen<br />
Abschließend wird für den Drömling die zeitliche Übertragbarkeit von Habitatmodellen<br />
getestet, in welche neben den Habitatfaktoren die Vegetationsstrukturvariablen<br />
einfließen (vgl. 2.2.1). In die <strong>Modelle</strong> werden die in Tab. 3-7 aufgelisteten<br />
Strukturvariablen <strong>und</strong> Habitatfaktoren integriert.<br />
Tab. 3-7: Drömling: Strukturvariablen <strong>und</strong> Habitatfaktoren der Originalmodelle zum Test der<br />
gebietsinternen zeitlichen Übertragbarkeit.<br />
Trainingsdaten<br />
Drömling<br />
'95<br />
'96<br />
'97<br />
Strukturvariablen <strong>und</strong> Habitatfaktoren in den Originalmodellen<br />
Vertikal- <strong>und</strong> Horizontalstruktur, Heterogenität der Schichtung in<br />
der Krautschicht, Deckung abgestorbener, stehender Phytomasse,<br />
Vegetationshöhe, Vegetationshöhe 2<br />
Horizontal- <strong>und</strong> Vertikalstruktur, Heterogenität der Schichtung in<br />
der Krautschicht, Wuchsform der Individuen in der Krautschicht,<br />
Biotoptyp<br />
Horizontalstruktur, Vegetationshöhe<br />
Werden diese <strong>Modelle</strong> in der Zeit übertragen, so zeigt sich eine starke Diskrepanz<br />
der Prognosegüten von Originalmodellen <strong>und</strong> Übertragungen, was auf eine Überparametrisierung<br />
der Originalmodelle schließen läßt (Tab. 3-8). Dementsprechend<br />
zeigen die <strong>Modelle</strong> für die Trainingsdatensätze teilweise extrem hohe Klassifikationsgüten,<br />
für die – bis auf einen Fall hoch signifikanten – Übertragungen sind sie aber<br />
weniger gut (Tab. 3-8; ROC-Kurven in Abb. A3-1).
82 3 Validierung der Habitatmodelle<br />
Tab. 3-8: Drömling: Gütekriterien für zeitliche Modellübertragungen unter Berücksichtigung<br />
der Strukturvariablen (fett: Originalmodelle).<br />
Training Test AUC [95%CI] R 2 N<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
0.93 [0.90; 0.97] ∗∗∗<br />
0.71 [0.62; 0.80] ∗∗∗<br />
0.76 [0.64; 0.88] ∗∗∗<br />
0.65 [0.56; 0.73] ∗∗∗<br />
0.94 [0.90; 0.97] ∗∗∗<br />
0.63 [0.49; 0.77] n.s.<br />
0.67 [0.58; 0.76] ∗∗∗<br />
0.69 [0.59; 0.79] ∗∗∗<br />
0.82 [0.72; 0.92] ∗∗∗<br />
0.700<br />
0.704<br />
0.441<br />
Popt<br />
(% korrekt | Sens. |<br />
Spez.)<br />
88.1 | 87.9 | 88.3<br />
74.8 | 91.2 | 57.1<br />
73.4 | 96.9 | 50.0<br />
68.5 | 86.3 | 39.7<br />
86.7 | 77.9 | 95.5<br />
67.7 | 100 | 33.0<br />
69.2 | 100 | 22.0<br />
73.6 | 92.5 | 53.2<br />
76.1 | 73.5 | 76.1<br />
3.4.3 Übertragbarkeitsuntersuchungen für Stethophyma grossum<br />
Pfehlergerecht<br />
(% korrekt)<br />
88.1<br />
64.9<br />
67.2<br />
58.2<br />
86.7<br />
58.1<br />
88.7<br />
77.9<br />
68.8<br />
Für die Sumpfschrecke werden die Ergebnisse analog zu Tab. 3-4 <strong>und</strong> Tab. 3-5 bzw.<br />
Abb. 3-2 <strong>und</strong> Abb. 3-3 aufgeführt. Die Kreuztabellen sämtlicher möglicher Originalmodelle<br />
<strong>und</strong> Modellübertragungen zeigen Tab. 3-10 für den auf den AUC-Werten<br />
beruhenden Test <strong>und</strong> Tab. 3-11 für den veränderten Übertragbarkeitstest nach<br />
Thomas & Bovee (1993) bzw. Freeman et al. (1997). Sämtliche Ergebnistabellen wie<br />
auch die ROC-Kurven finden sich im Anhang A3.3 (Tab. A3-11 <strong>und</strong> Tab. A3-12;<br />
Abb. A3-2 <strong>und</strong> Abb. A3-3). Analog zu Tab. 3-6 listet Tab. 3-9 die für S. grossum in<br />
den einzelnen Originalmodellen berücksichtigten statistisch signifikanten Prädiktorvariablen<br />
auf, deren ökologische Bedeutung bereits in 2.6.4.5 diskutiert wurde.<br />
Bei den <strong>Modelle</strong>n für S. grossum ist die Kongruenz zwischen den vor- <strong>und</strong> rückwärts<br />
schrittweise gebildeten <strong>Modelle</strong>n nicht so groß (Tab. 3-9) <strong>und</strong> damit sind die geschätzten<br />
<strong>Modelle</strong> nicht so robust wie bei C. dorsalis (Tab. 3-6). Die rückwärts<br />
schrittweise Modellbildung schließt in einigen Fällen drei bis vier zusätzliche<br />
Habitatfaktoren mit ein, deren Beitrag <strong>zur</strong> Modellverbesserung auf einem Signifikanzniveau<br />
zwischen 0.05 <strong>und</strong> 0.10 liegt (vgl. 2.3.1). Die sich auf Gr<strong>und</strong>lage der<br />
geschätzten Regressionskoeffizienten für die einzelnen Jahre ergebenden<br />
Zusammenhänge zwischen Vorkommen <strong>und</strong> Habitateigenschaften entsprechen auch<br />
bis auf eine Ausnahme (Drömling 1997) bei S. grossum den in 2.6.4.5 diskutierten<br />
Präferenzen der Art.
3.4 Ergebnisse 83<br />
Tab. 3-9: Stethophyma grossum: Habitatfaktoren in den multivariaten <strong>Modelle</strong>n der einzelnen<br />
Untersuchungsjahre; (nur im rückwärts schrittweise erstellten Modell berücksichtigte Faktoren;<br />
in Klammern: Vorzeichen der Regressionskoeffizienten für die metrischen Variablen).<br />
Trainingsdaten<br />
'95<br />
'96<br />
'97<br />
'95<br />
'96<br />
'97<br />
Habitatfaktoren in den Originalmodellen<br />
Biotoptyp, Carex-Bedeckung (+), Juncus-Bedeckung (+), Juncus-Bedeckung<br />
2 (-), Landnutzung, Vegetationshöhe (+), Vegetationshöhe 2 (-)<br />
Biotoptyp, Juncus-Bedeckung (+), Juncus-Bedeckung 2 (-), Vegetationshöhe<br />
(+), Vegetationshöhe 2 (-)<br />
Carex-Bedeckung (+), Juncus-Bedeckung (-), Landnutzung, Vegetationshöhe<br />
(-)<br />
Biotoptyp<br />
Biotoptyp, Juncus-Bedeckung (+), Vegetationshöhe (-)<br />
Biotoptyp, Juncus-Bedeckung (+), Carex-Bedeckung (+), Carex-Bedeckung<br />
2 (-), Vegetationshöhe (+), Vegetationshöhe 2 (-)<br />
<strong>Modelle</strong> für hinsichtlich der Untersuchungsjahre zusammengefaßte Daten:<br />
Biotoptyp, Carex-Bedeckung (+), Juncus-Bedeckung (+), Juncus-Bedeckung<br />
2 (-), Landnutzung, Vegetationshöhe (+), Vegetationshöhe 2 (-)<br />
Biotoptyp, Juncus-Bedeckung (+), Carex-Bedeckung (+), Landnutzung<br />
Gemessen am Test über die AUC-Werte sind vier Übertragungen nicht signifikant.<br />
Drei von ihnen sind Modelltransfers auf die Drömling-Daten von 1997 (Tab. 3-10).<br />
Dahingegen ist der Test auf Gr<strong>und</strong>lage der Klassifikationsmatrizen mit neun nicht<br />
signifikanten Übertragungen selektiver. Die hier im Vergleich zu Tab. 3-10 zusätzlichen<br />
nicht übertragbaren <strong>Modelle</strong> sind fast alle beim ersten Test auf geringerem<br />
Niveau signifikant. Beim zweiten Übertragbarkeitstest fällt der 1997er Drömling-<br />
Datensatz für Übertragungen von dem <strong>und</strong> auf das Rhinluch vollständig aus. Er<br />
liefert damit sechs der neun nicht übertragbaren <strong>Modelle</strong>. Allgemein erreichen auch<br />
für S. grossum die für die Rhinluch-Daten geschätzten <strong>Modelle</strong> höhere Anpassungsgüten,<br />
<strong>und</strong> auch hier ist die gebietsinterne zeitliche Modellübertragung besser<br />
möglich als die gebietsübergreifende räumliche Übertragung.
84 3 Validierung der Habitatmodelle<br />
Tab. 3-10: Stethophyma grossum: AUC-Werte <strong>und</strong> Signifikanz der räumlichen <strong>und</strong> zeitlichen<br />
Modellübertragungen; Diagonale: „Originalmodelle“.<br />
Test<br />
Training<br />
'95<br />
'96<br />
'97<br />
'95<br />
'96<br />
'97<br />
'95<br />
'96<br />
'97<br />
0.78 0.72 0.68 0.67 0.79 0.82<br />
0.72 0.77 0.65 0.69 0.83 0.76<br />
0.66 0.65 0.77 0.66 0.63 0.59<br />
0.61 0.65 0.50 0.79 0.79 0.82<br />
0.65 0.65 0.55 0.80 0.87 0.66<br />
0.68 0.61 0.54 0.70 0.79 0.88<br />
'95<br />
'96<br />
P < 0.001 P < 0.01 P < 0.05 n.s.<br />
Tab. 3-11: Stethophyma grossum: Anteile korrekter Prognosen <strong>und</strong> Signifikanz der räumlichen<br />
<strong>und</strong> zeitlichen Modellübertragungen (Pkrit = Pfehlergerecht); Diagonale: „Originalmodelle“.<br />
Test<br />
Training<br />
'95<br />
'96<br />
'97<br />
'95<br />
'96<br />
'97<br />
'95<br />
'96<br />
'97<br />
70.5 66.6 62.6 65.5 73.8 75.4<br />
66.2 69.9 59.2 64.0 74.8 70.2<br />
61.9 59.6 66.7 56.9 50.9 50.8<br />
57.7 64.5 50.0 70.8 77.8 72.0<br />
63.0 57.4 51.0 72.5 80.0 65.7<br />
62.6 55.7 50.0 64.2 75.2 78.5<br />
'95<br />
'96<br />
P < 0.001 P < 0.01 P < 0.05 n.s.<br />
3.4.4 Vergleich der Modellübertragbarkeit zwischen Conocephalus dorsalis<br />
<strong>und</strong> Stethophyma grossum<br />
Auf Gr<strong>und</strong>lage der einfachen Habitatfaktoren lassen sich für C. dorsalis <strong>Modelle</strong><br />
höherer Prognosegüte anpassen (vgl. Tab. A3-5 mit Tab. A3-11). Auch die Übertragbarkeit<br />
(vgl. Tab. 3-4 mit Tab. 3-10) der C. dorsalis-<strong>Modelle</strong> ist besser – sowohl in<br />
Bezug auf die Anzahl der überhaupt möglichen Modellübertragungen, als auch hinsichtlich<br />
der beim Modelltransfer erreichten Prognosegüten. Die ROC-Kurven in<br />
Abb. 3-2 bzw. Abb. 3-3 im Vergleich zu Abb. A3-2 bzw. Abb. A3-3 (im Anhang<br />
A3.6) verdeutlichen die im Vergleich zu S. grossum allgemein besseren Ergebnisse der<br />
Modellübertragungen.<br />
'97<br />
'97
3.5 Diskussion 85<br />
3.5 Diskussion<br />
3.5.1 Modellübertragung<br />
Ein großer Teil (gemessen am AUC-Wert für C. dorsalis 87%, für S. grossum 83%) der<br />
Modellübertragungen in Raum <strong>und</strong>/oder Zeit erzielte signifikante Ergebnisse, obgleich<br />
sich die landschaftlichen Bedingungen der beiden Untersuchungsgebiete deutlich<br />
voneinander unterscheiden (z.B. Fischer et al. 1998). Auf den jeweiligen Untersuchungsflächen<br />
konnten in beiden Niedermooren die ausgewählten Habitatfaktoren<br />
in vergleichbarer Weise erhoben <strong>und</strong> auf ihrer Gr<strong>und</strong>lage übertragbare <strong>Modelle</strong> entwickelt<br />
werden. Dies gelingt für zeitliche Übertragungen besser als für räumliche <strong>und</strong><br />
für C. dorsalis besser als für S. grossum.<br />
Ein solches Ergebnis wäre nicht zu erwarten, wenn sich die festgestellten Zusammenhänge<br />
zwischen den Habitatfaktoren <strong>und</strong> dem Artvorkommen in den unterschiedlichen<br />
Untersuchungsjahren bzw. -gebieten qualitativ voneinander unterscheiden<br />
würden (z.B. Cook & Irwin 1985) oder wenn die <strong>Modelle</strong> stark überparametrisiert<br />
wären (Fielding & Haworth 1995). Die z.T. auftretenden größeren Diskrepanzen<br />
zwischen den Prognosegüten für die Originalmodelle <strong>und</strong> die Übertragungen<br />
könnten durch einen solchen Effekt der Überparametrisierung (overfitting) erklärt werden,<br />
wobei dieser die Modellübertragung hier nicht verhindert (vgl. 3.4.2). Auch Fielding<br />
& Haworth (1995) beschreiben den Effekt, daß sich <strong>Modelle</strong>, die besonders gut<br />
an ihre Trainingsdaten angepaßt sind, nur vergleichsweise schlecht übertragen lassen<br />
<strong>und</strong> für Testdaten nur schwache Prognosegüten erreichen.<br />
Die differierenden Prognosegüten, die sich für die <strong>Modelle</strong> der beiden Niedermoore<br />
ergeben, können ihre Ursache in der unterschiedlichen Untersuchungsintensität haben.<br />
So wurde im Drömling durchweg eine höhere Anzahl von Untersuchungsflächen<br />
begangen (Tab. 1-3), wodurch ein größeres Spektrum an Habitattypen abgedeckt<br />
werden konnte. Auch methodische Unterschiede aufgr<strong>und</strong> der verschiedenen<br />
Freilanderhebungen sind nicht auszuschließen. Die Validierung der Habitatmodelle<br />
durch Modellübertragung gelingt, obwohl beide Arten in den beiden Gebieten unterschiedliche<br />
Prävalenzen aufwiesen (Tab. 1-3), da diese bei der Wahl der Klassifikationsschwellenwerte<br />
berücksichtigt wurden (Tab. 3-5 <strong>und</strong> s.u.) <strong>und</strong> die aus den Regressionskoeffizienten<br />
abzuleitenden Zusammenhänge in beiden Gebieten den in<br />
2.6.4 diskutierten Habitatpräferenzen entsprechen (Tab. 3-6 bzw. Tab. 3-9, S. grossum).<br />
Die Konstanz des Vorkommens von C. dorsalis auf Untersuchungsflächen, die zwischen<br />
1995 <strong>und</strong> 1997 mehrfach begangenen wurden, war im Drömling mit ca. 30%<br />
gering (Tab. 1-4). Dies deutet auf eine hohe Dynamik <strong>und</strong> räumliche Heterogenität in<br />
den Populationen hin. Die Mahd hat auch auf die Heuschreckenpopulation eine einschneidende<br />
Wirkung (Malkus et al. 1996): auf den gemähten Flächen entsteht ein erhöhter<br />
Prädationsdruck <strong>und</strong> die Tiere fliehen in die angrenzenden Grabenbereiche,<br />
von denen aus die Wiederbesiedlung stattfindet (Sänger 1980). Die Transektbegehungen<br />
liefern in diesem kontinuierlich ablaufenden Prozeß nur schlaglichtartige<br />
Aufnahmen; sie berücksichtigen allein den aktuellen Zustand bzw. die unmittelbare
86 3 Validierung der Habitatmodelle<br />
Vergangenheit der Flächen (Schamberger & O'Neil 1986). Dennoch ergeben die Übertragungen<br />
gute Prognosen, da mit der Vegetationshöhe einer der trennschärfsten<br />
Schlüsselfaktoren direkt an die Dynamik von Mahd <strong>und</strong> Wiederaufwuchs gekoppelt<br />
ist.<br />
3.5.2 Gültigkeitsbereich der <strong>Modelle</strong> – was sind die Voraussetzungen für<br />
Übertragbarkeit?<br />
Aufgr<strong>und</strong> der Relevanz der Habitatfaktoren, der hohen Prognosegüten <strong>und</strong> der<br />
Signifikanz der Modellübertragungen kann davon ausgegangen werden, daß die hier<br />
vorgestellten Habitatmodelle in den beiden Untersuchungsgebieten allgemeine<br />
Gültigkeit besitzen <strong>und</strong> – wenngleich mit Abstrichen, die mit jeder Übertragung verb<strong>und</strong>en<br />
sind – auch für andere Niedermoore mit ähnlicher Vegetationsausstattung<br />
<strong>und</strong> vergleichbarem Nutzungsregime verwendet werden können. Dies gilt vor allem<br />
für C. dorsalis aber auch für die zweite Zielart S. grossum. Hierfür spricht ebenso, daß<br />
die aus den vorgestellten <strong>Modelle</strong>n abgeleitete Charakterisierung optimaler Habitate<br />
für C. dorsalis mit vergleichbaren Beschreibungen aus anderen Untersuchungsgebieten<br />
in Brandenburg <strong>und</strong> Westfalen (s. Beiträge in Mattes 1997) sowie bei Hamburg<br />
(Sörens 1996) als auch in anderen Untersuchungsjahren im Drömling (Benitz 1994,<br />
unveröff. Dipl.-Arb.; Heydenreich 1995; 1998; Suhling & Kratz 1999) harmonisiert.<br />
Entsprechendes gilt auch für S. grossum, für die vergleichbare Ergebnisse bei Untersuchungen<br />
in Niedersachsen (Lorz & Clausnitzer 1988), Bayern (Marzelli 1995) <strong>und</strong><br />
Mittelhessen (Malkus et al. 1996) zu finden sind. Eine großräumiger geographische<br />
Regionen übergreifende Gültigkeit der <strong>Modelle</strong> kann aber allein auf Gr<strong>und</strong>lage der<br />
vorhandenen Datenbasis nicht beurteilt werden.<br />
3.5.2.1 Ökologische Gründe für <strong>und</strong> gegen mögliche Modellübertragungen<br />
Daß dieselben Habitatfaktoren für verschiedene Untersuchungsgebiete <strong>und</strong> -jahre<br />
gut prognostizierende, übertragbare <strong>Modelle</strong> liefern, muß z.B. aufgr<strong>und</strong> regionaler<br />
Stenökie, lokaler Adaptationen, unterschiedlicher Ressourcenverteilung oder Konkurrenzdruck<br />
in verschiedenen Gebieten bei weitem nicht immer der Fall sein. So<br />
weist z.B. Thomas (1995) auf entsprechend der klimatischen Bedingungen qualitativ<br />
stark voneinander abweichende Habitatansprüche von Insektenspezies in verschiedenen<br />
Regionen hin (vgl. auch Thomas 1993). Neben solcherlei Hindernissen bei der<br />
räumlichen Modellübertragung können auch temporäre Effekte eine Rolle spielen.<br />
Kindvall (1995) beispielsweise zeigt für die Zweifarbige Beißschrecke Metrioptera<br />
bicolor (Philippi 1830) die Umkehr der Habitatpräferenzen in Extremwetterjahren.<br />
Der Gültigkeitsbereich von Habitatmodellen ist also stark davon abhängig, in welchem<br />
zeitlichen Kontext die zugr<strong>und</strong>eliegenden Daten erhoben wurden. Um <strong>Modelle</strong><br />
für verläßliche Bewertungen zu verwenden, sollten sie nicht allein aufgr<strong>und</strong> einer<br />
einzigen Begehung gebildet werden (Rice et al. 1981; Clark & Lewis 1983; Rice et al.<br />
1983; Schamberger & O'Neil 1986). Das gilt erst recht für Invertebraten, die häufig<br />
eine stochastisch, u.U. auch chaotisch (s. Abschnitt 5) schwankende Populationsdynamik<br />
aufweisen, welche von Jahr zu Jahr z.T. um Zehnerpotenzen variierende
3.5 Diskussion 87<br />
Individuendichten <strong>zur</strong> Folge haben kann (Varley et al. 1980; Huffaker et al. 1999).<br />
Solche Schwankungen können die Schlußfolgerungen, die aus den geschätzten<br />
<strong>Modelle</strong>n gezogen werden, stark in Frage stellen. Das gilt für Datengr<strong>und</strong>lagen, die<br />
beispielsweise nach einem katastrophalen Ereignis – wie etwa einem extrem langen<br />
winterlichen Überstau im Niedermoor (Suhling & Kratz 1999) – zu einem Zeitpunkt<br />
mit geringer Individuendichte <strong>und</strong> weitverbreiteten lokalen Extinktionen erhoben<br />
wurden. Gleichermaßen gilt dies auch für Untersuchungszeiträume in Jahren, die den<br />
Arten optimale Entwicklungsbedingungen bieten <strong>und</strong> die deshalb <strong>zur</strong> Besiedlung<br />
nicht nur sämtlicher Optimal- sondern auch vieler marginaler „Senken-Habitate“<br />
(Pulliam 1988; Pulliam & Danielson 1991; Donovan et al. 1995) führen.<br />
Doch auch die Zusammenfassung von Daten mehrerer Untersuchungsperioden kann<br />
dazu führen, daß falsche Schlüsse gezogen werden, wie die Übersichtsarbeit von<br />
Schooley (1994) – allerdings für Vertebraten – zeigt. Aus diesem Gr<strong>und</strong> ist die Überprüfung<br />
der zeitlichen Übertragbarkeit der entwickelten <strong>Modelle</strong> so bedeutsam<br />
(Dennis & Eales 1999).<br />
3.5.3 Diskussion der angewendeten Methodik<br />
Neben einem zumindest für einzelne Habitatfaktoren bereits erprobten <strong>und</strong> hier nur<br />
leicht abgewandelten Testverfahren von Thomas & Bovee (1993) bzw. Freeman et al.<br />
(1997) wird in meiner Arbeit ein neuer, auf einem adäquaten, aber bis heute selten<br />
eingesetzten Güteparameter (Fielding & Bell 1997) beruhender Übertragbarkeitstest<br />
vorgestellt (s. 3.3.2.1).<br />
3.5.3.1 Signifikanztest auf Gr<strong>und</strong>lage der Klassifikationsmatrizen<br />
Die Abhängigkeit der Klassifizierungsraten vom Schwellenwert Pkrit (Noon 1986) legt<br />
die Verwendung des ex posteriori zu berechnenden Schwellenwertes Pfehlergerecht (vgl.<br />
Capen et al. 1986; s. 2.3.3.2) nahe. Bei der Modellübertragung stellt sich die Frage des<br />
Schwellenwertes gleich zweifach, da er sowohl für das Originalmodell, als auch für<br />
die Klassifikation der Modellübertragung festgelegt werden muß. Die einfachste Lösung<br />
wäre auch hier die a priori-Vorgabe eines festen Pkrit-Wertes für das Originalmodell<br />
<strong>und</strong> seine Übertragungen, wie z.B. bei Freeman et al. (1997). Damit ist aber<br />
das Problem verb<strong>und</strong>en, daß dieser u.U. weder dem Trainings- noch dem Testdatensatz<br />
gerecht wird. Es besteht die Gefahr, das Originalmodell <strong>und</strong>/oder die Übertragung<br />
aufgr<strong>und</strong> nicht adäquat gewählter Klassifikationsschwellenwerte schlecht zu<br />
beurteilen, obwohl eigentlich hoch signifikante <strong>und</strong> übertragbare Regressionsmodelle<br />
geschätzt werden können, welche die Zusammenhänge zwischen Habitatfaktoren<br />
<strong>und</strong> Vorkommen gut erklären. Um dieses Problem zu umgehen, werden hier für<br />
beide Datensätze separat angepaßte Klassifikationsschwellenwerte ermittelt <strong>und</strong><br />
jeweils für das Originalmodell wie auch die Übertragung Pkrit = Pfehlergerecht bestimmt.<br />
Eine ebenfalls flexible Anpassung an die Daten zeigen Thomas & Bovee (1993), indem<br />
sie geeignete bzw. nutzbare Habitate anhand der mittleren 50% bzw. 95% ihrer<br />
Präsenzbeobachtungen definieren. Alternativ ist auch eine Normierung der prognostizierten<br />
Werte möglich, die dann den Bereich zwischen 0 <strong>und</strong> 1 vollständig ab-
88 3 Validierung der Habitatmodelle<br />
decken (z.B. Bozek & Rahel 1992; Glozier et al. 1997). Für beide Datensätze können<br />
dann dieselben Schwellenwerte verwendet werden, womit die Vergleichbarkeit der<br />
<strong>Modelle</strong> gegeben ist. Nachteil der Normierung ist, daß die Habitateignungsindices<br />
dann nicht mehr als gebietsspezifische Vorkommenswahrscheinlichkeiten zu interpretieren<br />
sind, da die Information über die in den Untersuchungsgebieten unterschiedlich<br />
hohen Prävalenzen dann keine Berücksichtigung mehr finden würde.<br />
Während Freeman et al. (1997) sowie Glozier et al. (1997) nur einzelne Habitatfaktoren<br />
hinsichtlich ihrer Übertragbarkeit testen, kombinieren Thomas & Bovee (1993)<br />
univariate <strong>Modelle</strong>, indem sie nur solche Bedingungen als optimal charakterisieren,<br />
bei denen alle Faktoren optimale Ausprägungen aufweisen. Für C. dorsalis <strong>und</strong><br />
S. grossum hingegen werden hier multivariate <strong>Modelle</strong> entwickelt <strong>und</strong> durch ihre Übertragung<br />
validiert. Schon bei der <strong>Modelle</strong>ntwicklung werden alle ökologisch bedeutsamen<br />
<strong>und</strong> statistisch signifikanten Habitatfaktoren berücksichtigt. So liefern die<br />
<strong>Modelle</strong> eine adäquate Beschreibung der Beziehung zwischen der Art <strong>und</strong> ihrem<br />
Habitat, die der Multidimensionalität der realisierten Nische besser gerecht werden<br />
kann (s. Shugart 1981; Austin et al. 1990).<br />
3.5.3.2 Signifikanztest auf Gr<strong>und</strong>lage der ROC-Kurven<br />
Die Verwendung des auf den AUC-Werten, d.h. den Flächen unterhalb der ROC-<br />
Kurven, beruhenden Übertragbarkeitstests hat demgegenüber den Vorteil, daß die<br />
Bewertung unabhängig von einzelnen Klassifikationsschwellenwerten durchgeführt<br />
wird. Er ermöglicht zudem – neben dem Test gegen die ROC-Kurve eines Zufallsmodells<br />
– auch die Verwendung anderer kritischer Größen des Gütekriteriums<br />
AUCkrit (vgl. Gl. ( 3-1 ), s. Beck & Shultz 1986).<br />
Beide hier durchgeführten Signifikanztests auf Übertragbarkeit verwenden die Klassifikationsmatrizen<br />
bzw. Klassifikationen, die sich aus einem Vergleich zwischen Präsenz-Absenz-Daten<br />
mit Präsenz-Absenz-Prognosen ergeben. Das entspricht in etwa<br />
dem Verfahren bei Freeman et al. (1997), welche die Habitate durch einen Eignungsindex<br />
von 0.4 als Klassifikationsschwellenwert Pkrit in die Gruppen optimal <strong>und</strong> nicht<br />
optimal klassifizieren. Sie verzichten auf den von Thomas & Bovee (1993) wie auch<br />
Glozier et al. (1997) zusätzlich durchgeführten Test hinsichtlich geeigneter <strong>und</strong> ungeeigneter<br />
Habitate (mit Pkrit = Habitateignungsindex 0.1). Freeman et al. (1997) argumentieren<br />
damit, daß der höhere Schwellenwert eine schärfere Beschreibung der Habitatansprüche<br />
garantiert, die unabhängig von gebiets- bzw. flächenspezifischen<br />
Habitatbedingungen <strong>und</strong> der Populationsdichte ist. Bei den hier angewendeten Verfahren<br />
– Berechnung von Vorkommenswahrscheinlichkeiten mittels logistischer Regression<br />
<strong>und</strong> Klassifikation mit angepaßtem Schwellenwert bzw. Berechnung der<br />
Receiver-Operating-Charakteristik – erübrigt sich die Durchführung von mehreren<br />
Tests bei verschiedenen Schwellenwerten.<br />
Die Validierung in Raum <strong>und</strong> Zeit hat die Robustheit der Habitatmodelle gezeigt. Da<br />
wesentliche Nutzungsparameter Eingang in die <strong>Modelle</strong> gef<strong>und</strong>en haben, ist zu<br />
erwarten, daß mit ihrer Hilfe zuverlässige Prognosen hinsichtlich der Auswirkungen<br />
von Managementmaßnahmen im Niedermoor getroffen werden können.
Abschnitt 4<br />
– Habitatkonnektivitätsanalyse –
4 Habitatkonnektivitätsanalyse<br />
4.1 Habitatkonnektivität <strong>und</strong> die landschaftsökologische<br />
Bedeutung des Habitatbegriffs<br />
Als Anwendung der aus den Habitatmodellen erhaltenen Habitateignungskarten (s.<br />
2.4.4 <strong>und</strong> Abb. 4-1) wird hier die landschaftliche Struktur des Drömlings aus der<br />
„Perspektive“ der Zielart C. dorsalis bzw. basierend auf ihren Habitatansprüchen<br />
mittels einer Habitatkonnektivitätsanalyse (vgl. Keitt et al. 1997) näher untersucht.<br />
Eine solche explizit räumliche Betrachtungsweise der Habitate bedeutet auf der<br />
Populationsebene gleichzeitig einen Übergang von der Analyse einzelner lokaler<br />
Populationen zu Populationen in einem räumlich heterogenen Lebensraum (z.B. den<br />
Boer 1981) oder zu Metapopulationen (z.B. Hanski 1991; Reich & Grimm 1996;<br />
Hanski 1999; s. Abschnitt 5).<br />
Unter Habitatkonnektivität wird hier die Vernetzung einzelner Habitatinseln oder<br />
-patches verstanden (Merriam 1984; Schumaker 1996; With et al. 1997). Taylor et al.<br />
(1993) definieren sie als den Grad, in dem die Landschaft die Bewegung von Tieren<br />
zwischen Patches von Ressourcen erleichtert. Ein Patch bezeichnet dabei eine diskrete<br />
<strong>und</strong> intern homogene Einheit (Kotliar & Wiens 1990), die sich durch eine für<br />
die entsprechende Spezies bedeutsame Diskontinuität bestimmter Zustandsgrößen<br />
von Umweltvariablen abgrenzen läßt (Wiens 1976). Die Abgrenzung der Habitatpatches<br />
erfolgt immer in einem spezifischen Maßstab, der eine bestimmte Ebene des<br />
in der Natur zu beobachtenden hierarchischen <strong>und</strong> weite Bereiche von Skalen überspannenden<br />
Patch-Mosaiks herausgreift (Kotliar & Wiens 1990). Roughgarden<br />
(1977) bezeichnet jeden Ort als ein Patch, an dem die Häufigkeit einer Ressource<br />
oder des Vorkommens einer Art im Vergleich zu seiner Umgebung hoch oder<br />
niedrig ist (s. Pickett & White 1985; Forman & Godron 1986). Die Definition eines<br />
Patches erfolgt relativ zu den untersuchten Organismen <strong>und</strong> den zugr<strong>und</strong>eliegenden<br />
Fragestellungen (Wiens 1976; Pickett & White 1985; Addicott et al. 1987).<br />
So weist ein Habitatpatch hier also eine gegenüber der Umgebung stark erhöhte Vorkommenswahrscheinlichkeit<br />
auf. Er bezeichnet ein räumlich zusammenhängendes<br />
Areal besiedelten Habitats <strong>und</strong> wird auf der Ebene der einzelnen Untersuchungseinheiten<br />
abgegrenzt. Patches, die ein bestimmtes Vernetzungskriterium erfüllen,<br />
werden zu Habitatclustern – effektiv verb<strong>und</strong>enen Ensembles von Habitatpatches –<br />
zusammengefaßt (s. 4.4.3).<br />
Die Konnektivität wird zum einen von der räumlichen Landschaftsstruktur (spatial<br />
landscape pattern; Henein & Merriam 1990; Taylor et al. 1993), zum anderen vom<br />
Migrationsverhalten der Art innerhalb <strong>und</strong> zwischen den einzelnen Habitatpatches<br />
(Wiens et al. 1997) bestimmt. Sie ist aus diesem Gr<strong>und</strong> stark maßstabsabhängig<br />
(Doak et al. 1992). So nehmen Arten mit unterschiedlichem Ausbreitungsverhalten<br />
dieselbe Landschaft in verschiedenem Maße als vernetzt bzw. fragmentiert wahr
90 4 Habitatkonnektivitätsanalyse<br />
(Gardner et al. 1993; With et al. 1997). Während einige Arten die Landschaft als ein<br />
Mosaik aus mehr oder weniger geeigneten Habitaten erfahren, besteht sie für andere<br />
Spezies, die ausschließlich auf bestimmte Habitattypen als Lebensraum beschränkt<br />
sind, aus verteilten Patches, die durch eine ungeeignete Matrix getrennt oder durch<br />
Korridore verb<strong>und</strong>en sind (Verboom & van Apeldoorn 1990; Bowne et al. 1999).<br />
Für jede einzelne Art zeigt die Konnektivität als Schwellenwertphänomen (Kareiva &<br />
Wennergren 1995; With & Crist 1995) starke Veränderungen bei charakteristischen<br />
Habitatdistanzen (vgl. Gardner et al. 1987; Keitt et al. 1997). Im Bereich dieser<br />
Schwellenwerte können schon geringfügige Habitatverluste die Konnektivität <strong>und</strong><br />
damit die funktionale Verbindung zwischen Habitatpatches auflösen, was erhebliche<br />
Auswirkungen auf die Verteilung <strong>und</strong> das Überleben von Populationen haben kann<br />
(Gardner et al. 1993; With & King 1999).<br />
Die Struktur der Landschaft wirkt also wie ein skalenabhängiger Filter mit unterschiedlichem<br />
Effekt auf die Ausbreitung von Arten (Keitt et al. 1997) <strong>und</strong> damit<br />
auch auf die Struktur der Lebensgemeinschaften (Caswell & Cohen 1991; Dunning et<br />
al. 1992; Nee & May 1992). In kontinuierlichen Landschaftsmosaiken, in denen die<br />
Habitatqualität keinen abrupten Veränderungen unterworfen ist, ist auch der Filtereffekt<br />
der Landschaftsstruktur nur sehr schwach (Johnson et al. 1992). In stark fragmentierten<br />
Lebensräumen hingegen kann die Filterwirkung sehr einschneidend sein,<br />
so daß Arten die Verteilung ihrer Habitate unterhalb eines kritischen Maßstabs als<br />
isoliert wahrnehmen (Gardner et al. 1993).<br />
Habitatkonnektivität bezeichnet genau das Gegenteil der Habitatfragmentierung, welche<br />
die Zerschneidung von Lebensräumen in immer kleinere <strong>und</strong> zunehmend isolierte<br />
Habitatpatches in Folge des Verlustes von Habitaten durch Habitatveränderungen<br />
<strong>und</strong> -zerstörung (Root 1998) charakterisiert (Kareiva 1990; Andrén 1994; Schumaker<br />
1996; Settele et al. 1996). Der Habitatverlust stellt die wichtigste Bedrohung für gefährdete<br />
Arten (Burgman et al. 1993) sowie den Erhalt der Biodiversität (Kareiva &<br />
Wennergren 1995) dar. Er gilt als die bedeutsamste Ursache für das Aussterben von<br />
Arten in der Vergangenheit (Gould & Elredge 1977) <strong>und</strong> der Zukunft (May 1990;<br />
Boyce 1992). Für das Überleben in den verbleibenden Habitaten jedoch kann die<br />
fehlende Vernetzung aufgr<strong>und</strong> der Fragmentierung ein bedrohliches Problem darstellen<br />
(z.B. Hanski et al. 1995; Bascompte & Solé 1996; Lindenmayer & Possingham<br />
1996). Dies gilt unabhängig von der Qualität des verbliebenen Habitats (Kareiva 1990)<br />
<strong>und</strong> um so mehr, je spezialisierter die Habitatansprüche <strong>und</strong> je beschränkter das Ausbreitungsvermögen<br />
der betroffenen Arten sind (With & Crist 1995; Fahrig 1998).<br />
4.2 Zielsetzung<br />
Ziel der Habitatkonnektivitätsanalyse ist in erster Linie die skalenabhängige Quantifizierung<br />
der Habitatkonnektivität. Auf dieser Gr<strong>und</strong>lage wird gezeigt, wie Trittsteinhabitate<br />
(stepping stones; Jeschke & Fröbe 1994; Keitt et al. 1997) identifiziert <strong>und</strong> die<br />
Auswirkungen von als Ausbreitungsbarrieren wirkenden landschaftszerschneidenden<br />
Maßnahmen auf die Habitatvernetzung quantifiziert werden können. Damit liefert
4.3 Datengr<strong>und</strong>lage 91<br />
die Analyse der Habitatkonnektivität einen wichtigen Beitrag in der Charakterisierung<br />
von Habitaten sowohl auf der Ebene einzelner Patches bzw. Cluster, als auch in<br />
Bezug auf die gesamte Landschaft.<br />
4.3 Datengr<strong>und</strong>lage<br />
Die Konnektivitätsanalyse wird auf der Gr<strong>und</strong>lage des 1995er Habitatmodells für<br />
den Drömling durchgeführt, welches zuverlässige Prognosen ermöglicht (vgl. 3.4.1).<br />
Die auf Basis dieses Modells erstellte Habitateignungskarte (Abb. 4-1) wird mittels<br />
eines Klassifikationsschwellenwertes (P krit, vgl. 2.3.3.2), der die Grenze zwischen geeignetem<br />
<strong>und</strong> ungeeignetem Habitat markiert, dichotomisiert (vgl. Gardner et al.<br />
1993; Wiens 1994). Im Zuge der Analyse wird die Auswirkung verschiedener<br />
Schwellenwerte auf die Konnektivität untersucht. Die zugr<strong>und</strong>eliegenden Habitateignungskarten<br />
berücksichtigen wahlweise nur die flächenhaften (1.5.1) oder zusätzlich<br />
die linienhaften Biotope – also die Grabenrandbereiche (vgl. Abb. 1-4) – , welche<br />
mit der Karte der flächenhaften Biotope verschmolzen werden (Abb. 4-1).<br />
0 1000 2000 3000 4000 5000 6000 7000 8000 m<br />
Habitateignung für<br />
sehr gering<br />
gering<br />
mittel<br />
hoch<br />
sehr hoch<br />
N<br />
C. dorsalis<br />
(P
92 4 Habitatkonnektivitätsanalyse<br />
Ausbreitungsbarrieren<br />
N<br />
Mittellandkanal<br />
Wälder (etc.)<br />
Untersuchungsflächen<br />
500 0 500 m<br />
Abb. 4-2: Waldbiotope <strong>und</strong> Mittellandkanal als mögliche Ausbreitungsbarrieren im Drömling.<br />
4.4 Methode<br />
Die Habitatkonnektivitätsanalyse beruht auf einem Ansatz von Keitt et al. (1997).<br />
Basierend auf der Perkolationstheorie (Stauffer 1985; s. 4.4.1) <strong>und</strong> der Theorie der<br />
Landschaftsgraphen (Cantwell & Forman 1993; 4.4.2) liefert sie mit der Korrelationslänge<br />
(correlation length; 4.4.3) eine mathematische Repräsentation von Habitatkonnektivität<br />
<strong>und</strong> damit einen aussagekräftigen Landschaftsindex (Gardner et al. 1993).<br />
4.4.1 Perkolationstheorie<br />
Die Perkolationstheorie – in den 40er Jahren <strong>zur</strong> Beschreibung der physikalischen<br />
Eigenschaften von Gelen <strong>und</strong> Polymeren entwickelt (Orbach 1986) – wurde bereits<br />
von verschiedenen Autoren <strong>zur</strong> Analyse der Strukturen heterogener <strong>und</strong> fragmentierter<br />
Landschaften (Gardner et al. 1987; O'Neill et al. 1988b) wie auch der Skalenabhängigkeit<br />
von Bewegungsmustern angewendet (Gardner et al. 1989; Johnson et al.<br />
1992). Die mit der Perkolationstheorie entwickelten Methoden (Stauffer 1985)<br />
ermöglichen eine Analyse zweidimensionaler Gitter, welche im Zusammenhang landschaftsökologischer<br />
Untersuchungen dichotomen bzw. binären Landschaften entsprechen<br />
(With & Crist 1995). In diesen Landschaften gibt es für jede Gitterzelle hinsichtlich<br />
einer bestimmten Eigenschaft, wie z.B. „ist als Habitat geeignet“, nur zwei<br />
Zustände: 0 – Nicht-Habitat oder 1 – Habitat. Räumlich zusammenhängende Habitatzellen<br />
werden als ein Habitatpatch interpretiert, räumlich zusammenhängende<br />
bzw. effektiv verb<strong>und</strong>ene Patches als ein Habitatcluster.<br />
Einer der Fixpunkte bei der Anwendung der Perkolationstheorie in der Landschaftsanalyse<br />
ist das Auftreten von sog. „perkolierenden Clustern“ (Gardner et al. 1987;<br />
With & Crist 1995). Ein solcher Cluster überspannt das gesamte Gitter <strong>und</strong> ermöglicht<br />
so Perkolation durch das Gitter (Gardner et al. 1992; Gardner et al. 1993). In
4.4 Methode 93<br />
einem unendlichen quadratischen Gitter mit zufälliger Verteilung der Habitatzellen<br />
tritt ein solcher perkolierender Cluster auf, wenn das Habitat einen bestimmten Anteil<br />
der Gitterzellen belegt (Stauffer 1985). Der Wert dieser kritischen Habitatdichte<br />
HD c hängt von der Regel ab, nach der die Patches bzw. Cluster bestimmt werden<br />
(Gustafson 1998): werden geeignete Zellen mit mindestens einer gemeinsamen Kante<br />
als ein Habitatpatch interpretiert (von-Neumann-Nachbarschaft), so gilt HD c = 0.59<br />
(Stauffer 1985; Orbach 1986). Reicht die Berührung benachbarter Zellen an den<br />
Ecken (Moore-Nachbarschaft), so nimmt HD c den Wert 0.41 an (Stauffer 1985). In<br />
einer endlichen <strong>und</strong> strukturierten Landschaft hingegen ist nach O'Neill et al. (1988b)<br />
eine höhere Habitatdichte notwendig, um das Vorhandensein eines perkolierenden<br />
Clusters zu garantieren. Allerdings können Korridore, welche die Landschaft durchschneiden,<br />
das Auftreten eines solchen Clusters auch bei geringeren Habitatdichten<br />
ermöglichen (Forman & Godron 1986; Turner 1989).<br />
4.4.2 Graphentheorie in der Landschaftsökologie<br />
In der <strong>Ökologie</strong> wurde die Graphentheorie bislang <strong>zur</strong> Analyse verschiedener Aspekte<br />
angewendet, wie z.B. der Untersuchung von Nahrungsketten (Cohen et al. 1990),<br />
von phytosoziologischen Strukturen (Dale 1985) oder der Sukzession (Roberts 1989).<br />
Seine Verwendung in der Landschaftsökologie ist vor allem aufgr<strong>und</strong> der Möglichkeit<br />
interessant, komplexe Landschaftsausschnitte zu vereinfachen <strong>und</strong> auf eine<br />
Menge analysierbarer räumlicher Konfigurationen zu reduzieren (Cantwell & Forman<br />
1993). So liefert ein Landschaftsgraph – bestehend aus einer Menge von Knoten,<br />
Vertices <strong>und</strong> Kanten (nodes, vertices, edges; s. Abb. 4-3) – eine mathematische Repräsentation<br />
von Landschaftselementen. Er kann nicht nur die räumliche Verteilung von<br />
Habitaten sondern auch ihre Verknüpfung darstellen (s.u.).<br />
4.4.3 Verfahren der Habitatkonnektivitätsanalyse<br />
Die Habitatkonnektivitätsanalyse nach Keitt et al. (1997) beruht auf einer Ausweitung<br />
der Perkolationstheorie auf Landschaftsgraphen <strong>und</strong> wird in jener Arbeit auf<br />
der Basis von Habitatpatch-Rasterkarten durchgeführt. Die Landschaftsgraphen werden<br />
gebildet, indem die Habitatpatches (Abb. 4-4 – Schritt 1), d.h. die sie repräsentierenden,<br />
den geometrischen Mittelpunkten der Patches zugeordneten Vertices, durch<br />
Kanten (Abb. 4-4 – Schritt 2) zu Habitatclustern (Abb. 4-4 – Schritt 3) verb<strong>und</strong>en<br />
werden. Diese Verbindung kommt allerdings nur dann zustande, wenn die minimale<br />
Distanz zwischen den Patches unter einer kritischen Entfernung dkrit liegt. Diese<br />
kritische Distanzschwelle charakterisiert gleichzeitig das Ausbreitungsvermögen der<br />
Art, für welche die Analyse durchgeführt wird. In einer solchen Graphenstruktur ist<br />
das Auftreten eines perkolierenden Clusters (bond percolation; Stauffer 1985) nicht<br />
allein von der über den Pkrit-Wert kontrollierten Habitatdichte, sondern auch von der<br />
kritischen mittleren Ausbreitungsdistanz dkrit abhängig (Keitt et al. 1997).<br />
Im Vergleich zu dem von Keitt et al. (1997) vorgestellten Verfahren dienen in meiner<br />
Arbeit Polygonkarten der Habitatpatches als Gr<strong>und</strong>lage der Landschaftsgraphener-
94 4 Habitatkonnektivitätsanalyse<br />
stellung (Abb. 4-4 – Ausgangslage). Als zusätzliches Vernetzungskriterium wird<br />
neben der minimalen Distanz zwischen den Einzelpatches (d krit) auch der Umstand<br />
berücksichtigt, daß die verbindende Kante von möglichen Ausbreitungsbarrieren, wie<br />
z.B. Wäldern oder größeren Wasserwegen (Kratz, mdl. Mitteilung; Mader et al. 1990;<br />
Schippers et al. 1996) unterbrochen werden kann (Abb. 4-3 <strong>und</strong> Abb. 4-4 –<br />
Schritt 1). In einem solchen Fall wird zwischen den Patches keine Verbindung hergestellt<br />
(Abb. 4-4 – Schritt 2). Abb. 4-3 stellt schematisch einen Landschaftsgraphen<br />
<strong>und</strong> die Berücksichtigung des Vernetzungskriteriums dar, während Abb. 4-4 die<br />
Vorgehensweise am Beispiel eines Kartenausschnitts von der südwestlichen Spitze<br />
des Drömlings (Vorsfelder Drömling) verdeutlicht.<br />
Notationen:<br />
d : Minimaldistanz zwischen zwei Habitatpatches<br />
dkrit : kritische Habitatentfernung bzw. Ausbreitungsdistanz<br />
R : Rotationsradius [m]<br />
nk : Anzahl der Gitterzellen in Cluster k<br />
xi, yi : Koordinaten der Zelle i<br />
x , y : Koordinaten des Schwerpunktes des Clusters<br />
C : Korrelationslänge [m]<br />
m : Clusteranzahl<br />
I(j) : normalisierter Wichtigkeitsindex von Patch j<br />
C(¬j) : Korrelationslänge, wenn Patch j ausgeschlossen<br />
d < d krit<br />
d < d krit<br />
d > d krit !<br />
d < d krit<br />
d < d krit<br />
Patch<br />
Vertex/Knoten<br />
Distanz d<br />
Kante<br />
Barriere<br />
Abb. 4-3: Schema eines Landschaftsgraphen mit den Vernetzungskriterien „kritische Habitatdistanz<br />
dkrit” <strong>und</strong> „Vorhandensein von Ausbreitungsbarrieren". Das Patch unten links ist wegen<br />
einer Barriere nicht in den Habitatcluster aus den vier oberen Habitatpatches integriert <strong>und</strong><br />
bildet einen eigenen kleinen Cluster.<br />
/<br />
d krit
4.4 Methode 95<br />
Ausgangslage:<br />
Habitateignungskarte<br />
Schritt 1:<br />
Dichotomisierung der Habitateignungskarte<br />
(im Beispiel mit Pkrit = 0.67); Markierung<br />
möglicher Ausbreitungsbarrieren<br />
Schritt 2:<br />
Habitateignung<br />
sehr niedrig<br />
niedrig<br />
mittel<br />
hoch<br />
sehr hoch<br />
Barrieren<br />
P > 0.67<br />
Barrieren<br />
Belegung der Einzelflächen mit Vertices <strong>und</strong><br />
Verbindung der Kanten bei Erfüllung der<br />
Verknüpfungskriterien, hier:<br />
- dkrit = 10 m<br />
- Barrierenberücksichtigung #<br />
#<br />
Schritt 3:<br />
Zusammenfassung der mittels Kanten verb<strong>und</strong>enen<br />
Habitatpatches zu Habitatclustern<br />
Schritt 4:<br />
Überführung der Habitatclusterkarte in eine<br />
Rasterkarte <strong>zur</strong> Berechnung der Rotationsradien<br />
für jeden Cluster <strong>und</strong> der Korrelationslänge<br />
für den gesamten Kartenausschnitt<br />
Kanten<br />
# Vertices & Knoten<br />
26 verschiedene<br />
Habitatcluster<br />
(Graustufen <strong>zur</strong><br />
Unterscheidung)<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
# # #<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
# #<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
# #<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
#<br />
# #<br />
N<br />
100 0 100 200 m<br />
N<br />
100 0 100 200 m<br />
#<br />
N<br />
100 0 100 200 m<br />
N<br />
100 0 100 200 m<br />
Abb. 4-4: Schrittweise Darstellung der Konnektivitätsanalyse am Ausschnitt des Vorsfelder<br />
Drömlings (im Beispiel: Pkrit = 0.67; dkrit = 10 m; Berücksichtigung von Gräben <strong>und</strong> Barrieren).
96 4 Habitatkonnektivitätsanalyse<br />
Die Konnektivität hängt neben der kritischen Distanzschwelle auch von der durchschnittlichen,<br />
mit der Habitatdichte zusammenhängenden Clustergröße ab. Aufgr<strong>und</strong><br />
der möglichen Formenvielfalt der entstehenden Habitatcluster wird für jeden von<br />
ihnen als Größenmaß nach Gl. ( 4-1 ) ein Rotations- oder Trägheitsradius (radius of<br />
gyration, R) berechnet, welcher die Clusterform berücksichtigt (Stauffer 1985; Creswick<br />
et al. 1992). Vor ihrer Berechnung muß die Karte der Habitatcluster gerastert<br />
werden (vgl. Abb. 4-4 – Schritt 4).<br />
1<br />
R=<br />
n<br />
n<br />
∑<br />
i=<br />
1<br />
2 ( x −x<br />
) + ( y −y<br />
)<br />
i<br />
i<br />
2<br />
( 4-1 )<br />
Der Rotationsradius bezeichnet dann die durchschnittliche Distanz, die sich ein Individuum<br />
bewegen kann, bis es eine Clustergrenze erreicht, wenn es zufällig auf dem<br />
Habitatcluster positioniert wurde. Mit anderen Worten entspricht der Rotationsradius<br />
der durchschnittlichen Ausbreitungsdistanz der Individuen einer Art, deren Ausbreitung<br />
auf die Habitatzellen eines Clusters beschränkt ist (Keitt et al. 1997). Dies<br />
bedeutet implizit, daß die Tiere sich nicht weiter als d krit über die Nicht-Habitat-<br />
Matrix bewegen.<br />
Berechnet man den hinsichtlich der Clustergrößen gewichteten Mittelwert der Rotationsradien<br />
sämtlicher m Habitatcluster, so erhält man nach Gl. ( 4-2 ) die Korrelationslänge<br />
C der Landschaft. Sie gilt als ein allgemeines Maß für die Konnektivität<br />
(Stauffer 1985; Gardner et al. 1993). Aufgr<strong>und</strong> des Vernetzungskriteriums, welches<br />
die Clusterbildung kontrolliert (s. Abb. 4-3), ist die Korrelationslänge in hohem Maße<br />
von der Habitatdichte, der angenommenen kritischen Habitatdistanz <strong>und</strong> dem Vorhandensein<br />
von Ausbreitungsbarrieren abhängig (s. 4.5.1 <strong>und</strong> 4.5.2).<br />
C =<br />
m<br />
∑<br />
k = 1<br />
k<br />
k<br />
m<br />
∑<br />
( n R ) n<br />
( 4-2 )<br />
k = 1<br />
k<br />
Die Korrelationslänge ist als ein für die gesamte Karte berechnetes Durchschnittsmaß<br />
der Distanzen, über welche die Habitate verb<strong>und</strong>en sind, zu interpretieren<br />
(Gardner et al. 1993). Je größer ihr Wert, desto größer ist auch die durchschnittliche<br />
Ausbreitungsdistanz, die ein zufällig in der Landschaft plaziertes Individuum <strong>zur</strong>ücklegen<br />
kann, bevor es eine Habitatgrenze erreicht (Keitt et al. 1997).<br />
Habitate, die einen besonderen Beitrag <strong>zur</strong> Vernetzung leisten, indem sie innerhalb<br />
eines Landschaftsgraphen eine zentrale <strong>und</strong> nicht ersetzbare Position einnehmen,<br />
werden als Trittsteinhabitate bezeichnet (Jeschke & Fröbe 1994; Keitt et al. 1997;<br />
Moilanen et al. 1998). Wird ein solches Habitatpatch bei der Berechnung der Korrelationslänge<br />
nicht berücksichtigt, so verringert diese sich stark gegenüber einer<br />
Kalkulation, bei der dieses Habitat integriert wird (C(¬ j) gegenüber C in Gl. ( 4-2 )).<br />
C −C(<br />
¬ k)<br />
I(<br />
k)<br />
= ( 4-3 )<br />
C
4.5 Ergebnisse 97<br />
Keitt et al. (1997) nutzen diesen Effekt, um durch den sukzessiven Ausschluß eines<br />
jeden Patches aus der Berechnung jedem einzelnen Habitatpatch einen mit der Stärke<br />
der Verminderung zusammenhängenden normalisierten Wichtigkeitsindex (importance<br />
index, I) zuzuordnen, der nach Gl. ( 4-3 ) berechnet wird.<br />
4.5 Ergebnisse<br />
4.5.1 Effekte räumlicher Patchkonfigurationen auf Rotationsradien <strong>und</strong><br />
Korrelationslänge<br />
Die räumliche Konstellation der Habitatpatches resultiert in unterschiedlichen Rotationsradien<br />
<strong>und</strong> Korrelationslängen (s. Beispiel in Abb. 4-5). Wird die Korrelationslänge<br />
für eine Patchkonfiguration aus einem einzigen Cluster bestimmt, entspricht sie<br />
dem Rotationsradius dieses Clusters (s. Gl. ( 4-2 )).<br />
Cluster 1<br />
Cluster 2<br />
M: 150m<br />
C = R =<br />
172m<br />
Größe<br />
M: 150m<br />
C = R =<br />
216m C = R = 294m C = R = 372m C = R = 427m<br />
Dichte S t r e u u n g<br />
Flächengewichtung Dichte<br />
R = 114m<br />
C = R =<br />
114m R = 114m R = 37m C = R = 390m C = R = 374m<br />
C = 114m<br />
R = 114m<br />
C = 107m<br />
Abb. 4-5: Rotationsradien R <strong>und</strong> Korrelationslängen C für unterschiedliche Konfigurationen<br />
räumlich verteilter Habitatpatches eines bzw. zweier Habitatcluster; (Maßstab M [m]). Die<br />
unterschiedlichen Effekte werden mittels der mit Klammern ( ) verb<strong>und</strong>enen Ensembles<br />
verdeutlicht.<br />
Es lassen sich verschiedene Effekte identifizieren. So nimmt der Rotationsradius<br />
eines Clusters mit zunehmender Größe <strong>und</strong> Streckung zu (Größen- <strong>und</strong> Streuungseffekt<br />
in Abb. 4-5). Wird dieselbe Ausdehnung mit weniger Patchfläche erreicht, so<br />
erhöht sich der Rotationsradius ebenfalls (Dichteeffekt in Abb. 4-5). Die Konfigurationen<br />
aus zwei Clustern verdeutlichen die Auswirkung des flächengewichteten<br />
Mittelwerts in Gl. ( 4-2 ).
98 4 Habitatkonnektivitätsanalyse<br />
4.5.2 Abhängigkeit der Konnektivität von der kritischen Habitatdistanz, den<br />
Gräben <strong>und</strong> Barrieren<br />
Die Analyse wird für verschiedene kritische Habitatdistanzen dkrit sowie jeweils mit<br />
bzw. ohne Berücksichtigung potentieller Ausbreitungsbarrieren wie auch mit bzw.<br />
ohne Berücksichtigung der Gräben (genauer: Grabenrandstrukturen) als potentiellen<br />
Ausbreitungsschienen im Untersuchungsgebiet durchgeführt. Die Variation der kritischen<br />
Distanzschwelle dkrit, welche gleichzeitig das Ausbreitungsvermögen der betreffenden<br />
Arten charakterisiert, ermöglicht bei gegebenem Pkrit eine Analyse der Konnektivität<br />
der Landschaftsstruktur über einen weiten Skalenbereich. Eine Abschätzung<br />
des Einflusses der Habitatdichte auf die Konnektivität durch Variation des Pkrit- Wertes bei der Dichotomisierung der Habitateignungskarte erfolgt im folgenden<br />
Abschnitt 4.5.3 für den gesamten Drömling.<br />
Die Abb. 4-6 bis Abb. 4-8 zeigen für die unterschiedlichen Szenarien die gebildeten<br />
Habitatcluster sowie die Kanten des Landschaftsgraphen (s. 4.4.3), welche die<br />
Patches zu Clustern verbinden. Neben diesen Kartenausschnitten, die eine Kernzone<br />
guter Habitate von C. dorsalis repräsentieren (Abb. 4-1), werden sowohl die Korrelationslänge<br />
[m] als auch die mini- <strong>und</strong> maximalen Rotationsradien [m] aufgeführt.<br />
Den erheblichen Einfluß der kritischen Habitatdistanz dkrit auf die Konnektivität verdeutlicht<br />
Abb. 4-6. Ohne Berücksichtigung von Ausbreitungsbarrieren verschmelzen<br />
bei zunehmendem dkrit immer mehr Habitatcluster miteinander, so daß sich die<br />
Clusteranzahl im Beispiel von neun auf eins verringert. Dies ist mit einer Erhöhung<br />
der Clustergröße(n) <strong>und</strong> einer steigenden Korrelationslänge verb<strong>und</strong>en. Bei<br />
dkrit = 100 m ist an mehreren Stellen sogar eine Überbrückung des Mittellandkanals (s.<br />
Abb. 4-2) möglich (Abb. 4-6 unten), der bei dkrit = 50 m noch die beiden Cluster<br />
trennt. Demgegenüber sind die Habitate links <strong>und</strong> rechts der Aller schon bei<br />
dkrit = 10 m <strong>und</strong> Nichtberücksichtigung der Barrieren miteinander vernetzt (Abb. 4-6<br />
oben, größter Cluster).
4.5 Ergebnisse 99<br />
dkrit = 10 m<br />
180 Habitatpatches ergeben<br />
9 Cluster mit<br />
Rotationsradien:<br />
35 m bis 567 m<br />
482 m Korrelationslänge<br />
(entspricht Abb. 4-7 oben <strong>und</strong> Abb.<br />
4-8 oben)<br />
dkrit = 50 m<br />
180 Habitatpatches ergeben<br />
2 Cluster mit<br />
Rotationsradien:<br />
383 m <strong>und</strong> 590 m<br />
521 m Korrelationslänge<br />
dkrit = 100 m<br />
180 Habitatpatches ergeben<br />
1 Cluster mit<br />
641 m Rotationsradius<br />
641 m Korrelationslänge<br />
(Rotationsradius <strong>und</strong> Korrelationslänge<br />
identisch, da nur ein<br />
Cluster, vgl. Gl. ( 4-2 ))<br />
100 0 100 200 m<br />
N<br />
7<br />
8<br />
9<br />
100 0 100 200 m<br />
N<br />
100 0 100 200 m<br />
N<br />
Abb. 4-6: Auswirkung der kritischen Habitatdistanz dkrit auf Clusteranzahl <strong>und</strong> -größe sowie<br />
auf Rotationsradien <strong>und</strong> Korrelationslänge (Pkrit = 0.50, mit Gräben, ohne Barrieren). Die<br />
Kartenausschnitte zeigen die Kanten, welche die geometrischen Mittelpunkte der Patches<br />
verbinden sowie die dabei entstehenden Habitatcluster.<br />
1<br />
1<br />
1<br />
6<br />
3<br />
4<br />
2<br />
2<br />
5
100 4 Habitatkonnektivitätsanalyse<br />
Die folgenden Gegenüberstellungen verdeutlichen die Effekte, welche die Berücksichtigung<br />
der Gräben (Abb. 4-7) bzw. der Ausbreitungsbarrieren (Abb. 4-8) in<br />
diesem Ausschnitt auf die Konnektivität haben. Um die Stärke der jeweiligen Auswirkungen<br />
vergleichen zu können, ist in Abb. 4-6 bis Abb. 4-8 oben jeweils dasselbe<br />
Szenario (P krit = 0.50, d krit = 10 m, keine Barrieren, Gräben) angegeben.<br />
Die für den Ausschnitt berechnete Korrelationslänge ist sehr stark von der Habitatverknüpfung<br />
durch die Grabenrandstrukturen abhängig (Abb. 4-7). Ihre Nichtberücksichtigung<br />
bedeutet eine starke Verinselung der Habitate <strong>und</strong> dementsprechend<br />
eine beträchtliche Verringerung der Konnektivität. Für den in Abb. 4-7 dargestellten<br />
Szenarienvergleich ergibt sich bei P krit = 0.50 <strong>und</strong> d krit = 10 m aufgr<strong>und</strong> der fehlenden<br />
Vernetzung durch die Gräben eine Zunahme der Clusteranzahl von neun auf 28. Die<br />
für den Ausschnitt berechnete Korrelationslänge sinkt von knapp 500 m auf<br />
ungefähr 150 m.<br />
mit Gräben<br />
180 Habitatpatches ergeben<br />
9 Cluster mit:<br />
Rotationsradien:<br />
35 m bis 567 m<br />
482 m Korrelationslänge<br />
(entspricht Abb. 4-6 oben <strong>und</strong> Abb.<br />
4-8 oben)<br />
ohne Gräben<br />
180 Habitatpatches ergeben<br />
28 Cluster mit:<br />
Rotationsradien:<br />
21 m bis 240 m<br />
157 m Korrelationslänge<br />
100 0 100 200 m<br />
N<br />
7<br />
8<br />
9<br />
200 0 200 m<br />
N<br />
Abb. 4-7: Auswirkung der Gräben auf Clusteranzahl <strong>und</strong> -größe sowie auf Rotationsradien <strong>und</strong><br />
Korrelationslänge (Pkrit = 0.50, dkrit = 10 m, keine Barrieren). Kartenausschnitte: Kanten <strong>und</strong><br />
Habitatcluster.<br />
1<br />
6<br />
3<br />
4<br />
2<br />
5
4.5 Ergebnisse 101<br />
Nicht so bedeutend ist das Ausmaß der Fragmentierung, die auf die Ausbreitungsbarrieren<br />
<strong>zur</strong>ückzuführen ist (Abb. 4-8). Aufgr<strong>und</strong> der vergleichsweise hohen Habitatdichte<br />
<strong>und</strong> der spezifischen Patchanordnung im Kartenausschnitt können auch bei<br />
Berücksichtigung der Barrieren noch recht große Habitatcluster gebildet werden, so<br />
daß die Korrelationslänge nur auf ca. 360 m sinkt. Bei Nichtberücksichtigung der<br />
Gräben ist allerdings ein stärkerer Effekt der Barrieren zu erwarten (s.u.).<br />
ohne Barrieren<br />
180 Habitatpatches ergeben<br />
9 Cluster mit<br />
Rotationsradien:<br />
35 m bis 567 m<br />
482 m Korrelationslänge<br />
(entspricht Abb. 4-6 oben <strong>und</strong><br />
Abb. 4-7 oben)<br />
mit Barrieren<br />
180 Habitatpatches ergeben<br />
14 Cluster mit:<br />
Rotationsradien:<br />
31 m bis 470 m<br />
362 m Korrelationslänge<br />
100 0 100 200 m<br />
N<br />
7<br />
8<br />
9<br />
100 0 100 200 m<br />
N<br />
7<br />
8<br />
9<br />
Barrieren<br />
Abb. 4-8: Auswirkung der potentiellen Ausbreitungsbarrieren auf Clusteranzahl <strong>und</strong> -größe<br />
sowie auf Rotationsradien <strong>und</strong> Korrelationslänge (Pkrit = 0.50, dkrit = 10 m, mit Gräben).<br />
Kartenausschnitte: Kanten <strong>und</strong> Habitatcluster.<br />
Aufgr<strong>und</strong> des Algorithmus, bei dem nur die Kanten, welche die geometrischen<br />
Mittelpunkte der Habitatpatches zu Clustern verbinden, hinsichtlich einer Zerschneidung<br />
untersucht werden, führt in diesem Beispiel dazu, daß Patches trotz gemeinsamer<br />
Grenze getrennten Clustern zugeordnet werden (z.B. Cluster 10 <strong>und</strong> 11 in<br />
Abb. 4-8 unten).<br />
10<br />
1<br />
1<br />
11<br />
6<br />
6<br />
12<br />
3<br />
3<br />
13<br />
4<br />
4<br />
2<br />
14<br />
2<br />
5<br />
5
102 4 Habitatkonnektivitätsanalyse<br />
4.5.3 Analyse räumlicher Charakteristika der Habitatverteilung von<br />
Conocephalus dorsalis im Drömling<br />
Im Anschluß an diese detaillierte Analyse der Auswirkungen der Szenarienwahl auf<br />
die Konnektivität innerhalb eines Kartenausschnittes werden im folgenden die<br />
Untersuchungen auf das gesamte Untersuchungsgebiet (Abb. 4-1) ausgeweitet <strong>und</strong><br />
die Ergebnisse sämtlicher Berechnungen zusammengefaßt (4.5.6).<br />
Die binären Habitatpatchkarten (Abb. 4-4 – Schritt 1) erlauben erste Einblicke in die<br />
räumliche Habitatverteilung. Mit steigenden P krit-Werten kristallisieren sich für<br />
C. dorsalis zwei Kernzonen mit zusammenhängenden Flächen hoher Vorkommenswahrscheinlichkeit<br />
heraus (Abb. 4-9): zum einen im südwestlichen, zum anderen im<br />
nördlichen Teil des niedersächsischen Drömlings. Bis auf diese Kernzonen verinselt<br />
die Landschaft bei geringer werdenden P krit-Werten zusehends. Während sie bis zu<br />
einem P krit von ca. 0.60 noch durch Gräben verknüpft wird, verringert sich die Konnektivität<br />
bei P krit = 0.65 dadurch sehr stark, daß ein großer Teil dieser Landschaftselemente<br />
dann als ungeeignet bewertet wird (s. Abb. 4-9 unten).<br />
500 0 500<br />
N<br />
P krit = 0.30<br />
500 0 500<br />
N<br />
P krit = 0.60<br />
1000 m<br />
1000 m<br />
500 0 500<br />
N<br />
P krit = 0.35<br />
500 0 500<br />
N<br />
P krit = 0.65<br />
Abb. 4-9: Habitatpatchkarten für die Klassifikationsschwellenwerte Pkrit = 0.30, 0.35, 0.60 <strong>und</strong><br />
0.65; graue Flächen kennzeichnen Habitatpatches, deren Vorkommenswahrscheinlichkeit<br />
P ≥ Pkrit ist ( je dunkler, desto größer Pkrit ).<br />
Eine Zusammenfassung der mit dem Ansteigen von P krit verb<strong>und</strong>enen Verringerung<br />
der Habitatdichte zeigt Abb. 4-10. Sie erklärt außerdem die starke Abnahme der<br />
Habitatdichte, die zwischen bestimmten P krit-Werten auftritt (vgl. Abb. 4-9). So<br />
1000 m<br />
1000 m
4.5 Ergebnisse 103<br />
bedeutet die Verringerung der Habitatfläche von fast 70% auf knapp 30% der<br />
Gesamtfläche durch die Nichtberücksichtigung der Intensivgrünländer (mit einer<br />
Vorkommenswahrscheinlichkeit für C. dorsalis von 0.31) zwischen P krit = 0.30 <strong>und</strong><br />
P krit = 0.35 ein Absinken der Habitatdichte unter den kritischen Schwellenwert HD c<br />
von 59% bzw. 41%, den die Perkolationstheorie für zufällige Patchverteilungen<br />
liefert (s. 4.4.1).<br />
Anteil geeigneter Habitatfläche [%]<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
HD c = 0.59<br />
HD c = 0.41<br />
Wald, Ruderalflächen, etc.<br />
Nichtberücksichtigung<br />
von ...<br />
Intensivgrünland<br />
Gräben <strong>und</strong> Feuchtbzw.<br />
Naßwiesen<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
Klassifikationsschwellenwert P krit<br />
Abb. 4-10: Verringerung der Habitatdichte bei steigenden Klassifikationsschwellenwerten Pkrit.<br />
Die mit dem Überschreiten bestimmter Pkrit-Werte auftretenden größeren Veränderungen der<br />
Habitatfläche entstehen aufgr<strong>und</strong> der Nichtberücksichtigung einzelner Biotoptypen.<br />
4.5.4 Auswirkung der Habitatdichte<br />
Die bereits in Abb. 4-9 <strong>und</strong> Abb. 4-10 ersichtliche Bedeutung der Habitatdichte –<br />
charakterisiert durch den Klassifikationsschwellenwert P krit – wird durch die folgende<br />
Untersuchung der Konnektivität im gesamten Untersuchungsgebiet nochmals hervorgehoben.<br />
Die Analyse wird an dieser Stelle anhand der Habitatclusterkarten<br />
durchgeführt, die aus den vier Habitatpatchkarten in Abb. 4-9 <strong>und</strong> vergleichbaren<br />
Karten anderer P krit-Werte mit d krit = 10 m <strong>und</strong> ohne Berücksichtigung von Barrieren<br />
abgeleitet wurden. Abb. 4-11 zeigt die drei gemessen an der Habitatfläche jeweils<br />
größten Cluster für die vier P krit-Werte aus Abb. 4-9 <strong>und</strong> führt neben den Rotationsradien<br />
dieser Cluster auch die Korrelationslängen für die Gesamtkarten an. Abb. 4-12<br />
zeigt die Korrelationslängen in Abhängigkeit vom Klassifikationsschwellenwert.
104 4 Habitatkonnektivitätsanalyse<br />
500 0 500<br />
N<br />
P krit = 0.30<br />
I<br />
500 0 500<br />
N<br />
P krit = 0.60<br />
I<br />
Pkrit<br />
1000 m<br />
1000 m<br />
II<br />
II<br />
III<br />
III<br />
500 0 500<br />
N<br />
P krit = 0.35<br />
I<br />
500 0 500<br />
N<br />
P krit = 0.65<br />
I<br />
1000 m<br />
1000 m<br />
I<br />
Rotationsradien [m] für Cluster:<br />
II III<br />
II<br />
III<br />
II<br />
III<br />
Korrelationslänge<br />
[m]<br />
0.30 2345 1782 521 1745<br />
0.35 2776 1775 327 1909<br />
0.60 2609 540 830 1248<br />
0.65 349 292 177 177<br />
Abb. 4-11: Die drei flächenmäßig größten Habitatcluster <strong>und</strong> ihre Rotationsradien [m], ermittelt<br />
aus den Habitatpatchkarten für die Klassifikationsschwellenwerte Pkrit = 0.30, 0.35, 0.60<br />
<strong>und</strong> 0.65 (dkrit = 10 m, ohne Barrieren); Mittellandkanal <strong>zur</strong> Orientierung. Die Numerierung der<br />
Cluster erfolgt nach der Clusterfläche geordnet.<br />
Auffällig sind die zwei großen, fast das gesamte Untersuchungsgebiet im Süden bzw.<br />
von Südwest nach Nordost überspannenden – „perkolierenden“ – Cluster, welche<br />
bei den niedrigen Schwellenwerten auftreten. Der gemessen am Rotationsradius<br />
größte, sich nördlich entlang des Mittellandkanals erstreckende Cluster bleibt auch<br />
noch bei P krit = 0.60 bestehen. Sein Rotationsradius erreicht bei P krit = 0.35 einen<br />
maximalen Wert von fast 2800 m. Auch die Korrelationslänge des gesamten Untersuchungsgebiets<br />
weist bei P krit = 0.35 ein Maximum auf. Sie nimmt in Richtung geringerer<br />
Habitatdichte, d.h. höherer P krit-Werte stark, in Richtung höherer Habitatdichte<br />
leicht ab (Abb. 4-12).
4.5 Ergebnisse 105<br />
Korrelationslänge [m]<br />
2000<br />
1500<br />
1000<br />
500<br />
0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
Klassifikationsschwellenwert P krit<br />
Abb. 4-12: Korrelationslängen für das gesamte Untersuchungsgebiet in Abhängigkeit vom<br />
Klassifikationsschwellenwert Pkrit (dkrit = 10 m, ohne Barrieren, Gräben werden berücksichtigt).<br />
4.5.5 Beispiel für die Identifikation eines Vernetzungselements bzw. Trittsteinhabitats<br />
<strong>und</strong> die Quantifizierung der Korridorfunktion<br />
Der große Cluster I in Abb. 4-11 (oben) führt selbst bei der mit P krit = 0.60 verb<strong>und</strong>enen<br />
geringen Habitatdichte zu einer Verknüpfung der beiden Kernzonen guter Habitate<br />
im Nordosten <strong>und</strong> Südwesten des Untersuchungsgebietes. Hierbei kommt einem<br />
nördlich des Mittellandkanals liegenden Graben (dem Oberen Drömlingsgraben; s.<br />
Kennzeichnung in Abb. 4-13) eine wichtige Bedeutung zu.<br />
500 0 500<br />
N<br />
1000 m<br />
Graben nicht<br />
berücksichtigt<br />
Abb. 4-13: Habitatpatchkarte für Pkrit = 0.60. Der gekennzeichnete Graben (Oberer Drömlingsgraben)<br />
stellt ein wichtiges Vernetzungselement (Korridor) dar, das die zwei nordost- <strong>und</strong><br />
südwestlich gelegenen Kernzonen miteinander verbindet.<br />
Er ist als Trittsteinhabitat (genauer: als Vernetzungselement, da er direkt an die durch<br />
ihn verb<strong>und</strong>enen Cluster angrenzt <strong>und</strong> somit als Korridor wirkt) zu charakterisieren<br />
(s. 4.4.3; vgl. Jeschke & Fröbe 1994; Keitt et al. 1997 <strong>und</strong> Abb. 4-14). Der folgende
106 4 Habitatkonnektivitätsanalyse<br />
Vergleich der Ergebnisse, die sich mit <strong>und</strong> ohne Berücksichtigung dieses Grabens<br />
ergeben, verdeutlicht das.<br />
500 0 500<br />
N<br />
I<br />
1000 m<br />
P krit = 0.60<br />
mit Korridor<br />
Pkrit = 0.60<br />
II<br />
III<br />
500 0 500<br />
N<br />
I<br />
1000 m<br />
P krit = 0.60<br />
ohne Korridor<br />
Rotationsradien [m] für Cluster:<br />
I II III<br />
II<br />
III<br />
Korrelationslänge<br />
[m]<br />
mit Korridor 2609 540 830 1248<br />
ohne Korridor 869 540 642 582<br />
Abb. 4-14: Die drei flächenmäßig jeweils größten Habitatcluster <strong>und</strong> ihre Rotationsradien<br />
sowie die Korrelationslänge in Abhängigkeit von dem in Abb. 4-13 gekennzeichneten Graben<br />
(Korridor/Trittstein). Die Numerierung der Cluster erfolgt geordnet nach der Clusterfläche.<br />
Ohne den als Korridor wirkende Graben zerfällt der perkolierende Cluster (Cluster I<br />
in Abb. 4-14 links) in 13 kleine Einzelcluster, die bis auf die beiden Cluster I <strong>und</strong> III<br />
in Abb. 4-14 (rechts) aus einzelnen isolierten Habitaten bestehen. Der zweitgrößte<br />
Cluster (II) wie auch Cluster III in Abb. 4-14 (links) bleiben von der Nichtberücksichtigung<br />
des Grabens unverändert.<br />
4.5.6 Szenarienvergleich für den gesamten Drömling<br />
Für den gesamten Drömling werden in unterschiedlichen Szenarien (Tab. 4-1) die<br />
Auswirkungen verschiedener P krit- <strong>und</strong> d krit-Werte sowie der Berücksichtigung von<br />
Barrieren <strong>und</strong> Gräben berechnet. Die Analysen werden für die drei Klassifikationsschwellenwerte<br />
P krit = 0.33, 0.50 <strong>und</strong> 0.67 durchgeführt. Diese Schwellenwerte sind<br />
auch unter naturschutzbiologischen Gesichtspunkten als drei sinnvolle Szenarien –<br />
zwischen Minimalanforderung <strong>und</strong> Optimalhabitat – zu verstehen.<br />
Tab. 4-1: Übersicht über die Parameterkombinationen (132 Szenarien aus 11x2x2x3 Variationen:<br />
mit/ohne Barrieren- & Gräbenberücksichtigung, dkrit: kritischer Abstand zwischen den<br />
Patches, Pkrit: minimale Habitateignung <strong>zur</strong> Unterscheidung von Habitat <strong>und</strong> Nicht-Habitat).<br />
für dkrit: 0, 10, 20, ... 100 m:<br />
Berücksichtigung mit<br />
der Gräben: ohne<br />
Pkrit<br />
0.33 0.5 0.67<br />
mit/ohne mit/ohne mit/ohne<br />
Barrieren Barrieren Barrieren<br />
mit/ohne mit/ohne mit/ohne<br />
Barrieren Barrieren Barrieren
4.5 Ergebnisse 107<br />
Da für C. dorsalis im Drömling keine ausreichenden Untersuchungsergebnisse hinsichtlich<br />
ihrer Ausbreitungsfähigkeit in Habitate unterschiedlichen Typs <strong>und</strong> unterschiedlicher<br />
Qualität bzw. hinsichtlich der durchschnittlichen Ausbreitungsdistanzen<br />
vorliegen, werden die Berechnungen für elf verschiedene kritische Habitatdistanzen<br />
angestellt (Tab. 4-1). Die Ergebnisse dieser Berechnungen sind in Abb. 4-15 bis<br />
Abb. 4-17 dargestellt, wobei sie für jeweils eine Habitatdichte zusammengefaßt sind.<br />
Korrelationslänge [m]<br />
2500<br />
2000<br />
1500<br />
1000<br />
500<br />
0<br />
Flächen<br />
& Flächen<br />
Gräben, & nur<br />
keine Gräben, Flächen, nur<br />
Barrieren mit keine Flächen,<br />
Barrieren Barrieren mit<br />
Barrieren<br />
0<br />
20<br />
40<br />
P = 0.33<br />
krit<br />
60<br />
80 100<br />
kritische<br />
Distanz [m]<br />
Abb. 4-15: Korrelationslängen der 44 Szenarien für die Habitateignungskarte mit Pkrit = 0.33:<br />
Rubriken: unterschiedliche Berücksichtigung der Barrieren & Gräben; nach rechts: ansteigender<br />
kritischer Abstand zwischen den Patches (dkrit).<br />
Korrelationslänge [m]<br />
2500<br />
2000<br />
1500<br />
1000<br />
500<br />
0<br />
Flächen<br />
& Flächen<br />
Gräben, & nur<br />
keine Gräben, Flächen, nur<br />
Barrieren mit keine Flächen,<br />
Barrieren Barrieren mit<br />
Barrieren<br />
0<br />
20<br />
40<br />
P = 0.50<br />
krit<br />
60<br />
80 100<br />
kritische<br />
Distanz [m]<br />
Abb. 4-16: Korrelationslängen der 44 Szenarien für die Habitateignungskarte mit Pkrit = 0.50:<br />
Rubriken: unterschiedliche Berücksichtigung der Barrieren & Gräben; nach rechts: ansteigender<br />
kritischer Abstand zwischen den Patches (dkrit).
108 4 Habitatkonnektivitätsanalyse<br />
Korrelationslänge [m]<br />
2500<br />
2000<br />
1500<br />
1000<br />
500<br />
0<br />
Flächen<br />
& Flächen<br />
Gräben, & nur<br />
keine Gräben, Flächen, nur<br />
Barrieren mit keine Flächen,<br />
Barrieren Barrieren mit<br />
Barrieren<br />
0<br />
20<br />
40<br />
P = 0.67<br />
krit<br />
60<br />
80 100<br />
kritische<br />
Distanz [m]<br />
Abb. 4-17: Korrelationslängen der 44 Szenarien für die Habitateignungskarte mit Pkrit = 0.67:<br />
Rubriken: unterschiedliche Berücksichtigung der Barrieren & Gräben; nach rechts: ansteigender<br />
kritischer Abstand zwischen den Patches (dkrit).<br />
Gr<strong>und</strong>sätzlich zeigt sich in Abb. 4-15 bis Abb. 4-17 folgendes Bild, das mit den bereits<br />
in Abschnitt 4.5.2 vorgestellten Ergebnissen für den Kartenausschnitt konform<br />
ist:<br />
(1) Unabhängig vom gewählten Szenario steigt die Korrelationslänge <strong>und</strong> damit die<br />
Vernetzung zwischen den Habitatpatches mit zunehmender kritischer Habitatdistanz<br />
d krit (vgl. Abb. 4-6). Je größer also die von den Heuschrecken überwindbare<br />
Distanz zwischen zwei Habitaten angenommen wird, desto größer ist auch<br />
die durchschnittliche Ausbreitungsdistanz, die ein zufällig in der Landschaft<br />
plaziertes Individuum <strong>zur</strong>ücklegen kann, bevor es eine Habitatgrenze erreicht.<br />
(2) Allgemein erreicht die Konnektivität bei höherer Habitatdichte, d.h. niedrigerem<br />
P krit-Wert ein höheres Niveau (vgl. Abb. 4-15 bis Abb. 4-17). Nehmen die Habitatpatches<br />
einen größeren Anteil der Gesamtfläche ein, so steigt auch die Wahrscheinlichkeit<br />
an, daß sie nahe genug benachbart sind, um als ein zusammenhängender<br />
Habitatcluster interpretiert zu werden.<br />
(3) Bei sehr hohen d krit-Werten allerdings übersteigt die Korrelationslänge des Szenarios<br />
mittlerer Habitatdichte (Abb. 4-16) die der höchsten Habitatdichte<br />
(Abb. 4-15) – ein Effekt, der in Abb. 4-5 als Dichteeffekt beschrieben ist (vgl.<br />
auch Abb. 4-12).<br />
(4) Die Berücksichtigung der Gräben hat einen sehr großen positiven Einfluß auf die<br />
Korrelationslänge (vgl. Abb. 4-18 oder Abb. 4-7). Im zugr<strong>und</strong>eliegenden Habitatmodell<br />
(3.4.1) haben nicht näher untersuchte Gräben eine Vorkommenswahrscheinlichkeit<br />
von P = 0.605, weshalb sie erst ab Schwellenwerten unter<br />
P krit = 0.65 eine größere Rolle spielen (vgl. Abb. 4-9, Abb. 4-17 <strong>und</strong> Abb. 4-18
4.5 Ergebnisse 109<br />
rechts). Dann aber führen sie zu Vervielfachungen der Korrelationslängen, wie<br />
Abb. 4-18 verdeutlicht (vgl. Abb. 4-15 bis Abb. 4-16).<br />
(5) Eine Berücksichtigung der Barrieren führt stets zu verringerten Korrelationslängen<br />
(s. auch Abb. 4-19 oder Abb. 4-8). Sie kann durch größere Ausbreitungsdistanzen<br />
oder höhere Habitatdichten nur begrenzt kompensiert werden, da einige<br />
Barrieren, wie z.B. der Mittellandkanal, nicht „umgangen“ werden können, die<br />
Barrieren also unwiederbringlich zu einer Fragmentierung der Landschaft führen.<br />
Bei Berücksichtigung der Gräben fällt die Verringerung der Korrelationslängen<br />
vergleichsweise stärker aus als bei einer Beschränkung auf flächenhafte Habitate<br />
(Abb. 4-19).<br />
Diese Zusammenhänge werden noch klarer, wenn man die Darstellungen relativer<br />
Veränderungen der Korrelationslänge durch Berücksichtigung der Gräben bzw.<br />
Nichtberücksichtigung der Barrieren für einige ausgewählte Szenarien in Abb. 4-18<br />
<strong>und</strong> Abb. 4-19 betrachtet. Abb. 4-18 zeigt die mit den Gräben verb<strong>und</strong>ene Erhöhung<br />
der Korrelationslängen in Relation zu den jeweiligen Szenarien ohne Gräbenberücksichtigung.<br />
Der stärkste Effekt – Erhöhung um 800 bzw. über 1000% gegenüber<br />
einer nur die flächenhaften Biotope berücksichtigenden Simulation – ist bei geringen<br />
kritischen Habitatdistanzen <strong>und</strong> geringem P krit-Wert festzustellen, wenn Barrieren<br />
nicht einbezogen werden (Abb. 4-18).<br />
Zahlenmäßig geringer aber ebenfalls deutlich sind die Steigerungen durch die<br />
Nichteinbeziehung von Barrieren, wie sie in Abb. 4-19 relativ zu Simulationen mit<br />
Barrierenberücksichtigung aufgeführt sind. Hier ergeben sich maximale Zunahmen<br />
bei Gräbenberücksichtigung, vor allem bei geringen Werten für P krit (vgl. Abb. 4-15<br />
<strong>und</strong> Abb. 4-16). Werden die Gräben nicht einbezogen, so nehmen die Erhöhungen<br />
der Korrelationslänge mit steigendem d krit zu.<br />
Relative Erhöhung der<br />
Korrelationslänge [%]<br />
1000<br />
900<br />
800<br />
700<br />
600<br />
500<br />
400<br />
300<br />
200<br />
100<br />
0<br />
10 50<br />
0.33 100<br />
10 50<br />
0.50 100<br />
10 50<br />
0.67<br />
100 d krit [m]<br />
P krit<br />
ohne<br />
Barrieren<br />
mit<br />
Abb. 4-18: Relative Steigerung der Korrelationslängen durch Berücksichtigung der Gräben bei<br />
dkrit = 10; 50 bzw. 100 m <strong>und</strong> Pkrit = 0.33; 0.50 bzw. 0.67 für Szenarien mit <strong>und</strong> ohne<br />
Barrierenberücksichtigung.
110 4 Habitatkonnektivitätsanalyse<br />
Relative Erhöhung der Korrelationslänge<br />
[%]<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
10 50<br />
0.33 100<br />
10 50<br />
0.50<br />
100<br />
10<br />
50<br />
0.67<br />
100 d krit [m]<br />
P krit<br />
mit<br />
Gräben<br />
ohne<br />
Abb. 4-19: Relative Steigerung der Korrelationslängen durch Nichtberücksichtigung der Barrieren<br />
bei dkrit = 10; 50 bzw. 100 m <strong>und</strong> Pkrit = 0.33; 0.50 bzw. 0.67 für Szenarien mit <strong>und</strong> ohne<br />
Gräbenberücksichtigung.<br />
4.5.7 Habitatkonnektivitätsanalyse für die Nutzungsszenarien<br />
Für die in 2.5 erstellten Nutzungsszenarien werden ebenfalls Habitatkonnektivitätsanalysen<br />
durchgeführt <strong>und</strong> zwar mit d krit = 10 m unter Berücksichtigung der Gräben<br />
<strong>und</strong> Barrieren. Als Kartengr<strong>und</strong>lage dienen die mit P krit = 0.50 erstellten Prognosekarten<br />
aus Abb. A2-5 im Anhang A2.5. Für den Status Quo wird dabei eine Korrelationslänge<br />
von C = 513 m, für die Extensivierung von C = 673 m <strong>und</strong> für die Intensivierung<br />
von C = 439 m errechnet.<br />
Die Veränderungen der Korrelationslängen zeichnen damit für die Szenarien das Bild<br />
nach, welches sich auch für die Habitateinheiten <strong>und</strong> Habitatflächen in 2.5.2 ergeben<br />
hat (Tab. 2-17). Gegenüber dem derzeitigen Stand bedeutet also eine Extensivierung<br />
der Flächen eine Zunahme geeigneter Habitate <strong>und</strong> damit verb<strong>und</strong>en auch eine<br />
erhöhte Konnektivität, eine Intensivierung führt zum Gegenteil.<br />
4.6 Diskussion<br />
4.6.1 Relevanz der Habitatkonnektivität für das Überleben von Populationen<br />
in heterogenen Lebensräumen<br />
Die Abhängigkeit der Populationsdynamik in einer heterogenen Landschaft von der<br />
räumlichen Ausbreitung hebt die Bedeutung von Habitatkonnektivität <strong>und</strong> -fragmentierung<br />
hervor (Fahrig & Merriam 1985; Freemark & Merriam 1986), da sie einen<br />
wesentlichen Einfluß auf das Ausbreitungsvermögen vor allem von weniger mobilen
4.6 Diskussion 111<br />
Arten haben. Der mit der Einwanderung aus benachbarten Patches verb<strong>und</strong>ene<br />
„rescue-effect“ (Brown & Kodric-Brown 1977) wird durch Habitatfragmentierung<br />
unterb<strong>und</strong>en (s. auch Fahrig & Merriam 1985; Beier 1995; Root 1998). Damit erhöht<br />
sich die Gefahr der Ausbildung „genetischer Flaschenhälse“ (Hansson 1991; Leberg<br />
1991; Lacy & Lindenmayer 1995), des Auftretens lokaler Extinktionen (z.B. Merriam<br />
& Wegner 1992; Lindenmayer & Lacy 1995b; Donovan et al. 1995a; Bascompte &<br />
Solé 1996; McCarthy et al. 1997; Drechsler & Wissel 1998) <strong>und</strong> der Verschiebung<br />
oder Verarmung ganzer Artengemeinschaften (Lindenmayer & Lacy 1995a; Golden<br />
& Crist 1999).<br />
Das Bild der Habitatfragmentierung muß allerdings etwas differenzierter gezeichnet<br />
werden. So kann auf der anderen Seite die mit einer Fragmentierung der Habitate<br />
verb<strong>und</strong>ene Populationsteilung – ausreichende Ausbreitung <strong>und</strong> damit verb<strong>und</strong>ene<br />
Rekolonisierungen vorausgesetzt – zu einer Verringerung des kollektiven Risikos<br />
einer die gesamte Population zerstörenden Katastrophe beitragen (spreading of risk;<br />
den Boer 1968; 1990; Nuernberger 1996). Kareiva (1990) führt außerdem Beispiele<br />
dafür an, daß Patchiness in kompetitiven Systemen bei bestimmten Mustern von<br />
Habitatstörungen <strong>und</strong> Ausbreitung Koexistenz fördern oder ermöglichen (Hanski<br />
1983) <strong>und</strong> Räuber-Beute-Systeme stabilisieren (z.B. Nachman 1987) oder aber<br />
destabilisieren kann (Reeve 1988).<br />
Daß es sich bei der Habitatfragmentierung um ein Schwellenwertphänomen handelt<br />
(Kareiva & Wennergren 1995; With & King 1999), bei dem kleine Änderungen in der<br />
Konnektivität dramatische ökologische Auswirkungen haben können, bedeutet<br />
gleichzeitig, daß Ereignisse, die zu einer Fragmentierung führen, nicht in jedem Fall<br />
einen Einfluß auf die betroffenen Populationen haben. Andrén (1994) faßt in einem<br />
Review Arbeiten, die sich mit den Auswirkungen von Fragmentierung auf kleine<br />
Säuger <strong>und</strong> Vögel befaßt haben, dahingehend zusammen, daß die negativen Effekte<br />
der Patchgröße <strong>und</strong> -isolation solange kaum von Bedeutung sind, wie der Flächenanteil<br />
geeigneten Habitats 30% nicht unterschreitet. Fahrig (1998) leitet aus einer<br />
Simulationsstudie Bedingungen ab, unter denen mit einem Einfluß der Habitatfragmentierung<br />
auf das Überleben von Populationen zu rechnen ist. Darunter finden sich<br />
die Punkte, daß das Fortpflanzungshabitat weniger als 20% der Landschaft bedeckt<br />
<strong>und</strong> daß die durchschnittliche Ausbreitungsdistanz innerhalb einer Generation<br />
ungefähr ein- bis dreimal so weit sein sollte, wie die minimale Habitatdistanz. Von<br />
der Habitatfragmentierung wird also in beiden Arbeiten erst dann ein meßbarer<br />
Einfluß auf die Populationen erwartet, wenn der Anteil geeigneten Habitats recht<br />
gering ist.<br />
Betrachtet man eine Vorkommensprognosekarte für C. dorsalis im Drömling, z.B.<br />
Abb. A2-5, so liegt der Anteil prognostizierter Habitate für diese Art aktuell zwischen<br />
den von Andrén (1994) bzw. Fahrig (1998) angeführten 20 <strong>und</strong> 30%. Aufgr<strong>und</strong> des<br />
geringen Informationsstandes bezüglich des zweiten Aspekts – der durchschnittlichen<br />
Ausbreitungsdistanzen im Verhältnis <strong>zur</strong> Habitatdistanz – werden in den<br />
Konnektivitätsanalysen in 4.5.6 verschiedene dkrit-Werte angenommen (Tab. 4-1).
112 4 Habitatkonnektivitätsanalyse<br />
4.6.2 Überlegungen <strong>zur</strong> angewendeten Methode<br />
Die landschaftsökologische Literatur bietet eine Vielzahl verschiedener Indices <strong>zur</strong><br />
Charakterisierung <strong>und</strong> Quantifizierung der Heterogenität <strong>und</strong> Konnektivität einer<br />
Landschaft. Dies zeigen die Reviews von Haines-Young & Chopping (1996) sowie<br />
Gustafson (1998) oder auch die Software FRAGSTATS (McGarigal & Marks 1995).<br />
Ohne aber der Versuchung zu erliegen (Gustafson 1998), umfangreiche Indexvergleiche<br />
<strong>und</strong> -analysen wie beispielsweise O'Neill et al. (1988a), Schumaker (1996)<br />
oder Hargis et al. (1998) anzustellen, habe ich mich <strong>zur</strong> Analyse der räumlichen<br />
Habitatstruktur von C. dorsalis auf das hier vorgestellte Verfahren der Habitatkonnektivitätsanalyse<br />
von Keitt et al. (1997) festgelegt. Durch die Verwendung unterschiedlicher<br />
d krit- Werte kann es flexibel an verschiedene Ausbreitungscharakteristiken angepaßt<br />
werden.<br />
Eine Fehlerquelle des Verfahrens ist die Art <strong>und</strong> Weise, in der die Barrieren<br />
berücksichtigt werden. Daß dabei die Kanten – anstelle z.B. sämtlicher Grenzen<br />
zwischen zwei Patches (vgl. Kuhn 1998) – hinsichtlich einer Zerschneidung<br />
untersucht werden, kann in Extremfällen dazu führen, daß benachbarte Flächen<br />
nicht verb<strong>und</strong>en werden, wenn die ihre Mittelpunkte verbindende Kante von einer<br />
Barriere geschnitten wird. Solche selten vorkommenden Fehler werden aber in Kauf<br />
genommen, da dieses Vorgehen eine große Vereinfachung für die programmtechnische<br />
Umsetzung <strong>und</strong> die Rechenzeiten bedeutet.<br />
Die Anwendung der Perkolationstheorie lieferte für ähnliche ökologische Fragestellungen<br />
gut interpretierbare Ergebnisse wie z.B. die Arbeiten von O'Neill et al.<br />
(1988b), Gardner et al. (1989; 1992; 1993) <strong>und</strong> With et al. (1997) zeigen. Aufgr<strong>und</strong><br />
der Abhängigkeit des Verfahrens von den Ergebnissen der vorher zu erstellenden<br />
Habitatmodelle teilt diese Analyse deren Beschränkungen hinsichtlich ihres<br />
Geltungsbereiches: auch die Konnektivitätsanalyse bezieht sich auf einen „Schnappschuß“<br />
eines dynamischen Systems (vgl. 2.6.1; Gustafson 1998).<br />
4.6.3 Anmerkungen <strong>zur</strong> Datengr<strong>und</strong>lage – Interpretation der binären Karte<br />
Die räumliche Darstellung der mittels der Habitatmodelle berechneten Vorkommenswahrscheinlichkeiten<br />
in Form von Habitateignungskarten (s. 2.4.4; 4.3) ermöglicht<br />
zweierlei Betrachtungsweisen: zum einen als ein kontinuierliches, aber heterogenes<br />
Nebeneinander von Flächen unterschiedlicher Habitatqualität, zum anderen als<br />
eine – vom Klassifikationsschwellenwert abhängige – dichotome oder binäre Landschaft,<br />
die in geeignete <strong>und</strong> ungeeignete Flächen separiert ist (vgl. Addicott et al.<br />
1987: heterogeneity vs. division); s. Abb. 4-20). Damit sind zwei unterschiedliche Interpretationen<br />
räumlicher Struktur <strong>und</strong> Musterbildung (Gould & Stinner 1984) verb<strong>und</strong>en.
4.6 Diskussion 113<br />
Habitateignung<br />
sehr niedrig<br />
niedrig<br />
mittel<br />
hoch<br />
sehr hoch<br />
Barrieren<br />
N<br />
100 0 100 200 m<br />
ungeteilte, heterogene<br />
Landschaft<br />
P > 0.67<br />
Barrieren<br />
geteilte, homogene<br />
Landschaft<br />
N<br />
100 0 100 200 m<br />
Habitateignung<br />
0.67 < P < 0.78<br />
0.78 < P < 0.89<br />
0.89 < P < 100<br />
Barrieren<br />
geteilte, heterogene<br />
Landschaft<br />
Abb. 4-20: Interpretationen von Landschaft am Beispiel der Habitateignungskarte für den<br />
Kartenausschnitt des südwestlichen Drömlings.<br />
N<br />
100 0 100 200 m<br />
Welche dieser Landschaftsinterpretationen die adäquate ist, hängt von der Fragestellung<br />
<strong>und</strong> der untersuchten Art bzw. von ihren Ansprüchen an den Lebensraum ab.<br />
Der hier gewählte Ansatz <strong>zur</strong> Quantifizierung von Habitatkonnektivität – die ja<br />
ebenfalls von der Landschaftsperzeption der Art abhängt (Gardner et al. 1993; Wiens<br />
et al. 1997; With et al. 1997) – verwendet die binäre Landschaft (Abb. 4-20 Mitte).<br />
Dabei führt die notwendige Dichotomisierung zu einer Separierung der Landschaft<br />
in geeignete <strong>und</strong> ungeeignete Habitate (Wiens 1994; vgl. Abb. 4-9), obwohl diese<br />
eher einem heterogenen Nebeneinander mit in Raum <strong>und</strong> Zeit wechselnden Habitatqualitäten<br />
entspricht, wie es die Habitateignungskarten darstellen (vgl. Abb. 4-1).<br />
Zudem ist anzumerken, daß die ungeeignete Matrix, die ja neben den Habitatpatches<br />
Ergebnis der Dichotomisierung ist, auf die Arten ökologisch nicht neutral wirkt<br />
(Wiens et al. 1993; Åberg et al. 1995; Szacki 1999). So können Marginalhabitate, wie<br />
Pulliam (1988) <strong>und</strong> Pulliam & Danielson (1991) in <strong>Modelle</strong>n zu Quellen- <strong>und</strong><br />
Senkenhabitaten gezeigt haben, tiefgreifende Effekte auf die Populationsdynamik in<br />
einer strukturierten Umwelt haben (s. auch Murphy et al. 1990; Donovan et al.<br />
1995b).<br />
Gustafson (1998) stellt in einem Review fest, daß die Beschränkung auf binäre<br />
Karten bei der Quantifizierung räumlicher Landschaftsmuster Gr<strong>und</strong>lage fast aller<br />
<strong>zur</strong> Verfügung stehenden Indices ist, obgleich Habitatpatches in ein komplexes<br />
Landschaftsmosaik eingeb<strong>und</strong>en sind. Zudem wird auch die Dynamik innerhalb der<br />
Patches von äußeren Faktoren beeinflußt, die <strong>zur</strong> Struktur dieses Mosaiks in Beziehung<br />
stehen. Die methodische Ausrichtung auf binäre Landschaften erklärt Gustafson<br />
(1998) durch den starken Einfluß der Inselbiogeographie (MacArthur & Wilson<br />
1967) auf die Entwicklung der <strong>Ökologie</strong> <strong>und</strong> der <strong>Naturschutz</strong>biologie. Sie mag aber<br />
vor allem in der einfacheren Handhabbarkeit des binären Ansatzes begründet sein.<br />
Seine Ausweitung auf sich qualitativ unterscheidende Patches, die auf unterschiedlichen<br />
Skalen das Mosaik der Landschaft bilden, steht noch aus (Wiens 1995).<br />
With & Crist (1995) bemängeln, daß bei dieser vereinfachten Betrachtungsweise, dem<br />
binären „Extremszenario“ die verschiedenen Dimensionen der Habitatqualität, die<br />
auf den unterschiedlichen Funktionen der Habitate im Lebenszyklus beruhen, keine<br />
Berücksichtigung finden. Sie schlagen zudem als eine adäquate Herangehensweise<br />
vor, bei der Bestimmung der Konnektivität für jeden Biotoptyp neben der an der<br />
Fitneß orientierten Habitatqualität (Southwood 1977) auch eine spezifische Eignung
114 4 Habitatkonnektivitätsanalyse<br />
hinsichtlich der Ausbreitung anzunehmen (vgl. Henein & Merriam 1990; Pulliam et<br />
al. 1992), die sich an der strukturellen Komplexität <strong>und</strong> Permeabilität des Habitats<br />
orientiert (vgl. Wiens et al. 1997).<br />
Für eine nicht sehr mobile Art wie die hier untersuchte C. dorsalis (Sandkühler 1993<br />
unveröff. Dipl.-Arb.; Helms 1997) sollte aber die Verwendung allein der Habitatqualität<br />
<strong>zur</strong> Charakterisierung der Habitatkonnektivität ausreichen. Begibt man sich<br />
auf die Ebene der Populationsdynamik, so sind Verringerungen der Populationsgröße<br />
nicht allein als Verluste aufgr<strong>und</strong> verschlechterter Bedingungen oder erhöhter<br />
Prädationsgefahr zu interpretieren, sondern auch als Folge gezielter oder ungezielter<br />
Abwanderungen – beispielsweise bei der Mahd in den Schutz benachbarter Grabenrandstrukturen,<br />
wie bei Sänger (1980) beschrieben. Auf der anderen Seite bedarf es –<br />
zumindest bei Annahme eines dichteabhängigen Migrationsverhaltens – unterhalb<br />
sehr großer Individuendichten keiner Abwanderung aus Flächen mit guter Ressourcenausstattung,<br />
so daß die Bestimmung einer „Durchwanderungseignung“ nicht unbedingt<br />
sinnvoll <strong>und</strong> für diese Art übertrieben erscheint (vgl. Wiens et al. 1997).<br />
Solche Flächen können aber dennoch aufgr<strong>und</strong> diffuser, ungerichteter Ausbreitung<br />
(vgl. Kareiva 1983; s. 2.2.2 sowie Abschnitt 5) in benachbarte Habitate als Quellenhabitate<br />
(sensu Brown & Kodric-Brown 1977; Pulliam 1988) in einer (Meta-)Populationsstruktur<br />
fungieren, wenn sie in einen Cluster mehr oder weniger geeigneter<br />
Habitate eingeb<strong>und</strong>en sind. Aus diesem Gr<strong>und</strong> ist die Untersuchung der räumlichen<br />
Zusammenhänge in der strukturierten Landschaft so wichtig für das Verständnis der<br />
räumlichen (Meta-)Populationsdynamik.<br />
4.6.4 Einfluß der Szenarienparameter – Auftreten perkolierender Cluster<br />
Die Analysen in 4.5.2 <strong>und</strong> 4.5.6 zeigen, daß die Habitatdichte der wesentliche Faktor<br />
für die Konnektivität der zugr<strong>und</strong>eliegenden Patchkarte ist (Abb. 4-12; Abb. 4-15 bis<br />
Abb. 4-17). Das haben auch O'Neill et al. (1988b), Gustafson & Parker (1992) <strong>und</strong><br />
Gardner et al. (1993) für simulierte Landschaften gezeigt.<br />
Bei geringer Habitatdichte unterhalb von HDc besteht die Landschaft aus vielen kleinen,<br />
isolierten Clustern (vgl. Abb. 4-9) <strong>und</strong> die Korrelationslänge ist gering<br />
(Abb. 4-12). Diese steigt bei zunehmender Habitatdichte – entsprechend abnehmendem<br />
Pkrit-Wert – an, bis sie bei einer kritischen Belegungsdichte HDc einen maximalen<br />
Wert erreicht (Gardner et al. 1993). Hierbei werden aufgr<strong>und</strong> des Verschmelzens<br />
einzelner Cluster aus äußeren Clusterkanten innere Kanten, deren Anteil an der<br />
Gesamtkantenmenge ebenfalls bei HDc maximal wird. Steigt der Anteil von Habitatzellen<br />
weiter an, so erhöht sich die „Packungsdichte“ der Cluster, so daß sich die<br />
Korrelationslänge <strong>und</strong> der Anteil innerer Kanten wieder verringern (Dichteeffekt in<br />
Abb. 4-5; vgl. auch Abb. 4-11).<br />
Die Formulierung der kritischen Habitatdichte HDc bezieht sich auf unendliche <strong>und</strong><br />
zufällige Gitter (4.4.1; Stauffer 1985). Sie kann deshalb für die hier untersuchten<br />
Habitateignungskarten nicht übernommen werden (vgl. O'Neill et al. 1988b), da die<br />
Habitate im Gitter aggregiert <strong>und</strong> damit nicht zufällig verteilt sind. Außerdem existie-
4.6 Diskussion 115<br />
ren mit den Gräben lineare Korridore (Forman & Godron 1986), die Habitatverbindungen<br />
über weite Entfernungen herstellen können. Sie garantieren einen hohen<br />
Vernetzungsgrad der Habitate <strong>und</strong> ihre Berücksichtigung führt zu vergleichsweise<br />
hohen Korrelationslängen (s. Abb. 4-7; Turner 1989).<br />
Dennoch läßt sich ein – vom Szenario abhängiger – Extremwert der Korrelationslänge<br />
ausmachen, der bei Verwendung von dkrit = 10 m <strong>und</strong> Nichtberücksichtigung von<br />
Barrieren zwischen den Klassifikationsschwellenwerten Pkrit = 0.30 <strong>und</strong> Pkrit = 0.40<br />
liegt (Abb. 4-12). Allerdings tritt auch bei geringeren Habitatdichten bis zu Pkrit = 0.60<br />
noch ein perkolierender Cluster auf (Abb. 4-13), der aufgr<strong>und</strong> eines als Korridor<br />
dienenden Grabens zustande kommt (Abb. 4-14). Die Nichtberücksichtigung dieses<br />
Grabens führt allein aufgr<strong>und</strong> der Teilung dieses Clusters zu einem Einbruch in der<br />
Konnektivität. Dieser Umstand verdeutlicht zum einen die wichtige Bedeutung der<br />
Gräben im Untersuchungsgebiet, zum anderen aber auch die Abhängigkeit der<br />
Korrelationslänge vom Rotationsradius der jeweils größten Habitatcluster.<br />
Natürlich haben auch die artspezifischen Ausbreitungsdistanzen bzw. gebietsspezifischen<br />
Habitatdistanzen – hier durch den dkrit-Wert kontrolliert – einen sehr starken<br />
Einfluß auf die Habitatkonnektivität. Fahrig & Paloheimo (1988a) haben bereits<br />
gezeigt, daß die Raumstruktur der Habitate dann einen wichtigen Einfluß auf<br />
Populationen hat, wenn die durchschnittliche Ausbreitungsdistanz einer Art im<br />
Vergleich <strong>zur</strong> durchschnittlichen Habitatdistanz gering ist. Daß weite Ausbreitungsdistanzen<br />
den Einfluß des räumlichen Arrangements verringern (Fahrig & Paloheimo<br />
1988b), betont, daß erst die gemeinsame Betrachtung von Habitatdichte <strong>und</strong> durchschnittlicher<br />
Ausbreitungsdistanz erlaubt, die Konnektivität einer Landschaft auf<br />
einer adäquaten Maßstabsebene zu bewerten.<br />
Dieser Punkt verweist zudem auf die wichtige Rolle, die makroptere, flugfähige<br />
(Ingrisch & Köhler 1998) <strong>und</strong> damit mobilere Exemplare von C. dorsalis auf die<br />
Population haben können (vgl. van Dyck & Matthysen 1999). Zudem liefert dieser<br />
Aspekt einen Hinweis darauf, daß die Habitatkonnektivität im Drömling für die diesbezüglich<br />
nicht untersuchte flugfähige Zielart S. grossum aufgr<strong>und</strong> ihrer höheren<br />
Mobilität wie auch aufgr<strong>und</strong> der höheren Prävalenz <strong>und</strong> damit höheren Habitatdichte<br />
weitaus größer sein müßte als für C. dorsalis.<br />
4.6.5 Welche Bedeutung kann eine Habitatkonnektivitätsanalyse für die<br />
praktische Anwendung haben?<br />
Die Habitatdichte wird hier – abgesehen von den Nutzungsszenarien (4.5.7) – durch<br />
Variation des Klassifikationsschwellenwertes P krit verändert, was nicht darüber hinweg<br />
täuschen darf, daß die Analyse auf einer Habitateignungskarte beruht. Bei einer<br />
Anwendung der Habitatkonnektivitätsanalyse in der Eingriffsplanung – beispielsweise<br />
bei der Abschätzung der fragmentierenden Wirkung einer Kanalverbreiterung<br />
– ist die Auswahl des P krit-Wertes davon abhängig, welche Habitatqualität man den<br />
betroffenen Arten zubilligen möchte. Die hier vorgestellte Analyse zeigt, daß der<br />
damit verb<strong>und</strong>ene Effekt auf die Habitatdichte <strong>und</strong> damit die Habitatkonnektivität
116 4 Habitatkonnektivitätsanalyse<br />
von immenser Bedeutung ist. Da die Habitatqualität auf den Flächen aufgr<strong>und</strong> der<br />
landwirtschaftlichen Bewirtschaftung von Jahr zu Jahr <strong>und</strong> innerhalb eines Jahres<br />
Veränderungen unterworfen ist (s. Abschnitt 3), kann auch der bei der Erstellung der<br />
zugr<strong>und</strong>eliegenden Karte gewählte Untersuchungszeitpunkt bzw. -raum von großer<br />
Bedeutung sein.<br />
Die große Relevanz der artspezifischen Ausbreitungsdistanzen im Zusammenspiel<br />
mit den gebietsspezifischen Habitatdistanzen macht deutlich, wie wichtig es ist, für<br />
die der Analyse zugr<strong>und</strong>eliegenden Datenerhebungen eine adäquate räumliche Auflösung<br />
zu wählen. Sie sollte sicherstellen, daß alle relevanten Patches mit Korridorbzw.<br />
Trittsteinfunktion erfaßt werden können. Im Drömling würde z.B. eine Nichtberücksichtigung<br />
der Gräben aufgr<strong>und</strong> einer zu groben Auflösung eine erhebliche<br />
Unterschätzung der Konnektivität bedeuten. Spezifische Untersuchungen <strong>zur</strong> Barrierenwirkung<br />
verschiedener natürlicher <strong>und</strong> anthropogener Landschaftselemente (z.B.<br />
Weidemann et al. 1996; Kappler 1997) erhöhen zudem die Verläßlichkeit der Modellaussagen,<br />
die auch stark von diesem Aspekt abhängen.<br />
Wesentlich ist: bei allen Bemühungen, die Habitatvernetzung zu quantifizieren <strong>und</strong><br />
den Einfluß der Habitatkonnektivität auf die Aussterbewahrscheinlichkeit von<br />
lokalen Populationen <strong>und</strong> Metapopulationen abzuschätzen (z.B. Fahrig & Merriam<br />
1985; Lacy & Lindenmayer 1995; Hess 1996; Swart & Lawes 1997; Brooker et al.<br />
1999), darf nicht vergessen werden, daß der Verlust von Habitat eine weitaus größere<br />
Bedeutung für das Überleben oder Aussterben der Arten hat, als seine<br />
Fragmentierung (Fahrig & Merriam 1985; Andrén 1994; Fahrig 1997; Bender et al.<br />
1998). Dies gilt um so mehr, da die auf die Habitatzerstörung <strong>zur</strong>ückgehende Abnahme<br />
an Biodiversität möglicherweise mit erheblicher Verzögerung <strong>und</strong> erst nach<br />
Überschreiten unbekannter Schwellenwerte des Habitatverlustes eintritt (extinction<br />
debt; Tilman et al. 1994), weshalb Monitoringprogramme <strong>und</strong> Trendanalysen unter<br />
Umständen ein fälschliches Gefühl der Sicherheit vermitteln (Kareiva & Wennergren<br />
1995).
Abschnitt 5<br />
– Verbindung von Populationsdynamik <strong>und</strong><br />
Habitatmodellen zu einem räumlichexpliziten<br />
Simulationsmodell –
5 Verbindung von Populationsdynamik <strong>und</strong><br />
Habitatmodellen zu einem räumlich-expliziten<br />
Simulationsmodell<br />
Das abschließende Kapitel meiner Arbeit stellt mit dem „Dynamischen Multihabitatmodell“<br />
eine erweiterte Möglichkeit vor, mit Hilfe von <strong>Modelle</strong>n die Auswirkungen<br />
verschiedener Maßnahmen auf die ausgewählten Zielarten zu untersuchen, die weit<br />
über die Einsatzbereich der Habitateignungsmodelle hinausgeht. Es geht in diesem<br />
Abschnitt allerdings weniger darum, ein ausgereiftes Prognoseinstrument einzuführen<br />
– für welches umfangreichere Studien hätten durchgeführt werden müssen, als<br />
dies im Rahmen des Niedermoorprojektes möglich war – als vielmehr anhand eines<br />
einfachen Prototypen eine Möglichkeit der Verknüpfung von Habitatmodellen <strong>und</strong><br />
Populationsdynamik zu diskutieren, Ansätze der Implementierung zusätzlicher ökologischer<br />
Zusammenhänge aufzuzeigen <strong>und</strong> den Weg weiterer Analysen an<strong>zur</strong>eißen.<br />
Im Zuge dieser Analysen begebe ich mich in das Gebiet der Theoretischen <strong>Ökologie</strong><br />
<strong>und</strong> beschäftige mich mit der Frage nach dem Einfluß der Ausbreitung auf die Populationsdynamik<br />
<strong>und</strong> der Stabilität in räumlich strukturierten <strong>Modelle</strong>n.<br />
5.1 Einleitung – räumlich explizite Populationsmodelle<br />
Die bisher betrachteten Habitatmodelle ermöglichen eine Prognose der Auswirkungen<br />
unterschiedlicher Managementszenarien auf die Habitatqualität, was Rückschlüsse<br />
auf die Überlebenschancen der betroffenen Arten bzw. der von ihnen repräsentierten<br />
Lebensgemeinschaften zuläßt (Turner et al. 1995). Was diese <strong>Modelle</strong> aber<br />
auch bei Berücksichtigung von Fragmentierungseffekten (z.B. van Dorp & Opdam<br />
1987; Kuhn 1996, 2.4.2.2) nicht betrachten, ist die räumliche Dynamik der Art-<br />
Habitat-Beziehung (Walters 1992). Diesbezüglich differenziertere <strong>und</strong> vor allem<br />
quantitative Abschätzungen sind erst dann möglich, wenn die Populationsdynamik in<br />
die Analyse einbezogen wird.<br />
Klassische analytische <strong>Modelle</strong> der Populationsdynamik nehmen eine homogene<br />
Umwelt an (Kareiva 1990; Gyllenberg et al. 1993). Sie liefern deshalb in vielen Fällen<br />
keine verläßlichen Aussagen (DeAngelis 1988; Hall 1988; Fahrig 1991), da sie die<br />
Größe, die räumliche Verteilung <strong>und</strong> Konfiguration der Habitate nicht berücksichtigen,<br />
obwohl sie ebenfalls von Bedeutung für das Überleben der Gesamtpopulation<br />
sein können (s. 4.6.1 <strong>und</strong> Hanski 1999). Zur Charakterisierung einer Population, die<br />
in einer räumlich strukturierten, heterogenen Umwelt lebt, ist eine „räumliche Populationsdynamik“<br />
unumgänglich (Tilman et al. 1997). Dies kann mit räumlich expliziten<br />
populationsdynamischen <strong>Modelle</strong>n (spatially explicit population models – SEPM, vgl.<br />
Dunning et al. 1995; Pulliam & Dunning 1995) erfolgen. Die explizite Integration der<br />
räumlichen Komponente wird dabei oft mit dem Verzicht auf die analytische Lösbarkeit<br />
der <strong>Modelle</strong> erkauft (Onstad 1988; Fahrig 1991): so sind räumlich explizite Mo-
118 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
delle häufig Simulationsmodelle (Wiens 1995). Allerdings stellen z.B. die aktuellen<br />
Arbeiten von Rohani et al. (1996), Kaneko (1998) oder Ruxton & Rohani (1999) eine<br />
analytische Herangehensweise an räumliche Populationsmodelle vor. Bei ihnen stehen<br />
Untersuchungen relativ einfacher räumlicher <strong>Modelle</strong> – sogenannter coupled map lattices<br />
(CMLs, s. 5.2.1) – <strong>und</strong> Fragen von Chaos <strong>und</strong> Stabilität in räumlichen Systemen<br />
im Vordergr<strong>und</strong>.<br />
Räumlich explizite Simulationsmodelle bilden auch die Gr<strong>und</strong>lage von Gefährdungsgradanalysen<br />
(population viability analysis - PVA; Akçakaya 1992; Boyce 1992), die <strong>zur</strong><br />
Abschätzung der Überlebenswahrscheinlichkeit von Populationen durchgeführt werden.<br />
Diese schließen demographische, genetische sowie räumliche Aspekte in die<br />
Analyse ein (z.B. Lindenmayer et al. 1995; Akçakaya & Baur 1996; Akçakaya & Atwood<br />
1997; Root 1998). Eine solche PVA ist auf Gr<strong>und</strong>lage der innerhalb des Projektes<br />
erhobenen Daten für C. dorsalis oder S. grossum im Drömling nicht durchführbar,<br />
weil diese in erster Linie im Hinblick auf die Erstellung von Habitatmodellen<br />
aufgenommen wurden.<br />
Das Methodenkapitel in diesem Abschnitt dokumentiert die Entwicklung des Dynamischen<br />
Multihabitatmodells. Beginnend mit einer kurzen Definition eines zellulären<br />
Automaten in 5.2.1 folgt anschließend eine Einführung in das zugr<strong>und</strong>eliegende<br />
populationsdynamische Leslie-Modell (5.2.2 <strong>und</strong> 5.2.3). Hierbei werden die „klassischen“<br />
Analyseverfahren für den linearen <strong>und</strong> den nichtlinearen Fall vorgestellt<br />
(5.2.2.2 <strong>und</strong> 5.2.3.1). Um die Analysen überschaubar zu halten, bleibt das Modell vergleichsweise<br />
einfach. Für jeden Schritt werden zugleich die Einschränkungen der<br />
gewählten Ansätze sowie Vorschläge zu <strong>Modelle</strong>rweiterungen diskutiert. Nach einer<br />
Darstellung des Ausbreitungsmodells (5.2.4), welches die einzelnen Elemente des zellulären<br />
Automaten verbindet, wird abschließend die Zusammenführung der unterschiedlichen<br />
Teilmodule erläutert (5.2.5). Das Ergebniskapitel gliedert sich in einen<br />
analytischen Teil, der das lokale Modell betrifft (5.3), <strong>und</strong> in einen Teil, in dem die<br />
Ergebnisse numerischer Simulationen vor allem für das räumliche Modell dargestellt<br />
werden (5.4). Da die Diskussion der methodischen Ansätze größtenteils schon im<br />
Methodenteil 5.2 abgehandelt wird, widmet sich die abschließende Diskussion dieses<br />
Abschnitts eher dem theoretischen Aspekt, der sich aus den Simulationen des räumlichen<br />
Modells erschließt (5.5).<br />
5.2 Methodik<br />
Realisiert wird das Dynamische Multihabitatmodell als zellulärer Automat bzw.<br />
coupled map lattice (s. 5.2.1 <strong>und</strong> 5.2.5), dessen regelmäßiges zweidimensionales Gitter –<br />
entweder ein künstliches Habitatmosaik oder eine reale Habitateignungskarte im<br />
Rasterformat – die „Bühne“ der Populationsdynamik darstellt: für jede Zelle dieses<br />
Gitters wird ein Matrixmodell <strong>zur</strong> Abbildung der Populationsdynamik aufgestellt<br />
(Lefkovitch 1965; Caswell 1989; Di Cola et al. 1999). Die Modellparameter des<br />
Matrixmodells hängen von der über Habitatmodelle ermittelten Habitatqualität der
5.2 Methodik 119<br />
jeweiligen Rasterzelle ab (vgl. Akçakaya & Atwood 1997). Das Dynamische Multihabitatmodell<br />
basiert also auf den lokalen Populationen (local population-based, vgl.<br />
Hassell et al. 1991; Britton et al. 1996; Akçakaya & Atwood 1997; Lee & DeAngelis<br />
1997). Es unterscheidet sich darin von individuenbasierten räumlichen Populationsmodellen<br />
(z.B. Poethke et al. 1996; Appelt & Poethke 1997; Stelter et al. 1997; Poff<br />
& Nelson-Baker 1997; Travis & Dytham 1998; Letcher et al. 1998).<br />
Der klassische Matrixmodell-Ansatz wird häufig für die Modellierung der Dynamik<br />
von Insektenpopulationen verwendet, da er eine adäquate Abbildung der durch die<br />
verschiedenen Stadien ihres Lebenszyklus' bedingte Populationsstruktur erlaubt<br />
(Caswell 1989; Di Cola et al. 1999). Die Verwendung individuenbasierter Ansätze (s.<br />
DeAngelis & Gross 1992; Uchmanski & Grimm 1996) hingegen kann problematisch<br />
werden, wenn – wie im Falle der hier zu erwartenden großen Populationen <strong>und</strong> hohen<br />
Ab<strong>und</strong>anzen – ausgesprochen viele „Einzelschicksale“ verfolgt werden müssen<br />
(Dunning et al. 1995; Wiens 1995).<br />
Die Patchdynamik, d.h. die Entwicklung der Habitatqualität einer jeden Rasterzelle,<br />
kann Berücksichtigung finden, indem für verschiedene Zeitpunkte im Jahr unterschiedliche<br />
Habitatmodelle bzw. -eignungskarten erstellt werden (vgl. Nutzungsszenarien<br />
in 2.5). Die räumliche Verknüpfung der einzelnen Patches erfolgt über die<br />
Ausbreitung (Emigration <strong>und</strong> Immigration) von Anteilen der Populationen <strong>und</strong> wird<br />
entweder dichteabhängig oder -unabhängig modelliert (vgl. Ruxton 1995).<br />
5.2.1 Zellulärer Automat – coupled map lattice<br />
Zelluläre Automaten stellen einen häufig verwendeten Modellansatz <strong>zur</strong> expliziten<br />
Modellierung räumlicher Strukturen dar (Czárán & Bartha 1992; Durrett & Levin<br />
1994). Es handelt sich dabei um spezielle rasterbasierte <strong>Modelle</strong>, die auf John von<br />
Neumann <strong>zur</strong>ückgehen, der sie in den 40er Jahren <strong>zur</strong> Modellierung des Verhaltens<br />
komplexer Systeme eingeführt hat (Rietmann 1993). Ihre mittlerweile weitreichende<br />
Verwendung ist eng mit der Verfügbarkeit leistungsfähiger Rechner verb<strong>und</strong>en <strong>und</strong><br />
umfaßt verschiedene Gebiete in der „räumlichen Populationsökologie“ wie Arbeiten<br />
von z.B. Hassell et al. (1991), Halley et al. (1994), Ellison & Bedford (1995),<br />
Bascompte & Solé (1996), Cole & Cheshire (1996), Schwinning & Parsons (1996)<br />
oder Jeltsch et al. (1998) zeigen.<br />
Zelluläre Automaten sind in Zeit <strong>und</strong> Raum diskrete <strong>Modelle</strong>, die durch ein ein- bis<br />
dreidimensionales Raster definiert werden, welches aus Zellen zumeist quadratischer,<br />
häufig auch hexagonaler (z.B. Liu et al. 1995; Pulliam et al. 1995) Geometrie zusammengesetzt<br />
ist. Jede Zelle kann einen von mehreren definierten diskreten Zuständen<br />
annehmen, der innerhalb eines jeden Zeitschritts auf der Gr<strong>und</strong>lage deterministischer<br />
oder stochastischer Regeln aktualisiert wird (Wolfram 1984; Phipps 1992; Weimar<br />
1997). Dabei berücksichtigen die Regeln den aktuellen Zustand der Zelle sowie die<br />
Zustände ihrer benachbarten Zellen.<br />
In meiner Arbeit ergeben sich die Zellen des zweidimensionalen Gitters aus gerasterten<br />
Habitateignungskarten bzw. entsprechenden artifiziellen Landschaften <strong>und</strong> sind
120 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
von quadratischer Geometrie mit einer Zellengröße von 25⋅25 m 2 . Als Nachbarschaftsbeziehung<br />
wird die von-Neumann-Nachbarschaft ersten Grades verwendet,<br />
bei der nur die vier direkt benachbarten Zellen berücksichtigt werden. Die Zustände<br />
der Zellen werden durch die Ab<strong>und</strong>anzen der Heuschrecken in den einzelnen Stadien<br />
ihres Lebenszyklus' charakterisiert, die mittels eines populationsdynamischen<br />
Modells für jede Zelle errechnet werden. Diese „Lokalmodelle“ (s. 5.2.2) bilden zusammen<br />
mit der Ausbreitung von Teilen der Populationen in die angrenzenden<br />
Zellen (s. 5.2.4) das „Regelwerk“ des zellulären Automaten. Da jede Rasterelle durch<br />
ein System von Differenzengleichungen charakterisiert wird <strong>und</strong> die benachbarten<br />
Zellen mit ihren Lokalpopulationen über die Ausbreitung gekoppelt sind, kann mein<br />
Modell auch als coupled map lattice (CML s. Kaneko 1989; Kaneko 1998) verstanden<br />
werden (vgl. Hassell et al. 1991; Bascompte & Solé 1994; Hanski 1999).<br />
5.2.2 Populationsdynamik I: Einfaches Populationsprojektionsmodell – nicht<br />
räumliches Leslie-Matrix-Modell<br />
Matrixmodelle wurden in den 40er Jahren von Bernadelli (1941), Lewis (1942) <strong>und</strong><br />
Leslie (1945; 1948) unabhängig voneinander entwickelt. Ende der 60er Jahre wurden<br />
sie durch die Arbeiten von z.B. Lefkovitch (1965) zu stadienstrukturierten Insektenpopulationen<br />
oder von Usher (1969) zu größenstrukturierten Baumpopulationen für<br />
die <strong>Ökologie</strong> <strong>und</strong> Demographie „wiederentdeckt“ (Caswell 1989; 1996). Die <strong>Modelle</strong><br />
wurden im Laufe der letzten Jahrzehnte vielfach weiterentwickelt (Caswell 1996). So<br />
stellen beispielsweise Sykes (1969) <strong>und</strong> Tuljapurkar (1996) stochastische Matrixmodelle<br />
vor. Tuljapurkar & Orzack (1980), Tuljapurkar (1982; 1990) oder Åberg<br />
(1992b) zeigen, wie dynamische Habitate in Matrixmodellen berücksichtigt werden<br />
können, <strong>und</strong> Hughes & Connell (1987), Law & Edley (1990) bzw. Söndgerath &<br />
Richter (1990) integrieren den physiologischen Alterungsprozeß in größen- bzw.<br />
stadienstrukturierte <strong>Modelle</strong>. Rolff & Schröder (1999) verwenden ein Matrixmodell<br />
<strong>zur</strong> Beschreibung einer aufgr<strong>und</strong> des individuellen Parasitierungsgrades strukturierten<br />
Libellenpopulation.<br />
Anwendungen des – nach einem ihrer ersten Entwickler auch Leslie-Modell genannten<br />
– Ansatzes in der <strong>Naturschutz</strong>biologie vor allem in Gefährdungsgradanalysen<br />
(PVAs) finden sich z.B. bei Crouse et al. (1987), Menges (1990), Akçakaya et al.<br />
(1995), Power & Power (1995), Akçakaya & Baur (1996) oder Akçakaya & Atwood<br />
(1997).<br />
5.2.2.1 Lebenszyklusgraph – Entwicklung eines einfachen, linearen <strong>und</strong> zeitinvarianten<br />
Matrixmodells<br />
Die Simulationen werden auf jeder Gitterzelle separat mit einem Leslie-Modell<br />
durchgeführt, welches stark vereinfachend die Populationsdynamik einer „artifiziellen<br />
Heuschrecke“ beschreibt (Abb. 5-1). Der Lebenszyklusgraph dieser „Heuschrecke“<br />
berücksichtigt bei nicht überlappenden Generationen nur die drei Stadien – Ei, Larve<br />
<strong>und</strong> Imago (E, L, I ) –, wobei die bei C. dorsalis normalerweise zu beobachtenden fünf
5.2 Methodik 121<br />
bis sechs Larvalstadien (s. 1.6, Ingrisch & Köhler 1998) vereinfachend zu einem einzigen<br />
Stadium aggregiert werden. Hierbei bezeichnen die P i den Anteil an Individuen<br />
in Stadium i, die bis zum Stadium i+1 überleben, also P 1 <strong>und</strong> P 2 die Übergangswahrscheinlichkeiten<br />
vom Ei- ins Larval- bzw. vom Larval- ins Imaginalstadium. F kennzeichnet<br />
die Fek<strong>und</strong>ität, d.h. die Anzahl gelegter Eier pro Individuum (Carey 1993).<br />
Eier Larven Imagines<br />
E<br />
P 1<br />
L1 L5 I<br />
L<br />
F<br />
Abb. 5-1: Lebenszyklusgraph der Heuschreckenpopulation: E, L bzw. I kennzeichnen die Anzahl<br />
der Eier, Larven bzw. Imagines in der Habitatzelle, P1 die Übergangswahrscheinlichkeit vom Ei-<br />
ins Larval-, P2 die vom Larval- ins Imaginalstadium <strong>und</strong> F die Fek<strong>und</strong>ität [Eier/Imago]. Die<br />
Larvenstadien 1-5 werden zu einem einzigen Stadium zusammengefaßt.<br />
Notationen:<br />
v v<br />
nt<br />
; nt<br />
+ 1 : Populationsvektor zum Zeitpunkt t bzw. t+1<br />
nˆ : Populationsvektor im Gleichgewicht<br />
A : Populationsprojektions- oder Leslie-Matrix<br />
d : Imprimitivitätsindex der Leslie-Matrix A<br />
ai,j : Element der Projektionsmatrix in Zeile i <strong>und</strong> Spalte j<br />
si,j : Sensitivität des Matrixelementes ai,j<br />
S : Matrix der Sensitivitäten si,j<br />
ei,j : Elastizität des Matrixelementes ai,j<br />
E : Matrix der Elastizitäten ei,j<br />
x, y : Koordinaten der Habitatzellen auf dem Raster des zellulären Automaten<br />
Et [x,y] : Anzahl der Eier in Zelle [x,y] zum Zeitpunkt t<br />
Lt [x,y] : Anzahl der Larven in Zelle [x,y] zum Zeitpunkt t<br />
It [x,y] : Anzahl der Imagines in Zelle [x,y] zum Zeitpunkt t<br />
Eˆ<br />
, Lˆ<br />
, Iˆ<br />
: Anzahl der Eier, Larven bzw. Imagines im Gleichgewicht<br />
Ft [x,y] : Fek<strong>und</strong>ität in Zelle [x,y] zum Zeitpunkt t [Anzahl Eier/Imago]<br />
Fmax : maximale Fek<strong>und</strong>ität [Anzahl Eier/Imago]<br />
P1 : Übergangswahrscheinlichkeit vom Ei- ins Larvenstadium<br />
P2 : Übergangswahrscheinlichkeit vom Larven- ins Imaginalstadium<br />
λ1 : dominanter Eigenwert der Leslie-Matrix A<br />
λi<br />
u<br />
: subdominante Eigenwerte der Leslie-Matrix A<br />
v v<br />
: rechter, λ1 zugehörender Eigenvektor der Leslie-Matrix A<br />
v : linker, λ1 zugehörender Eigenvektor der Leslie-Matrix A<br />
α, β : Formparameter der Weibullfunktionen (Gl. ( 5-10 ) <strong>und</strong> Gl. ( 5-17 ))<br />
HSI [x,y] : Habitateignungsindex in Zelle [x,y] ∈ [0,1], entspricht der mittels Habitatmodell<br />
berechneten Vorkommenswahrscheinlichkeit (s. Abschnitt 2)<br />
P 2
122 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
mt [x,y] : Migrationsrate aus Zelle [x,y] zum Zeitpunkt t<br />
mmax : maximale Migrationsrate<br />
qi : bei deterministischer Ausbreitung: Anteil von m, der in die Nachbarzelle i<br />
emigriert (i =1..4, d.h. von-Neumann-Nachbarschaft);<br />
bei stochastischer Ausbreitung: Wahrscheinlichkeit dafür, daß die Ausbreitung<br />
der m⋅I Imagines in die Nachbarzelle i stattfindet<br />
x v : Vektor kleiner Störungen des Gleichgewichts nˆ<br />
B | nˆ<br />
: Jacobimatrix des linearisierten Systems für das Gleichgewicht nˆ<br />
: dominanter Eigenwert der Jacobimatrix B<br />
λ(B)1<br />
Die Übersetzung dieses Lebenszyklusgraphen in ein zeitdiskretes Modell führt zu<br />
Differenzengleichungen (vgl. Caswell 1989; Caswell 1996; Gl. ( 5-1 ) links), die in der<br />
Matrixform zusammengefaßt werden (Gl. ( 5-1 ) rechts & unten).<br />
E<br />
L<br />
I<br />
t+<br />
1<br />
t+<br />
1<br />
t+<br />
1<br />
= I<br />
t<br />
t<br />
= E<br />
t<br />
⋅ F<br />
⋅ P<br />
1<br />
= L ⋅ P<br />
2<br />
⎫<br />
⎪<br />
⎬<br />
⎪<br />
⎭<br />
bzw.<br />
allgemein :<br />
v<br />
n<br />
entspricht<br />
t+<br />
1<br />
v<br />
= A ⋅ n<br />
t<br />
⎛ E⎞<br />
⎜ ⎟<br />
⎜ L ⎟<br />
⎜ I ⎟<br />
⎝ ⎠<br />
t+<br />
1<br />
⎛ 0<br />
⎜<br />
= ⎜ P1<br />
⎜<br />
⎝ 0<br />
0<br />
0<br />
P<br />
2<br />
F ⎞ ⎛ E⎞<br />
⎟ ⎜ ⎟<br />
0 ⎟⋅⎜<br />
L ⎟<br />
0 ⎟ ⎜ I ⎟<br />
⎠ ⎝ ⎠<br />
t<br />
( 5-1 )<br />
Damit die Tiere ihren Lebenszyklus innerhalb eines Jahres durchlaufen können, muß<br />
für dieses Modell ein Zeitschritt von vier Monaten gewählt werden. Da die Reproduktion<br />
auf ein einziges Stadium beschränkt ist (semelpares Modell; Caswell 1996),<br />
handelt es sich bei der hier verwendeten Leslie-Matrix um eine imprimitive oder auch<br />
zyklische Matrix (Caswell 1989). Man benötigt drei Stationen bzw. Kanten im<br />
Lebenszyklusgraph, um wieder an den Ausgangspunkt <strong>zur</strong>ückzukehren <strong>und</strong> es treten<br />
keine weiteren Verzweigungen auf. D.h., es wird eine Schleife (loop) mit der Länge<br />
drei modelliert. Deshalb ist der Imprimitivitätsindex der Leslie-Matrix, der allgemein<br />
als größter gemeinsamer Teiler der Schleifen-Längen (loop length) des Lebenszyklusgraphen<br />
berechnet wird, d = 3. Auf die besonderen Charakteristika imprimitiver<br />
Matrizen wird bei der Analyse des linearen Modells in 5.3.1 näher eingegangen.<br />
5.2.2.2 Analyse des linearen, zeitinvarianten Leslie-Modells<br />
Es gibt verschiedene Möglichkeiten, das asymptotische Verhalten eines solchen<br />
Matrixmodells zu untersuchen (Caswell 1989). Die einfachste Form der Analyse ist<br />
die Projektion, welche die zukünftigen Verhältnisse bei konstanten Bedingungen<br />
beschreibt. Aufgr<strong>und</strong> dieser Annahme muß die Projektion strikt von der Vorhersage<br />
unterschieden werden (s. Keifitz 1972: projection vs. forecasting).<br />
Unter der Annahme, daß die Parameter der Projektionsmatrix über den entsprechenden<br />
Zeitraum konstant sind, läßt sich mittels Gl. ( 5-1 ) ausgehend von einer Anfangsverteilung<br />
n0 v die Entwicklung der Population bis zu jedem beliebigen Zeitpunkt<br />
der Zukunft verfolgen. Die Projektion für k Zeitschritte läßt sich mittels<br />
Gl. ( 5-2 ) berechnen (vgl. Caswell 1989).
5.2 Methodik 123<br />
v<br />
n<br />
v<br />
k<br />
k = A ⋅n<br />
( 5-2 )<br />
0<br />
Aus der Projektionsmatrix lassen sich durch Analyse ihres Eigenwertspektrums<br />
Charakteristika der Population ableiten (vgl. Caswell 1989):<br />
• Die asymptotische Wachstumsrate der Population (finite rate of population increase)<br />
wird durch den dominanten Eigenwert λ 1 der Matrix bestimmt. Dieser determiniert<br />
das asymptotische Verhalten der Population (die intrinsische Wachstumsrate<br />
entspricht ln λ 1): bei λ 1 > 1 wächst sie geometrisch bis ins Unendliche, bei<br />
λ 1 < 1 stirbt sie aus <strong>und</strong> bei λ 1 = 1 bleibt sie stabil. Dahingegen bestimmen die<br />
subdominanten Eigenwerte λ i das kurzfristige, transiente Verhalten der Population.<br />
Dieses kann bei stark dezimierten Populationen in Extinktionsnähe u.U.<br />
wichtiger sein als das asymptotische Verhalten (Burgman et al. 1993).<br />
• Die stabile Stadienverteilung u v entspricht dem (rechten) Eigenvektor der Projektionsmatrix,<br />
der dem dominanten Eigenwert λ1 zugeordnet ist. Sie wird durch Gl.<br />
( 5-3 ) definiert. Gl. ( 5-4 ) zeigt eine vereinfachte Formel <strong>zur</strong> Berechnung der<br />
Elemente von u nach Caswell (1989).<br />
v<br />
v v<br />
λ u = Au<br />
( 5-3 )<br />
1<br />
⎧<br />
⎪<br />
ui<br />
= ⎨ −<br />
λ<br />
⎪<br />
⎩<br />
i+<br />
1<br />
⋅<br />
∏ −<br />
1<br />
i 1<br />
j=<br />
1<br />
p<br />
j<br />
für i = 1<br />
für i > 1<br />
( 5-4 )<br />
Die stabile Stadienverteilung beschreibt das konstante Verhältnis der Ab<strong>und</strong>anzen<br />
der Stadien untereinander, gegen das die Struktur der Population nach hinreichend<br />
langer Projektion <strong>und</strong> unabhängig von den Anfangsbedingungen konvergiert<br />
(Caswell 1989).<br />
• Der reproduktive Wert v wird durch den linken, ebenfalls dem dominanten<br />
Eigenwert λ1 zugeordneten, Eigenvektor der Matrix festgelegt <strong>und</strong> durch Gl.<br />
( 5-5 ) definiert. Er bemißt den „Wert“ der Stadien über die von ihnen zu erwartende<br />
Nachkommenschaft <strong>und</strong> liefert den relativen Beitrag der einzelnen Stadien<br />
<strong>zur</strong> sich ergebenden Populationsgröße. Eine vereinfachte Formel <strong>zur</strong> Berechnung<br />
der Elemente von v nach Caswell (1989) zeigt Gl. ( 5-6 ).<br />
v<br />
v v<br />
λ v = vA<br />
( 5-5 )<br />
1<br />
⎛<br />
⎞<br />
1<br />
s j −1<br />
⎜ ⎟ − j +<br />
vi = ∑⎜∏ Pn<br />
F jλ<br />
⎟ ( 5-6 )<br />
j = i n = i<br />
⎝<br />
⎠<br />
• Die Sensitivität, d.h. die partielle Ableitung des dominanten Eigenwertes λ 1 nach<br />
dem Wert eines Matrixelementes (Gl. ( 5-7 ); Caswell 1978), mißt den Einfluß,<br />
den eine geringe Veränderung eines Matrixelementes auf das asymptotische Verhalten<br />
der Population hat (s. Horvitz & Schemske 1995).
124 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
s<br />
i,<br />
j<br />
∂λ1<br />
=<br />
∂a<br />
i,<br />
j<br />
=<br />
v u<br />
∑<br />
z<br />
i<br />
u<br />
z<br />
j<br />
v<br />
z<br />
( 5-7 )<br />
• Die Elastizität oder proportionale Sensitivität (Gl. ( 5-8 ); Caswell et al. 1984; De<br />
Kroon et al. 1986) mißt den Einfluß kleiner proportionaler (!) Veränderungen der<br />
Matrixelemente auf das asymptotische Verhalten der Population. Im Gegensatz<br />
<strong>zur</strong> Sensitivität zieht die Elastizität die unterschiedlichen Größenordnungen der<br />
Lebenstafelparameter in Betracht. Sie berücksichtigt außerdem, daß bestimmte<br />
Matrixelemente u.U. biologisch unmögliche Stadienübergänge charakterisieren<br />
Da die Summe der Elastizitäten aller Matrixelemente den Wert eins ergibt (s.<br />
Caswell 1996), sind die e i,j in Gl. ( 5-8 ) auch als Beitrag der einzelnen Matrixelemente<br />
<strong>zur</strong> asymptotischen Wachstumsrate, ihre Zeilensumme als Beitrag eines<br />
ganzen Stadiums zu interpretieren (s. Åberg 1992a; Horvitz & Schemske 1995).<br />
e<br />
a<br />
i,<br />
j<br />
i,<br />
j = si,<br />
j mit ∑ λ1<br />
i,<br />
j<br />
e<br />
i,<br />
j<br />
= 1<br />
( 5-8 )<br />
Sensitivitäts- <strong>und</strong> Elastizitätsanalysen können in der <strong>Naturschutz</strong>biologie von hohem<br />
Nutzen sein (s. Dixon et al. 1996; Hitchcock & Gratto-Trevor 1997; Floyd & Ranker<br />
1998), wie etwa bei der Planung optimaler Schutzmaßnahmen <strong>und</strong> Managementstrategien<br />
(Goodman 1980). Sie können auch eine Hilfestellung bei der Entscheidung<br />
sein, welche demographischen Parameter mit besonderer Genauigkeit gemessen<br />
werden sollten (Burgman et al. 1993; Dixon et al. 1996), da sie die Auswirkungen von<br />
Fehlern bei der Parameterschätzung auf die Modellaussagen aufzeigen.<br />
5.2.3 Populationsdynamik II: Erweiterung des einfachen Modells zum dichte-<br />
<strong>und</strong> habitatqualitätsabhängigen Leslie-Modell<br />
Die Annahme, daß sich eine Population in oder nahe ihrer stabilen Verteilung befindet,<br />
ist oft <strong>und</strong> gerade im Zusammenhang mit gefährdeten Populationen nicht haltbar<br />
(Burgman et al. 1993). Genausowenig kann davon ausgegangen werden, daß die<br />
Elemente der Projektionsmatrix in der Zeit konstant bleiben; sie sind vielmehr von<br />
verschiedenen, mehr oder weniger stochastischen Umwelteinflüssen, wie der Witterung<br />
(z.B. Lockwood & Lockwood 1989; Cherrill & Brown 1990; Thompson 1990;<br />
Wellington et al. 1999) oder Habitatveränderungen durch landwirtschaftliche Nutzung<br />
oder natürliche Sukzession abhängig (z.B. Thomas & Morris 1994; Thomas<br />
1995). Die einzelnen Umwelteinflüsse sind zudem häufig untereinander korreliert.<br />
Ohne ihre Berücksichtigung sind die Matrixmodelle nur von beschränktem Wert für<br />
die <strong>Naturschutz</strong>biologie, wie Burgman et al. (1993) feststellen. Zudem werden neben<br />
diesen dichteunabhängigen Einflüssen Populationen auch von dichteabhängigen Faktoren<br />
reguliert (z.B. Belovsky & Joern 1995; Dempster et al. 1995a; Heifetz & Applebaum<br />
1995; Ray & Hastings 1996; Huffaker et al. 1999), die ebenfalls Eingang in die
5.2 Methodik 125<br />
<strong>Modelle</strong> finden sollten (Leslie 1948; Richter & Söndgerath 1990). Aus diesem Gr<strong>und</strong><br />
wird das allgemeine lineare Modell aus Gl. ( 5-1 ) hier zum dichte- <strong>und</strong> habitatqualitätsabhängigen<br />
Modell in Gl. ( 5-9 ) erweitert.<br />
v<br />
n<br />
v v<br />
= A(<br />
n , HSI ) ⋅ n<br />
t+<br />
1 t t<br />
( 5-9 )<br />
Während die Übergangswahrscheinlichkeiten vom Ei- ins Larval- (P 1) bzw. vom Larval-<br />
ins Imaginalstadium (P 2) für die „Modellheuschrecke“ weiterhin als Konstanten<br />
vorgegeben werden (vgl. Wikan & Mjølhus 1997; s.u.), wird die Fek<strong>und</strong>ität nun in<br />
Abhängigkeit von der Habitatqualität <strong>und</strong> von der Anzahl der Imagines in der aktuellen<br />
Rasterzelle – also dichteabhängig – modelliert. Als Habitatqualität wird hierbei die<br />
mittels der Habitatmodelle berechnete Vorkommenswahrscheinlichkeit, interpretiert<br />
als Habitateignungsindex verwendet (s. Abschnitt 2). Die Modellierung erfolgt mittels<br />
einer Weibull-Funktion (vgl. Wagner et al. 1984; Richter & Söndgerath 1990; Selhorst<br />
et al. 1991; Gl. ( 5-10 )). Die Leslie-Matrix wird damit nichtlinear, so daß das zugehörige<br />
Modell dementsprechend eine komplexe Dynamik aufweist (vgl. May & Oster<br />
1976; Caswell 1996; Cushing 1996; Costantino et al. 1997; Wikan & Mjølhus 1997).<br />
⎧ 0<br />
⎪<br />
Ft<br />
[ x,<br />
y]<br />
= ⎨<br />
⎪⎩ F<br />
max<br />
⋅ 0.<br />
5 ⋅<br />
( 1+<br />
HSI[<br />
x,<br />
y]<br />
) ⋅<br />
e<br />
β<br />
⎛ I ⎞<br />
⎜ t [ x , y ]<br />
−<br />
⎟<br />
⎝ 100⋅HSI[<br />
x , y ] ⎠<br />
⇔ HSI[<br />
x,<br />
y]<br />
= 0<br />
⇔ HSI[<br />
x,<br />
y]<br />
∈]<br />
0,<br />
1]<br />
Der erste Term in Gl. ( 5-10 unten), F ⋅ . 5 ⋅ ( 1+<br />
HSI[<br />
x,<br />
y]<br />
)<br />
( 5-10 )<br />
0 , bedeutet für sich ge-<br />
max<br />
nommen eine lineare Abnahme der Fek<strong>und</strong>ität von ihrem Maximalwert bei optimaler<br />
Habitatqualität (HSI = 1) auf die Hälfte dieses Wertes bei minimaler Habitatqualität<br />
(allerdings bei HSI ≠ 0). Er bezeichnet damit die dichteunabhängige, aber habitatqualitätsabhängige<br />
Fek<strong>und</strong>ität. Der Modellansatz ist darin begründet, daß auch in<br />
schlechten Habitaten eine Fortpflanzung nicht prinzipiell ausgeschlossen sein soll, da<br />
eine geringe Habitatqualität nicht zwangsläufig eine geringe Eignung als Reproduktionshabitat<br />
bedeutet (s. 2.1.1). In Habitaten mit HSI = 0 ist aber gr<strong>und</strong>sätzlich keine<br />
Fortpflanzung möglich.<br />
Der Exponent im zweiten, die Dichteabhängigkeit einführenden Term berechnet<br />
sich aus dem Anteil adulter Tiere an der Kapazität, die auf den Wert 100⋅HSI gesetzt<br />
wird. Bei optimaler Habitatqualität beträgt die Kapazität also 100 Imagines auf einer<br />
Rasterzelle mit einer Fläche von 625 m 2 , d.h. 0.16 Imagines/m 2 . Dieser in den folgenden<br />
<strong>Modelle</strong>n verwendete Wert der Kapazität ergibt Populationsdichten, die im<br />
Rahmen der in der Literatur für C. dorsalis verzeichneten Werte liegen (vgl. Reise<br />
1970; Kolshorn & Greven 1995; Ingrisch & Köhler 1998). Bei Verwendung einer<br />
veränderten räumlichen Auflösung des Rasters müßte er entsprechend angepaßt<br />
werden.<br />
So beschreibt Gl. ( 5-10 ) bei steigender Individuendichte eine sinkende Fek<strong>und</strong>ität.<br />
Sie läßt sich durch zunehmende Werte des Formparameters β in Richtung einer
126 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
Stufenfunktion variieren (Abb. 5-2). Ein Wert von β = 1 ist gleichbedeutend mit<br />
einem exponentiellen Abfall der Fek<strong>und</strong>ität mit steigender Imaginesdichte. Das<br />
Modell entspräche in diesem Fall dem bekannten Ricker-Ansatz (vgl. Ricker 1954;<br />
Levin & Goodyear 1980; Costantino et al. 1997).<br />
Fek<strong>und</strong>ität [Anzahl Eier/Imago]<br />
100<br />
80<br />
60<br />
40<br />
20<br />
HSI = 0.1<br />
HSI = 0.5<br />
HSI = 1.0<br />
β = 2<br />
β = 4<br />
0<br />
0 20 40 60 80 100<br />
Dichte [Anzahl adulter Tiere/Habitatzelle]<br />
Abb. 5-2: Abhängigkeit der Fek<strong>und</strong>ität von der Dichte für die Habitatqualitäten HSI = 0.1; 0.5<br />
bzw. 1; Formparameter β = 2 bzw. 4 (Fmax = 100 Eier/Imago).<br />
Das Leslie-Modell wird für jede Zelle des Rasters aufgestellt, so daß sich für das Gesamtmodell<br />
eine Menge einzelner Matrixgleichungen in der Form von Gl. ( 5-11 ) ergibt.<br />
Hierbei weisen die einzelnen Zellen gemäß dem zugr<strong>und</strong>eliegenden Habitatmodell<br />
u.U. unterschiedliche Habitatqualitäten auf, von denen die Lebenstafelparameter<br />
in der Projektionsmatrix – in Modell Gl. ( 5-11 ) allerdings nur die Fek<strong>und</strong>ität<br />
– abhängen. Werden Sequenzen von Habitateignungskarten zugr<strong>und</strong>egelegt (vgl. 2.5),<br />
so sind die Matrizen in der Zeit veränderlich, so daß für jede Zelle für jeden Zeitschritt<br />
eine neue Leslie-Matrix berechnet werden muß, um die Populationsvektoren<br />
in jeder Zelle zu bestimmen. Das System der Differenzengleichungen in Gl. ( 5-1 )<br />
wird demnach für jede einzelne Zelle, repräsentiert durch ihre Koordinaten [x, y], in<br />
die Matrixgleichung ( 5-11 ) umgesetzt.<br />
⎛ E[<br />
x,<br />
y]<br />
⎞<br />
⎜ ⎟<br />
⎜ L[<br />
x,<br />
y]<br />
⎟<br />
⎜ I x y ⎟<br />
⎝ [ , ] ⎠<br />
t+<br />
1<br />
⎛ 0<br />
⎜<br />
= ⎜ P1<br />
⎜<br />
⎝ 0<br />
0<br />
0<br />
P<br />
2<br />
Ft<br />
[ x,<br />
y]<br />
⎞ ⎛ E[<br />
x,<br />
y]<br />
⎞<br />
⎟ ⎜ ⎟<br />
0 ⎟ ⋅ ⎜ L[<br />
x,<br />
y]<br />
⎟<br />
0 ⎟ ⎜ I x y ⎟<br />
⎠ ⎝ [ , ] ⎠<br />
t<br />
( 5-11 )<br />
Eine mögliche, hier aber nicht vorgenommene Erweiterung ist die Integration stochastischer<br />
Schwankungen durch zeitabhängige Matrixelemente (z.B. Tuljapurkar<br />
1996), die prinzipiell sämtliche Lebenstafelparameter betreffen können (z.B. Boyce
5.2 Methodik 127<br />
1977; Hitchcock & Gratto-Trevor 1997). Diese können beispielsweise durch witterungsabhängige<br />
„gute“ <strong>und</strong> „schlechte“ Zeitschritte charakterisiert werden (vgl.<br />
Harrison & Quinn 1989). Die Verwendung eines solchen Ansatzes würde zudem die<br />
Festlegung der Korrelation der Umweltschwankungen zwischen den einzelnen<br />
Lokalpopulationen erlauben (Tuljapurkar 1982; Harrison & Quinn 1989).<br />
Es ist zu betonen, daß dieser Weg der Modellierung einer dichte- <strong>und</strong> habitatqualitätsabhängigen<br />
Fek<strong>und</strong>ität zwar einem eleganten Ansatz folgt, seine Verwendung<br />
aber weder durch experimentelle Arbeiten noch durch theoretische <strong>Modelle</strong> begründet<br />
ist. Er steht stellvertretend für die Vielzahl möglicher Ansätze, die für die Modellierung<br />
der Dichteabhängigkeit Verwendung finden (z.B. Pennycuick et al. 1968;<br />
Usher 1972; Longstaff 1977; DeAngelis et al. 1980; Levin & Goodyear 1980;<br />
Shimada & Tuda 1996). Die lineare Abhängigkeit der Kapazität von der Habitatqualität<br />
stellt dabei einen sehr pragmatischen Ansatz dar, der an Akçakaya et al.<br />
(1995) angelehnt ist.<br />
5.2.3.1 Analyse des dichteabhängigen Leslie-Modells<br />
In der Literatur findet sich eine Vielzahl von Untersuchungen dichteabhängiger<br />
Matrixmodelle (z.B. Silva & Hallam 1993; Botsford 1996; Cushing 1996; Higgins et<br />
al. 1997). Guckenheimer et al. (1977) wie auch Wikan & Mjølhus (1997) analysieren<br />
dabei den Fall dichteabhängiger Fek<strong>und</strong>ität bei konstanten Überlebenswahrscheinlichkeiten<br />
<strong>und</strong> zeigen, daß Systeme dieser Art ein weites Spektrum z.T. komplexen<br />
dynamischen Verhaltens aufweisen können (s. 5.3.2).<br />
Für das erweiterte, dichteabhängige Leslie-Modell läßt sich das asymptotische Verhalten<br />
aufgr<strong>und</strong> der Nichtlinearität der Differenzengleichungen nicht mehr in Form<br />
von Eigenwerten <strong>und</strong> -vektoren der Leslie-Matrix charakterisieren (Caswell 1989).<br />
Vielmehr ist hier eine Analyse der stationären Zustände <strong>und</strong> ihrer lokalen Stabilität<br />
durchzuführen (Beddington 1974; Caswell 1996).<br />
Die Gleichgewichtspopulation nˆ erfüllt Gl. ( 5-12 ). Der stationäre Zustand gilt als<br />
lokal asymptotisch stabil, wenn das System nach kleinen Auslenkungen aus dem<br />
Gleichgewicht wieder in dasselbe <strong>zur</strong>ückgelangt.<br />
nˆ = A(<br />
nˆ<br />
) ⋅ nˆ<br />
( 5-12 )<br />
Die lokale Stabilität eines stationären Zustandes wird durch eine Approximation des<br />
nichtlinearen dichteabhängigen Modells durch ein lineares, für kleine Ablenkungen<br />
korrektes Modell bestimmt (Beddington 1974; Caswell 1996). Definiert man einen<br />
Vektor x v von Abweichungen aus dem Gleichgewicht nˆ nach Gl. ( 5-13 ),<br />
x( t)<br />
= n(<br />
t)<br />
− nˆ<br />
v v<br />
so läßt sich die Dynamik von x v durch Gl. ( 5-14 ) berechnen.<br />
( 5-13 )
128 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
v v<br />
x(<br />
t + 1)<br />
= Bx(<br />
t)<br />
( 5-14 )<br />
Die Matrix B ist dabei die Jacobimatrix, eine lineare Approximation des nichtlinearen<br />
Systems in Gleichgewichtsnähe. Ihre Form für den Fall eines 3⋅3-Leslie-Modells ist in<br />
Gl. ( 5-15 ) dargestellt.<br />
⎛ ∂f<br />
⎜<br />
⎜ ∂n<br />
⎜ ∂f<br />
B = ⎜<br />
⎜ ∂n<br />
⎜ ∂f<br />
⎜<br />
⎝ ∂n<br />
1<br />
1<br />
2<br />
1<br />
3<br />
1<br />
⎛<br />
⎜<br />
∂A<br />
= Anˆ<br />
+<br />
⎜<br />
⎝<br />
∂n1<br />
∂f<br />
∂n<br />
∂f<br />
∂n<br />
∂f<br />
∂n<br />
nˆ<br />
1<br />
2<br />
2<br />
2<br />
3<br />
2<br />
nˆ<br />
∂f<br />
∂n<br />
∂f<br />
∂n<br />
∂f<br />
1<br />
3<br />
2<br />
3<br />
3<br />
∂n<br />
3<br />
∂A<br />
∂n<br />
⎞<br />
⎟<br />
⎟<br />
⎟ ∂f1<br />
⎟ mit z.<br />
B.<br />
:<br />
⎟ ∂n1<br />
⎟<br />
⎟<br />
⎠<br />
2 nˆ<br />
nˆ<br />
∂A<br />
∂n<br />
3 nˆ<br />
⎞<br />
nˆ<br />
⎟<br />
⎠<br />
= a<br />
11<br />
+ n<br />
1<br />
∂a<br />
∂n<br />
11<br />
1<br />
∂a<br />
+<br />
∂n<br />
12<br />
1<br />
∂a<br />
+<br />
∂n<br />
13<br />
1<br />
( 5-15 )<br />
Hierbei entsprechen die f i den rechten Seiten der jeweiligen Differenzengleichungen;<br />
die Ableitungen werden für n ˆ ermittelt (vgl. Caswell 1989; Caswell 1996). Die Stabi-<br />
litätseigenschaften des stationären Zustandes n werden durch den dominanten<br />
Eigenwert λ (B)1 von B bestimmt (nicht zu verwechseln mit λ 1 der Leslie-Matrix). Das<br />
Gleichgewicht ist nur dann stabil, wenn |λ (B)1| < 1 gilt (Beddington 1974; Caswell<br />
1989; 1996; s. 5.3.2). Die Bifurkationstheorie (s. Chow & Hale 1982; Wiggins 1990)<br />
trifft darüber Aussagen, welchen Einfluß der Stabilitätsverlust auf das Systemverhalten<br />
haben kann (s. Cushing 1996; Costantino et al. 1997; Higgins et al. 1997; s. 5.3.2).<br />
5.2.4 Ausbreitung – Räumliche Verknüpfung der Populationsdynamikmodelle<br />
mittels Migration <strong>und</strong> Dispersion<br />
Die Ausbreitung der Tiere stellt die Verbindung zwischen den einzelnen, von den<br />
Lokalpopulationen besiedelten Zellen des Habitatrasters her. Ihre Bedeutung für das<br />
Überleben von Populationen in räumlich strukturierten Lebensräumen wurde bereits<br />
in Zusammenhang mit der Habitatkonnektivitätsanalyse in Abschnitt 4 diskutiert (s.<br />
auch den Boer 1990; Adler & Nuernberger 1994; Dempster et al. 1995b; Lindenmayer<br />
& Possingham 1996a).<br />
Theoretisch betrachtet, entstehen spezifische Bewegungsmuster als Summe einzelner<br />
„Bewegungsereignisse“, die für sich genommen eine passive, stochastische (z.B. Verdriftung)<br />
<strong>und</strong> eine aktive, verhaltensgesteuerte Komponente (z.B. Flucht vor einem<br />
Prädator) aufweisen (Ims 1995). Verschiedene Lebensprozesse sind mit unterschiedlichen<br />
Bewegungsmustern auf verschiedenen Skalen verknüpft (With & Crist 1996):<br />
von der Suche nach Ressourcen im lokalen Patch über die Habitatwahl innerhalb<br />
eines Patchmosaiks bis hin <strong>zur</strong> Migration über Regionen hinweg (Kotliar & Wiens<br />
1990; Morris 1992; 1995; Ims 1995).<br />
ˆ
5.2 Methodik 129<br />
Bei den beiden hier untersuchten Heuschreckenarten finden sich diese unterschiedlichen<br />
Skalen der Bewegungsmuster wieder: im lokalen Patchmaßstab sind Rekolonisierungen<br />
nach lokalen Extinktionen, die z.B. durch die Mahd hervorgerufen werden<br />
können, durch Dispersion von den Nachbarflächen nachgewiesen (Helms unveröff.<br />
Daten). Im noch kleinerem Maßstab werden Bewegungen <strong>zur</strong> Aufsuche bestimmter<br />
Ressourcen, wie bei der Nahrungssuche, der Thermoregulierung durch Aufsuchen<br />
von „Sonnenplätzen“ (Ingrisch 1978; Remmert 1985; Chappell & Whitman 1990)<br />
oder Fluchtbewegungen festgestellt. Auf der anderen Seite finden auch großräumigere<br />
bzw. größerskalige Bewegungen statt, wie beispielsweise das Aufsuchen geeigneter<br />
Habitate <strong>zur</strong> Eiablage, die vorher – z.B. aufgr<strong>und</strong> suboptimaler Temperaturausstattung<br />
– vom Weibchen verlassen wurden (Ingrisch 1978). In dünn besiedelten Habitaten<br />
kann auch die Partnersuche über weitere Strecken erfolgen, wie Kindvall et al.<br />
(1998) für die Zweifarbige Beißschrecke, Metrioptera bicolor, nachgewiesen haben.<br />
Weitere Möglichkeiten sind das passive Verdriftetwerden in der Luft oder im Wasser.<br />
C. dorsalis z.B. kann nachweislich schwimmen (Diver & Diver 1933) <strong>und</strong> auch ihre<br />
Eier können im Eiablagesubstrat – z.B. als Mähgut (Detzel 1991) oder in angeschwemmtem<br />
Totholz (Haupt 1995) – fortbewegt werden.<br />
Die im Modell vorgesehenen Ausbreitungsprozesse aggregieren sowohl die Dispersion,<br />
d.h. die ungerichtete Wanderung von Individuen (dispersal; Begon et al. 1991),<br />
als auch die Migration, d.h. die auf einen bestimmten Ort gerichtete Bewegung von<br />
Individuen (migration; Begon et al. 1991).<br />
Beide untersuchten Heuschreckenarten gelten – C. dorsalis noch mehr als S. grossum –<br />
als eher standortstetig (Decleer 1990; Malkus et al. 1996). Für die Larvenstadien wird<br />
allgemein nur eine sehr eingeschränkte Mobilität angenommen (z.B. With 1994 für<br />
Acrididae allgemein; Malkus et al. 1996 für S. grossum; Helms 1997 für C. dorsalis).<br />
Deshalb wird im Modell allein die Ausbreitung adulter Individuen erlaubt <strong>und</strong> innerhalb<br />
eines jeden Zeitschritts nur in eine der vier benachbarten Zellen zugelassen<br />
(von-Neumann-Nachbarschaft). Dies mag das „durchschnittliche“ Verhalten der Population<br />
widerspiegeln; einen wichtigen Einfluß können aber auch die wenigen großräumigeren<br />
Bewegungen haben.<br />
Der Ausbreitungsprozeß der Imagines erfolgt im Modell nach der Berechnung des<br />
Populationsvektors, d.h. nach der Entwicklung der Larven zu Adulten, aber vor der<br />
Eiablage (s. Abb. 5-5 in 5.2.5). Er wird nicht für einzelne Individuen simuliert,<br />
sondern jeweils für einen Anteil der Populationen, (vgl. Hassell et al. 1991; Ruxton<br />
1995). Dieser Anteil – die Ausbreitungsrate m – ist entweder konstant oder wird<br />
dichteabhängig berechnet (s. Gl.( 5-17 )). Die Zahl der in der aktuellen Habitatzelle<br />
verbleibenden Imagines berechnet sich nach Gl. ( 5-16 ). Noch nicht berücksichtigt<br />
sind hier dabei Immigranten aus den Nachbarzellen.<br />
( − m)<br />
[ x,<br />
y]<br />
= I<br />
[ x,<br />
y]<br />
⋅ 1<br />
( 5-16 )<br />
I nach derAusbreitung<br />
vor derAusbreitung<br />
Die meisten Analysen im Ergebnisteil beziehen sich auf <strong>Modelle</strong> mit konstanter<br />
Ausbreitungsrate m (vgl. Gonzalez-Andujar & Perry 1993; Gyllenberg et al. 1993;
130 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
Hastings 1993). Ähnlich zum Ansatz bei der Fek<strong>und</strong>ität (Gl. ( 5-10 )) kann für die<br />
Ausbreitungsrate aber auch ein dichte- <strong>und</strong> habitatqualitätsabhängiger Zusammenhang<br />
angenommen (vgl. Ruxton 1996a; Ruxton & Rohani 1999) <strong>und</strong> ebenfalls durch<br />
einen Weibull-Ansatz modelliert werden (Wagner et al. 1984; Richter & Söndgerath<br />
1990). In diesem Fall muß für jeden Zeitschritt <strong>und</strong> jede Zelle des Rasters die Ausbreitungsrate<br />
nach Gl. ( 5-17 ) berechnet werden.<br />
m [ x,<br />
y]<br />
= m<br />
t<br />
max<br />
α<br />
⎛ ⎛ I ⎞ ⎞<br />
⎜ ⎜ t[<br />
x,<br />
y]<br />
−<br />
⎟ ⎟<br />
⎜ − ⎝ 100⋅HSI[<br />
x,<br />
y]<br />
1 e<br />
⎠ ⎟<br />
( 5-17 )<br />
⎜<br />
⎟<br />
⎜<br />
⎟<br />
⎝<br />
⎠<br />
In Gl. ( 5-17 ) bezeichnet m max den maximalen Anteil an Imagines, der eine Zelle verläßt<br />
(z.B. 20% in Abb. 5-3). Bei steigender Individuendichte beschreibt Gl. ( 5-17 )<br />
eine asymptotisch bis auf den Wert von m max ansteigende Ausbreitungsrate. Die<br />
Stärke des Anstiegs wird analog zu Gl. ( 5-10 ) durch einen Formparameter α variiert.<br />
Ausbreitungsrate [Anteil der Imagines]<br />
0,20<br />
0,15<br />
0,10<br />
0,05<br />
HSI = 0.1<br />
HSI = 0.5<br />
HSI = 1.0<br />
0,00<br />
0 20 40 60 80 100<br />
Dichte [Anzahl adulter Tiere]<br />
Abb. 5-3: Abhängigkeit der Ausbreitungsrate von der Dichte für die Habitatqualitäten<br />
HSI = 0.1; 0.5 <strong>und</strong> 1. Die maximale Ausbreitungsrate mmax liegt bei 0.20 (Formparameter:<br />
α = 4).<br />
Nach Ermittlung der Ausbreitungsrate wird bestimmt, wie sich die abwandernden<br />
Individuen auf die vier Nachbarzellen verteilen. Dabei sind verschiedene Ausbreitungsmodi<br />
möglich: deterministisch oder stochastisch in Kombination mit gerichteter<br />
bzw. ungerichteter Ausbreitung:<br />
• Bei der deterministischen Ausbreitung werden alle emigrierenden Tiere anteilig<br />
auf die vier Nachbarzellen verteilt. Erfolgt die deterministische Ausbreitung gerichtet,<br />
so werden die jeweiligen Populationsanteile q i , welche in die i = 1 bis 4<br />
Nachbarzellen emigrieren, gemäß Gl. ( 5-18 ) proportional <strong>zur</strong> Habitatqualität in<br />
der Nachbarschaft berechnet. Im ungerichteten Fall betragen diese Anteile jeweils<br />
¼, so daß jede Nachbarzelle 25% der abwandernden Tiere erhält.
5.2 Methodik 131<br />
• Wählt man die stochastische (exakt: die bzgl. der Richtung stochastische) Variante,<br />
so wandern alle Tiere zusammen in eine Nachbarzelle. Dabei wird die Richtung<br />
der Ausbreitung stochastisch entweder ohne Bevorzugung einer Richtung<br />
(Abb. 5-4 links) oder aber gerichtet, d.h. verstärkt in Richtung höherer Habitatqualität<br />
(Abb. 5-4 rechts) bestimmt (vgl. Kareiva 1990). Dann bezeichnen die q i<br />
die Wahrscheinlichkeit dafür, daß alle emigrierenden Tiere der aktuellen Zelle in<br />
die Nachbarzelle i emigrieren (s. Gl. ( 5-18 unten)).<br />
Für den Rand des Rasters gibt es verschiedene Optionen. Zur Vermeidung von<br />
Randeffekten können die Ränder gegenüberliegender Seiten des Rasters verknüpft<br />
werden, so daß sie einen Torus formen (vgl. Ruxton 1996b; s. 5.4.2.2). In 5.4.2.1 <strong>und</strong><br />
5.4.2.5 wird für am Rand liegende Zellen die Berechnung in Gl. ( 5-18 ) für die drei<br />
besiedelbaren Nachbarzellen durchgeführt. Im Normalfall ruft diese Vorgehensweise<br />
keinen nennenswerten Randeffekt hervor.<br />
⎧0.<br />
25<br />
⎪<br />
HSI[<br />
xi<br />
, yi<br />
]<br />
qi<br />
= ⎨ 4<br />
⎪ ∑ HSI[<br />
x j , y j ]<br />
⎪⎩<br />
j=<br />
1<br />
für alle i = 1, ..., 4 Nachbarzellen gilt also:<br />
⇔ ungerichtet⎫<br />
⎪<br />
⇔ gerichtet ⎪<br />
⎬ für i,<br />
j = 1,<br />
.., 4 Nachbarzellen<br />
⎪<br />
⎪⎭<br />
4<br />
∑<br />
i=<br />
1<br />
bei deterministischer Ausbreitung: mi = m ⋅ qi<br />
q = 1 <strong>und</strong><br />
i<br />
4<br />
∑<br />
i=<br />
1<br />
m = m<br />
bei stochastischer Ausbreitung: Wkt.( mi<br />
= m)<br />
= qi<br />
<strong>und</strong> Wkt.(<br />
mi<br />
= 0) = 1 − qi<br />
0.75<br />
0.50 0.25<br />
0.50<br />
4<br />
∑<br />
j=<br />
1<br />
HSI<br />
HSI [ x , ] = 2<br />
j y j<br />
ungerichtete Ausbreitung<br />
q 4=0.25<br />
q 1=0.25<br />
q 3=0.25<br />
q 2=0.25<br />
4<br />
∑<br />
i=<br />
1<br />
i<br />
i<br />
gerichtete Ausbreitung<br />
q 4=0.25<br />
q = 1<br />
q 1=0.375<br />
q 3=0.25<br />
q 2=0.125<br />
( 5-18 )<br />
Abb. 5-4: Ausbreitungsmodi für eine Habitateignungskarte (links): ungerichtet (Mitte) <strong>und</strong> gerichtet,<br />
d.h. in Richtung höherer Habitatqualität (rechts). Die Dicke der Pfeile kennzeichnet bei<br />
deterministischer Ausbreitung die Größe des die Zelle verlassenden Populationsanteiles, bei stochastischer<br />
Ausbreitung die Wahrscheinlichkeit dafür, daß die Emigration von m⋅I(t) Tieren in<br />
die entsprechende Nachbarzelle stattfindet.
132 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
Wie bei der Fek<strong>und</strong>ität ist auch an dieser Stelle zu betonen, daß der dichteabhängige<br />
Weibull-Ansatz nur einen der vielen möglichen, in der Literatur beschriebenen Modellansätze<br />
darstellt (z.B. Fahrig 1991; Ruxton 1996a) <strong>und</strong> bislang nicht durch experimentelle<br />
Arbeiten zum Ausbreitungsverhalten der Art gestützt wird. Aufgr<strong>und</strong> der<br />
geringen Mobilität sind sowohl die Ausbreitungsdistanz (nur in direkt benachbarte<br />
Zellen) als auch die Ausbreitungsrate (durch m bzw. m max) beschränkt. Diese Limitierungen<br />
können bei Bedarf aufgehoben werden. Denkbar ist z.B. für C. dorsalis eine<br />
<strong>Modelle</strong>rgänzung für mobilere, langflügelige Individuen, deren Auftreten ebenfalls<br />
dichteabhängig <strong>und</strong> stochastisch modelliert werden kann (vgl. Johst & Brandl 1997).<br />
Ebenso kann die explizite Berücksichtigung von Dispersionsbarrieren, wie z.B. Waldbiotopen<br />
oder Straßen, die nicht überw<strong>und</strong>en werden können (z.B. Weidemann et al.<br />
1996; Kappler 1997), oder von „Ausbreitungsschienen“ in das Modell integriert<br />
werden. Auch eine dichteabhängige Beschränkung der Immigration ist denkbar (vgl.<br />
Dempster et al. 1995b).<br />
5.2.5 Verknüpfung der Teilmodule zum Dynamischen Multihabitatmodell<br />
Die Beschreibung des zellulären Automaten in 5.2.1 aufgreifend wird die Verknüpfung<br />
der einzelnen Teilmodule zum Dynamischen Multihabitatmodell noch einmal<br />
zusammengefaßt. Ein Fließschema des lokalen Modells zeigt Abb. 5-5.<br />
+<br />
Imagines<br />
vorhanden?<br />
-<br />
Initialisierung:<br />
Berechnung der Habitatqualität<br />
Festlegung der Startpopulation<br />
Berechnung der Migrationsrate <strong>und</strong> -richtung<br />
Ausbreitung der Imagines:Ab- <strong>und</strong> Zuwanderungen<br />
Berechnung der aktuellen Fek<strong>und</strong>ität<br />
Projektion der Population<br />
Auswertung<br />
-<br />
Abbruch?<br />
t = t ENDE ?<br />
+<br />
+<br />
Imagines<br />
vorhanden?<br />
Abb. 5-5: Fließschema für eine einzelne Habitatzelle des Dynamischen Multihabitatmodells <strong>zur</strong><br />
Verdeutlichung des internen Programmablaufs.<br />
Abb. 5-5 stellt den internen Programmablauf auf jeder einzelnen Habitatzelle dar.<br />
Ausgehend von einer Anfangspopulation, in der bei den hier vorgestellten Simulationen<br />
<strong>zur</strong> Diskretisierung der Phänologie (vgl. Tab. 1-2) nur ein Stadium belegt ist,<br />
-
5.2 Methodik 133<br />
wird die Entwicklung der Population Zeitschritt für Zeitschritt verfolgt. Aufgr<strong>und</strong><br />
der Abhängigkeit der Fek<strong>und</strong>ität (<strong>und</strong> optional auch der Ausbreitungsrate) von der<br />
Dichte der Imagines müssen diese Parameter für jeden Zeitschritt neu berechnet<br />
werden, wenn innerhalb des Zeitschrittes Imagines vorhanden sind. Wird eine variable<br />
Umwelt angenommen, so muß die Festlegung bzw. Berechnung der Habitatqualität<br />
ebenfalls bei jedem Zeitschritt durchgeführt werden.<br />
Die sich ausbreitenden Anteile der Lokalpopulationen werden in die benachbarten<br />
Zellen weitergegeben <strong>und</strong> als zugewanderte Tiere in ihre neuen Populationen eingegliedert.<br />
So werden die einzelnen Zelldynamiken der Lokalpopulationen zusammengefügt<br />
<strong>und</strong> man erhält das Gesamtsystem des Dynamischen Multihabitatmodells.<br />
Damit keine Probleme mit der Reihenfolge programminternen der Abarbeitung der<br />
einzelnen Schritte entstehen (s. Ruxton & Saravia 1998), wird bei der Umsetzung mit<br />
zwei Rastern gearbeitet: im ersten wird das Ergebnis der Matrixprojektion abgelegt,<br />
während im zweiten für jede Zelle die sich aus den Wanderungsbewegungen ergebende<br />
Bilanz bestimmt wird. Erst nach Verrechnung dieser beiden Raster erfolgen<br />
die Ermittlung der Fek<strong>und</strong>ität <strong>und</strong> die Eiablage. Jede Generation von Adulten wird<br />
also in eine demographische <strong>und</strong> eine Ausbreitungsphase aufgeteilt (vgl. Ruxton &<br />
Rohani 1999).<br />
5.2.5.1 Analyse des räumlichen Modells durch Simulation auf einem artifiziellen<br />
Raster<br />
Das räumliche Modell kann hinsichtlich zweier Aspekte analysiert werden:<br />
• Dynamik & Kolonisierungsfähigkeit bzw. Ausbreitungsgeschwindigkeit sowie<br />
• Gleichgewicht & Stabilität.<br />
Mögliche Betrachtungsebenen sind dabei entweder individuelle Populationen auf einzelnen<br />
Habitatzellen, d.h. die Lokalpopulationen, oder die Gesamtpopulation, die<br />
sich als Summe aller Lokalpopulationen auf der Rasterkarte ergibt.<br />
Eine analytische Lösung analog zu der in 5.2.2.2 <strong>und</strong> 5.2.3.1 für das lokale Modell<br />
dargestellten Weise ist beim räumlichen System nicht mehr ohne weiteres möglich<br />
(<strong>zur</strong> Analyse von CMLs s. aber beispielsweise Rohani et al. 1996 oder Bascompte &<br />
Solé 1998). Deshalb wird hier auf numerische Simulationen <strong>zur</strong>ückgegriffen (vgl.<br />
Bascompte & Solé 1994; Ruxton & Rohani 1999). Die hierbei variierten Parameter<br />
lassen sich in die folgenden Klassen einteilen:<br />
• Parameter der Leslie-Matrix: Reproduktionsparameter Fmax (s. Gl.( 5-10 ))<br />
• Parameter der Ausbreitung: Ausbreitungsrate m oder bei dichte- <strong>und</strong> habitatqualitätsabhängiger<br />
Ausbreitung: maximale Ausbreitungsrate mmax , (Gl. ( 5-17 ))<br />
• Ausbreitungscharakteristik: deterministisch oder stochastisch (s. 5.2.4) <strong>und</strong> dabei<br />
jeweils gerichtet oder ungerichtet (s. Abb. 5-4),<br />
• Parameter der zugr<strong>und</strong>eliegenden Habitateignungskarte: unstrukturierte oder<br />
strukturierte Habitateignungskarte mit verschiedenen Habitatqualitäten HSI[x,y];<br />
Vorhandensein, Häufigkeit, Qualität <strong>und</strong> räumliche Anordnung von Trittsteinhabitaten<br />
(s. z.B. Abb. 5-7)
134 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
Als Resultate der Simulationen werden quantitative <strong>und</strong> qualitative Kriterien festgehalten:<br />
so wird die Dynamik der Ab<strong>und</strong>anzen auf den einzelnen Zellen verfolgt, die<br />
Zeitpunkte der Erstbesiedlung sowie die relative Antreffhäufigkeit bei stochastischen<br />
bzw. der Besiedlungsstatus bei deterministischen Simulationen für vorher festgelegte<br />
Zeitpunkte ermittelt. Qualitative Kriterien berücksichtigen z.B. die räumliche Musterbildung<br />
oder die Frage, ob bei bestimmten Parameterkombinationen innerhalb eines<br />
vorher festgelegten Zeitraumes (hier: 200 Simulationsjahre) mindestens eine Zelle in<br />
Region V besiedelt wird, d.h. ob es gelingt, die Regionen II <strong>und</strong> IV zu überwinden.<br />
Anfangsbedingungen für Simulationen <strong>zur</strong> Analyse der Dynamik<br />
Um das Systemverhalten unabhängig vom Einfluß strukturierter Habitatkarten verstehen<br />
zu können, werden anfänglich (5.4.2.1 <strong>und</strong> 5.4.2.2) Simulationen für artifizielle<br />
Raster mit einheitlicher Habitatqualität (HSI = 1.0 bzw. HSI = 0.5) durchgeführt. Bei<br />
der Untersuchung des dynamischen Aspekts in 5.4.2.1 sind diese Raster 18⋅18 Zellen<br />
groß, d.h. 450⋅450 m 2 . Dabei ist als Anfangsbedingungen in jedem Simulationslauf<br />
anfänglich eine einzige Zelle hoher Qualität besiedelt – Startzelle mit Startpopulation<br />
am linken Rand [9, 2] in Abb. 5-6 <strong>und</strong> Abb. 5-7 –, während alle anderen Zellen anfänglich<br />
unbesiedelt sind. Dieselben Anfangsbedingungen werden auch bei der<br />
Analyse des Effekts räumlicher Konfigurationen in 5.4.2.5 gewählt.<br />
Dieser wird vor allem in Hinblick auf das dynamische Verhalten des Modellsystems<br />
durch Simulationen auf räumlich strukturierten Rastern untersucht, deren Zellen verschiedene<br />
Qualitäten aufweisen (Abb. 5-6). Eine hohe Habitatqualität (Regionen I,<br />
III & V) bedeutet hierbei HSI = 1.0, eine niedrige (Regionen II & IV) HSI = 0.1,<br />
0.25 oder 0.5.<br />
Typ A<br />
schlecht schlecht<br />
Habitateignung: gut gut gut<br />
Startzelle<br />
Region: I II III IV V<br />
Abb. 5-6: Artifizielles Raster für den zellulären Automaten - Basiskonfiguration: 18⋅18-Raster<br />
mit drei Regionen hoher (grau, I, III & V) <strong>und</strong> zwei Regionen niedriger Habitatqualität (weiß,<br />
II & IV).<br />
Neben der einfachen Basiskonfiguration (Typ A in Abb. 5-6), bei der in einem weiteren<br />
Simulationsexperiment die Breite der Regionen schlechter Habitate (II & IV)<br />
variiert wird (vgl. Tab. 5-3), werden drei weitere Anordnungen mit unterschiedlich<br />
positionierten Trittsteinhabitaten (s. 4), d.h. Zellen hoher Qualität inmitten von Regionen<br />
geringerer Habitateignung, untersucht (Typen B bis D in Abb. 5-7). Die
5.3 Ergebnisse der Analysen des nicht-räumlichen Modells 135<br />
Breite der Regionen II & IV beträgt hierbei fünf Zellen. Ihre Habitatqualität wird in<br />
verschiedenen Simulationen mit 0.1, 0.25 <strong>und</strong> 0.5 angenommen (vgl. Tab. 5-4).<br />
Typ B Typ C<br />
Typ D<br />
Abb. 5-7: Patchkonfigurationen <strong>zur</strong> Untersuchung des Effekts von Trittsteinhabitaten auf die<br />
Ausbreitungsdynamik (grau/weiß: hohe/niedrige Habitatqualität; schwarz: Startzelle).<br />
Anfangsbedingungen für Simulationen <strong>zur</strong> Analyse der räumlichen Muster<br />
<strong>und</strong> der Stabilität<br />
Um Randeffekte <strong>und</strong> Effekte von Asymmetrien auszuschalten, verwende ich für die<br />
Simulationen <strong>zur</strong> Untersuchung des Aspekts der räumlichen Musterbildung in 5.4.2.2<br />
ein unstrukturiertes 19⋅19-Raster, bei dem die oberen <strong>und</strong> unteren sowie die linken<br />
<strong>und</strong> rechten Ränder miteinander verb<strong>und</strong>en sind (vgl. Ruxton 1996b). So liegt z.B.<br />
die „obere“ Nachbarzelle einer Zelle in der ersten Rasterzeile in der 19. Zeile. Tiere,<br />
die nach oben aus dem Raster wandern, erscheinen also wieder am unteren Rand.<br />
Die Startzelle liegt dabei in der Mitte des Rasters bei [10,10]. Um bei der Untersuchung<br />
des Stabilitätsaspekts in 5.4.2.2 allgemeinere Aussagen treffen zu können,<br />
wird für dieses Raster eine veränderte Anfangsbedingung gewählt: zu Beginn der<br />
Simulation werden alle Zellen zufällig mit Imagines ausgestattet (vgl. Ruxton 1996b).<br />
5.3 Ergebnisse der Analysen des nicht-räumlichen Modells<br />
Gezeigt wird die Analyse des einfachen linearen Leslie-Modells, an die sich eine Stabilitätsanalyse<br />
des nichtlinearen, dichteabhängigen Modells anschließt. Für beide <strong>Modelle</strong><br />
werden zudem die Ergebnisse numerischer Simulationen gezeigt.<br />
5.3.1 Analyse des einfachen, linearen <strong>und</strong> zeitinvarianten Leslie-Modells mit<br />
imprimitiver Projektionsmatrix<br />
Das lineare <strong>und</strong> zeitinvariante Leslie-Modell Gl. ( 5-1 ) mit der imprimitiven bzw.<br />
zyklischen Projektionsmatrix mit dem Imprimitivitätsindex d weist allgemein genau d<br />
Eigenwerte gleicher absoluter Länge auf, von denen einer, nämlich der dominante<br />
Eigenwert λ 1, real <strong>und</strong> positiv ist. Die anderen d-1 Eigenwerte sind komplex <strong>und</strong><br />
berechnen sich nach Gl. ( 5-19 ) (Bronštejn & Semendjajew 1989).
136 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
2kπi<br />
d<br />
λ = λ ⋅e<br />
, k = 1,<br />
2,<br />
..., d −1<br />
( 5-19 )<br />
i<br />
1<br />
Für Matrix A in Gl. ( 5-1 ) gibt es demnach bei d = 3 neben dem dominanten Eigenwert<br />
λ 1, berechnet aus dem charakteristischen Polynom:<br />
det ( A −λI<br />
) = 0<br />
3<br />
⇔ λ − P P F = 0<br />
⇔ λ =<br />
1<br />
3<br />
1<br />
1<br />
2<br />
P P F<br />
2<br />
zwei komplexe Eigenwerte, <strong>und</strong> zwar:<br />
für k = 1:<br />
2<br />
( 2<br />
2<br />
3<br />
) 3<br />
i<br />
cos π + i ⋅ sin π = P1<br />
P2<br />
F ( − 0 5 )<br />
3 2π<br />
i 3<br />
P 3<br />
1P2<br />
Fe<br />
= P1<br />
P2<br />
F<br />
+<br />
3<br />
3<br />
λ = .<br />
<strong>und</strong> für k = 2:<br />
3<br />
( 4<br />
4<br />
3<br />
) 3<br />
i<br />
cos π + i ⋅ sin π = P1<br />
P2<br />
F ( − 0 5 )<br />
3 4π<br />
i 3<br />
P 3<br />
1P2<br />
F e = P1<br />
P2<br />
F<br />
−<br />
3<br />
3<br />
λ = .<br />
2<br />
2<br />
( 5-20 )<br />
( 5-21 )<br />
Da aufgr<strong>und</strong> der Imprimitivität der Matrix alle Eigenwerte dieselbe Länge aufweisen,<br />
also λ 3<br />
1 = λ1<br />
= λ2<br />
= λ3<br />
= P1<br />
P2<br />
F gilt, liegen alle drei Eigenwerte in der Gauß'schen<br />
Zahlenebene auf einem Kreis um den Ursprung mit dem Radius r = 3 P1<br />
P2<br />
F (s.<br />
Abb. 5-11).<br />
Die Bedingung dafür, daß das Modell stabile Lösungen liefert, ist λ 1 = 1. Parameterkombinationen,<br />
welche diese Bedingung erfüllen, zeigt Abb. 5-8 als Responseoberfläche<br />
der Fek<strong>und</strong>ität über variierten Übergangswahrscheinlichkeiten P 1 <strong>und</strong> P 2.<br />
PP 2 = 2 = 0.3<br />
F F = 33.33 Eier/Imago<br />
PP 1 = 1 = 0.1<br />
Abb. 5-8: Für die auf der Fläche liegenden Parameterkombinationen von P1, P2 <strong>und</strong> F ist das<br />
Stabilitätskriterium λ1 = 1 erfüllt; z.B.: λ1 = 1 ⇔ P1 = 0.1 ∧ P2 = 0.3 ∧ F = 33.33 Eier/Imago.
5.3 Ergebnisse der Analysen des nicht-räumlichen Modells 137<br />
Für realistische Werte, d.h. P 1 = 0.1 <strong>und</strong> P 2 = 0.3 (s. Richards & Waloff 1954)<br />
erreicht man also Stabilität bei einer Fek<strong>und</strong>ität von durchschnittlich 33.333 Eiern<br />
pro Imago. Geringere Überlebenswahrscheinlichkeiten müßten durch eine höhere<br />
Fek<strong>und</strong>ität ausgeglichen werden.<br />
Die Berechnung der stabilen Stadienverteilung u v aus den Elementen der Leslie-<br />
Matrix erfolgt nach Gl. ( 5-4 ) <strong>und</strong> ergibt den Ausdruck in Gl. ( 5-22 ).<br />
⎛ 1<br />
v ⎜ −<br />
u = ⎜ P1λ1<br />
⎜<br />
⎝P1P<br />
2λ1<br />
1<br />
−2<br />
⎞ ⎛ 1<br />
⎟ ⎜<br />
⎟ = ⎜P1λ<br />
1<br />
⎟ ⎜<br />
⎠ ⎝λ1F<br />
−1<br />
−1<br />
⎞ ⎛ 1 ⎞<br />
⎟ ⎜ ⎟<br />
⎟ = ⎜P<br />
/ 3<br />
1 P1P2<br />
F ⎟<br />
⎟ ⎜ 3 ⎟<br />
⎠ ⎝ P1P2<br />
F / F ⎠<br />
( 5-22 )<br />
Die stabile Stadienverteilung u v ist im Falle einer imprimitiven Matrix nur von geringem<br />
interpretatorischen Wert, da die Population nicht wie bei primitiven Lesliev<br />
Matrizen gegen u konvergiert, sondern mit der Periode d ungedämpft oszilliert<br />
(Caswell 1989). Allerdings konvergiert der durchschnittliche Populationsvektor, der<br />
über eine Oszillationsperiode gemittelt wird, gegen u v (Cull & Vogt 1973). Die Oszil-<br />
lationen verdeutlicht die folgende Projektion eines stabilen Modells mit λ 1 = 1 für<br />
30 Zeitschritte, d.h. 10 Simulationsjahre (Abb. 5-9).<br />
Ab<strong>und</strong>anz<br />
3000<br />
2900<br />
2800<br />
600<br />
500<br />
400<br />
300<br />
200<br />
100<br />
0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
Zeit t [a]<br />
dom. Eigenwert = 1<br />
Eier (t)<br />
Larven (t)<br />
Imagines (t)<br />
Abb. 5-9: Projektion des stabilen Matrixmodells für 10 Simulationsjahre (P1 = 0.1; P2 = 0.3;<br />
F = 33.33 Eier/Imago). Bei einem dominanten Eigenwert von exakt 1 ändern sich die für jeweils<br />
eine Oszillationsperiode von drei Zeitschritten, d.h. einem Jahr, zusammengefaßten Ab<strong>und</strong>anzen<br />
nicht.<br />
Im Vergleich dazu zeigt Abb. 5-10 zusätzlich die Ab<strong>und</strong>anzen der Imagines aus Projektionen<br />
von <strong>Modelle</strong>n mit über- bzw. unterhalb des Gleichgewichtswertes liegenden<br />
Fek<strong>und</strong>itäten. Die Population mit λ 1 < 1 nimmt zusehends ab <strong>und</strong> wird aussterben,<br />
während die Population mit λ 1 > 1 bis ins Unendliche anwächst (s. 5.2.2.2).
138 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
Ab<strong>und</strong>anz Imagines I(t)<br />
200<br />
175<br />
150<br />
125<br />
100<br />
75<br />
50<br />
25<br />
0<br />
F = 33 Eier/Imago, λ = 1.000<br />
1<br />
F = 30 Eier/Imago, λ = 0.966<br />
1<br />
F = 36 Eier/Imago, λ = 1.026<br />
1<br />
0 1 2 3 4 5 6 7 8 9 10<br />
Zeit t [a]<br />
Abb. 5-10: Projektion dreier Matrixmodelle mit den Übergangswahrscheinlichkeiten P1 = 0.1<br />
<strong>und</strong> P2 = 0.3 sowie drei verschiedenen Fek<strong>und</strong>itäten, die zu dominanten Eigenwerten kleiner,<br />
größer <strong>und</strong> gleich eins führen. Dargestellt ist nur die Ab<strong>und</strong>anz der Imagines für 10 Simulationsjahre.<br />
Der linke Eigenvektor von A, der reproduktive Wert v v , wird nach Gl. ( 5-6 ) aus den<br />
Elementen der Leslie-Matrix ermittelt.<br />
⎛ 1<br />
⎜<br />
v = ⎜P2<br />
Fλ1<br />
⎜ −<br />
⎝ Fλ1<br />
v<br />
−2<br />
1<br />
⎞ ⎛ 1<br />
⎟ ⎜<br />
⎟ = ⎜λ1P1<br />
⎟ ⎜<br />
⎠ ⎝ Fλ1<br />
−1<br />
−1<br />
⎞<br />
⎟<br />
⎟<br />
⎟<br />
⎠<br />
( 5-23 )<br />
Die Berechnung der linken <strong>und</strong> rechten Eigenvektoren ermöglicht die Kalkulation<br />
der Sensitivitäten s i,j der Elemente der Leslie-Matrix nach Gl. ( 5-7 ), deren Ergebnis<br />
in Gl. ( 5-24 ) ebenfalls als Matrix dargestellt wird.<br />
A<br />
⎛<br />
⎜<br />
⎜<br />
1<br />
1<br />
1 ⎜ λ1<br />
S = ⎜<br />
3 P1<br />
1<br />
2<br />
λ1<br />
⎟<br />
P1<br />
F<br />
mit λ 3<br />
1 =<br />
⎜<br />
⎜ F<br />
⎜<br />
⎝ λ1<br />
P1<br />
λ<br />
λ1<br />
P<br />
2<br />
λ1<br />
F<br />
1<br />
⎞<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎠<br />
P P F<br />
für das Gleichgewicht mit P1 = 0.1, P2 = 0.3 <strong>und</strong> F = 33.33 Eier/Imago<br />
bedeutet dies:<br />
1<br />
2<br />
( 5-24 )
5.3 Ergebnisse der Analysen des nicht-räumlichen Modells 139<br />
B<br />
⎛ 0.<br />
333<br />
⎜<br />
S = ⎜ 3.<br />
333<br />
⎜<br />
⎝33.<br />
333<br />
0.<br />
033<br />
0.<br />
33<br />
1.<br />
111<br />
0.<br />
006⎞<br />
⎟<br />
0.<br />
1 ⎟<br />
0.<br />
33 ⎟<br />
⎠<br />
Da P 1 < P 2 <br />
1.111 > 0.006 in Gl.( 5-24 B)). Die anderen Sensitivitäten sind nicht von Belang, da<br />
sie keine biologisch sinnvollen Stadienübergänge darstellen <strong>und</strong> die entsprechenden<br />
Parameter der Leslie-Matrix gleich Null sind. Nach Gl. ( 5-8 ) erhält man bei diesem<br />
Modell die einzelnen Elastizitäten e i,j der Matrixelemente (Gl. ( 5-25 )).<br />
⎛0<br />
⎜<br />
1 = ⎜ 3<br />
⎜<br />
⎝0<br />
0<br />
0<br />
1<br />
3<br />
1<br />
3 ⎞<br />
⎟<br />
0⎟<br />
0<br />
⎟<br />
⎠<br />
E ( 5-25 )<br />
Das Ergebnis ist bei diesem einfachen Modell trivial <strong>und</strong> läßt sich wie folgt interpretieren:<br />
unabhängig von der Parametrisierung leisten alle drei Stadien denselben Beitrag<br />
<strong>zur</strong> Wachstumsrate, da die Zeilensummen der Elastizitäten bei jeweils 1 / 3 liegen.<br />
5.3.2 Analyse des dichte- <strong>und</strong> habitatqualitätsabhängigen Leslie-Modells:<br />
Ergebnisse der Stabilitäts- <strong>und</strong> Bifurkationsanalyse<br />
Für das erweiterte, dichteabhängige Modell in Gl. ( 5-9 ) bzw. ( 5-11 ) werden die stationären<br />
Zustände ermittelt <strong>und</strong> eine Analyse ihrer lokalen Stabilität durchgeführt (s.<br />
5.2.3.1; Details im Anhang A5.1). Eine Gleichgewichtspopulation muß Gl. ( 5-12 )<br />
erfüllen. So erhält man aus Gl. ( 5-11 ) für den stationären Zustand das in Gl. ( 5-26 )<br />
gezeigte System von Differenzengleichungen.<br />
Eˆ<br />
= Iˆ<br />
⋅ F<br />
Lˆ<br />
= Eˆ<br />
⋅ P1<br />
Iˆ<br />
= Lˆ<br />
⋅ P<br />
2<br />
mit<br />
F = F(<br />
Iˆ,<br />
HSI)<br />
= b ⋅e<br />
mit b = F<br />
max<br />
( cIˆ<br />
)<br />
1 + HSI ( ) <strong>und</strong> c = 1 ( 100HSI)<br />
2<br />
−<br />
β<br />
( 5-26 )<br />
Aus Gl. ( 5-26 ) läßt sich neben der trivialen Lösung, d.h. dem Nullvektor<br />
T<br />
nˆ<br />
1 = (0,0,0) auch der in Gl. ( 5-27 ) rechts aufgeführte zweite stationäre Zustand,<br />
ˆn , ableiten.<br />
2<br />
⎛0⎞<br />
⎛ Eˆ<br />
⎞<br />
⎛1<br />
P<br />
⎜ ⎟<br />
1P<br />
⎞<br />
β<br />
2<br />
⎜ ⎟<br />
( ) ⎜ ⎟<br />
= ⎜ ⎟ = ⎜ ˆ<br />
ln P1<br />
P2b<br />
nˆ<br />
ˆ<br />
1 0 <strong>und</strong> n2<br />
L ⎟ = ⎜ 1 P2<br />
⎟<br />
⎜ ⎟ ⎜ ˆ ⎟ c ⎜ ⎟<br />
⎝0⎠<br />
⎝<br />
I<br />
⎠<br />
⎝ 1 ⎠<br />
( 5-27 )
140 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
Dieser liefert nur dann ein biologisch sinnvolles Ergebnis (d.h. n2<br />
i ≥ 0 ), wenn die<br />
Bedingung ln ( P1<br />
P2b<br />
) ≥ 0 ⇔ P1<br />
P2b<br />
≥ 1 erfüllt ist; denn andernfalls wird der Skalar<br />
vor dem Populationsvektor negativ (β ungerade) oder komplex (β gerade).<br />
Die Analyse der lokalen Stabilität beider stationären Zustände erfolgt anhand der<br />
Jacobimatrix B (Gl. ( 5-15 )), die Gl. ( 5-28 ) für das dichteabhängige Leslie-Modell<br />
zeigt.<br />
B = A<br />
nˆ<br />
β<br />
( cIˆ<br />
β<br />
) exp(<br />
( cI ) )<br />
⎛<br />
⎜0<br />
0 − βb<br />
−<br />
+ ⎜0<br />
0<br />
0<br />
⎜<br />
⎜0<br />
0<br />
0<br />
⎝<br />
⎞<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎠<br />
nˆ<br />
ˆ ,<br />
( 5-28 )<br />
Die Stabilität der Gleichgewichte ist vom dominanten Eigenwert der Jacobimatrix<br />
abhängig (s. 5.2.3.1). Die Analyse (s. Anhang A5.1) ergibt das in Tab. 5-1 zusammengefaßte<br />
Bild für die zwei stationären Zustände.<br />
Tab. 5-1: Ergebnisse aus der Stabilitäts- <strong>und</strong> Bifurkationsanalyse des dichte- <strong>und</strong> habitatqualitätsabhängigen<br />
Leslie-Modells (Details s. Anhang A5.1).<br />
bei: P P b < 1 P P b = 1<br />
1<br />
2<br />
1<br />
2<br />
P P b <<br />
1<br />
2<br />
β 2<br />
e<br />
P P b =<br />
1<br />
2<br />
β 2<br />
e<br />
P P b ><br />
gilt: λ(Β)1>1 λ(Β)1=1 −1
5.3 Ergebnisse der Analysen des nicht-räumlichen Modells 141<br />
Eine kombinierte Darstellung der Eigenwerte der Jacobimatrix in der Gauß'schen<br />
Zahlenebene sowie in Abhängigkeit von der Stabilitätsbedingung (kontrolliert über<br />
die maximale Fek<strong>und</strong>ität F max bei konstanten P 1 <strong>und</strong> P 2) visualisiert diese Zusammenhänge<br />
(Abb. 5-11).<br />
-1 1 real<br />
λ (Β) 1<br />
dominanter Eigenwert<br />
imaginär<br />
λ > ⇔ P P b > 1 λ = ⇔ P P b = 1<br />
( B) 1<br />
1 1 2<br />
3<br />
2<br />
1<br />
0<br />
-1<br />
-2<br />
λ(B)<br />
1<br />
( B) 1<br />
-1 1 -1 1 -1 1<br />
1 1 2<br />
transkritische flip-<br />
Bifurkation<br />
keine Population<br />
stabile Population<br />
λ<br />
2 β<br />
( B ) 1 = −1<br />
⇔ P1P<br />
2b<br />
= e<br />
0 10 20 30 40 50 60 70 80 90 100 110 120<br />
zyklische Population<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
bei P = 0.15, P = 0.35, HSI = 1 <strong>und</strong> β = 2<br />
1 2<br />
λ<br />
2 β<br />
( B ) 1 < −1<br />
⇔ P1P<br />
2b<br />
> e<br />
aperiodische,<br />
chaotische Population<br />
Abb. 5-11: Oben: Einheitskreise in der Gauß'schen Zahlenebene mit den Eigenwerten der<br />
Jacobimatrix für verschiedene Werte von P1P2b, die unterschiedlichen Stabilitätsbedingungen<br />
entsprechen. Unten: Diese werden anhand der Verläufe des dominanten Eigenwerts λ(B)1für den<br />
ˆn<br />
zweiten stationären Zustand in Abhängigkeit der maximalen Fek<strong>und</strong>ität erläutert<br />
(bei HSI = 1 gilt: b = Fmax ).<br />
2
142 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
5.4 Simulationsergebnisse<br />
5.4.1 Simulationsergebnisse für das nicht-räumliche, dichte- <strong>und</strong><br />
habitatqualitätsabhängige Leslie-Modell<br />
Die Komplexität der Systemdynamik wird offenbar, wenn man die simulierten Populationsentwicklungen<br />
für verschiedene Werte der Leslie-Matrixelemente verfolgt.<br />
Abb. 5-12 zeigt die Ab<strong>und</strong>anzentwicklung der Imagines innerhalb von 33 Simulationsjahren<br />
(Zeitschritte 200 bis 300) für vier verschiedene <strong>Modelle</strong> mit unterschiedlicher<br />
maximaler Fek<strong>und</strong>ität bei unveränderten Werten von P 1, P 2, HSI <strong>und</strong> β<br />
(P 1 = 0.15, P 2 = 0.35, HSI = 1 <strong>und</strong> β = 2: im folgenden das Standardszenario). Gestartet<br />
werden alle Simulationen mit einer Anfangspopulation, die aus 60 Imagines<br />
besteht. Die Darstellung beginnt erst beim Zeitschritt t = 200 (67. Jahr), wodurch<br />
sichergestellt ist, daß das System ausreichend Zeit hatte, sich auf einen Gleichgewichtszustand<br />
einzupendeln, wenn es diesen aufgr<strong>und</strong> seiner Parameter prinzipiell<br />
erreichen kann (vgl. Botsford 1992). Dargestellt wird im Gegensatz zu Abb. 5-9 <strong>und</strong><br />
Abb. 5-10 nur jeder dritte Zeitschritt, d.h. nur die Zeitschritte, an denen auch Imagines<br />
vorhanden sind. Aus Gründen der besseren Lesbarkeit sind in allen folgenden<br />
Abbildungen mit zeitlichen Ab<strong>und</strong>anzverläufen die diskreten, an einem Zeitpunkt<br />
pro Jahr bestimmten Ab<strong>und</strong>anzen durch Linien verb<strong>und</strong>en.<br />
Ab<strong>und</strong>anz Imagines I(t)<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
67 70 73 77 80 83 87 90 93 97 100<br />
Zeit t [a]<br />
F max [Eier/Imago]<br />
F max = 50<br />
F max = 55<br />
F max = 70<br />
F max = 85<br />
Abb. 5-12: Verlauf der Ab<strong>und</strong>anz der Imagines für 100 Zeitschritte, d.h. 33 Simulationsjahre,<br />
beginnend mit dem 67. Simulationsjahr. Das Systemverhalten wechselt mit steigender maximaler<br />
Fek<strong>und</strong>ität vom Gleichgewicht über Oszillationen mit den Perioden 2 <strong>und</strong> 4 zum Chaos.<br />
Während das System bei Fmax = 50 Eier/Imago auf einer Gleichgewichtsab<strong>und</strong>anz<br />
von 98 Tieren stabil ist (stabiler Zustand ˆn<br />
2 , vgl. Abb. 5-11 <strong>und</strong> Tab. 5-2), ergeben<br />
um fünf bzw. 20 Eier/Imago gesteigerte maximale Fek<strong>und</strong>itäten stabile Zyklen mit<br />
den Perioden zwei bzw. vier. Bei Fmax = 85 Eier/Imago schwankt die Ab<strong>und</strong>anz der
5.4 Simulationsergebnisse 143<br />
Imagines aperiodisch <strong>und</strong> mit unterschiedlich großen Amplituden, kurz: chaotisch<br />
(vgl. Tab. 5-2). Der Mittelwert der Ab<strong>und</strong>anz liegt für alle Simulationen nahe der<br />
Kapazität (Gl. ( 5-10 )) von 100 Imagines (Tab. 5-2).<br />
Tab. 5-2: Minimale, maximale <strong>und</strong> mittlere Ab<strong>und</strong>anzen der Imagines für die vier Modellpopulationen<br />
aus Abb. 5-12 <strong>und</strong> Abb. 5-14.<br />
Fmax<br />
Ab<strong>und</strong>anz der Imagines<br />
[Eier/Imago]<br />
Minimum Maximum [Mittelwert ± Standardabweichung]<br />
50 98 98 98 ± 0.00<br />
55 80 122 101 ± 21.25<br />
70 48 158 104.5 ± 45.74<br />
85 22 191 107.6 ± 57.56<br />
Die Abhängigkeit der Populationskurve von den Anfangsbedingungen bei chaotischer<br />
Dynamik verdeutlicht Abb. 5-13. Für zwei Populationen mit unmittelbar<br />
nebeneinanderliegenden Anfangswerten laufen die Trajektorien mit der Zeit weit<br />
auseinander. Schon nach kurzer Simulationsdauer erreicht das System dann völlig<br />
unterschiedliche Ab<strong>und</strong>anzen. Das qualitative Systemverhalten ändert sich dabei<br />
nicht. Bei stabiler oder zyklischer Dynamik erreicht das System unabhängig von der<br />
Anfangsbedingung das Gleichgewicht bzw. den stabilen Zyklus.<br />
Ab<strong>und</strong>anz Imagines I(t)<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0 5 10 15 20 25 30<br />
Zeit t [a]<br />
I(t=0) [n]<br />
59<br />
60<br />
Abb. 5-13: Abhängigkeit der Imaginalab<strong>und</strong>anz von der Anfangsbedingung I (t=0) bei chaotischer<br />
Dynamik (Fmax = 85 Eier/Imago, P1 = 0.15, P2 = 0.35, HSI = 1 <strong>und</strong> β = 2). Die Anfangswerte<br />
liegen unmittelbar nebeneinander, doch schon im Verlauf der hier abgebildeten 30 Simulationsjahre<br />
ergeben sich völlig unterschiedliche Trajektorien.<br />
Die Änderungen des Systemverhaltens in Abhängigkeit von der maximalen Fek<strong>und</strong>ität<br />
verdeutlicht auch das Phasendiagramm der vier in Abb. 5-14 dargestellten
144 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
<strong>Modelle</strong>, bei dem die Imaginalab<strong>und</strong>anz des Folgejahres über der des aktuellen Jahres<br />
aufgetragen wird. Da mit drei Zeitschritten pro Jahr gerechnet wird, wird also I(t+3)<br />
über I(t) aufgetragen. Das Gleichgewicht wird im Phasendiagramm durch einen Einzelpunkt<br />
gekennzeichnet, während die stabilen Zyklen Punkte in der ihrer Periode<br />
entsprechenden Anzahl ergeben (in Abb. 5-14 bei F max = 55 Eier/Imago zwei, bei<br />
F max = 70 Eier/Imago vier). Beim aperiodischen, chaotischen Verhalten bildet die<br />
Trajektorie eine Linie, welche durch die Vielzahl der im Verlauf der Simulation auftretenden<br />
Wertepaare gebildet wird. Aufgezeichnet werden sämtliche vom System<br />
erreichten Ab<strong>und</strong>anzen zwischen den Zeitschritten 300 bis 1000.<br />
I(t+3)<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
0 20 40 60 80 100 120 140 160 180 200<br />
I(t)<br />
F max [Eier/Imago]<br />
F max = 50<br />
F max = 55<br />
F max = 70<br />
F max = 85<br />
Abb. 5-14: Phasendiagramm der vier <strong>Modelle</strong> aus Abb. 5-12: Gleichgewicht, stabile Zyklen mit<br />
der Periode zwei <strong>und</strong> vier, sowie chaotisches Verhalten (genaueres: s. Text; andere Lebenstafelparameter:<br />
P1 = 0.15, P2 = 0.35, HSI = 1 <strong>und</strong> β = 2).<br />
Zeichnet man die sich bei stufenweiser Veränderung eines Lebenstafelparameters<br />
ergebenden Schwankungen der Population auf, so kann man die Veränderungen des<br />
Systemverhaltens anhand eines Bifurkationsdiagramms visualisieren (Parker & Chua<br />
1992). Für jeden Wert des variierten Parameters, des sogenannten Bifurkationskriteriums,<br />
werden die vom Modell erreichten Ab<strong>und</strong>anzen der Imagines <strong>und</strong> damit<br />
die Schwankungen der Population innerhalb eines bestimmten Zeitfensters – hier<br />
zwischen dem 100. <strong>und</strong> dem 500. Zeitschritt – aufgezeichnet.
5.4 Simulationsergebnisse 145<br />
Anzahl Imagines I(t)<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
Abb. 5-15: Bifurkationsdiagramm für das Bifurkationskriterium „maximale Fek<strong>und</strong>ität“<br />
Fmax [Eier/Imago] (andere Lebenstafelparameter: P1 = 0.15, P2 = 0.35, HSI = 1 <strong>und</strong> β = 2).<br />
Ab einer maximalen Fek<strong>und</strong>ität von F max = 19 Eier/Imago reicht die Reproduktion<br />
aus, eine stabile Populationen zu bilden (vgl. Tab. 5-1). Dieser Punkt markiert die<br />
transkritische Bifurkation, bei welcher der erste stationäre Zustand, d.h. die Nulllösung,<br />
instabil wird, während der zweite Stabilität erlangt. Mit zunehmendem F max<br />
erhöht sich die Größe der stabilen Population. Verläßt das System den Bereich mit<br />
nur einem stabilen Gleichgewichtszustand, so trennt sich der Gleichgewichtspunkt<br />
auf (flip-Bifurkation, s. Tab. 5-1; in Abb. 5-15 bei F max = 51 Eier/Imago). Die beiden,<br />
den stabilen Zyklus mit der Periode zwei kennzeichnenden Punkte in Abb. 5-14 streben<br />
mit zunehmendem F max voneinander weg, d.h. die Amplitude der Populationsschwankungen<br />
vergrößert sich (Abb. 5-15), bis sich beide am nächsten Bifurkationspunkt<br />
wieder aufspalten. Dies bedeutet eine weitere Periodenverdopplung, die in<br />
Abb. 5-15 bei F max = 67 Eier/Imago zu beobachten ist. Bei weiter zunehmendem F max<br />
erreicht das System innerhalb der Simulationsdauer eine immer größere Anzahl<br />
verschiedener Imaginalab<strong>und</strong>anzen, welche z.B. bei F max = 85 Eier/Imago das in<br />
Abb. 5-14 abgebildete Phasendiagramm erzeugen (Abb. 5-15 rechts). Hierbei wird<br />
dieser Bereich chaotischer Dynamik in regelmäßigen Abständen von „Fenstern mit<br />
regulärer Dynamik“ unterbrochen, die mit zunehmendem F max immer schmaler<br />
werden (vgl. 3-er Zyklus bei F max = 93 Eier/Imago mit 4-er Zyklus bei F max = 115<br />
Eier/Imago). Abb. 5-16 verdeutlicht den zugr<strong>und</strong>eliegenden Zusammenhang, indem<br />
für einige Werte von F max Ab<strong>und</strong>anzkurven <strong>und</strong> Phasendiagramme den entsprechenden<br />
Punkten des Bifurkationsdiagramms zugeordnet werden.
146 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
I(t)<br />
I(t+3)<br />
t<br />
I(t)<br />
Anzahl Imagines I(t)<br />
220<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
45 50 55 60 65 70 75 80 85 90 95 100<br />
maximale Fek<strong>und</strong>ität F max<br />
maximale Fek<strong>und</strong>ität F max<br />
0<br />
45 50 55 60 65 70 75 80 85 90 95 100<br />
Abb. 5-16: Ab<strong>und</strong>anzverläufe (oben) <strong>und</strong> Phasendiagramme (unten), die sich für verschiedene<br />
Werte des Bifurkationskriteriums maximale Fek<strong>und</strong>ität ergeben (Fmax = 50, 62, 70, 85, 93<br />
sowie 100 Eier/Imago).<br />
Bei verringerter Habitatqualität (HSI = 0.5) verändert sich die generelle Struktur des<br />
Bifurkationsdiagramms nicht (s. Abb. 5-17). Es wird aber deutlich, daß<br />
a) Populationen erst ab einer höheren Fek<strong>und</strong>ität überleben können (mindestens<br />
F max = 25 Eier/Imago im Gegensatz zu F max = 19 Eier/Imago bei HSI = 1, vgl.<br />
Abb. 5-15 <strong>und</strong> s. Bedingung für transkritische Bifurkation in Tab. 5-1) sowie<br />
b) das Bifurkationsdiagramm in Richtung höherer Werte des Bifurkationskriteriums<br />
verschoben ist, d.h. die erreichte Maximalab<strong>und</strong>anz bei gleichem Wert von F max<br />
niedriger liegt als bei HSI = 1. Die Werte des Bifurkationskriteriums an den Bifurkationspunkten<br />
liegen höher als bei HSI = 1 (bei HSI = 0.5: erste Bifurkation
5.4 Simulationsergebnisse 147<br />
bei F max = 68 Eier/Imago im Gegensatz zu F max = 51 Eier/Imago bei HSI = 1;<br />
vgl. Tab. 5-1).<br />
Anzahl Imagines I(t)<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
Abb. 5-17: Bifurkationsdiagramm für das Bifurkationskriterium maximale Fek<strong>und</strong>ität<br />
Fmax [Eier/Imago] bei verringerter Habitatqualität, d.h. HSI = 0.5 (andere Lebenstafelparameter:<br />
P1 = 0.15, P2 = 0.35 <strong>und</strong> β = 2).<br />
Die durch Verwendung anderer Modellparameter als Bifurkationskriterien erhaltenen<br />
Bifurkationsdiagramme weisen dieselbe Struktur auf (vgl. Stabilitätsbedingungen in<br />
Tab. 5-1) <strong>und</strong> sind im Anhang aufgeführt (Abb. A5-1 bis Abb. A5-4).<br />
5.4.2 Simulationsergebnisse für das räumliche Populationsmodell<br />
Um das Modellverhalten unabhängig von der Struktur der zugr<strong>und</strong>eliegenden Habitateignungskarte<br />
analysieren zu können, werden die Simulationen zuerst auf einfachen<br />
Rastern mit einheitlicher Habitatqualität durchgeführt (s. 5.2.5.1). Die Ausbreitung<br />
wird hierbei deterministisch sowie dichte- <strong>und</strong> habitatqualitätsunabhängig<br />
modelliert (s. 5.2.4). Aufgr<strong>und</strong> des gleichmäßigen Rasters ist eine Unterscheidung<br />
von gerichteter <strong>und</strong> ungerichteter Ausbreitung nicht von Belang.<br />
In 5.4.2.1 erfolgt eine Untersuchung des dynamischen Aspekts, d.h. der Ausbreitungsgeschwindigkeit<br />
in Abhängigkeit von der Reproduktion, der Ausbreitungsrate<br />
<strong>und</strong> der Habitatqualität. In 5.4.2.2 werden dann die bei verschiedenen Parameterkombinationen<br />
entstehenden räumlichen Muster charakterisiert <strong>und</strong> für einzelne<br />
Lokalpopulationen sowie die Gesamtpopulationen Bifurkationsdiagramme <strong>zur</strong> Beurteilung<br />
der Stabilitätseigenschaften des räumlichen Modells erstellt. Simulationsdarstellungen,<br />
die Aufschluß über den Effekt der Anfangsbedingungen, der Dichteabhängigkeit<br />
bei der Ausbreitung sowie der stochastischen Ausbreitung geben, r<strong>und</strong>en
148 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
dieses Kapitel ab. Abschließend werden in 5.4.2.5 die Simulationsergebnisse für hinsichtlich<br />
der Habitatqualität strukturierte Habitateignungskarten zusammengefaßt.<br />
5.4.2.1 Dynamik – Erstbesiedlungszeiten bei unstrukturierten Habitateignungskarten<br />
Ausgehend von einer aus 100 Tieren bestehenden Startpopulation auf einer Habitatzelle<br />
in der Mitte des linken Randes (Habitatzelle [9, 2]) entwickeln sich weitere<br />
Lokalpopulationen durch Kolonisierung ihrer Nachbarzellen. Variiert werden in der<br />
Analyse die maximale Fek<strong>und</strong>ität F max , die Ausbreitungsrate m <strong>und</strong> die Qualität der<br />
Habitatzellen HSI. Dabei wird für jede Habitatzelle der Zeitpunkt der Erstbesiedlung<br />
festgehalten <strong>und</strong> diese als Graustufenkarte dargestellt (Abb. 5-18).<br />
Fmax = 40<br />
Eier/Imago<br />
Fmax = 60<br />
Eier/Imago<br />
HSI = 1.0; m = 0.2<br />
HSI = 1.0; m = 0.4<br />
HSI = 0.5; m = 0.2<br />
HSI = 0.5; m = 0.4<br />
Fmax = 80<br />
Eier/Imago<br />
Erstbesiedlungszeit<br />
[Zeitschritte]<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
3 Zeitschritte =<br />
1Simulationsjahr<br />
Abb. 5-18: Erstbesiedlungszeiten [3 Zeitschritte = 1 Jahr] für <strong>Modelle</strong> mit unstrukturierter<br />
Habitateignungskarte einheitlicher Habitatqualität (HS I<br />
= 1 bzw. HSI = 0.5) <strong>und</strong> für verschiedene<br />
maximale Fek<strong>und</strong>itäten <strong>und</strong> Ausbreitungsraten m. Die Simulation startet mit einer besiedelten<br />
Zelle [9,2]. Verschiedene Graustufen geben die Erstbesiedlungszeit in Zeitschritten an: je<br />
heller, desto schneller erfolgt die Besiedlung.
5.4 Simulationsergebnisse 149<br />
Die Ausbreitung über die gesamte Simulationsfläche erfolgt mit unterschiedlicher<br />
Geschwindigkeit. Diese ist davon abhängig, wieviele Individuen als Emigranten <strong>zur</strong><br />
Verfügung stehen. Eine hohe Fek<strong>und</strong>ität führt zu einem schnelleren Erreichen<br />
höherer Ab<strong>und</strong>anzen, was zu einem höheren Anteil emigrierender Heuschrecken<br />
<strong>und</strong> damit zu einer schnelleren Kolonisierung der Nachbarhabitate führt. Auch eine<br />
hohe Ausbreitungsrate <strong>und</strong> eine hohe Habitatqualität haben diesen Effekt. Zusammenfassend<br />
läßt sich sagen, daß eine hohe maximale Fek<strong>und</strong>ität F max , eine hohe<br />
Ausbreitungsrate m wie auch eine hohe Habitatqualität HSI (bzw. Kapazität der<br />
Habitatzellen, vgl. 5.2.3) die Ausbreitung im Raum fördern.<br />
5.4.2.2 Räumliche Musterbildung bei unstrukturierten Habitateignungskarten<br />
Was passiert nach der Besiedlung der gesamten Simulationsfläche? Wie beim lokalen<br />
Populationsmodell ist auch beim räumlichen System aufgr<strong>und</strong> der Dichteabhängigkeit<br />
der Reproduktion eine komplexe Dynamik zu erwarten. Abhängig von den Simulationsparametern<br />
sind stabile Gleichgewichte, stabile Zyklen <strong>und</strong> chaotisches<br />
Verhalten festzustellen, <strong>und</strong> zwar sowohl für die einzelnen Lokalpopulationen als<br />
auch für die Gesamtpopulation. Die Vielgestaltigkeit räumlicher Strukturen zeigen<br />
Momentaufnahmen aus Simulationsläufen für zwei aufeinanderfolgende Jahre (Anfangsbedingung<br />
<strong>und</strong> Rastereigenschaften s. 5.2.5.1). Zur Darstellung verwende ich<br />
die Simulationsjahre 199 <strong>und</strong> 200, da zu diesem Zeitpunkt sich entweder ein Gleichgewicht<br />
bzw. eine stabiler Zyklus eingestellt hat oder keine qualitativen Veränderungen<br />
der Ab<strong>und</strong>anzverteilungen mehr festzustellen sind (Abb. 5-19 <strong>und</strong> Abb. 5-20).<br />
Die neben dem trivialen Fall – der Extinktion der Startpopulation <strong>und</strong> Nichtkolonisierung<br />
der Fläche, die bei zu geringer Fek<strong>und</strong>ität oder zu geringer Habitatqualität<br />
auftreten kann – einfachste Variante zeigen Simulationen für geringe Werte von Fmax ,<br />
z.B. Fmax = 40 Eier/Imago. Hier haben sämtliche Lokalpopulationen recht schnell<br />
eine konstante Gleichgewichtsab<strong>und</strong>anz von 86 Imagines je Zelle aufgebaut. Unabhängig<br />
von der Ausbreitungsrate m ergeben die Zu- <strong>und</strong> Abgänge sowie die eigenen<br />
Nachkommen eine für alle Zellen identische <strong>und</strong> stabile Gleichgewichtspopulation.<br />
Ein vielfältigeres Bild ergeben die Simulationen für Fmax = 60 Eier/Imago (Abb. 5-19).<br />
Das entsprechende nicht-räumliche Leslie-Modell ohne Ausbreitung weist Oszillationen<br />
in einem stabilen Zyklus mit der Periode zwei auf (Ab<strong>und</strong>anzen: 69 <strong>und</strong> 135<br />
Imagines). Auch die meisten Lokalpopulationen des räumlichen Systems zeigen<br />
solche Oszillationen für dieselben Lebenstafelparameter. Allerdings treten diese in<br />
Abhängigkeit von der Ausbreitungsrate räumlich strukturiert auf. Bei einer sehr<br />
geringen Ausbreitungsrate von m = 0.05 schwingen die einzelnen Lokalpopulationen<br />
mit der Periode zwei räumlich fein strukturiert. Bis auf den um die Startzelle in der<br />
Mitte liegenden Bereich weist jede Zelle zwei Nachbarzellen mit phasenverschoben<br />
oszillierender Imaginalab<strong>und</strong>anz auf (Abb. 5-19 A). Die Ausbreitung reicht nicht aus,<br />
um ihre Dynamik zu synchronisieren. Für die Gesamtpopulation bedeutet dies sehr<br />
gleichmäßige Verhältnisse, da sich die phasenverschobenen Fluktuationen der Lokalpopulationen<br />
in der Summe ungefähr ausgleichen (s. Abb. 5-23 D).
150 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
A<br />
B<br />
C<br />
D<br />
E<br />
Zeitpunkt t = 199a Zeitpunkt t = 200a<br />
m = 0.05<br />
m = 0.2<br />
m = 0.4<br />
m = 0.6<br />
m = 0.8<br />
72<br />
71<br />
70<br />
69<br />
68<br />
[Imagines/<br />
Zelle]<br />
Abb. 5-19: Fmax = 60 Eier/Imago: räumliche Ab<strong>und</strong>anzverteilung nach 199 bzw. 200 Simulationsjahren<br />
für unterschiedliche Ausbreitungsraten m (P1 = 0.15, P2 = 0.35, HSI = 1, β = 2).<br />
135<br />
130<br />
125<br />
120<br />
115<br />
110<br />
105<br />
100<br />
95<br />
90<br />
85<br />
80<br />
75<br />
70<br />
135<br />
130<br />
125<br />
120<br />
115<br />
110<br />
105<br />
100<br />
95<br />
90<br />
85<br />
80<br />
75<br />
70<br />
65<br />
138<br />
137<br />
136<br />
135<br />
134<br />
133<br />
132<br />
131<br />
135<br />
69<br />
135<br />
69
5.4 Simulationsergebnisse 151<br />
A<br />
B<br />
C<br />
D<br />
E<br />
Zeitpunkt t = 199a Zeitpunkt t = 200a<br />
m = 0.05<br />
m = 0.2<br />
m = 0.4<br />
m = 0.6<br />
m = 0.8<br />
180<br />
175<br />
170<br />
165<br />
160<br />
155<br />
150<br />
145<br />
140<br />
135<br />
130<br />
[Imagines/<br />
Zelle]<br />
Abb. 5-20: Fmax = 80 Eier/Imago: räumliche Ab<strong>und</strong>anzverteilung nach 199 bzw. 200 Simulationsjahren<br />
für unterschiedliche Ausbreitungsraten m (P1 = 0.15, P2 = 0.35, HSI = 1, β = 2).<br />
170<br />
160<br />
150<br />
140<br />
130<br />
120<br />
110<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
170<br />
160<br />
150<br />
140<br />
130<br />
120<br />
110<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
170<br />
160<br />
150<br />
140<br />
130<br />
120<br />
110<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
180<br />
170<br />
160<br />
150<br />
140<br />
130<br />
120<br />
110<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
90<br />
85<br />
80<br />
75<br />
70<br />
65<br />
60<br />
55<br />
50<br />
45<br />
40<br />
35<br />
30<br />
25
152 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
Erhöht man die Ausbreitungsrate, so nimmt die Größe des zusammenhängend synchron<br />
fluktuierenden Bereiches zu. Während bei m = 0.2 (Abb. 5-19 B) noch nicht<br />
alle Rasterzellen synchron oszillieren, reicht bei m = 0.4 bzw. m = 0.6 (Abb. 5-19 C<br />
bzw. D) die Ausbreitung <strong>zur</strong> vollständigen Synchronisation aller Rasterzellen aus. Bei<br />
noch stärkerer Erhöhung der Ausbreitungsrate auf m = 0.8 erreichen die Lokalpopulationen<br />
ebenfalls stabile Zyklen der Periode zwei. Sie unterscheiden sich aber<br />
untereinander durch geringe Ab<strong>und</strong>anzunterschiede (Abb. 5-19 E). Die Gesamtpopulation<br />
oszilliert phasengleich wie in Abb. 5-19 C bzw. D.<br />
Eine vergleichbare Abhängigkeit der entstehenden räumlichen Muster von der Ausbreitungsrate<br />
m ergibt sich auch bei erhöhter Fek<strong>und</strong>ität, d.h. veränderten Stabilitätseigenschaften<br />
des Systems. Während bei Fmax = 70 Eier/Imago die Lokalpopulationen<br />
bei ausreichend hoher Ausbreitungsrate phasengleich <strong>und</strong> stabil mit der Periode<br />
vier oszillieren (ohne Abb.), erreicht das räumliche Modell für Fmax = 80 Eier/Imago<br />
keinen stabilen Zyklus (s. Phasendiagramme in Abb. 5-21 A-D rechts). Vielmehr<br />
weisen unabhängig von m die einzelnen Lokalpopulationen wie auch das nicht-räumliche<br />
Modell bei Fmax = 80 Eier/Imago eine chaotische Dynamik auf (vgl. auch<br />
Abb. 5-15).<br />
Wie in Abb. 5-19 A führt auch bei Fmax = 80 Eier/Imago eine sehr geringe Ausbreitungsrate<br />
zu einer sehr „feinskaligen“ räumlichen Strukturierung (Abb. 5-20 A).<br />
Diese wird mit zunehmendem Wert von m gröber (Abb. 5-20 B & C). Durch Ausbreitung<br />
kann für dieses Modell aufgr<strong>und</strong> seiner chaotischen Dynamik keine perfekte<br />
Synchronisation aller Lokalpopulationen erreicht werden. Höhere Ausbreitungsraten<br />
führen aber dazu, daß die Lokalpopulationen phasengleich oszillieren. Bei m = 0.6<br />
(Abb. 5-20 D) zeigen noch nicht alle Lokalpopulationen diese phasengleiche Dynamik,<br />
dafür aber bei m = 0.8 (Abb. 5-20 E). Entsprechend erhöht sich die Amplitude<br />
der Oszillationen der Gesamtpopulation mit zunehmender Ausbreitungsrate in<br />
Abb. 5-21 A-D (links).
5.4 Simulationsergebnisse 153<br />
A<br />
B<br />
C<br />
D<br />
Gesamtab<strong>und</strong>anz Imagnies [1000]<br />
Gesamtab<strong>und</strong>anz Imagnies [1000]<br />
Gesamtab<strong>und</strong>anz Imagnies [1000]<br />
Gesamtab<strong>und</strong>anz Imagnies [1000]<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
alle Zellen<br />
m = 0.05<br />
0<br />
0<br />
175 180 185 190 195 200<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
Jahr<br />
Zelle [10,10]<br />
Zelle [10,19]<br />
Zelle [ 5,10]<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
m = 0.2<br />
0<br />
0<br />
175 180 185 190 195 200<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
alle Zellen<br />
Jahr<br />
Zelle [10,10]<br />
Zelle [10,19]<br />
Zelle [ 5,10]<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
m = 0.4<br />
0<br />
0<br />
175 180 185 190 195 200<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
alle Zellen<br />
alle Zellen<br />
Jahr<br />
Zelle [10,10]<br />
Zelle [10,19]<br />
Zelle [ 5,10]<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
m = 0.6<br />
0<br />
0<br />
175 180 185 190 195 200<br />
Jahr<br />
Zelle [10,10]<br />
Zelle [10,19]<br />
Zelle [ 5,10]<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
Imaginesab<strong>und</strong>anz Rasterzelle<br />
Imaginesab<strong>und</strong>anz Rasterzelle<br />
Imaginesab<strong>und</strong>anz Rasterzelle<br />
Imaginesab<strong>und</strong>anz Rasterzelle<br />
I(t+3)<br />
I(t+3)<br />
I(t+3)<br />
I(t+3)<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
Zelle [10,10]<br />
Zelle [10,19]<br />
Zelle [ 5,10]<br />
0<br />
0 20 40 60 80 100 120 140 160 180 200<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
Zelle [10,10]<br />
Zelle [10,19]<br />
Zelle [ 5,10]<br />
I(t)<br />
0<br />
0 20 40 60 80 100 120 140 160 180 200<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
Zelle [10,10]<br />
Zelle [10,19]<br />
Zelle [ 5,10]<br />
I(t)<br />
0<br />
0 20 40 60 80 100 120 140 160 180 200<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
Zelle [10,10]<br />
Zelle [10,19]<br />
Zelle [ 5,10]<br />
I(t)<br />
0<br />
0 20 40 60 80 100 120 140 160 180 200<br />
Abb. 5-21: Fmax = 80 Eier/Imago: zeitliche Verläufe <strong>und</strong> Phasendiagramm der Imaginalab<strong>und</strong>anzen<br />
dreier Habitatzellen (Koordinaten [10,10], [10,19], [5,10]) für 25 Simulationsjahre<br />
(175-200); (P1 = 0.15, P2 = 0.35, HSI = 1, β = 2).<br />
I(t)
154 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
5.4.2.3 Ergebnisse der Bifurkationsanalyse für Simulationen auf unstrukturierten<br />
Habitateignungskarten<br />
Die Vielfalt der lokalen Dynamiken, die in der Summe auch eine komplexe Dynamik<br />
des Gesamtsystems bedingen, legt nahe, das Systemverhalten einzelner Habitatzellen<br />
sowie der Gesamtpopulation einer Bifurkationsanalyse zu unterziehen. Da die räumliche<br />
Dynamik nicht allein durch Fmax , sondern auch durch die Ausbreitungsrate m<br />
kontrolliert wird, werden beide Parameter als Bifurkationskriterien verwendet. Um<br />
mögliche Auswirkungen der Anfangsbedingung auszuschließen, wird zu Beginn der<br />
Simulationen für sämtliche Habitatzellen die Besiedlung mit einer jeweils zufälligen<br />
Anzahl an Tieren angenommen (s. 5.2.5.1). Verwendet man statt dessen die Anfangsbedingung<br />
mit bis auf die Startzelle leerem Raster wie in Abb. 5-19 <strong>und</strong> Abb. 5-20, so<br />
sind die Ergebnisse qualitativ dieselben, wie ein Vergleich von Abb. 5-22 mit<br />
Abb. A5-5 im Anhang A5.2 zeigt. Dargestellt werden jeweils Bifurkationsdiagramme<br />
für die Lokalpopulation in Habitatzelle [10,10] (Abb. 5-22, Abb. 5-23 linke Seiten)<br />
sowie die Gesamtpopulation (Abb. 5-22, Abb. 5-23 rechte Seiten).<br />
Aufgr<strong>und</strong> des Einflusses der Aus- <strong>und</strong> Einwanderungen, die nicht nur vom Zustand<br />
der eigenen Zelle, sondern auch von dem der Nachbarzellen abhängen, weisen alle<br />
Bifurkationsdiagramme keine so klare, systematische Struktur auf, wie die für die<br />
nicht-räumlichen <strong>Modelle</strong> erstellten „klassischen“ Diagramme (vgl. Abb. 5-15 mit<br />
Abb. 5-22 A & B). Allerdings gibt es diesbezüglich eine Ausnahme, die bei absolut<br />
identischen Startpopulationen auftritt (s. Abb. 5-24 A).<br />
Die Bifurkationsdiagramme, welche man für das Bifurkationskriterium Fmax bei geringer<br />
(m = 0.2) oder mittlerer (m = 0.4) Ausbreitungsrate für einzelne Habitatzellen<br />
bzw. Lokalpopulationen erhält, zeigen sehr ähnliche Strukturen (s. Abb. 5-22 A & B).<br />
Diese Struktur entspricht bei geringen Werten von Fmax der des nicht-räumlichen<br />
Modells: für zunehmendes Fmax ergibt sich die bereits bekannte Abfolge von einem<br />
Bereich stabiler Gleichgewichtspunkte, die über erste Bifurkationen in stabile Zyklen<br />
übergehen (s. Abb. 5-15). Nach dem Übergang in den Bereich chaotischer Dynamik<br />
allerdings entstehen Oszillationen, die im Unterschied zum nicht-räumlichen Modell<br />
größtenteils mehr oder weniger stark auf kleinere Schwankungsbereiche um die zwei<br />
„Hauptäste“, die nach dem ersten Bifurkationspunkt entstehen, begrenzt sind. Bei<br />
erhöhter Ausbreitungsrate (m = 0.4) ist die Beschränkung auf die beiden „Hauptäste“<br />
gelockert, was auf die verstärkte räumliche Dynamik <strong>zur</strong>ückzuführen ist (vgl.<br />
Abb. 5-22 B mit A). Für bestimmte Fmax-Werte durchbricht dann die chaotische<br />
Systemdynamik diese Einschränkung <strong>und</strong> die Ab<strong>und</strong>anz der Imagines auf den<br />
Flächen kann sämtliche Werte der gesamten Schwankungsbreite annehmen.
5.4 Simulationsergebnisse 155<br />
A<br />
B<br />
Anzahl Imagines I(t) auf Habitatzelle [10, 10]<br />
Anzahl Imagines I(t) auf Habitatzelle [10, 10]<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
Rasterzelle [10,10] Gesamtpopulation<br />
m = 0.2<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
Anzahl Imagines I(t) auf dem gesamten Raster [1000]<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
m = 0.4<br />
Anzahl Imagines I(t) auf dem gesamten Raster [1000]<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
Abb. 5-22: Bifurkationsdiagramme für die Habitatzelle [10, 10] (links) <strong>und</strong> die Gesamtpopulation<br />
(rechts) für m = 0.2 (oben) bzw. m = 0.4 (unten) (Bifurkationskriterium: maximale<br />
Fek<strong>und</strong>ität; andere Lebenstafelparameter: P1 = 0.15, P2 = 0.35, HSI = 1 <strong>und</strong> β = 2).<br />
Diese Struktur spiegelt sich auch im Bifurkationsdiagramm der Gesamtpopulation<br />
wider (Abb. 5-22 C & D). Bei geringer maximaler Fek<strong>und</strong>ität unterhalb der ersten<br />
Bifurkation ist auch die Gesamtpopulation – als Summe stabiler Lokalpopulationen –<br />
stabil. Bei F max-Werten, bei denen alle Lokalpopulationen stabile Oszillationen aufweisen,<br />
oszilliert auch die Gesamtpopulation stabil. Ihre Amplitude ist dabei allerdings<br />
von der Synchronizität der Amplituden der Lokalpopulationen abhängig. Wenn<br />
die Anteile der Lokalpopulationen an der Gesamtpopulation, die <strong>zur</strong> selben Zeit ein<br />
Ab<strong>und</strong>anzmaximum bzw. ein Ab<strong>und</strong>anzminimum erreichen, d.h. die Anteile der jeweils<br />
phasengleich oszillierenden Lokalpopulationen, unterschiedlich groß sind, so ist<br />
die Oszillationsamplitude der Gesamtpopulation sehr groß (z.B. bei<br />
F max = 60 Eier/Imago in Abb. 5-22 C & D). Oszillieren die Lokalpopulationen phasenverschoben,<br />
so verringert sich die Amplitude, weil sich die hohen <strong>und</strong> niedrigen<br />
Ab<strong>und</strong>anzen der Lokalpopulationen ausgleichen. Dies trifft besonders auf den Bereich<br />
chaotischer Dynamik zu: die Gesamtpopulation fluktuiert hier mit geringer<br />
Amplitude aperiodisch, während die Lokalpopulationen immer ausgeprägtere Amplituden<br />
aufweisen (z.B. bei F max > 90 Eier/Imago). Dabei nimmt die hier erreichte<br />
Amplitude für die Gesamtpopulation mit zunehmender Ausbreitungsrate zu (vgl.<br />
Abb. 5-22 C mit D).<br />
Ein Vergleich mit dem Bifurkationsdiagramm für die spezielle Anfangsbedingung des<br />
bis auf eine Zelle unbesiedelten Rasters in Abb. A5-5 zeigt, daß bei der Frage der<br />
C<br />
D
156 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
Synchronizität der Lokalpopulationen neben den Simulationsparametern auch die<br />
Anfangsbedingungen ein Rolle spielen. So weist Abb. A5-5 C für dieselben Parameter<br />
geringere Amplituden im Bereich der stabilen Zyklen <strong>und</strong> höhere im<br />
chaotischen Bereich auf als Abb. 5-22 C für die zufällige Anfangsbesiedlung.<br />
Eine Verschiebung der „Bifurkationspunkte“, d.h. eine Veränderung der Stabilitätsbedingungen<br />
ist durch Erhöhung der Ausbreitungsrate nicht zu festzustellen. Sie ist –<br />
wie am Beispiel des nicht-räumlichen Modells in Abb. 5-17 gezeigt – bei Verringerung<br />
der Habitatqualität der Habitatzellen zu beobachten, weil diese eine Verringerung<br />
der Dynamik mit sich bringt (vgl. Gl. ( 5-26 ) <strong>und</strong> Abb. A5-3).<br />
Um den Effekt der Ausbreitungsrate auf die Dynamik der Populationen zu untersuchen,<br />
werden Diagramme mit dem Bifurkationskriterium m erstellt (Abb. 5-23).<br />
Hier zeigt sich, daß die Veränderung der Ausbreitungsrate über den gesamten untersuchten<br />
Bereich von m keinen großen Effekt auf die Stabilität der Lokalpopulation<br />
hat (Abb. 5-23 A-C). Vielmehr ist deren Stabilität durch die maximale Fek<strong>und</strong>ität<br />
(genauer durch die Stabilitätsbedingung in Gl. ( A5-4 )) vorgegeben:<br />
• bei Fmax = 60 Eier/Imago oszillieren sowohl die Lokal- als auch die Gesamtpopulation<br />
phasengleich <strong>und</strong> stabil mit der Periode zwei (Abb. 5-23 A & D). Dasselbe<br />
Verhalten zeigt das nicht-räumliche Modell (Abb. 5-15).<br />
• bei Fmax = 80 Eier/Imago fluktuieren die Ab<strong>und</strong>anzen in der Habitatzelle [10, 10]<br />
aperiodisch. Im Bereich niedriger Ausbreitungsraten kommt es mitunter vor, daß<br />
bei diesen Oszillationen mittlere Ab<strong>und</strong>anzwerte nicht erreicht werden<br />
(Abb. 5-23 B). Dies entspricht der „Einschränkung“ der chaotischen Dynamik,<br />
die Abb. 5-22 A auch bei Fmax = 80 Eier/Imago <strong>und</strong> m = 0.2 erkennen läßt,<br />
Abb. 5-22 B bei m = 0.4 hingegen nicht.<br />
• bei Fmax = 100 Eier/Imago treten ebenfalls nur chaotische Oszillationen auf. Auch<br />
hier sind einige „Fenster“ mit stärker eingeschränkter Dynamik zu erkennen.<br />
In allen Fällen entspricht die Schwankungsbreite der von den Lokalpopulationen<br />
erreichten Ab<strong>und</strong>anzen derjenigen, die auch für das entsprechende nicht-räumliche<br />
Modell ermittelt werden (s. Abb. 5-15).<br />
Für die Gesamtpopulation zeigt sich auch in diesen Bifurkationsdiagrammen der<br />
Effekt der Synchronisation der Lokalpopulationen. Wie schon Abb. 5-19 <strong>und</strong><br />
Abb. 5-20 für die spezielle Ausgangssituation zeigen, führen bei Fmax = 60 bzw.<br />
80 Eier/Imago hohe Ausbreitungsraten zu phasengleichen Schwingungen der Lokalpopulationen.<br />
Dies bedeutet für die Gesamtpopulation Oszillationen hoher Amplituden<br />
(s. Abb. 5-23 D bis E). Auf der anderen Seite führen die bei geringen Ausbreitungsraten<br />
phasenverschoben oszillierenden Lokalpopulationen zu sich ausgleichenden<br />
räumlichen Ab<strong>und</strong>anzschwankungen <strong>und</strong> deshalb zu geringen Amplituden der<br />
Gesamtpopulation. Bei einer höheren maximalen Fek<strong>und</strong>ität scheint die Ausbreitung<br />
nicht mehr <strong>zur</strong> Synchronisation der Lokalpopulationen aus<strong>zur</strong>eichen, was die geringe<br />
Amplitude der Gesamtpopulationsschwankungen in Abb. 5-23 F erklärt.
5.4 Simulationsergebnisse 157<br />
A<br />
B<br />
C<br />
Anzahl Imagines I(t) auf Habitatzelle [10,10]<br />
Anzahl Imagines I(t) auf Habitatzelle [10,10]<br />
Anzahl Imagines I(t) auf Habitatzelle [10,10]<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
240<br />
200<br />
160<br />
120<br />
80<br />
40<br />
0<br />
Rasterzelle [10, 10] Gesamtpopulation<br />
Fmax = 60 Eier/Imago<br />
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9<br />
Ausbreitungsrate m<br />
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9<br />
Ausbreitungsrate m<br />
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9<br />
Ausbreitungsrate m<br />
Anzahl Imagines I(t) auf dem gesamten Raster [1000]<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
Fmax = 80 Eier/Imago<br />
Anzahl Imagines I(t) auf dem gesamten Raster [1000]<br />
Fmax = 100 Eier/Imago<br />
Anzahl Imagines I(t) auf dem gesamten Raster [1000]<br />
0<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9<br />
Ausbreitungsrate m<br />
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9<br />
Ausbreitungsrate m<br />
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9<br />
Ausbreitungsrate m<br />
Abb. 5-23: Bifurkationsdiagramme für die Habitatzellen [10, 10] (links) <strong>und</strong> die Gesamtpopulation<br />
(rechts) bei, Fmax = 60, 80 bzw. 100 Eier/Imago (von oben nach unten); (Bifurkationskriterium:<br />
Ausbreitungsrate m; andere Lebenstafelparameter: P1 = 0.15, P2 = 0.35, HSI = 1 <strong>und</strong><br />
β = 2).<br />
Die bisher gezeigten Bifurkationsdiagramme beruhen auf Simulationen mit zufälligen<br />
Anfangsverteilungen. Wählt man als Anfangsbedingung identische Startpopulationen<br />
auf allen Habitatzellen, so unterscheidet sich das Systemverhalten sämtlicher Zellen<br />
in keinem Punkt von dem des nicht-räumlichen Modells (vgl. Abb. 5-15 <strong>und</strong><br />
Abb. 5-24 A). Da das Modell deterministisch ist <strong>und</strong> sich die Zahl der ein- <strong>und</strong> auswandernden<br />
Tiere je Zelle ausgleichen, erzeugen alle einzelnen Lokalpopulationen<br />
dieselben Trajektorien, die der des nicht-räumlichen Modells entsprechen. Das gilt<br />
auch für ihre Summe, die Gesamtpopulation (Abb. 5-24 A rechte Skala). Verändert<br />
man allerdings zufällig die Belegung einer einzigen Habitatzellen zu Beginn der Simu-<br />
D<br />
E<br />
F
158 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
lation, so erhält man ein Bifurkationsdiagramm, dessen Struktur den bereits oben gezeigten<br />
entspricht (vgl. Abb. 5-24 B mit Abb. 5-22 C & D <strong>und</strong> Abb. A5-5 C).<br />
A<br />
B<br />
alle Zellen Gesamtpopulation<br />
Anzahl Imagines I(t) auf Habitatzelle [10, 10]<br />
Anzahl Imagines I(t) auf dem gesamten Raster [1000]<br />
330<br />
300<br />
270<br />
240<br />
210<br />
180<br />
150<br />
120<br />
90<br />
60<br />
30<br />
0<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
110<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
Gesamtpopulation<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
Abb. 5-24: Bifurkationsdiagramm für die Habitatzelle [10, 10] bzw. die Gesamtpopulation bei<br />
HSI = 1, m = 0.2 (Bifurkationskriterium: maximale Fek<strong>und</strong>ität; andere Lebenstafelparameter:<br />
P1 = 0.15, P2 = 0.35 <strong>und</strong> β = 2). A: alle Habitatzellen haben identische Startpopulationen; B:<br />
wie A, nur eine einzige Startpopulation wurde zufällig bestimmt.<br />
Vergleicht man abschließend die beiden Bifurkationsdiagramme aus Abb. 5-15 <strong>und</strong><br />
Abb. 5-22 A, die das Verhalten einer einzelnen Population im nicht-räumlichen bzw.<br />
räumlichen Modell für sonst gleiche Simulationsparameter charakterisieren, so wird<br />
deutlich, daß durch die Einbindung der Lokalpopulation in den Zusammenhang des<br />
räumlichen Modells die Verteilung der möglichen Zustände der Lokalpopulation<br />
stark gegenüber dem nicht-räumlichen Modell eingeschränkt ist. Das bestätigt die<br />
folgende Überlagerung der beiden Bifurkationsdiagramme (Abb. 5-25).<br />
110<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
Anzahl Imagines I(t) [1000]
5.4 Simulationsergebnisse 159<br />
Anzahl Imagines I(t) bzw. I(t)/Zelle [10,10]<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
0<br />
nicht-räumliches Modell<br />
räumliches Modell<br />
0 20 40 60 80 100 120 140 160<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
Abb. 5-25: Überlagerung der Bifurkationsdiagramme des nicht-räumlichen <strong>und</strong> des räumlichen<br />
Modells (als Beispiel: Habitatzelle [10, 10]; Bifurkationskriterium: maximale Fek<strong>und</strong>ität, andere<br />
Simulationsparameter: HSI = 1; m = 0.2, P1 = 0.15, P2 = 0.35 <strong>und</strong> β = 2).<br />
5.4.2.4 Ergebnisse für dichteabhängige Ausbreitungsraten<br />
Die Simulationsergebnisse für die dichteabhängige Ausbreitung (Gl. ( 5-17 )) unterscheiden<br />
sich qualitativ nicht von den oben für konstantes m vorgestellten. Es entwickeln<br />
sich bei sonst gleichen Simulationsparametern ähnliche räumliche Strukturen<br />
(s. Abb. 5-26), <strong>und</strong> auch die Bifurkationsdiagramme für Lokal- <strong>und</strong> Gesamtpopulation<br />
weisen eine vergleichbare Struktur auf (s. Abb. A5-7). Abb. 5-26 verrät aber, daß<br />
aufgr<strong>und</strong> der Annahme einer dichteabhängigen Ausbreitung die Synchronisation der<br />
Lokalpopulationen verstärkt wird. Im Vergleich zu Abb. 5-19 A & B sowie<br />
Abb. 5-20 A bis C treten die oben beschriebenen Effekte bereits bei geringeren Ausbreitungsraten<br />
auf.<br />
Gleichzeitig verringert sich bei dichteabhängiger Ausbreitung die Ausbreitungsgeschwindigkeit.<br />
Die Ausbreitungsrate erreicht ihren maximalen Wert m max erst, wenn<br />
die Ab<strong>und</strong>anz der Imagines auf den Habitatzellen deren Kapazität übersteigt (vgl.<br />
Gl. ( 5-17 ) <strong>und</strong> Abb. 5-3). Abb. A5-6 im Anhang A5.3 stellt die Erstbesiedlungszeiten<br />
einiger <strong>Modelle</strong> mit dichteab- <strong>und</strong> dichteunabhängiger Ausbreitungsrate einander<br />
gegenüber. Der Vergleich macht deutlich, daß die Einführung einer dichteabhängigen<br />
Ausbreitungsrate für den dynamischen Aspekt der Besiedlungsgeschwindigkeit<br />
effektiv die Verwendung einer leicht verringerten Ausbreitungsrate bedeutet.
160 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
A<br />
B<br />
C<br />
D<br />
E<br />
Zeitpunkt t = 199a Zeitpunkt t = 200a<br />
Fmax = 60 Eier/Imago; mmax = 0.05<br />
Fmax = 60 Eier/Imago; mmax = 0.2<br />
Fmax = 80 Eier/Imago; mmax = 0. 05<br />
Fmax = 80 Eier/Imago; mmax = 0.2<br />
Fmax = 80 Eier/Imago; mmax = 0.4<br />
[Imagines/<br />
Zelle]<br />
135<br />
130<br />
125<br />
120<br />
115<br />
110<br />
105<br />
100<br />
95<br />
90<br />
85<br />
80<br />
75<br />
70<br />
65<br />
170<br />
160<br />
150<br />
140<br />
130<br />
120<br />
110<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
Abb. 5-26: Räumliche Ab<strong>und</strong>anzverteilung nach 199 bzw. 200 Simulationsjahren für das<br />
Modell mit dichteabhängiger Ausbreitungsrate bei verschiedenen Werten von Fmax <strong>und</strong> mmax<br />
(P1 = 0.15, P2 = 0.35, HSI = 1, β = 2).
5.4 Simulationsergebnisse 161<br />
5.4.2.5 Ergebnisse für strukturierte Habitateignungskarten – Analyse der Effekte von<br />
Ausbreitungsrichtung <strong>und</strong> -art<br />
Ein wichtiges Ergebnis in 5.4.2.1 ist die Abhängigkeit der Ausbreitungsgeschwindigkeit<br />
von der Habitatqualität (vgl. Abb. 5-18 in 5.4.2.1), die sich über die Abhängigkeit<br />
der Reproduktion von der Qualität des Habitats erklären läßt. Die Analyse der Dynamik<br />
wiederaufgreifend folgt hier eine Untersuchung strukturierter Habitateignungskarten.<br />
Diese unterscheiden sich von den unstrukturierten Rasterkarten der in 5.4.2.2<br />
bis 5.4.2.4 untersuchten <strong>Modelle</strong> durch unterschiedlich breite Regionen verringerter<br />
Habitatqualität bzw. zusätzlich in diesen Regionen angeordnete Trittsteinhabitate<br />
optimaler Qualität. Im Zuge dieser Darstellungen werden auch die Effekte der gerichteten<br />
Ausbreitung (<strong>zur</strong> Habitatqualität in der Nachbarschaft proportionalen Ausbreitung,<br />
s. 5.2.4) sowie der stochastischen Ausbreitung (s. 5.2.4) untersucht.<br />
Schränken Regionen schlechter Habitatqualität die Ausbreitung ein?<br />
Bei der Besiedlung <strong>und</strong> „Überwindung“ von Regionen weniger oder ungeeigneten<br />
Habitats kommt es darauf an, ob es der Population gelingt, innerhalb einer Region<br />
mit geringer Habitatqualität soviel Nachwuchs zu produzieren, daß sie sich dort nicht<br />
nur etablieren kann, sondern auch genügend Individuen <strong>zur</strong> weiteren Ausbreitung<br />
<strong>zur</strong> Verfügung stehen. Für Habitateignungskarten mit unterschiedlich breiten Regionen<br />
II <strong>und</strong> IV unterschiedlicher Habitatqualität werden deshalb Schwellenwerte von<br />
Fmax dafür ermittelt, daß mindestens eine Habitatzelle in Region V bis zum 200.<br />
Simulationsjahr besiedelt wird (Tab. 5-3; Anfangsbedingung: s. 5.4.2.1). Untersucht<br />
werden dabei die gerichtete <strong>und</strong> die ungerichtete deterministische Ausbreitung (s.<br />
5.2.4). Niedrige Schwellenwerte bedeuten, daß bei einer höheren maximalen Fek<strong>und</strong>ität<br />
die Besiedlung der gesamten Rasterfläche entsprechend schnell von statten geht.<br />
Bei Werten von Fmax , die unterhalb der Schwellenwerte liegen, gelingt keine nennenswerte<br />
Ausbreitung über Region I hinaus. Es gelangen dann zwar immer emigrierende<br />
Individuen in Region II, doch können sie dort entweder gar keine Populationen oder<br />
aber keine Populationen, die auch wieder genügend Emigranten <strong>zur</strong> Verfügung<br />
stellen können, etablieren. Die Habitate geringer Qualität sind dann als Senkenhabitate<br />
(sensu Pulliam 1988; Pulliam & Danielson 1991) anzusehen, da ihre Besiedlung<br />
immer auf Einwanderung aus Nachbarzellen angewiesen ist (vgl. hellgraue Streifen<br />
am Rand der Regionen II <strong>und</strong> IV in Abb. 5-28 bei Fmax = 30 bzw.<br />
Fmax = 40 Eier/Imago). Dementsprechend fungieren dann die besiedelten Habitate in<br />
den Regionen besserer Qualität als Quellenhabitate, von denen jedes Jahr Imagines<br />
auf die ungeeigneten Nachbarflächen diff<strong>und</strong>ieren.
162 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
Tab. 5-3: Effekt von Regionen schlechter Habitatqualität: Schwellenwerte von Fmax für die Besiedlung<br />
mindestens einer Habitatzelle in Region V bei deterministischer Ausbreitung innerhalb<br />
von 200 Simulationsjahren (gerichtet oder ungerichtet; m = 0.2 bzw. 0.4); Regionen II <strong>und</strong> IV<br />
mit den Breiten 1, 3 bzw. 5 Habitatzelle(n).<br />
Habitatqualität<br />
Schwellenwerte von Fmax bei deterministischer Ausbreitung [Eier/Imago]<br />
Rasterkarte Ausbreitungsrichtung<br />
Regionen ungerichtet gerichtet<br />
I II III IV V m = 0.2 m = 0.4 m = 0.2 m = 0.4<br />
0.00<br />
0.10<br />
0.25<br />
0.50<br />
1.00<br />
29 25 27 25<br />
58 30 44 32<br />
165 83 122 66<br />
31 28 31 28<br />
59 37 86 44<br />
165 84 ∞ ∞<br />
32 28 32 29<br />
60 38 86 44<br />
165 84 ∞ ∞<br />
Wie schon die <strong>Modelle</strong> für unstrukturierte Rasterkarten gezeigt haben, verlangsamt<br />
sich die Ausbreitung auf weniger geeignetem Habitat, da dort die Populationsgrößen<br />
geringer sind <strong>und</strong> dementsprechend weniger bzw. im Extremfall gar keine Tiere emigrieren<br />
können. Dies wird auch in Tab. 5-3 deutlich, wo eine zunehmende Qualität<br />
der Regionen II <strong>und</strong> IV die Schwellenwerte stark senkt <strong>und</strong> eine Verbreiterung dieser<br />
Regionen zu ihrer Anhebung führt. Eine Erhöhung der Ausbreitungsrate m führt zu<br />
einer Senkung der Schwellenwerte.<br />
Die ungerichtete Ausbreitung weist in Tab. 5-3 normalerweise die geringeren Schwellenwerte<br />
auf, da das Verbleiben in Zonen höherer Qualität bevorzugt wird. Eine<br />
Ausnahme bildet der Fall von ungeeigneten Regionen mit der Breite einer Habitatzelle<br />
(Tab. 5-3 Zeilen 1-3). Da diese Breite genau dem Maßstab der Ausbreitung je<br />
Zeitschritt entspricht, wirkt das Optimalhabitat auf der anderen Seite (Region III<br />
bzw. V) gewissermaßen „anziehend“ für Tiere auf der schlechteren Habitatzelle, weil<br />
bei gerichteter Ausbreitung die emigrierenden Individuen proportional <strong>zur</strong> Qualität<br />
der Nachbarzellen verteilt werden (entsprechend etwa dem Suchradius bei der<br />
aktiven Habitatwahl).
5.4 Simulationsergebnisse 163<br />
Auswirkung von Trittsteinhabitaten<br />
Derselbe Effekt ist auch bei den Trittsteinhabitaten festzustellen, d.h. bei einzelnen<br />
Zellen hoher Habitatqualität, die in verschiedenen räumlichen Konstellationen in den<br />
Regionen II <strong>und</strong> IV (Breite: fünf Habitatzellen) liegen (s. Tab. 5-4).<br />
Tab. 5-4: Effekt von Trittsteinhabitaten: Schwellenwerte von Fmax für die Besiedlung mindestens<br />
einer Habitatzelle in Region V bei deterministischer Ausbreitung innerhalb von 200 Simulationsjahren<br />
(Ausbreitung gerichtet oder ungerichtet; m = 0.2 bzw. 0.4; Breite der Regionen II<br />
<strong>und</strong> IV: 5 Habitatzellen).<br />
Habitatqualität<br />
Schwellenwerte von Fmax bei deterministischer Ausbreitung [Eier/Imago]<br />
Rasterkarte Ausbreitungsrichtung<br />
Regionen ungerichtet gerichtet<br />
I II III IV V m = 0.2 m = 0.4 m = 0.2 m = 0.4<br />
0.00<br />
0.10<br />
0.25<br />
0.50<br />
1.00<br />
A1<br />
A2<br />
A3<br />
B1<br />
B2<br />
B3<br />
C1<br />
C2<br />
C3<br />
31 28 32 28<br />
60 37 86 44<br />
165 84 ∞ ∞<br />
31 28 32 28<br />
60 37 86 44<br />
165 84 ∞ ∞<br />
29 27 31 27<br />
60 32 44 32<br />
165 83 125 79<br />
Während die Einführung der Trittsteine bei ungerichteter Ausbreitung nur einen sehr<br />
geringen Einfluß hat – die Schwellenwerte verringern sich kaum –, ist bei der gerichteten<br />
Ausbreitung der Effekt von der räumlichen Konstellation abhängig. Bleibt<br />
bei den ersten zwei Anordnungen (A1-B3 in Tab. 5-4) immer eine zwei Habitatzellen<br />
breite Zone ungeeigneten Habitats bestehen, so liegt bei der dritten Konstellation<br />
(C1-C3) jeweils nur eine ungeeignete Habitatzelle zwischen den geeigneten. Das führt<br />
dazu, daß in den ersten beiden Fällen unverändert hohe Schwellenwerte festzustellen<br />
sind, während diese im letzten Fall stark sinken. Die Erstbesiedlungszeiten dieser<br />
Simulation in Abb. 5-27 verdeutlichen die Besiedlung der Konstellation C1 bei<br />
gerichteter Ausbreitung.
164 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
Fmax = 40 Eier/Imago<br />
Erstbesiedlungszeit<br />
[Zeitschritte]<br />
unbesiedelt<br />
600<br />
550<br />
500<br />
450<br />
400<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
Fmax = 50 Eier/Imago<br />
Erstbesiedlungszeit<br />
[Zeitschritte]<br />
Abb. 5-27: Erstbesiedlungszeiten bei gerichteter Ausbreitung für die Anordnung zweier nebeneinanderliegender<br />
Trittsteine in den Regionen II <strong>und</strong> IV. Die Simulation startet mit einer besiedelten<br />
Zelle [9,2]. Verschiedene Graustufen geben die Erstbesiedlungszeit in Zeitschritten an: je<br />
heller, desto schneller erfolgt die Besiedlung.<br />
Berechnet man für eine solche, aufgr<strong>und</strong> der zugr<strong>und</strong>eliegenden ungleichmäßigen<br />
Habitateignungskarte räumlich strukturierte Gesamtpopulation ein Bifurkationsdiagramm,<br />
so zeigt sich hier das folgende Bild (Abb. 5-28): bei sehr geringen Werten für<br />
F max (s. F max = 30 Eier/Imago) wird allein Region I besiedelt. Das Systemverhalten ist<br />
hier stabil, es weist einen stationären Zustand auf. Ab einem bestimmtem Wert des<br />
Bifurkationskriteriums ist die Besiedlung der Trittsteine möglich. Die drei Regionen<br />
I, III & V sowie ein sie verbindender Querstreifen, in den die Trittsteine mit<br />
eingeb<strong>und</strong>en sind, werden kolonisiert (s. F max = 40 Eier/Imago; vgl. auch Abb. 5-27<br />
links). Auch in diesem Wertebereich des Bifurkationskriteriums ist das Verhalten des<br />
Gesamtsystems stabil. Eine großflächige Besiedlung der Regionen II <strong>und</strong> IV – z.B.<br />
bei F max = 50 Eier/Imago – ist erst bei Überschreitung eines weiteren kritischen<br />
Wertes von F max möglich. Im Bifurkationsdiagramm ist dann ein weiterer Sprung zu<br />
erkennen, an den sich bei F max = 51 Eier/Imago die erste Bifurkation anschließt. Jenseits<br />
dieses Punktes zeigen die einzelnen Lokalpopulationen <strong>und</strong> damit auch das<br />
Gesamtsystem anfangs stabile, bei höheren Werten von F max chaotische Oszillationen<br />
(z.B. F max = 80 Eier/Imago).<br />
220<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20
5.4 Simulationsergebnisse 165<br />
F max = 40 Eier/Imago F max = 80 Eier/Imago<br />
Anzahl Imagines I(t) auf dem gesamten Raster [1000]<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
[Ind./Zelle]<br />
0<br />
20 40 60 80 100 120 140 160<br />
maximale Fek<strong>und</strong>ität F max<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
[Ind./Zelle]<br />
F max = 30 Eier/Imago F max = 50 Eier/Imago<br />
Abb. 5-28: Bifurkationsdiagramm für ein Modell auf der Gr<strong>und</strong>lage einer Habitateignungskarte<br />
Typ D (vorletzte Zeile in Tab. 5-4) mit gerichteter deterministischer Ausbreitung (m = 0.4).<br />
Räumliche Ab<strong>und</strong>anzverteilungen für vier Fälle erläutern das Zustandekommen der unterschiedlichen<br />
Ausprägungen des Systemverhaltens.<br />
Auswirkung der stochastischen Ausbreitung<br />
Die Wahl des stochastischen Ausbreitungsmodus', bei dem sämtliche emigrierenden<br />
Tiere in eine einzige Nachbarzelle übergehen (vgl. 5.2.4), hat für das Systemverhalten<br />
zweierlei Konsequenzen. Zum einen erhöhen sich gemittelt über die gesamte Fläche<br />
die Erstbesiedlungszeiten leicht, da bei diesem Verfahren nicht immer der „direkte<br />
Weg“ einer gleichmäßigen Ausbreitung in alle Richtungen beschritten wird. Dies gilt<br />
– wie auch der nächste Punkt – sowohl für die gerichtete als auch für die ungerich-<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
[Ind./Zelle]<br />
160<br />
150<br />
140<br />
130<br />
120<br />
110<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
[Ind./Zelle]
166 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
tete stochastische Ausbreitung. Zum anderen ermöglicht der stochastische Ausbreitungsmodus<br />
aber auch die Überwindung von Regionen geringer Qualität bei F max-<br />
Werten, die unterhalb der Schwellenwerte der deterministischen Ausbreitung in<br />
Tab. 5-3 <strong>und</strong> Tab. 5-4 liegen. Während bei letzterem maximal ¼ aller emigrierenden<br />
Organismen ein bestimmtes Nachbarhabitat erreicht (s.o.), besteht beim stochastischen<br />
Verfahren selbst im gerichteten Fall immer eine gewisse Wahrscheinlichkeit<br />
dafür, daß alle Emigranten die ungeeignete Nachbarzelle besiedeln <strong>und</strong> sich ihre<br />
Nachkommen von dort im nächsten Jahr weiter ausbreiten. Natürlich sind auch<br />
dieser Modellierung der Ausbreitung durch die verminderte Reproduktion auf<br />
schlechten Habitaten Grenzen gesetzt – diese liegen aber niedriger, als bei der deterministischen<br />
Ausbreitung.<br />
5.5 Zusammenfassende Diskussion der populationsdynamischen<br />
<strong>Modelle</strong> aus Abschnitt 5<br />
In diesem letzten Abschnitt meiner Arbeit wurde der Entwicklungsweg eines räumlich<br />
expliziten populationsdynamischen Modells transparent gemacht. Schon während<br />
der Modellanalysen wurden viele einzelne Phänomene interpretiert <strong>und</strong> diskutiert.<br />
Ausgehend von einem einfachen Leslie-Modell – dem „klassischen“ Ansatz <strong>zur</strong><br />
Modellierung der Populationsdynamik von Insekten (Lefkovitch 1965; Caswell 1989),<br />
wurde zuerst ein nichtlineares, die räumliche Komponente nicht berücksichtigendes<br />
Modell aufgestellt. Nach eingehender Analyse dieses Modells wurde es in einen<br />
räumlichen Verband integriert: das nicht-räumliche Modell wurde ein lokales Modell.<br />
Durch Ausbreitung wurden die einzelnen lokalen <strong>Modelle</strong> zum Dynamischen Multihabitatmodell<br />
(DMHM) gekoppelt.<br />
Es wurde gezeigt, wie auf Gr<strong>und</strong>lage der bisherigen Untersuchungen eine Verknüpfung<br />
der Konzepte der Habitat- <strong>und</strong> Populationsmodelle durchgeführt werden kann.<br />
Das entwickelte DMHM kann – bei adäquater Parametrisierung – eine Quantifizierung<br />
der Auswirkungen verschiedener Maßnahmen auf die in der räumlich heterogenen<br />
Landschaft lebenden Teilpopulationen erlauben. Dadurch wird es ermöglicht,<br />
auf Gr<strong>und</strong>lage der Prognosen, die das Modell liefert, im Sinne von Conroy et al.<br />
(1995) Hypothesen aufzustellen. Diese können im Zuge eines „adaptiven Umweltmanagements“<br />
(Walters 1986; Walters & Holling 1990) experimentell untersucht<br />
werden. Gleichzeitig erlaubt das DMHM theoretische Analysen räumlich strukturierter<br />
Populationen, die sich in den aktuellen Kontext der Untersuchungen <strong>zur</strong> räumlichen<br />
<strong>und</strong> raumzeitlichen Dynamik von Populationen (vgl. Bascompte & Solé 1998;<br />
Ruxton & Rohani 1999) eingliedern.<br />
Die Diskussion beginnt mit einer Einordnung des DMHM in die Metapopulationsdiskussion<br />
(5.5.1). Anschließend werden die z.T. bereits im Methodenteil angesprochenen<br />
<strong>Modelle</strong>inschränkungen <strong>und</strong> mögliche Erweiterungen (5.5.2) sowie die<br />
Ergebnisse der Analysen <strong>und</strong> Simulationen diskutiert (5.5.3).
5.5 Zusammenfassende Diskussion der populationsdynamischen <strong>Modelle</strong> 167<br />
5.5.1 Metapopulationsansatz & Dynamisches Multihabitatmodell: entspricht<br />
das hier vorgestellte DMHM einem Metapopulationsmodell?<br />
Der Begriff der Metapopulation geht auf Levins (1969) <strong>zur</strong>ück <strong>und</strong> beschreibt eine<br />
„Population von Populationen“, bei der lokales Aussterben <strong>und</strong> Wiederbesiedlung<br />
freier, diskontinuierlich im Raum verteilter Habitatpatches in einem Gleichgewicht<br />
stehen. Lokalpopulationen werden dabei als „Ansammlung von Individuen einer<br />
Art“ definiert (McCauley 1995), „deren Interaktionswahrscheinlichkeit untereinander<br />
höher ist als mit Individuen anderer solcher Lokalitäten“ (vgl. Veith & Klein 1996).<br />
Das Konzept der Metapopulation prägt wie kein anderes innerhalb des letzten Jahrzehnts<br />
die Entwicklung der Populationsökologie <strong>und</strong> der <strong>Naturschutz</strong>biologie (z.B.<br />
Wiens 1995; Halle 1996; Hanski & Simberloff 1997; Hanski 1999). Dennoch gibt es<br />
in der Literatur immer wieder Kontroversen <strong>und</strong> Unklarheiten über seine adäquate<br />
Verwendung (z.B. Wells & Richmond 1995; Veith & Klein 1996; Szacki 1999).<br />
Beschreibt man nun Metapopulationen als eine Menge lokaler Populationen, die<br />
durch Ausbreitung miteinander verb<strong>und</strong>en sind, verzichtet dabei auf weitere Annahmen<br />
hinsichtlich der Größe der Lokalpopulationen sowie ihrer Extinktions- <strong>und</strong><br />
Kolonisierungswahrscheinlichkeiten <strong>und</strong> schränkt die Ausbreitung dabei insofern ein,<br />
daß sie sowohl die vollständige Isolation der Lokalpopulationen verhindert, als auch<br />
ihre vollständige Durchmischung nicht ermöglicht, so ist dies eine gängige Definition<br />
von Metapopulation (Hanski & Gilpin 1997; Hanski 1999; Szacki 1999). Sie ist<br />
sicherlich auf die in dieser Arbeit untersuchten Heuschreckenpopulationen anwendbar,<br />
auch wenn diese keiner Metapopulationsdynamik im strengen Sinne gehorchen<br />
(vgl. Hanski et al. 1995; Veith & Klein 1996).<br />
So garantieren die Grabenrandstrukturen im Drömling eine weitreichende Verknüpfung<br />
der einzelnen, deshalb auch nicht isolierten Habitatpatches (s. 4.5.6). Diese<br />
liegen nicht inselartig in einer absolut ungeeigneten Matrix verteilt, sondern entsprechen<br />
in ihrer Verteilung eher einem heterogenen, hinsichtlich der Habitatqualität<br />
strukturierten Patchmosaik (vgl. Wiens 1995; Hansson et al. 1995). Dies zeigen die<br />
Habitateignungskarten in 2.4.4 <strong>und</strong> die Konnektivitätsanalysen in Abschnitt 4. Auf<br />
den einzelnen Flächen werden mehr oder weniger unabhängig voneinander aufgr<strong>und</strong><br />
der Mahdnutzung lokale Aussterbeereignisse <strong>und</strong> Wiederbesiedlungen beobachtet<br />
(für den Drömling: Helms & Kratz mdl. Mitt.; Helms unveröff. Daten; Heydenreich<br />
1998; s. auch Sänger 1980; Malkus et al. 1996). Insofern entsprechen die Verhältnisse<br />
für C. dorsalis <strong>und</strong> S. grossum im Drömling eher der Umschreibung von Kareiva &<br />
Wennergren (1995), die Metapopulationen kurz als ein „shifting mosaic of presence and<br />
absence“ beschreiben. Die Populationen unterscheiden sich auch von diskontinuierlich<br />
verbreiteten Populationen mit hohem, die Dynamik von Teilpopulationen synchronisierendem<br />
Individuenaustausch (patchy populations; vgl. Harrison 1991).<br />
Das hier für diese Heuschreckenpopulationen entwickelte DMHM bedarf keiner einschränkenden<br />
Annahmen <strong>zur</strong> Metapopulation, sondern ist ganz allgemein für die<br />
Analyse <strong>und</strong> Beschreibung von Populationen in einer räumlich strukturierten Umwelt<br />
anwendbar.
168 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
5.5.2 <strong>Modelle</strong>inschränkungen <strong>und</strong> mögliche Erweiterungen<br />
Beide <strong>Modelle</strong>, das nicht-räumliche wie das räumliche, sind aufgr<strong>und</strong> des Fehlens der<br />
<strong>zur</strong> Parametrisierung notwendigen Datengr<strong>und</strong>lage noch nicht optimal an die spezifischen<br />
Charakteristika der zu modellierenden Spezies angepaßt. So fehlen u.a. Untersuchungen<br />
<strong>zur</strong> Witterungsabhängigkeit der Populationsentwicklung oder zum Ausbreitungsverhalten,<br />
das eine wesentliche Rolle im räumlichen Modell spielt. Es gilt<br />
hier der Satz von Belovsky & Joern (1995): „There are no short cuts for assessing population<br />
dynamics.“.<br />
Die vorgestellten <strong>Modelle</strong> sind also aufgr<strong>und</strong> ihrer Einfachheit in einigen Annahmen<br />
nicht realistisch. Daher sind sie auch noch nicht für eine Anwendung im <strong>Naturschutz</strong><br />
geeignet. Dennoch zeigen sie trotz ihrer strukturellen Einfachheit komplexe Simulationsergebnisse.<br />
Dabei entsprechen die untersuchten Bereiche der Modellparameter<br />
(Fmax , Pi , Kapazität in Abhängigkeit vom HSI) durchaus in Freiland- <strong>und</strong> Laborstudien<br />
erhobenen <strong>und</strong> der Literatur entnommenen Werten (s. 5.2.2; Richards &<br />
Waloff 1954; Kriegbaum 1988; Heydenreich 1998; Ingrisch & Köhler 1998). Allerdings<br />
sind die extrem hohen Ausbreitungsraten (m > 0.5) für die hier untersuchten<br />
Heuschrecken nicht zu erwarten.<br />
Die Komplexität der Simulationsergebnisse zu untersuchen <strong>und</strong> die Abhängigkeit des<br />
Systemverhaltens von den Modellparametern zu beleuchten, verlagert den Fokus in<br />
diesem Abschnitt auf die Theorie <strong>und</strong> ist deshalb naturgemäß auch mit dem Aufwerfen<br />
neuer – theoretischer – Fragestellungen verb<strong>und</strong>en. Ein tiefgreifendes Verständnis<br />
des Modellsystems ist aber Gr<strong>und</strong>voraussetzung für eine Modellanwendung<br />
in naturschutzbiologischen Fragestellungen wie z.B. der Quantifizierung der Auswirkung<br />
von Managementmaßnahmen. Dies kann das Modell aber erst <strong>und</strong> nur dann<br />
leisten, wenn ausreichend Daten <strong>zur</strong> Parametrisierung erhoben wurden. Erfolgreiche<br />
Anwendungen vergleichbarer generischer Computerprogramme (Lindenmayer et al.<br />
1995; Possingham & Davies 1995; Akçakaya 1995) oder ähnlicher Ansätze in PVAs<br />
zeigen z.B. Murphy et al. (1990), Poethke et al. (1996) oder Akçakaya & Atwood<br />
(1997).<br />
Trotz der beschränkten Datenlage liefert das hier entwickelte DMHM eine nunmehr<br />
gut untersuchte Plattform für <strong>Modelle</strong>, die an die realen Verhältnisse angepaßt <strong>und</strong><br />
auf der Gr<strong>und</strong>lage entsprechender Daten für spezifische Arten parametrisiert werden<br />
kann. Mögliche Wege in Richtung realitätsnäherer Erweiterungen werden aufgezeigt.<br />
Hierbei ist aber zu bedenken, daß jede <strong>Modelle</strong>rweiterung die Einführung neuer,<br />
durch weitere Untersuchungen zu parametrisierender Funktionszusammenhänge<br />
bedeutet, die eine theoretische Analyse weiter erschweren.<br />
5.5.2.1 Nicht-räumliches Leslie-Modell<br />
Die Entwicklung des nicht-räumlichen Modells startet mit einem einfachen Leslie-<br />
Modell, anhand dessen die Terminologie <strong>und</strong> einfache Modellcharakteristika wie die<br />
stabile Stadienverteilung <strong>und</strong> der dominante Eigenwert eingeführt werden. Um das<br />
Modell realistischer zu gestalten, wird es dahingehend erweitert, daß durch die
5.5 Zusammenfassende Diskussion der populationsdynamischen <strong>Modelle</strong> 169<br />
Dichteabhängigkeit eines Lebenstafelparameters, der Fek<strong>und</strong>ität, eine Regulation der<br />
Population durch die Begrenzung des Populationswachstums möglich wird (vgl. May<br />
1980; Akçakaya 1992; Kemp & Dennis 1993; Dempster et al. 1995a; Root 1998).<br />
Ebenso wird dieser Parameter von der Habitatqualität abhängig gemacht, was die auf<br />
breiter Datenbasis entwickelten <strong>und</strong> validierten Habitatmodelle in den Modellkomplex<br />
einbezieht <strong>und</strong> den Einfluß dichteunabhängiger Umweltfaktoren<br />
berücksichtigt (s. Joern & Gaines 1990).<br />
Im analysierten Modell – Gl. ( 5-11 ) – wird nur die Fek<strong>und</strong>ität dichte- <strong>und</strong> habitatqualitätsabhängig<br />
modelliert. Deshalb könnte das aktuelle einfache Modellsystem<br />
prinzipiell auch durch eine einzelne Differenzengleichung ausgedrückt werden. Aus<br />
Gründen der Generalität hinsichtlich geplanter <strong>Modelle</strong>rweiterungen habe ich aber<br />
für sämtliche Analysen das Drei-Stadien-Leslie-Modell beibehalten.<br />
Eine ganze Reihe von Einflußfaktoren, welche die Dynamik der Populationen im<br />
Freiland ganz entscheidend beeinflussen, wie z.B. die Witterung (Lockwood & Lockwood<br />
1989; Cherrill & Brown 1990; Thompson 1990; Wellington et al. 1999), Parasiten<br />
(Hassell et al. 1991; Rolff & Schröder 1999), Prädationsdruck (z.B. Dempster<br />
1963; Lorz & Clausnitzer 1988) oder Konkurrenz (Belovsky & Slade 1995), finden<br />
im Modell bisher keine explizite Berücksichtigung. Einige dieser Faktoren sind zu<br />
gewissen Anteilen in der Habitatqualität subsumiert oder können ohne viel Aufwand<br />
in das Modell integriert werden. Bei anderen müßten umfangreichere Untersuchungen<br />
durchgeführt werden, um entsprechende Ansätze zu parametrisieren.<br />
Ein wesentlicher Punkt bei der Parametrisierung des Modells sind die zeitlichen <strong>und</strong><br />
räumlichen Skalen. Bei dem hier vorgestellten Drei-Stadienmodell ist ein Zeitschritt<br />
von 4 Monaten der biologisch einzig sinnvolle. Er garantiert, daß die Tiere ihren<br />
Lebenszyklus innerhalb eines Jahres durchlaufen, impliziert aber, daß keine kurzfristigen<br />
Habitatveränderungen mit Hilfe des Modells untersucht werden können.<br />
Die Angemessenheit der zeitlichen Auflösung des Modells ist vom Zeitmaßstab der<br />
zu untersuchenden Umweltfluktuationen abhängig.<br />
Für praktische Anwendungen des Modells sollte allerdings ein komplexerer Ansatz<br />
<strong>zur</strong> Modellierung der Stadienstruktur verwendet werden. So würde die Verwendung<br />
eines Erweiterten Leslie-Modells nach Söndgerath & Richter (1990), das für jedes<br />
Stadium einen von der Temperatursumme abhängigen Alterungsprozeß modelliert<br />
(vgl. Selhorst et al. 1991; Söndgerath & Müller-Pietralla 1996) auch die Witterungsbedingungen<br />
bei der Prognoseerstellung berücksichtigen. Die Einführung einer stochastischen<br />
Komponente, die etwa den Einfluß von Nutzungsmaßnahmen oder der<br />
aktuellen Witterung auf die Lebenstafelparameter reguliert, würde realistischere Simulationsläufe<br />
mit räumlich expliziten Extinktionsereignissen erlauben. Einen ähnlichen<br />
Weg beschreiten Dennis et al. (1986), Munholland et al. (1989) <strong>und</strong> Berry et al.<br />
(1995), die <strong>zur</strong> Prognose von Heuschreckenpopulationen eine Modellierung der Phänologie<br />
mittels eines stochastischen Temperatursummen-Modells durchführen. Die<br />
Verwendbarkeit solcher Ansätze ist aber vom Vorhandensein einer adäquaten<br />
Datenlage abhängig.
170 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
5.5.2.2 Räumliches Modell / DMHM<br />
Die von mir durchgeführte Kopplung der <strong>Modelle</strong> ähnelt dem zellulären Automaten<br />
von Darwen & Green (1996). Bei diesem wird die Populationsdynamik durch ein einfaches<br />
logistisches Modell <strong>und</strong> die Ausbreitung durch einen Diffusionsansatz realisiert.<br />
Von den eher theoretisch ausgerichteten (Hanski 1999) coupled map lattice-<br />
Ansätzen bei Bascompte & Solé (1994; 1998), Rohani et al. (1996), Rohani & Ruxton<br />
(1999) oder Ruxton & Rohani (1999) unterscheidet es sich dadurch, daß die Lokalpopulationen<br />
durch ein stadienstrukturiertes Leslie-Modell charakterisiert werden.<br />
Eine alternative Möglichkeit, Leslie-<strong>Modelle</strong> räumlich zu verknüpfen, stellen die<br />
„multiregionalen <strong>Modelle</strong>“ von Rogers (1966; 1985) dar. Sein Ansatz kann aber dazu<br />
führen, daß durch die Zusammenfügung der Leslie-Matrizen einzelner Patches eine<br />
sehr große <strong>und</strong> schwer zu handhabende Matrix entsteht.<br />
Eine realistischere Ausgestaltung des räumlichen Modells betrifft z.B. den Aspekt der<br />
Verknüpfung der Lokalpopulationen durch die Ausbreitung. Durch eine Vergrößerung<br />
der Nachbarschaftsradien <strong>und</strong> veränderte Nachbarschaftsbeziehungen (Moore<br />
statt von-Neumann) können die Ausbreitungsdistanzen an die spezifischen Charakteristika<br />
<strong>und</strong> empirisch ermittelte Verteilungen angepaßt werden. Damit sollte dann<br />
auch eine adäquate Anpassung der räumlichen <strong>und</strong> zeitlichen Auflösung verb<strong>und</strong>en<br />
sein. Qualitative Veränderungen der Ausbreitungscharakteristik einer Art – etwa das<br />
u.U. dichtegesteuerte Auftreten makropterer <strong>und</strong> flugfähiger Exemplare (Schumacher<br />
1980) – können ebenfalls integriert werden. Die Existenz von Dispersionsbarrieren<br />
oder Ausbreitungsschienen (Grabenrandstrukturen im Drömling) kann hinreichend<br />
über den Parameter Habitatqualität im Modell abgebildet werden (s. 5.4.2.5). Durch<br />
die Untersuchung der Auswirkung von Trittsteinkonfigurationen wird in 5.4.2.5 die<br />
Frage der Konnektivität wieder aufgegriffen (z.B. Fahrig 1991; Lindenmayer & Possingham<br />
1996b; Clarke et al. 1997; With et al. 1997; McIntyre & Wiens 1999). Ähnlich<br />
den Ergebnissen bei Gardner et al. (1987; 1989) ist ein starker Einfluß der<br />
räumlichen Konfiguration auf die Besiedlungsdynamik festzustellen. Eine engere<br />
Einbeziehung der Ergebnisse aus der Habitatkonnektivitätsanalyse (Abschnitt 4)<br />
wäre wünschenswert.<br />
5.5.3 Diskussion der Analysen<br />
5.5.3.1 Stabilitätsanalyse des nicht-räumlichen Modells<br />
Das hier verwendete nicht-räumliche Modell ist recht einfach gehalten <strong>und</strong> kann so<br />
mit den „klassischen Verfahren“ der Stabilitätsanalyse – Linearisierung des Systems<br />
in der Nähe der stationären Zustände <strong>und</strong> Analyse der Jacobimatrix (vgl. Beddington<br />
1974) – untersucht werden. Aufgr<strong>und</strong> seiner Nichtlinearität weist es bei bestimmten<br />
Parameterkombinationen eine komplexe Dynamik auf: das System kann stabile<br />
Gleichgewichte, stabile Oszillationen oder chaotisches Verhalten mit Zyklen beliebiger<br />
Periodizität oder aperiodischer Natur annehmen. Diese Komplexität ist bekannt.<br />
Bereits in den frühen Arbeiten von May (1974) <strong>und</strong> May & Oster (1976) zu dichte-
5.5 Zusammenfassende Diskussion der populationsdynamischen <strong>Modelle</strong> 171<br />
abhängigen Differenzengleichungsmodellen ist die Analyse chaotischer Strukturen<br />
ein wichtiger Aspekt.<br />
Die Stabilitäts- <strong>und</strong> Bifurkationsanalyse des nicht-räumlichen Modells verdeutlicht<br />
die Abhängigkeit der Systemstabilität von den Modellparametern: bei geringen Werten<br />
des Bifurkationskriteriums (in 5.3.2 die maximale Fek<strong>und</strong>ität) erreicht das System<br />
asymptotisch einen stabilen stationären Zustand bzw. nach Durchlaufen der ersten<br />
Bifurkationen stabile Gleichgewichtszyklen mit geringer Periodizität (vgl. Abb. 5-15).<br />
Bei höheren Parameterwerten weist das System dann Fluktuationen immer höherer<br />
Periodizität auf, die schließlich nicht mehr von einer chaotischen Dynamik zu unterscheiden<br />
sind bzw. in eine solche aperiodische <strong>und</strong> instabile Dynamik übergehen (Li<br />
& Yorke 1975). Das hat den Effekt, daß nur noch das „Prinzip der schwachen<br />
Kausalität“ gilt (Richter 1985); d.h. nur identische Anfangsbedingungen erzeugen<br />
auch identische Trajektorien. Schon kleine Abweichungen führen nach ausreichender<br />
Zeit zu extrem unterschiedlichen Populationsverläufen (s. Abb. 5-13; vgl. May 1974;<br />
Hassell et al. 1976; May & Oster 1976). Obwohl das verwendete Modell einfach <strong>und</strong><br />
deterministisch ist, kann es dennoch zu Populationsverläufen führen, die nicht von<br />
einem Zufallsprozeß unterschieden werden können (May & Oster 1976; May 1980;<br />
Richter 1985). Mit zunehmendem Wert von F max wird die Ab<strong>und</strong>anz immer variabler<br />
<strong>und</strong> letztendlich unvorhersagbar. Schon kleine Änderungen der Bifurkationskriterien<br />
(F max in Abb. 5-15, P 1 in Abb. A5-1, P 2 in Abb. A5-2, HSI in Abb. A5-3 oder β in<br />
Abb. A5-4) können zu unerwarteten Veränderungen der Systemdynamik führen (vgl.<br />
Higgins et al. 1997).<br />
5.5.3.2 Stabilitätsanalyse des räumlichen Modells<br />
Die Populationsdynamik des räumlichen Systems wird nicht nur durch die lokale<br />
Dynamik auf den einzelnen Rasterzellen, sondern auch durch die Ausbreitungscharakteristik<br />
bestimmt. Sie ist zudem stark von der zugr<strong>und</strong>eliegenden Habitatkarte<br />
abhängig.<br />
Analog zum nicht-räumlichen Modell werden mit Hilfe von Simulationen auch für<br />
das räumliche Modell Stabilitätsuntersuchungen durchgeführt. Wie die Untersuchung<br />
der Besiedlungsdynamik vermittelt, wird die Ausbreitung durch eine hohe Fek<strong>und</strong>ität,<br />
eine hohe Ausbreitungsrate (als Anteil die aktuelle Habitatzelle verlassender<br />
Tiere) sowie eine hohe Habitatqualität gefördert (5.4.2.1; Abb. 5-18). Diese Parameter<br />
werden hinsichtlich ihres Einflusses auf die Stabilität der Lokalpopulationen<br />
<strong>und</strong> der Gesamtpopulation im räumlichen Modell untersucht.<br />
Selbst bei einer unstrukturierten Habitateignungskarte <strong>und</strong> rein deterministischer<br />
Ausbreitung mit konstanter Rate m in die einfache von-Neumann-Nachbarschaft läßt<br />
sich eine vielfältige <strong>und</strong> komplexe Dynamik mit räumlich strukturierten zeitlichen<br />
Oszillationen feststellen (5.4.2.2 <strong>und</strong> 5.4.2.3). In Abhängigkeit von den Reproduktionsparametern<br />
der lokalen <strong>Modelle</strong> sowie der Ausbreitungsrate entstehen nach ausreichender<br />
Simulationsdauer verschiedene Typen räumlicher Muster (Abb. 5-19 <strong>und</strong><br />
Abb. 5-20).
172 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
Bei einfacher lokaler Dynamik werden also komplexe räumliche Muster erzeugt <strong>und</strong><br />
sichtbar, wenn diese Dynamik mit räumlich eingeschränkter Ausbreitung (<strong>und</strong>/oder<br />
Interaktionen) verknüpft ist. Hanski (1999) hält dies für die gr<strong>und</strong>sätzlich neue<br />
Erkenntnis, die mit der Modellierung durch rasterbasierte <strong>Modelle</strong> verb<strong>und</strong>en ist.<br />
Die Ergebnisse der Untersuchung <strong>zur</strong> räumlichen Dynamik <strong>und</strong> Stabilität lassen sich<br />
wie folgt zusammenfassen:<br />
• Die Dynamik der Lokalpopulationen wird vor allem durch die Stärke der Dichteabhängigkeit<br />
der Reproduktion bestimmt (Abb. 5-22 <strong>und</strong> Abb. 5-23). Die Größe<br />
stabiler Lokalpopulationen oder die Extrema der auftretenden Oszillationen entsprechen<br />
den durch das nicht-räumliche Modell vorgegebenen Schwankungsbreiten<br />
(Abb. 5-19 bis Abb. 5-23). Die Abb. 5-19 bis Abb. 5-21 verdeutlichen, daß<br />
die Ausbreitung nach Überschreiten einer kritischen Ausbreitungsrate m, die von<br />
Fmax abhängt, zu einer Synchronisation der lokalen Dynamiken führen kann (vgl.<br />
Ranta et al. 1998; Ranta et al. 1999; Ruxton & Rohani 1999). Diese Synchronisation<br />
– d.h. über die gesamte Simulationsfläche bzw. große Teile von ihr phasengleich<br />
fluktuierende Lokalpopulationen – bedeutet für die Gesamtpopulation, daß sie<br />
mit z.T. sehr großen Amplituden oszilliert (Abb. 5-21 C & D; Abb. 5-23 D & E).<br />
• Für die dort berücksichtigte spezielle Ausgangssituation zeigen Abb. 5-19 <strong>und</strong><br />
Abb. 5-20 die mit der Synchronisation durch zunehmende Ausbreitungsraten<br />
verb<strong>und</strong>ene Abfolge räumlicher Muster: fein strukturiert – grob strukturiert –<br />
synchronisiert. Abb. 5-21 zeigt parallel zu Abb. 5-20 die mit zunehmendem m<br />
verb<strong>und</strong>ene Vergrößerung der Amplitude der Oszillation der Gesamtpopulation.<br />
• Ob <strong>und</strong> für welche Ausbreitungsraten die Synchronisation erreicht wird, ist von<br />
der Stärke der Dichteabhängigkeit der Reproduktion abhängig. Bei geringen<br />
Werten von Fmax reicht eine geringe Ausbreitungsrate (Abb. 5-23 D & E), bei<br />
hohen Fmax-Werten wird sie gar nicht erreicht (Abb. 5-23 F). Im letzten Fall<br />
gleichen sich die stark oszillierenden Lokalpopulationen in der Summe aus, <strong>und</strong><br />
die Oszillationen der Gesamtpopulation sind auf einen vergleichsweise engen<br />
Bereich beschränkt (Abb. 5-23 F).<br />
• Wie die Abb. 5-23 A bis C verdeutlichen, ändert sich die prinzipielle Stabilität<br />
nicht in Abhängigkeit von m (vgl. Rohani et al. 1996) Bei chaotischer Dynamik<br />
der Lokalpopulationen sind gewisse „Fenster“ mit eingeschränkter Dynamik zu<br />
erkennen (Abb. 5-23 B & C).<br />
Die Startparameter wie Anzahl <strong>und</strong> Position(en) der anfänglich besiedelten Habitatzellen<br />
sowie die Größe der Startpopulation(en) beeinflussen zwar das Erscheinungsbild<br />
der emergierenden räumlichen Strukturen <strong>und</strong> die Zeitdauer bis zu ihrer Ausbildung,<br />
ihre Existenz hängt aber nicht von ihnen ab. Auch haben die Anfangsbedingungen<br />
keinen Einfluß auf die generelle Stabilität der <strong>Modelle</strong>, wie der Vergleich der<br />
verschiedenen Bifurkationsdiagramme zeigt (s. Lokalpopulation: Abb. 5-22 A <strong>und</strong><br />
Abb. A5-5 A; Gesamtpopulation: Abb. 5-22 B, Abb. 5-24 B <strong>und</strong> Abb. A5-5 C). Die<br />
beobachteten räumlichen Muster <strong>und</strong> oben diskutierten Stabilitätsbedingungen
5.5 Zusammenfassende Diskussion der populationsdynamischen <strong>Modelle</strong> 173<br />
ergeben sich auch, wenn Habitateignungskarten mit unterschiedlichen Habitatqualitäten<br />
(strukturierte Habitateignungskarten) verwendet werden (s. Abb. 5-28).<br />
Die Einführung einer dichteabhängigen Ausbreitung verändert das Systemverhalten<br />
in den Simulationen nicht qualitativ (s. Abb. 5-26 <strong>und</strong> Abb. A5-7; vgl. Ruxton 1996a).<br />
Allerdings wird ein stärkerer synchronisierender Effekt der Ausbreitung beobachtet<br />
(vgl. Ruxton & Rohani 1999). Hinsichtlich des Aspekts der Ausbreitungsgeschwindigkeit<br />
bedeutet die Dichteabhängigkeit der Ausbreitung effektiv die Verringerung der<br />
Ausbreitungsrate, da erst größere Populationen etabliert werden, ehe die Tiere neue<br />
Patches besiedeln (Abb. A5-6).<br />
Abb. 5-25 zeigt eine Überlagerung der Bifurkationsdiagramme, die für das nichträumliche<br />
(Abb. 5-15) <strong>und</strong> das räumliche Modell (Abb. 5-22 A) erstellt wurden. Sie<br />
macht deutlich, daß durch die Hinzufügung der räumlichen Komponente bzw. der<br />
Ausbreitung das System stabilisiert werden kann. Im nicht-räumlichen Modell treten<br />
bei starker Dichteabhängigkeit (d.h. hohem Fmax) allein aufgr<strong>und</strong> der Dynamik starke<br />
Ab<strong>und</strong>anzschwankungen <strong>und</strong> extreme Verringerungen der Populationsgröße auf<br />
(Abb. 5-15), die aufgr<strong>und</strong> von Umwelt- oder demographischer Stochastizität effektiv<br />
ein Aussterben der Population bedeuten würden. Dasselbe gilt aufgr<strong>und</strong> des deterministischen<br />
Modellansatzes für die Ausnahme der absolut identischen, jegliche Heterogenität<br />
ausschließenden Anfangsbedingung im räumlichen Modell (s. Abb. 5-24 A).<br />
Allgemein laufen dagegen im räumlichen Modell die einzelnen Lokalpopulationen<br />
weniger Gefahr auszusterben, da stets eine Einwanderung von Nachbarflächen erfolgen<br />
kann (Abb. 5-25; rescue effect, z.B. Brown & Kodric-Brown 1977). Diese Verringerung<br />
des Aussterberisikos gilt allerdings nur, solange die Lokalpopulationen zumindest<br />
teilweise desynchronisiert sind. Dann ist nämlich die Wahrscheinlichkeit gering,<br />
daß sämtliche Populationen simultan auf sehr geringe Größen fallen (Allen et al. 1993).<br />
Durch die Ein- <strong>und</strong> Auswanderungen wird also die chaotische Dynamik, die das<br />
nicht-räumliche Modell offenbart, bis zu einem gewissen Grad ausgeglichen. Dieses<br />
Ergebnis wurde mit anderen <strong>Modelle</strong>n z.B. von Gyllenberg et al. (1993) oder Hastings<br />
(1993) bei gekoppelten logistischen <strong>Modelle</strong>n oder durch Hanskis (1991) <strong>und</strong><br />
Hastings' (1991b) Arbeiten zum stabilisierenden Einfluß der Ausbreitung in Patchmodellen<br />
gef<strong>und</strong>en. Allerdings bedeutet die hier über die räumliche Komponente<br />
vermittelte Stabilität nur eine Einschränkung, nicht eine Verhinderung der chaotischen<br />
Systemdynamik. Diese bricht auch im räumlichen Modell bei entsprechenden<br />
Werten von Fmax – <strong>und</strong> bei höheren Ausbreitungsraten stärker als bei niedrigen (vgl.<br />
Abb. 5-22 A <strong>und</strong> B) – nach wie vor vollständig durch. Somit ist diese Stabilisierung<br />
nicht struktureller Art, denn die Lokalpopulationen des räumlichen Verbandes behalten<br />
ihr chaotisches Verhalten bei entsprechenden Simulationsparametern<br />
(Abb. 5-23). Eine solche Vereinfachung des komplexen Systemverhaltens zeigen<br />
auch Ruxton & Rohani (1999) für ein Modell mit fitness- <strong>und</strong> dichteabhängiger Ausbreitung.<br />
Das Stabilitätsverhalten der Populationen wird also gr<strong>und</strong>sätzlich durch die dichteunabhängige<br />
Ausbreitung nicht verändert. Das zeigen auch die analytischen Stabili-
174 5 Dynamisches Multihabitatmodell – ein räumlich explizites Simulationsmodell<br />
tätsuntersuchungen von coupled map lattices bei Rohani et al. (1996). Ruxton (1996a)<br />
zeigt kommt zu vergleichbaren Ergebnissen für ein Modell mit dichteabhängiger<br />
Ausbreitung wie auch für ein individuenbasiertes Modell (Ruxton 1996b).<br />
5.5.4 Ausblick<br />
Die diskutierten Analysen <strong>und</strong> Ergebnisse legen es nahe, mit Hilfe des vorgestellten<br />
Dynamischen Multihabitatmodells weitere Aspekte zu untersuchen. Hierzu zählen<br />
zum einen „realistische“ Simulationen mit Parametersätzen, die auf Freilanddaten<br />
beruhen sowie die Verwendung von auf Nutzungsszenarien beruhenden Habitateignungskarten.<br />
Zum anderen sind von der Implementierung <strong>und</strong> Analyse weiterer<br />
populationsökologischer Aspekte vielversprechende Einblicke in relevante Funktionszusammenhänge<br />
zu erwarten. So ist z.B. die Einbeziehung des Allee-Effektes in<br />
die <strong>Modelle</strong> <strong>und</strong> die Untersuchung seiner Auswirkung auf die Überlebensfähigkeit<br />
kleiner Populationen im räumlich strukturierten Lebensraum ein aktuell diskutiertes<br />
Thema (s. Courchamp et al. 1999; Stephens & Sutherland 1999). Denkbar ist auch<br />
die Einführung einer weiteren Art in das Modell. Hier würde sich die Untersuchung<br />
von Parasitoiden als wichtigste Prädatoren phytophager Insekten anbieten (Hawkins<br />
et al. 1997). Ebenfalls denkbar ist eine Kopplung mit einem Modell <strong>zur</strong> Populationsdynamik<br />
der als Eiablagesubstrat dienenden Pflanzenspezies. Ein Ziel könnte auch<br />
hierbei die Untersuchung von Stabilitätseigenschaften <strong>und</strong> Synchronizitätsphänomenen<br />
sein (s. Ranta et al. 1998).<br />
The formidable empirical challenge of applying these models [models of spatial<br />
dynamics] to natural populations has only just begun. An important general<br />
challenge for the future is to advance a more comprehensive synthesis of spatial<br />
ecology, incorporating key elements from landscape ecology, metapopulation<br />
ecology, epidemiology and a range of theoretical approaches to spatial ecology.<br />
(Hanski 1999, p. 5)
Abschnitt 6<br />
– Zusammenfassung –
6 Zusammenfassung<br />
Ziel der Arbeit war es, eine räumlich strukturierte Heuschreckenpopulation im<br />
Niedermoor in Abhängigkeit von ihrem Lebensraum zu beschreiben. Dabei wurde<br />
ein verschiedene Ansätze umfassender Modellverb<strong>und</strong> geschaffen, der die Bewertung<br />
von Auswirkungen verschiedener Managementmaßnahmen möglich macht.<br />
Abschnitt 1 stellt das den Rahmen der Arbeit liefernde BMBF-Verb<strong>und</strong>projekt, die<br />
Untersuchungsgebiete, die untersuchten Zielarten sowie die Erfassungsmethoden<br />
vor. Die Habitatmodelle der Abschnitte 2 <strong>und</strong> 3 beruhen auf Daten aus den Jahren<br />
1995 bis 1997, die im Drömling durch ca. 1700 Transektbegehungen auf knapp 500<br />
flächenhaften Biotopen <strong>und</strong> ca. 200 Grabenrandstrukturen erhoben wurden. Für das<br />
Rhinluch lagen die Daten von ca. 580 Transektbegehungen auf ca. 120 Untersuchungsflächen<br />
vor.<br />
In Abschnitt 2 wird die Art-Habitat-Beziehung mit Hilfe umfangreicher Habitateignungsmodelle<br />
für C. dorsalis umfassend, für S. grossum weniger intensiv, analysiert.<br />
Mittels logistischer Regression werden die Habitatmodelle auf Gr<strong>und</strong>lage verschiedener,<br />
hinsichtlich Erfassungsaufwand <strong>und</strong> Komplexität hierarchisch gegliederter<br />
Datenqualitäten erstellt. Mit zunehmender Anzahl der Prädiktorvariablen verbessert<br />
sich die Prognosegüte der <strong>Modelle</strong>. Auch die Qualität der Variablen erhöht die<br />
Prognosegüte <strong>und</strong> ermöglicht die Beschreibung weiterer Dimensionen der Nische.<br />
Die Abwägung zwischen erzielbaren Ergebnissen <strong>und</strong> dem dafür eingesetzten<br />
Erfassungsaufwand wird im Licht der Modellanwendung in der Planung diskutiert.<br />
Der – bei C. dorsalis geringe – Einfluß der Autokorrelation in den Daten auf die<br />
Modellvorhersagen wird abgeschätzt. Die Prognosegüten der kreuzvalidierten<br />
<strong>Modelle</strong> liegen für C. dorsalis zwischen ca. 63% für das Biotoptyp-Modell, ca. 74% für<br />
das Habitatfaktor-Modell <strong>und</strong> ca. 78% für das Vegetationsstruktur-Modell, bei<br />
S. grossum insgesamt etwas niedriger.<br />
Die Habitatmodelle werden mittels einer bislang kaum verwendeten Methodik<br />
(receiver-operator-characterstic, ROC-Kurven) hinsichtlich ihrer statistischen Signifikanz<br />
bewertet. Inhaltlich erfolgt eine Beurteilung hinsichtlich ihrer ökologischen Bedeutung.<br />
Dabei werden Charakterisierungen „optimaler“ Habitate für beide Heuschreckenarten<br />
abgeleitet. Die Auswirkung von Nutzungsänderungen in Extensivierungs-<br />
<strong>und</strong> Intensivierungsszenarien auf die räumliche Inzidenzverteilung wird<br />
abgeschätzt. Während für C. dorsalis erhebliche positive bzw. negative Veränderungen<br />
der Habitatqualität prognostiziert werden, ergibt sich für S. grossum ein eher indifferentes<br />
Bild.<br />
Abschnitt 3 widmet sich der Validierung der Habitatmodelle aus Abschnitt 2 durch<br />
Modellübertragungen auf Datensätze anderer Untersuchungsjahre <strong>und</strong>/oder -gebiete.
176 6 Zusammenfassung<br />
Die Bewertung der Übertragbarkeit erfolgt dabei mittels eines neuen Verfahrens, das<br />
auf dem Vergleich von schwellenwertunabhängigen Modellklassifikationen mit denen<br />
von Zufallsmodellen beruht. Da die Habitatmodelle überwiegend übertragbar sind,<br />
kann von ihrer allgemeinen Gültigkeit für norddeutsche Niedermoore ausgegangen<br />
werden. Die für C. dorsalis entwickelten <strong>Modelle</strong> lassen sich besser übertragen als die<br />
für S. grossum, <strong>und</strong> die zeitliche Übertragbarkeit ist im Allgemeinen besser als die<br />
räumliche.<br />
In Abschnitt 4 wird auf Gr<strong>und</strong>lage einer Habitateignungskarte für C. dorsalis eine<br />
Habitatkonnektivitätsanalyse durchgeführt. Das Verfahren stellt eine Verknüpfung<br />
von Perkolationstheorie <strong>und</strong> Landschaftsgraphen dar. Hierbei wird die Vernetzung<br />
der Habitate in einer dichotomisierten Landschaft durch die Korrelationslänge<br />
quantifiziert. Der Einfluß unterschiedlicher Habitatdichten – kontrolliert über den<br />
Schwellenwert der Habitatklassifizierung – <strong>und</strong> verschiedener mittlerer Ausbreitungsdistanzen<br />
bzw. kritischer Habitatdistanzen wird analysiert. Auch die Effekte<br />
von möglicherweise als Korridore wirkenden Gräben <strong>und</strong> von Ausbreitungsbarrieren<br />
auf die Korrelationslänge werden dargestellt. Anhand eines Beispiels wird die<br />
Eignung dieser Methode <strong>zur</strong> Detektion von Trittsteinbiotopen <strong>und</strong> <strong>zur</strong> Quantifizierung<br />
ihres Beitrags für die Habitatkonnektivität im Untersuchungsgebiet<br />
demonstriert.<br />
Abschnitt 5 schließlich leistet die Verknüpfung der Habitatmodelle mit einem populationsdynamischen<br />
Modellansatz zu einem räumlich expliziten Simulationsmodell,<br />
dem „Dynamischen Multihabitatmodell“ (DMHM). Aufgr<strong>und</strong> der Datenlage bleibt<br />
seine Analyse auf theoretische Aspekte beschränkt. Das DMHM ist ein rasterbasiertes<br />
Modell (zellulärer Automat bzw. coupled map lattice), dessen Gitter durch eine<br />
Habitateignungskarte vorgegeben wird. Auf jeder Rasterzelle wird die Populationsdynamik<br />
durch ein lokales Leslie-Modell beschrieben, welches über die Ausbreitung<br />
mit seinen Nachbarpopulationen verb<strong>und</strong>en ist.<br />
Der Abschnitt dokumentiert die Entwicklung vom einfachen nicht-räumlichen<br />
Leslie-Modell zum DMHM, wobei auf Möglichkeiten <strong>zur</strong> <strong>Modelle</strong>rweiterung <strong>und</strong><br />
verschiedene Aspekte der Analyse hingewiesen wird. Durch eine Stabilitäts- <strong>und</strong><br />
Bifurkationsanalyse werden die Stabilitätsbedingungen der stationären Zustände des<br />
nicht-räumlichen Modells untersucht. Aufgr<strong>und</strong> der Dichteabhängigkeit ist bei<br />
zunehmender maximaler Fek<strong>und</strong>ität eine Entwicklung der Dynamik über stabile<br />
Gleichgewichtspunkte <strong>und</strong> -zyklen bis zum deterministischen Chaos festzustellen.<br />
Die Populationsdynamik des räumlichen Systems wird nicht nur durch die lokale<br />
Dynamik auf den einzelnen Rasterzellen, sondern auch durch die Ausbreitungscharakteristik<br />
bestimmt <strong>und</strong> ist auch von der zugr<strong>und</strong>eliegenden Habitatkarte<br />
abhängig. Analog zum nicht-räumlichen Modell werden mit Hilfe von Simulationen<br />
für das räumliche Modell Stabilitätsuntersuchungen durchgeführt. Die Untersuchung
6 Zusammenfassung 177<br />
der Besiedlungsdynamik vermittelt, daß die Ausbreitung durch eine hohe Fek<strong>und</strong>ität,<br />
eine hohe Ausbreitungsrate sowie eine hohe Habitatqualität gefördert wird. Diese<br />
Parameter werden hinsichtlich ihres Einflusses auf die Stabilität der Lokalpopulationen<br />
<strong>und</strong> der Gesamtpopulation im räumlichen Modell untersucht. Hierbei läßt<br />
sich selbst bei einer unstrukturierten Habitateignungskarte <strong>und</strong> rein deterministischer<br />
Ausbreitung eine vielfältige <strong>und</strong> komplexe Dynamik mit räumlich strukturierten<br />
Oszillationen der Imaginalab<strong>und</strong>anzen feststellen. Bei höheren Ausbreitungsraten<br />
kann es <strong>zur</strong> Synchronisierung der Dynamik sämtlicher Lokalpopulationen kommen,<br />
die große Amplituden der Oszillationen der Gesamtpopulation hervorruft. Dieser<br />
Effekt wird bei dichteabhängiger Ausbreitung noch verstärkt.<br />
Die Stabilität ändert sich in Abhängigkeit von der Ausbreitungsrate nicht, wenngleich<br />
bei chaotischer Dynamik der Lokalpopulationen „Fenster“ mit eingeschränkter<br />
Dynamik zu erkennen sind. So zeigen die Lokalpopulationen im räumlichen Modell<br />
stärker eingegrenzte Ab<strong>und</strong>anzen. Diese Stabilisierung ist aber nicht struktureller Art,<br />
denn die Lokalpopulationen des räumlichen Modells behalten bei entsprechenden<br />
Simulationsparametern ihr chaotisches Verhalten.<br />
Das DMHM liefert eine Plattform, deren dynamisches Verhalten nunmehr relativ gut<br />
verstanden ist. Um drängende Fragen aus dem Bereich der <strong>Naturschutz</strong>biologie mit<br />
seiner Hilfe zu beantworten, muß es an die spezifischen Gegebenheiten angepaßt<br />
<strong>und</strong> mit Leben gefüllt, d.h. auf adäquater Datengr<strong>und</strong>lage parametrisiert werden.<br />
Dann können z.B. die Auswirkungen räumlich <strong>und</strong> zeitlich korrelierter Habitatveränderungen<br />
untersucht oder die Wahrscheinlichkeit für Wiederbesiedlungen nach<br />
lokalen Extinktionen im räumlichen Kontext ermittelt werden. Es wäre dann ein<br />
wertvolles Werkzeug für den <strong>Naturschutz</strong>.<br />
Die entwickelten <strong>und</strong> durch räumliche <strong>und</strong> zeitliche Modellübertragungen validierten<br />
statistischen Habitatmodelle leisten hierzu auf einer anderen Ebene ihren Beitrag. Sie<br />
ermöglichen eine Formalisierung der Art-Habitat-Beziehung, die sowohl erklärend<br />
als auch prädiktiv eingesetzt werden kann. Daß sich dabei Erfassungsaufwand,<br />
Prognosegüte <strong>und</strong> generelle Anwendbarkeit nicht gleichzeitig optimieren lassen, zeigt<br />
die Arbeit. Ebenso wird deutlich, wie wichtig eine adäquate Repräsentation der räumlichen<br />
Zusammenhänge ist, wenn man versucht, das Mosaik der Lebensräume auf<br />
den verschiedenen relevanten Skalenebenen zu beschreiben <strong>und</strong> zu verstehen. Die<br />
Habitatkonnektivitätsanalyse stellt dazu einen vielversprechenden Ansatz dar.<br />
Die eher theoretische Aspekte behandelnde Analyse des Dynamischen Multihabitatmodells<br />
führt <strong>zur</strong> Fragestellung der Stabilität in räumlich heterogenen Popu-
178 6 Zusammenfassung<br />
lationen. Damit bezieht sich der letzte Abschnitt dieser Arbeit nicht nur auf ein<br />
hochaktuelles Thema der Theoretischen <strong>Ökologie</strong>, sondern er schließt damit gleichzeitig<br />
den Kreis zu wesentlichen Fragen des <strong>Naturschutz</strong>es. Ein sinnvolles <strong>Naturschutz</strong>management<br />
ist nur auf der Gr<strong>und</strong>lage eines theoretischen Verständnisses der<br />
Prozesse möglich, die in räumlich heterogenen <strong>und</strong> zeitlichen Veränderungen unterworfenen<br />
Lebensräumen die Populationen <strong>und</strong> Lebensgemeinschaften beeinflussen.<br />
Zu der dafür notwendigen Verknüpfung verschiedener Ansätze aus Populationsökologie,<br />
Landschaftsökologie <strong>und</strong> <strong>Theoretischer</strong> <strong>Ökologie</strong> leistet meine Arbeit<br />
einen Beitrag.
Abschnitt 7<br />
– Literaturverzeichnis –
7 Literaturverzeichnis<br />
Åberg, P. (1992a): A demographic study of two populations of the seaweed Ascophyllum nodosum. -<br />
Ecology 73: 1473-1487.<br />
Åberg, P. (1992b): Size-based demography of the seaweed Ascophyllum nodosum in stochastic environments.<br />
- Ecology 73: 1488-1501.<br />
Åberg, J., Jansson, G., Swenson, J. E. & Angelstam, P. (1995): The effects of matrix on the occurrence<br />
of hazel grouse (Bonasa bonasia) in isolated habitat fragments. - Oecologia 103: 265-269.<br />
Adamus, P. R. (1995): Validating a habitat evaluation method for predicting avian richness. - Wildl.<br />
Soc. Bull. 23: 743-749.<br />
Addicott, J. F., Aho, J. M., Antolin, M. F., Padilla, D. K., Richardson, J. S. & Soluk, D. A. (1987):<br />
Ecological neighborhoods: Scaling environmental patterns. - Oikos 49: 340-346.<br />
Adler, F. R. & Nuernberger, B. (1994): Persistence in patchy irregular landscapes. - Theor. Popul. Biol.<br />
45: 41-75.<br />
Adler, G. H. & Wilson, M. L. (1985): Small mammals on Massachusetts islands: The use of probability<br />
functions in clarifying biogeographic relationships. - Oecologia 66: 178-186.<br />
Agresti, A. (1996): An introduction to categorical data analysis. 290 S.; New York: John Wiley & Sons, Inc.<br />
Aikman, D. & Hewitt, G. (1972): An experimental investigation of the rate and form of dispersal in<br />
grasshoppers. - J. Appl. Ecol. 9: 807-817.<br />
Akçakaya, H. R. (1992): Population viability analysis and risk assessment. - In: McCullough, D. R. &<br />
Barrett, R. H. (eds.): Wildlife 2001: Populations, based on an international conference on population<br />
dynamics and management of vertebrates (exclusive of primates and fish) held at Oakland,<br />
California, USA, July 29 - 31, 1991. - London, New York: Elsevier Applied Science; 148-157.<br />
Akçakaya, H. R. & Atwood, J. L. (1997): A habitat-based metapopulation model of the california gnatcatcher.<br />
- Conserv. Biol. 11: 422-434.<br />
Akçakaya, H. R. & Baur, B. (1996): Effects of population subdivision and catastrophes on the persistence<br />
of a land snail metapopulation. - Oecologia 105: 475-483.<br />
Akçakaya, H. R., McCarthy, M. A. & Pearce, J. L. (1995): Linking landscape data with population<br />
viability analysis: Management options for the helmeted honeyeater Lichenostomus melanops cassidix. -<br />
Biol. Conserv. 73: 169-176.<br />
Akçakaya, H. R. (1995): RAMAS® GIS Linking landscape data with population viability analyses<br />
(version 2.0)- Setauket, New York, Applied Biomathematics.<br />
Allen, J. C., Shaffer, W. M. & Rosko, D. (1993): Chaos reduces species extinction by amplifying local<br />
population noise. - Nature 364: 220-232.<br />
Altman, D. G., Lausen, B., Sauerbrei, W. & Schumacher, M. (1994): Dangers of using „optimal“<br />
cutpoints in the evaluation of prognostic factors. - J. Nat. Cancer Inst. 86: 829-835.<br />
Andrén, H. (1994): Effects of habitat fragmentation on birds and mammals in landscapes with<br />
different proportions of suitable habitat: A review. - Oikos 71: 355-366.<br />
Appelt, M. & Poethke, H. J. (1997): Metapopulation dynamics in a regional population of the bluewinged<br />
grasshopper (Oedipoda caerulescens; Linnaeus, 1758). - J. Insect Conserv. 1: 205-214.<br />
Augustin, N. H., Mugglestone, M. A. & Buckland, S. T. (1996): An autologistic model for the spatial<br />
distribution of wildlife. - J. Appl. Ecol. 33: 339-347.<br />
Augustin, N. H., Mugglestone, M. A. & Buckland, S. T. (1998): The role of simulation in modelling<br />
spatially correlated data. - Environmetrics 9: 175-196.<br />
Austin, M. P. & Meyers, J. A. (1996): Current approaches to modelling the environmental niche of<br />
eucalypts: Implication for management of forest biodiversity. - For. Ecol. Manage. 85: 95-106.<br />
Austin, M. P., Nicholls, A. O. & Margules, C. R. (1990): Measurement of the realised qualitative niche:<br />
Environmental niche of five Eucalyptus species. - Ecol. Monogr. 60: 161-178.<br />
Austin, G. E., Thomas, C. J., Houston, D. C. & Thompson, D. B. A. (1996): Predicting the spatial<br />
distribution of buzzard Buteo buteo nesting areas using a GIS and remote sensing. - J. Appl. Ecol.<br />
33: 1541-1550.<br />
Backhaus, K., Erichson, B., Plinke, W. & Weiber, R. (1996): Multivariate Analysemethoden - Eine<br />
anwendungsorientierte Einführung. 591 S.; Berlin, Heidelberg, New York, Tokyo: Springer Verlag.
180 7 Literaturverzeichnis<br />
Baker, E. A. & Coon, T. G. (1997): Development and evaluation of alternative habitat suitability<br />
criteria for brook trout. - Trans. Am. Fish. Soc. 126: 65-76.<br />
Bakker, J. P. & Berendse, F. (1999): Constraints in the restoration of ecological diversity in grassland<br />
and heathland communities. - Trends Ecol. Evol. 14: 63-68.<br />
Balcom, B. J. & Yahner, R. H. (1996): Microhabitat and landscape characteristics associated with the<br />
threatened allegheny woodrat. - Conserv. Biol. 10: 515-525.<br />
Bart, J., Fligner, M. A. & Notz, W. I. (1998): Sampling and statistical methods for behavioral<br />
ecologists. 330 S.; Cambridge: Cambridge University Press.<br />
Bascompte, J. & Solé, R. V. (1994): Spatially induced bifurcations in single-species population<br />
dynamics. - J. Anim. Ecol. 63: 256-264.<br />
Bascompte, J. & Solé, R. V. (1996): Habitat fragmentation and extinction thresholds in spatially<br />
explicit models. - J. Anim. Ecol. 65: 465-473.<br />
Bascompte, J. & Solé, R. V. (1998a): Modeling spatiotemporal dynamics in ecology. 230 S.; Berlin:<br />
Springer.<br />
Bascompte, J. & Solé, R. V. (1998b): Models of habitat fragmentation. - In: Bascompte, J. & Solé, R.<br />
V. (eds.): Modeling spatiotemporal dynamics in ecology. - Berlin: Springer; 127-150.<br />
Beck, J. R. & Shultz, E. K. (1986): The use of ROC curves in test performance evaluation. - Arch.<br />
Path. and Lab. Med. 110: 13-20.<br />
Beddington, J. R. (1974): Age distribution and the stability of simple discrete time population models.<br />
- J. Theor. Biol. 47: 65-74.<br />
Begon, M., Harper, J. L. & Townsend, C. R. (1991): <strong>Ökologie</strong> - Individuen, Populationen <strong>und</strong> Lebensgemeinschaften.<br />
1024 S.; Basel, Boston, Berlin: Birkhäuser Verlag.<br />
Beier, P. (1995): Dispersal of young cougars in fragmented habitat. - J. Wildl. Manage. 59: 228-237.<br />
Belde, M. & Richter, O. (1997): Zellulärer Automat <strong>zur</strong> Simulation der Sukzession auf Niedermoorstandorten<br />
bei unterschiedlichen Managementmaßnahmen. - Verh. Ges. Ökol. 27: 189-197.<br />
Bellmann, H. (1993): Heuschrecken. 349 S.; Augsburg: Natur-Buch Verlag.<br />
Belovsky, G. E. & Joern, A. (1995): The dominance of different regulating factors for rangeland grasshoppers.<br />
- In: Cappuccino, N. & Price, P. W. (eds.): Population dynamics - new approaches and<br />
synthesis. - San Diego: Academic Press; 359-386.<br />
Belovsky, G. E. & Slade, J. B. (1995): Dynamics of two Montana grasshopper populations: Relationships<br />
among weather, food ab<strong>und</strong>ance and intraspecific competition. - Oecologia 101: 383-396.<br />
Bender, D. L., Contreras, T. A. & Fahrig, L. (1998): Habitat loss and population decline: A metaanalysis<br />
of the patch size effect. - Ecology 79: 517-533.<br />
Benitz, M. (1994): Autökologische Untersuchung <strong>zur</strong> Habitatbindung <strong>und</strong> Eiablage von Conocephalus<br />
dorsalis (Orthoptera, Tettigoniidae) im Drömling (SO Niedersachsen). - Diplomarbeit (unveröff.);<br />
112 S.; TU Braunschweig.<br />
Benitz, M. (1995): Importance of different oviposition substrates for the stenoecious bush-cricket<br />
Conocephalus dorsalis. - Z. Kulturtech. Landentwicklung 36: 187-188.<br />
Bernadelli, H. (1941): Population waves. - J. Burma Res. Soc. 31: 1-18.<br />
Berry, K. H. (1986): Introduction: Development, testing, and application of wildlife-habitat models. -<br />
In: Verner, J., Morrison, M. L. & Ralph, C. J. (eds.): Wildlife 2000: Modeling habitat relationships<br />
of terrestrial vertebrates. Based on an international symposium held at Stanford Sierra Camp, Fallen<br />
Leaf Lake, Calif., 7 - 11 Oct. 1984. - Madison, Wisconsin: University of Wisconsin Press; 3-4.<br />
Berry, J. S., Kemp, W. P. & Onsager, J. A. (1995): Within-year population dynamics and forage destruction<br />
model for rangeland grasshoppers (Orthoptera: Acrididae). - Environ. Entomol. 24: 212-<br />
225.<br />
Bjørnstad, O. N., Andreassen, H. P. & Ims, R. A. (1998): Effects of habitat patchiness and connectivity<br />
on the spatial ecology of the root vole Microtus oeconomus. - J. Anim. Ecol. 67: 127-140.<br />
Blankenburg, J. (1995): Wasserhaushalt von Niedermooren <strong>und</strong> hydrologisches Management. - Z.<br />
Kulturtech. Landentwicklung 36: 102-106.<br />
Blaschke, T. (1999): Habitatanalyse <strong>und</strong> Modellierung mit Desktop-GIS. - In: Blaschke, T. (ed.): Umweltmonitoring<br />
<strong>und</strong> Umweltmodellierung - GIS <strong>und</strong> Fernerk<strong>und</strong>ung als Werkzeuge einer nachhaltigen<br />
Entwicklung. - Heidelberg: Wichmann; 259-274.<br />
Block, W. M., Brennan, L. A. & Guttiérrez, R. J. (1986): The use of guilds and guild-indicator species<br />
for assessing habitat suitability. - In: Verner, J., Morrison, M. L. & Ralph, C. J. (eds.):
7 Literaturverzeichnis 181<br />
Wildlife 2000: Modeling habitat relationships of terrestrial vertebrates. Based on an international<br />
symposium held at Stanford Sierra Camp, Fallen Leaf Lake, Calif., 7 - 11 October 1984. - Madison,<br />
Wisconsin: University of Wisconsin Press; 109-113.<br />
Block, W. M., Brennan, L. A. & Gutiérrez, R. J. (1987): Evaluation of guild-indicator species for use in<br />
resource management. - Environ. Manage. 11: 265-269.<br />
Block, W. M., Morrison, M. L. & Scott, P. E. (1998): Development and evaluation of habitat models<br />
for herpetofauna and small mammals. - Forest Sci. 44: 430-437.<br />
Bölscher, B. & Sandkühler, K. (1995): Habitatbindung bei Tieren in Niedermoorökosystemen am<br />
Beispiel ausgewählter Indikatorgruppen. - Z. Kulturtech. Landentwicklung 36: 122-124.<br />
Bölscher, B., Wilken, G. & Langmaack, M. (1995): Analyse von Mikrohabitaten bei Feldheuschrecken<br />
(Saltatoria, Acrididae) im Niedermoorgrünland als Instrument <strong>zur</strong> Ermittlung von Schlüsselfaktoren<br />
bei Zielarten. - Z. Kulturtech. Landentwicklung 36: 182-184.<br />
Borcard, D., Legendre, P. & Drapeau, P. (1992): Partialling out the spatial component of ecological<br />
variation. - Ecology 73: 1045-1055.<br />
Botsford, L. W. (1992): Further analysis of Clark's delayed recruitment model. - Bull. Math. Biol. 54:<br />
275-293.<br />
Botsford, L. W. (1996): Dynamics of populations with density-dependent recruitment and age<br />
structure. - In: Tuljapurkar, S. & Caswell, H. (eds.): Structured-population models in marine,<br />
terrestrial, and freshwater systems. - New York, Bonn, Melbourne: Chapman & Hall; 371-408.<br />
Bowne, D. R., Peles, J. D. & Barrett, G. W. (1999): Effects of landscape spatial structure on<br />
movement patterns of the hispid cotton rat (Sigmodon hispidus). - Landscape Ecol. 14: 53-66.<br />
Boyce, M. S. (1977): Population growth with stochastic fluctuations in the life table. - Theor. Popul.<br />
Biol. 12: 366-373.<br />
Boyce, M. S. (1992): Population viability analysis. - Ann. Rev. Ecol. Syst. 23: 481-506.<br />
Bozek, M. A. & Rahel, F. J. (1992): Generality of microhabitat suitability models for young colorado<br />
river cutthroat trout (Oncorhynchus clarki pleuriticus) across sites and among years in Wyoming<br />
streams. - Can. J. Fish. Aquat. Sci. 49: 552-564.<br />
Brennan, L. A., Block, W. M. & Guttiérrez, R. J. (1986): The use of multivariate statistics for developing<br />
habitat suitability index models. - In: Verner, J., Morrison, M. L. & Ralph, C. J. (eds.): Wildlife<br />
2000 : Modeling habitat relationships of terrestrial vertebrates. Based on an international symposium<br />
held at Stanford Sierra Camp, Fallen Leaf Lake, Calif., 7 - 11 October 1984. - Madison,<br />
Wisconsin: University of Wisconsin Press; 177-182.<br />
Brinkmann, R. (1991): Erhebung <strong>und</strong> Auswertung faunistisch-tierökologischer Gr<strong>und</strong>lagendaten für<br />
die Landschaftspflege - dargestellt am Beispiel der Heuschreckenfauna des Kreises Paderborn. -<br />
Dissertation; 171 S. ; Univ. Hannover.<br />
Britton, N. F., Partridge, L. W. & Franks, N. R. (1996): A mathematical model for the population<br />
dynamics of army ants. - Bull. Math. Biol. 58: 471-492.<br />
Bronštejn, I. j. N. & Semendjajew, K., A, (1989): Taschenbuch der Mahematik. 840 S.; Thun: Verlag<br />
Harri Deutsch.<br />
Brooker, L., Brooker, M. & Cale, P. (1999): Animal dispersal in fragmented habitat: Measuring habitat<br />
connectivity, corridor use, and dispersal mortality. - Cons. Ecol. [online] 3:<br />
http://www.consecol.org/vol3/iss1/art4.<br />
Brooks, R. P. (1997): Improving habitat suitability index models. - Wildl. Soc. Bull. 25: 163-167.<br />
Brown, J. H. & Kodric-Brown, A. (1977): Turnover rates in insular biogeography: Effect of immigration<br />
on extinction. - Ecology 58: 445-449.<br />
Buchanan, B. G. & Shortliffe, E. H. (1984): Rule-based expert systems: The MYCIN experiments of<br />
the Stanford Heuristic Programming Project. Reading, Massachusetts: Addison-Wesley.<br />
Buckland, S. T. & Elston, D. A. (1993): Empirical models for the spatial distribution of wildlife. - J.<br />
Appl. Ecol. 30: 478-495.<br />
Buckland, S. T., Elston, D. A. & Beaney, S. J. (1996): Predicting distributional change, with application<br />
to bird distributions in Northeast Scotland. - Global ecology and biogeography letters 5: 66-84.<br />
Burgman, M. A., Ferson, S. & Akçakaya, H. R. (1993): Risk assessment in conservation biology. 314<br />
S.; London: Chapman & Hall.<br />
Burnham, K. P. & Anderson, D. R. (1992): Data-based selection of an appropriate biological model:<br />
The key to modern data analyses. - In: McCullough, D. R. & Barrett, R. H. (eds.): Wildlife 2001:<br />
Populations, based on an international conference on population dynamics and management of
182 7 Literaturverzeichnis<br />
vertebrates (exclusive of primates and fish) held at Oakland, California, USA, July 29 - 31, 1991. -<br />
London, New York: Elsevier Applied Science; 16-30.<br />
Cantwell, M. D. & Forman, R. T. T. (1993): Landscape graphs: Ecological modeling with graph theory<br />
to detect configurations common to diverse landscapes. - Landscape Ecol. 8: 239-255.<br />
Capen, D. E., Fenwick, J. W., Inkley, D. B. & Boynton, A. C. (1986): Multivariate models of songbird<br />
habitat in New England forests. - In: Verner, J., Morrison, M. L. & Ralph, C. J. (eds.): Wildlife<br />
2000 : Modeling habitat relationships of terrestrial vertebrates. Based on an international symposium<br />
held at Stanford Sierra Camp, Fallen Leaf Lake, Calif., 7 - 11 October 1984. - Madison,<br />
Wisconsin: University of Wisconsin Press; 171-177.<br />
Cappe de Baillon, P. (1920): Contribution anatomique et physiologique à l'étude de la reproduction<br />
chez les Locustiens et Grilloniens. - Cellule 31: 1-245.<br />
Carey, J. R. (1993): Applied demography for biologists with special emphasis on insects. 206 S.; New<br />
York, Oxford: Oxford University Press.<br />
Caswell, H. (1976): The validation problem. - In: Patten, B. C. (ed.): Systems analysis and simulation in<br />
ecology. - New York: Academic Press; 313-325.<br />
Caswell, H. (1978): A general formula for the sensitivity of population growth rate to changes in life<br />
history parameters. - Theor. Popul. Biol. 14: 215-230.<br />
Caswell, H. (1989): Matrix population models - construction, analysis, and interpretation. 328 S.;<br />
S<strong>und</strong>erland, Massachusetts: Sinauer Associates Inc.<br />
Caswell, H. (1996): Matrix methods in population analysis. - In: Tuljapurkar, S. & Caswell, H. (eds.):<br />
Structured-population models in marine, terrestrial, and freshwater Systems. - New York, Bonn,<br />
Melbourne: Chapman & Hall; 19-58.<br />
Caswell, H. & Cohen, J. E. (1991): Communities in patchy environments: A model of disturbance,<br />
competition, and heterogeneity. - In: Kolasa, J. & Pickett, S. T. A. (eds.): Ecological heterogeneity.<br />
- New York: Springer; 97-122.<br />
Caswell, H., Naiman, R. J. & Morin, R. (1984): Evaluating the consequences of reproduction in<br />
complex salmonid life cycles. - Aquaculture 43: 123-134.<br />
Cavallaro, J. I., Menke, J. W. & Williams, W. A. (1981): Use of discriminant analysis and other statistical<br />
methods in analyzing microhabitat utilization of dusky-footed woodrats. - In: Capen, D. E.<br />
(ed.): The use of multivariate statistics in studies of wildlife habitat. - Fort Collins, Colo.: U.S.<br />
Dept. of Agriculture, Forest Service, Rocky Mountain Forest & Range Experiment Station; 222-<br />
231.<br />
Chalk, D. E. (1986): Summary: Development, testing, and application of wildlife-habitat models - the<br />
researcher's viewpoint. - In: Verner, J., Morrison, M. L. & Ralph, C. J. (eds.): Wildlife 2000 :<br />
Modeling habitat relationships of terrestrial vertebrates. Based on an international symposium held<br />
at Stanford Sierra Camp, Fallen Leaf Lake, Calif., 7 - 11 October 1984. - Madison, Wisconsin:<br />
University of Wisconsin Press; 155-156.<br />
Chappell, M. A. & Whitman, D. W. (1990): Grasshopper thermoregulation. - In: Chapman, R. F. &<br />
Joern, A. (eds.): Biology of grasshoppers. - New York: John Wiley & Sons; 143-172.<br />
Chatfield, C. (1995): Model uncertainty, data mining and statistical inference (with discussion). - J. R.<br />
Stat. Soc. A 158: 419-466.<br />
Cherrill, A. J. & Brown, V. K. (1990): The life cycle and distribution of the wart-biter Decticus verrucivorus<br />
(L.) (Orthoptera: Tettigoniidae) in a chalk grassland in Southern England. - Biol. Conserv. 53:<br />
125-143.<br />
Chesson, P. (1998): Making sense of spatial models in ecology. - In: Bascompte, J. & Solé, R. V. (eds.):<br />
Modeling spatiotemporal dynamics in ecology. - Berlin: Springer; 151-162.<br />
Chow, S.-N. & Hale, J. K. (1982): Methods of bifurcation theory. 515 S.; New York, Berlin, Heidelberg:<br />
Springer-Verlag.<br />
Clark, J. D. & Lewis, J. C. (1983): A validity test of a habitat suitability index model for clapper rail. -<br />
Proc. Ann. Conf. Southeast Assoc. Fish Wildl. Agencies 37: 95-102.<br />
Clarke, R. T., Thomas, J. A., Elmes, G. W. & Hochberg, M. E. (1997): The effects of spatial patterns<br />
in habitat quality on community dynamics within a site. - Proc. R. Soc. Lond. B 264: 347-354.<br />
Claßen, A., Kapfer, A. & Luick, R. (1993): Einfluß der Mahd mit Kreisel- <strong>und</strong> Balkenmäher auf die<br />
Fauna von Feuchtgrünland. - <strong>Naturschutz</strong> <strong>und</strong> Landschaftsplanung 25: 217-220.<br />
Cohen, J. E., Briand, F. & Newman, C. M. (1990): Community food webs: Data and theory. 308 S.;<br />
New York: Springer-Verlag.
7 Literaturverzeichnis 183<br />
Cole, B. J. & Cheshire, D. (1996): Mobile cellular automata models of ant behavior: Movement activity<br />
of Leptothorax allardycei. - Am. Nat. 148: 1-15.<br />
Cole, C. A. & Smith, R. L. (1983): Habitat suitability indices for monitoring wildlife populationsevaluation.<br />
- Trans. North Am. Wildl. Nat. Resour. Conf. 48: 367-375.<br />
Comins, H. N., Hassell, M. P. & May, R. M. (1992): The spatial dynamics of host-parasitoid systems. -<br />
J. Anim. Ecol. 61: 735-748.<br />
Conroy, M. J., Cohen, Y., James, F. C., Matsinos, Y. G. & Maurer, B. A. (1995): Parameter estimation,<br />
reliability, and model improvement for spatially explicit models of animal populations. - Ecol.<br />
Appl. 5: 17-19.<br />
Conway, C. J. & Martin, T. E. (1993): Habitat wuitability for williamson's sapsuckers in mixed-conifer<br />
forests. - J. Wildl. Manage. 57: 322-328.<br />
Cook, J. G. & Irwin, L. L. (1985): Validation and modification of a habitat suitability models for<br />
pronghorns. - Wildl. Soc. Bull. 13: 440-448.<br />
Costantino, R. F., Desharnais, R. A., Cushing, J. M. & Dennis, B. (1997): Chaotic dynamics in an<br />
insect population. - Science 275: 389-390.<br />
Cox, D. R. & Snell, E. J. (1989): Analysis of binary data. 236 S.; London, New York: Chapman and<br />
Hall.<br />
Creswick, R. J., Farach, H. A. & Poole, C. P., Jr. (1992): Introduction in renormalization methods in<br />
physics. 409 S.; New York: John Wiley.<br />
Crouse, D. T., Crowder, L. B. & Caswell, H. (1987): A stage-based population model for loggerhead<br />
sea turtles and implications for conservation. - Ecology 68: 1412-1423.<br />
Cull, P. & Vogt, A. (1973): The period of total population. - Bull. Math. Biol. 38: 317-319.<br />
Cushing, J. M. (1996): Nonlinear matrix equations and population dynamics. - In: Tuljapurkar, S. &<br />
Caswell, H. (eds.): Structured-population models in marine, terrestrial, and freshwater systems. -<br />
New York, Bonn, Melbourne: Chapman & Hall; 205-243.<br />
Czárán, T. & Bartha, S. (1992): Spatiotemporal dynamics models of plant populations and<br />
communities. - Trends Ecol. Evol. 7: 38-42.<br />
Dale, M. (1985): Graph theoretical methods for comparing phytosociological structures. - Vegetatio<br />
63: 79-88.<br />
Darwen, P. J. & Green, D. G. (1996): Viability of populations in a landscape. - Ecol. Model. 85: 165-<br />
171.<br />
De Kroon, H., Plaisier, A., van Groenendael, J. & Caswell, H. (1986): Elasticity: The relative<br />
contribution of demographic parameters to population growth rate. - Ecology 67: 1427-1431.<br />
De Leo, G. A. & Levin, S. A. (1998): The multifacet aspects of ecosystem integrity. - Conserv. Ecol. 1:<br />
http://www.consecol.org/Journal/vol1/iss1/art3.<br />
De Swart, E. O. A. M., Van der Valk, A. G., Koehler, K. J. & Barendegt, A. (1994): Experimental<br />
evaluation of realized niche models for predicting responses of plant species to change in<br />
environmental conditions. - J. Veg. Sci. 5: 541-442.<br />
DeAngelis, D. L. (1988): Strategies and difficulties of applying models to aquatic populations and food<br />
webs. - Ecol. Model. 43: 57-73.<br />
DeAngelis, D. L. & Gross, L. J. (1992): Individual-based models and approaches in ecology. 525 S.;<br />
New York: Chapman & Hall.<br />
DeAngelis, D. L., Svoboda, L. J., Christensen, S. W. & Vaughan, D. S. (1980): Stability and return<br />
times of Leslie matrices with density dependent survival: Applications to fish populations. - Ecol.<br />
Model. 8: 149-163.<br />
Decleer, K. (1990): The life cycle of Conocephalus dorsalis (Latreille) (Saltatoria) in relation to cutting<br />
management and extreme water level fluctuations in a derelict reedmarsh. - Biol. Jb. Dodonaea 58:<br />
139-151.<br />
Deichsel, G. & Trampisch, H. J. (1985): Clusteranalyse <strong>und</strong> Diskriminanzanalyse. 132 S.; Stuttgart,<br />
New York: Gustav Fischer Verlag.<br />
DeLong, E. R., DeLong, D. M. & Clarke-Pearson, D. L. (1988): Comparing the areas <strong>und</strong>er two or<br />
more correlated receiver operating characteristic curves: A nonparametetric approach. - Biometrics<br />
44: 837-845.<br />
Dempster, J. P. (1963): The population dynamics of grasshoppers and locusts. - Biol. Rev. 38: 490-<br />
529.
184 7 Literaturverzeichnis<br />
Dempster, J. P., Atkinson, D. A. & Cheesman, O. D. (1995a): The spatial population dynamics of<br />
insects exploiting a patchy food resource. - I. Population extinctions and regulation. - Oecologia<br />
104: 340-353.<br />
Dempster, J. P., Atkinson, D. A. & French, M. C. (1995b): The spatial population dynamics of insects<br />
exploiting a patchy food resource. - II. Movements between patches. - Oecologia 104: 354-362.<br />
den Boer, P. J. (1968): Spreading the risk and stabilization of animal numbers. - Acta Biotheoretica 18:<br />
165-194.<br />
den Boer, P. J. (1981): On the survival of populations in a heterogeneous and variable environment. -<br />
Oecologia 50: 39-53.<br />
den Boer, P. J. (1990): The survival value of dispersal in terrestrial arthropods. - Biol. Conserv. 54:<br />
175-192.<br />
Dennis, B., Kemp, W. P. & Beckwith, R. C. (1986): Stochastic model of insect phenology: Estimation<br />
and testing. - Environ. Entomol. 15: 540-546.<br />
Dennis, R. L. H., Shreeve, T. G. & Sparks, T. H. (1998): The effects of island area, isolation and<br />
source population size on the presence of the grayling butterfly Hipparchia semele (L) (Lepidoptera:<br />
Satyrinae) on british and irish offshore islands. - Biodiversity and Conservation 7: 765-776.<br />
Dennis, R. L. H. & Eales, H. T. (1999): Probability of site occupancy in the large heath butterfly<br />
Coenonympha tullia determined from geographical and ecological data. - Biol. Conserv. 87: 295-302.<br />
Dessaint, F. & Caussanel, J.-P. (1994): Trend surface analysis: A simple tool for modelling spatial<br />
patterns of weeds. - Crop Prot. 13: 433-438.<br />
Detzel, P. (1985): Die Auswirkungen der Mahd auf die Heuschreckenfauna von Niedermoorwiesen. -<br />
Veröff. <strong>Naturschutz</strong> Landschaftspflege Bad.-Württ. 59/60: 345-360.<br />
Detzel, P. (1991): Ökofaunistische Analyse der Heuschreckenfauna (Orthoptera) Baden-<br />
Württembergs. - Dissertation; 365 S.; Univ. Tübingen.<br />
Detzel, P. (1992): Heuschrecken als Hilfsmittel in der Landschaftsökologie. - In: Trautner, J. (ed.):<br />
Arten- <strong>und</strong> Biotopschutz in der Planung: Methodische Standards <strong>zur</strong> Erfassung von<br />
Tierartengruppen. - Weikersheim: Verlag J. Margraf; 189-194.<br />
Di Cola, G., Gilioli, G. & Baumgärtner, J. (1999): Mathematical models for age-structured population<br />
dynamics. - In: Huffaker, C. B. & Gutierrez, A. P. (eds.): Ecological entomology. - New York:<br />
John Wiley & Sons; 503-536.<br />
Dillon, W. R. & Goldstein, M. (1984): Multivariate analysis: Methods and applications. 587 S.; New<br />
York: John Wiley & Sons.<br />
Diver, C. & Diver, D. (1933): Contribution towards a survey of the plants and animals of South<br />
Haven peninsula, Dorset. - J. Anim.Ecol. 2: 36-69.<br />
Dixon, P., Friday, N., Ang, P., Heppell, S. & Kshatriya, M. (1996): Sensitivity analysis of structuredpopulation<br />
models for management and conservation. - In: Tuljapurkar, S. & Caswell, H. (eds.):<br />
Structured-population models in marine, terrestrial, and freshwater systems. - New York, Bonn,<br />
Melbourne: Chapman & Hall; 471-513.<br />
Doak, D. F. & Mills, L. S. (1994): A useful role for theory in conservation. - Ecology 75: 615-626.<br />
Doak, D. F., Marino, P. C. & Kareiva, P. M. (1992): Spatial scale mediates the influence of habitat<br />
fragmentation on dispersal success: Implications for conservation. - Theor. Popul. Biol. 41: 315-<br />
336.<br />
Donovan, T. M., Thompson, F. R., III, Faaborg, J. & Probst, J. R. (1995a): Reproductive success of<br />
migratory birds in habitat sources and sinks. - Conserv. Biol. 9: 1380-1395.<br />
Donovan, T. M., Thompson, F. R., III, Faaborg, J. & Probst, J. R. (1995b): Modeling the effects of<br />
habitat fragmentation on source and sink demography of neotropical migrant birds. - Conserv.<br />
Biol. 9: 1396-1407.<br />
Drachenfels, O. v. (1995): Kartierschlüssel für Biotoptypen in Niedersachsen unter besonderer<br />
Berücksichtigung der nach §28a <strong>und</strong> §28b NNatG geschützten Biotope, Stand September 1994.<br />
192 S.; Hannover: Niedersächsisches Landesamt für <strong>Ökologie</strong> (NLÖ) - Abt. <strong>Naturschutz</strong>.<br />
Drechsler, M. & Wissel, C. (1998): Trade-offs between local and regional scale management of<br />
metapopulations. - Biol. Conserv. 83: 31-42.<br />
Duelli, P., Stader, M. & Katz, E. (1990): Minimalprogramm für die Erhebung, Aufbereitung <strong>und</strong><br />
Darstellung zooökologischer Daten als Fachbeiträge zu Planungen am Beispiel ausgewählter<br />
Arthropodengruppen. - In: Riecken, U. (ed.): Möglichkeiten <strong>und</strong> Grenzen der Bioindikation durch<br />
Tierarten <strong>und</strong> Tiergruppen im Rahmen raumrelevanter Planungen: Referate <strong>und</strong> Ergebnisse eines
7 Literaturverzeichnis 185<br />
Symposiums der B<strong>und</strong>esforschungsanstalt für <strong>Naturschutz</strong> <strong>und</strong> Landschaftsökologie, 12-<br />
14.06.1989 (Bonn). - Münster-Hiltrup: Landwirtschaftsverlag; 165-174.<br />
Dülge, R., Meyer, S. & Rahmel, U. (1992): Saltatoria <strong>und</strong> Vegetation - Heuschrecken als<br />
Bioindikatoren <strong>zur</strong> Grünlandbewertung. – In: Eikhorst, R. (ed.): Beitr. <strong>zur</strong> Biotop- <strong>und</strong><br />
Landschaftsbewertung. – V. <strong>Ökologie</strong> u. Faunistik, Duisburg: 103-118.<br />
Dunning, J. B., Danielson, J. B. & Pulliam, H. R. (1992): Ecological processes that affect populations<br />
in complex landscapes. - Oikos 65: 169-175.<br />
Dunning, J. B., Jr., Stewart, D. J., Danielson, B. J., Noon, B. R., Root, T. L., Lamberson, R. H. &<br />
Stevens, E. E. (1995a): Spatially explicit population models: Current forms and future uses. - Ecol.<br />
Appl. 5: 3-11.<br />
Dunning, J. B., Jr., Borgella, R., Jr. , Clements, K. & Meffe, G. K. (1995b): Patch isolation, corridor<br />
effects, and colonization by a resident sparrow in a managed pine woodland. - Conserv. Biol. 9:<br />
542-550.<br />
Durrett, R. & Levin, S. A. (1994): Stochastic spatial models: A user's guide to ecological applications. -<br />
Phil. Trans. R. Soc. Lond. B 343: 329-350.<br />
Efron, B. (1975): The efficiency of logistic regression compared to normal discriminant analysis. - J.<br />
Am. Statist. Assoc. 70: 892-898.<br />
Efron, B. & Tibshirani, R. J. (1993): An introduction to the bootstrap. 436 S.; New York: Chapman<br />
and Hall.<br />
Ellenberg, H. (1986): Vegetation Mitteleuropas mit den Alpen. 989 S.; Stuttgart: Ulmer.<br />
Ellenberg, H., Weber, H.-E., Düll, R., Wirth, V., Werner, W. & Paulißen, D. (1992): Zeigerwerte von<br />
Pflanzen in Mitteleuropa. 258 S.; Göttingen: Goltze.<br />
Ellison, A. M. & Bedford, B. L. (1995): Response of a wetland vascular plant community to<br />
disturbance: A simulation study. - Ecol. Appl. 5: 109-123.<br />
Erdelen, M. (1990): Minimalprogramm für die Erhebung, Aufbereitung <strong>und</strong> Darstellung<br />
zooökologischer Daten am Beispiel ornithologischer Beiträge <strong>zur</strong> Landschaftsplanung. - In:<br />
Riecken, U. (ed.): Möglichkeiten <strong>und</strong> Grenzen der Bioindikation durch Tierarten <strong>und</strong> Tiergruppen<br />
im Rahmen raumrelevanter Planungen: Referate <strong>und</strong> Ergebnisse eines Symposiums der<br />
B<strong>und</strong>esforschungsanstalt für <strong>Naturschutz</strong> <strong>und</strong> Landschaftsökologie, 12-14.06.1989 (Bonn). -<br />
Münster-Hiltrup: Landwirtschaftsverlag; 201-210.<br />
Eyre, M. D., Carr, R., McBlane, R. P. & Foster, G. N. (1992): The effects of varying side-water<br />
duration on the distribution of water beetle assemblages, adults and larvae (Coleoptera: Haliplidae,<br />
Dytiscidae, Hydrophilidae). - Arch. Hydrobiol. 124: 281-291.<br />
Fahrig, L. (1991): Simulation methods for developing general landscape-level hypotheses of sinlgespecies<br />
dynamics. - In: Turner, M. G. & Gardner, R. H. (eds.): Quantitative methods in landscape<br />
ecology - the analysis and interpretation of landscape heterogeneity. - New York: Springer-Verlag;<br />
417-442.<br />
Fahrig, L. (1997): Relative effects of habitat loss and fragmentation on population extinction. - J.<br />
Wildl. Manage. 61: 603-610.<br />
Fahrig, L. (1998): When does fragmentation of breeding habitat affect population survival? - Ecol.<br />
Model. 105: 273-292.<br />
Fahrig, L. & Johnson, I. (1998): Effect of patch characteristics on ab<strong>und</strong>ance and diversity of insects<br />
in an agricultural landscape. - Ecosystems 1: 197-205.<br />
Fahrig, L. & Merriam, H. G. (1985): Habitat patch connectivity and population survival. - Ecology 66:<br />
1762-1768.<br />
Fahrig, L. & Paloheimo, J. (1988a): Determinants of local population size in patchy habitats. - Theor.<br />
Popul. Biol. 34: 194-213.<br />
Fahrig, L. & Paloheimo, J. (1988b): Effects of spatial arrangement of habitat patches on local<br />
population size. - Ecology 69: 468-475.<br />
Fartmann, T. (1997): Biozönologische Untersuchungen <strong>zur</strong> Heuschreckenfauna auf Magerrasen im<br />
Naturpark Märkische Schweiz (Ostbrandenburg). - In: Mattes, H. (ed.): Ökologische<br />
Untersuchungen <strong>zur</strong> Heuschreckenfauna in Brandenburg <strong>und</strong> Westfalen. - Münster: Verlag Natur<br />
<strong>und</strong> Wissenschaft; 1-62.<br />
Fielding, A. H. & Bell, J. F. (1997): A review of methods for the assessment of prediction errors in<br />
conservation presence-absence models. - Environ. Conserv. 24: 38-49.
186 7 Literaturverzeichnis<br />
Fielding, A. H. & Haworth, P. F. (1995): Testing the generality of bird-habitat models. - Conserv. Biol.<br />
9: 1466-1481.<br />
Fischer, M., Fuellhaas, U. & Huk, T. (1998): Laufkäferzönosen unterschiedlich anthropogen<br />
beeinflußter Feuchtgrünländer in vier Niedermooren Norddeutschlands. - Angew. Carabidol. 1:<br />
13-22.<br />
Fisher, R. A. (1936): The use of multiple measurements in taxonomic problems. - Ann. Eugen. 7: 179-<br />
188.<br />
Flade, M. (1995): Aufbereitung <strong>und</strong> Bewertung vogelk<strong>und</strong>licher Daten für die Landschaftsplanung<br />
unter besonderer Berücksichtigung des Leitartenmodells. - In: Riecken, U. & Schröder, E. (eds.):<br />
Biologische Daten für die Planung - Auswertung, Aufbereitung <strong>und</strong> Flächenbewertung. - Bonn -<br />
Bad Godesberg: B<strong>und</strong>esamt für <strong>Naturschutz</strong>; 107-146.<br />
Floyd, S. K. & Ranker, T. A. (1998): Analysis of a transition matrix model for Gaura neomexicana ssp.<br />
coloradensis (Onagraceae) reveals spatial and temporal demographic variability. - Int. J. Plant. Sci.<br />
159: 853-863.<br />
Forman, R. T. T. & Godron, M. (1986): Landscape ecology. 619 S.; New York, Chichester, Brisbane:<br />
John Wiley & Sons.<br />
Freeman, M. C., Bowen, Z. H. & Crance, J. H. (1997): Transferability of habitat suitability criteria for<br />
fishes in warmwater streams. - N. Am. J. Fish. Manage. 17: 20-31.<br />
Freemark, K. E. & Merriam, H. G. (1986): Importance of area and habitat heterogeneity to bird<br />
assemblages in temperate forest fragments. - Biol. Conserv. 31: 95-105.<br />
Fröhlich, C. (1994): Analyse der Habitatpräferenzen von Heuschrecken (Orthoptera: Saltatoria) in<br />
einem Mittelgebirgsraum unter Berücksichtigung regionaler Differenzierungen. - Articulata -<br />
Beihefte 4: 1-117.<br />
Gaines, M. S., Robinson, G. R., Diffendorfer, J. E., Holt, R. D. & Johnson, M. L. (1992): The effects<br />
of habitat fragmentation on small mammal populations. - In: McCullough, D. R. & Barrett, R. H.<br />
(eds.): Wildlife 2001: Populations, based on an international conference on population dynamics<br />
and management of vertebrates (exclusive of primates and fish) held at Oakland, California, USA,<br />
July 29 - 31, 1991. - London, New York: Elsevier Applied Science; 875-885.<br />
Gardner, R. H., Milne, B. T., Turner, M. G. & O'Neill, R. V. (1987): Neutral models for the analysis of<br />
broad-scale landscape pattern. - Landscape Ecol. 1: 19-28.<br />
Gardner, R. H., O'Neill, R. V., Turner, M. G. & Dale, V. H. (1989): Quantifying scale-dependent<br />
effects of animal movement with simple percolation models. - Landscape Ecol. 3: 217-227.<br />
Gardner, D. H., Dale, V. H., O'Neill, R. V. & Turner, M. G. (1992): A percolation model of ecological<br />
flows. - In: Hansen, A. J. & di Castri, F. (eds.): Landscape bo<strong>und</strong>aries: Consequences for biotic<br />
diversity and ecological flows. - New York: Springer-Verlag; 259-269.<br />
Gardner, R. H., O'Neill, R. V. & Turner, M. G. (1993): Ecological implications of landscape<br />
fragmentation. - In: McDonnell, M. J. & Pickett, S. T. A. (eds.): Humans as components of<br />
ecosystems - the ecology of subtle human effects and populated areas. - New York: Springer-<br />
Verlag; 208-226.<br />
Genard, M. & Lescourret, F. (1992): Modelling wetland habitats for species management: The case of<br />
teal (Anas crecca crecca) in the Basin d'Arcachon (French Atlantic Coast). - J. Environ. Manage. 34:<br />
179-195.<br />
Glozier, N. E., Culp, J. M. & Scrimgeour, G. J. (1997): Transferability of habitat suitability curves for a<br />
benthic minnow, Rhinichthys cataractae. - J. Freshw. Ecol. 12: 379-394.<br />
Golden, D. M. & Crist, T. O. (1999): Experimental effects of habitat fragmentation on old-field<br />
canopy insects: Community, guild and species responses. - Oecologia 118: 371-380.<br />
Gonzalez-Andujar, J. L. & Perry, J. N. (1993): Chaos, metapopulation and dispersal. - Ecol. Model. 65:<br />
255-263.<br />
Goodman, D. (1980): Demographic intervention for closely managed populations. - In: Soulè, M. E.<br />
& Wilcox, B. A. (eds.): Conservation Biology: An evolutionary-ecological perspective. -<br />
S<strong>und</strong>erland, Massachusetts: Sinauer; 171-195.<br />
Göttlich, K. H. (1990): Moor- <strong>und</strong> Torfk<strong>und</strong>e. 529 S.; Stuttgart: Schweizerbart'sche Verlagsbuchhandlung.<br />
Gould, F. & Stinner, R. E. (1984): Insects in heterogeneous habitats. - In: Huffaker, C. B. & Rabb, R.<br />
L. (eds.): Ecological entomology. - New York: Wiley; 427-449.<br />
Gould, S. J. & Elredge, N. (1977): Punctuated equilibria: The tempo and mode of evolution<br />
reconsidered. - Paleobiology 3: 115-151.
7 Literaturverzeichnis 187<br />
Green, R. H. (1971): A multivariate statistical approach to the Hutchinsonian niche: Bivalve moluscs<br />
of Central Canada. - Ecology 52: 543-556.<br />
Grein, G. (1995): Rote Liste der in Niedersachsen <strong>und</strong> Bremen gefährdeten Heuschrecken. - Inform.<br />
d. <strong>Naturschutz</strong> Nieders. 15: 17-36.<br />
Guckenheimer, J., Oster, G. & Ipaktchi, A. (1977): The dynamics of density-dependent population<br />
models. - J. Math. Biol. 4: 101-147.<br />
Gustafson, E. J. & Parker, G. R. (1992): Relationship between landcover proportion and indices of<br />
landscape spatial pattern. - Landscape Ecol. 7: 101-110.<br />
Gustafson, E. J. (1998): Quantifying landscape spatial pattern: What is the state of the art? -<br />
Ecosystems 1: 143-156.<br />
Gyllenberg, M., Gunnar, S. & Ericsson, S. (1993): Does migration stabilize population dynamics?<br />
Analysis of a discrete metapopulation model. - Mathematical Biosciences 118: 25-49.<br />
Gyllenberg, M., Osipov, A. V. & Söderbacka, G. (1996): Bifurcation analysis of a metapopulation<br />
model with sources and sinks. - J. Nonlinear Sci. 6: 329-366.<br />
Haines-Young, R. & Chopping, M. (1996): Quantifying landscape structure: A review of landscape<br />
indices and their application to forested landscapes. - Prog. Phys. Geogr. 20: 418-445.<br />
Hall, C. A. S. (1988): An assessment of several of the historically most influential theoretical models<br />
used in ecology and of the data provided in their support. - Ecol. Model. 43: 5-31.<br />
Halle, S. (1996): Metapopulationen <strong>und</strong> <strong>Naturschutz</strong>: Eine Übersicht. - Z. <strong>Ökologie</strong> u. <strong>Naturschutz</strong> 5:<br />
141-150.<br />
Halley, J. M., Comins, H. N., Lawton, J. H. & Hassell, M. P. (1994): Competition, succession and<br />
pattern in fungal communities: Towards a cellular automaton model. - Oikos 70: 435-442.<br />
Hanley, J. A. & McNeil, B. J. (1982): The meaning and use of the area <strong>und</strong>er a ROC curve. - Radiology<br />
143: 29-36.<br />
Hanley, J. A. & McNeil, B. J. (1983): A method of comparing the areas <strong>und</strong>er receiver operating<br />
characteristic curves derived from the same cases. - Radiology 148: 839-843.<br />
Hanski, I. (1983): Coexistence of competitors in patch environment. - Ecology 64: 493-500.<br />
Hanski, I. (1991): Single-species metapopulation dynamics: Concepts, models and observations. - Biol.<br />
J. Linn. Soc. 42: 17-38.<br />
Hanski, I. A. & Gilpin, M. E. (1997): Metapopulation biology: ecology, genetics, and evolution. 512 S.;<br />
San Diego, Calif.: Academic Press.<br />
Hanski, I. (1999): Metapopulation ecology. 313 S.; Oxford: Oxford Univ. Press.<br />
Hanski, I., Pakkala, T., Kuussaari, M. & Lei, G. (1995): Metapopulation persistence of an endangered<br />
butterfly in a fragmented landscape. - Oikos 72: 21-28.<br />
Hansson, L. (1991): Dispersal and connectivity in metapopulations. - Biol. J. Linn. Soc. 42: 89-103.<br />
Hansson, L. & Angelstam, P. (1991): Landscape ecology as a theoretical basis for nature conservation.<br />
- Landscape Ecol. 5: 191-201.<br />
Hansson, L., Fahrig, L. & Merriam, G. (1995): Mosaic landscapes and ecological processes. 356 S.;<br />
London: Chapman & Hall.<br />
Hargis, C. D., Bissonette, J. A. & David, J. L. (1998): The behavior of landscape metrics commonly<br />
used in the study of habitat fragmentation. - Landscape Ecol. 13: 167-186.<br />
Harrell, F. E., Jr., Lee, K. L. & Mark, D. B. (1996): Multivariable prognostic models: Issues in<br />
developing models, evaluating assumptions and adequacy, and measuring and reducing errors. -<br />
Statist. Med. 15: 361-388.<br />
Harrison, S. (1991): Local extinction in a metapopulation context: An empirical evaluation. - Biol. J.<br />
Linn. Soc. 42: 73-88.<br />
Harrison, S. & Quinn, J. F. (1989): Correlated environments and the persistence of metapopulations. -<br />
Oikos 56: 293-298.<br />
Hartway, C., Ruckelshaus, M. & Kareiva, P. (1998): The challange of applying spatially explicit models<br />
to a world of sparse and messy data. - In: Bascompte, J. & Solé, R. V. (eds.): Modeling<br />
spatiotemporal dynamics in ecology. - Berlin: Springer; 215-224.<br />
Harz, K. (1957): Die Geradflügler Mitteleuropas. 494 S.; Jena: Gustav Fischer Verlag.<br />
Hassell, M. P., Lawton, J. H. & May, R. M. (1976): Patterns of dynamical behavior in single-species<br />
populations. - J. Anim. Ecol. 45: 471-486.
188 7 Literaturverzeichnis<br />
Hassell, M. P., Comins, H. N. & May, R. M. (1991): Spatial structure and chaos in insect population<br />
dynamics. - Nature 353: 255-258.<br />
Hastings, A. (1991): Structured models of metapopulation dynamics. - Biol. J. Linn Soc. 42: 57-71.<br />
Hastings, A. (1992): Age-dependent dispersal is not a simple process: Density dependence, stability<br />
and chaos. - Theor. Popul. Biol. 41: 388-400.<br />
Hastings, A. (1993): Complex interactions between dispersal and dynamics: Lessons from coupled<br />
logistic equations. - Ecology 74: 1362-1372.<br />
Hastings, A. (1998): Transients in spatial ecological models. - In: Bascompte, J. & Solé, R. V. (eds.):<br />
Modeling spatiotemporal dynamics in ecology. - Berlin: Springer; 189-198.<br />
Hastings, A. & Higgins, K. (1994): Persistence of transients in spatially structured ecological models. -<br />
Science 263: 1133-1135.<br />
Haupt, H. (1995): Zum Eiablageverhalten der Kurzflügeligen Schwertschrecke (Conocephalus dorsalis<br />
Latreille, 1804). - Articulata 10: 97-100.<br />
Heifetz, Y. & Applebaum, S. W. (1995): Density-dependent physiological phase in non-migratory<br />
grasshopper Aiolopus thalassinus. - Ent. exp. appl. 77: 251-262.<br />
Helfert, B. (1980): Die regulative Wirkung von Photoperiode <strong>und</strong> Temperatur auf den Lebenszyklus<br />
ökologisch unterschiedlicher Tettigoniiden-Arten (Orthoptera, Saltatoria). 1. Teil:<br />
Larvalentwicklung, Reproduktion <strong>und</strong> Lebensdauer der Parentalgeneration. - Zool. Jb. Syst. 107:<br />
159-182.<br />
Helms, D. (1996): Entwicklung von Habitateignungsmodellen für Conocephalus dorsalis (Orthoptera:<br />
Tettigoniidae). - Diplomarbeit (unveröff.); 100 S.; TU Braunschweig.<br />
Helms, D. (1997): Entwicklung eines Habitateignungsmodells für Conocephalus dorsalis (Orthoptera:<br />
Tettigoniidae). - Verh. Ges. Ökol. 27: 213-218.<br />
Henein, K. & Merriam, G. (1990): The elements of connectivity where corridor quality is variable. -<br />
Landscape Ecol. 4: 157-170.<br />
Herr, A. M. & Queen, L. P. (1993): Crane habitat evaluation using GIS and remote sensing. - Photogr.<br />
E. R. 59: 1531-1538.<br />
Hess, G. R. (1996): Linking extinction to connectivity and habitat destruction in metapopulation<br />
models. - Am. Nat. 148: 226-236.<br />
Heusinger, G. (1988): Heuschreckenschutz im Rahmen des Bayerischen Arten - <strong>und</strong><br />
Biotopschutzprogramms - Erläuterungen am Beispiel des Landkreises Weißenburg-<br />
Gunzenhausen. - Schr. R. Bayer. Landesamt für Umweltschutz 83: 7-31.<br />
Heydenreich, M. (1995): Die Heuschreckengemeinschaften der Untersuchungsflächen im Drömling. -<br />
Z. Kulturtech. Landentwicklung 36: 181-182.<br />
Heydenreich, M. (1998): Die Bedeutung der Heuschreckenart Stethophyma grossum L., 1758 (Caelifera:<br />
Acrididae) als Bestandteil eines Zielartensystems für das Management von Niedermooren. -<br />
Dissertation; 123 S.; TU Braunschweig.<br />
Higgins, K., Hastings, A. & Botsford, L. W. (1997): Density dependence and age structure: Nonlinear<br />
dynamics and population behavior. - Am. Nat. 149: 247-269.<br />
Hinch, S. G., Somers, K. M. & Collins, N. C. (1994): Spatial autocorrelation and assessment of<br />
habitat-ab<strong>und</strong>ance relationships in littoral zone fish. - Can. J. Fish. Aquat. Sci. 51: 701-712.<br />
Hitchcock, C. L. & Gratto-Trevor, C. (1997): Diagnosing a shorebird local population decline with a<br />
stage-structured population model. - Ecology 78: 522-534.<br />
Hobbs, N. T. & Hanley, T. A. (1990): Habitat evaluation: Do use/availability data reflect carrying<br />
capacity? - J. Wildl. Manage. 54: 515-522.<br />
Holling, C. S. (1966): The strategy of building models of complex ecological systems. - In: Watt, K. E.<br />
F. (ed.): Systems analysis in ecology. - New York: Academic press; 276.<br />
Horvitz, C. C. & Schemske, D. W. (1995): Spatiotemporal variation in demographic transitions of a<br />
tropical <strong>und</strong>erstoy herb: Projection matrix analysis. - Ecol. Monogr. 65: 155-192.<br />
Hosmer, D. W. & Lemeshow, S. (1989): Applied logistic regression. 307 S.; New York: Wiley.<br />
Hovestadt, T., Roeser, J. & Mühlenberg, M. (1994): Flächenbedarf von Tierpopulationen. 279 S.;<br />
Jülich: Forschungszentrum Jülich.<br />
Huffaker, C. B., Berryman, A. & Turchin, P. (1999): Dynamics and regulation of insect populations. -<br />
In: Huffaker, C. B. & Gutierrez, A. P. (eds.): Ecological entomology. - New York: John Wiley &<br />
Sons; 269-312.
7 Literaturverzeichnis 189<br />
Hughes, N. F. (1998): A model of habitat selection by drift-feeding stream salmonids at different<br />
scales. - Ecology 79: 281-294.<br />
Hughes, T. P. & Connell, J. H. (1987): Population dynamics based on size or age? A reef coral<br />
analysis. - Am. Nat. 129: 818-829.<br />
Huk, T. (1997): Laufkäfer als Zielarten für ein <strong>Naturschutz</strong>management von Niedermooren. - Verh.<br />
Ges. Ökol. 27: 207-212.<br />
Hurley, J. F. (1986): Summary: Development, testing, and application of wildlife-habitat models - the<br />
manager's viewpoint. - In: Verner, J., Morrison, M. L. & Ralph, C. J. (eds.): Wildlife 2000 : Modeling<br />
habitat relationships of terrestrial vertebrates. Based on an international symposium held at<br />
Stanford Sierra Camp, Fallen Leaf Lake, Calif., 7 - 11 October 1984. - Madison, Wisconsin:<br />
University of Wisconsin Press; 151-153.<br />
Hutchinson, G. E. (1958): Concluding remarks. - Cold Spring Harbor Symp. Quant. Biol. 22: 415-427.<br />
Ims, R. A. (1995): Movement patterns related to spatial structures. - In: Hansson, L., Fahrig, L. & Merriam,<br />
G. (eds.): Mosaic landscapes and ecological processes. - London: Chapman & Hall; 85-109.<br />
Ingrisch, S. (1976): Vergleichende Untersuchungen zum Nahrungsmittelspektrum mitteleuropäischer<br />
Laubheuschrecken (Saltatoria:Tettigoniidae). - Ent. Zeitschr. 86 217-224.<br />
Ingrisch, S. (1978a): Labor- <strong>und</strong> Freilanduntersuchungen <strong>zur</strong> Dauer der postembryonalen Entwicklung<br />
einiger mitteleuropäischer Laubheuschrecken (Orthoptera: Tettigoniidae) <strong>und</strong> ihre Beeinflussung<br />
durch Temperatur <strong>und</strong> Feuchte. - Zool. Anz. Jena 200: 309-320.<br />
Ingrisch, S. (1978b): Zum Verhalten mitteleuropäischer Laubheuschrecken (Orthoptera: Tettigoniidae)<br />
in Temperatur- <strong>und</strong> Feuchtegradienten sowie gegenüber visuellen Reizen. - Dtsch. Entomol. Z.<br />
25: 349-360.<br />
Ingrisch, S. (1979): Experimentell-ökologische Freilanduntersuchungen <strong>zur</strong> Monotopbindung der<br />
Laubheuschrecken (Orthoptera, Tettigoniidae) im Vogelsberg. - Beitr. Naturkde, Osthess. 15: 33-95.<br />
Ingrisch, S. (1980): Zur Feuchte-Präferenz von Feldheuschrecken <strong>und</strong> ihren Larven (Insecta: Acrididae).<br />
- Verh. Ges. Ökol. 8: 403-409.<br />
Ingrisch, S. & Köhler, G. (1998): Die Heuschrecken Mitteleuropas. 460 S.; Magdeburg: Westarp<br />
Wissenschaften.<br />
Jeffers, J. N. R. (1978): An introduction to systems analysis: With ecological applications. 198 S.;<br />
London: Edward Arnold.<br />
Jeltsch, F., Milton, S. J., Dean, W. R. J., van Rooyen, N. & Moloney, K. A. (1998): Modelling the impact<br />
of small-scale heterogeneities on tree-grass coexistence semi-arid savannas. - J. Ecol. 86: 780-793.<br />
Jeschke, G. & Fröbe, H. (1994): Ausbreitung <strong>und</strong> Überleben von kleinen Populationen in fragmentierten<br />
Habitaten. - Z. <strong>Ökologie</strong> <strong>und</strong> <strong>Naturschutz</strong> 3: 179-188.<br />
Joern, A. & Gaines, S. B. (1990): Population dynamics and regulation in grasshoppers. - In: Chapman,<br />
R. F. & Joern, A. (eds.): Biology of grasshoppers. - New York: John Wiley & Sons; 415-482.<br />
Johnson, A. R., Wiens, J. A., B.T., M. & T.O., C. (1992): Animal movements and population dynamics<br />
in heterogeneous landscapes. - Landscape Ecol. 7: 63-75.<br />
Johnson, D. H. (1981): The use and misuse of statistics in wildlife studies. - In: Capen, D. E. (ed.): The<br />
use of multivariate statistics in studies of wildlife habitat. - Fort Collins, Colo.: U.S. Dept. of<br />
Agriculture, Forest Service, Rocky Mountain Forest and Range Experiment Station; 11-19.<br />
Johst, K. & Brandl, R. (1997): The effect of dispersal on local population dynamics. - Ecol. Model.<br />
104: 87-101.<br />
Jongman, R. H. G., Ter Braak, C. J. F. & Tongeren, O. F. R. v. (1995): Data analysis in community<br />
and landscape ecology. 299 S.; Cambridge: Cambridge University Press.<br />
Jørgensen, S. E. (1994): F<strong>und</strong>amentals of ecological modelling. 628 S.; Amsterdam: Elsevier.<br />
Kaltenbach, A. (1963): Milieufeuchtigkeit, Standortsbeziehungen <strong>und</strong> ökologische Valenz bei Orthopteren<br />
im pannonischen Raum Österreichs. - Sitzungsber. österr. Akad. Wiss (I) 72-119.<br />
Kaneko, K. (1989): Spatiotemporal chaos in one- and two-dimensional coupled map lattices. - Physica<br />
D 37: 60-82.<br />
Kaneko, K. (1998): Diversity, stability, and metadynamics: Remarks from coupled map studies. - In: Bascompte,<br />
J. & Solé, R. V. (eds.): Modeling spatiotemporal dynamics in ecology. - Berlin: Springer; 27-46.<br />
Kappler, O. (1997): Kopplung geographischer Informationssysteme (GIS) mit ökologischen <strong>Modelle</strong>n<br />
für das <strong>Naturschutz</strong>management. - In: Suhling, F. & Kratz, R. (eds.): GIS im <strong>Naturschutz</strong>: Forschung,<br />
Planung, Praxis. - Magdeburg: Westarp Wiss.; 77-94.
190 7 Literaturverzeichnis<br />
Kareiva, P. M. (1983): Local movements in herbivorous insects: Applying a passive diffusion model to<br />
mark-recapture field experiments. - Oecologia 57: 322-327.<br />
Kareiva, P. M. (1990): Population dynamics in spatially complex environments: Theory and data. -<br />
Phil. Trans. R. Soc. Lond. B 330: 175-190.<br />
Kareiva, P. M. & Wennergren (1995): Connecting landscape patterns to ecosystem and population<br />
processes. - Nature 373: 299-302.<br />
Karr, J. R. & Martin, T. E. (1981): Random numbers and principal components: Further searches for<br />
the unicorn? - In: Capen, D. E. (ed.): The use of multivariate statistics in studies of wildlife habitat.<br />
- Fort Collins, Colo.: U.S. Dept. of Agriculture, Forest Service, Rocky Mountain Forest and Range<br />
Experiment Station; 20-24.<br />
Kaule, G. (1991): Arten- <strong>und</strong> Biotopschutz. 519 S.; Stuttgart: Verlag Eugen Ulmer.<br />
Keifitz, N. (1972): On future population. - J. Am. Statist. Assoc. 67: 347-363.<br />
Keitt, T. H., Urbam, D. L. & Milne, B. T. (1997): Detecting critical scales in fragmented landscapes. -<br />
Cons. Ecol. [online] 1: http://www.consecol.org/vol1/iss1/art4.<br />
Kemp, W. P. & Dennis, B. (1993): Density dependence in rangeland grasshoppers (Orthoptera: Acrididae).<br />
- Oecologia 96: 1-8.<br />
Kennedy, J. S. (1956): Phase transformation in locust biology. - Biol. Rev. 31: 349-370.<br />
Kiemstedt, H. (1991): Leitlinien <strong>und</strong> Qualitätsziele für <strong>Naturschutz</strong> <strong>und</strong> Landschaftspflege. - In:<br />
Henle, K. & Kaule, G. (eds.): Arten- <strong>und</strong> Biotopschutzforschung für Deutschland. - Jülich:<br />
Forschungszentrum Jülich GmbH; 347-353.<br />
Kindvall, O. (1995): The impact of extreme weather on habitat preference and survival in a<br />
metapopulation of the bush cricket Metrioptera bicolor in Sweden. - Biol. Conserv. 73: 51-58.<br />
Kindvall, O., Vessby, K., Berggren, A. & Hartman, G. (1998): Individual mobility prevents an Allee<br />
effect in sparse populations of the bush cricket Metrioptera roeseli: An experimental study. - Oikos<br />
81: 449-457.<br />
Kleinert, H. (1991): Heuschrecken als Bioindikatoren ? - Articulata 6: 149-153.<br />
Kleinert, H. (1992): Entwicklung eines Biotopbewertungskonzeptes am Beispiel der Saltatoria<br />
(Orthoptera). – Articulata Beiheft 1: 1-117.<br />
Kleyer, M., Kratz, R., Lutze, G. & Schröder, B. (1999/2000): Habitatmodelle für Tierarten: Entwicklung,<br />
Methoden <strong>und</strong> Perspektiven für die Anwendung. - Z. <strong>Ökologie</strong> u. <strong>Naturschutz</strong> 8: 177-194.<br />
Koenig, W. D. (1999): Spatial autocorrelation of ecological phenomena. - Trends Ecol. Evol. 14: 22-26.<br />
Köhler, G. (1988): Persistenz <strong>und</strong> Genese von Heuschrecken-Assoziationen (Orthoptera: Acrididae)<br />
in zentraleuropäischen Rasenökosystemen. - Zool. Jb. Syst. 115: 303-327.<br />
Köhler, G. (1989): Zur Phänologie, Ab<strong>und</strong>anzdynamik <strong>und</strong> Biotopbindung rasenbewohnender Laubeuschrecken<br />
(Saltatoria: Tettigoniidae). - Wiss. Ztschr. FSU Jena Naturwiss. R. 38: 543-561.<br />
Köhler, G. (1990): Biogeographisch-ökologische Hintergründe der Faunenveränderung bei Heuchrecken<br />
(Saltatoria). - Articulata 5: 3-22.<br />
Kolshorn, P. & Greven, H. (1995): Die Heuschreckenfauna auf Grünland- <strong>und</strong> Heideflächen des<br />
<strong>Naturschutz</strong>gebietes „Lüsekamp <strong>und</strong> Boschbeek“ (Kreis Viersen, NRW) <strong>und</strong> ihre Beeinflussung<br />
durch Nutzung <strong>und</strong> Pflegemaßnahmen. - Articulata 10: 141-159.<br />
Kotliar, N. B. & Wiens, J. A. (1990): Multiple scales of patchiness and patch structure: A hierarchical<br />
framework for the study of heterogeneity. - Oikos 59: 253-260.<br />
Kratochwil, A. (1989): Gr<strong>und</strong>sätzliche Überlegungen zu einer Roten Liste von Biotopen. - Schr.-R.<br />
Landschaftspfl. <strong>und</strong> <strong>Naturschutz</strong> 29: 136-150.<br />
Kratz, R. (1992): Ökologische Untersuchungen am Grabensystem des Drömlings <strong>zur</strong> Eignung der<br />
Schwimmkäfer (Coleoptera: Dyctiscidae) als Indikator- <strong>und</strong> Zielartengruppe für die Bewertung<br />
von Feuchtgebieten <strong>und</strong> dort durchgeführten biotopverbessernden Maßnahmen. - Dissertation;<br />
201 S.; TU Braunschweig.<br />
Kratz, R., Söndgerath, D., Heydenreich, M. & Schmalstieg, K.-J. (1994): A habitat suitability model for<br />
grasshoppers in fen meadowland. - EURECO 1995 - 7th European Ecological Congress, Budapest;<br />
141.<br />
Krause, P. & Clark, D. (1993): Representing uncertain knowledge - an artificial intelligence approach.<br />
277 S.; Dordrecht, Boston, London: Kluwer Academic Publishers.<br />
Kretschmer, H. (1995): Ökologisches Entwicklungskonzept Oberes Rhinluch.- <strong>Zwischen</strong>bericht<br />
BMBF-Verb<strong>und</strong>projekt „Ökosystemmanagement für Niedermoore“ (unveröff.), Müncheberg,
7 Literaturverzeichnis 191<br />
Berlin: Zentrum für Agrarlandschafts- <strong>und</strong> Landnutzungsforschung (ZALF) e.V. - Institut für<br />
Landnutzungssysteme <strong>und</strong> Landschaftsökologie; Humboldt-Universität zu Berlin - Fakultät für<br />
Landwirtschaft <strong>und</strong> Gartenbau, Institut für Gr<strong>und</strong>lagen der Pflanzenbauwissenschaften.<br />
Kriegbaum, H. (1988): Untersuchungen <strong>zur</strong> „Lebensgeschichte“ von Feldheuschrecken (Acrididae,<br />
Gomphocerinae): Fortpflanzungsstrategie <strong>und</strong> akustisches Verhalten im natürlichen Habitat. -<br />
Dissertation; 98 S.; Friedrich-Alexander-Universität.<br />
Kuhn, W. (1996): Quantifizierung der Isolation von Lebensräumen in fragmentierten Landschaften. -<br />
FIFB - Statusseminar, Jena; Poster.<br />
Kuhn, W. (1998): Flächendeckende Analyse ausgewählter ökologischer Parameter : Bewertung von<br />
Habitateignung <strong>und</strong> -isolation für zwei wirbellose Tierarten mit Hilfe eines geographischen Informationssystems.<br />
270 S.; Frankfurt am Main: Peter Lang.<br />
Kuntze, H. (1995): Ökosystemmanagement von Niedermooren - eine Einführung. - Z. Kulturtech.<br />
Landentwicklung 36: 99-101.<br />
Lacy, R. C. & Lindenmayer, D. B. (1995): A simulation study of the impacts of population subdivision<br />
on the mountain brushtail possum Trichosurus caninus Ogilby (Phalangeridae: Marsupialia) in South-<br />
Eastern Australia. II. Loss of genetic variation within and between subpopulations. - Biol.<br />
Conserv. 73: 131-142.<br />
Lamouroux, N., Capra, H. & Pouilly, M. (1998): Predicting habitat suitability for lotic fish: Linking<br />
statistical hydraulic models with multivariate habitat use models. - Regul. Riv. 14: 1-12.<br />
Lancia, R. A., Miller, S. D., Adams, D. A. & Hazel, D. W. (1982): Validating habitat quality assessment:<br />
An example. - Trans. North Am. Wildl. Nat. Resour. Conf. 47: 96-110.<br />
Langmaack, M. & Wilken, G. (1995): Microhabitat choice and coexistence of sympatric grasshopper<br />
species on fen grassland in Northern Germany. - Z. Kulturtech. Landentwicklung 36: 188-190.<br />
Launer, A. E. & Murphy, D. D. (1994): Umbrella species and the conservation of habitat fragments: A<br />
case of threatened butterfly and vanishing grassland ecosystems. - Biol. Conserv. 69: 145-153.<br />
Laurance, W. F. (1997): A distributional survey and habitat model for the endangered northern<br />
bettong Bettongia tropica in tropical Queensland. - Biol. Conserv. 82: 47-60.<br />
Lavers, C. & Haines-Young, R. (1997): The use of satellite imagery to estimate Dunlin Calidris alpina<br />
ab<strong>und</strong>ance in Caithness and Sutherland and in the Shetland Islands. - Bird study 44: 220-226.<br />
Law, R. & Edley, M. T. (1990): Transient dynamics of populations with age- and size-dependent vital<br />
rates. - Ecology 71: 1863-1870.<br />
Leberg, P. L. (1991): Influence of fragmentation and bottlenecks on genetic divergence of wild turkey<br />
populations. - Conserv. Biol. 5: 522-530.<br />
Lee, H. L. & DeAngelis, D. L. (1997): A simulation study of the spatio-temporal dynamics of the<br />
unionid mussels. - Ecol. Model. 95: 171-180.<br />
Lefkovitch, L. P. (1965): The study of population growth in organisms grouped by stages. - Biometrics<br />
21: 1-18.<br />
Leftwich, K. N., Angermeier, P. L. & Dolloff, C. A. (1997): Factors influencing behavior and transferability<br />
of habitat models for a benthic stream fish. - Trans. Am. Fish. Soc. 126: 725-734.<br />
Legendre, P. (1993): Spatial autocorrelation: Trouble or new paradigm? - Ecology 74: 1659-1673.<br />
Legendre, P. & Fortin, M.-J. (1989): Spatial pattern and ecological analysis. - Vegetatio 80: 107-138.<br />
Leonard, P. M. & Orth, D. J. (1988): Use of habitat guilds to determine instream flow requirements. -<br />
N. Am. J. Fish. Manage. 8: 399-409.<br />
Leslie, P. H. (1945): On the use of matrices in certain population mathematics. - Biometrika 33: 183-212.<br />
Leslie, P. H. (1948): Some further notes on the use of matrices in population mathematics. - Biometrika<br />
35: 213-245.<br />
Letcher, B. H., Priddy, J. A., Walters, J. R. & Crowder, L. B. (1998): An individual-based, spatiallyexplicit<br />
simulation model of the population dynamics of the endangered red-cockaded woodpecker,<br />
Picoides borealis. - Biol. Conserv. 86: 1-14.<br />
Levin, S. A. & Goodyear, C. P. (1980): Analysis of an age-structured fishery model. - J. Math. Biol. 9:<br />
245-274.<br />
Levins, R. (1969): Some demographic and genetic consequences of environmental heterogeneity for<br />
biological control. - Bull. Entomol. Soc. Amer. 15: 237-240.<br />
Lewis, E. G. (1942): On the generation and growth of a population. - Sankhya 6: 93-96.<br />
Li, T.-Y. & Yorke, J. A. (1975): Period three implies chaos. - Am. Math. Monthly 82: 985-992.
192 7 Literaturverzeichnis<br />
Li, W., Wang, Z., Ma, Z. & Tang, H. (1997): A regression model for the spatial distribution of redcrown<br />
crane in Yancheng Biosphere Reserve, China. - Ecol. Model. 103: 115-121.<br />
Lindenmayer, D. B. & Lacy, R. C. (1995a): Metapopulation viability of arboreal marsupials in fragmented<br />
old-growth forests: Comparison among species. - Ecol. Appl. 5: 183-199.<br />
Lindenmayer, D. B. & Lacy, R. C. (1995b): A simulation study of the impacts of population subdivision<br />
on the mountain brushtail possum Trichosurus caninus Ogilby (Phalangeridae: Marsupialia) in South-<br />
Eastern Australia. I. Demographic Stability and Population Persistence. - Biol. Conserv. 73: 119-129.<br />
Lindenmayer, D. B. & Possingham, H. P. (1995): Modelling the viability of metapopulations of the<br />
endangered leadbeater's possum in South-Eastern Australia. – Biodivers. Conserv. 4: 984-1018.<br />
Lindenmayer, D. B. & Possingham, H. P. (1996a): Modelling the inter-relationships between habitat<br />
patchiness, dispersal capability and metapopulations persistence of the endangerd species, leadbeater's<br />
possum, in South-Eastern Australia. - Landscape Ecol. 11: 79-106.<br />
Lindenmayer, D. B. & Possingham, H. P. (1996b): Ranking conservation and timber management<br />
options for leadbeater's possum in South-Eastern Australia using population viability analysis. -<br />
Conserv. Biol. 10: 235-251.<br />
Lindenmayer, D. B., Cunningham, R. B., Tanton, M. T. & Smith, A. P. (1990): The conservation of<br />
arboreal marsupials in the montane ash forests of the central highlands of Victoria, South East<br />
Australia: II. The loss of trees with hollows and its implication for the conservation of leadbeater's<br />
possum Gymnobelideus leadbeateri McCoy (Marsupialia: Petauridae). - Biol. Conserv. 54: 133-145.<br />
Lindenmayer, D. B., Cunningham, R. B., Tanton, M. T., Nix, H. A. & Smith, A. P. (1991): The conservation<br />
of arboreal marsupials in the montane ash forests of the central highlands of Victoria,<br />
South East Australia: III. The habitat requirements of leadbeater's possum Gymnobelideus leadbeateri<br />
and models of the diversity and ab<strong>und</strong>ance of arboreal marsupials. - Biol. Conserv. 56: 295-315.<br />
Lindenmayer, D. B., Cunningham, R. B. & Donnelly, C. F. (1993): The conservation of arboreal marsupials<br />
in the montane ash forests of the central highlands of Victoria, South East Australia: IV.<br />
The presence and ab<strong>und</strong>ance of arboreal marsupials in retained linear habitats (wildlife corridors)<br />
within logged forest. - Biol. Conserv. 66: 207-221.<br />
Lindenmayer, D. B., Burgman, M. A., Akçakaya, H. R., Lacy, R. C. & Possingham, H. P. (1995): A review<br />
of the generic computer programs ALEX, RAMAS/space and VORTEX for modelling the<br />
viability of wildlife metapopulations. - Ecol. Model. 82: 161-174.<br />
Lindenmayer, D. B., Cunningham, R. B. & McCarthy, M. A. (1999): The conservation of arboreal<br />
marsupials in the montane ash forests of the central highlands of Victoria, South East Australia:<br />
VIII. Landscape analysis of the occurrence of arboreal marsupials. - Biol. Conserv. 89: 83-92.<br />
Liu, J., Dunning, J. B., Jr . & Pulliam, H. R. (1995): Potential effects of a forest management plan on<br />
bachman's sparrows (Aimophila aestivalis): Linking a spatially explicit model with GIS. - Conserv.<br />
Biol. 9: 62-75.<br />
Lockwood, D. R. & Lockwood, J. A. (1989): Application of catastrophe theory to population dynamics<br />
of rangeland grasshoppers. - In: McDonald, L. L., Manly, B. F. J., Lockwood, J. A. & Logan,<br />
J. A. (eds.): Estimation and analysis of insect populations. - Berlin: Springer-Verlag; 268-277.<br />
Longstaff, B. C. (1977): The dynamics of collembolan populations: A matrix model of single species<br />
population growth. - Can. J. Zool. 55: 314-324.<br />
Lorz, P. & Clausnitzer, H.-J. (1988): Verbreitung <strong>und</strong> <strong>Ökologie</strong> von Sumpfschrecke (Mecostethus grossus<br />
L.) <strong>und</strong> Sumpfgrashüpfer (Chorthippus montanus Charp.) im Landkreis Celle. - Beitr. Naturk.<br />
Niedersachsens 41: 91-98.<br />
MacArthur, R. H. & Wilson, E. O. (1967): The theory of island biogeography. 203 S.; Princeton, NJ.:<br />
Princeton Univ. Press.<br />
Mader, H. J., Schell, C. & Kornacker, P. (1990): Linear barriers to arthropod movements in the landscape.<br />
- Biol. Conserv. 54: 209-222.<br />
Maguire, L. A. (1991): Risk analysis for conservation biologists. - Conserv. Biol. 5: 123-125.<br />
Malkus, J., Reich, M. & Plachter, H. (1996): Ausbreitungsdynamik <strong>und</strong> Habitatwahl von Mecostethus<br />
grossus (L., 1758) (Orthoptera, Acrididae). - Verh. Ges. Ökol. 26: 253-258.<br />
Mankin, J. B., O'Neill, R. V., Shugart, H. H. & Rust, B. W. (1977): The importance of validation in ecosystem<br />
analysis. - In: Innis, G. S. (ed.): New directions in the analysis of ecological systems. - La<br />
Jolla, Calif.: 63-71.<br />
Manly, B. F. J. (1989): A review of methods for key factor analysis. - In: McDonald, L. L., Manly, B. F.<br />
J., Lockwood, J. A. & Logan, J. A. (eds.): Estimation and analysis of insect populations. - Berlin:<br />
Springer-Verlag; 169-189.
7 Literaturverzeichnis 193<br />
Manly, B. F. J. (1993): A review of computer intensive multivariate methods in ecology. - In: Patil, G.<br />
P. & Rao, C. R. (eds.): Multivariate environmental statistics. - Amsterdam: North-Holland Elsevier<br />
Science Publishers B.V.; 307-346.<br />
Manly, B. F. J., McDonald, L. L. & Thomas, D. L. (1993): Resource selection by animals - statistical<br />
design and analysis for field studies. 177 S.; London, Glasgow, New York: Chapman & Hall.<br />
Mantel, N. (1970): Why stepdown procedures in variable selection. - Technometrics 12: 621-625.<br />
Marcot, B. G. (1986): Summary: Biometric approaches to modeling - the manager's viewpoint. - In: Verner,<br />
J., Morrison, M. L. & Ralph, C. J. (eds.): Wildlife 2000: Modeling habitat relationships of terrestrial<br />
vertebrates. Based on an international symposium held at Stanford Sierra Camp, Fallen Leaf<br />
Lake, Calif., 7 - 11 October 1984. - Madison, Wisconsin: University of Wisconsin Press; 203-204.<br />
Marcot, B. G., Raphael, M. G. & Berry, K. H. (1983): Monitoring wildlife habitat and validation of<br />
wildlife-habitat relationships models. - Trans. North Am. Wildl. Nat. Resour. Conf. 48: 315-329.<br />
Marcot, B. G., Castellano, M. A., Christy, J. A., Croft, L. K., Lehmkuhl, J. F., Naney, R. H., Rosentreter,<br />
R. E., Sandquist, R. E. & Zieroth, E. (1997): Terrestrial ecology assessment. - In: Quigley, T.<br />
M., Arbelbide, S. J. & McCool, S. F. (eds.): An assessment of ecosystem components in the interior<br />
Columbia Basin and portions of the Klamath and Great Basins. - Portland, Oreg.: Pacific<br />
Northwest Research Station; 1497-1713.<br />
Margules, C. R., Nicholls, A. O. & Austin, M. P. (1987): Diversity of Eucalyptus species predicted by a<br />
multi-variable environment gradient. - Oecologia 71: 229-232.<br />
Marzelli, M. (1995): Habitatansprüche, Populationsdynamik <strong>und</strong> Ausbreitungsfähigkeit der Sumpfschrecke<br />
(Mecostethus grossus) auf einer Renaturierungsfläche. - Dissertation; 207 S.; Bayerische<br />
Julius-Maximilians-Universität.<br />
Massolo, A. & Meriggi, A. (1998): Factors affecting habitat occupancy by wolves in Northern<br />
Apennines (Northern Italy): A model of habitat suitability. - Ecography 21: 97-107.<br />
Mattes, H. (1997): Ökologische Untersuchungen <strong>zur</strong> Heuschreckenfauna in Brandenburg <strong>und</strong> Westfalen.<br />
188 S.; Münster: Verlag Natur <strong>und</strong> Wissenschaft.<br />
Maurer, B. A. (1986): Predicting habitat quality for grassland birds using density-habitat correlations. -<br />
J. Wildl. Manage. 50: 556-566.<br />
May, R. M. (1974): Biological populations with nonoverlapping generations: Stable points, stable<br />
cycles, and chaos. - Science 186: 645-647.<br />
May, R. M. (1980): Theoretische <strong>Ökologie</strong>. 284 S.; Weinheim: Verlag Chemie.<br />
May, R. M. (1981): Theoretical ecology : Principles and applications. 489 S.; Oxford: Blackwell.<br />
May, R. M. (1990): How many species? - Phil. Trans. R. Soc. Lond. B 330: 293-304.<br />
May, R. M. (1994): Spatial chaos and its role in ecology and evolution. - In: Levin, S. A. (ed.): Frontiers<br />
in mathematical biology. - Berlin, Heidelberg, New York: Springer-Verlag; 326-344.<br />
May, R. M. & Oster, G. F. (1976): Bifurcations and dynamic complexity in simple ecological models. -<br />
Am. Nat. 110: 573-599.<br />
Mayer, D. G. & Butler, D. G. (1993): Statistical validation. - Ecol. Model. 68: 21-32.<br />
Maynard Smith, J. (1974): Models in Ecology. 146 S.; Cambridge: Cambridge University Press.<br />
McCarthy, M. A., Lindenmayer, D. B. & Drechsler, M. (1997): Extinction debts and risks faced by<br />
ab<strong>und</strong>ant species. - Conserv. Biol. 11: 221-226.<br />
McCauley, D. E. (1995): Effects of population dynamics on genetics in mosaic landscapes. - In: Hansson,<br />
L., Fahrig, L. & Merriam, G. (eds.): Mosaic landscapes and ecological processes. - London:<br />
Chapman & Hall; 178-198.<br />
McCullagh, P. & Nelder, J. A. (1997): Generalized linear models. 511 S.; London: Chapman & Hall.<br />
McDonald, L. L. (1981): A discussion of robust procedures in multivariate analysis. - In: Capen, D. E.<br />
(ed.): The use of multivariate statistics in studies of wildlife habitat. - Fort Collins, Colo.: U.S. Dept.<br />
of Agriculture, Forest Service, Rocky Mountain Forest and Range Experiment Station; 242-244.<br />
McGarigal, K. & Marks, B. J. (1995): FRAGSTATS - Spatial pattern analysis program for quantifying<br />
landscape structure, Vers. 2.0.- General Technical Report, Pacific Northwest Station, Portland,<br />
Oreg.: USDA Forest Service.<br />
McGlade, J. M. (1999): Advanced ecological theory: Principles and applications. 353 S.; Oxford: Blackwell<br />
Science.<br />
McGregor, S. J. (1998): An integrated GIS approach for modeling the suitability of conifer habitat in<br />
an apline environment. - Geomorphology 21: 265-280.
194 7 Literaturverzeichnis<br />
McIntyre, N. E. & Wiens, J. A. (1999): Interactions between habitat ab<strong>und</strong>ance and configuration:<br />
Experimental validation of some predictions from percolation theory. - Oikos 86: 129-137.<br />
Meffe, G. K. & Carroll, C. R. (1994): Principles of conservation biology. 600 S.; S<strong>und</strong>erland, Massachusetts:<br />
Sinauer.<br />
Menges, E. S. (1990): Population viability analysis for an endangered plant. - Conserv. Biol. 4: 52-62.<br />
Merriam, G. (1984): Connectivity: A f<strong>und</strong>amental ecological characteristic of landscape pattern. - Proceedings<br />
of the first international seminar on methodology in landscape ecology research and<br />
planning, Roskilde; 5-15.<br />
Merriam, G. & Wegner, J. (1992): Local extinctions, habitat fragmentation, and ecotones. - In: Hansen,<br />
A. J. & di Castri, F. (eds.): Landscape bo<strong>und</strong>aries: Consequences for biotic diversity and ecological<br />
flows. - New York: Springer-Verlag; 150-169.<br />
Meyer-Cords, C. & Boye, P. (1999): Schlüssel-, Ziel, Charakterarten - Zur Klärung einiger Begriffe im<br />
<strong>Naturschutz</strong>. - Natur u. Landschaft 74: 99-101.<br />
Mladenoff, D. J. & Sickley, T. A. (1998): Assessing potential gray wolf restoration in the Northeastern<br />
United States: A spatial prediction of favorable habitat and potential population levels. - J. Wildl.<br />
Manage. 62: 1-10.<br />
Moen, R., Pastor, J. & Cohen, Y. (1997): A spatially explicit model of moose foraging and energetics. -<br />
Ecology 78: 505-521.<br />
Moilanen, A. & Hanski, I. (1998): Metapopulation dynamics: Effects of habitat quality and landscape<br />
structure. - Ecology 79: 2503-2515.<br />
Moilanen, A., Smith, A. T. & Hanski, I. (1998): Long-term dynamics in a metapopulation of the<br />
american pika. - Am. Nat. 152: 530-542.<br />
Morris, D. W. (1992): Scales and costs of habitat selection in heterogeneous landscapes. - Evol. Ecol.<br />
6: 412-432.<br />
Morris, D. W. (1995): Habitat selection in mosaic landcsapes. - In: Hansson, L., Fahrig, L. & Merriam,<br />
G. (eds.): Mosaic landscapes and ecological processes. - London: Chapman & Hall; 110-135.<br />
Morris, R. F. (1959): Single-factor analysis in population dynamics. - Ecology 40: 580-588.<br />
Morrison, M. L., Marcot, B. G. & Mannan, R. W. (1998): Wildlife-habitat relationships - concepts and<br />
applications. 435 S.; Madison, Wisconsin: The University of Wisconsin Press.<br />
Mühlenberg, M. (1993): Freilandökologie. 512 S.; Heidelberg, Wiesbaden: Quelle & Meyer.<br />
Mühlenberg, M. & Hovestadt, T. (1992): Das Zielartenkonzept. - NNA-Ber. 5: 36-41.<br />
Mühlenberg, M., Hovestadt, T. & Röser, J. (1991): Are there minimal areas for animal populations? -<br />
In: Seitz, A. & Loeschcke, V. (eds.): Species conservation: A population-biological approach. -<br />
Basel, Boston, Berlin: Birkhäuser Verlag; 227-264.<br />
Munholland, P. L., Kalbfleisch, J. D. & Dennis, B. (1989): A stochastic model for insect life history<br />
data. - In: McDonald, L. L., Manly, B. F. J., Lockwood, J. A. & Logan, J. A. (eds.): Estimation and<br />
analysis of insect populations. - Berlin: Springer-Verlag; 136-144.<br />
Murphy, D. D., Freas, K. E. & Weiss, S. B. (1990): An environment-metapopulation approach to<br />
population viability analysis for a threatened invertebrate. - Conserv. Biol. 4: 41-51.<br />
Nachman, G. (1987): Systems analysis of acarine predator prey interactions. II. The role of spatial<br />
processes and system's stability. - J. Anim. Ecol. 56: 267-281.<br />
Nadeau, S., Décarie, R., Lambert, D. & St-Georges, M. (1995): Nonlinear modeling of muskrat use of<br />
habitat. - J. Wildl. Manage. 58: 110-116.<br />
Nagelkerke, N. J. D. (1991): A note on general definition of the coefficient of determiniation. -<br />
Biometrika 78: 691-692.<br />
Nee, S. & May, R. M. (1992): Dynamics of metapopulations: Habitat destruction and competitive<br />
coexistence. - J. Anim. Ecol. 61: 37-40.<br />
Neter, J., Wasserman, W. & Kutner, M. H. (1989): Applied linear regression models. 667 S.; Burr<br />
Ridge, Boston, Sydney: Richard D. Irwin, Inc.<br />
Neu, C. W., Byers, C. R. & Peek, J. M. (1974): A technique for analysis of utilization-availability data. -<br />
J. Wildl. Manage. 38: 541-545.<br />
Nicholls, A. O. (1989): How to make biological surveys go further with generalised linear models. -<br />
Biol. Conserv. 50: 51-75.<br />
Nichols, J. D., Johnson, F. A. & Williams, B. K. (1995): Managing north american waterfowl in the<br />
face of uncertainty. - Ann. Rev. Ecol. Syst. 26: 177-200.
7 Literaturverzeichnis 195<br />
Noon, B. R. (1986): Summary: Biometric approaches to modeling - The researcher's viewpoint. - In:<br />
Verner, J., Morrison, M.L. & Ralph, C.J. (eds.): Wildlife 2000: Modeling habitat relationships of terrestrial<br />
vertebrates. Based on an int. symposium held at Stanford Sierra Camp, Fallen Leaf Lake,<br />
Calif., 7 - 11 October 1984. - Madison, Wisconsin: University of Wisconsin Press; 197-201.<br />
Norušis, M. J. (1997): SPSS Advanced Statistics TM 7.5. - 579 S.; Chicago: SPSS Inc.<br />
Nuernberger, B. (1996): Local dynamics and dispersal in a structured population of the whirligig beetle<br />
Dineutus assimilis. - Oecologia 106: 325-336.<br />
O'Neill, R. V., Krummerl, J. R., Gardner, R. H., Sugihara, G., Jackson, B., DeAngelis, D. L., Milne, B.<br />
T., Turner, M. G., Zygmunt, B., Christensen, S. W., Dale, V. H. & Graham, R. L. (1988a): Indices<br />
of landscape patterns. - Landscape Ecol. 1: 153-162.<br />
O'Neill, R. V., Milne, B. T., Turner, M. G. & Gardner, R. H. (1988b): Resource utilization scales and<br />
landscape pattern. - Landscape Ecol. 2: 63-69.<br />
Onstad, D. W. (1988): Population-dynamics theory: The roles of analytical, simulation, and supercomputer<br />
models. - Ecol. Model. 43: 111-124.<br />
Oppermann, R. (1987): Tierökologische Untersuchungen zum Biotopmanagement in Feuchtwiesen.<br />
Ergebnisse einer Feldstudie an Schmetterlingen <strong>und</strong> Heuschrecken im württembergischen Alpenvorland.<br />
- Natur u. Landschaft 62: 235-241.<br />
Orbach, R. (1986): Dynamics of fractal networks. - Science 231: 814-819.<br />
Oschmann, M. (1969): Faunistisch-ökologische Untersuchungen an Orthopteren im Raum von<br />
Gotha. - Hercynia 6: 115 - 168.<br />
Oschmann, M. (1973): Untersuchungen <strong>zur</strong> Biotopbindung von Orthopteren. - Faun. Abh. Staatl.<br />
Mus. Tierkde. Dresden 4: 176-201.<br />
Oschmann, M. (1993): Art-Unterschiede in der Phänologie der Heuschrecken (Saltatoria). - Articulata<br />
8: 35-43.<br />
Özesmi, U. & Mitsch, W. J. (1997): A spatial habitat model for the marsh-breeding red-winged<br />
blackbird (Agelaius phoeniceus L.) in coastal Lake Erie wetlands. - Ecol. Model. 101: 139-152.<br />
Parker, T. S. & Chua, L. O. (1992): Practical numerical algorithms for chaotic systems. 348 S.; New<br />
York: Springer.<br />
Pausas, J. G., Braithwaite, L. W. & Austin, M. P. (1995): Modelling habitat quality for arboreal marsupials<br />
in the South Coastal forests of New South Wales, Australia. - For. Ecol. Manage. 78: 39-50.<br />
Pearce, J. L., Burgman, M. A. & Franklin, D. C. (1994): Habitat selection by helmeted honeyeater. -<br />
Wildl. Res. 21: 53-63.<br />
Pearsall, S. H., Durham, D. & Eagar, D. C. (1986): Evaluation methods in the United States. - In:<br />
Usher, M. B. (ed.): Wildlife conservation evaluation. - London, New York: Chapman and Hall;<br />
111-133.<br />
Peeters, E. T. H. M. & Gardeniers, J. J. P. (1998): Logistic regression as a tool for defining habitat<br />
requirements of two common gammarids. - Freshw. Biol. 39: 605-615.<br />
Pennycuick, C. J., Compton, R. M. & Beckingham, L. (1968): A computer model for simulating the<br />
growth of a population or of two interacting populations. - J. Theor. Biol. 18: 316-329.<br />
Pereira, J. M. C. & Itami, R. M. (1991): GIS-based habitat modeling using logistic multiple regression:<br />
A study of the Mt. Graham red squirrel. - Photogrammetric Engineering & Remote Sensing 57:<br />
1475-1486.<br />
Pfadenhauer, J. (1995): „Ökosystemmanagement für Niedermoore“ - Ausblick auf die zweite Phase<br />
des Verb<strong>und</strong>vorhabens. - Z. Kulturtech. Landentwicklung 36: 132-137.<br />
Phipps, M. J. (1992): From local to global: The lesson of cellular automata. - In: DeAngelis, D. L. &<br />
Gross, L. J. (eds.): Individual-based models and approaches in ecology. - New York: Chapman &<br />
Hall; 165-187.<br />
Pickett, S. T. A. & White, P. S. (1985): The ecology of natural disturbance and patch dynamics. 472 S.;<br />
Orlando: Academic Press.<br />
Pirkl, A. & Riedel, B. (1991): Indikatoren <strong>und</strong> Zielartensysteme in der <strong>Naturschutz</strong>- <strong>und</strong> Landschaftsplanung.<br />
- In: Henle, K. & Kaule, G. (eds.): Arten- <strong>und</strong> Biotopschutzforschung für Deutschland. -<br />
Jülich: Forschungszentrum Jülich GmbH; 343-346.<br />
Plachter, H. (1989): Zur biologischen Schnellansprache <strong>und</strong> Bewertung von Gebieten. - Schr.-R.<br />
Landschaftspfl. <strong>und</strong> <strong>Naturschutz</strong> 29: 107-135.<br />
Poethke, H. J. & Wissel, C. (1994): Zur Bedeutung von Theorie <strong>und</strong> mathematischen <strong>Modelle</strong>n für<br />
den <strong>Naturschutz</strong>. - Z. <strong>Ökologie</strong> <strong>und</strong> <strong>Naturschutz</strong> 3: 131-138.
196 7 Literaturverzeichnis<br />
Poethke, H. J., Gottschalk, E. & Seitz, A. (1996): Gefährdungsgradanalyse einer räumlich strukturierten<br />
Population der Westlichen Beißschrecke (Platycleis albopunctata): Ein Beispiel für den Einsatz<br />
des Metapopulationskonzeptes im Artenschutz. - Z. <strong>Ökologie</strong> <strong>und</strong> <strong>Naturschutz</strong> 5: 229-242.<br />
Poff, N. L. & Nelson-Baker, K. (1997): Habitat heterogeneity and algal-grazer interactions in streams:<br />
Explorations with a spatially explicit model. - J. N. Am. Benthol. Soc. 16: 263-276.<br />
Possingham, H. P. & Davies, I. (1995): ALEX: A model for the viability analysis of spatially structured<br />
populations. - Biol. Conserv. 73: 143-150.<br />
Power, M. & Power, G. (1995): A modelling framework for analyzing anthropogenic stresses on<br />
brook trout (Salvelinus fontinalis) populations. - Ecol. Model. 80: 171-185.<br />
Power, M. (1993): The predictive validation of ecological and environmental models. - Ecol. Model.<br />
68: 33-50.<br />
Press, S. J. & Wilson, S. (1978): Choosing between logistic regression and discriminant analysis. - J.<br />
Am. Statist. Soc. 73: 699-705.<br />
Prosser, D. J. & Brooks, R. P. (1998): A verified habitat suitability index for the louisiana waterthrush.<br />
- J. Field Ornithol. 69: 288-298.<br />
Pulliam, H. R. (1988): Sources, sinks, and population regulation. - Am. Nat. 132: 652-661.<br />
Pulliam, H. R. & Danielson, B. J. (1991): Sources, sinks, and habitat selection: A landscape perspective<br />
on population dynamics. - Am. Nat. 137: 50-66.<br />
Pulliam, H. R. & Dunning, J. B., Jr. (1995): Spatially explicit population models. - Ecol. Appl. 5: 2.<br />
Pulliam, H. R., Dunning, J. B. & Liu, J. (1992): Population dynamics in complex landscapes: A case<br />
study. - Ecol. Appl. 2: 165-177.<br />
Pulliam, H. R., Liu, J., Dunning, J. B., Jr., Stewart, D. J. & Bishop, T. D. (1995): Modelling animal<br />
populations in changing landscapes. - Ibis 137: 120-126.<br />
Ranta, E., Kaitala, V. & Lindström, J. (1998): Spatial dynamics of populations. - In: Bascompte, J. &<br />
Solé, R. V. (eds.): Modeling spatiotemporal dynamics in ecology. - Berlin: Springer; 47-62.<br />
Ranta, E., Kaitala, V. & L<strong>und</strong>berg, P. (1999): Synchronicity in population systems: cause and consequence<br />
mixed. - Trends Ecol. Evol. 14: 400-401.<br />
Raphael, M. G. & Marcot, B. G. (1986): Validation of a wildlife-habitat relationships model: Vertebrates<br />
in a Douglas-fir sere. - In: Verner, J., Morrison, M.L. & Ralph, C.J. (eds.): Wildlife 2000:<br />
Modeling habitat relationships of terrestrial vertebrates. Based on an international symposium held<br />
at Stanford Sierra Camp, Fallen Leaf Lake, Calif., 7 - 11 October 1984. - Madison, Wisconsin:<br />
University of Wisconsin Press; 129-138.<br />
Ray, C. & Hastings, A. (1996): Density dependence: Are we searching at the wrong spatial scale? - J.<br />
Anim. Ecol. 65: 556-566.<br />
Reading, R. P., Clark, T. W., Seebeck, J. H. & Pearce, J. (1996): Habitat suitability index model for the<br />
eastern barred bandicoot, Perameles gunnii. - Wildl. Res. 23: 221-236.<br />
Reck, H. (1990): Zur Auswahl von Tiergruppen als Biodeskriptoren für den zooökologischen Fachbeitrag<br />
zu Eingriffsplanungen. - In: Riecken, U. (ed.): Symposium über Möglichkeiten <strong>und</strong> Grenzen<br />
der Bioindikation durch Tierarten <strong>und</strong> Tiergruppen im Rahmen raumrelevanter Planungen. -<br />
Bonn - Bad Godesberg: B<strong>und</strong>esamt für <strong>Naturschutz</strong>; 99-119.<br />
Reck, H. (1992): Arten- <strong>und</strong> Biotopschutz in der Planung. Empfehlungen zum Untersuchungsaufwand<br />
<strong>und</strong> zu Untersuchungsmethoden für die Erfassung von Biodeskriptoren. - <strong>Naturschutz</strong> <strong>und</strong><br />
Landschaftsplanung 4/92: 129-135.<br />
Reck, H., Henle, K., Hermann, G., Kaule, G., Matthäus, G., Obergföll, F.-J., Weiß, J. & Weiß, M.<br />
(1991): Zielarten: Forschungsbedarf <strong>zur</strong> Anwendung einer Artenschutzstrategie. - In: Henle, K. &<br />
Kaule, G. (eds.): Arten- <strong>und</strong> Biotopschutzforschung für Deutschland. - Jülich: Forschungszentrum<br />
Jülich GmbH; 347-353.<br />
Reeve, J. D. (1988): Environmental variability, migration and persistence in host-parasitoid systems. -<br />
Am. Nat. 132: 810-836.<br />
Reich, M. & Grimm, V. (1996): Das Metapopulationskonzept in <strong>Ökologie</strong> <strong>und</strong> <strong>Naturschutz</strong>: Eine<br />
kritische Bestandsaufnahme. - Z. <strong>Ökologie</strong> u. <strong>Naturschutz</strong> 5: 123-139.<br />
Reichert, P. & Omlin, M. (1997): On the usefullness of overparameterized ecological models. - Ecol.<br />
Model. 95: 171-180.<br />
Reichhoff, L. (1990): <strong>Naturschutz</strong>park Drömling. - MAB-Mitteilungen 33: 52-54.<br />
Reise, K. (1970): Etwas <strong>zur</strong> <strong>Ökologie</strong> der Heuschrecken im Murnauer Moos. - Jahrbuch des DJN 45-102.
7 Literaturverzeichnis 197<br />
Remmert, H. (1985): Crickets in sunshine. - Oecologia 68: 29-33.<br />
Rice, J., Ohmart, R. D. & Anderson, B. (1981): Bird community use of riparian habitats: The importance<br />
of temporal scale in interpreting discriminant analysis. - In: Capen, D. E. (ed.): The use of<br />
multivariate statistics in studies of wildlife habitat. - Fort Collins, Colo.: U.S. Dept. of Agriculture,<br />
Forest Service, Rocky Mountain Forest and Range Experiment Station; 186-196.<br />
Rice, J., Ohmart, R. D. & Anderson, B. W. (1983): Turnovers in species composition of avian communities<br />
in contiguous riparian habitats. - Ecology 64: 1444-1455.<br />
Rice, J. C., Ohmart, R. D. & Anderson, B. W. (1986): Limits in a data-rich model: Modeling experience<br />
with habitat management on the Colorado River. - In: Verner, J., Morrison, M. L. & Ralph,<br />
C. J. (eds.): Wildlife 2000: Modeling habitat relationships of terrestrial vertebrates. Based on an int.<br />
symposium held at Stanford Sierra Camp, Fallen Leaf Lake, Calif., 7 - 11 October 1984. - Madison,<br />
Wisconsin: University of Wisconsin Press; 79-86.<br />
Richards, O. W. & Waloff, N. (1954): Studies on the biology and population dynamics of british grasshoppers.<br />
- Anti Locust Bulletin 17: 185.<br />
Richter, O. (1985): Simulation des Verhaltens ökologischer Systeme - mathematische Methoden <strong>und</strong><br />
<strong>Modelle</strong>. 219 S.; Weinheim: VCH.<br />
Richter, O. & Söndgerath, D. (1990): Parameter estimation in ecology - the link between data and<br />
models. 218 S.; Weinheim: VCH.<br />
Richter, O., Söndgerath, D., Belde, M., Schwartz, S. & Schröder, B. (1997): Kopplung geographischer<br />
Informationssysteme (GIS) mit ökologischen <strong>Modelle</strong>n für das <strong>Naturschutz</strong>management. - In:<br />
Suhling, F. & Kratz, R. (eds.): GIS im <strong>Naturschutz</strong>: Forschung, Planung, Praxis. - Magdeburg:<br />
Westarp Wiss.; 5-29.<br />
Ricker, W. E. (1954): Stock and recruitment. - J. Fish. Res. Bd. Can. 11: 559-623.<br />
Rietmann, E. (1993): Creating artificial life: Self-organization. New York: Windcrest/McGraw-Hill.<br />
Riitters, K. H., O'Neill, R. V. & Jones, K. B. (1997): Assessing habitat suitability at multiple scales: A<br />
landscape-level approach. - Biol. Conserv. 81: 191-202.<br />
Röber, H. (1949): Insekten als Indikatoren des Mikroklimas. - Naturw. R<strong>und</strong>sch. 2: 469-499.<br />
Röber, H. (1951): Dermapteren <strong>und</strong> Orthopteren Westfalens in ökologischer Betrachtung. - Abh.<br />
Landesmus. Naturkde. Münster/Westf. 14: 1-60.<br />
Roberts, D.W. (1989): Analysis of forest succsession with fuzzy graph theory. - Ecol. Model. 45: 261-274.<br />
Rogers, A. (1966): The multiregional matrix growth operator and the stable interregional age structure.<br />
- Demography 3: 537-544.<br />
Rogers, A. (1985): Regional population projection models. 96 S.; Beverly Hills: Sage Publications.<br />
Rohani, P. & Ruxton, G. D. (1999): Dispersal and stability in metapopulations. - IMA Journal of<br />
Mathematics applied in Medicine and Biology 16: 297-306.<br />
Rohani, P., May, R. M. & Hassell, M. P. (1996): Metapopulations and equilibrium stability: The effects<br />
of spatial structure. - J. Theor. Biol. 181: 97-109.<br />
Rolff, J. & Schröder, B. (1999): Regaining the water: A simulation model approach for Arrenurus larvae<br />
(Hydrochnellae) parasitizing damselflies (Coenagrion puella: Odonata). - In: Bruin, J., Geest, L. P. S.<br />
v. d. & Sabelis, M. W. (eds.): Evolution and ecology of Acari. - Dordrecht: Kluwer Academic<br />
Publishers; 359-366.<br />
Root, K. V. (1998): Evaluating the effects of habitat quality, connectivity, and catastrophes on a<br />
threatened species. - Ecol. Appl. 8: 854-865.<br />
Rotenberry, J. T. (1986): Habitat relationships of shrubsteppe birds: Even „good“ models cannot<br />
predict the future. - In: Verner, J., Morrison, M. L. & Ralph, C. J. (eds.): Wildlife 2000 : Modeling<br />
habitat relationships of terrestrial vertebrates. Based on an int. symposium held at Stanford Sierra<br />
Camp, Fallen Leaf Lake, Calif., 7 - 11 October 1984. - Madison, Wisconsin: University of<br />
Wisconsin Press; 217-221.<br />
Roughgarden, J. D. (1977): Patchiness in the spatial distribution of a population caused by stochastic<br />
fluctuations in resources. - Oikos 29: 52-59.<br />
Ruckelshaus, M., Hartway, C. & Kareiva, P. (1997): Assessing the data requirements of spatially<br />
explicit dispersal models. - Conserv. Biol. 11: 1298-1306.<br />
Ruxton, G. D. & Rohani, P. (1999): Fitness-dependent dispersal in metapopulations and its consequences<br />
for persistence and synchrony. - J. Anim. Ecol. 68: 530-539.<br />
Ruxton, G. D. & Saravia, L. A. (1998): The need for biological realism in the updating of cellular<br />
automata models. - Ecol. Model. 107: 105-112.
198 7 Literaturverzeichnis<br />
Ruxton, G. D. (1995): The effect of emigration and immigration on the dynamics of a discrete-generation<br />
population. - J. Biosci. 20: 397-408.<br />
Ruxton, G. D. (1996a): Density-dependent migration and stability in a system of linked populations. -<br />
Bull. Math. Biol. 58: 643-660.<br />
Ruxton, G. D. (1996b): Dispersal and chaos in spatially structured models: An individual-level<br />
approach. - J. Anim. Ecol. 65: 161-169.<br />
Sandkühler, K. (1993): Untersuchungen zum Artenspektrum <strong>und</strong> <strong>zur</strong> Dispersion von Heuschrecken<br />
(Orthoptera: Saltatoria) <strong>zur</strong> Auswahl von Zielarten für <strong>Naturschutz</strong>maßnahmen auf Niedermoorgrünland<br />
im Drömling. - Diplomarbeit (unveröff.); 107 S.; TU Braunschweig.<br />
Sandkühler, K. & Heydenreich, M. (1994): Dispersal of Mecostethus grossus (Orthoptera) on a fen<br />
meadow in the Drömling area, Germany. - Conservation and Management of fens, Warsaw -<br />
Brebiza; 389 - 398.<br />
Sänger, K. (1977): Über die Beziehung zwischen Heuschrecken (Orthoptera: Saltatoria) <strong>und</strong> der<br />
Raumstruktur ihrer Habitate. - Zool. Jb. Syst. 104: 433-488.<br />
Sänger, K. (1980): Zur Phänologie einiger Saltatoria (Insecta: Orthoptera) im pannonischen Raum<br />
Österreichs. - Zool. Anz. 204: 165-176.<br />
Sänger, K. & Helfert, B. (1976): Vergleichende Untersuchungen über Anzahl <strong>und</strong> Dauer der Larvenstadien<br />
von Tettigoniiden (Orthoptera: Saltatoria) 1. Teil. - Zool. Anz. Jena 196: 28-42.<br />
Schaffer, W. M. & Kot, M. (1986): Chaos in ecological systems: The coals that Newcastle forgot. -<br />
Trends Ecol. Evol. 1: 58-63.<br />
Schaffer, W. M., Kendall, B. E., Tidd, C. W. & Olsen, L. F. (1993): Transient periodicity and episodic<br />
predictability in biological dynamics. - IMA Journal of Mathematics applied in Medicine and<br />
Biology 10: 227-248.<br />
Schamberger, M. L. & O'Neil, L. J. (1986): Concepts and constraints of habitat-model testing. - In:<br />
Verner, J., Morrison, M. L. & Ralph, C. J. (eds.): Wildlife 2000 : Modeling habitat relationships of<br />
terrestrial vertebrates. Based on an international symposium held at Stanford Sierra Camp, Fallen<br />
Leaf Lake, Calif., 7 - 11 October 1984. - Madison, Wisconsin: University of Wisconsin Press; 5-10.<br />
Schippers, P., Verboom, J., Knaapen, J. P. & Apeldoorn, R. C. v. (1996): Dispersal and habitat<br />
connectivity in complex heterogeneous landscapes: An analysis with a GIS-based random walk<br />
model. - Ecography 19: 97-106.<br />
Schmidt, G. H. & Schlimm, L. (1984): Bedeutung der Saltatoria (Insecta) des <strong>Naturschutz</strong>gebietes<br />
„Bissendorfer Moor“ als Bioindikatoren. - Braunschw. Naturk. Schr. 2: 145-180.<br />
Schooley, R. L. (1994): Annual variation in habitat selection: Patterns concealed by pooled data. - J.<br />
Wildl. Manage. 58: 367-374.<br />
Schopp-Guth, A. (1999): Renaturierung von Moorlandschaften. 218 S.; Bonn-Bad Godesberg:<br />
B<strong>und</strong>esamt für den <strong>Naturschutz</strong>.<br />
Schröder, B. (1996): Fuzzy Logik <strong>und</strong> klassische Statistik - ein kombiniertes Habitateignungsmodell<br />
für Conocephalus dorsalis. - Diplomarbeit (unveröff.); 168 S.; TU Braunschweig.<br />
Schröder, B. (1997): Fuzzy Logik <strong>und</strong> klassische Statistik - ein kombiniertes Habitateignungsmodell für<br />
Conocephalus dorsalis (LATREILLE 1804) (Orthoptera: Tettigoniidae). - Verh. Ges. Ökol. 27: 219-226.<br />
Schröder, B. (1999): Habitateignungsmodelle.- Abschlußbericht BMBF-Verb<strong>und</strong>projekt „Ökosystemmanagement<br />
für Niedermoore“, Braunschweig: TU Braunschweig.<br />
Schröder, B. & Richter, O. (1999/2000): Are habitat models transferable in space and time? - Z.<br />
<strong>Ökologie</strong> u. <strong>Naturschutz</strong> 8: 195-205.<br />
Schröder, B. & Apel, H. (1998): Habitatkonnektivitätsanalyse für Conocephalus dorsalis im Drömling-<br />
Braunschweig. Statusseminar BMBF-Verb<strong>und</strong>projekt „Ökosystemmanagement für Niedermoore“.<br />
Schroeder, R. L. (1982): Habitat suitability index models: Pine warbler.- FWS/OBS-82/10 28, Ft.<br />
Collins, CO: U.S. Fish and Wildlife Service - Biological Services Program & Division of Ecological<br />
Services.<br />
Schumacher, R. (1980): Die einheimischen Laubheuschrecken - Biologie <strong>und</strong> Feldführer. - Ber. naturhist.<br />
Ges. Hannover 123: 193-219.<br />
Schumaker, N. H. (1996): Using landscape indices to predict habitat connectivity. - Ecology 77: 1210-<br />
1225.<br />
Schwinning, S. & Parsons, A. J. (1996): A spatially explicit population model of stoloniferous N-fixing<br />
legumes in mixed pasture with grass. J. Ecol. 84: 815-826.
7 Literaturverzeichnis 199<br />
Selhorst, T., Söndgerath, D. & Weigand, S. (1991): A model describing the predator-prey interaction<br />
between Scolothrips longicornis and Tetranychus cinnaberinus based upon the Leslie theory. - Ecol.<br />
Model. 59: 123-138.<br />
Settele, J., Margules, C., Poschlod, P. & Henle, K. (1996): Species survival in fragmented landscapes.<br />
381 S.; Dordrecht, Boston, London: Kluwer Academic Publishers.<br />
Shimada, M. & Tuda, M. (1996): Delayed density dependence and oscillatory population dynamics in<br />
overlapping-generation systems of a seed beetle Callosobruchus chinensis: Matrix population model. -<br />
Oecologia 105: 116-125.<br />
Shirvell, C. S. (1989): Ability of PHABSIM to predict chinook salmon spawning habitat. - Regul. Riv.:<br />
Research & Management 3: 277-289.<br />
Shugart, H. H., Jr. (1981): An overview of multivariate methods and their application to studies of<br />
wildlife habitat. - In: Capen, D. E. (ed.): The use of multivariate statistics in studies of wildlife<br />
habitat. - Fort Collins, Colo.: U.S. Dept. of Agriculture, Forest Service, Rocky Mountain Forest<br />
and Range Experiment Station; 4-10.<br />
Silva, J. A. L. & Hallam, T. G. (1993): Effects of delay, truncations and density dependence in reproduction<br />
schedules on stability of nonlinear Leslie matrix models. - J. Math. Biol. 31: 367-396.<br />
Smith, P. A. (1994): Autocorrelation in logistic regression modelling of species' distributions. - Global<br />
ecology and biogeography letters 4: 47-61.<br />
Sokal, R. R. & Rohlf, F. J. (1995): Biometry. 887 S.; New York: W.H. Freeman.<br />
Solé, R. V. & Bascompte, J. (1998): Emergent phenomena in spatially extended model ecosystems. -<br />
In: Bascompte, J. & Solé, R. V. (eds.): Modeling spatiotemporal dynamics in ecology. - Berlin:<br />
Springer; 1-26.<br />
Söndgerath, D. & Müller-Pietralla, W. (1996): A model for the development of the cabbage root fly<br />
(Delia radicum L.) based on the extended Leslie model. - Ecol. Model. 91: 67-76.<br />
Söndgerath, D. & Richter, O. (1990): An extension of the Leslie matrix model for describing population<br />
dynamics of species with several development stages. - Biometrics 46: 595-607.<br />
Sörens, A. (1992): Zur Heuschreckenfauna der Vier- <strong>und</strong> Marschlande. - Diplomarbeit (unveröff.); 90<br />
S.; Universität Hamburg.<br />
Sörens, A. (1996): Zur Populationsstruktur, Mobilität <strong>und</strong> dem Eiablageverhalten der Sumpfschrecke<br />
(Stethophyma grossum) <strong>und</strong> der Kurzflügeligen Schwertschrecke (Conocephalus dorsalis). - Articulata 11:<br />
37-48.<br />
Soulé, M. E. (1986): Conservation bioIogy - the science of scarcity and diversity. 584 S.; S<strong>und</strong>erland,<br />
Massachusetts: Sinauer Associated, Inc.<br />
Southwood, T.R.E. (1977): Habitat, the templet for ecological strategies? - J. Anim. Ecol. 46: 337-365.<br />
Starfield, A. M. (1997): A pragmatic approach to modeling for wildlife management. - J. Wildl.<br />
Manage. 61: 261-269.<br />
Starfield, A. M. & Bleloch, A. L. (1986): Building models for conservation and wildlife management.<br />
253 S.; London: Collier Macmillan.<br />
Stauffer, D. (1985): Introduction to percolation theory. 124 S.; London: Taylor and Francis.<br />
Stelter, C., Reich, M., Grimm, V. & Wissel, C. (1997): Modelling persistence in dynamic landscapes:<br />
Lessons from a metapopulation of the grasshopper Bryodema tuberculata. - J. Anim. Ecol. 66: 508-518.<br />
Succow, M. (1988): Landschaftsökologische Moork<strong>und</strong>e. 340 S.; Berlin: Bornträger.<br />
Succow, M. & Jeschke, L. (1990): Moore in der Landschaft: Entstehung, Haushalt, Lebewelt,<br />
Verbreitung, Nutzung <strong>und</strong> Erhaltung der Moore. 268 S.; Leipzig: Urania.<br />
Suhling, F. & Kratz, R. (1999): Veränderung in der Heuschrecken-Lebensgemeinschaft (Saltatoria:<br />
Ensifera, Caelifera) einer Niedermoorwiese im niedersächsischen Drömling in Folge eines<br />
langfristigen Überstaus. - Braunschw. Naturk. Schr. 5: in press.<br />
Swart, J. & Lawes, M. J. (1997): The effect of habitat patch connectivity on samango monkey (Cercopithecus<br />
mitis) metapopulation persistence. - Ecol. Model. 93: 57-74.<br />
Sykes, Z. M. (1969): Some stochastic versions of the matrix model for population dynamics. - J. Am.<br />
Stat. Assoc. 64: 111-130.<br />
Szacki, J. (1999): Spatially structured populations: How much do they match the classic metapopulation<br />
concept? - Landscape Ecol. 14: 369-380.<br />
Taylor, P. D., Fahrig, L., Henein, K. & Merriam, G. (1993): Connectivity is a vital element of landscape<br />
structure. - Oikos 68: 571-573.
200 7 Literaturverzeichnis<br />
Teppema, J. (1998): Habitateignungsmodelle für ausgewählte Laufkäferarten des Drömlings - Feldexperimente<br />
<strong>und</strong> statistische <strong>Modelle</strong>. - Diplomarbeit (unveröff.); 75 S.; TU Braunschweig.<br />
ter Braak, C. J. F., Hanski, I. & Verboom, J. (1998): The incidence function approach to modeling of<br />
metapopulation dynamics. - In: Bascompte, J. & Solé, R. V. (eds.): Modeling spatiotemporal<br />
dynamics in ecology. - Berlin: Springer; 163-188.<br />
Thomas, J. A. (1993): Holocene climate changes and warm man-made refugia may explain why a sixth<br />
of british butterflies possess unnatural early-successional habitats. - Ecography 16: 278-284.<br />
Thomas, J. A. (1995): Why small cold-blooded insects pose different conservation problems to birds<br />
in modern landscapes. - Ibis 137: 112-119.<br />
Thomas, J. A. & Bovee, K. D. (1993): Application and testing of a procedure to evaluate transferability<br />
of habitat suitability criteria. - Regul. Riv.: Research & Management 8: 285-294.<br />
Thomas, J. A. & Morris, M. G. (1994): Patterns, mechanisms and rates of extinction among invertebrates<br />
in the United Kingdom. - Phil. Trans. R. Soc. Lond. B 344: 47-53.<br />
Thomas, C. D., Thomas, J. A. & Warren, M. S. (1992): Distributions of occupied and vacant butterfly<br />
habitat in fragmented landscapes. - Oecologia 92: 563-567.<br />
Thomas, J. A., Moss, D. & Pollard, E. (1994): Increased fluctuations of butterfly populations towards<br />
the northern edges of species' ranges. - Ecography 17: 215-220.<br />
Thomas, P. (1980): Wie reagieren Heuschrecken auf die Mahd? - Naturk<strong>und</strong>liche Beiträge des DJN 5:<br />
34-39.<br />
Thompson, D. J. (1990): The effects of survival and weather on lifetime egg production in a model<br />
damselfly. - Ecol. Entomol. 15: 455-462.<br />
Tilman, D., May, R. M., Lehman, C. L. & Nowak, M. A. (1994): Habitat destruction and the extinction<br />
debt. - Nature 371: 65-66.<br />
Tilman, D., Lehman, C. L. & Kareiva, P. (1997): Population dynamics in spatial habitats. - In: Tilman,<br />
D. & Kareiva, P. (eds.): Spatial ecology - the role of space in population dynamics and interspecific<br />
interactions. - Princeton, New Jersey: Princeton University Press; 3-20.<br />
Travis, J. M. J. & Dytham, C. (1998): The evolution of dispersal in a metapopulation: A spatially explicit,<br />
individual-based model. - Proc. R. Soc. Lond. B 265: 17-23.<br />
Trexler, J. C. & Travis, J. (1993): Nontraditional regression analyses. - Ecology 74: 1629-1637.<br />
Tuljapurkar, S. D. (1982): Population dynamics in variable environments. 2. Correlated environments,<br />
sensitivity analysis and dynamics. - Theor. Popul. Biol. 21: 114-140.<br />
Tuljapurkar, S. (1990): Population dynamics in variable environments. 154 S.; New York, Berlin,<br />
Heidelberg: Springer-Verlag.<br />
Tuljapurkar, S. (1996): Stochastic matrix models. - In: Tuljapurkar, S. & Caswell, H. (eds.): Structuredpopulation<br />
models in marine, terrestrial, and freshwater systems. - New York, Bonn, Melbourne:<br />
Chapman & Hall; 59-87.<br />
Tuljapurkar, S. D. & Orzack, S. H. (1980): Population dynamics in variable environments. 1. Long run<br />
growth rates and extinction. - Theor. Popul. Biol. 18: 314-342.<br />
Turchin, P., Reeve, J. D., Cronin, J. T. & Wilkens, R. T. (1998): Spatial pattern formation in ecological<br />
systems: Bridging theoretical and empirical approaches. - In: Bascompte, J. & Solé, R. V. (eds.):<br />
Modeling spatiotemporal dynamics in ecology. - Berlin: Springer; 199-214.<br />
Turner, M. G. (1989): Landscape ecology: The effect of pattern on process. - Ann. Rev. Ecol. Syst. 20:<br />
171-197.<br />
Turner, S. J., O'Neill, R. V., Conley, W., Conley, M. R. & Humphries, H. C. (1991): Pattern and scale:<br />
Statistics for landscape ecology. - In: Turner, M. G. & Gardner, R. H. (eds.): Quantitative methods<br />
in landscape ecology - the analysis and interpretation of landscape heterogeneity. - New York:<br />
Springer-Verlag; 17-50.<br />
Turner, T. F., Trexler, J. C., Miller, G. L. & Tayer, K. E. (1994): Temporal and spatial dynamics of<br />
larval and juvenile fish ab<strong>und</strong>ance in a temperate floodplain river. - Copeia 1: 174-183.<br />
Turner, M. G., Arthaud, G. J., Engstrom, R. T., Hejl, S. J., Liu, J., Loeb, S. & McKelvey, K. (1995):<br />
Usefulness of spatially explicit population models in land management. - Ecol. Appl. 5: 12-16.<br />
Tyler, J. A. & Rose, K. A. (1997): Effects of individual habitat selection in a heterogeneous environment<br />
on fish cohort survivorship: A modelling analysis. - J. Anim. Ecol. 66: 122-136.<br />
U.S. Fish & Wildlife Service (1980): Habitat evaluation procedures (HEP).- Washington DC.: USDI<br />
Fish and Wildlife Services, Division of Ecological Services.
7 Literaturverzeichnis 201<br />
U.S. Fish & Wildlife Service (1981): Standards for the development of habitat suitability index models.<br />
Washington DC.: U.S. Fish and Wildlife Services.<br />
Uchmanski, J. & Grimm, V. (1996): Individual-based modelling in ecology: What makes the<br />
difference? - Trends Ecol. Evol. 11: 437-440.<br />
Unwin, D. J. (1975): An introduction to trend surface analysis. 40 S.; Norwich: Geo Abstracts.<br />
Usher, M. B. (1969): A matrix approach to the management of renewable resources, with special reference<br />
to selection forests. - J. Appl. Ecol. 3: 355-367.<br />
Usher, M. B. (1972): Developments in the Leslie matrix model. - In: Jeffers, J. N. R. (ed.): Mathematical<br />
models in ecology. - Oxford: Blackwell; 29-60.<br />
van Diggelen, R., Grootjans, A. & Wierde, A. (1995): Hydro-ecological landscape analysis: A tool for<br />
wetland restauration. - Z. Kulturtech. Landentwicklung 36: 125-131.<br />
van Dorp, D. & Opdam, P. F. M. (1987): Effects of patch size, isolation and regional ab<strong>und</strong>ance on<br />
forest bird communities. - Landscape Ecol. 1: 59-73.<br />
van Dyck, H. & Matthysen, E. (1999): Habitat fragmentation and insect flight: A changing 'design' in a<br />
changing landscape. - Trends Ecol. Evol. 14: 172-174.<br />
van Horne, B. (1983): Density as a misleading indicator of habitat quality. - J. Wildl. Manage. 47: 893-<br />
901.<br />
van Wingerden, W. K. R. E., Kreveld, A. R. v. & Bongers, W. (1992): Analysis of species composition<br />
and ab<strong>und</strong>ance of grasshoppers (Orth., Acridae) in natural and fertilized grasslands. - J. Appl. Ent.<br />
113: 139-152.<br />
van Wingerden, W. K. R. E., Musters, J. C. M. & Maaskamp, F. I. M. (1991): The influence of<br />
temperature on the duration of egg development in West European grasshoppers (Orthoptera:<br />
Acrididae). - Oecologia 87: 417-423.<br />
Varley, G. C. & Gradwell, G. R. (1960): Key factors in population studies. - J. Anim. Ecol. 29: 399-401.<br />
Varley, G. C., Gradwell, G. R. & Hassell, M. P. (1980): Populationsökologie der Insekten - Analyse<br />
<strong>und</strong> Theorie. 211 S.; Stuttgart: Georg Thieme Verlag.<br />
Veith, M. & Klein, M. (1996): Zur Anwendung des Metapopulationskonzeptes auf<br />
Amphibienpopulationen. - Z. <strong>Ökologie</strong> u. <strong>Naturschutz</strong> 5: 217-228.<br />
Velázquez, A. & Heil, G. W. (1996): Habitat suitability study for the conservation of the volcano<br />
rabbit (Romerolagus diazi). - J. Appl. Ecol. 33: 543-554.<br />
Verboom, B. & van Apeldoorn, R. (1990): Effects of habitat fragmentation on the red squirrel, Siurus<br />
vulgaris L. - Landscape Ecol. 4: 171-176.<br />
Verboom, J., Lankester, K. & Metz, J. A. J. (1991a): Linking local and regional dynamics in stochastic<br />
metapopulation models. - Biol. J. Linn. Soc. 42: 39-55.<br />
Verboom, J., Schotman, A., Opdam, P. & Metz, J. A. J. (1991b): European nuthatch metapopulations<br />
in a fragmented agricultural landscape. - Oikos 61: 149-156.<br />
Verbyla, D. L. & Litaitis, J. A. (1989): Resampling methods for evaluation of classification accuracy of<br />
wildlife habitat models. - Environ. Manage. 13: 783-787.<br />
Vincent, P. J. & Haworth, J. M. (1983): Poisson regression models of species ab<strong>und</strong>ance. - J. Biogeog.<br />
10: 153-160.<br />
Vogel, K., Vogel, B., Rothaupt, G. & Gottschalk, E. (1996): Einsatz von Zielarten im <strong>Naturschutz</strong> -<br />
Auswahl der Arten, Methode von Populationsgefährdungsanalyse <strong>und</strong> Schnellprognose, Umsetzung<br />
in der Praxis. - <strong>Naturschutz</strong> <strong>und</strong> Landschaftsplanung 28: 179-184.<br />
Wagner, T. L., Wu, H.-i., Sharpe, P. J. H. & Coulson, R. N. (1984): Modeling distributions of insect<br />
development time: A literature review and application of the Weibull function. - Ann. Entomol.<br />
Soc. Am. 77: 475-487.<br />
Wahlberg, N., Moilanen, A. & Hanski, I. (1996): Predicting the occurrence of endangered species in<br />
fragmented landscapes. - Science 273: 1536-1538.<br />
Walters, C. J. (1986): Adaptive management of renewable resources. 374 S.; New York: Macmillian.<br />
Walters, C. (1992): Trends in ecological modeling. - In: McCullough, D. R. & Barrett, R. H. (eds.):<br />
Wildlife 2001: Populations, based on an international conference on population dynamics and<br />
management of vertebrates (exclusive of primates and fish) held at Oakland, California, USA, July<br />
29 - 31, 1991. - London, New York: Elsevier Applied Science; 116-122.<br />
Walters, C. J. & Holling, C. S. (1990): Large-scale management experiments and learning by doing. -<br />
Ecology 71: 2060-2068.
202 7 Literaturverzeichnis<br />
Warne, A. C. & Hartley, J. C. (1975): The distribution and dispersal of Conocephalus dorsalis (Latreille)<br />
(Tettigoniidae) in the British Isles. - Entomologist's Gazette 26: 127-132.<br />
Weidemann, G., Reich, M. & Plachter, H. (1996): Einfluß von Straßen auf eine Population der Rotflügeligen<br />
Schnarrschrecke (Psophus stridulus L. 1758) (Saltatoria, Acrididae). - Verh. Ges. Ökol. 26:<br />
259-267.<br />
Weimar, J. R. (1997): Simulation with cellular automata. 199 S.; Berlin: Logos-Verlag.<br />
Wellington, W. G., Johnson, D. L. & Lactin, D. J. (1999): Weather and insects. - In: Huffaker, C. B. &<br />
Gutierrez, A. P. (eds.): Ecological entomology. - New York: John Wiley & Sons; 313-353.<br />
Wells, J. V. & Richmond, M. E. (1995): Populations, metapopulations and species populations: why<br />
are they and who should care? - Wildl. Soc. Bull. 23: 458-462.<br />
Wesolowski, T., Tomialojc, L. & Stawarczyk, T. (1987): Why low numbers of Parus major in Bialowieza<br />
Forest - removal experiments. - Acta ornithologica 23: 303-316.<br />
Wiens, J. A. (1976): Population responses to patchy environments. - Ann. Rev. Ecol. Syst. 7: 81-120.<br />
Wiens, J. A. (1994): Habitat fragmentation: Island vs. landscape perspectives on bird conservation. -<br />
Ibis 137: 97-104.<br />
Wiens, J. A. (1995): Landscape mosaics and ecological theory. - In: Hansson, L., Fahrig, L. & Merriam,<br />
G. (eds.): Mosaic landscapes and ecological processes. - London: Chapman & Hall; 1-26.<br />
Wiens, J. A., Stenseth, N. C., Horne, B. V. & Ims, R. A. (1993): Ecological mechanisms and landscape<br />
ecology. - Oikos 66: 369-380.<br />
Wiens, J. A., Schooley, R. L. & Jr., R. D. W. (1997): Patchy landscapes and animal movements: Do<br />
beetles percolate? - Oikos 78: 257-264.<br />
Wiggins, S. (1990): Introduction to applied nonlinear dynamical systems and chaos. 672 S.; New York,<br />
Berlin, Heidelberg: Springer-Verlag.<br />
Wikan, A. & Mjølhus, E. (1995): Periodicity of 4 in age-structured population models with density<br />
dependence. - J. Theor. Biol. 173: 109-120.<br />
Wikan, A. & Mjølhus, E. (1997): Overcompensatory recruitment and generation delay in discrete agestructured<br />
population models. - J. Math. Biol. 35: 195-239.<br />
Wilgrove, D. S. (1989): Protecting biodiversity in multiple use lands: Lessons from the US Forest<br />
Service. - Trends Ecol. Evol. 4: 385-388.<br />
Williams, B. K. (1981): Discriminant analysis in wildlife research: Theory and applications. - In: Capen,<br />
D.E. (ed.): The use of multivariate statistics in studies of wildlife habitat. - Fort Collins, Colo.: U.S.<br />
Dept. of Agriculture, Forest Service, Rocky Mountain Forest and Range Experiment Station; 59-71.<br />
Wissel, C. (1989): Theoretische <strong>Ökologie</strong> - Eine Einführung. 299 S.; Berlin New York: Springer.<br />
Wissel, C. (1992): Aims and limits of ecological modelling exemplified by island theory. - Ecol. Model.<br />
63: 1-12.<br />
With, K. A. (1994a): Using fractal analysis to assess how species perceive landscape structure. -<br />
Landscape Ecol. 9: 25-36.<br />
With, K. A. (1994b): Ontogenetic shifts in how grasshoppers interact with landscape structure: An<br />
analysis of movement patterns. - Funct. Ecol. 8: 477-485.<br />
With, K. A. & Crist, T. O. (1995): Critical thresholds in species' responses to landscape structure. -<br />
Ecology 76: 2446-2459.<br />
With, K. & Crist, T. O. (1996): Translating across scales: Simulating species distributions as the<br />
aggregate response of individuals to heterogeneity. - Ecol. Model. 93: 125-137.<br />
With, K. A. & King, A. W. (1999): Extinction thresholds for species in fractal landscapes. - Conserv.<br />
Biol. 13: 314-326.<br />
With, K. A., Gardner, R. H. & Turner, M. G. (1997): Landscape connectivity and population distributions<br />
in heterogeneous environments. - Oikos 78: 151-169.<br />
Wolfram, S. (1984): Cellular automata as models of complexity. - Nature 311: 419-424.<br />
Wu, J., Vankat, J. L. & Barlas, Y. (1993): Effects of patch connectivity and arrangement on animal<br />
metapopulation dynamics: A simulation study. - Ecol. Model. 65: 221-254.<br />
Yodzis, P. (1989): Introduction to theoretical ecology. 384 S.; New York: Harper & Row.<br />
Zadeh, L. A. (1965): Fuzzy Sets. - Information and Control 8: 338-353.<br />
Zweig, M. H. & Campbell, G. (1993): Receiver-operating characteristic (ROC) plots: A f<strong>und</strong>amental<br />
evaluation tool in clinical medicine. - Clin. Chem. 39: 561-577.
Anhang<br />
A1 Allgemeine Einleitung ................................... A1<br />
A2 Habitatmodelle .............................................. A5<br />
A3 Validierung der Habitatmodelle ................... A11<br />
A4 Habitatkonnektivitätsanalyse ....................... A17<br />
A5 Dynamisches Multihabitatmodell ................ A19<br />
Notationen ..................................................... A25
A1 – Allgemeine Einleitung<br />
Biotoptypen<br />
Grünland<br />
Gräben<br />
Wald<br />
Sumpf<br />
Acker<br />
Brachen & Ruderalfluren<br />
500 0 500 m<br />
N<br />
Biotoptyp<br />
urbane Bereiche<br />
Gewässer<br />
Schwimmblattges.<br />
Hecken & Gehölze<br />
Bruchwälder<br />
Gebüsche<br />
Laubbaumbestände<br />
Forstflächen<br />
Flurgehölze<br />
Röhrichte<br />
Seggenriede<br />
Hochstaudenfluren<br />
artenreiches Grünland<br />
1000 0 1000 2000 m<br />
N<br />
Grünlandbrachen<br />
Saatgrasland<br />
Acker<br />
Abb. A1-1: Biotoptypenkarten von Drömling (oben; zusammengefaßt nach Drachenfels 1995)<br />
<strong>und</strong> Rhinluch (unten; verändert nach unveröff. Abschlußbericht).
A – 2 A1 Anhang – Allgemeine Einleitung<br />
Tab. A1-1: Auswahl von Biotoptypen nach Niedersächsischem Kartierschlüssel (Drachenfels<br />
1995).<br />
Kürzel Biotoptyp<br />
FGR nährstoffreicher Graben<br />
GA Grünland-Einsaat<br />
GFF Flutrasen<br />
GFR nährstoffreiche Feucht-/ Naßwiese<br />
GIN Intensivgrünland auf Niedermoorstandorten<br />
GMF Grünland mäßig feuchter Standorte<br />
GNF seggen-, binsen- oder hochstaudenreiche Naßwiese<br />
GNR Nährstoffreiche Naßwiese<br />
NRS Nährstoffreicher Sumpf<br />
NSS Staudensumpf nährstoffreicher Standorte<br />
UBF halbruderale Brache frischer Standorte<br />
UBM halbruderale Brache mittlerer Standorte<br />
URF Ruderalflur frischer bis feuchter Standorte<br />
AM Mooracker<br />
Tab. A1-2: Landnutzungstypen der Untersuchungsgebiete in 5 Klassen.<br />
Klasse Landnutzungstyp<br />
1 ungenutzt (keine Mahd/Weide oder Brache)<br />
2 extensive Nutzung (einfache Mahd oder Weide)<br />
3 intensive Nutzung (mehrfache Mahd oder Weide)<br />
4 Gräben im Grünland (keine oder einfache Mahd der Randstrukturen)<br />
5 Gräben im Wald
A1 Anhang – Allgemeine Einleitung A – 3<br />
500 0 500 m<br />
N<br />
500 0 500 m<br />
N<br />
500 0 500 m<br />
N<br />
1995<br />
1996<br />
1997<br />
1996<br />
1000 0 1000 2000 m<br />
N<br />
500 0 500 m<br />
N<br />
500 0 500 m<br />
N<br />
500 0 500 m<br />
Nichtvorkommen<br />
Vorkommen<br />
nicht untersuchte Gräben<br />
nicht untersuchte Flächen<br />
N<br />
1995<br />
1996<br />
1997<br />
1996<br />
1000 0 1000 2000 m<br />
Abb. A1-2: Präsenz-Absenz-Daten für Conocephalus dorsalis (links) <strong>und</strong> Stethophyma grossum<br />
(rechts) im Drömling von 1995 bis 1997 (von oben nach unten) <strong>und</strong> im Rhinluch (1996; ganz<br />
unten).<br />
N
A2 – Habitatmodelle<br />
A2.1 Zu 2.4.2.3: Einbeziehung von Nachbarschaftsverhältnissen: Autoregressionsvariablen,<br />
die aus dem tatsächlichen Vorkommen in der Nachbarschaft abgeleitet<br />
werden<br />
Tab. A2-1: Conocephalus dorsalis – Gütekriterien für <strong>Modelle</strong> mit <strong>und</strong> ohne Berücksichtigung<br />
der aus dem tatsächlichen Vorkommen abgeleiteten Nachbarschaftsvariablen (Drömling-Daten<br />
von 1995).<br />
Variable AUC [CI95%] R 2 N<br />
Popt<br />
(% korrekt | Sens.| Spez.)<br />
Pfehlergerecht<br />
(% korrekt)<br />
Umweltvariablen allein<br />
nur UV ( V, V 2 , J) 0.84 [0.79; 0.89] 0.513 79.2 | 83.9 | 70.5 75.7<br />
Vorkommenswahrscheinlichkeit in der Nachbarschaft<br />
HE∅ 0.60 [0.52; 0.67] 0.047 64.7 | 100 | 0 59.0<br />
HEP ≥ 0.75 0.61 [0.54; 0.69] 0.068 64.7 | 100 | 0 57.8<br />
Vorkommen in der Nachbarschaft<br />
Anteil Vorkom-<br />
0.67 [0.58; 0.75] 0.115 68.2 | 83.0 | 41.0 65.9<br />
menNachbarschaft<br />
Kombinationen<br />
UV + HEP ≥ 0.75 0.88 [0.83; 0.93] 0.535 79.8 | 92.0 | 57.4 75.7<br />
UV + Anteil Vor-<br />
0.89 [0.84; 0.93] 0.545 79.8 | 78.6 | 82.0 78.6<br />
kommenNachbarschaft<br />
Sensitivität<br />
1,0<br />
0,8<br />
0,6<br />
0,4<br />
0,2<br />
<strong>Modelle</strong>ntwicklung<br />
Zufallsmodell<br />
nur HE 0.75<br />
nur Vork NS<br />
nur UV<br />
UV + HE 0.75<br />
UV + VORK NS<br />
0,0<br />
0,0 0,2 0,4 0,6 0,8 1,0<br />
1 - Spezifizität<br />
Abb. A2-1: Conocephalu s<br />
dorsalis – ROC-Kurven für <strong>Modelle</strong> mit <strong>und</strong> ohne Berücksichtigung<br />
der aus dem tatsächlichen Vorkommen abgeleiteten Nachbarschaftsvariablen (Drömling-Daten<br />
von 1995).
A - 6 A2 Anhang – Habitatmodelle<br />
A2.2 Zu 2.4.2.4: Regressionskoeffizienten, Gütekriterien <strong>und</strong> ROC-Kurven für den<br />
Vergleich von <strong>Modelle</strong>n mit <strong>und</strong> ohne x-,y-Koordinaten<br />
Tab. A2-2: Conocephalu s dorsalis – Regressionskoeffizienten der <strong>Modelle</strong> ohne bzw. mit<br />
Trendbereinigung (nach Regression mit den Koordinaten der Flächenschwerpunkte).<br />
Variable Regressionskoeffizient β Standardfehler von β Signifikanz<br />
Modell I: Logistisches Regressionsmodell nur für die Umweltvariablen<br />
Konstante -2.1930 0.2007
A2 Anhang – Habitatmodelle A – 7<br />
A2.3 Zu 2.4.3.1: Schrittweises Modell für Stethophyma grossum<br />
Tab. A2-4: Stethophyma grossum – Prognosegüte der Habitatmodelle (multiple vorwärts<br />
schrittweise logistische Regression, Datengr<strong>und</strong>lage: Drömling 1995-97).<br />
Variable Kürzel AUC [CI95%] R 2 N<br />
Popt (% korrekt<br />
| Sens. | Spez.)<br />
Pfehlergerecht<br />
(% korr.)<br />
Biotoptyp BT 0.73 [0.71; 0.76] 0.229 68.1 | 82.2 | 47.5 65.9<br />
+ Carex-Bedeckung C 0.77 [0.74; 0.79] 0.264 73.3 | 79.6 | 64.2 69.9<br />
+ Carex-Bedeckung 2 C 2<br />
0.77 [0.74; 0.79] 0.270 73.1 | 80.4 | 62.5 69.9<br />
+ Nutzung N 0.77 [0.75; 0.79] 0.280 72.5 | 79.3 | 62.7 69.0<br />
+ Juncus-Bedeckung J 0.77 [0.75; 0.80] 0.285 73.3 | 82.6 | 59.7 70.6<br />
+ Juncus-Bedeckung 2 J 2<br />
0.78 [0.75; 0.80] 0.297 73.8 | 83.2 | 60.0 71.5<br />
- Carex-Bedeckung 2 C & C 2 → C 0.78 [0.75; 0.80] 0.296 73.8 | 82.8 | 60.6 71.3<br />
= vorwärts schrittweise er-<br />
stelltes Modell (v)<br />
0.78 [0.75; 0.80] 0.296 73.8 | 82.8 | 60.6 71.3<br />
(r) [= (v)+(V + V 2 )] 0.79 [0.76; 0.81] 0.318 73.2 | 84.9 | 56.0 71.2<br />
(v) zehnfach kreuzvalidiert 0.77 [0.75; 0.80] 0.320 1 72.0 | 84.3 | 54.1 70.3<br />
1 gemittelt aus den zehn der Kreuzvalidierung zugr<strong>und</strong>eliegenden <strong>Modelle</strong>n<br />
Sensitivität<br />
1,0<br />
0,8<br />
0,6<br />
0,4<br />
0,2<br />
<strong>Modelle</strong>ntwicklung<br />
Zufallsmodell<br />
BT<br />
BT, C<br />
BT, (C)<br />
BT, (C), N<br />
BT, (C), N, J<br />
BT, (C), N, (J)<br />
BT, C, N, (J)<br />
0,0<br />
0,0 0,2 0,4 0,6 0,8 1,0<br />
1 - Spezifizität<br />
Abb. A2-3: Stethophyma grossum – ROC-Kurven für eine vorwärts schrittweise multiple<br />
logistische Regression (Datengr<strong>und</strong>lage: Drömling 1995-97).
A - 8 A2 Anhang – Habitatmodelle<br />
A2.4 Zu 2.4.3.1: Modellverbesserung für Stethophyma grossum bei Einbeziehung<br />
von Vegetationsstrukturvariablen<br />
Tab. A2-5: Stethophyma grossum – Vegetationsstrukturvariablen.<br />
• Deckung abgestorbener, stehender Phytomasse<br />
• Vertikalstruktur (Höhe der lebenden Biomasse)<br />
• Heterogenität der Schichtung in der Krautschicht<br />
Tab. A2-6: Stethophyma grossum – Gütekriterien für mit bzw. ohne Variablen der Vegetationsstrukturkartierung<br />
vorwärts schrittweise gebildete <strong>Modelle</strong>.<br />
Modell AUC [CI95%] R 2 N<br />
Popt (% korrekt Pfehlergerecht<br />
|Sens. |Spez.) (% korrekt)<br />
nur Strukturvar. (v) 0.83 [0.78; 0.87] 0.419 79.0 | 98.7 | 39.1 73.1<br />
nur Umweltvar. UV (r) 0.74 [0.70; 0.79] 0.461 80.5 | 90.9 | 51.2 71.1<br />
UV (v) + Struktur (v) 0.94 [0.91; 0.97] 0.739 92.7 | 97.4 | 83.0 84.6<br />
UV (v) + Struktur (v) zehnfach<br />
kreuzvalidiert<br />
0.89 [0.85; 0.93] 0.750 1<br />
85.9 | 90.0 | 77.7 81.5<br />
1 gemittelt aus den zehn der Kreuzvalidierung zugr<strong>und</strong>eliegenden <strong>Modelle</strong>n<br />
Sensitivität<br />
1,0<br />
0,8<br />
0,6<br />
0,4<br />
0,2<br />
<strong>Modelle</strong>ntwicklung<br />
Zufallsmodell<br />
nur Struktur (v)<br />
nur UV (r)<br />
UV (v) + Struktur (v)<br />
UV (v) + Struktur (v)<br />
10-fach kreuzvalid.<br />
0,0<br />
0,0 0,2 0,4 0,6 0,8 1,0<br />
1 - Spezifizität<br />
Abb. A2-4: Stethophyma grossum – ROC-Kurven für <strong>Modelle</strong> mit <strong>und</strong> ohne Einbeziehung der<br />
Variablen aus der Vegetationsstrukturkartierung.
A2 Anhang – Habitatmodelle A – 9<br />
A2.5 Zu 2.5.2: Vorkommensprognosekarten von Conocephalus dorsalis <strong>und</strong> Stethophyma<br />
grossum für die Nutzungsszenarien<br />
A<br />
B<br />
C<br />
Conocephalus dorsalis<br />
S t a t u s Q u o<br />
500 0 500 1000 m<br />
N<br />
Conocephalus dorsalis<br />
E x t e n s i v i e r u n g<br />
500 0 500 1000 m<br />
N<br />
Conocephalus dorsalis<br />
I n t e n s i v i e r u n g<br />
500 0 500 1000 m<br />
N<br />
Abb. A2-5: Conocephalus dorsalis – Vorkommensprognosen im Drömling (Pkrit=0.5; schwarz:<br />
geeignete Habitate): A: Status-Quo-Szenario; B: Extensivierungs- <strong>und</strong> C: Intensivierungsszenario.
A - 10 A2 Anhang – Habitatmodelle<br />
A<br />
B<br />
C<br />
Stethophyma grossum<br />
S t a t u s Q u o<br />
500 0 500 1000 m<br />
N<br />
Stethophyma grossum<br />
E x t e n s i v i e r u n g<br />
500 0 500 1000 m<br />
N<br />
Stethophyma grossum<br />
I n t e n s i v i e r u n g<br />
500 0 500 1000 m<br />
N<br />
Abb. A2-6: Stethophyma grossum – Vorkommensprognosen im Drömling (Pkrit=0.5; schwarz:<br />
geeignete Habitate): A: Status-Quo-Szenario; B: Extensivierungs- <strong>und</strong> C: Intensivierungsszenario.
A3 - Validierung der Habitatmodelle<br />
A3.1 Verändertes Testverfahren nach Thomas & Bovee (1993), Freeman et al.<br />
(1997) oder Glozier et al. (1997) mit G-Test (Sokal & Rohlf 1995)<br />
G obs<br />
= 2{[<br />
aln(<br />
a)<br />
+ bln(<br />
b)<br />
+ cln(<br />
c ) + d ln( d )] −<br />
[( a + b)<br />
ln( a + b)<br />
+ ( c + d ) ln( c + d ) + ( a + c ) ln( a + c ) + ( b + d ) ln( b + d )] +<br />
[( a + b + c + d ) ln( a + b + c + d )]}<br />
mit a, b, c & d entsprechend der Belegungen der Klassifikationsmatrix in Abb. 2-1<br />
Testverfahren (zweiseitiger Test, vgl. Freeman et al. 1997):<br />
Gobs < χ 2 0.05[1] = 3.841, d.h. Nullhypothese kann nicht abgelehnt werden.<br />
Gobs ≥ χ 2 0.05[1] = 3.841, d.h. Ablehnung der Null- <strong>und</strong> Annahme der Alternativhypothese.<br />
A3.2 Ergebnisse der Modellübertragungen für Conocephalus dorsalis<br />
( A3-1 )<br />
Tab. A3-3: Drömling – Gütekriterien für gebietsinterne zeitliche Modellübertragungen (vgl.<br />
Abb. 3-2 links); (fett: Originalmodelle).<br />
Training:<br />
1995<br />
1996<br />
1997<br />
Test:<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
AUC R 2 N<br />
0.83 ∗∗∗<br />
0.62 ∗∗∗<br />
0.65 ∗∗<br />
0.74 ∗∗∗<br />
0.79 ∗∗∗<br />
0.66 ∗∗∗<br />
0.64 ∗∗∗<br />
0.68 ∗∗∗<br />
0.79 ∗∗∗<br />
0.426<br />
0.319<br />
0.346<br />
Popt<br />
(% korrekt | Sens. | Spez.)<br />
76.8 | 88.4 | 61.9 ∗∗∗<br />
65.9 | 62.5 | 69.0 ∗∗∗<br />
66.0 | 72.7 | 55.9 ∗∗∗<br />
69.6 | 88.2 | 46.0 ∗∗∗<br />
74.3 | 82.6 | 66.5 ∗∗∗<br />
69.8 | 80.0 | 54.2 ∗∗∗<br />
67.5 | 87.0 | 42.1 ∗∗∗<br />
66.0 | 86.8 | 46.4 ∗∗∗<br />
71.8 | 81.1 | 57.6 ∗∗∗<br />
Pfehlergerecht<br />
(% korrekt)<br />
74.1 ∗∗∗<br />
64.6 ∗∗∗<br />
62.6 ∗∗<br />
68.2 ∗∗∗<br />
73.8 ∗∗∗<br />
65.1 ∗∗∗<br />
60.7 ∗∗∗<br />
59.9 ∗∗∗<br />
69.1 ∗∗∗<br />
Tab. A3-4: Rhinluch – Gütekriterien für gebietsinterne zeitliche Modellübertragungen (vgl.<br />
Abb. 3-3 links); (fett: Originalmodelle).<br />
Training:<br />
1995<br />
1996<br />
1997<br />
Test:<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
AUC R 2 N<br />
0.93 ∗∗∗<br />
0.77 ∗∗∗<br />
0.62 ∗<br />
0.62 n.s.<br />
0.84 ∗∗∗<br />
0.58 n.s.<br />
0.76 ∗∗∗<br />
0.73 ∗∗∗<br />
0.87 ∗∗∗<br />
0.678<br />
0.440<br />
0.531<br />
Popt<br />
(% korrekt | Sens.| Spez.)<br />
86.9 | 68.9 | 96.5 ∗∗∗<br />
83.0 | 55.6 | 96.1 ∗∗∗<br />
66.4 | 20.8 | 93.3 ∗<br />
77.7 | 51.1 | 91.8 ∗∗∗<br />
82.5 | 57.7 | 95.1 ∗∗∗<br />
66.4 | 15.1 | 96.7 ∗<br />
79.2 | 34.3 | 97.7 ∗∗∗<br />
75.2 | 40.0 | 89.3 ∗∗∗<br />
84.0 | 77.8 | 86.6 ∗∗∗<br />
Pfehlergerecht<br />
(% korrekt)<br />
85.4 ∗∗∗<br />
63.4 ∗∗<br />
62.9 ∗∗<br />
61.5 ∗<br />
75.3 ∗∗∗<br />
62.2 ∗∗<br />
75.0 ∗∗∗<br />
68.6 ∗∗<br />
81.2 ∗∗∗
A - 12 A3 Anhang – Validierung der Habitatmodelle<br />
Tab. A3-5: Vom Drömling auf das Rhinluch: Gütekriterien für zeitliche <strong>und</strong> räumliche<br />
Modellübertragungen (vgl. Abb. 3-2 rechts).<br />
Training:<br />
1995<br />
1996<br />
1997<br />
Test:<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
AUC R 2 N<br />
0.78 ∗∗∗<br />
0.79 ∗∗∗<br />
0.75 ∗∗∗<br />
0.67 ∗∗∗<br />
0.78 ∗∗∗<br />
0.81 ∗∗∗<br />
0.73 ∗∗∗<br />
0.62 n.s.<br />
0.63 ∗<br />
0.426<br />
0.319<br />
0.346<br />
Popt<br />
(% korrekt | Sens. | Spez.)<br />
81.6 | 50.0 | 96.5 ∗∗∗<br />
75.7 | 66.7 | 80.3 ∗∗∗<br />
73.7 | 2.2 | 99.2 n.s.<br />
68.8 | 2.5 | 100 n.s.<br />
74.8 | 47.2 | 88.7 ∗∗∗<br />
79.5 | 35.6 | 95.2 ∗∗∗<br />
82.4 | 65.0 | 90.6 ∗∗∗<br />
75.7 | 27.8 | 100 ∗∗<br />
76.9 | 31.1 | 95.5 ∗∗∗<br />
Pfehlergerecht<br />
(% korrekt)<br />
67.2 ∗∗∗<br />
72.9 ∗∗∗<br />
69.0 ∗∗∗<br />
64.8 ∗∗<br />
69.2 ∗∗∗<br />
74.9 ∗∗∗<br />
70.4 ∗∗∗<br />
64.5 ∗∗<br />
55.8 n.s.<br />
Tab. A3-6: Vom Rhinluch auf den Drömling: Gütekriterien für zeitliche <strong>und</strong> räumliche<br />
Modellübertragungen (vgl. Abb. 3-3 rechts).<br />
Training:<br />
1995<br />
1996<br />
1997<br />
Test:<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
AUC R 2 N<br />
0.71 ∗∗∗<br />
0.57 n.s.<br />
0.46 n.s.<br />
0.69 ∗∗∗<br />
0.72 ∗∗∗<br />
0.64 ∗<br />
0.64 ∗∗∗<br />
0.68 ∗∗∗<br />
0.52 n.s.<br />
0.678<br />
0.440<br />
0.531<br />
Popt<br />
(% korrekt | Sens. | Spez.)<br />
66.9 | 69.5 | 64.3 ∗∗∗<br />
58.6 | 47.4 | 67.7 ∗<br />
52.0 | 88.0 | 14.6 n.s.<br />
68.0 | 81.6 | 53.6 ∗∗∗<br />
71.0 | 72.4 | 69.9 ∗∗∗<br />
65.3 | 54.0 | 77.1 ∗∗<br />
64.5 | 79.0 | 48.4 ∗∗∗<br />
66.7 | 62.0 | 70.3 ∗∗∗<br />
58.6 | 100 | 0.00 n.s.<br />
Pfehlergerecht<br />
(% korrekt)<br />
65.9 ∗∗∗<br />
55.6 n.s.<br />
48.0 n.s.<br />
64.2 ∗∗∗<br />
70.4 ∗∗∗<br />
62.2 ∗<br />
60.1 ∗∗∗<br />
66.2 ∗∗∗<br />
50.7 n.s.<br />
Tab. A3-7: Zusammenfassung der Gütekriterien der unvalidierten rückwärts schrittweise<br />
erstellten Originalmodelle im Drömling <strong>und</strong> im Rhinluch.<br />
Popt (% korrekt | Sens. | Pfehlergerecht<br />
Spez.)<br />
(% korrekt)<br />
1995 0.83 ∗∗∗ 0.426 76.8 | 88.4 | 61.9 ∗∗∗ 74.1 ∗∗∗<br />
1996 0.79 ∗∗∗ 0.319 74.3 | 82.6 | 66.5 ∗∗∗ 73.8 ∗∗∗<br />
1997 0.79 ∗∗∗ 0.346 71.8 | 81.1 | 57.6 ∗∗∗ 69.1 ∗∗∗<br />
Originalmodelle AUC R 2 N<br />
1995 0.93 ∗∗∗ 0.678 86.9 | 68.9 | 96.5 ∗∗∗ 85.4 ∗∗∗<br />
1996 0.84 ∗∗∗ 0.440 82.5 | 57.7 | 95.1 ∗∗∗ 75.3 ∗∗∗<br />
1997 0.87 ∗∗∗ 0.531 84.0 | 77.8 | 86.6 ∗∗∗ 81.2 ∗∗∗<br />
Tab. A3-8: Conocephalu s dorsalis – Gütekriterien für räumliche Modellübertragungen bei bzgl.<br />
der Untersuchungsjahre zusammengefaßten Daten (fett: Originalmodelle).<br />
Training Test AUC R 2 N<br />
Popt<br />
(% korrekt | Sens. | Spez.)<br />
Pfehlergerecht<br />
(% korrekt)<br />
0.79 ∗∗∗ 0.336 74.2 | 81.1 | 65.9 ∗∗∗ 70.6 ∗∗∗<br />
0.80 ∗∗∗ 76.7 | 40.5 | 92.2 ∗∗∗ 73.2 ∗∗∗<br />
0.67 ∗∗∗ 64.0 | 58.8 | 69.7 ∗∗∗ 63.3 ∗∗∗<br />
0.85 ∗∗∗ 0.455 83.4 | 65.6 | 92.0 ∗∗∗ 75.3 ∗∗∗
A3 Anhang – Validierung der Habitatmodelle A – 13<br />
Sensitivität<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Trainingsdaten: Drömling<br />
Prognosen für 1995 Prognosen für 1996 Prognosen für 1997<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1 - Spezifizität<br />
Sensitivität<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1 - Spezifizität<br />
Sensitivität<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1 - Spezifizität<br />
Abb. A3-3: Conocephalu s dorsalis – ROC-Kurven für zeitliche Modellübertragungen für den<br />
Drömling; die <strong>Modelle</strong> beziehen Strukturvariablen mit ein.<br />
A3.3 Ergebnisse der Modellübertragungen für Stethophyma grossum<br />
Tab. A3-9: Stethophyma grossum – Gütekriterien für zeitliche Modellübertragungen im<br />
Drömling (vgl. Abb. A3-2 links) (fett: Originalmodelle).<br />
Training:<br />
1995<br />
1996<br />
1997<br />
Test:<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
AUC R 2 N<br />
0.78 ∗∗∗<br />
0.72 ∗∗∗<br />
0.68 ∗∗<br />
0.72 ∗∗∗<br />
0.77 ∗∗∗<br />
0.65 ∗<br />
0.66 ∗∗∗<br />
0.65 ∗∗∗<br />
0.77 ∗∗∗<br />
0.359<br />
0.272<br />
0.291<br />
Popt<br />
(% korrekt | Sensitivität<br />
| Spezifizität)<br />
75.1 | 94.9 | 33.3 ∗∗∗<br />
68.2 | 74.1 | 60.0 ∗∗∗<br />
86.4 | 98.4 | 18.2 ∗∗<br />
72.7 | 99.7 | 11.7 ∗∗∗<br />
72.6 | 81.0 | 60.8 ∗∗∗<br />
86.4 | 100 | 9.1 ∗<br />
76.3 | 100 | 3.3 ∗<br />
67.5 | 87.7 | 39.1 ∗∗∗<br />
89.1 | 97.6 | 40.9 ∗∗∗<br />
Pfehlergerecht<br />
(% korrekt)<br />
70.5 ∗∗∗<br />
66.6 ∗∗∗<br />
62.6 ∗<br />
66.2 ∗∗∗<br />
69.9 ∗∗∗<br />
59.2 n.s.<br />
61.9 ∗∗∗<br />
59.6 ∗∗<br />
66.7 ∗∗<br />
Tab. A3-10: Stethophyma grossum – Gütekriterien für zeitliche Modellübertragungen im<br />
Rhinluch (vgl. Abb. A3-3 rechts) (fett: Originalmodelle).<br />
Training:<br />
1995<br />
1996<br />
1997<br />
Test:<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
AUC R 2 N<br />
0.79 ∗∗∗<br />
0.79 ∗∗∗<br />
0.82 ∗∗∗<br />
0.80 ∗∗∗<br />
0.87 ∗∗∗<br />
0.66 ∗∗∗<br />
0.70 ∗∗∗<br />
0.79 ∗∗∗<br />
0.88 ∗∗∗<br />
0.427<br />
0.518<br />
0.548<br />
Popt<br />
(% korrekt | Sensitivität<br />
| Spezifizität)<br />
76.2 | 32.6 | 100 ∗∗∗<br />
77.8 | 75.0 | 79.2 ∗∗∗<br />
72.0 | 77.9 | 66.7 ∗<br />
75.0 | 48.9 | 90.7 ∗∗∗<br />
78.1 | 72.5 | 89.2∗∗∗<br />
65.7 | 58.8 | 72.0 ∗<br />
76.7 | 55.6 | 89.3 ∗∗∗<br />
75.0 | 75.0 | 80.0 ∗∗∗<br />
82.9 | 74.1 | 90.6∗∗∗<br />
Pfehlergerecht<br />
(% korrekt)<br />
70.8 ∗∗∗<br />
77.8 ∗∗∗<br />
(72.0 ∗∗∗)<br />
72.5 ∗∗∗<br />
80.0 ∗∗∗<br />
61.5 ∗∗<br />
64.2 ∗∗<br />
75.2 ∗∗∗<br />
70.5 ∗∗∗
A - 14 A3 Anhang – Validierung der Habitatmodelle<br />
Tab. A3-11: Stethophyma grossum – Gütekriterien für zeitliche <strong>und</strong> räumliche Modellübertragungen<br />
vom Drömling auf das Rhinluch (vgl. Abb. A3-2 rechts).<br />
Training:<br />
1995<br />
1996<br />
1997<br />
Test:<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
AUC R 2 N<br />
0.67 ∗∗<br />
0.79 ∗∗∗<br />
0.82 ∗∗∗<br />
0.69 ∗∗∗<br />
0.83 ∗∗∗<br />
0.76 ∗∗∗<br />
0.66 ∗∗<br />
0.63 ∗<br />
0.59 ∗<br />
0.359<br />
0.272<br />
0.291<br />
Popt<br />
(% korrekt | Sens. | Spez.)<br />
74.4 | 30.4 | 100 n.s.<br />
80.4 | 62.5 | 91.0 ∗∗∗<br />
77.2 | 73.2 | 80.9 n.s.<br />
76.8 | 47.8 | 93.7 ∗∗∗<br />
78.5 | 52.5 | 94.0 ∗∗∗<br />
71.4 | 54.9 | 86.5 ∗∗∗<br />
74.6 | 32.6 | 97.6 ∗∗∗<br />
71.4 | 22.5 | 98.6 ∗∗∗<br />
60.5 | 84.8 | 38.7 ∗∗∗<br />
Pfehlergerecht<br />
(% korrekt)<br />
65.5 ∗∗∗<br />
73.8 ∗∗∗<br />
75.4 ∗∗∗<br />
64.0 ∗∗<br />
74.8 ∗∗∗<br />
70.2 ∗∗∗<br />
56.9 n.s.<br />
50.9 n.s.<br />
50.8 n.s.<br />
Tab. A3-12: Stethophyma grossum – Gütekriterien für zeitliche <strong>und</strong> räumliche Modellübertragungen<br />
vom Rhinluch auf den Drömling (vgl. Abb. A3-3 links).<br />
Training:<br />
1995<br />
1996<br />
1997<br />
Test:<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
1995<br />
1996<br />
1997<br />
AUC R 2 N<br />
0.61 ∗∗∗<br />
0.65 ∗∗∗<br />
0.50 n.s.<br />
0.65 ∗∗∗<br />
0.65 ∗∗∗<br />
0.55 n.s.<br />
0.68 ∗∗∗<br />
0.61 ∗∗<br />
0.54 n.s.<br />
0.427<br />
0.518<br />
0.548<br />
Popt<br />
(% korrekt | Sens. | Spez.)<br />
76.2 | 100 | 0 n.s.<br />
69.8 | 99.1 |12.3 ∗∗<br />
84.7 | 100 | 0 n.s.<br />
76.8 | 97.5 | 10.5 ∗∗<br />
71.0 | 90.2 | 33.3 ∗∗∗<br />
85.7 | 98.0 | 2.0 ∗<br />
79.9 | 99.3 | 20.6 ∗∗∗<br />
71.4 | 97.9 | 18.6 ∗∗∗<br />
86.6 | 98.4 | 15.0 ∗<br />
Pfehlergerecht<br />
(% korrekt)<br />
57.7 ∗<br />
64.5 ∗∗<br />
50.0 n.s.<br />
63.0 ∗∗∗<br />
57.4 n.s.<br />
51.0 n.s.<br />
62.6 ∗∗∗<br />
55.7 n.s.<br />
50.0 n.s.<br />
Tab. A3-13: Stethophyma gros sum – Zusammenfassung der Gütekriterien der unvalidierten<br />
rückwärts schrittweise erstellten Originalmodelle im Drömling <strong>und</strong> im Rhinluch.<br />
Popt<br />
Pfehlergerecht<br />
(% korrekt | Sens.| Spez.) (% korrekt)<br />
1995 0.78 ∗∗∗ 0.359 75.1 | 94.9 | 33.3 ∗∗∗ 70.5 ∗∗∗<br />
1996 0.77 ∗∗∗ 0.272 72.6 | 81.0 | 60.8 ∗∗∗ 69.9 ∗∗∗<br />
1997 0.77 ∗∗∗ 0.291 89.1 | 97.6 | 40.9 ∗∗∗ 66.7 ∗∗<br />
Originalmodelle AUC R 2 N<br />
1995 0.79 ∗∗∗ 0.427 76.2 | 32.6 | 100 ∗∗∗ 70.8 ∗∗∗<br />
1996 0.87 ∗∗∗ 0.518 78.1 | 72.5 | 89.2 ∗∗∗ 80.0 ∗∗∗<br />
1997 0.88 ∗∗∗ 0.548 82.9 | 74.1 | 90.6 ∗∗∗ 70.5 ∗∗∗<br />
Tab. A3-14: Stethophyma gros sum – Gütekriterien für räumliche Modellübertragungen bei<br />
bzgl. der Untersuchungsjahre zusammengefaßten Daten (fett: Originalmodelle).<br />
Training Test AUC R 2 N<br />
Popt<br />
(% korrekt | Sens. | Spez.)<br />
Pfehlergerecht<br />
(% korrekt)<br />
0.77 ∗∗∗ 0.280 73.8 | 92.2 | 35.5 69.5<br />
0.73 ∗∗∗ 73.2 | 47.0 | 91.9 60.8<br />
0.62 n.s. 76.8 | 95.4 | 24.1 57.7<br />
0.82 ∗∗∗ 0.433 77.3 | 55.6 | 92.1 76.6
A3 Anhang – Validierung der Habitatmodelle A – 15<br />
Sensitivität<br />
Sensitivität<br />
Sensitivität<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Trainingsdaten: Drömling Trainingsdaten: Rhinluch<br />
Prognosen für Drömling 1995<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
1 - Spezifizität<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Sensitivität<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Prognosen für Drömling 1996<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
1 - Spezifizität<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
Sensitivität<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Rhinluch 1995<br />
Rhinluch 1996<br />
Rhinluch 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Prognosen für Drömling 1997<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
1 - Spezifizität<br />
Sensitivität<br />
1 - Spezifizität<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Rhinluch 1995<br />
Rhinluch 1996<br />
Rhinluch 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
1 - Spezifizität<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Rhinluch 1995<br />
Rhinluch 1996<br />
Rhinluch 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1 - Spezifizität<br />
zeitliche Übertragung raumzeitliche Übertragung<br />
Abb. A3-4: ROC-Kurven für Modellübertragungen bei Stethophyma grossum – Prognosen für<br />
den Drömling; links: zeitliche Übertragung (Trainingsdaten aus dem Drömling) <strong>und</strong> rechts:<br />
raumzeitliche Übertragung (Trainingsdaten aus dem Rhinluch).
A - 16 A3 Anhang – Validierung der Habitatmodelle<br />
Sensitivität<br />
Sensitivität<br />
Sensitivität<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Trainingsdaten: Rhinluch Trainingsdaten: Drömling<br />
Prognosen für Rhinluch 1995<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Rhinluch 1995<br />
Rhinluch 1996<br />
Rhinluch 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
1 - Spezifizität<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Sensitivität<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Prognosen für Rhinluch 1996<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Rhinluch 1995<br />
Rhinluch 1996<br />
Rhinluch 1997<br />
1 - Spezifizität<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
Sensitivität<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
Prognosen für Rhinluch 1997<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Rhinluch 1995<br />
Rhinluch 1996<br />
Rhinluch 1997<br />
1 - Spezifizität<br />
Sensitivität<br />
1 - Spezifizität<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
1 - Spezifizität<br />
Zufallsmodell<br />
Trainingsdaten:<br />
Drömling 1995<br />
Drömling 1996<br />
Drömling 1997<br />
0.0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
1 - Spezifizität<br />
zeitliche Übertragung raumzeitliche Übertragung<br />
Abb. A3-5: ROC-Kurven für Modellübertragungen bei Stethophyma grossum – Prognosen für<br />
das Rhinluch; links: zeitliche Übertragung (Trainingsdaten aus dem Drömling) <strong>und</strong> rechts:<br />
raumzeit-liche Übertragung (Trainingsdaten aus dem Rhinluch).
A4 – Habitatkonnektivitätsanalyse<br />
A4.1 Fließdiagramm für die Realisierung der Habitatkonnektivitätsanalyse<br />
nach Keitt et al. (1997) mittels ArcView®/ArcView SpatialAnalyst®<br />
(Schröder & Apel 1998)<br />
Eingangsdaten:Habitateignungskarten im Vektorformat; Festlegung der krit. Habitateignung <strong>zur</strong> Unterscheidung von Habitat <strong>und</strong> Nichthabitat<br />
1. Bestimmung der Flächenschwerpunkte<br />
aller geeigneten Habitatflächen &<br />
Darstellung als separates Vektorbild<br />
Konnektivitätsanalyse<br />
Festlegung der threshold distance d krit; ; Berücksitigung oder Nichtberücksichtigung von Migrationsbarrieren<br />
3. Verbinden der Flächenschwerpunkte<br />
derjenigen Habitate, deren Abstand<br />
zueinander die d krit unterschreitet durch<br />
einfache Linien & Darstellung als<br />
separates Vektorbild<br />
digitale Karten der Landschaftsgraphen<br />
in vektorieller Form<br />
Berechnung der Rotationsradien R i<br />
der einzelnen Cluster gemäß Gl. 1<br />
auf Pixelbasis <strong>und</strong> Eintrag der Größe<br />
in die Attributtabelle der Rasterkarten<br />
Subroutine 1: Anlegen der Landschaftsgraphen<br />
5. Zuweisung von fortlaufenden Cluster-ID`s zu den so<br />
entstandenen Graphen <strong>und</strong> den von ihnen verb<strong>und</strong>enen<br />
Habitaten in der Attributtabelle der Graphen- <strong>und</strong><br />
Habitateignungskarte<br />
2. Bestimmung des minimalen<br />
Kantenabstandes eines jeden<br />
Habitats zu allen übrigen<br />
4. Konstruktion der Graphen durch<br />
Verschmelzen der einzelnen, in den<br />
Flächenschwerpunkten sich treffenden<br />
Linien zu einer Polylinie; Darstellung<br />
als separates Vektorbild<br />
Subroutine 2: Berechnung der Konnektivität Korrelationslänge C<br />
R ID#1<br />
R ID#2<br />
Umwandlung der Vektorkarten<br />
in Rasterformat<br />
ID#1<br />
ID#2<br />
Berechnung der Gesamtkonnektivität<br />
C gemäß Gl. 2<br />
auf Pixelbasis<br />
Ausgabe der Konnektivität, der Rotationsradien <strong>und</strong> der Clusterzugehörogkeit in tabellarischer Form<br />
d min =?<br />
digitale Karten der<br />
Landschaftsgraphen im Rasterformat<br />
C
A5 – Dynamisches Multihabitatmodell<br />
A5.1 Stabilitätsanalyse des dichte- <strong>und</strong> habitatqualitätsabhängigen Leslie-<br />
Modells<br />
Die Analyse der lokalen Stabilität beider stationären Zustände erfolgt anhand der<br />
Jacobimatrix B (Gl. ( 5-15 )), die Gl. ( A5-1 ) für das dichteabhängige Leslie-Modell zeigt.<br />
B = A<br />
nˆ<br />
β<br />
( cIˆ<br />
β<br />
) exp(<br />
( cI ) )<br />
⎛<br />
⎜0<br />
0 − βb<br />
−<br />
+ ⎜0<br />
0<br />
0<br />
⎜<br />
⎜0<br />
0<br />
0<br />
⎝<br />
⎞<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎠<br />
nˆ<br />
( A5-2 )<br />
Die Stabilität der stationären Zustände ( ˆn , ˆn : Gl. ( A5-2 ) linke Seite) ist vom dominanten<br />
1 2<br />
Eigenwert der jeweiligen Jacobimatrix (Gl. ( A5-2 ) rechte Seite) abhängig (s. 5.2.3.1). Ein<br />
stationärer Zustand ist solange stabil, solange |λ(B)1|<br />
< 1 gilt (Beddington 1974; Caswell<br />
1989; Caswell 1996).<br />
für nˆ<br />
1<br />
für nˆ<br />
2<br />
⎛0⎞<br />
⎜ ⎟<br />
= ⎜0⎟<br />
:<br />
⎜ ⎟<br />
⎝0⎠<br />
=<br />
β<br />
ln<br />
( P P b)<br />
c<br />
1<br />
2<br />
B<br />
nˆ<br />
1<br />
⎛1<br />
P1<br />
P2<br />
⎞<br />
⎜ ⎟<br />
⎜ 1 P2<br />
⎟ : B<br />
⎜ ⎟<br />
⎝ 1 ⎠<br />
nˆ<br />
2<br />
⎛ 0<br />
⎜<br />
= ⎜ P1<br />
⎜<br />
⎝ 0<br />
⎛<br />
⎜ 0<br />
⎜<br />
= ⎜ P1<br />
⎜<br />
⎜<br />
0<br />
⎝<br />
0<br />
0<br />
P<br />
2<br />
0<br />
0<br />
P<br />
2<br />
b⎞<br />
⎟<br />
0⎟<br />
0⎟<br />
⎠<br />
1<br />
P P<br />
1<br />
2<br />
( 1−<br />
β ln(<br />
P P b)<br />
)<br />
0<br />
0<br />
1<br />
2<br />
⎞<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎠<br />
( A5-3 )<br />
Per definitionem sind die Übergangswahrscheinlichkeiten P1 <strong>und</strong> P2, die maximale Fek<strong>und</strong>ität<br />
Fmax, der Formparameter β sowie die Habitatqualität HSI <strong>und</strong> damit auch der<br />
zusammengefaßte Parameter b <strong>und</strong> das Produkt P1P2 b (s. Gl. ( 5-26 )) positiv. So ergeben<br />
sich für die stationären Zustände ˆn bzw. ˆn die in Gl. ( A5-3 ) bzw. Gl. ( A5-4 )<br />
1<br />
2<br />
errechneten <strong>und</strong> in Gl. ( A5-5 ) zusammengefaßten Stabilitätsbedingungen (vgl. Tab. 5-1 <strong>und</strong><br />
Abb. 5-11). Da auch die Jacobimatrizen imprimitiv sind, weisen auch diese drei Eigenwerte<br />
gleicher Länge auf, von denen nur einer real, die anderen beiden komplex konjugiert sind (s.<br />
Abb. 5-11).<br />
für nˆ<br />
:<br />
1<br />
⇒<br />
⇒<br />
−λ<br />
λ<br />
λ<br />
3<br />
( B)<br />
( B)<br />
1<br />
( B)<br />
1<br />
=<br />
+ P P b = 0<br />
3<br />
< 1<br />
1<br />
1<br />
2<br />
P P b<br />
2<br />
⇔ 1><br />
P P b = P P F<br />
1<br />
2<br />
1<br />
2<br />
max<br />
1 + HSI ( )<br />
2<br />
( A5-4 )
A - 20 A5 Anhang – Dynamisches Multihabitatmodell<br />
für nˆ<br />
2<br />
:<br />
⇒<br />
⇒<br />
⇒<br />
−λ<br />
λ<br />
λ<br />
λ<br />
3<br />
( B)<br />
( B)<br />
1<br />
( B)<br />
1<br />
( B)<br />
1<br />
=<br />
+ P P<br />
3<br />
< 1<br />
1<br />
> − 1<br />
2<br />
1<br />
P P<br />
1<br />
1 − β ln<br />
2<br />
( 1 − β ln(<br />
P P b)<br />
)<br />
( P P b)<br />
1<br />
2<br />
⇔ 1 > 1 − β<br />
⇔ 0 < β ln<br />
2 β<br />
1<br />
2<br />
⇔ − 1 > 1 −<br />
⇔ 2 < β ln<br />
ln(<br />
P1<br />
P2b<br />
)<br />
( P P b)<br />
⇔ 1 < P P b = P P F<br />
⇔ e<br />
β ln(<br />
P1<br />
P2b<br />
)<br />
( P P b)<br />
1<br />
1<br />
1<br />
2<br />
1<br />
2<br />
2<br />
1<br />
2<br />
2<br />
1<br />
= 0<br />
max<br />
< P P b = P P F<br />
Zusammengefaßt bedeutet dies: (vgl. Tab. 5-1 <strong>und</strong> Abb. 5-11):<br />
nˆ<br />
: stabil ⇔ 0 < P P F<br />
1<br />
nˆ<br />
2<br />
: stabil ⇔ 1 < P P F<br />
1<br />
1<br />
2<br />
2<br />
max<br />
max<br />
1 + HSI ( )<br />
2<br />
1 + HSI 2 β<br />
( ) < e<br />
2<br />
< 1<br />
2<br />
1 + HSI ( )<br />
max<br />
2<br />
1 + HSI ( )<br />
A5.2 Bifurkationsdiagramme für das nicht-räumliche Modell<br />
Anzahl Imagines I(t)<br />
250<br />
200<br />
150<br />
100<br />
50<br />
0<br />
0.00 0.05 0.10 0.15 0.20 0.25 0.30<br />
Übergangswahrscheinlichkeit Ei -> Larve P 1<br />
2<br />
( A5-5 )<br />
( A5-6 )<br />
Abb. A5-6: Bifurkationsdiagramm des nicht-räumlichen, dichte- <strong>und</strong> habitatqualitätsabhängigen<br />
Leslie-Modells: Bifurkationskriterium: P1, (Fmax = 60 Eier/Imago, P2 = 0.35, HSI = 1,<br />
β = 2).
A5 Anhang – Dynamisches Multihabitatmodell A – 21<br />
Anzahl Imagines I(t)<br />
200<br />
160<br />
120<br />
80<br />
40<br />
0<br />
0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50<br />
Übergangswahrscheinlichkeit Larve -> Imago P 2<br />
Abb. A5-7: Bifurkationsdiagramm des nicht-räumlichen, dichte- <strong>und</strong> habitatqualitätsabhängigen<br />
Leslie-Modells: Bifurkationskriterium: P2, (Fmax = 60 Eier/ Imago, P1 = 0.15, HSI = 1,<br />
β = 2).<br />
Anzahl Imagines I(t)<br />
200<br />
160<br />
120<br />
80<br />
40<br />
0<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
Habitatqualität HSI<br />
Abb. A5-8: Bifurkationsdiagramm des nicht-räumlichen, dichte- <strong>und</strong> habitatqualitätsabhän-<br />
gigen Leslie-Modells: Bifurkationskriterium: HSI, (Fmax = 85 Eier/Imago, P1 = 0.15, P2 = 0.35,<br />
β = 2).<br />
Anzahl Imagines I(t)<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
1,0 1,5 2,0 2,5 3,0 3,5 4,0<br />
Formparameter beta<br />
Abb. A5-9: Bifurkationsdiagramm des nicht-räumlichen, dichte- <strong>und</strong> habitatqualitätsabhängigen<br />
Leslie-Modells: Bifurkationskriterium: β, (Fmax = 60 Eier/ Imago, P1 = 0.15, P2 = 0.35,<br />
HSI = 1).
A - 22 A5 Anhang – Dynamisches Multihabitatmodell<br />
A5.2 Bifurkationsdiagramme für das räumliche Modell<br />
A<br />
B<br />
C<br />
Anzahl Imagines I(t) auf Habitatzelle [10, 10]<br />
Anzahl Imagines I(t) auf Habitatzelle [11, 11]<br />
Anzahl Imagines I(t) auf dem gesamten Raster [1000]<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
Zelle [10, 10]<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
maximale Fek<strong>und</strong>ität F max [Eier/imago]<br />
Zelle [11, 11]<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
Gesamtpopulation<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
Abb. A5-10: Bifurkationsdiagramme für die Habitatzellen [10, 10], [11, 11] <strong>und</strong> die Gesamtpopulation<br />
bei m = 0.2 (Bifurkationskriterium: maximale Fek<strong>und</strong>ität; andere Lebenstafelparameter:<br />
P1 = 0.15, P2 = 0.35, HSI = 1 <strong>und</strong> β = 2). Anfangsbedingung wie in 5.4.2.2., d.h. nur<br />
eine Startzelle ist besiedelt.
A5 Anhang – Dynamisches Multihabitatmodell A – 23<br />
A5.3 Simulationsergebnisse für dichteabhängige Ausbreitung<br />
dichteunabhängige dichteabhängige Ausbreitung Erstbesiedlungs-<br />
Ausbreitung (m = konstant) (m = m (I, HSI ))<br />
zeit<br />
Fmax = 60 Eier/Imago; HSI = 1.0; m = mmax = 0.2 [Zeitschritte]<br />
Fmax = 60 Eier/Imago; HSI = 0.5; m = mmax = 0.2<br />
Fmax = 80 Eier/Imago; HSI = 1.0; m = mmax = 0.2<br />
Fmax = 80 Eier/Imago; HSI = 0.5; m = mmax = 0.2<br />
Fmax = 80 Eier/Imago; HSI = 1; m = mmax = 0.4<br />
300<br />
280<br />
260<br />
240<br />
220<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
3 Zeitschritte =<br />
1 Simulationsjahr<br />
Abb. A5-11: Vergleich der Erstbesiedlungszeiten [3 Zeitschirtte = 1 Jahr] für Nullmodelle mit<br />
konstanter (links) <strong>und</strong> dichte- <strong>und</strong> habitatqualitätsabhängiger Ausbreitung bei einheitlicher<br />
Habitatqualität von 1 bzw. 0.5 für verschiedene maximale Fek<strong>und</strong>itäten (Fmax = 60 bzw. 80<br />
Eier/Imago) <strong>und</strong> Ausbreitungsraten. Die Simulation startet mit einer besiedelten Zelle [9,2].<br />
Verschiedene Graustufen geben die Erstbesiedlungszeit in Zeitschritten an: je heller, desto<br />
schneller erfolgt die Besiedlung.
A - 24 A5 Anhang – Dynamisches Multihabitatmodell<br />
A<br />
B<br />
Anzahl Imagines I(t) auf Habitatzelle [10, 10]<br />
Anzahl Imagines I(t) auf dem gesamten Raster [1000]<br />
350<br />
300<br />
250<br />
200<br />
150<br />
100<br />
50<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
Habitatzelle [10,10]<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
Gesamtpopulation<br />
0<br />
0 20 40 60 80 100 120 140 160<br />
maximale Fek<strong>und</strong>ität F max [Eier/Imago]<br />
Abb. A5-12: mmax = 0.4: Bifurkationsdiagramme für die Habitatzellen [10, 10] <strong>und</strong> die<br />
Gesamtpopulation bei dichte- <strong>und</strong> habitatqualitätsabhängiger Ausbreitung<br />
(Bifurkationskriterium: maximale Fek<strong>und</strong>ität; andere Lebenstafelparameter: P1 = 0.15,<br />
P2 = 0.35, HSI = 1 <strong>und</strong> β = 2).
Notationen – Abschnitte 2, 3 <strong>und</strong> 4 A - 25<br />
Notationen<br />
Abschnitte 2 <strong>und</strong> 3 – Habitatmodelle <strong>und</strong> ihre Validierung<br />
Y<br />
x<br />
: abhängige Variable ∈ {0,1} (Nicht- bzw. Vorkommen im Biotop)<br />
v : Parametervektor der k unabhängigen Variablen x1 ... xk (Vektor der<br />
v<br />
E [ Y | x]<br />
Habitatfaktoren)<br />
: Erwartungswert der abhängigen Variablen bei gegebener Ausprägung von x v<br />
( x)<br />
v<br />
P : Vorkommenswahrscheinlichkeit bei gegebener Ausprägung von x ,<br />
∈ [0,1]; Kurzform für<br />
v<br />
( 1|<br />
x) v<br />
v<br />
P 01(<br />
x)<br />
P Y =<br />
: Inzidenzprognose bei gegebener Ausprägung von x v , ∈ {0,1}<br />
Pkrit : Schwellenwert der Vorkommenswahrscheinlichkeit zwischen Vorkommensβ<br />
<strong>und</strong> Nichtvorkommensprognose<br />
v : Vektor der k zu schätzenden Regressionskoeffizienten β1 ... βk für die x1 ... xk<br />
unabhängigen Variablen<br />
L : Likelihoodfunktion<br />
D : Devianz = -2 log L = „-2LL“<br />
LR : Likelihood-Ratio-Teststatistik<br />
n : Stichprobengröße<br />
a, b, c, d : Belegungen der Klassifikationsmatrix<br />
AUC : Fläche unter einer ROC (receiver-operating characteristic) - Kurve<br />
AUCkrit : kritischer AUC-Wert<br />
: Standardfehler der Fläche unter der ROC-Kurve<br />
SEAUC<br />
Abschnitt 4 – Habitatkonnektivitätsanalyse<br />
d : Minimaldistanz zwischen zwei Habitatpatches<br />
dkrit : kritische Habitatentfernung bzw. Ausbreitungsdistanz<br />
R : Rotationsradius [m]<br />
nk : Anzahl der Gitterzellen in Cluster k<br />
xi, yi : Koordinaten der Zelle i<br />
x , y : Koordinaten des Schwerpunktes des Clusters<br />
C : Korrelationslänge [m]<br />
m : Clusteranzahl<br />
I(j) : normalisierter Wichtigkeitsindex von Patch j<br />
C(¬j) : Korrelationslänge, wenn Patch j ausgeschlossen
A - 26 Notationen – Abschnitt 5<br />
Abschnitt 5 – Dynamisches Multihabitatmodell<br />
v<br />
v<br />
nt<br />
; n : Populationsvektor zum Zeitpunkt t bzw. t+1<br />
t + 1<br />
nˆ : Populationsvektor im Gleichgewicht<br />
A : Populationsprojektions- oder Leslie-Matrix<br />
d : Imprimitivitätsindex der Leslie-Matrix A<br />
ai,j : Element der Projektionsmatrix in Zeile i <strong>und</strong> Spalte j<br />
si,j : Sensitivität des Matrixelementes ai,j<br />
S : Matrix der Sensitivitäten si,j<br />
ei,j : Elastizität des Matrixelementes ai,j<br />
E : Matrix der Elastizitäten ei,j<br />
x, y : Koordinaten der Habitatzellen auf dem Raster des zellulären Automaten<br />
Et [x,y] : Anzahl der Eier in Zelle [x,y] zum Zeitpunkt t<br />
Lt [x,y] : Anzahl der Larven in Zelle [x,y] zum Zeitpunkt t<br />
It [x,y] : Anzahl der Imagines in Zelle [x,y] zum Zeitpunkt t<br />
Eˆ<br />
, Lˆ<br />
, Iˆ<br />
: Anzahl der Eier, Larven bzw. Imagines im Gleichgewicht<br />
Ft [x,y] : Fek<strong>und</strong>ität in Zelle [x,y] zum Zeitpunkt t [Anzahl Eier/Imago]<br />
Fmax : maximale Fek<strong>und</strong>ität [Anzahl Eier/Imago]<br />
P1 : Übergangswahrscheinlichkeit vom Ei- ins Larvenstadium<br />
P2 : Übergangswahrscheinlichkeit vom Larven- ins Imaginalstadium<br />
λ1 : dominanter Eigenwert der Leslie-Matrix A<br />
: subdominante Eigenwerte der Leslie-Matrix A<br />
λi<br />
u v v<br />
: rechter, λ1 zugehörender Eigenvektor der Leslie-Matrix A<br />
v : linker, λ1 zugehörender Eigenvektor der Leslie-Matrix A<br />
α, β : Formparameter der Weibullfunktionen (Gl. ( 5-10) <strong>und</strong> Gl. ( 5-17 ))<br />
HSI [x,y] : Habitateignungsindex in Zelle [x,y] ∈ [0,1], entspricht der mittels Habitatmodell<br />
berechneten Vorkommenswahrscheinlichkeit (s. Abschnitt 2)<br />
mt [x,y] : Migrationsrate aus Zelle [x,y] zum Zeitpunkt t<br />
mmax : maximale Migrationsrate<br />
qi : bei deterministischer Ausbreitung: Anteil von m, der in die Nachbarzelle i<br />
emigriert (i =1..4, d.h. von-Neumann-Nachbarschaft);<br />
: bei stochastischer Ausbreitung: Wahrscheinlichkeit dafür, daß die Ausbreitung<br />
x<br />
der m⋅I Imagines in die Nachbarzelle i stattfindet<br />
v : Vektor kleiner Störungen des Gleichgewichts nˆ<br />
B | nˆ<br />
: Jacobimatrix des linearisierten Systems für das Gleichgewicht nˆ<br />
: dominanter Eigenwert der Jacobimatrix B<br />
λ(B)1
Publikationen & Tagungsbeiträge (allgemeiner Art)<br />
Wissenschaftliche Publikationen (allgemeiner Art)<br />
Schröder, B. (1996): Fuzzy Logik <strong>und</strong> klassische Statistik – ein kombiniertes Habitateignungsmodell<br />
für Conocephalus dorsalis (Latreille 1804) (Orthoptera: Tettigoniidae). -<br />
Diplomarbeit, Institut für Geographie <strong>und</strong> Geoökologie TU Braunschweig, Braunschweig:<br />
168 S.<br />
Schröder, B. & Richter, O. (1996): Stoffumsetzung in Aggregaten. - In: Richter, O., Söndgerath,<br />
D. & Diekkrüger, B. (Hrsg.): Sonderforschungsbereich 179 „Wasser- <strong>und</strong> Stoffdynamik<br />
in Agrarökosystemen“ Abschlußbericht. - Selbstverlag Institut für Geographie <strong>und</strong><br />
Geoökologie der TU Braunschweig, Braunschweig: 186-189.<br />
Richter, O., Söndgerath, D., Belde, M., Schröder, B. & Schwartz, S. (1997): Kopplung Geographischer<br />
Informationssysteme (GIS) mit ökologischen <strong>Modelle</strong>n im <strong>Naturschutz</strong>management.<br />
- In: Kratz, R. & F. Suhling (Hrsg.): Geographische Informationssysteme<br />
im <strong>Naturschutz</strong>: Forschung, Planung, Praxis. - Westarp Wissenschaften: Magdeburg:<br />
5-29.<br />
Schröder, B. (1997): Fuzzy Logik <strong>und</strong> klassische Statistik – ein kombiniertes Habitateignungsmodell<br />
für Conocephalus dorsalis (Latreille 1804) (Orthoptera: Tettigoniidae). -<br />
Verh. Ges. Ökol. 27: 219-226.<br />
Rolff, J. & Schröder, B. (1999): Regaining the water: a simulation model approach for<br />
Arrenurus larvae (Hydrochnellae) parasitizing damselflies (Coenagrion puella: Odonata). -<br />
In: Bruin, J., van der Geest, L. P. S. & Sabelis, M. W. (Hrsg.): Evolution and Ecology of<br />
Acari. - Dordrecht: Kluwer Academic Publishers: 359-366.<br />
Sandkühler, K. & Schröder, B. (1999): GIS-unterstützte Habitatstrukturanalyse wiesenbrütender<br />
Kleinvögel im Drömling (O-Niedersachsen). - NNA-Berichte (im Druck).<br />
Tagungsbeiträge (allgemeiner Art)<br />
Schröder, B. (1996): Anwendungen der Fuzzy Logik in der ökologischen Modellierung. -<br />
ASI- Workshop „Neuronale Netze <strong>und</strong> Neuro-Fuzzy-Systeme“ am 24.-25. Oktober<br />
1996, Clausthal-Zellerfeld. (Vortrag).<br />
Schröder, B. (1996): Fuzzy Logik <strong>und</strong> Klassische Statistik - ein kombiniertes Habitateignungsmodell<br />
für Conocephalus dorsalis (Latreille 1804). - 27. Jahrestagung der Gesellschaft für<br />
<strong>Ökologie</strong>, 9.-14. September 1996, Bonn. (Poster).<br />
Schröder, B. (1997): Erweiterung klassischer Statistik mit Hilfe der Fuzzy Logik - ein kombiniertes<br />
Habitateignungsmodell für die Laubheuschreckenart Conocephalus dorsalis<br />
(Latreille 1804) (Orthoptera: Tettigoniidae). - ASIM-Fachgruppentagung „Soft Computing“,<br />
7. Ebernburger Gespräch, 17.-19. April 1997, Ebernburg - Bad Münster. (Vortrag).<br />
Schröder, B. (1997): Fuzzy Logik <strong>und</strong> klassische Statistik in der Habitatmodellierung –<br />
Habitateignungsmodelle für die Kurzflügelige Schwertschrecke. - Workshop der AG 5<br />
der Gesellschaft für Informatik: „Werkzeuge für Modellbildung <strong>und</strong> Simulation in<br />
Umweltanwendungen“, 5.-6. Juni 1997, Oldenburg. (Vortrag).<br />
Schröder, B., Laggner, A., Gasse, M. & Sandkühler, K. (1999): Habitateignungsmodelle für<br />
wiesenbrütende Kleinvögel im Niedermoor – Braunkehlchen, Wiesenpieper, Schafstelze.-<br />
30. Jahrestagung der Gesellschaft für <strong>Ökologie</strong>, 13.-18. September 1999, Bayreuth.<br />
(Poster).<br />
Teppema, J., Huk, T. & Schröder, B. (1999): Habitateignungsmodelle für ausgewählte Laufkäferarten<br />
des Drömlings. - 30. Jahrestagung der Gesellschaft für <strong>Ökologie</strong>, 13.-18. September<br />
1999, Bayreuth. (Poster).
Dank<br />
Für die Hilfe <strong>und</strong> Unterstützung, die ich bei der Erstellung<br />
dieser Arbeit erhalten habe, möchte ich an dieser Stelle allen,<br />
die dazu beigetragen haben, von ganzem Herzen danken.<br />
An erster Stelle steht hier Anja Hansen, die mit ihrer Ruhe,<br />
ihrer Kraft <strong>und</strong> ihrem großen Herzen ganz entscheidend zum<br />
Gelingen dieser Arbeit beigetragen hat.<br />
Prof. Dr. O. Richter danke ich für die Betreuung der Arbeit<br />
<strong>und</strong> die Übernahme des Referates, Prof. Dr. G. Rüppell für die<br />
Übernahme des Korreferates. Ihnen sowie Prof. Dr. O. Larink<br />
<strong>und</strong> Prof. Dr. M. Kleyer möchte ich auch dafür danken, daß sie<br />
sich bereit erklärt haben, der Disputation als Prüfer beizuwohnen.<br />
Jens Rolff <strong>und</strong> Dagmar Söndgerath, danke ich für die<br />
intensiven <strong>und</strong> befruchtenden Diskussionen <strong>und</strong> zusammen mit<br />
Christine Vogel, Aletta Bonn, Thomas Huk <strong>und</strong> Edda Heuer<br />
für ausdauerndes Korrekturlesen.<br />
Ohne den Datenschatz, den mir vor allem Daniela Helms <strong>und</strong><br />
Reinhold Kratz sowie E. - E. Krüper <strong>und</strong> U. Stachow <strong>zur</strong><br />
Verfügung gestellt haben, wäre diese Arbeit so nicht durchführbar<br />
gewesen <strong>und</strong> viel theoretischer geworden.<br />
Heiko Apel möchte ich für die gute Zusammenarbeit zum<br />
Thema Konnektivität meinen Dank aussprechen. Den Mitarbeiterinnen<br />
<strong>und</strong> Mitarbeitern des BMBF-Verb<strong>und</strong>projektes<br />
„Ökosystemmanagement für Niedermoore“ <strong>und</strong> der AG<br />
O. Richter, allen voran meinen Mitstreiterinnen in der Geoökologie<br />
– Susanne Schwartz <strong>und</strong> Maren Belde – danke ich für die<br />
schöne Zeit <strong>und</strong> die gute Atmosphäre. Vielen Dank auch an<br />
Wolfgang Max <strong>und</strong> Nicolas Pomränke, die mir in so mancher<br />
computergestü(r/t)zter Bedrängnis geholfen haben.<br />
Die Arbeit wurde gefördert aus Mitteln des BMBF-<br />
Verb<strong>und</strong>projektes „Ökosystemmanagement für Niedermoore“<br />
(Fördernr. 0339559).<br />
Boris Schröder