Zwischen Naturschutz und Theoretischer Ökologie: Modelle zur ...

2.2 Datengrundlage 21
menhängen (z.B. van Dorp & Opdam 1987; Thomas et al. 1992; Dennis et al. 1998;
Kuhn 1998). Deshalb sollte der Einfluß der landschaftlichen Struktur auf die Verteilung
von C. dorsalis im Raum untersucht werden. Die Grundidee ist hierbei, das
räumliche bzw. raumzeitliche (s.u.) Beziehungsgeflecht der Habitate zur Vorhersage
zu nutzen. Warum sollte nicht eine gute Fläche die Vorkommenswahrscheinlichkeit
in ihrer direkten Nachbarschaft erhöhen (Dunning et al. 1992)? Genauso ist zu
erwarten, daß ein gemessen an seiner Ausstattung als gut einzustufendes, aber nur
von stark ungeeigneten Flächen umgebenes und dementsprechend isoliertes Habitat
eine verringerte Vorkommenswahrscheinlichkeit aufweist (vgl. Dennis et al. 1998;
Kuhn 1998).
Um die Nachbarschaftseffekte in die Habitatanalysen einfließen lassen zu können,
werden aus der im GIS gespeicherten topographischen Information neben der
Flächengröße (z.B. van Dorp & Opdam 1987; Verboom & van Apeldoorn 1990)
zusätzliche Prädiktorvariablen abgeleitet. Buckland & Elston (1993), Augustin et al.
(1996) und Augustin et al. (1998) haben bereits in einem vergleichbaren Ansatz für
Rasterdaten solche autologistischen Modelle vorgestellt (vgl. auch Smith 1994).
Für alle Untersuchungseinheiten können die in direkter Nachbarschaft liegenden
Flächen und Gräben ermittelt werden. Daraus lassen sich auf Grundlage der bis zu
diesem Punkt erstellten Karten weitere erklärende Variablen berechnen, die entweder
die Vorkommensprognose oder das reale Vorkommen auf den direkt benachbarten
Flächen – d.h. mit mindestens einer gemeinsamen Kante – in Betracht ziehen (vgl.
Buckland & Elston 1993; Augustin et al. 1996; Augustin et al. 1998). Beispiele für
solche Prädiktorvariablen sind z.B. „Anteil von Flächen mit Vorkommen in der
Nachbarschaft“, „Anteil von Flächen mit einer hohen Habitateignung in der Nachbarschaft“
oder „durchschnittliche Habitateignung der benachbarten Flächen“. Wird
hierbei auf die benachbarten Vorkommen Bezug genommen, so verringert sich der
Umfang des zur Verfügung stehenden Datensatzes auf diejenigen Untersuchungsflächen,
in deren unmittelbarer Nachbarschaft Transektbegehungen stattgefunden
haben. Im Gegensatz dazu kann bei Verwendung der prognostizierten Vorkommenswahrscheinlichkeiten,
die für das gesamte Untersuchungsgebiet geschätzt werden
können, der volle Datenumfang genutzt werden.
Analog dazu wird überprüft, ob das a-priori-Wissen über in vorausliegenden Jahren
detektierte Habitate zur Ableitung weiterer erklärender Variablen, wie z.B. „Vorkommen
in der Nachbarschaft im Vorjahr festgestellt [ja/nein]“ genutzt werden kann
(vgl. Buckland & Elston 1993; Smith 1994; Buckland et al. 1996).
2.2.3 Häufigkeitsklassendaten
Für einige der Untersuchungsflächen des Jahres 1995 (n = 362) liegen neben den
Präsenz-Absenz-Daten auch Daten über Abundanzen in ordinalen, nicht äquidistanten
Häufigkeitsklassen vor (7 Klassen: von Nichtvorkommen „0“ bis >50 Individuen
pro 400 m 2 -Transekt „7“). Um sie für die Habitatmodelle nutzbar zu machen, werden
Gewichtungsfaktoren eingeführt, die je nach Häufigkeitsklasse die Wertigkeit der Flä-