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.
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).