Zwischen Naturschutz und Theoretischer Ökologie: Modelle zur ...

2.3 Statistische Verfahren der Habitatmodellierung 27
kommenswahrscheinlichkeit in der Nachbarschaft (Smith 1994; Augustin et al. 1996;
Li et al. 1997), weshalb die Verläßlichkeit der allein auf Habitatfaktoren beruhenden
Modelle relativiert wird (Borcard et al. 1992; Legendre 1993). Eine Überprüfung
hinsichtlich möglicher Auswirkungen räumlicher Autokorrelation erfolgt in meiner
Arbeit auf zwei verschiedenen Wegen.
In Abschnitt 2.4.2.4 wird ein qualitativer Vergleich von Responsekurven durchgeführt
(vgl. Legendre 1993), die Ergebnis dreier unterschiedlicher Modelle (Tab. 2-1)
mit und ohne Berücksichtigung der räumlichen Koordinaten sind. In diesem Zusammenhang
wird auch eine Trendoberfläche geschätzt (vgl. Unwin 1975; Turner et al.
1991), d.h. ein – hier logistisches – Regressionsmodell, in das allein die geographischen
Koordinaten eingehen (s. Legendre & Fortin 1989; Pereira & Itami 1991;
Dessaint & Caussanel 1994).
Tab. 2-1: Modelle zur Überprüfung der möglichen Auswirkungen räumlicher Autokorrelation.
Modell 1 logistisches Regressionsmodell ohne Berücksichtigung der räumlichen
Koordinaten, das allein auf den Umweltvariablen beruht.
Modell 2
trendoberflächenbereinigtes Modell, das mit der folgenden Prozedur
geschätzt wird:
• Berechnung einer Trendoberfläche (dritten Grades) mittels logistischer
Regression, bei der nur die Koordinaten (sowie ihre zweite und
dritte Potenz und Interaktionsterme) berücksichtigt werden
• Bestimmung der Logit-Residuen
• Schätzung eines linearen Regressionsmodells für die Residuen unter
Berücksichtigung der Umweltvariablen und Umrechnung der Vorhersagewerte
in Vorkommenswahrscheinlichkeiten mittels Gl. ( 2-2 )
Modell 3 logistisches Regressionsmodell, das in gleicher Weise räumliche Koordinaten
und Umweltvariablen als Prädiktoren einbezieht.
Alternativ dazu wird in 2.4.2.2 ein Verfahren angewendet, bei dem die in der räumlichen
Autokorrelation vorhandene Information zur Erklärung der Verteilung der Art
hinzugezogen wird, indem „Nachbarschaftsvariablen“ (s. 2.2.2) als zusätzliche
Prädiktorvariablen in das Modell integriert werden (vgl. Smith 1994). Über entsprechende
Modelle, welche die Heuschreckenvorkommen in vergangenen Untersuchungsphasen
bzw. -jahren (vgl. 2.2.2) als Prädiktoren verwenden (vgl. Buckland et
al. 1996), wird in 2.4.2.3 auch die Bedeutung der Mehrfachbegehungen und damit der
zeitlichen Autokorrelation für die Unabhängigkeitsannahme untersucht.
2.3.2.2 Problem der Multikollinearität
Die Verläßlichkeit der Modelle verringert sich bei Multikollinearität, d.h. wenn im
Modell hochkorrelierte unabhängige Variablen berücksichtigt werden (Cavallaro et al.
1981; Capen et al. 1986; Neter et al. 1989). Die Gefahr, ein durch Multikollinearität
verzerrtes Modell zu erhalten, ist bei der schrittweisen Modellbildung nicht so groß,
da Prädiktorvariablen, die mit einer bereits im Modell berücksichtigten erklärenden
Variable hoch korreliert sind, aufgrund ihres sehr ähnlichen Informationsgehaltes
kaum zur Modellverbesserung beitragen können und so durch den LR-Test –