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 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 –