Zwischen Naturschutz und Theoretischer Ökologie: Modelle zur ...
Zwischen Naturschutz und Theoretischer Ökologie: Modelle zur ...
Zwischen Naturschutz und Theoretischer Ökologie: Modelle zur ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
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).