Zwischen Naturschutz und Theoretischer Ökologie: Modelle zur ...

3.4 Ergebnisse 81
bestehen beide Tests. Vergleicht man die Güte der unvalidierten Originalmodelle, so
liefert das Rhinluch höhere Prognosegüten: im Mittel für P fehlergerecht 80.6% korrekte
Prognosen für das Rhinluch vs. 72.3% für den Drömling sowie AUC-Werte von 0.88
bzw. 0.80 (vgl. auch die höheren Bestimmtheitsmaße in Tab. A3-5). Auf den ersten
Blick hat es also den Anschein, daß insgesamt für das Rhinluch bessere Modelle
angepaßt werden können. Bedenkt man aber, daß schon ein Nullmodell für das
Rhinluch 1995 65%, 1997 sogar 71% korrekte Prognosen liefern kann (s. Prävalenzen
in Tab. 1-3), so erscheinen die fast durchweg hohen Prognosegüten der Rhinluch-Modelle
in einem anderen Licht. Die relativen Verbesserungen gegenüber den
entsprechenden Nullmodellen (im Drömling zwischen 51% und 57% korrekt) sind
dann für die Drömling-Modelle größer. Zudem weisen die Diskrepanzen zwischen
den Originalmodellen und den zeitlichen, gebietsinternen Modellübertragungen
darauf hin, daß die Rhinluch-Modelle zu stark an die Trainingsdaten angepaßt sind.
3.4.2 Zeitliche Übertragung bei Modellen mit Vegetationsstrukturvariablen
Abschließend wird für den Drömling die zeitliche Übertragbarkeit von Habitatmodellen
getestet, in welche neben den Habitatfaktoren die Vegetationsstrukturvariablen
einfließen (vgl. 2.2.1). In die Modelle werden die in Tab. 3-7 aufgelisteten
Strukturvariablen und Habitatfaktoren integriert.
Tab. 3-7: Drömling: Strukturvariablen und Habitatfaktoren der Originalmodelle zum Test der
gebietsinternen zeitlichen Übertragbarkeit.
Trainingsdaten
Drömling
'95
'96
'97
Strukturvariablen und Habitatfaktoren in den Originalmodellen
Vertikal- und Horizontalstruktur, Heterogenität der Schichtung in
der Krautschicht, Deckung abgestorbener, stehender Phytomasse,
Vegetationshöhe, Vegetationshöhe 2
Horizontal- und Vertikalstruktur, Heterogenität der Schichtung in
der Krautschicht, Wuchsform der Individuen in der Krautschicht,
Biotoptyp
Horizontalstruktur, Vegetationshöhe
Werden diese Modelle in der Zeit übertragen, so zeigt sich eine starke Diskrepanz
der Prognosegüten von Originalmodellen und Übertragungen, was auf eine Überparametrisierung
der Originalmodelle schließen läßt (Tab. 3-8). Dementsprechend
zeigen die Modelle für die Trainingsdatensätze teilweise extrem hohe Klassifikationsgüten,
für die – bis auf einen Fall hoch signifikanten – Übertragungen sind sie aber
weniger gut (Tab. 3-8; ROC-Kurven in Abb. A3-1).