Statistische Analysen der Einflussfaktoren auf die ...

Statistische Analysen der Einflussfaktoren auf dieFeldhasenpopulationen in NiedersachsenD i p l o m a r b e i tvon Monika HeskampFachhochschule HannoverStudiengang Biowissenschaftliche DokumentationSommersemester 2005Hannover, den 08. August 2005

ErklärungHiermit versichere ich, dass ich die vorliegende Arbeit selbständig verfasst und keineanderen als die angegebenen Quellen und Hilfsmittel verwendet habe.Ich bin damit einverstanden, dass meine Arbeit in der Bibliothek der FachhochschuleHannover eingestellt wird.Hannover, den 08. August 2005Monika Heskamp1. Prüferin: Prof. Dr. Kira Klenke2. Prüfer: Prof. Dr. Lothar Kreienbrock

Zusammenfassung% vom Anteil der landwirtschaftlichen Fläche in den Gemeinden, zu 7 % von derRabenkrähendichte und zu 1 % von der Temperatur in den Monaten September undOktober beeinflusst (Kapitel 6.2). Diese Ergebnisse entsprechen nur zum Teil denen dergängigen Literatur (s. Kapitel 7.2) und werden diskutiert.

AbkürzungsverzeichnisAbkürzungsverzeichnisABDDWDEMZGKZIDIWFoLJNNLfBNLSWTEAbundanz: Häufigkeit einer Tierart in einem Gebiet bezogenauf eine Flächeneinheit (Feldhase: Anzahl pro 100 habejagbare Fläche; Fuchs, Dachs, Rabenkrähe, Kolkrabe,Elster: Anzahl pro 100 ha Revierfläche)Deutscher WetterdienstErtragsmesszahlGemeindekennzifferIdentifikationsnummerInstitut für WildtierforschungLandesjägerschaft Niedersachsen e.V.Niedersächsisches Landesamt für BodenforschungNiedersächsisches Landesamt für StatistikWildtiererfassung Niedersachsen

InhaltsverzeichnisInhaltsverzeichnisZusammenfassungAbkürzungsverzeichnisInhaltsverzeichnis ....................................................................................................................I1 Einleitung .............................................................................................................................12 Biologie des Feldhasen .......................................................................................................32.1 Reproduktion..................................................................................................................42.2 Vorkommen und Populationsentwicklung .....................................................................42.3 Auswahl der Einflussfaktoren ........................................................................................63 Material und Methoden........................................................................................................83.1 Datenbeschaffung..........................................................................................................83.1.1 Landesjägerschaft Niedersachsen (LJN) und Institut fürWildtierforschung (IWFo)......................................................................................83.1.2 Niedersächsisches Landesamt für Statistik (NLS).............................................103.1.3 Naturräume verändert nach MEYNEN & SCHMITHÜSEN (1953-1961) .................113.1.4 Oberfinanzdirektion Hannover (OFD) ................................................................113.1.5 Niedersächsisches Landesamt für Bodenforschung (NLfB)..............................123.1.6 Deutscher Wetterdienst (DWD)..........................................................................123.2 Datenmanagement ......................................................................................................123.2.1 Variablenbeschreibung und -aufbereitung .........................................................123.2.1.2 Tatsächliche Nutzung der Gemeindeflächen.........................................153.2.1.3 Naturräume des Landes Niedersachsen ...............................................163.2.1.4 Ertragsmesszahlen.................................................................................233.2.1.5 Bodengrosslandschaften in Niedersachsen ..........................................263.2.1.6 Witterungsdaten......................................................................................323.2.2 Aufbau der Access-Datenbank Hase_Nds ........................................................333.2.3 Datenimport aus MS-ACCESS in die Statistik-Software SAS...........................363.3 Statistische Methoden .................................................................................................373.3.1 Korrelationsanalyse ............................................................................................373.3.2 Assoziationen .....................................................................................................393.3.3 Varianzanalyse ...................................................................................................403.3.4 Multiple lineare Regression ................................................................................473.3.5 Ausreißer-Test nach GRUBBS & BECKS (1972)...................................................52I

Inhaltsverzeichnis4 Statistische Auswertung ....................................................................................................544.1 Streuungs- und Lagemaße..........................................................................................554.2 Korrelationsanalysen der Zielvariablen ABD_Hase und der Einflussvariablen..........564.3 Assoziationen ..............................................................................................................594.4 Einfaktorielle Varianzanalyse der Zielvariablen ABD_Hase und derEinflussvariablen..........................................................................................................635 Varianzanalyse ..................................................................................................................655.1 Auswahl der Variablen.................................................................................................655.2 Ergebnisse...................................................................................................................656 Multiple Regression ...........................................................................................................696.1 Auswahl der Variablen.................................................................................................696.2 Ergebnisse...................................................................................................................717 Diskussion und Ausblick....................................................................................................757.1 Datengrundlage ...........................................................................................................757.2 Ergebnisdiskussion......................................................................................................788 Danksagung.......................................................................................................................839 Literaturverzeichnis............................................................................................................8410 Anhänge...........................................................................................................................90II

Einleitung1 EinleitungDer Feldhase ist ein weltweit bekanntes Wildtier, das nicht nur als „Osterhase“ einesymbolische Bedeutung hat. In zahlreichen Mythen und Sagen ist der Hase ein Symbol fürFrühling und Fruchtbarkeit (GEHLE 2002, S. 4). Der Fruchtbarkeit scheint der Feldhasejedoch nur noch in geringerem Maße nachzukommen: in den letzten drei Jahrzehnten sinddie Populationsdichten des Feldhasen zurückgegangen. Dies belegen die Zahlen derJagdstrecken und die Beobachtungen der Jäger. Seit 1994 steht der Hase auf der RotenListe der gefährdeten Säugetiere in Deutschland. Die Ursachen des Besatzrückgangessind sehr komplex und vielfältig. Neben Witterungsbedingungen, Krankheiten und derGefahr durch Beutegreifer haben die Intensivierung der Landwirtschaft durch den Einsatzvon Maschinen, Pestiziden und Kunstdüngern, der zunehmende Straßenverkehr und dieallgemeine Veränderung des Lebensraumes einen großen Einfluss auf diePopulationsdichten des Hasen (STRAUß & POHLMEYER 2001).Viele Arbeiten haben sich bereits mit den Einflussfaktoren und deren Ausmaß undAuswirkungen auf die Populationsdichte des Feldhasen beschäftigt. Datengrundlagewaren dabei die Jagdstrecken des Hasen, die seit den sechziger Jahren kontinuierlich imBundesgebiet erhoben werden. Durch eine verminderte Bejagungsintensität als Reaktionauf den Populationsrückgang kann aus den Jagdstrecken jedoch nicht mehr auf dieBesatzdichte geschlossen werden. Eine Analyse des Einflusses verschiedener Faktorenauf Basis der Jagdstrecken ist somit wenig aussagekräftig. In dieser Arbeit soll derEinfluss der Faktoren Prädation (Einfluss durch Beutegreifer), Flächennutzung undWitterung auf den Feldhasen untersucht werden. Grundlage sind u.a. die Daten derWildtiererfassung Niedersachsen (WTE), einem Wildtier-Monitoringprogramm, das seit1991 die Besätze des Feldhasen und anderer Wildtierarten erfasst und dokumentiert. Ausdieser Datengrundlage ergibt sich die folgende Fragestellung:Wie stark ist der Einfluss einiger ausgewählter Faktoren auf die Besatzdichte desFeldhasen in Niedersachsen?Diese Frage soll in der vorliegenden Arbeit in einem ersten Schritt mit Hilfe von Methodender deskriptiven Statistik beantwortet werden. Zudem werden als erste analytische1

EinleitungModellansätze mehrfaktorielle Regressions- und Varianzanalysen durchgeführt.Angewendet wird dabei das Statistik-Softwaresystem SAS (The SAS-System forWindows), Version 8. Um die Verteilung der Feldhasenpopulationen, aber auch die derEinflussfaktoren zu veranschaulichen, wurden mit dem Programm ArcView GIS 3.2akartographische Darstellungen angefertigt. Fachlich und inhaltlich betreut wurde dieseArbeit vom Institut für Biometrie, Epidemiologie und Informationsverarbeitung an derStiftung Tierärztliche Hochschule Hannover, vom Institut für Wildtierforschung und derFachhochschule Hannover.2

Biologie des Feldhasen2 Biologie des FeldhasenDer Feldhase (Lepus europaeus, PALLAS 1778) gehört zur Familie der Leporidae und derOrdnung der Lagomorpha, der Hasentiere. Bis vor ca. 100 Jahren wurden die Hasentierefälschlicherweise zu den echten Nagetieren (Rodentia) gezählt. Dann wurde bei denHasenartigen ein zweites Paar stiftartiger Schneidezähne entdeckt, das hinter demgrößeren Paar verborgen liegt. Somit wurden sie den Hasentieren zugeordnet.Der Hase war bereits in den voreiszeitlichen Steppen Eurasiens vorzufinden. Während derEiszeit verdrängt, wanderte er erst wieder nach dem Zurückweichen der Gletscher in dieSteppengebiete Mitteleuropas ein. Mit beginnender Rodung der Wälder und Ausbreitunglandwirtschaftlicher Flächen begann der Feldhase Mitteleuropa als Kulturfolger stärker zubesiedeln. Heute ist er vom Polarkreis bis zum Mittelmeer und von den britischen Inselnbis östlich des Urals anzutreffen. In Deutschland reicht das Verbreitungsgebiet desFeldhasen vom Meer bis zu den Hochlagen der Alpen (ca. 2400 m über NN). AlsSteppentier besiedelt er offene Flächen in der Agrarlandschaft, benötigt jedoch einenhohen Strukturanteil, d.h. Grenzlinien in Form von Hecken, Gräben, Wegrändern etc., dieDeckung und Nahrung bieten. Große und zusammenhängende Waldflächen meidet derHase in der Regel, sein Vorkommen in solchen Gebieten hat jedoch eine steigendeTendenz (DOBIAS 1997).Der Feldhase ist ein ausgesprochener Pflanzenfresser. Als Nahrung dienen ihmvorwiegend Wildkräuter, Feldfrüchte, Getreidepflanzen, Gräser, Rinde und die jungenTriebe von Gehölzen. Ausgewachsene Tiere erreichen eine Länge zwischen 50 und 70 cm(Kopf-Rumpf-Länge), das Gewicht schwankt zwischen 2,5 und 6,5 kg. Am Tag ruht derFeldhase in der Sasse, einer im freien Feld ausgescharrten ca. 5-8 cm tiefen Mulde oderin Feldgehölzen oder Waldrändern. Er wird erst in den Dämmerungs- und Nachtstundenaktiv. Nur während der Paarungszeit ist er tagsüber aktiver. Er ist relativ standorttreu miteinem Aktionsraum von 5-20 ha (SPITTLER 2000a, S. 14).3

Biologie des Feldhasen2.1 ReproduktionFeldhasen erreichen die Geschlechtsreife im Alter von fünf bis sechs Monaten. DieFortpflanzungszeit beginnt im Dezember/Januar und dauert bis in den September hinein.Die Hauptsetzzeit liegt in den Monaten April bis Juli. Nach einer Tragzeit von ca. 42 Tagensetzen die Häsinnen im Mittel 2,3 Jungtiere. Pro Jahr setzt eine Häsin durchschnittlich 7,4Junghasen. Die Junghasen sind Nestflüchter, sie werden sehend und behaart geboren.Einmal täglich während der Dämmerung werden die Jungtiere von der Häsin gesäugt. DieSäugezeit beträgt ca. 25 bis 30 Tage, die erste feste Nahrung wird bereits in der zweitenbis dritten Woche aufgenommen (Spittler 2000a, S. 16).2.2 Vorkommen und PopulationsentwicklungDie Besatzdichte des Hasen in Niedersachsen ist seit Mitte der achtziger Jahre mehr oderweniger rückläufig. In vielen ostfriesischen Landkreisen beispielsweise ist ein Rückgangder Jagdstrecke von ca. 10 Hasen/km² auf 7 Hasen/km² zu verzeichnen. Auch imsüdlichen und mittleren Niedersachsen fielen die Hasenstrecken von 6 bis 8 Hasen/km²(1960er und 1970er Jahre) auf unter 2 Hasen/km² (1990er Jahre) drastisch ab (STRAUß &POHLMEYER 2001). Die Jagdstrecken der Feldhasen werden seit 1958 kontinuierlich imgesamten Bundesgebiet erhoben (Wiese 1974). Sie sind die Grundlage der Berechnungder Populationsdichten unter der Voraussetzung einer konstanten Bejagungsintensität. AlsReaktion auf den Populationsrückgang ist die Intensität der Bejagung des Hasen jedochzurückgegangen. Im südlichen Niedersachsen werden sogar derzeit nur noch rund 1/3 derReviere bejagt. Somit lassen sich heutzutage die Populationsdynamik und -dichten nichtmehr aus den Jagdstrecken ableiten. Eine geringe Jagdstrecke ist nicht zwingend aufeinen Populationsrückgang zurückzuführen, sie kann auch auf einer schonenderenBejagung beruhen. Aufgrund dieser Tatsache ist die Dokumentation der Wildbesätzedurch die Wildtiererfassungen von großer Wichtigkeit.Ein Indikator für die Populationsentwicklungen des Feldhasen sind die Nettozuwachsraten.Diese werden durch Scheinwerferzählungen im Frühjahr und im Herbst bestimmt undgeben den Zuwachs an Junghasen abzüglich der Jung- und Althasenverluste wieder4

Biologie des Feldhasen(PEGEL 1986). Aktuelle Ergebnisse für Niedersachsen zeigen Zuwachsraten von -60 % bis160 % (STRAUß & POHLMEYER 2001). Die negativen Zuwachsraten bringen einenRückgang des Hasenbesatzes vom Frühjahr bis zum Herbst zum Ausdruck.Ausschlaggebend für die Schwankungen der Zuwachsraten sind z.B. die sommerlichenWitterungsverhältnisse (NYENHUIS 1990). Hohe Niederschläge während derSommermonate führen zu einem erhöhten Verlust an Junghasen durch parasitäre undbakterielle Infektionen wie Kokzidiose und Pseudotuberkulose (V. BRAUNSCHWEIG, 1997).Die Ursachen des Populationsrückganges der Feldhasen sind insgesamt aber als einGefüge verschiedener Einflüsse zu betrachten (Tab. 2.1). Die Stärke der einzelnenFaktoren ist noch nicht geklärt. Als besonders maßgeblich wird jedoch der Druck durchBeutegreifer und die stetige Veränderung des Lebensraumes angenommen (STRAUß &POHLMEYER 2001).Tab. 2.1: Faktorenkomplexe des Rückganges der Feldhasen (aus STRAUß & POHLMEYER 2001)Faktorenkomplexe des Rückganges der Feldhasenbesätze• Witterung• Krankheiten• Prädation• Landwirtschaft• Verluste durch landwirtschaftliche Bearbeitung• Agrochemikalien• Biotop• Intensive Pflanzenproduktion• Lebensraumverluste• Lebensraumzerschneidung• Schadstoffe• Verkehr• BejagungIn den letzten zehn Jahren ist ein Stillstand des Rückganges der Hasenbesätze zubeobachten. Die durchschnittliche Populationsdichte für Niedersachsen ist von 10,6Hasen/km² im Minimum (1995) auf rund 15 Hasen/km² (2004) gestiegen. Die hohenregionalen und lokalen Unterschiede in den Besatzdichten sind noch nicht eindeutiggeklärt (STRAUß & POHLMEYER 2001).5

Biologie des FeldhasenDie Abbildung im Anhang 1 zeigt die von den Revierinhabern eingeschätztenPopulationsdichten der Feldhasen in Niedersachsen für das Jahr 2003. DieFeldhasendichte ist in den landwirtschaftlich hochproduktiven Regionen im Westen undNorden sowie der Börde sichtlich höher als in den Heide- und Mittelgebirgsregionen. ImVergleich weisen die Heide- und Mittelgebirgsregionen einen höheren Waldanteil auf(Anhang 2).2.3 Auswahl der EinflussfaktorenMögliche Einflussßfaktoren auf die Feldhasenpopulationen wurden bereits in vielenwissenschaftlichen Arbeiten untersucht und diskutiert (SMITH et al. 2005, STRAUß &POHLMEYER 2001, NYENHUIS 1998, NYENHUIS 1990). Anhand dieser Literatur scheinen dieFaktoren Witterung, Prädation und Bodennutzung mit der damit verbundenen Intensitätund Form der landwirtschaftlichen Nutzung als Einflussfaktoren auf die Hasenbesätzebesonders wichtig zu sein. Diese drei Faktoren sollen mit den Besatzdaten aus der WTEvom Frühjahr 2003 in Beziehung gesetzt werden. Da für das Jahr 2003 alle benötigtenDaten weitestgehend vollständig verfügbar waren, wurde dieser Zeitraum für die Arbeitausgewählt.WitterungDie Witterung spielt bezüglich der Populationsentwicklungen des Feldhasen einebedeutende Rolle. Niedrige Temperaturen und hohe Niederschläge im Frühjahr, Sommerund Herbst wirken sich ungünstig auf die Besätze aus. Besonders die Junghasen sind beidieser Witterung anfälliger für Krankheiten und den Befall von Parasiten (V.BRAUNSCHWEIG 1997, DOBIAS 1997). Nach den strengen Wintern 1978/79 und 1979/80und den dazwischen liegenden, feuchten und relativ kalten Sommern kam es zu einemeinschneidenden Einbruch der Feldhasenpopulation. Die Besätze erholten sich zum Teil,erreichten jedoch in den alten Bundesländern nicht mehr das Niveau früherer Jahre(STRAUß & POHLMEYER 2001). Der Einfluss der Temperatur und des Niederschlags auf dieFeldhasenpopulationen ist somit unbestritten und soll hier zusammen mit der Dauer derSonneneinstrahlung in Bezug zu den Besatzdichten gesetzt werden.6

Biologie des FeldhasenPrädation (Einfluss durch Beutegreifer)Der Feldhase gehört zum Beutespektrum zahlreicher Säugetiere und Vögel. Dabei werdenhauptsächlich Junghasen geschlagen, da gesunde, adulte Hasen für die Beutegreiferschwer zu fassen sind. Insbesondere die hohe Fuchsdichte hat einen negativen Einflussauf die Nachwuchsrate der Feldhasen (STRAUß 1997). Im Vergleich der Abbildungen inden Anhängen 1, 2 und 3 fällt auf, dass Regionen mit einem hohen Fuchsanteil einegeringere Hasendichte aufweisen. Gleichzeitig liegt ein höherer Waldanteil vor. AuchRabenkrähe, Dachs, Kolkrabe und Elster sind bedeutende Jungtierräuber (GORETZKI1997). Eine erhöhte Populationsdichte dieser Tiere könnte somit die Feldhasenbesätzenachhaltig beeinflussen. Eine Übersicht über das Vorkommen und die Verteilung dieservier Beutegreifer geben die Abbildungen im Anhang 4 bis 7. Der Einfluss der insgesamtfünf oben genannten Prädatoren auf die Feldhasenbesätze soll in dieser Arbeit untersuchtwerden.BodennutzungDie Intensität der landwirtschaftlichen Nutzung und deren Auswirkungen auf dieHasenpopulationen sind durchaus widersprüchlich. Durch moderne Anbauweisen und dendadurch hervorgerufenen Rückgang der Wildkräuter und die erhöhte Dichte derKulturpflanzen während der Hauptvegetationsperiode wird das Feld als ursprünglicherLebensraum für den Hasen immer unattraktiver (STRAUß 1997). In der intensiv genutztenAgrarlandschaft der Braunschweiger-Hildesheimer-Lößbörde dagegen sind Frühjahrsbesätzevon bis zu 40 Hasen/km² zu verzeichnen (STRAUß & POHLMEYER 2001). EineErklärung für diese so ungewöhnlich scheinende Verteilung der Besätze in derAgrarlandschaft könnte die unterschiedliche Qualität der genutzten Böden sein. Ausdiesem Grunde werden in dieser Arbeit die Feldhasenbesätze der Gemeinden in Bezug zuder tatsächlichen Nutzung der Gemeindeflächen, insbesondere dem Anteil derlandwirtschaftlichen Nutzfläche (Anhang 8) und zu den die Bodengüte beschreibendenErtragsmesszahlen (Anhang 9) gesetzt.7

Material und Methoden3 Material und Methoden3.1 DatenbeschaffungDie dieser Arbeit zugrunde liegenden Daten wurden von unterschiedlichen Instituten,Ämtern und Behörden zur Verfügung gestellt (Tab. 3.1).Tab. 3.1: Art und Herkunft der DatenInstitution / DatenquelleLandesjägerschaft Niedersachsene.V. (LJN) und Institut fürWildtierforschung (IWFo)Niedersächsisches Landesamt fürStatistik (NLS)IWFoOberfinanzdirektion Hannover(OFD)Niedersächsisches Landesamt fürBodenforschung (NLfB)DatenFrühjahrsbesätze des Feldhasen für das Jahr 2003 (WTE)Tatsächliche Nutzung der Gemeindeflächen des Jahres2003Agrarstrukturerhebung 2003Naturräume des Landes Niedersachsen verändert nachMeynen/Schmithüsen, 1953-1962Ertragsmesszahlen für die Ackerflächen, Grünlandflächensowie für Acker- und Grünlandflächen gesamtBodengrosslandschaften des Landes NiedersachsenDeutscher Wetterdienst (DWD) Daten der Klimastationen in Niedersachsen der Jahre 2000-20043.1.1 Landesjägerschaft Niedersachsen (LJN) und Institut fürWildtierforschung (IWFo)Die LJN beschloss 1991 den Aufbau eines langfristigen Wildtiererfassungssystems undbeauftragte das IWFo mit dessen Durchführung. Im Rahmen dieses Systems, der„Wildtiererfassung Niedersachsen“ (WTE) werden die Besätze der Feldhasen und andererbejagbarer und nicht bejagbarer Wildtierarten erfasst. Durch die WTE werdenflächendeckende Informationen über die Wildtierbesätze erhoben, aus denen8

Material und MethodenEntwicklungen der Wildtierpopulationen abgeleitet werden (Strauß 2001, S. 3). Darüberhinaus dient diese Datengrundlage dazu, mögliche Ursachen von Populationsrückgängenzu ermitteln.Die Inhaber der rund 9280 Reviere in Niedersachsen werden jedes Jahr im Frühjahr dazuaufgefordert, die Besätze einiger ausgewählter Wildtierarten (Feldhase, Rebhuhn, Fuchs,Rabenkrähe etc.) für ihre Revierfläche einzuschätzen. Diese Angaben sind auf einemErfassungsbogen einzutragen und bis Mitte des Jahres über die Jägerschaften an dasIWFo abzugeben. Neben den elementaren Daten, wie die Flächengrößen der bejagbarenFläche, des Waldes, etc., werden auf dem Erfassungsbogen Angaben zur Jagdstrecke,d.h. der Anzahl der erlegten Tiere im Jagdrevier sowie zu anderen wildbiologischenThemen wie z.B. Auswilderung, Bejagungsintensität, etc. gemacht. Somit liegen der WTErevierbezogene Daten vor.Die Beteiligung der Reviere an der WTE liegt seit 1993 konstant bei über 80 %. Von deninsgesamt ca. 8800 privaten Revieren gaben im Jahr 2003 ca. 7757 (87 %) Informationenüber ihre Wildtierbesätze, von den ca. 360 fiskalischen Revieren waren es rund 316 (86%). In ca. 2000 Revieren schätzen die Revierinhaber ihre Hasenbesätze mit Hilfe derScheinwerferzählung (nach PEGEL 1986) ein. Dabei werden aus einem mit einerGeschwindigkeit von ca. 15-20 km/h fahrenden Auto zuvor festgelegte Flächen, dieTaxationsflächen, mit einem Scheinwerfer ausgeleuchtet und die Anzahl der gesichtetenTiere notiert. Darüber hinaus zählen Mitarbeiter des IWFo seit 1994 in 20-30 Revieren dieBesätze der Feldhasen nach vorgegebener Methode (Scheinwerfertaxation) unddetaillierter Anleitung. Die Anzahl der Reviere innerhalb einer Gemeinde ist sehrunterschiedlich. Die mittlere Anzahl der Reviere pro Gemeinde liegt im Mittel bei 20. DieSpannweite reicht von einem Revier im Minimum bis zu 107 Revieren im Maximum proGemeinde.Aus den Bestandseinschätzungen der Revierinhaber berechnet die WTE diePopulationsdichten der Wildtiere. Die eingeschätzten Wildtierbesätze und die bejagbareFläche bzw. Revierfläche aller Reviere einer Gemeinde werden addiert, aus dieserSumme wird die Populationsdichte berechnet. Die Verwendung von Tier- undFlächensummen aller Reviere einer Gemeinde für die Berechnung der Populationsdichtenist zuverlässiger als die Verwendung der Mittelwerte der Populationsdichten der einzelnen9

Material und MethodenReviere, da diese stark von Ausreißern beeinflusst werden.Die Populationsdichten werdenfür den Feldhasen pro 100 ha (=1 km²) bejagbare Fläche angegeben. Die bejagbareFläche setzt sich zusammen aus der Summe der Gesamtfläche der Reviere abzüglich derSumme der befriedeten Fläche (Siedlungen, Gärten, etc.). Die Populationsdichten vonFuchs, Dachs, Rabenkrähe, Kolkrabe und Elster beziehen sich dagegen auf 100 ha derJagdbezirksfläche, d.h. die Summe der bejagbaren Fläche zuzüglich der Summe derbefriedeten Fläche der Reviere einer Gemeinde.Durch die Berechnung der Populationsdichten pro 100 ha bejagbare bzw. befriedeteFläche wird eine einheitliche Grundlage für den Vergleich der Besätze in denverschiedenen Revieren geschaffen. Parameter wie die Reviergröße und der Anteil derbefriedeten Fläche müssen beim Vergleich nicht mehr berücksichtigt werden. Aus denJagdstrecken der Reviere wird der so genannte „Hunting Index“ errechnet. Dieser gibt dieAnzahl der erlegten Tiere pro 100 ha bejagbare Fläche wieder.3.1.2 Niedersächsisches Landesamt für Statistik (NLS)Das NLS bereitet Daten und Fakten zu verschiedensten Themen in den Bereichen Politik,Wissenschaft, Soziales, etc. auf. In die vorliegende Arbeit gehen die tatsächliche Nutzungder Gemeindeflächen und die Agrarstrukturerhebung für das Jahr 2003 ein. Die Daten dertatsächlichen Nutzung der Gemeindeflächen beinhalten Informationen über die Größe derSiedlungs- und Verkehrsfläche jeder Gemeinde in Niedersachsen, der landwirtschaftlichenFläche, der Wald- und Wasserfläche, etc. Die Daten der Agrarstrukturerhebung geben u.a.Auskunft über die Anzahl der landwirtschaftlichen Betriebe in den GemeindenNiedersachsens, deren Anbau von Feldfrüchten und die Viehhaltung. Die Daten wurdenauf Anfrage kostenlos zur Verfügung gestellt.10

Material und Methoden3.1.3 Naturräume verändert nach MEYNEN & SCHMITHÜSEN (1953-1961)Das IWFo gliedert das Land Niedersachsen in 12 Naturräume. Diese Gliederungvereinfacht die Einteilung in 22 Naturräume, die Meynen & Schmithüsen (1953-1961) fürNiedersachsen aufgrund der unterschiedlichen natürlichen Beschaffenheiten undStrukturen der Landschaften vorgenommen haben. Für diese Vereinfachung wurden imWesentlichen kleine Flächen an den Landesgrenzen, die einem Naturraum zugehören, dersich zum größten Teil außerhalb Niedersachsens erstreckt, dem umliegenden Naturrauminnerhalb Niedersachsens zugeordnet. Das IWFo betrachtet die Populationsentwicklungender Wildtiere u.a. in Verbindung mit den strukturellen Eigenschaften und Merkmalen dieser12 Naturräume.3.1.4 Oberfinanzdirektion Hannover (OFD)Die OFD verwaltet die Ergebnisse der Bodenschätzungen in Niedersachsen. DieseBodenschätzungen beurteilen die Fruchtbarkeit sowie Ertragsfähigkeit der Böden und sindsomit Grundlage für die Besteuerung der Böden. Erstmals erfolgte eine Einschätzung derBodengüte nach der Verabschiedung des Bodenschätzungsgesetzes 1934. Für dieBewertung der Böden wurden in großen Teilen des ehemaligen Reichsgebietes beiGeländebegehungen 1m tiefe Bohrungen im Abstand von 50 m von amtlich bestelltenBodenschätzern durchgeführt Das Bodenschätzungsgesetz wurde 1965 durch das„Bewertungsänderungsgesetz“ ergänzt. Die Bodenschätzungen wurden durchkontinuierliche Nachschätzungen fortlaufend aktualisiert, die Ergebnisse liegen denzuständigen Finanzämtern vor.11

Material und Methoden3.1.5 Niedersächsisches Landesamt für Bodenforschung (NLfB)Das NLfB in Hannover berät und informiert bei geowissenschaftlichen undbodenkundlichen Fragestellungen. Für die Beschaffung der für diese Arbeit benötigtenInformationen über die Bodengrosslandschaften Niedersachsens war das NLfB derHauptansprechpartner und stellte die Daten kostenlos zur Verfügung.3.1.6 Deutscher Wetterdienst (DWD)Der DWD erfüllt im Rahmen eines gesetzlichen Informations- und Forschungsauftragesdie meteorologischen Erfordernisse aller Wirtschafts- und Gesellschaftsbereiche inDeutschland. Die Daten von ca. 4200 Mess- und Beobachtungsstationen mitunterschiedlicher Aufgabenstellung (Temperatur- und Feuchtemessung,Niederschlagsmessung, Windmessung, etc.) werden gesammelt und archiviert. AufAnfrage werden die Daten ausgewählter Stationen und Zeiträume zusammengestellt undgegen einen Kostenbeitrag zur Verfügung gestellt.3.2 Datenmanagement3.2.1 Variablenbeschreibung und -aufbereitungDie relevanten Daten wurden in den Original-Dateien je nach Dateiformat in einem neuenExcel-Tabellenblatt oder in einer neuen Access-Tabelle zusammengestellt. Anschließendfolgte der Import in eine gemeinsame Microsoft-Access-Datenbank mit dem NamenHase_Nds. Mit der Tabelle 3.2 soll zunächst eine Übersicht über die für diese Arbeitentwickelten Variablen gegeben werden. Sie werden im Anschluss genauer erläutert.12

Material und MethodenTab. 3.2: VariablenübersichtVariablennameBedeutungABD_Hase Hasendichte (Hasen/100 ha Fläche)* 2003ABD_Fugehe Fuchsdichte (Gehecke/100 ha)** 2003ABD_Dagehe Dachsdichte (Gehecke/100 ha)** 2003ABD_Rabdich Rabenkrähendichte (Rabenkrähen/100 ha)** 2003ABD_Kolkbrut Kolkrabendichte (Brutpaare/100 ha)** 2003ABD_Elsbrut Elsterndichte (Brutpaare/100 ha)** 2003Flae_Wald Anteil der Waldfläche in den Gemeinden in %Flae_landw Anteil der landwirtschaftlichen Fläche in den Gemeinden in %Flae _Ack Anteil der Ackerfläche in den Gemeinden in %Flae _Grue Anteil der Grünlandfläche in den Gemeinden in %Flae _Brach Anteil der Brachefläche in den Gemeinden in %EMZ_gesBGL_fIDTemp_MMTemp_JATemp_SOSonn_MMSonn_JASonn_SONied_MMNied_JANied_SOErtragsmesszahlen Acker und Grünlandflächen gesamt in den GemarkungenBodengrosslandschaft mit dem größten Flächenanteil in den Gemeindendurchschnittliche Temperatur in °C für die Monate März bis Mai (MM), Juni bisAugust (JA) oder September und Oktober (SO), Zeitraum 2000-2004durchschnittliche Anzahl Sonnenstunden (h) für die Monate März bis Mai(MM), Juni bis August (JA) oder September und Oktober (SO), Zeitraum 2000-2004durchschnittliche Niederschlagsmenge in mm für die Monate März bis Mai(MM), Juni bis August (JA) oder September und Oktober (SO), Zeitraum 2000-2004* die Abundanzen sind jeweils auf 100 ha bejagbare Fläche angegeben** die Abundanzen sind jeweils auf 100 ha Revierfläche (bejagbare Fläche +befriedete Fläche) angegeben13

Material und Methoden3.2.1.1 Daten der WTEDie Daten der WTE Niedersachsen liegen auf Revierebene vor. 7757 private und 316fiskalische Reviere informierten im Jahr 2003 über ihren Wildbesatz und ihre Jagdstrecken(STRAUß 2003). Die auf den Erfassungsbögen angegebenen Jagdstrecken beziehen sichstets auf das vorangegangene Jagdjahr. Da die WTE-Erfassungsbögen im Juni nach derEinschätzung des Frühjahrsbesatzes abgegeben werden, die Jagdzeit des Hasen jedocherst am 1. Oktober beginnt und bis zum 15. Januar andauert, können die Jagdstreckenerst in der darauf folgenden WTE im Jahr 2004 angegeben werden.Der Großteil der in der WTE erfassten Hasenbesätze beruht auf Bestandseinschätzungen.Das IWFo überprüft mit Hilfe probater wissenschaftlicher Methoden wie derScheinwerfertaxation regelmäßig die Zuverlässigkeit der WTE-Daten (STRAUß 2001, S. 7).Dabei wurde festgestellt, dass die Revierinhaber ihre Wildbestände größtenteilsunterschätzen. Um die Bestandseinschätzungen den verifizierten Daten anzugleichen,werden die Schätzungen mit dem Faktor 1,6 multipliziert (STRAUß & POHLMEYER, 1996).Die Zielvariable ABD_Hase in dieser Arbeit beschreibt die mittlere Populationsdichte derFeldhasen pro 100 ha bejagbare Fläche in den Gemeinden multipliziert mit dem Faktor1,6. Die Variable hat 454 Ausprägungen (454 Gemeinden Niedersachsen). DieBezeichnung „Gemeinde“ wird in dieser Arbeit stellvertretend für dieGebietskörperschaften Samtgemeinde, Gemeinde, gemeindefreier Bezirk undgemeindefreies Gebiet verwendet. Eine „Gemeinde“ kann dabei ein Verbund mehrererGemeinden sein. Die in diese Arbeit eingehenden 454 Gemeinden Niedersachsens setzensich aus 142 Samtgemeinden, 285 Gemeinden, 2 gemeindefreien Bezirken und 23gemeindefreien Gebieten zusammen.14

Material und Methoden3.2.1.2 Tatsächliche Nutzung der GemeindeflächenDie Daten des NLS geben Auskunft über die Größe der Nutzflächen in Hektar (ha) in denGemeinden. Um die Flächengrößen der einzelnen Gemeinden vergleichen zu können,wurde der prozentuale Anteil der Flächen an der Gesamtfläche der Gemeinde berechnet(Tab. 3.3).Tab. 3.3: Variablen der tatsächlichen Nutzung der Gemeindeflächen 2003VariablennameBedeutungFlae_Wald Anteil der Waldfläche in den Gemeinden in %Flae_landw Anteil der landwirtschaftlichen Fläche in den Gemeinden in %Flae_Ack Anteil der Ackerfläche in den Gemeinden in %Flae_Grue Anteil der Grünlandfläche in den Gemeinden in %Flae_Brach Anteil der Brachflächen in den Gemeinden in %Die Daten der Agrarstrukturerhebung erwiesen sich für die Verwendung in dieser Arbeitals unbrauchbar. Mit den Informationen über die in den Gemeinden angebautenFeldfrüchte sollte eine Habitatpräferenzanalyse für den Feldhasen erstellt werden. DieVerteilung der Feldhasen in den Gemeinden wird dabei in Beziehung zu der Anbauflächein ha der Feldfrüchte gesetzt, um eine Präferenz der Hasen für eine Feldfruchtherauszuarbeiten. Die Agrarstrukturerhebung wird jedoch nach dem Betriebssitzprinzipdurchgeführt. Die landwirtschaftlichen Betriebe jeder Gemeinde müssen jährlich die Größealler mit einer bestimmten Fruchtart bepflanzten Felder und die Größe der zum Betriebgehörenden Waldflächen angeben. Die Hektarangaben können jedoch durchaus auchFlächen einschließen, die außerhalb der Gemeinde- oder Landkreisgrenzen oder sogaraußerhalb des Bundeslandes vom Landwirt gepachtet wurden. Die Daten sind somit füreine lokal begrenzte Auswertung wie in dieser Arbeit unbrauchbar. Ein Vergleich derDaten aus der tatsächlichen Nutzung der Gemeindeflächen und derAgrarstrukturerhebung sollte Auskunft über die Stärke der Abweichungen voneinandergeben. So wurde u.a. geprüft, ob die Größe der landwirtschaftlich genutzten Fläche einerGemeinde in etwa mit der in der Agrarstrukturerhebung für diese Gemeinde angegebenenSumme aller landwirtschaftlich genutzten Flächen übereinstimmt. Die Abweichungen sind15

Material und Methodenzum Teil sehr groß und lassen keine Regelmäßigkeiten erkennen, so dass die Daten indieser Arbeit nicht verwendet werden konnten.3.2.1.3 Naturräume des Landes NiedersachsenIn Anlehnung an MEYNEN & SCHMITHÜSEN (1953-1961) teilt das IWFo das LandNiedersachsen in 12 Naturräume ein (Abb. 3.1). Diese Naturräume lassen sich hinsichtlichihrer natürlichen Beschaffenheit und ihrer landschaftlichen Strukturen abgrenzen. Sieumfassen Flächen, die bezüglich ihrer Lage, ihrer Geologie, Physiographie undMorphologie, ihres Klimas und ihres Bodens ähnliche lokale Bedingungen aufweisen. DieNaturräume sind für Bereiche wie die Geographie, Botanik, Zoologie, etc. eine wichtigeBezugseinheit.Abb. 3.1: Naturräume in Niedersachsen (erstellt vom IWFo)16

Material und MethodenDie Ausprägungen der Variablen NRaum_fID mit den Ziffern I–XII bezeichnen denjeweiligen Naturraum Niedersachsens (Tab. 3.4). Die Informationen über die Naturräumesind nach MEYNEN & SCHMITHÜSEN (1953-1961) zusammengestellt.Tab. 3.4: Untergliederung der 12 Naturräume in NiedersachsenNraum_fIDIIIIIIIVVVIVIIVIIIIXXXIXIINaturraumEms-Weser-MarschElbe-NiederungOstfriesisch-Oldenburgische GeestStader GeestEms-Hunte-GeestDümmer-GeestniederungLüneburger Heide und AltmarkWeser-Aller-FlachlandNiedersächsische BördenUnteres WeserberglandWeser-Leine-BerglandHarzEms-Weser-MarschDer Naturraum Ems-Weser-Marsch umfasst die Ostfriesischen Inseln, die ostfriesischenSeemarschen und die Fluss-See-Marschen der Weser und Ems. Die weiten ebenenMarschflächen liegen zum Teil unter dem Meeresniveau, die Höhenunterschiede erreichenhöchstens 5 m und sind aufgrund des ausgedehnten Raumes kaum wahrnehmbar. Dasspezielle Küstenklima lässt mit seinen starken Seewinden im Küstenbereich kaumBaumbewuchs zu und weist geringere Niederschläge als im angrenzenden Binnenlandauf. Die Luft hat einen hohen Jod- und Salzgehalt. Die charakteristische Vegetation diesesNaturraumes ist die Salzvegetation der Watten, die sandige Dünenvegetation der Inselnund die Wiesen und Weiden der eingedeichten Marschen. Diese Marschböden sindschwere und nasse Böden mit einem hohen Grundwasserstand.17

Material und MethodenElbe-NiederungDer Naturraum Elbe-Niederung setzt sich zusammen aus der Unterelbeniederung und derMittelelbe-Niederung. Gemäß der Wasser- und Schifffahrtsverwaltung steht dieBezeichnung Unterelbe für den Teil der Elbe nördlich von Hamburg. Der Naturraum wirddirekt und indirekt vom Wasser bestimmt. Die Wasserwirtschaft ist abhängig von derVerdeichung und den Tiden, die Seeschifffahrt mit dem Ziel Hamburger Hafen bedingteine ausreichende Wassertiefe, die nur durch ständige Baggerungen und anderewasserbautechnische Eingriffe gewährleistet wird. Der Ausbau der Unterelbe zumSeeschifffahrtsweg verstärkte die Strömungsgeschwindigkeit bei Ebbe, das Gefälle unddie Erosionen des Flussbettes. Das Klima der Unterelbeniederung ist, besonderslinksseitig der Elbe maritim geprägt. Die mittleren Jahresniederschläge liegen imnördlichen Raum bei 650 und im südöstlicheren Hamburger Raum bei 760 mm. Aufgrunddieser klimatischen Verhältnisse ist der nördlichere Teil der Unterelbeniederung eintypisches Wiesen- und Weideland, der südliche Teil (Altes Land, Finkenwerder, etc.) einbevorzugtes Obst- und Gemüseanbaugebiet. Die Mittelelbe-Niederung schließt sich östlichder Unterelbeniederung an. Sie umfasst in ca. 100 km Länge und nur ungefähr 7–15 kmBreite den südlich von Hamburg gelegenen Abschnitt der Elbe von Geesthacht bis zurEinmündung der Stepenitz bei Wittenberge. Die Höhenlage fällt von 20 m über NN beiWittenberge auf 4 m über NN bei Geesthacht ab. Auf den Talsanden liegen zum Teilausgedehnte Dünenfelder mit bis zu 20 m hohen Dünen. Die Außendeichflächen werdenjährlich überschwemmt und sind eingenommen von Resten der natürlichen Auenwälder,verlandenden Altwässern und buschreichem Grünland. Das Deichrückland ist abhängigvom Wasserspiegel der Elbe und somit ebenfalls nicht hochwasserfrei. Hier kommt es zuGrundwasseraustritten und zur Vernässung durch Dränagewasser. Das Deichrücklandwird überwiegend als Grünland genutzt. Die Talsandflächen haben einen etwas höherenFlächenanteil des Ackerlandes, auf ihnen finden sich zudem Buchen-Stieleichenwälderund Stieleichen-Hainbuchenwälder. Die Dünengebiete sind mit Kiefern bewachsen.Ostfriesisch-Oldenburgische GeestDie Ostfriesisch-Oldenburgische Geest stößt im Westen und Osten an die benachbartenGeestlandschaften Hollands und des Stader Raumes, im Süden an die Ems-Hunte-Geestund im Norden an die Fluss- und Seemarschgebiete des ostfriesischen Raumes. DerNaturraum ist mit Höhen bis zu 20 m ein fast ebenes Land. In den hohen Niederschlägen(ca. 700 bis 800 mm im Durchschnitt), den gemäßigten Temperaturen und einer relativ18

Material und Methodenhohen Luftfeuchtigkeit kommt der maritime Einfluss auf das Klima dieser Geestlandschaftzum Ausdruck. Die ursprüngliche Vegetation von Hochmooren und Wald ist zum größtenTeil durch Acker- und Grünland ersetzt worden. Die feuchten Böden werden überwiegendals Grünland genutzt.Stader GeestDie Stader Geest liegt südlich der Unterelbeniederungen und wird im Osten durch dieLüneburger Heide sowie im Westen durch die Ems-Weser-Marsch begrenzt. DieOberfläche dieses Naturraumes ist eben bis flachwellig und liegt zwischen 10 und 50 mHöhe über NN. Das Klima ist durch die Nähe des Meeres ozeanisch geprägt. Die Sommersind kühl und regnerisch (Julitemperaturen von 16,5 bis 17 °C) die Winter mit einerdurchschnittlichen Januartemperatur von +0,5 °C mild. Die mittlere Jahresniederschlagsmengeliegt zwischen 700 und 780 mm und erreicht bei der höchstenErhebung (Wingst) 810 mm. Die jährliche Niederschlagsmenge schwankt jedoch mit 500mm in trockenen Jahren und über 1000 mm in nassen Jahren erheblich. Die Stader Geestweist einen hohen Anteil an Grünland an der landwirtschaftlichen Nutzfläche auf. DieWiesen und Weiden werden hauptsächlich zur Milchviehhaltung und Rindviehzuchtverwendet. Das Ackerland wird hauptsächlich mit Getreide bebaut.Ems-Hunte-GeestDer Naturraum Ems-Hunte-Geest wird durch den überwiegenden Anteil an leicht welligen,großen Geestplatten bestimmt. Die Geestplatten liegen zumeist auf Höhen von 30 bis 50m über NN und erreichen in einzelnen Hügeln Höhen bis zu 89 m (Heister Berge). Diemittlere Temperatur im Januar liegt zwischen +0,5 und +1 °C, im Juli zwischen 16 und 17°C, wobei die Jahresschwankung in Richtung Osten um ca. 0,5 °C zunimmt. Die mittlerenJahresniederschläge liegen zwischen 670 und über 730 mm mit einem Maximum imHochsommer. Die Heiden und Moore, die früher das Landschaftsbild der Ems-Hunte-Geest prägten, sind heute in Grünland und Kiefernwälder umgewandelt. Auf denlandwirtschaftlich genutzten Böden überwiegt der Grünlandanteil. Auf den Ackerflächenwerden hauptsächlich Roggen, Hafer und Hackfrüchte angebaut, auf qualitativ besserenBöden in geringem Maße auch Weizen und Gerste.19

Material und MethodenDümmer GeestniederungDer Naturraum Dümmer-Geestniederung liegt als ebenes Tiefland nördlich derMittelgebirgsschwelle. Die ca. 160 km lange und 30 bis 50 km breite Ebene liegt aufHöhen von 20 bis 60 m über NN, isolierte Bodenwellen und Hügelgruppen erreichenteilweise eine Höhe von bis zu 140 m über NN (Stemmer Berge). Die mittlerenJahresniederschläge liegen bei 600 bis 780 mm, die winterlichen Temperaturen bei 0,5 bis-1 °C (mittlere Januartempertur) und die mittleren Temperaturen im Juli zwischen 16,5 und17 °C. Die Böden der Dümmer-Geestniederung können durch entsprechendeEntwässerungsmassnahmen nicht mehr nur als Grünland für die Viehwirtschaft, sondernauch als Ackerland genutzt werden. Auf den Ackerflächen werden Roggen undHackfrüchte angebaut. Auf den besseren Böden erfolgt der Anbau von Weizen undGerste.Lüneburger Heide und AltmarkDie Lüneburger Heide wird im Westen begrenzt von der Stader Geest, im Süden vomWeser-Aller-Flachland und im Norden von der Mittel-Elbeniederung. Das Gebiet liegtzwischen 20 und 155 m über NN und hebt sich dadurch deutlich von den niedrigerenGeestgebieten ab. Das Klima der Lüneburger Heide ist im Wesentlichen atlantischgeprägt. Die mittleren Jahresniederschläge liegen zwischen 600 und 780 mm, die Sommersind kühl und die Winter eher mild. Die Jahresschwankung der Temperatur beträgt 16,5bis 17 °C. Die weiten Heideflächen, die der Lüneburger Heide ihren Namen gaben, sindseit Mitte des 19. Jahrhunderts durch Kultivierung immer weiter zurückgegangen. DieHeideböden wurden als Ackerland und als Viehweiden genutzt. Die stärkste Zunahme inden Heidegebieten erfuhren jedoch die Wälder, die mit Kiefern aufgeforstet wurden. DieAltmark schließt sich im Nordosten der Lüneburger Heide an. Die Höhenlage liegt imhügeligen Süd- und Westteil bei ca. 160 m über NN (Hellberge bei Zichtau) und nimmt innördlicher Richtung auf bis zu 10 m über NN (Dannenberg-Hitzacker) ab. Das Klima derAltmark ist ein Übergangsklima zwischen dem von der See beeinflussten Klima desNiederelbegebietes und der Lüneburger Heide und des kontinentaleren ostdeutschenBinnenklimas Brandenburgs. Die mittleren Monatstemperaturen im Juli liegen zwischen 17und 18 °C und im Januar etwas unter 0 °C. Die vorherrschenden Sandböden in derAltmark begünstigen eine rasche Austrocknung der Böden, da das Niederschlagswasser(ca. 470 bis 630 mm mittlere Jahresniederschläge) schnell versickert.20

Material und MethodenWeser-Aller-FlachlandDas Weser-Aller-Flachland ist ein Landstrich von ca. 150 km Länge, der südlich vonBremen beginnt und sich in ost-südöstliche Richtung bis ca. 25 km vor Magdeburgerstreckt. Die landschaftlichen und ökologischen Strukturen dieses Naturraumes sinddurch ein West-Ost-Gefälle geprägt. Die Höhenlagen dieses Naturraumes liegen imWesten bei ca. 70 bis 80 m über NN und fallen in östlicher Richtung allmählich auf 20 bis30 m über NN ab. Auch die Vegetation weist dieses Gefälle auf. Klimatisch wird das West-Ost-Gefälle durch die Jahresschwankungen der Temperaturen im westlichen Gebietzwischen 16,1 bis 16,5 °C und im Osten bis zu 17,5 °C. gekennzeichnet.Niedersächsische BördenDer Naturraum Niedersächsische Börden wird im Norden durch das Weser-Aller-Flachlandund im Süden durch das Weser- und Leine-Bergland begrenzt. Der durchschnittlich 20 kmbreite Gürtel wird durch eine Decke aus Lößboden als ein eigener Naturraum geprägt.Aufgrund ihrer hohen Fruchtbarkeit werden die Lößböden überwiegend und intensivlandwirtschaftlich genutzt. Der Ackerbau wird ebenfalls durch das Klima derNiedersächsischen Börden begünstigt. Die Niederschläge sind relativ gleichmäßig überdas Jahr verteilt, die Sommer verhältnismäßig warm und die Winter mild. Die jährlichenNiederschlagsmengen liegen im Westen bei 650 bis 750 mm und gehen im Verlauf nachOsten auf 550 bis 650 mm zurück. Die Niedersächsischen Börden sind reich anBodenschätzen. Abgebaut werden Kali- und Steinsalze, Erdöl, Steinkohle, etc. DasVorkommen von Bodenschätzen und die hohe Bodenqualität bewirken zusammen miteiner günstigen Lage der am Gebirgsrand verlaufenden Verkehrsbahnen eine hoheBesiedlungsdichte.Unteres WeserberglandDas Untere Weserbergland im Südwesten Niedersachsens schiebt sich keilförmig in daswest- und norddeutsche Flachland der Umgebung hinein. Durch seinen durchweghügeligen Charakter wäre auch die Bezeichnung Weser-Hügelland berechtigt. Das UntereWeserbergland ist, aufgrund des auf das ganze Gebiet einwirkenden maritimenEinflusses, durch ein einheitliches regionales Klima geprägt. Die Wintertemperaturen sindrelativ hoch (Januar im Mittel 0 bis +1 °C), die Sommertemperaturen mit 13,2 bis 13,7 °Cim Mittel eher gering. Die mittleren Jahresniederschläge liegen bei 700 bis 850 mm, in denBergländern z.T. höher. Das Untere Weserbergland weist durchschnittlich gute Böden auf21

Material und Methodenund ist somit ein altes, landwirtschaftlich sehr intensiv genutztes Land. Vorwiegendangebaut werden Weizen, Zuckerrüben und Gemüse.Weser-Leine-BerglandDas Weser-Leine-Bergland umfasst die Naturräume Oberes Weserbergland undLeinebergland. Die Höhen des Oberen Weserberglandes liegen im Mittel zwischen 150und 500 m über NN. Die mittleren Jahresniederschläge sind mit über 700 mm relativ hoch,die Temperaturen im Sommer sind mäßig hoch (mittlere Julitemperaturen 15-17 °C), dieWinter sind mit Temperaturen zwischen 0 und +1 °C (mittlere Januartemperaturen) mild.Das Obere Weserbergland ist durchdrungen von Eichen-Hainbuchenwäldern in den Tälernund Becken, auf Platten und Hochflächen sowie Buchenwäldern in den Bergländern. DasLeinebergland ist ein komplexes Gefüge aus Becken, Senken und Höhen. DieNiederschläge liegen in den tieferen Gebieten bei ca. 600 mm (Leinegraben) und nehmenmit der Höhe um 100 mm/100 m auf über 1000 mm (Solling) regelmäßig zu. Die Wintersind durchweg mild und lassen so die Bildung einer langausdauernden Schneedecke nichtzu. Die durchschnittliche Jahrestemperatur liegt zwischen 6,5 und 8,5 °C. Dieursprüngliche Bewaldung des Leineberglandes ist weitestgehend nicht mehr vorhanden.Die Böden werden für den Anbau von Weizen, Zuckerrüben und Raps für dieÖlsaatgewinnung genutzt.HarzDer Harz ist eine der markantesten Landschaften in der deutschen Mittelgebirgsschwelleund grenzt sich scharf gegen seine Umgebung ab. Am höchsten gelegen ist dasBrockenmassiv bei 1142 m über NN. Aufgrund seiner weit in den Nordwestenvorgeschobenen Lage und seiner Höhe weist der Harz zu allen Jahreszeiten sehr hoheNiederschläge von über 1500 mm im zentralen Bergland auf. Die Winterniederschlägewerden in dicken Schneedecken gespeichert und führen im Frühjahr zu einer erhöhtenKonzentration des Abflusses mit teilweise erheblichen Hochwässern. Durch den Bau derTalsperren im Westharz gelang es, die Hochwasserschäden zu verhindern und dieWasservorräte des Harzes effektiv zu nutzen.22

Material und Methoden3.2.1.4 ErtragsmesszahlenDie Ertragsmesszahlen beurteilen die Güte und Qualität der Acker- bzw. Grünlandböden.Vorläufer der Ertragsmesszahl sind die Bodenzahl bzw. Grünlandgrundzahl und dieAckerzahl bzw. Grünlandzahl. Der Inhalt dieser Zahlen und die Berechnung derErtragsmesszahlen soll im Folgenden erläutert werden.Ackerböden werden nach dem so genannten Ackerschätzungsrahmen beurteilt (KUNTZE etal. 1994, S. 321). Nach diesem Rahmen erfolgt die Kategorisierung der Böden nach derBodenart, der Art der Entstehung und der Zustandsstufe. Die bei den Bohrungenauftretenden Bodenarten werden zu folgenden acht Hauptbodenarten zusammengefasst(Tab. 3.5):Tab. 3.5: Hauptbodenarten des Ackerschätzungsrahmens (SOMMERFELDT 1994)Abk.SSllSSLsLLLTTBodenartSandanlehmiger Sandlehmiger Sandstark sandiger Lehmsandiger LehmLehmschwerer LehmTonInnerhalb dieser Hauptbodenarten kann man den Boden nach der Entstehungsarteinteilen, die für die Beurteilung der Ertragsfähigkeit der Böden bedeutend ist (Tab. 3.6).23

Material und MethodenTab. 3.6: Entstehungsarten der BödenAbk. Bedeutung ErläuterungD Diluvium ältere Ablagerungen aus Tertiär und EiszeitAl Alluvium SchwemmlandbödenV Verwitterungsboden Böden sind durch anstehendes Gestein sehr stark geprägtVg Verwitterungsboden Böden mit hohem SteinanteilLö Lößlehm durch den Wind angewehter Lößboden, der weiter verwitternkannAnschließend wird für den Boden eine der sieben Zustandsstufen ausgewählt. DieseZustandsstufen stehen für die Eigenschaften des Bodens, die durch Klima,Geländegestaltung, früheren Pflanzenbestand, Wasserhaushalt, usw. beeinflusst werden.Die Stufe 1 beschreibt dabei einen sehr guten, die Stufe 7 einen sehr schlechtenBodenzustand.Die Einschätzung der Grünlandflächen erfolgt nach leicht geänderten Kriterien (KUNTZE etal. 1994, S. 320). Die bei den Bohrungen auftretenden Bodenarten werden zu den fünfHauptbodenarten Sand, lehmiger Sand, Lehm, Ton und Moor zusammengefasst und derBodenzustand mit drei Stufen beschrieben (I=sehr günstig, II=günstig, III=sehr ungünstig).Statt der Einteilung der Grünlandboden nach der Entstehungsart erfolgt eine Einteilungnach den Klima- und Wasserverhältnissen, die sich mehr oder weniger günstig auf dieBoden auswirken. Die Bezeichnung ‚a’ für das Klima bedeutet dabei eine Jahreswärmevon 8 °C und darüber, die Bezeichnung ‚b’ eine Jahreswärme von 7,0 bis 7,9 °C, dieBezeichnung ‚c’ eine Wärme von 6,9 bis 5,7 °C und die Bezeichung ‚d’ eine Wärme von5,6 °C im Jahr. Die Wasserverhältnisse unterteilen sich in 5 Stufen. Die Stufe 1 steht dabeifür besonders günstige, die Stufe 5 für besonders ungünstige Wasserverhältnisse. Bei denStufen 4 und 5 können die ungünstigen Wasserverhältnisse sowohl in einem Wasserüberschussals auch in einem Wassermangel begründet sein. (SOMMERFELDT 1994).Anhand dieser Kriterien des Acker- bzw. Grünlandschätzungsrahmen wird für den Bodeneine Wertzahl ermittelt, die Bodenzahl bzw. Grünlandgrundzahl. Diese Zahl ist eineVerhältniszahl und gibt die Güte des Bodens im Verhältnis zum fruchtbarsten Boden24

Material und MethodenDeutschlands an. Dies ist die Schwarzerde der Magdeburger Börde mit einer Bodenzahlvon 100. Folglich kann kein Boden diese Bodenzahl überschreiten (SEEDORF et al. 1992).Die Bodenzahl bzw. Grünlandgrundzahl wird unter so genannten „Normalbedingungen“ fürden vorliegenden Boden bestimmt. Diese Normalbedingungen sind gekennzeichnet durchmittlere Jahresniederschläge von 600 mm, eine mittlere Jahrestemperatur von 8°C, eineebene Lage und einen Grundwasserstand von 1 Meter bei Sand, 1,5 Metern bei Lehm und2 Metern bei Ton. Weichen die bei dem zu bewertenden Boden bestehendenBedingungen zum Positiven oder zum Negativen von den Normalbedingungen ab, sokommt es zu Zu- oder Abschlägen von der Bodenzahl bzw. Grünlandgrundzahl. Es ergibtsich die Acker- bzw. Grünlandzahl, die den Wert 100 überschreiten kann (SEEDORF et al.1992).Im verwendeten Datensatz gibt eine Ertragsmesszahl die Bodengüte bezogen auf eineGemarkung an. Gemarkungen sind zusammenhängende Flächen einer Gemeinde, eineGemeinde kann dabei aus mehreren Gemarkungen bestehen. Um die Bodengüte einerGemarkung zu berechnen, wird folgende Formel verwendet (OFD HANNOVER):( qm)Fläche * Ac ker zahl / GrünlandzahlEMZ = .100Die Ertragsmesszahlen für Acker- und Grünland gesamt (EMZ_ges) sind die gewichtetenMittel der Ertragsmesszahlen für Acker- und für Grünlandflächen bezogen auf diebodengeschätzte Fläche (Summe Acker- und Grünlandfläche in qm). Sie werden wie folgtberechnet:EMZ _ ges =⎛ EMZ − Grünland⎞ ⎛ EMZ − Ac ker land⎞⎜* FlächeGrünland(qm)+* ker ( ) ..⎟⎜FlächeAc land qm.⎟⎝ bodengesch Fläche⎠ ⎝ bodengesch Fläche⎠Für die Untersuchungen der vorliegenden Arbeit werden die Ertragsmesszahlen für AckerundGrünland gesamt (EMZ_ges) verwendet, da sie die Güte der Acker- undGrünlandflächen gleichermaßen berücksichtigen. Insgesamt gehen die Ertragsmesszahlen25

Material und Methodenvon 4608 Gemarkungen ein. Damit sind alle Gemeinden Niedersachsens im Datensatzvertreten. Für die analytischen Tests wurden die Ertragsmesszahlen nach NLS (2001) wiein Tab. 3.8 dargestellt in sieben Gruppen eingeteilt. Die Variable für dieErtragsmesszahlgruppe wird als EMZ_Grup bezeichnet.Tab. 3.8: Einteilung der Ertragsmesszahlen (EMZ_ges) in sieben Gruppen (NLS 2001)EMZ_GrupErtragsmesszahlen1 bis 25,02 25,1 bis 353 35,1 bis 454 45,1 bis 555 55,1 bis 656 65,1 bis 757 über 753.2.1.5 Bodengrosslandschaften in NiedersachsenDie Bodenlandschaft Niedersachsens ist in sechs Bodenregionen gegliedert (Abb. 3.2):• Küstenholozän• Flusslandschaften• Geest• Bergvorland• Bergland• Mittelgebirge (Harz).Diese Gliederung ergibt sich durch die vorherrschenden klimatischen und geologischmorphologischenBedingungen (SEEDORF et al. 1992). Innerhalb dieser Regionen lassensich die Böden wiederum hinsichtlich des Klimas, des Reliefs und der Vegetation inverschiedene Bodengrosslandschaften differenzieren (Tab. 3.9). Innerhalb einerGemeinde differiert die Anzahl der vorkommenden Bodengrosslandschaften zum Teil sehrstark. Um eine statistische Auswertung auf Gemeindeebene zu ermöglichen, wurde für26

Material und Methodenjede Gemeinde die Bodengrosslandschaft mit dem größten Anteil an der Gemeindeflächebestimmt. Das Merkmal BGL_fID mit den Ausprägungen 1–13 steht demnach für diejeweilig betrachtete Bodengrosslandschaft mit dem größten Flächenanteil einerGemeinde. Die mit der 13 bezifferte Bodengrosslandschaft steht für anthropogenüberprägte Gebiete, d.h. urbane Flächen, für die aufgrund des menschlichen Einflusseskeine Bodengrosslandschaft bestimmt werden kann.Tab. 3.9: Die Bodenregionen und Bodengrosslandschaften NiedersachsensBodenregion BGL_fID BodengrosslandschaftKüstenholozän 1 Nordseeinseln2 Watten3 KüstenmarschenFlusslandschaften 4 Auen und NiederterassenGeest 5 Talsandniederungen und Urstromtäler6 Geestplatten und EndmoränenBergvorland 7 Bördenvorland8 LößbördenBergland 9 Lößbecken10 HöhenzügeMittelgebirge (Harz) 11 Submontanes Mittelgebirge (Oberharz)12 Montanes Mittelgebirge (Hochharz)13 Anthropogen überprägte GebieteDie weitere Unterteilung der Bodengrosslandschaften in verschiedene Bodenlandschaftenist sehr feingliederig und wird hier nicht berücksichtigt. Die folgenden Beschreibungen derBodengrosslandschaften sind nach SEEDORF et al. (1992) und nach dem NLfB (1997)zusammengestellt.27

Material und MethodenAbb. 3.2: Die Bodenregionen und Bodengrosslandschaften in Niedersachsen und Bremen.(Abbildung aus NLFB (1997)NordseeinselnDie Nordseeinseln stehen unter ständigem Einfluss von Brandung, Strömung, Gezeitenund Wind. Sie sind geprägt durch humusfreie, kalkhaltige, nährstoffarme Rohböden ausreinem Strand- oder Dünensand. Die Vegetation der Dünen ist spärlich und hat einebesondere Bedeutung für die Dünenbefestigung. Die landeinwärts gerichteten Böden sindwesentlich nährstoffreicher. Die vernässten Bereiche werden als Weiden, die trockenerenBereich als Ackerland genutzt. Das Klima der Nordseeinseln ist mit Niederschlägen von700-800 mm und einer Jahresmitteltemperatur von 9 °C deutlich maritim geprägt.WattenDie Bodengrosslandschaft der Watten ist den Gezeiten ausgesetzt. Die regelmäßigeÜberflutung mit laufender Sedimentation verhindert eine Bodenbildung. Nur dieRandbereiche des Wattes sind mit salzverträglichen Pflanzen besiedelt. Die28

Material und MethodenBodengrosslandschaft der Watten ist für die Untersuchungen dieser Arbeit irrelevant; dieWatten zählen nicht zum Lebensraum des Feldhasen.KüstenmarschenLeichte Höhenunterschiede sind verantwortlich für die vielfältigen Bodenverhältnisse derKüstenmarschen. In Schichten wurde durch die Gezeiten Wattenschlick abgelagert, dabeisetzten sich die schwereren Teilchen bereits in Strandnähe ab. Die feineren und tonigerenTeilchen gelangten bis in das Hinterland. Somit liegt das auch als „Sietland“ bezeichneteHinterland um etwa 1,5 bis 3 Meter tiefer als das „Hochland“. Die unterschiedlichenAblagerungen bestimmen die Bodenbeschaffenheit der Küstenmarschen. Durch denhöheren Sandgehalt sind die Böden des Hochlandes im Allgemeinen locker, gutdurchlüftet und entwässert und eignen sich daher als Ackerböden. Die Böden desSietlandes sind meist schwere, nasse Tonböden, die nicht ausreichend belüftet undschwer zu entwässern sind. Sie können allein als Weideland genutzt werden. DieNiederschläge in den Küstenmarschen sind mit 800-900 mm erkennbar höher als auf denInseln. Die Mitteltemperaturen sind weitgehend mit denen der Inseln vergleichbar.Auen und NiederterassenAueböden finden sich außerhalb des Tideeinflusses in den Talauen von Ems, Weser undElbe und ihren Nebenflüssen. Der Hauptbestandteil der meisten Aueböden ist der alsAuelehm bezeichnete, abgeschwemmte Löß aus dem Bergland. Bei den jährlichenÜberschwemmungen lagert sich der nährstoffreiche Auelehm auf den Böden der Talauenab. Die besten Böden der Talauen finden sich in den ufernahen Gebieten. Die höhereLage durch die jährlich aufgeschwemmten Schichten bewirkt einen größeren Abstand zumGrundwasserspiegel und damit eine gute Entwässerung. Zudem sind sie aufgrund ihresSandgehaltes gut durchlüftet. Diese Aueböden sind sehr gute Standorte füranspruchsvolle Ackerkulturen wie Weizen, Gerste, Raps, usw. Allerdings ist hierfür einausreichender Hochwasserschutz nötig. Die Ertragsmesszahlen reichen mit 40-80Punkten nahe an die Werte der Lößböden heran. Die Senken der Talauen und dieRandbereiche zu den höher gelegenen Niederterrassen sind häufig sowohl durchGrundwassereinfluss als auch durch lang anhaltende Überflutung besonders vernässt. Siewerden daher als Grünland genutzt. Die Niederterassen sind dagegen hochwasserfrei.29

Material und MethodenTalsandniederungen und UrstromtälerDie Böden der Talsandniederungen und Urstromtäler sind überwiegend sandig undnährstoffarm. Die landwirtschaftliche Nutzung dieser Böden wechselte nach derEntwässerung vom Weide- zum Ackerland. Da die Böden relativ sorptionsschwach sind,kommt es bei der intensiven landwirtschaftlichen Nutzung in großen Teilen zurÜberdüngung und Nitrataustragung in das Grundwasser.Geestplatten und EndmoränenDie Bodengrosslandschaft der Geestplatten und Endmoränen gliedert sich in einensandigen Teil (Sandverbreitungsgebiete) und in einen lehmigen Teil (Geschiebelehmverbreitungsgebiete).Die Böden der Sandverbreitungsgebiete sind durch den hohen Anteilan Sanden und Kiesen stark wasserdurchlässig. Da sie außerdem grundwasserfernliegen, sind sie besonders trockengefährdet. Die landwirtschaftlich genutzten Flächenwerden dadurch zur Ertragssicherung künstlich beregnet. Die rasche Austrocknung derBöden fördert ebenfalls eine Abtragung durch den Wind. Im Gebiet der Geschiebelehmesind die Böden je nach Höhenlage von Staunässe beeinflusst. Dies führt zu langandauernden Nässephasen im Winter und Frühjahr. Die ackerbauliche Nutzung dieserFlächen ist folglich eingeschränkt, es kann zu Schwierigkeiten bei der Bestellung und zuErtragsverlusten kommen.BördenvorlandDas Bördenvorland bildet den Übergang von der Bodengrosslandschaft der Geest zurBodengrosslandschaft der Lößbörden. Die Bodenarten des Bördenvorlandes sind sehrunterschiedlich. Der Sandanteil ist in den in östlicher Richtung auf die Geest folgendenBöden höher und nimmt in Richtung der Lößbörden ab. Diese den Lößbördenvorgelagerten schwach sandigen Böden zählen zur Gruppe der Stau- undGrundwasserböden, die der Beeinflussung durch Vernässung ausgesetzt sind.LößbördenDie Hauptbodenarten Schwarzerde und Parabraunerde machen die Lößbörden zu einemder fruchtbarsten Landstriche Westdeutschlands. Die Schwarzerden zählen zu den bestenBöden Niedersachsens, sie sind leicht zu bearbeiten, steinfrei und haben ein hohesBindevermögen für Pflanzennährstoffe. Infolgedessen kommt es zu einer starkenlandwirtschaftlichen Nutzung dieser Gebiete. Die Schwarzerden erreichen in der30

Material und MethodenMagdeburger Börde mit 100 die höchstmögliche Bodenzahl. Die Parabraunerden habenim Vergleich zu den Schwarzerden eine etwas schlechtere Bodenstruktur. Sie sindinsgesamt anfälliger für Staunässe, was im Frühjahr und nach stärkeren Regenfällen auchim Sommer zu Schwierigkeiten bei der Ackerbewirtschaftung führen kann. Dennochweisen die Parabraunerden hohe Bodenzahlen von 70-95 auf.LößbeckenDie Böden der Lößbecken sind vorwiegend Parabraunerden, es finden sich jedochteilweise auch Schwarzerden. Die ebenen oder in muldiger Lage befindlichen Flächenunterliegen häufig einem Stau- oder Grundwassereinfluss. Sie werden dadurchhauptsächlich als Grünland genutzt. Standorte ohne Staunässe bieten jedoch einen gutenBoden auch für anspruchsvolle Feldfrüchte wie Raps, Zuckerrüben, Weizen, etc. DieBodenzahlen reichen hier bis zur 80.HöhenzügeDie Höhenzüge sind durch Festgesteine geprägt. Aus den Lößablagerungen einigerGebiete bildeten sich Braunerden und Parabraunerden. Die Böden in den feuchtenHöhenlagen und über sehr verdichteten Gesteinsschichten sind moorig und stellenweisedurch Regenfälle stark vernässt. Eine landwirtschaftliche Nutzung der Höhenzüge istaufgrund des ungünstigen Klimas, der steilen Hänge und der flachen Böden nur auf denHochflächen und im Übergang zu den Becken möglich. Der Großteil der Höhenzüge istbewaldet.Submontanes Mittelgebirge (Oberharz)In die Bodengrosslandschaft Oberharz fallen Gebiete in einer Höhe zwischen 250 und 600m ü. NN. Durch die stetigen Erdrutsche und Abspülungen an Kämmen und starkgeneigten Hängen kommt es immer wieder zu Unterbrechungen desBodenbildungsprozesses. In Mulden, Hangverflachungen und auf Hochflächen sind dieBöden durch das regenreiche Klima von Staunässe beeinflusst und teilweise vermoort.Der Oberharz wird vorwiegend forstlich genutzt. Nur auf einigen Hochflächen kommt eszur Grünlandnutzung, Ackerbau wird eher für den eigenen Bedarf betrieben.31

Material und MethodenMontanes Mittelgebirge (Hochharz)In einer Höhe von über 600 m ü. NN beginnt die Bodengrosslandschaft des Hochharzes.Das Klima ist mit Niederschlägen bis zu 1500 mm und einer mittleren Jahrestemperaturvon 7° C montan geprägt, die Winter sind lang und schneereich. Als Folge desfeuchtkalten Klimas, der armen Gesteine und einer starken Säureimmision sind die Bödensehr versauert. Das Waldwachstum ist aufgrund dieser schlechten Bedingungen starkbeeinträchtigt.3.2.1.6 WitterungsdatenDie Witterungsdaten liegen für die Jahre 2000 bis einschließlich 2004 vor. Sie beinhaltendie täglichen Temperaturen in 0,1 °C, die tägliche Anzahl Sonnenstunden in 0,1 Stunden(h) und die tägliche Niederschlagshöhe in 0,1 mm von 60 Klimastationen Niedersachsens.Die Stationen „Ems“ und „Alte Weser“ liegen in der Nordsee und somit außerhalb desWTE-Gebietes. Sie sind für die weiteren Auswertungen irrelevant.Die Stationen wurden zunächst gemäß ihrer Lage der jeweiligen Gemeinde und demLandkreis zugeordnet. Die Daten wurden mit 0,1 multipliziert, um die Werte in °C, h undmm darzustellen. Aus den täglichen Werten wurden Monatsmittel für verschiedene,biologisch relevante Zeitspannen des Jahres gebildet, nämlich für die Monate März, Aprilund Mai, die Monate Juni, Juli und August und die Monate September und Oktober. DieMonate März, April und Mai sind die Monate, in denen der erste Satz der Feldhasen großwird. Da diese Junghasen sind im Herbst bereits relativ alt sind, sind sie robuster undwiderstandsfähiger gegenüber Krankheiten und Parasiten. Die Aussicht, den Herbst zuüberleben, ist für diese Tiere am höchsten. Während der Sommermonate ist dieReproduktionsrate der Feldhasen am höchsten. Die Häsinnen setzen nun durchaus bis zudrei Tiere pro Satz. Die Witterung in den Monaten Juni bis August gilt für die Aufzucht derJunghasen und für die Erkrankungsanfälligkeit der Hasen allgemein als maßgeblich. DieMonate September und Oktober sind zum Teil bereits herbstlich geprägt. UngünstigeWitterung kann sich sehr ungünstig auf die in der letzten Phase der Setzzeit geborenenJunghasen auswirken. Die Tabelle 3.10 gibt die Variablenbezeichnungen für dieWitterungsdaten wieder. Für die Korrelationen der Hasenzahlen der Gemeinden mit der32

Material und MethodenWitterung wurden die durchschnittlichen Witterungsdaten der Landkreise für diezugehörigen Gemeinden übernommen. So gehen die Witterungsdaten von 338Gemeinden in die statistischen Analysen ein.Tab. 3.10: Variablenbezeichnungen der WitterungsdatenVariablennameTemp_MMSonn_MMNied_MMTemp_JASonn_JANied_JATemp_SOSonn_SONied_SOBedeutungdurchschnittliche Temperatur in °C derMonate März bis Mai *durchschnittliche Anzahl Sonnenstunden derMonate März bis Mai *durchschnittliche Niederschlagsmenge in mmder Monate März bis Mai *durchschnittliche Temperatur in °C derMonate Juni bis August *durchschnittliche Anzahl Sonnenstunden derMonate Juni bis August *durchschnittliche Niederschlagsmenge in mmder Monate Juni bis August *durchschnittliche Temperatur in °C derMonate September und Oktober *durchschnittliche Anzahl Sonnenstunden derMonate September und Oktober *durchschnittliche Niederschlagsmenge in mmder Monate September und Oktober **im Zeitraum 2000 bis 20043.2.2 Aufbau der Access-Datenbank Hase_NdsDie Datenbank Hase_Nds wurde mithilfe von Microsoft ACCESS 2000, einemDatenbanksystem für relationale Datenbanken, erstellt. Die aus den verschiedenenQuellen (siehe Kapitel 3.1) stammenden Daten sind in mehreren Tabellen abgelegt (Tab.3.11), die untereinander in Beziehung stehen. Die Datenanordnung bezieht die Prinzipienrelationaler Datenmodelle mit ein. Die Verknüpfungen zwischen den Tabellen werden überPrimärschlüssel-Fremdschlüssel-Beziehungen realisiert. Der durch die Abkürzung „ID“ (ID33

Material und Methoden= Identifikationsnummer) gekennzeichnete Primärschlüssel einer Tabelle enthält für jedeTabellenzeile einen eindeutigen Primärschlüsselwert. Die Abkürzung „fID“ (= foreign ID)kennzeichnet einen Fremdschlüssel. Die in einer Tabelle vorkommenden Fremdschlüsselrepräsentieren jeweils den Primärschlüssel einer anderen Tabelle.In der Datenbank wurden anhand von Tabellenerstellungsabfragen folgende Datenberechnet bzw. herausgearbeitet:• die prozentualen Anteile der Flächennutzung (Wald, Acker-, Grünlandfläche, etc.)an der Gesamtfläche der Gemeinde• die durchschnittliche Temperatur, die durchschnittliche Anzahl der Sonnenstundenund die durchschnittliche Niederschlagsmenge der Gemeinden in den Jahren2000-2004, jeweils zusammengefasst für die Monate März bis Mai, Juni bis Augustund September bis Oktober• die durchschnittlichen Ertragsmesszahlen der Gemeinden für Ackerflächen,Grünlandflächen und Acker- und Grünlandflächen zusammen• die Bodengrosslandschaft mit dem größten Flächenanteil einer Gemeinde.Tab. 3.11: Tabellen der Datenbank Hase_Nds und deren InhaltTabellenname_tbl_GEM_tbl_Gemeinde_tbl_Landkreis_tbl_Naturraum_tbl_BGLA_tbl_gesamtInhaltPrimärschlüssel Gemeindekennziffer (GKZ_ID, kennzeichnetden Gemeindeverbund), Gemeindename, FremdschlüsselLandkreisPrimärschlüssel Gemeindenummer (Gem_ID),Gemeindename, Fremdschlüssel Gemeindekennziffer(Zugehörigkeit zum Gemeindeverbund)Primärschlüssel Landkreis (LK_ID), LandkreisnamePrimärschlüssel Naturraum (NRaum_ID), NaturraumnamePrimärschlüssel Bodengrosslandschaft (BGL_ID), Name derBodengrosslandschaftFremdschlüssel Gemeindekennziffer (GKZ_fID),Fremdschlüssel Landkreis (LK_fID), FremdschlüsselNaturraum (NRaum_fID), FremdschlüsselBodengrosslandschaft (BGL_fID), Ertragsmesszahlen fürAcker- und Grünlandflächen gesamt, Populationsdichten(Hase, Fuchs, Dachs, Rabenkrähe, Kolkrabe, Elster, Anteilder tatsächlichen Nutzung der Gemeindeflächen in %)34

Material und MethodenFortsetzung Tab. 3.11W_tbl_WitterungFremdschlüssel Gemeindekennziffer (GKZ_fID), Temperaturin °C, Anzahl der Sonnenstunden, Niederschlagsmenge inmm jeweils für die Monate März bis Mai, Juni bis August,September und OktoberDie Tabellen befinden sich in Beziehung zueinander. Die hauptsächlichenBeziehungsarten der Datenbank Hase_Nds sind die 1:1-Relation (eins zu eins) und die1:∞-Relation (eins zu unendlich) (Abb. 3.3).Abb. 3.3: Beziehungsfenster der Datenbank Hase_Nds.mdbDie Tabelle A_tbl_gesamt ist in einer 1:1-Beziehung mit der Tabelle _tbl_GEM verknüpft.Genau ein Wert des Fremdschlüssels GKZ_fID (GKZ=Gemeindekennziffer) kann einemPrimärschlüsselwert GKZ_ID zugeordnet werden. Die Tabelle W_tbl_Witterung stehtebenfalls mit der Tabelle _tbl_GEM in einer 1:1-Beziehung. Sie beinhaltet dieWitterungsdaten von 338 Gemeinden. Die 1:∞-Beziehung zwischen der Tabelle _tbl_GEMund der Tabelle _tbl_Naturraum besagt, dass ein Datensatz der Tabelle _tbl_GEM mit nureinem Datensatz der Tabelle _tbl_Naturraum in Beziehung stehen kann. Ein Datensatzder Tabelle _tbl_Naturraum dagegen kann in Relation mit mehr als einem Datensatz derTabelle _tbl_GEM stehen.35

Material und Methoden3.2.3 Datenimport aus MS-ACCESS in die Statistik-Software SASDie Informationen aus den Tabellen der Datenbank Hase_Nds wurden für den Import indas Statistik-Programm SAS so weit wie möglich zusammengefasst. Die TabellenA_tbl_gesamt und W_tbl_Witterung enthalten die für diese Arbeit notwendigen Daten. DieTabellen wurden mit der Prozedur PROC IMPORT in SAS importiert. Jede Tabelle wurdedabei in einer permanenten Datei in der SAS-Bibliothek gespeichert. Dies wird im SAS-Programm 3.1 exemplarisch für den Import der Tabelle A_tbl_gesamt gezeigt. Durch dasAnlegen von permanenten Dateien wird das wiederholte Importieren von Tabellen aus derDatenbank vermieden, was insbesondere bei häufig verwendeten und großen Dateieneine erhebliche Zeitersparnis bedeutet./*Anlegen der permanenten SAS-Datei ABD in der Bibliothek Hase*/LIBNAME Hase 'D:\MHeskamp\Diplomarbeit\Daten\SAS\Dipl_SAS\Library';/*Import der Tabelle A_tbl_gesamt*/PROC IMPORTOUT=Hase.ABDDATATABLE="A_tbl_gesamt"DBMS=ACCESS2000REPLACE;/*Erzeugt wird die permanente Datei ABD in der BibliothekHase/*Name der importierten Tabelle*//*Wahl des Datenbankmanagementsystems*//*bereits vorhandene, ältere Dateien werden ersetzt*/RUN;DATABASE="D:\MHeskamp\Diplomarbeit\Daten\_DB\Hase_Nds.mdb";/*Pfad der Access-Datenbank, aus der die Tabelle importiertwerden soll*/SAS-Programm 3.1: Anlegen einer permanenten Datei und Import einer Tabelle in SASFür die Analyse der Zusammenhänge zwischen den Hasendichten und der Witterungwurden die beiden Dateien mit dem MERGE-Statement zu einer gemeinsamen SAS-Dateizusammengefasst.36

Material und Methoden3.3 Statistische MethodenDie in Kapitel 3.2.1 vorgestellten Variablen sollen mit Hilfe statistischer Methoden auf ihrenEinfluss auf die Hasenpopulationen geprüft werden. Dabei muss berücksichtigt werden,dass sowohl stetige als auch kategorielle Variablen vorliegen. Die deskriptivenDarstellungen allgemeiner statistischer Kenngrößen und die kategoriellen Darstellungenwerden für stetige Merkmale mit der linearen Regression und für kategorielle Merkmalemit der Varianzanalyse ergänzt.3.3.1 KorrelationsanalyseMit der Korrelationsanalyse soll die Stärke des Zusammenhanges zwischen zweimetrischen Variablen nachgewiesen werden. Als Maß der Stärke des Zusammenhangeswird für normalverteilte Daten der Korrelationskoeffizient nach Pearson (r), für nichtnormalverteilte Daten der Rangkorrelationskoeffizient nach Spearman (R) verwendet.Ferner kann mit der Korrelationsanalyse die Wahrscheinlichkeit angegeben werden, dassauch in der Grundgesamtheit ein ähnlicher Zusammenhang wie der für die Stichprobeermittelte gilt. Entsprechend werden folgende Hypothesen formuliert:Nullhypothese H 0 :In der Grundgesamtheit liegt kein linearer Zusammenhangzwischen den Variablen vor.Alternativhypothese H 1 :Es gibt einen linearen Zusammenhang zwischen denVariablen in der Grundgesamtheit.Bei einem Signifikanzniveau von α=5 % wird die Nullhypothese H 0 verworfen, wenn dieÜberschreitungswahrscheinlichkeit (p-Wert) kleiner α ist. Das SAS-Programm 3.2 zeigt dieallgemeine Syntax für die Korrelationsanalyse zweier Variablen X und Y.37

Material und MethodenPROC CORR DATA= [Datensatzname];VAR [Name der ersten Variable] [Name der zweiten Variable];RUN;PROC CORR SPEARMAN DATA= [Datensatzname];VAR [Name der ersten Variable] [Name der zweiten Variable];RUN;SAS_Programm 3.2: generelle Syntax der Korrelationsanalyse zur Berechnung derKorrelationskoeffizienten nach Pearson und nach SpearmanIst der Prozedur Corr wie im ersten Programm keine weitere Option beigefügt, so wird derKorrelationskoeffizient nach Pearson für normalverteilte Daten berechnet. Der ZusatzSpearman bewirkt die Berechnung des Rangkorrelationskoeffizienten nach Spearman.Partielle KorrelationDes Öfteren korrelieren zwei Variablen nur deshalb miteinander, weil beide mit einerdritten Variablen korreliert sind. Mit einer partiellen Korrelation kann der Zusammenhangzweier Variablen ohne den Einfluss einer dritten Variablen geprüft werden.Die partielle Korrelation (r X Y ) / U,zweier Variablen X und Y unter der Konstanthaltung einerVariablen U ist nach HARTUNG (1993, S. 562) definiert als:r( X , Y )/ Ur− rXY XU YU= ,2 2( 1−rXU)( 1−rYU)wobei r jeweils für den Korrelationskoeffizienten steht.rDer partielle Korrelationskoeffizient (r X Y ) / U,gibt dabei die Stärke des Zusammenhangs derVariablen X und Y unter der Konstanthaltung der Variablen U an. Das Programm 3.3 zeigtdie allgemeine SAS-Syntax zur Durchführung der partiellen Korrelation. Das Programmentspricht dem einfachen Programm zur Korrelationsanalyse (SAS-Programm 3.2),ergänzt um das PARTIAL-Statement, welches die Variable angibt, unter derenKonstanthaltung die Korrelation geprüft werden soll.38

Material und MethodenPROC CORR DATA= [Datensatzname];VAR [Name der ersten Variable] [Name der zweiten Variable];PARTIAL [Name der Variablen, nach der partialisiert werden soll];RUN;SAS_Programm 3.3: Syntax der partiellen Korrelation3.3.2 AssoziationenDie Zusammenhänge zwischen der Zielvariablen und den Einflussvariablen könnenzusätzlich mit dem Chiquadrat-Homogenitätstest bestimmt werden. Mit diesem Test kanngeklärt werden, ob zwischen zwei nominalskalierten Merkmalen ein Zusammenhangnachweisbar ist. Die Stärke des Zusammenhanges wird dabei durch denKontingenzkoeffizienten C beschrieben. Untersucht wird die Häufigkeitsverteilungmehrerer Stichproben auf die Ausprägungen eines untersuchten Merkmals. EineHomogenität der Daten bedeutet, dass die Stichprobenverteilungen nur zufälligvoneinander abweichen (H 0 ). Gibt es jedoch signifikante Unterschiede zwischen denVerteilungen in den Stichproben (H 1 ), so liegt inhomogenes Datenmaterial vor (KÖHLER etal. 2002, S. 112). Das folgende SAS-Programm 3.4 zeigt die allgemeine Syntax desChiquadrat-Homogenitätstests.PROC FREQ DATA=[Datensatzname];TABLES [Name der ersten Variable] * [Name der zweiten Variable] / CHISQ;RUN;SAS-Programm 3.4: allgemeine Syntax des Chiquadrat-HomogenitätstestsDer Chiquadrat-Homogenitätstest wird mit Hilfe der Prozedur FREQ durchgeführt. DasTABLE-Statement verknüpft die beiden Variablen miteinander. Die Reihenfolge, in der dieVariablen nach dem Statement angegeben werden, spielt dabei keine Rolle. DasStatement CHISQ bewirkt die Durchführung des Chiquadrat-Tests. Der erste Teil desSAS-Outputs besteht aus der Kontingenztafel, einer zweidimensionalen Tabelle. In dieserTafel sind die beobachteten Häufigkeiten der verschiedenen Ausprägungskombinationenund die relativen Zeilen- und Spaltenhäufigkeiten dargestellt (s. SAS-Output 4.2 und39

Material und MethodenAnhang 14). Der zweite Teil des Outputs enthält u.a. den p-Wert, den Chiquadrat-Wertund den Kontingenzkoeffizienten (s. SAS-Output 4.3 und Anhang 14).3.3.3 VarianzanalyseDas Prinzip der Varianzanalyse beruht auf der Zerlegung der Gesamtvariabilität vonMessdaten in einzelne Teile. Im Falle der einfachen Varianzanalyse wird dabei derEinfluss eines einzelnen Faktors, der auf mehreren Stufen beobachtet wird, auf dieVariabilität der gemessenen Daten betrachtet. Die mehrfaktorielle Varianzanalyseermöglicht die Zerlegung der Gesamtvariabilität der Daten in die von den einzelnenFaktoren verursachten Streuungskomponenten und analysiert ebenfalls möglicheWechselwirkungen zwischen den Faktoren. Neben der Variabilität der Daten liegt immernoch eine natürliche Schwankung der Messwerte vor, die als Reststreuung bezeichnetwird. Diese Reststreuung ist auf unbekannte Ursachen und nicht berücksichtigte Faktorenzurückzuführen. Die Gesamtstreuung setzt sich demnach aus der durch den Faktorverursachten Streuung und der Reststreuung zusammen (KÖHLER et al. 2002, S. 117).Die beobachteten Daten können sowohl in balancierter als auch in unbalancierter Formvorliegen. Balancierte Daten bedeuten eine gleiche Anzahl an Beobachtungen,unbalancierte Daten eine unterschiedliche Anzahl Beobachtungen für jedeFaktorkombination. Die Anzahl an Beobachtungen in jeder Faktorkombination ist jedochnicht zu beeinflussen. Selbst geplante balancierte Versuche können zu einerunbalancierten Datengrundlage führen, wenn Beobachtungen ausfallen. Daher gehenhäufiger unbalancierte Daten in das Varianzanalysemodell ein.Das Modell der einfachen Varianzanalyse ergibt sich nach KÖHLER et al. (2002, S. 12)9wie folgt:Y = µ + α + eijiijwobeifür i=1,2,…,k und j=1,2,…,n iYijder beobachtete Wert der j-ten Wiederholung auf der i-ten Faktorstufe,40

Material und Methodenµ der Gesamterwartungswert,αider feste Effekt, d.h. die Abweichung der Faktorstufe i vomGesamterwartungswert,eijder Zufallsfehler ist.Für die zweifaktorielle Varianzanalyse wird das oben beschriebene Modell wie folgterweitert:ijkij( ) eijkY = µ + α + β + αβ +ijwobeifür i=1,2,…,a, j=1,2,…,b und k=1, 2, …,nYijkder beobachtete Wert der k-ten Wiederholung auf der i-ten Stufe desFaktors A und der j-ten Stufe des Faktors B,µ der Gesamterwartungswert,αiβjder feste Effekt, d.h. die Abweichung der Stufe i des Faktors A vomGesamterwartungswert,der feste Effekt, d.h. die Abweichung der Stufe j des Faktors B vomGesamterwartungswert,( αβ ) ijdie Wechselwirkung zwischen i-ter Stufe des Faktors A und j-ter Stufe desFaktors B,eijkder Zufallsfehler ist.Existieren mehr als zwei Einflussfaktoren, so wird das Modell um diese Einflussfaktorenund die eventuell zwischen ihnen bestehenden Wechselwirkungen erweitert.WechselwirkungenDie zwei- oder mehrfaktorielle Varianzanalyse berücksichtigt mögliche Wechselwirkungenzwischen den Faktoren. Liegt eine Wechselwirkung zwischen den Faktoren A und B vor,so ist die Auswirkung der verschiedenen Stufen von A auf die Zielvariable auf der 1. Stufedes Faktors B eine andere als auf der 2. Stufe des Faktors B (DUFNER et al. 2004, S. 237).Die Tabelle 3.12 zeigt, dass der Einfluss der ersten Stufe des Faktors A auf dieZielvariable bei der zweiten Stufe des Faktors B achtmal so groß ist als bei der erstenStufe des Faktors B. Bei der j-ten Stufe des Faktors B ist der Einfluss der ersten Stufe von41

Material und MethodenA auf die Zielvariable viermal geringer als bei der zweiten Stufe von B und doppelt so großwie bei der ersten Stufe von B. Insgesamt haben die Stufen des Faktors A auf jeder derStufen des Faktors B unterschiedliche Effekte auf die Zielvariable.Tab. 3.12: Fiktives Beispiel für WechselwirkungenStufen Faktor BStufen Faktor A B1 B2 BjA1 1 8 2A2 3 2 8Ai 7 5 4Zur Veranschaulichung können Wechselwirkungen graphisch dargestellt werden. DieStufen des Faktors A werden dabei auf der x-Achse abgetragen. Eingezeichnet werdendie Mittelwerte der Stufen des Faktors B. Bestehende Wechselwirkungen äußern sichdurch eine Nichtparallelität der Kurven (Abb. 3.5). Gibt es keine Wechselwirkungen, soverlaufen die Kurven parallel (Abb. 3.6).1010Mittelwerte86420B1 B2 BjStufen des Faktors BA1A2AiMittelwerte86420B1 B2 BjStufen des Faktors BA1A2AiAbb. 3.5: Wechselwirkungen zwischen denFaktoren A und BAbb. 3.6: keine Wechselwirkungen zwischenden Faktoren A und BResiduenAls Voraussetzung für das Varianzanalysemodell gilt die Normalverteilung der Residuen(e). Die Residuen ergeben sich aus der Differenz der aus dem Modell geschätzten Werteund der beobachteten Werte (DUFNER et al. 2004, S. 203):e = y − yˆ,iii42

Material und Methodenwobei die Summe aller e iund die Summe allerwerden die Erwartungswerte durch folgende Gleichung geschätzt:∧Yˆ ⎛ ⎞ijk= ˆ µ + ˆ αi+ ˆ βj+ ⎜αβ⎟ .⎝ ⎠ijx * e gleich Null sein muss. HierbeiiiDabei giltˆµ = Yˆ=1Na∑i=1b∑j=1k∑n=1Yijkˆαi= Y i..− Y ...für i=1,2,…,aˆβj= Y . j.− Y ...für j=1,2,…,b⎛ ⎞αβ ∧= Y ij. − Y i..− Y . j.+ Y ... für i=1, 2, …,a und j=1, 2, …,b.⎜⎝⎟⎠ijMit obiger Gleichung lässt sich somit für jeden beliebigen Messwert der erwartete Wertberechnen.Die Normalverteilung der Residuen kann z.B. mit einem Histogramm überprüft werden(Abb. 3.7).100Häufigkeiten806040200ResiduenAbb. 3.7: Histogramm zur Prüfung der Normalverteilung der ResiduenEine andere Darstellung der Residuen ist das Residuenplot. Hier werden die Residuengegen die beobachteten Werte geplottet. Die Werte sollten möglichst gleichmäßig um dieNull-Linie streuen, wie die Abb. 3.8 zeigt.43

Material und MethodenResi duen20100-10-200 x 1 x 2 x 3beobacht et e Wer t eAbb. 3.8: ResiduenplotBestimmtheitsmaßMit Hilfe der Residuen (e) wird das Bestimmtheitsmaß R² berechnet. DasBestimmtheitsmaß beurteilt die Güte der Anpassung eines Modells an die Daten. DieGröße von R² wird dabei interpretiert als Anteil der Veränderungen des einen Merkmals,die aus den Veränderungen des anderen Merkmales erklärt werden können. DasBestimmtheitsmaß R² wird nach DUFNER et al. (2004, S. 326) ermittelt durchSS=SS2 ModelR .TotalSS Model bezeichnet dabei die Quadratsummen (Sum of Squares, SS) des Models, die sichaus der FormelSSModel=n∑i=1( ) 2yˆ− yiergeben. SS Total beschreibt die Totalquadratsumme, ermittelt durchn∑i=1( ) 2y − ySS =.Totali44

Material und MethodenFür die Berechnung des Bestimmtheitsmaßes ergibt sich dadurch:R2SS=SSModelTotal=n∑i=1n∑i=1( yˆ− y)i2= 1−∑2i2( y − y) ∑ ( yi− y)iLiegt der Wert von R² in der Nähe von 1, so werden die Daten gut durch das Modellbeschrieben (DUFNER et al. 2004, S. 77).e2.QuadratsummenIn der Varianzanalyse werden zur Herleitung der Teststatistik die Quadratsummenanalysiert (DUFNER et al. 2004, S. 193). Die Totalquadratsumme SS Total wird bei dereinfaktoriellen Varianzanalyse in die Modellquadratsumme (SS Model ) und dieFehlerquadratsumme (SS ERROR ) zerlegt. Bei der zweifaktoriellen Varianzanalyse erfolgt dieZerlegung der Totalquadratsumme SS Total in die Quadratsummen bezüglich des Faktors A(SS A ), des Faktors B (SS B ), der Wechselwirkungen (SS (A*B) ) und des Fehlers (SS Error ). DieQuadratsummen werden je nach Datengrundlage auf vier verschiedene Arten berechnet.Standardmäßig wird bei der Prozedur GLM (Generalized Linear Model) für unbalancierteDaten in SAS die Typ I und Typ III-Quadratsummenzerlegung ausgegeben, ihreEigenschaften sollen hier kurz charakterisiert werden.Die Typ I-Quadratsummenzerlegung hängt von der Reihenfolge ab, in der die Faktoren indas Modell eingehen. Die Quadratsumme eines Effektes ist um die bereits vorhereingegangenen Effekte bereinigt, jedoch nicht um die nachfolgenden Effekte. Eine andereReihenfolge führt daher zu einer anderen Zerlegung. Insgesamt addieren sich dieeinzelnen Typ I-Quadratsummen zur Totalquadratsumme auf.Bei der Typ III-Quadratsummenzerlegung addieren sich die einzelnen Quadratsummennicht zur Totalquadratsumme auf. Zudem spielt die Reihenfolge, in der die Faktoren in dasModell eingehen, hier keine Rolle. Die Quadratsumme eines Effektes ist um alle anderenEffekte des Modells bereinigt. Liegen balancierte Daten vor, so ist die Typ III-Quadratsummenzerlegung mit der des Typ I identisch.45

Material und MethodenHypothesen und ANOVA-TafelBei der Varianzanalyse ist das interessierende Element der Einfluss eines oder mehrererFaktoren auf die Gesamtstreuung der Daten. Für die zweifache Varianzanalyse werdenfolgende Hypothesen formuliert:1. Nullhypothese ( H ): die festen Effekteα0Alternativhypothese ( Hnull.α1αides Faktors A sind gleich null.): mindestens ein fester Effekt des Faktors A ist ungleichβ2. Nullhypothese ( H0): die festen Effekte βjdes Faktors B sind gleich null.Alternativhypothese ( Hnull.3. Nullhypothese (B sind gleich null.Alternativhypothese ( Hund B vor.β1): mindestens ein fester Effekt des Faktors B ist ungleichαβH0): die Wechselwirkungen ( ) ijαβ1αβ zwischen den Faktoren A und): es liegen Wechselwirkungen zwischen den Faktoren AFür die einfaktorielle Varianzanalyse wird nur die erste Nullhypothese ( Hα0: die festenEffekte αides Faktors A sind gleich null) betrachtet. Die Ergebnisse der Varianzanalysenwerden in der ANOVA-Tafel (ANOVA=Analysis of Variance) dargestellt (Tab. 3.13).Tab. 3.13: ANOVA-TafelVariabilitätSource ofVariationFreiheitsgradeDegrees ofFreedomQuadratsummenSum ofSquaresMittlere AbweichungsquadrateMean Sqares(MS)PrüfgrößeF-Wert(SS)Faktor A a-1 SS A MS A : SS A / (a-1) F A: MS A / MS ErrorFaktor B b-1 SS B MS B : SS B / (b-1) F B: MS B / MS ErrorWechselwirkungA*B(a-1)*(b-1) SS (A*B) MS (A*B) : SS (A*B) /(a-1)*(b-1)F (A*B): MS (A*B) /MS ErrorError eijk(N-ab) SS Error MS Error SS Erro /N-ab)Total N-1 SS Total MS Total : SS Total / N-146

Material und MethodenZur Überprüfung der Hypothesen werden innerhalb von SAS die Überschreitungswahrscheinlichkeiten(in SAS bezeichnet als „Pr>F“) betrachtet. Die Nullhypothesenwerden verworfen, wenn die Überschreitungswahrscheinlichkeit kleiner α ist.SAS-Syntax der ein- bzw. mehrfaktoriellen Varianzanalyse für unbalancierte DatenDas SAS-Programm 3.5 zeigt die allgemeine Syntax der zweifachen Varianzanalyse fürunbalancierte Daten.PROC GLM DATA = [Datensatzname];CLASS [Faktor A] [Faktor B];MODEL [Zielvariable] = [Faktor A] [Faktor B];MEANS [Faktor A] [Faktor B] / TUKEY CLDIFF;RUN;SAS-Programm 3.5: allgemeine SAS-Syntax der zweifachen Varianzanalyse für unbalancierteDatenDie Varianzanalyse für unbalancierte Daten wird mit der Prozedur GLM (GeneralizedLinear Model) durchgeführt. Hinter dem CLASS-Statement werden die kategoriellenEinflussvariablen mit einem Leerzeichen getrennt hintereinander angegeben. DasMODEL-Statement stellt die Modellgleichung auf, die Zielvariable steht dabei vor, dieEinflussvariablen stehen hinter dem Gleichheitszeichen. Mit dem MEANS-Statementwerden paarweise multiple Mittelwertsvergleiche nach Tukey-Kramer für dieEinflussvariablen durchgeführt. Die Mittelwerte der Zielvariablen jeder Faktorstufe derEinflussvariablen werden miteinander verglichen um festzustellen, zwischen welchenFaktorstufen Unterschiede auftreten. CLDIFF gibt die entsprechenden Konfidenzintervalleaus. Bei der einfachen Varianzanalyse geht nur der Faktor A in das Programm ein.3.3.4 Multiple lineare RegressionIn der multiplen linearen Regression werden Zusammenhänge zwischen quantitativenVariablen untersucht. Ein statistisches Modell stellt eine abhängige Variable als Funktionvon einer oder mehreren untereinander unabhängigen Variablen dar, die funktionale47

Material und MethodenBeziehung wird dabei noch von zufälligen Einflüssen überlagert. Das einfache lineareRegressionsmodell beschreibt diese Abhängigkeit wie folgt (Dufner et al. 2004, S. 323):wobeiYi= + β1x iβ0+ εfür i=1,2,…,n.Yieine Zufallsvariable ist,iβ 0, β 1unbekannte Regressionsparameter sind,x1, x2,...,unabhängige (und feste) Variablen sind,ε nx nε1, ε2,...Zufallsvariablen mit dem Erwartungswert 0 sind.In einem zweidimensionalen Koordinatensystem stellen sich die oben beschriebenenFunktionen als eine Gerade mit dem Achsenabschnitt β0und der Steigung β1dar.Im Falle einer multiplen linearen Regression wird das obige Modell wie folgt erweitert(DUFNER et al. 2004, S. 340):wobeiY = β0+ β1x+ β2x + ... + β x + εfür i=1,2,…,n, n>mii1i2Yidie abhängige Variable ist,β0, β1,β2,..., unbekannte Regressionsparameter,β mmimixi1 , xi2,..., ximdie Beobachtungen der unabhängigen Variablen xj(j=1,2,…,m),ε1, ε2,... Zufallsvariablen mit dem Erwartungswert 0 sind.ε nSchätzung der ModellparameterFür die Beobachtungen ( x , ),i = 1,2, …,n, n ≥ 2iy i, der unabhängigen bzw. abhängigenVariablen einer zweidimensionalen Stichprobe werden nun die beiden Parameter β0undβ1geschätzt. Dies geschieht nach der Methode der kleinsten Quadrate. Forderung dieserMethode ist, dass die Summe der Quadrate der Abstände aller Beobachtungen von dergesuchten Geraden minimal wird (Abb. 3.9). Die Forderung lässt sich wie folgt darstellen:wobei∑2( ˆ − y ) = minii!y für i=1,2,…,n48

Material und Methodenyidie Y-Koordinaten der Messwerte undŷidie Y-Koordinaten der zugehörigen Geradenpunkte sind.Abb. 3.9 Regressionsgerade mit eingezeichneten experimentellen Messwertpunkten (●) undzugehörigen Punkten auf der Geraden (○). Die Verbindungsstrecken zeigen die in Y-Richtunggemessenen Abstände. (Abbilung aus Köhler et al. 2002, S. 71)Nach der Methode der kleinsten Quadrate lassen sich die Schätzungen ˆβ0und 1ˆβ wiefolgt berechnen (DUFNER et al. 2004, S. 324):∑( xi− x)( yi− y)∑ ( xi− x)ˆ β , ˆ β = − ˆ β x .1=20y1Ersetzt man die unbekannten Regressionsparameter durch ihre Schätzungen, so erhältman die Gleichung der geschätzten Regressionsgeraden:( x) ˆ β ˆ β xyˆ =0+ .iŷ ( x)schätzt dabei für jeden x-Wert den zugehörigen ŷ -Wert. Ist diese Geradengleichungaufgestellt, so müssen verschiedene Aspekte überprüft werden:1. Ist β0signifikant von Null verschieden?Der Schnittpunkt der Geraden mit der y-Achse β0gibt den Wert von y an,wenn x=0 ist. Es wird ein Konfidenzintervall um β0bestimmt und überprüft,49

Material und Methodenob Null außerhalb dieses Intervalls liegt. Ist dies der Fall, so ist β 0signifikant von Null verschieden.Nullhypothese H 0 : β = 0Alternativhypothese H 1 : β ≠ 002. Ist β1signifikant von Null verschieden?oIm Fall, dass die Steigung β 1nicht signifikant von Null verschieden ist,verläuft die Gerade parallel zur x-Achse und zu allen x-Werten gehörtderselbe y-Wert. Demnach hat die unabhängige Variable x keinen Einflussauf die abhängige Variable y, eine Änderung von x bewirkt keine Änderungvon y (KÖHLER et al. 2002, S. 210).Nullhypothese H 0 : β = 10Alternativhypothese H 1 : β ≠ 10BestimmtheitsmaßDas Bestimmtheitsmaß R² ist ein Maß zur Beschreibung der Güte der Anpassung desAnalysemodells an die beobachteten Daten (vgl. Kapitel 3.3.3). R² nimmt auch hier einenWert zwischen 0 und 1 an und kann als Anteil der Veränderungen der abhängigenVariable interpretiert werden, die aus den Änderungen der unabhängigen Variablen erklärtwerden können (KÖHLER et al. 2002, S. 75).Darstellung der ResiduenWie bei der Varianzanalyse muss auch bei der linearen Regression eine Normalverteilungder Residuen gegeben sein. Um dies zu überprüfen, können die Residuen graphisch ineinem Histogramm oder einem Residuenplot dargestellt werden (vgl. Kapitel 3.3.3).50

Material und MethodenSAS-Syntax der multiplen RegressionDas SAS-Programm 3.6 zeigt die SAS-Syntax für die multiple Regression mit der Methodeder Rückwärtsauswahl, wie sie für diese Arbeit durchgeführt wurde.PROC REG DATA = [Datensatzname];MODEL [Zielvariable] = [Einflussvariable A] [Einflussvariable B] … [Einflussvariable N]/ SELECTION=BACKWARD SLSTAY=0.05 SS1;RUN;SAS-Programm 3.6: Multiple Regression mit Rückwärtsauswahl für die EinflussvariablenHinter dem MODEL-Statement folgt zunächst die Zielvariable. Auf der rechten Seite desGleichheitszeichens werden die Einflussvariablen A bis N aufgeführt. N steht dabei für dieAnzahl der Variablen. Dem Schrägstrich folgen Optionen für das Modell: für dieModellbildung soll die Methode der so genannten Rückwärtsauswahl (backward selection)durchgeführt werden. Das Signifikanzniveau wird mit SLSTAY auf 0,05 festgelegt.Bei der Methode der Rückwärtsauswahl wird zunächst das vollständige Modell mit allenunabhängigen Variablen betrachtet. Nach und nach wird eine Variable aus dem Modellentfernt, beginnend mit der Variablen, deren Wert der F-Statistik der kleinste, deren p-Wert jedoch größer als 0,05 ist. Anschließend wird wiederum die Variable entfernt, die denkleinsten F-Wert und einen p-Wert >0,05 hat. Dies wird solange durchgeführt, bis nur nochVariablen im Modell sind, die auf dem Niveau von 5 % signifikant sind. Nach derAnwendung dieser Methode kann allerdings nicht der Schluss gezogen werden, dass alleeliminierten Variablen keinerlei Einfluss auf die abhängige Variable haben. Es kannlediglich gesagt werden, dass sie bei gleichzeitiger Berücksichtigung der übrigenEinflussvariablen keinen wesentlichen zusätzlichen Beitrag zur Erklärung der Zielvariablenleisten (HARTUNG 1993, S. 598).Bei der Rückwärtsauswahl der Prozedur REG werden standardgemäß die Typ II-Quadratsummen ausgegeben. Diese addieren sich ebenfalls wie die in Kapitel 3.3.3beschriebenen Typ III-Quadratsummen nicht zur Totalquadratsumme auf. Die Typ II-Quadratsumme eines Effektes ist ebenfalls wie die Typ III-Quadratsumme von allen in dasModell eingehenden Effekten bereinigt, bis auf diejenigen, die den zu testenden Effektenthalten. Die Effekte A und B sind beispielsweise in der Wechselwirkung A*B enthalten.51

Material und MethodenSS A ist deshalb um B bereinigt, jedoch nicht um A*B. In diesem Punkt unterscheiden sichdie Typ II-Quadratsummen von den Typ III-Quadratsummen. Die Typ II-Quadratsummenzerlegung wird häufig bei Modellen ohne Wechselwirkungen verwendet,also bei reinen Haupteffektmodellen und Regressionsmodellen (DUFNER et al. 2004, S.298).Aus der Modellquadratsumme und der Totalquadratsumme wird das Bestimmtheitsmaßwie folgt errechnet:2R =SSSSModelTotal.Das Bestimmtheitsmaß jedes einzelnen Faktors lässt sich ähnlich berechnen, indem dieQuadratsumme des Faktors durch die Totalquadratsumme dividiert wird. Voraussetzungdabei ist, dass sich die einzelnen Quadratsummen zur Modellquadratsumme addieren. Dadies bei den Typ II-Quadratsummen nicht der Fall ist, werden die Typ I Quadratsummenverwendet. Diese können in SAS mit der Anweisung SS1 in den Optionen des MODEL-Statements angefordert werden (siehe SAS-Programm 3.6). Die Summe der Typ I-Quadratsummen ergibt die Modellquadratsumme. Werden die einzelnen Typ I-Quadratsummen nun durch die Modellquadratsumme dividiert, so ergibt sich für jedenFaktor das Bestimmtheitsmaß.3.3.5 Ausreißer-Test nach GRUBBS & BECKS (1972)Um die Beeinflussung der analytischen Tests durch Ausreißer möglichst gering zu halten,wurde der Ausreißer-Test nach GRUBBS & BECKS (1972) durchgeführt. Dieser Test kannfür größere Stichproben verwendet werden. Die Voraussetzung ist eine normalverteilte,nach aufsteigender Größe geordnete Stichprobe x ( 1) ,..., x( n)vom Umfang n (i=1, 2, …, n).Als Hypothesen werden formuliert:Nullhypothese H 01 : x()1ist kein Ausreißer.Diese Hypothese wird zum Niveau α abgelehnt wenn gilt:52

Material und Methodenx − x()1T1= > Tn;1−α.sNullhypothese H 0n : x ( n)ist kein Ausreißer.Diese Hypothese wird zum Niveau α abgelehnt, wenn gilt:x( n)− xTn= > Tn;1−α.sIn diesem Zusammenhang wurde für jede Analysevariable geprüft, ob Ausreißer vorliegen.Jede Variable wurde dabei auf Normalverteilung überprüft und gegebenenfallstransformiert, um eine Normalverteilung zu erreichen. Bei einer Irrtumswahrscheinlichkeitvon α=5 % und einem kritischen Wert von 3,334 aus der Tafel nach GRUBBS & BECKS(1972) für den größten verfügbaren Stichprobenumfang n=145 wurden aus dem dieserArbeit zugrunde liegenden Datensatz folgende Ausreißer ermittelt (Tab. 3.14) und für dieweiteren Tests aus dem Datensatz entfernt:Tab. 3.14: Ermittelte Ausreißer mit der zugehörigen Gemeinde und PrüfgrößeGemeindekennziffer Variable Ausprägung Prüfgröße452002 ABD_Elsbrut4,69 3,85463156403 5,68 4,611324620078,16 6,25426156403 ABD_Fugehe1,35 3,62569255502 1,5 4,258141585011,75 5,28519461002 ABD_Hase40,34 3,9078446000859,63 6,80331156002 ABD_Rabdich24,69 3,38214457402 26,67 3,79771457022 27,3 3,92916155009 30,28 4,5542815640233,06 5,13848153402 Temp_MM 6,87 4,2872453

Statistische Auswertung4 Statistische AuswertungUm eine Übersicht über die Häufigkeiten und Verteilungen der Zielvariable ABD_Hase undder Einflussvariablen zu gewinnen, wurden diese zunächst deskriptiv ausgewertet. Diesgeschah in einem ersten Schritt mit der Ermittlung der Streuungs- und Lagemaße für jedeVariable. Ein Box-Plot veranschaulicht die Verteilung der Daten. Die Variablen wurdenzusätzlich in Klassen eingeteilt. Die Bestimmung der Klassengrößen geschah für dieHasen-, Fuchs- und Dachspopulationen entsprechend der Einteilung von BARTEL et al.(2005). Die Ertragsmesszahlen wurden angelehnt an eine Ausarbeitung des NLS (2001) insieben Klassen eingeteilt. Die übrigen Variablen wurden nach den Werten des unterenund oberen Quartils in drei Klassen eingeteilt.In einem zweiten Schritt wurden Assoziationen und Zusammenhänge zwischen denVariablen ermittelt. In verschiedenen Korrelationsanalysen und Chiquadrat-Homogenitätstests wurden sowohl die Zielvariable gegen die Einflussvariablen als auchdie Einflussvariablen untereinander auf Zusammenhänge untersucht. Diese analytischenTests sollen dazu dienen, eine Vorauswahl der wesentlichen Variablen für einRegressions- bzw. Varianzanalysemodell zu treffen.54

Statistische Auswertung4.1 Streuungs- und LagemaßeDer folgende SAS-Output 4.1 zeigt exemplarisch die deskriptive Auswertung der Variablenam Beispiel der Zielvariablen ABD_Hase.Verteilung der Hasenbesaetze/100 ha in den Gemeinden in NiedersachsenABD_HaseAnzahlGemeindenarithm.MittelMedianStandardabw.Variationskoeff.Min Maxunt.Quartilob.Quartil443 14.30 13.21 6.66 46.60 0.00 59.63 9.84 17.42SAS-Output 4.1: Deskriptive Auswertung der Variablen ABD_Hase55

Statistische AuswertungFortsetzung SAS-Output 4.1Klassierung der Hasenzahlen, Verteilung auf die GemeindenKlassen: Populationsdichte Hasen/100 ha bejagbare Flaeche0 bis5> 5bis 10> 10bis 15> 15bis 20> 20bis 25> 25bis 30> 30bis 50>50GemeindenAnzahl 14 104 146 116 35 14 13 1Anteilin % 3.16 23.48 32.96 26.19 7.90 3.16 2.93 0.23SAS-Output 4.1: Deskriptive Auswertung der Variablen ABD_HaseInsgesamt liegen die Populationsdichten der Hasen von 443 Gemeinden vor. DerMittelwert liegt mit 14,3 Hasen/100 ha höher als der Median (13,2 Hasen), was durcheinige auch im Boxplot ersichtliche hohe Werte erklärt werden kann. Die Werte weichenum etwa 6,6 Hasen/100 ha vom Mittelwert ab. Der höchste Wert befindet sich mit 59,63Hasen/100 ha sehr weit entfernt von den anderen, 50 % der Werte liegen zwischen 9,84und 17,42 Hasen/100 ha. Die Variable wurde nach BARTEL et al. (2005) in acht Gruppeneingeteilt. In rund zwei Dritteln der Gemeinden liegen die Hasendichten zwischen 5 und 20Hasen/100 ha. Eine systematische Aufstellung der deskriptiven Auswertung der übrigenVariablen befindet sich im Anhang 10.4.2 Korrelationsanalysen der Zielvariablen ABD_Hase und der EinflussvariablenDie Abbildung 4.1 zeigt das Ergebnis der Korrelationsanalyse der Variablen ABD_Haseund ABD_Fugehe mit dem Korrelationskoeffizienten nach Pearson (r) und derÜberschreitungswahrscheinlichkeit (p-Wert). Das Streudiagramm stellt denZusammenhang der Variablen graphisch dar.56

Statistische Auswertungr = -0.44426p-Wert:

Statistische AuswertungDer partielle Korrelationskoeffizient zwischen der Zielvariablen ABD_Hase und derEinflussvariablen ABD_Dagehe liegt bei -0,16 (s. Anhang 13). Der zuvor ermittelte hoheZusammenhang (R = -0,43) zwischen diesen beiden Variablen ist daher tatsächlich aufeine Korrelation mit der Waldfläche zurückzuführen. Ähnliche Ergebnisse liegen für dieVariablen der Populationsdichten der Füchse, Rabenkrähen, Kolkraben sowie für dieElstern vor (Tab. 4.1). Deutlich zu sehen ist, dass die Korrelationen zwischen derZielvariablen ABD_Hase und den Variablen Flae_landw, Flae_Grue und Flae_Brach, diedie Anteile der landwirtschaftlichen Fläche, der Grünland- und der Brachfläche in denGemeinden wiedergeben, sehr gering werden. Die Korrelationskoeffizienten gehen hiergegen Null, d.h. es gibt nahezu keinen Zusammenhang zwischen der Variable ABD_Haseund diesen Variablen. Dies deutet auf einen starken Zusammenhang der VariablenFlae_landw, Flae_Grue und Flae_Brach mit der Waldfläche hin, wie auch dieentsprechenden Rangkorrelationskoeffizienten beweisen (Tab. 4.1). Ähnlich verhält essich mit der Anzahl der Sonnenstunden in den Zeiträumen März bis Mai und Juni bisAugust (Sonn_MM und Sonn_JA). Ohne den Einfluss der Waldfläche verringern sich dieRangkorrelationskoeffizienten auf partielle Korrelationskoeffizienten von + bzw. -0,03. Esbesteht ein starker Zusammenhang mit der Waldfläche. Bei den Variablen Nied_MM undTemp_JA (Niederschlagsmenge der Monate März bis Mai und Temperatur der MonateJuni bis August) ist der partielle Korrelationskoeffizient höher als derRangkorrelationskoeffizient (Tab. 4.1). Hier steigen die Korrelationskoeffizienten an, d.h.,dass ohne den Waldeinfluss der Zusammenhang der Variablen Nied_MM und Temp_JAmit der Zielvariablen ABD_Hase größer ist.Tab. 4.1: Korrelationskoeffizienten nach Pearson (r) oder nach Spearman (R) zwischen derZielvariable ABD_Hase und den Einflussvariablen im Vergleich mit den partiellenKorrelationskoeffizienten nach dem Anteil der WaldflächeVariablennameKorrelationskoeffizient nach Pearson(r) oder nach Spearman (R)partiellerKorrelationskoeffizientnach dem Anteil derWaldflächeABD_Fugehe r = -0,44 -0,15ABD_Dagehe R = -0,43 -0,16ABD_Rabdich r = 0,29 0,17ABD_Kolkbrut R = -0,4 -0,10ABD_Elsbrut r = 0,11 0,0658

Statistische AuswertungFortsetzung Tab. 4.1Flae_Wald R = -0,60 ---Flae_landw R = 0,50 -0,10Flae_Ack R = 0,03 -0,04Flae_Grue R = 0,38 -0,01Flae_Brach R = -0,18 0,01EMZ_ges R = 0,03 -0,15Temp_MM R = 0,28 0,23Sonn_MM R = 0,33 0,03Nied_MM R = -0,16 -0,31Temp_JA R = 0,12 0,21Sonn_JA R = 0,10 -0,03Nied_JA R = 0,14 -0,14Temp_SO R = 0,38 0,23Sonn_SO R = 0,27 0,13Nied_SO R = 0,20 -0,134.3 AssoziationenMit Hilfe des in Kapitel 3.3.2 beschriebenen Chiquadrat-Homogenitätstest sollen dieZusammenhänge zwischen der Zielvariablen ABD_Hase und den Einflussvariablenbetrachtet werden. Die Gruppeneinteilung, wie sie in der deskriptiven Auswertung für dieVariablen vorgenommen wurde (s. Kapitel 4.1), konnte dabei nicht übernommen werden,da einige Zellen der Kontingenztafeln keine Beobachtungen enthalten hätten. Die Gruppenwurden jeweils soweit zusammengefasst, dass alle Zellen in den Tafeln besetzt waren.Der SAS-Output 4.2 zeigt exemplarisch die Kontingenztafel mit der Häufigkeitsverteilungder Werte der verschiedenen Ausprägungen der Hasengruppen (Ha_Grup) auf dieAusprägungen der Fuchsgruppen (Fu_Grup).59

Statistische AuswertungTable of Ha_Grup by Fu_GrupHa_GrupFu_GrupFrequencyPercentRow PctCol Pct 0 bis 0,5 > 0,5 Total0 bis 10 4410.2137.9316.99> 10 bis 20 16137.3562.6562.16> 20 5412.5393.1020.85Total 25960.097216.7162.0741.869622.2737.3555.8140.936.902.3317239.9111626.9125759.635813.46431100.00Frequency Missing = 11Output 4.2: Kontingenztafel der Variablen Ha_Grup und Fu_GrupDie erste Zelle mit der Faktorkombination „0 bis 10 Hasen“ und „0 bis 0,5 Füchse“ enthält44 Beobachtungen. Dies sind 10,21 % aller Beobachtungen insgesamt, 37,93 % allerBeobachtungen der Gruppe „0 bis 10 Hasen“ und 16,99 % aller Beobachtungen derGruppe „0 bis 0,5 Füchse“.Der zweite Teil des Outputs enthält u.a. den p-Wert, den Chiquadrat-Wert und denKontingenzkoeffizienten (SAS-Output 4.3)60

Statistische AuswertungStatistic DF Value ProbChi-Square 2 50.8106

Statistische AuswertungFortsetzung Tab. 4.2Flae_Ack 0.0103 13.2140 0.1753Flae_Grue

Statistische Auswertung4.4 Einfaktorielle Varianzanalyse der Zielvariablen ABD_Hase und derEinflussvariablenDer Zusammenhang der Zielvariablen ABD_Hase mit den beiden kategoriellenEinflussvariablen NRaum_fID und BGL_fID wurde jeweils mit der einfaktoriellenVarianzanalyse untersucht. Die Voraussetzung der Normalverteilung der Residuen istgegeben, wie die Histogramme im Anhang 15 zeigen. Die Varianzanalyse darf alsoangewendet werden. Für beide Variablen konnten signifikante Unterschiede derHasenbesätze zwischen den einzelnen Naturräumen und den Bodengrosslandschaftenfestgestellt werden (jeweils p=

Statistische AuswertungNaturräume, die zum einen eine ähnliche Verteilung der Hasenpopulationen aufwiesenund sich zum anderen hinsichtlich ihrer naturräumlichen Struktur und Beschaffenheitähnelten (siehe Kapitel 3.2.1.3), wurden daraufhin zu vier Naturraum-Gruppen(NRaum_Grup) zusammengefasst (Tab. 4.3).Tab. 4.3: Zusammenfassung der Naturräume zu NaturraumgruppenNRaum_Grup NRaum_fID Naturraum123IIIVIIIIVIVVIIIIXEms-Weser-MarschElbe-NiederungDümmer-GeestniederungOstfriesisch-OldenburgischeGeestEms-Hunte-GeestStader GeestWeser-Aller-FlachlandNiedersächsische BördenVII Lüneburger Heide undAltmark4XXIXIIUnteres WeserberglandWeser-Leine-BerglandHarz64

Varianzanalyse5 Varianzanalyse5.1 Auswahl der VariablenAufgrund der hohen Wechselwirkungen zwischen den Variablen NRaum_fID und BGL_fID(siehe Kapitel 4.4) sollten diese beiden kategoriellen Variablen nicht gemeinsam in einVarianzanalysemodell eingehen. Die Variable NRaum_fID wird ausgewählt, da sie besserals die Bodengrosslandschaften Struktur und Beschaffenheit der NaturlandschaftenNiedersachsens wiedergibt. Der Tukey-Kramer-Test hat gezeigt, zwischen welchenNaturräumen signifikante Unterschiede in der Verteilung der Hasenpopulationen liegen.Die daraufhin gebildeten vier Naturraum-Gruppen gehen in das Varianzanalysemodell ein(siehe Kapitel 4.4, Tab. 4.3). Für die einfaktorielle Varianzanalyse wird der Definition inKapitel 3.3.3 entsprechend das Modell mit der Variable NRaum_Grup erstellt.5.2 ErgebnisseDer folgende SAS-Output 5.1 zeigt die Ergebnisse der einfaktoriellen Varianzanalyse derZielvariablen ABD_Hase und der Einflussvariablen NRaum_Grup.Einfaktorielle VarianzanalyseThe GLM ProcedureClass Level InformationClass Levels ValuesNRaum_Grup 4 1 2 3 4Number of observations 442NOTE: Due to missing values, only 431 observations can be used in this analysis.SAS-Output 5.1: Einfaktorielle Varianzanalyse der Zielvariable ABD_Hase und derEinflussvariablen NRaum_Grup65

VarianzanalyseFortsetzung SAS-Output 5.1Dependent Variable: ABD_Hase ABD_HaseSourceDFSum ofSquares Mean Square F Value Pr > FModel 3 4283.18661 1427.72887 50.85 FNRaum_Grup 3 4283.186611 1427.728870 50.85 FNRaum_Grup 3 4283.186611 1427.728870 50.85

VarianzanalyseDas Histogramm (SAS-Output 5.2) zeigt eine Normalverteilung der Residuen, d.h. dieVarianzanalyse darf angewendet werden.SAS-Output 5.2: Histogramm zur Überprüfung der Normalverteilung der ResiduenDie Nullhypothese H0(die festen Effekte αides Faktors NRaum_Grup sind gleich null)wird mit einem Signifikanzniveau von α = 5%verworfen, da die Überschreitungswahrscheinlichkeit< 0,05 ist. Bei der einfaktoriellen Varianzanalyse sind die Typ I- undTyp II- Quadratsummen gleich und müssen nicht differenziert betrachtet werden. Aus demOutput lässt sich ein Bestimmtheitsmaß von 0,27 entnehmen. Die Variabilität derFeldhasenpopulationen ist also zu 27 % durch die Variabilität der Naturraumgruppen zuerklären. Der Tukey-Kramer-Test zeigt, dass sich alle Naturraumgruppen hinsichtlich derVerteilung der Feldhasenpopulationen signifikant unterscheiden (SAS-Output 5.3).67

VarianzanalyseTukey's Studentized Range (HSD) Test for ABD_HaseNOTE: This test controls the Type I experimentwise error rate.Alpha 0.05Error Degrees of Freedom 437Error Mean Square 28.30591Critical Value of Studentized Range 3.64723Comparisons significant at the 0.05 level are indicated by ***.NRaum_GrupComparisonDifferenceBetweenMeansSimultaneous95% Confidence Limits1 - 2 2.6864 0.4962 4.8767 ***1 - 3 5.7888 3.9221 7.6554 ***1 - 4 8.4701 6.6423 10.2979 ***2 - 1 -2.6864 -4.8767 -0.4962 ***2 - 3 3.1024 1.0667 5.1380 ***2 - 4 5.7837 3.7835 7.7838 ***3 - 1 -5.7888 -7.6554 -3.9221 ***3 - 2 -3.1024 -5.1380 -1.0667 ***3 - 4 2.6813 1.0419 4.3207 ***4 - 1 -8.4701 -10.2979 -6.6423 ***4 - 2 -5.7837 -7.7838 -3.7835 ***4 - 3 -2.6813 -4.3207 -1.0419 ***SAS-Output 5.3: Tukey-Kramer-Test: Mittelwertsvergleiche der Hasenzahlen in denNaturraum-Gruppen.68

Multiple Regression6 Multiple Regression6.1 Auswahl der VariablenNach den deskriptiven und analytischen Auswertungen der Variablen könnenverschiedene Einflussfaktoren für ein mehrfaktorielles Regressionsanalysemodellausgewählt werden.Aus der Gruppe der Variablen der tatsächlichen Nutzung der Gemeindeflächen wird dieVariable Flae_landw ausgewählt. Die partielle Korrelation hat gezeigt, dass der Anteil derWaldfläche eng mit den Anteilen der landwirtschaftlichen Flächen, der Acker-, GrünlandundBrachflächen zusammenhängt. Bestehen derartige Zusammenhänge zwischen denEinflussvariablen, so dürfen sie nicht gemeinsam in ein Regressionsmodell eingehen. Ausdiesem Grund wird nur eine Variable ausgewählt. Da die landwirtschaftliche Fläche derHauptlebensraum des Feldhasen ist, geht die Variable Flae_landw in das Modell ein.Aus der Gruppe der Beutegreifer werden die Variablen ABD_Fugehe und ABD_Rabdich(Fuchsgeheck- und Rabenkrähendichte pro 100 ha Revierfläche) für das Analysemodellausgewählt. Die partiellen Korrelationskoeffizienten liegen bei -0,15 für dieFuchsgeheckdichte und bei 0,17 für die Rabenkrähendichte und weisen auf einen - wennauch geringen - Zusammenhang mit der Zielvariablen ABD_Hase hin. DerZusammenhang der Hasendichte mit der Dachsgeheckdichte wird mit einem partiellenKorrelationskoeffizienten von 0,16 beschrieben und ist somit ähnlich ausgeprägt wie derder Fuchs- bzw. Rabenkrähendichte. Die Fuchs- und die Dachsgeheckdichten korrelierenjedoch sehr hoch miteinander. Sowohl der Rangkorrelationskoeffizient nach Spearman alsauch der partielle Korrelationskoeffizient weisen mit 0,79 bzw. 0,7 auf einen hohenZusammenhang hin (s. Anhang 12 und 13). Eine derart hohe Korrelation kann u.a.dadurch erklärt werden, dass beide Wildarten stark an den Wald als Lebensraumgebunden sind. Dies machen auch die Abbildungen in den Anhängen 2, 3 und 4 deutlich,aus denen hervorgeht, dass sowohl die hohen Fuchsgeheck- als auch die hohenDachsgeheckdichten überwiegend in den Gemeinden mit einem höheren Waldanteilvorliegen. Da der Fuchs als einer der der Hauptprädatoren des Feldhasen anzusehen ist69

Multiple Regression(SPITTLER 2000b, ZÖRNER 1996, GUTHÖRL & KALCHREUTER 1995), und in dasRegressionsmodell nur eine von mehreren voneinander abhängigen Variablen eingehendarf, wird die Variable ABD_Fugehe für das Regressionsmodell ausgewählt.Aus den Witterungsdaten werden folgende Variablen gewählt:Nied_MM: durchschnittliche Niederschlagsmenge der Monate März bis Mai derJahre 2000 bis 2004,Temp_SO: durchschnittliche Temperatur der Monate September und Oktober derJahre 2000 bis 2004.Die partiellen Korrelationskoeffizienten zeigen für die Variable Nied_MM (-0,31) und für dieVariable Temp_SO (0,23) im Vergleich zu den übrigen Variablen der Witterung denhöchsten Zusammenhang mit der Zielvariablen ABD_Hase (s. Tab. 4.1). Die VariablenTemp_JA und Temp_MM, die aufgrund ihrer partiellen Korrelationskoeffizienten ebenfallsin das Modell eingehen könnten, werden wegen der vorliegenden hohen Korrelationenuntereinander (s. Anhang 13) nicht ausgewählt.Die hohen Korrelationen der Temperaturen der verschiedenen Zeiträume untereinander(Temp_MM und Temp_JA: 0,79, Temp_MM und Temp_SO: 0,56, jeweils der partielleKorrelationskoeffizient) bringen die regionalen Unterschiede in Niedersachsen bezüglichder Temperatur zum Ausdruck. Die Witterung eines Landkreises an der Küsteunterscheidet sich aufgrund des maritimen Einflusses allgemein von der einesLandkreises im südlichen Niedersachsen. Diese Witterungsunterschiede zeigen sich injedem der drei gewählten Zeiträume März bis Mai, Juni bis August, September undOktober. Bedigt durch diese regionalen Witterungsunterschiede korrelieren dieTemperaturern der verschiedenen Zeiträume sehr hoch. Aufgrund der Korrelationen ist zuvermuten, dass die Temperaturen im März bis Mai und im Juni bis August in Bezug auf dieFeldhasendichten eine ähnliche Auswirkung haben wie die Temperatur im September undOktober. Die Variable Temp_SO wird als ein Stellvertreter für den Einfluss der Temperaturgewählt.70

Multiple Regression6.2 ErgebnisseDer SAS-Output 6.1 zeigt den letzten Schritt der Rückwärtsauswahl der mehrfaktoriellenRegression mit den aus dem Modell entfernten und den im Modell verbleibendenVariablen.Multiple lineare RegressionThe REG ProcedureModel: MODEL1Dependent Variable: ABD_Hase ABD_HaseBackward Elimination: Step 1Variable Nied_MM Removed: R-Square = 0.3959 and C(p) = 4.6686Analysis of VarianceSourceDFSum ofSquaresMeanSquare F Value Pr > FModel 4 4447.39513 1111.84878 51.62 FIntercept -5.52593 5.10478 25.23974 1.17 0.2799ABD_Fugehe -6.18825 1.20649 566.64810 26.31

Multiple RegressionFortsetzung SAS-Output 6.1Multiple lineare RegressionThe REG ProcedureModel: MODEL1Dependent Variable: ABD_Hase ABD_HaseSummary of Backward EliminationStepVariableRemovedLabelNumberVars InPartialR-SquareModelR-Square C(p) F Value Pr > F1 Nied_MM Nied_MM 4 0.0013 0.3959 4.6686 0.67 0.4142SAS-Output 6.1: Mehrfaktorielle Regression; letzter Schritt der Rückwärtsauswahl mit den imModell verbleibenden und den aus dem Modell entfernten Einflussvariablen (Auszug)Nach dem ersten Schritt der Rückwärtsauswahl ist die Variable Nied_MM aus dem Modellentfernt worden. Diese Variable hat mit 0,67 den kleinsten F-Wert und einen p-Wert von0,4142. Das Bestimmtheitsmaß geht von 0,3972 auf 0,3959 minimal zurück. Die entfernteVariable hatte also nahezu keinen Einfluss auf die Zielvariable. Weiterhin wurde keineVariable aus dem Modell entfernt. Die verbleibenden Variablen ABD_Dagehe,ABD_Rabdich, Flae_landw und Temp_SO sind zum Niveau von 0,05 signifikant.Die erste Nullhypothese H 0 : β = 0 wird zum Signifikanzniveau von 5 % verworfen, da dieoÜberschreitungswahrscheinlichkeit mit < 0,0001 kleiner als 0,05 ist. Dies bedeutet, dassdie Regressionsgerade die y-Achse nicht bei Null schneidet. Die zweite Nullhypothese0:1 2 3 4=lautet nach der Durchführung der Rückwärtsauswahl H β = β = β = β 0 undkann ebenfalls verworfen werden, die p-Werte sind mit

Multiple RegressionDas Bestimmtheitsmaß von 0,3959 ergibt sich aus der Division von 4447.39513 (SS Model )und 11232 (SS Total ) (s. SAS-Output 6.1). Für die vier Variablen ABD_Fugehe,ABD_Rabdich, Flae_landw und Temp_SO lässt sich aus den Typ I-Quadratsummen dasjeweilige Bestimmtheitsmaß wie folgt berechnen (s. SAS-Output 6.2):2 TypeISS 1867.48852RABD _ Fugehe= == 0,166 ,SS 11232Total2 TypeISS 759.85014RABD _ Rabdich= = = 0,067 ,SS 11232Total2 TypeISS 1657.70626RFlae _ landw= == 0,147 ,SS 11232Total2 TypeISS 162.35020RTemp _ SO= = = 0,014 .SS 11232TotalParameter EstimatesVariable Label DFParameterEstimateStandardError t Value Pr > |t| Type I SSIntercept Intercept 1 -5.52593 5.10478 -1.08 0.2799 61952ABD_Fugehe ABD_Fugehe 1 -6.18825 1.20649 -5.13

Multiple RegressionVariabilität der Fuchsgeheckdichten zu erklären, ca. 7 % durch die Variabilität derRabenkrähenpopulationen, ca. 15 % durch den Anteil der landwirtschaftlichen Flächen inden Gemeinden und ca. 1 % von der Temperatur in den Monaten September und Oktober.74

Diskussion und Ausblick7 Diskussion und Ausblick7.1 DatengrundlageFür die vorliegende Arbeit mussten Daten aus mehreren unterschiedlichen Quellen (s.Kapitel 3.1) so bearbeitet werden, dass eine homogene Datengrundlage für diestatistischen Auswertungen zur Verfügung stand. Dies erwies sich in einigen Punkten alsschwierig.Die Daten der WTE werden auf Revierebene erhoben. Dennoch wurden für diestatistischen Analysen bewusst die Daten auf Gemeindeebene und nicht auf Revierebeneherangezogen. Dies geschah zum einen, um die Fehler in den Bestandseinschätzungender Revierinhaber weitestgehend zu nivellieren. Große Streuungen wurden soausgeglichen und die Beeinflussung durch Ausreißer möglichst gering gehalten. Zusätzlichzu den Bestandseinschätzungen macht jeder Revierinhaber auch Angaben zu denFlächengrößen des Reviers (Reviergröße, Größe der Waldfläche, etc.). In dervorliegenden Arbeit sollten jedoch die offiziellen Daten der Flächennutzung vom NLSgenutzt werden, die nur auf Gemeindeebene vorlagen. Die Ertragsmesszahlen liegen aufGemarkungsebene vor und hätten am ehesten mit den Revierdaten in Verbindunggebracht werden können. Auf Gemarkungsebene liegen jedoch sonst keine weiterenDaten vor. Letztendlich war die Gemeindeebene die Ebene, auf der die meisten Daten zurVerfügung standen.Die Daten der WTE beruhen bei ca. 8000 Revieren auf Einschätzungen der Beständedurch die Revierinhaber. Davon werden in ca. 2000 Revieren die Bestände mit Hilfe derScheinwerfertaxation erfasst. Diese wird jedoch nicht immer nach den Vorgaben des IWFodurchgeführt. Die Über- und Unterschätzungen der Feldhasenbestände sollen durch dieMultiplikation mit dem Faktor 1,6 weitestgehend ausgeglichen werden. Dieser Faktorwurde in einer ersten Evaluierung der Einschätzungen mit Hilfe der Scheinwerfertaxationvon 1994-1995 erhoben (STRAUß & POHLMEYER 1996). Für die Verizifierung derBesatzdichten der Beutegreifer gibt es bisher noch keine probate Methode. Die Angabenberuhen daher auf reinen Schätzungen der Revierinhaber. Dabei ist davon auszugehen,75

Diskussion und Ausblickdass insbesondere beim Fuchs und beim Dachs nicht alle Gehecke in einem Jagdbezirkgefunden werden (DJV 2004, S. 19). Nach STIEBLING & SCHNEIDER (1999) liegt dieDunkelziffer an übersehenen Wurfbauten trotz einer intensiven Baukartierung bei 15 -26%. Da der Fuchs nicht nur Erdbaue zur Welpenaufzucht nutzt, sondern auchEntwässerungsrohre, Stallungen, Stein- und Strohhaufen, werden bei der Kartierung nichtalle Bauten entdeckt. In einem größeren Dachsbau können mehrere Generationenzusammen leben. Bei der Berechnung des Besatzes wird jedoch in der Regel von einemGeheck mit zwei Elterntieren pro Bau ausgegangen. Dementsprechend werden dieBestände unterschätzt (DJV 2004, S. 19). Eine exakte Bestimmung der Wildbestände istgenerell mit keiner Erfassungsmethode möglich. Die errechneten Tierdichten sind lediglichAnnäherungen an den tatsächlichen Bestand. Für die Bearbeitung wissenschaftlicherFragestellungen sind die Bestandseinschätzungen dennoch die bestmögliche Alternative.Die Ertragsmesszahlen liegen auf Gemarkungsebene vor und sind somit nicht direktkompatibel mit den auf Gemeindeebene vorliegenden Hasendichten. Für die analytischeStatistik mussten aus der entsprechenden Anzahl der Gemarkungen die Mittelwerte derErtragsmesszahlen für die Gemeinden berechnet werden. Da die Ertragsmesszahlen derGemarkungen in den Gemeinden jedoch sehr stark streuen (siehe Anhang 10), lassensich aus den Mittelwerten keine präzisen Aussagen über die Bodengüte der Gemeindenableiten. Der Zusammenhang zwischen der Bodengüte und der Feldhasenpopulation einerGemeinde muss daher unter Vorbehalt betrachtet werden. Eine bessere Grundlage für dieAnalyse des Zusammenhanges der Verteilung der Feldhasenpopulationen und derBodengüte wäre gegeben, würden die Daten auf einer kleineren räumlichen Ebene,beispielsweise auf Revierebene, analysiert werden. SCHRÖPFER & NYENHUIS (1982)fanden in ihren Untersuchungen nach der Bedeutung der Landschaftsstruktur für dieJagdstrecke des Feldhasen in Nordwestdeutschland signifikante Beziehungen zwischendem Jagdstrecke und den Ertragsmesszahlen. Eine hohe Strecke lag hauptsächlich dortvor, wo die Ertragsmesszahlen eine hohe Bodenqualität anzeigten. Allerdings wurden inder Arbeit von SCHRÖPFER & NYENHUIS (1982) nur Daten auf Landkreisebene analysiert,die somit in einer höher aggregierten Ebene als die in dieser Arbeit verwendeten Datenliegen. Das Ergebnis von SCHRÖPFER & NYENHUIS (1982) kann daher in der vorliegendenArbeit aufgrund der oben angedeuteten Datenproblematik nicht bestätigt werden.76

Diskussion und AusblickDie Daten des NLfB hinsichtlich der Bodengrosslandschaften mussten ebenfalls sobearbeitet werden, dass sie mit den Hasenbesätzen räumlich in Beziehung gesetztwerden konnten. Da jede Gemeinde unterschiedlich viele Bodengrosslandschaftenaufweist, wurde für die Analysen dieser Arbeit jeder Gemeinde die Bodengrosslandschaftmit dem größten Flächenanteil zugewiesen. Die Informationen über die Vielfältigkeit unddie Zusammensetzung der Böden einer Gemeinde, die eventuell für den Feldhasenmaßgeblich ist, werden dabei unterschlagen. Auch hier wäre eine Analyse derZusammenhänge zwischen der Verteilung der Feldhasenpopulationen und derBodengrosslandschaft auf kleinerer räumlicher Ebene wünschenswert.Die Witterungsdaten des DWD lagen nur von 58 Klimastationen vor. Diese Daten wurdenfür alle Gemeinden übernommen, die im Landkreis der entsprechenden Klimastationlagen. Für eine genaue Analyse des Zusammenhanges der Verteilung derFeldhasenbesätze und der Witterung wären eigens gemessene Witterungsdaten für jedeGemeinde notwendig.SCHRÖPFER & NYENHUIS (1982), NYENHUIS (1990) und NYENHUIS (1998) gaben für dieauch in dieser Arbeit betrachteten Einflussfaktoren signifikante Zusammenhänge mit denFeldhasenpopulationen an. Diese Zusammenhänge konnten nur zum Teil in dervorliegenden Arbeit bestätigt werden. Die oben genannten Autoren untersuchten denEinfluss der Witterung und der Landschaftsstruktur auf die Feldhasenpopulation, wobei dieJagdstrecken als Zielvariable analysiert und als Weiser für die Feldhasenbesätzeherangezogen wurden. Die Jagdstrecken lassen jedoch nur bedingt einen Rückschluß aufdie tatsächlichen Hasenbesätze zu – heute weniger als in den 1980er Jahren –, da dieBejagungsintensität von verschiedenen Faktoren abhängig ist. In vielen Revieren wird undwurde aufgrund geringer Besätze gänzlich auf eine Bejagung verzichtet, oder nur einestark eingeschränkte Jagd – die Erbeutung eines oder einiger weniger so genannter„Küchenhasen“ – durchgeführt. Darüber hinaus kann die Witterung während der Jagd denJagderfolg beeinflussen. Zudem verwendeten die oben genannten Autoren die zuuntersuchenden Daten auf Landkreisebene. Die Daten der vorliegenden Arbeit werden aufGemeindeebene analysiert, somit sind die Auswertungsräume kleiner als aufLandkreisebene. Aufgrund des unterschiedlichen Datenmaterials können die Ergebnissenicht direkt miteinander verglichen werden. In einer weiteren Untersuchung könnten dieErgebnisse der Einflüsse der in dieser Arbeit gewählten Faktoren auf die Hasendichten mit77

Diskussion und Ausblickden Ergebnissen der Einflüsse derselben Faktoren auf die Hasenstrecken verglichenwerden. Eine Analyse des Zusammenhanges der Einflussfaktoren mit den Hasenstreckenkönnte ähnliche Ergebnisse wie bei den oben genannten Autoren liefern.7.2 ErgebnisdiskussionNach den Ergebnissen der multiplen Regressionsanalyse zeigt die Verteilung derFeldhasenpopulationen in Niedersachsen Abhängigkeiten zu dem Anteil derlandwirtschaftlichen Fläche in den Gemeinden, zu der Populationsdichte des Fuchses undder Rabenkrähe und zur Temperatur im September und Oktober (s. Kapitel 6.2).Der Einfluss der Verteilung der Fuchsdichten auf die Verteilung der Hasendichten liegtnach der multiplen Regression bei 17 %. Die Aussagen in der Literatur bestätigen diesesErgebnis, hier gilt der Fuchs als einer der Hauptprädatoren des Feldhasen. SPITTLER(2000b, S. 19) bestätigt einen deutlichen negativen Einfluss des Fuchses auf dasNiederwild. Der Rückgang der Hasenstrecken in Nordrhein-Westfalen steht demnach inkausalem Zusammenhang mit der extrem starken Zunahme des Fuchses. GUTHÖRL &KALCHREUTER (1995) untersuchten den Einfluss des Fuchses auf den Hasen und stelltenheraus, dass in allen betrachteten Gebieten mit „reduziertem Prädationsdruck“ dieNiederwildbesätze mehrfach höher waren als in vergleichbaren Gebieten. DiePopulationsdichte des Fuchses ist seit Ende der achtziger Jahre stark angestiegen, wasdie Jagdstrecken sehr deutlich zeigen (DJV 2004, S. 24). Lag die Fuchsstrecke inDeutschland bis zum Jagdjahr 1987/88 konstant bei ca. 245.000, so stieg sie bis zumJagdjahr 1995/96 auf 693.000 Stück an. Seit 1995/96 beträgt die Fuchsstrecke inDeutschland durchschnittliche 633.000 Stück. Die hohen Populationsdichten sind nachSPITTLER (2000b, S. 5-6) zum einen auf die erfolgreiche Immunisierung des Fuchsesgegen die Tollwut und zum anderen auf den Rückgang der Bejagungsintensitätzurückzuführen. Aufgrund der hohen Populationsdichte kann es insbesondere währendder Hauptaufzuchtzeit der Jungfüchse im Frühjahr/Frühsommer zu einem erheblichenEinfluss auf bestimmte Beutetiere kommen (BARTEL et al. 2005, S. 18). Im Gegensatz zurRabenkrähe, die die Junghasen nur optisch aufspüren kann und diese somit nur imFrühjahr vor dem Vegetationswachstum auf den landwirtschaftlichen Flächen oder aufgemähten Flächen erbeutet, nimmt der Fuchs die Witterung der Junghasen auf und wird78

Diskussion und Ausblickbei der Jagd nicht von einer hohen Vegetation behindert (SPITTLER 2001). Somit sind dieJunghasen die ersten ca. 3 1/2 Monate ihres Lebens, in denen sie hinsichtlich derGeschwindigkeit jedem Fuchs unterlegen sind, sehr gefährdet.Auch wenn der Feldhase mit steigender Tendenz im Wald anzutreffen ist (DOBIAS 1997),ist sein Hauptlebensraum die offene Agrarlandschaft. Der Anteil der landwirtschaftlichenFläche in den Gemeinden wirkt sich zu 15 % auf die Verteilung der Hasenbesätze in denGemeinden aus. Dabei benötigt der Feldhase eine möglichst kleinparzellige Feldstruktur(SPITTLER 2001). Eine hohe Strukturvielfalt der landwirtschaftlichen Flächen erhöht dieQualität und Quantität der Nahrung und bietet dem Feldhasen Schutz und Deckung(STRAUß 1997). SPITTLER (2001) bewertet Schlagflächen über 5 ha als problematisch fürden Hasen. Danach ist die Populationsdichte des Feldhasen bei Feldschlaggrößen von 30bis 50 ha im Vergleich zu Schlagflächen unter 5 ha um die Hälfte geringer. Bezüglich desZusammenhanges zwischen den Feldhasenpopulationen und der landwirtschaftlichenFläche interessiert die Frage, ob die Feldhasen Vorlieben für bestimmte Feldfrüchte habenund ob die Verteilung der Hasendichten in den Gemeinden mit dem Anteil derAnbauflächen der Feldfrüchte in den Gemeinden korreliert. Eine solcheHabitatpräferenzanalyse des Feldhasen konnte in dieser Arbeit nicht durchgeführt werden,da die Daten über den Anbau der Fruchtarten nach dem Betriebssitzprinzip erhobenwurden (s. Kapitel 3.2.1.2) und nicht die tatsächliche Anbaufläche in den Gemeindenwiedergeben.Aus dem Ergebnis der multiplen Regression geht hervor, dass die Rabenkrähendichte mitca. 8 % die Verteilung der Feldhasenpopulationen in Niedersachsen beeinflusst. Diesbestätigt die Aussage von GORETZKI (1997), der der Rabenkrähe eine Bedeutung alsJungtierräuber zumisst. Allerdings ist zurzeit keine Untersuchung bekannt, die sich mitdem direkten Einfluss der Rabenkrähe auf den Feldhasen befasst. Es gibt lediglich Reihenvon empirischen Daten, die durch Zufallsbeobachtungen belegen, dass Junghasen vonRabenkrähen erbeutet wurden. Insbesondere in den Frühjahrsmonaten, in denen dieVegetation noch nicht sehr hoch ist, ist es durchaus möglich, dass RabenkrähenJunghasen, die offen abgelegt werden, sehr effektiv auffinden können. Darüber hinauswird der Einfluss der Rabenkrähe auf Bodenbrüter und andere Wildarten kontroversdiskutiert. Einige Studien schreiben den Rabenkrähen definitiv Gelegeverluste zu79

Diskussion und Ausblick(BELLEBAUM 2002, SALATHÉ 1987). Über den Einfluss der Rabenkrähe auf die Feldhasenkann jedoch aufgrund fehlender Untersuchungen nur spekuliert werden.In den Monaten September und Oktober hat die Wetterumstellung einen Einfluss auf dieFeldhasendichte. Dies zeigt im Wesentlichen auch das Ergebnis dieser Arbeit: dieVerteilung der Feldhasenpopulationen ist zu 2 % von der durchschnittlichen Temperaturim September und Oktober (für den Zeitraum 2000 bis 2004) abhängig. Eine kalte undnasse Witterung in diesen Monaten wirkt sich vermutlich negativ auf die im Juli und Augustgeborenen Jungtiere und somit auf den Jahreszuwachs aus (ZÖRNER 1996, S. 108). Die indieser Zeit geborenen Tiere sind im Vergleich zu den adulten und den im Frühjahrgesetzten Tieren weniger widerstandsfähig und somit anfälliger für Krankheiten undParasiten, insbesondere Kokzidien. Nach V. BRAUNSCHWEIG (1997) ist dieDünndarmkokzidiose die bedeutendste parasitäre Erkrankung der Junghasen. Im Herbstsind nahezu nur Junghasen mit hohen Verlusten davon betroffen. Die Sporen derKokzidien sind sehr widerstandsfähig und bleiben über Monate infektiös. Sie sindempfindlich gegenüber direkter Sonnenbestrahlung und Trockenheit. Eine feuchteWitterung begünstigt ihre Entwicklung (FRÖLICH et al. 2001). Wird die Junghasenpopulationim Herbst bei schlechter Witterung durch Kokzidienbefall stark dezimiert, sospiegelt sich dies in den Bestandseinschätzungen der Frühjahrspopulation des nächstenJahres wider. Eine trockene Witterung im Sommer und im Herbst führt zu mäßigenInfektionen und zur Immunisierung der Hasen (V. BRAUNSCHWEIG 1997). Ein kurzerÜbergang in die Frostperiode ohne lange Nässephasen senkt darüber hinaus dasInfektionsrisiko für die Feldhasen. NYENHUIS (1990) arbeitete mittels einer multiplenRegression einen Einfluss der Witterung von 15 % im Februar und 7 % in den MonatenMärz bis Juni auf die Jagdstrecke des Feldhasen heraus. Die Jagdstrecke ist maßgeblichvon der Reproduktion und der Mortalität bzw. dem Überleben der geborenen Jungtiereabhängig. Warme und trockene Sommer und Spätsommer führen nur zu geringenVerlusten und somit zu einem relativ hohen jagdlich nutzbaren Herbstbesatz, der sich inder Jagdstrecke wiederspiegelt. In der Regel wird jedoch nur ein Teil des Zuwachsesjagdlich genutzt, so dass im darauffolgenden Frühjahr eine positive Entwicklung desBesatzes zu verzeichnen ist. Nach den statistischen Analysen dieser Arbeit wirkt sich dieWitterung in den Monaten März bis Mai und Juni bis August im Vergleich zu NYENHUIS(1990) nicht signifikant auf die Verteilung der Feldhasenpopulationen in Niedersachsenaus, da in der vorliegenden Arbeit die Besatzdichten herangezogen wurden und nicht die80

Diskussion und AusblickJagdstrecken. Darüber hinaus wurden in dieser Arbeit die Daten auf Gemeindeebeneverwendet, während NYENHUIS (1990) die Daten auf Landkreisebene auswertete (s.o).Bezüglich der multiplen Regression ist insgesamt festzuhalten, dass die Auswahl derEinflussfaktoren sehr kritisch durchdacht werden muss. Eine deskriptive und analytischeAuswertung der Faktoren ist hierbei unerlässlich. Dies zeigte ein Versuch, in dem einModell mit einer anderen Auswahl an Einflussfaktoren erstellt wurde. Bei derVariablenauswahl wurden die zum Teil sehr hohen Korrelationen (z.B. ABD_Dagehe undABD_Fugehe, partieller Korrelationskoeffizient: 0,7) außer acht gelassen. Zusätzlich zurVariablen ABD_Fugehe wurde die Variable ABD_Dagehe in das Modell aufgenommen.Von den Witterungsdaten wurden die Variablen Temp_MM, Temp_SO und Sonn_SOgewählt. Die Variable Flae_landw ging ebenfalls in diese Modell ein. Das Ergebnis dieserRegression weicht recht stark von dem in Kapitel 6.2 dargestellten Ergebnis ab. DieVariable ABD_Fugehe wird bei der Durchführung der Rückwärtsauswahl bereits beimzweiten Schritt aus dem Modell entfernt. Stattdessen tritt die Variable ABD_Dagehe an dieStelle der Variablen ABD_Fugehe. Der Einfluss des Dachses auf die Feldhasendichtenliegt nach diesem Modell bei 10 %. Die Rabenkrähe hat nach diesem Modell überhauptkeinen Einfluss auf die Feldhasendichte, die Variable ABD_Rabdich wird nach dem drittenSchritt aus dem Modell entfernt. Die Variable Temp_SO verbleibt im Modell, der Einflussder Temperatur im September und Oktober liegt danach bei 4 %. Insgesamt stellt diesesRegressionsmodell also die Dachsdichte, den Anteil der landwirtschaftlichen Fläche in denGemeinden und die Temperatur in den Monaten September und Oktober alsEinflussfaktoren auf die Feldhasendichte heraus. Die unterschiedlichen Ergebnisse derbeiden Modelle zeigen, wie wichtig die Beurteilung der vorher durchgeführten Analysen(hier insbesondere der partiellen Korrelationskoeffizienten) bzw. wie die Auswahl derVariablen das Ergebnis verändern kann.Mit Hilfe der einfaktoriellen Varianzanalyse wurde der Einfluss der Naturraumgruppen aufdie Streuung der Feldhasenpopulationen untersucht. Das Ergebnis zeigt eineAbhängigkeit der Verteilung der Populationsdichten von den Naturraumgruppen von 27 %(siehe Kapitel 5.2). Die Gruppen setzen sich aus den Naturräumen zusammen, in denensich die Mittelwerte der Populationsdichten nicht signifikant unterscheiden. DieÄhnlichkeiten der Naturräume in den Gruppen bezüglich der durchschnittlichenHasenbesätze sind nur zum Teil mit einer ähnlichen Landschafts-, Boden- und81

Diskussion und AusblickKlimastruktur zu begründen. Die Naturräume innerhalb der Gruppen weisen nur wenigeÜbereinstimmungen hinsichtlich der Bodenfeuchtigkeit, der Niederschlagsmenge, derHöhenlage und der Art der Nutzung auf. Welche Faktoren genau und in welchem Maßedie Verteilung der Feldhasenpopulationen beeinflussen, ist nicht eindeutigherauszuarbeiten. Dabei muss bedacht werden, dass die in der vorliegenden Arbeitverwendeten Naturräume von der naturräumlichen Gliederung Niedersachsens nachMEYNEN & SCHMITHÜSEN (1953-1961) abweichen. Diese sieht die EinteilungNiedersachsens in 22 Naturräume vor. Einige dieser Naturräume liegen unmittelbar anden Landesgrenzen, so dass nur sehr wenige Gemeinden Niedersachsens ihnenzugehörig sind. Das IWFo gliedert diese sehr kleinen Naturräume den umliegenden an, sodass 12 Naturräumen verbleiben. Der tatsächliche Einfluss jedes spezifischenNaturraumes auf die Feldhasendichte müsste in weiteren Schritten untersucht werden, indenen die Naturräume in ihrer vollständigen Diversität berücksichtigt werden. Es gilt dabeizu überprüfen, ob die Betrachtung der einzelnen 22 Naturräume nach MEYNEN &SCHMITHÜSEN (1953-1961) im Zusammenhang mit den Feldhasenpopulationen einanderes Ergebnis liefert als das vorliegende. Eventuell würde sich damit dieZusammenfassung zu 12 Naturräumen als nicht sinnvoll erweisen.Die Analyse der Zusammenhänge der Verteilung der Feldhasenpopulationen und derverschiedenen Einflussfaktoren ist mit dem Ergebnis dieser Arbeit nicht abgeschlossen.Ein nächster Schritt ist die Durchführung einer Kovarianzanalyse, die den Einfluss vonkategoriellen und stetigen Variablen auf eine Zielvariable untersucht. In einemKovarianzanalysemodell würde der Einfluss der in der Varianzanalyse und in der multiplenRegression ausgewählten wesentlichen Faktoren auf die Feldhasenpopulationengemeinsam untersucht werden.Desweiteren sollten die Daten in einem räumlichen statistischen Modell analysiert werden,in dem Isoplethen Punkte mit gleichen Merkmalen verbinden. Ein solches räumlichesModell orientiert sich nicht an politischen Grenzen, die in der vorliegenden Arbeit durch dieGemeinden gegeben waren. Dieses Modell würde unter der Berücksichtigung der obenangesprochenen Datenproblematik eine verbesserte Einschätzung des Einflussesverschiedener Faktoren auf die Verteilung der Feldhasenpopulationen in Niedersachsenliefern. Jedoch müssten auch hier alle Daten auf einer niedrigen räumlichen Ebene, imIdealfall auf Revierebene vorliegen.82

Danksagung8 DanksagungMein Dank gilt Herrn Prof. Dr. Kreienbrock vom Institut für Biometrie, Epidemiologie undInformationsverarbeitung und Frau Prof. Dr. Klenke von der Fachhochschule Hannover fürdie Beratung und Betreuung insbesondere in statistischen Fragen.Danken möchte ich auch Herrn Dr. Strauß vom Institut für Wildtierforschung für dieVermittlung des Themas, die tatkräftige Unterstützung und die fachliche Betreuung.Die Mitarbeiter des Instituts für Wildtierforschung hatten für alle inhaltlichen undtechnischen Fragen und Probleme jederzeit ein offenes Ohr. Insbesondere erwähnenmöchte ich Ulrich Voigt, der mich bei der Datenbeschaffung und bei technischenProblemen unterstützte und Uwe Fuhrhop, der mich in das KartenbearbeitungsprogrammArcView einwies. Ihnen allen sei hiermit ganz herzlich gedankt.Bedanken möchte ich mich auch beim Niedersächsischen Landesinstitut fürBodenforschung (NLfB), das die Daten über die Bodenregionen undBodengrosslandschaften kostenlos zur Verfügung stellte.Ebenfalls danke ich Herrn Burghardt und Herrn Ahlers von der OberfinanzdirektionHannover, die mir die Daten der Ertragsmesszahlen zur Verfügung stellten und sich vielZeit nahmen, mir die Bedeutung und den Inhalt dieser Daten zu erläutern.Mein besonderer Dank gilt meinem Freund Ulf für die mentale Unterstützung und meinenEltern, die mir dieses Studium ermöglicht haben.83

Literaturverzeichnis9 LiteraturverzeichnisBELLEBAUM 2002Bellebaum, J. (2002): Prädation als Gefährdungbodenbrütender Vögel in Deutschland – eine Übersicht.Ber. Vogeschutz 39: 95-117.BARTEL et al. 2005Bartel, M., Grauer, A., Greiser, G., Hoffmann, D., Klein,R., Nösel, H., Strauß, E., Winter, A. (2005): Wildtier-Informationssystem der Länder Deutschlands. Status undEntwicklung ausgewählter Wildtierarten in Deutschland(2002-2004), Jahresbericht 2004. Deutscher Jagdschutz-Verband e.V. (Hrsg.). Bonn.DJV 2004 Deutscher Jagdschutz-Verband e.V. (Hrsg) (2004):Wildtierinformationssystem der Länder Deutschlands.Deutschlandweites Monitoring von Wildtierarten –Jahresbericht 2003. Bonn.DOBIAS 1997Dobias, K. (1997): Der Feldhase. Bio-Indikator mitLöffeln. Wild und Hund Exklusiv 6: 8-19.DUFNER et al. 2004Dufner, J., Jensen, U., Schumacher, E. (2004): Statistikmit SAS. – 3. überarbeitete Auflage – Stuttgart [u.a.]:Teubner, 2004FRÖLICH et al. 2001 Frölich , K., Thiede, S., Wisser, J. (2001):Infektionskrankheiten des Feldhasen. Naturschutz &Rote Liste – Jagd & Hege. Tagungsband der Natur- undUmweltschutz-Akademie des Landes Nordrhein-Westfalen (NUA) Bd. 7 Recklinghausen. S. 34-46.84

LiteraturverzeichnisGEHLE 2002Gehle, T., (2002): Zur Biologie und Ökologie desFeldhasen. Auftragsarbeit für die Deutsche WildtierStiftung, 2002GORETZKI 1997Goretzki, J. (1997): Zur Rolle von Beutegreifern inKulturlandschaften – Die Übermacht der Beutegreifer.(Interview) Wild und Hund Exklusiv 6: 64-69.GRUBBS & BECK 1972Grubbs, F. E.; Beck, G. (1972): Extensions of samplesizes and percentage points for significance tests ofoutlying observations. Technometrics 14(4), 1972, p.847-854GUTHÖRL & KALCHREUTER1995Guthörl, V., Kalchreuter, H. (1995): Zum Einfluss desFuchses auf das Vorkommen des Feldhasen. Mainz:Verlag Dieter Hoffmann, 1995, zitiert nach: Gehle, T.,(2002): Zur Biologie und Ökologie des Feldhasen.Auftragsarbeit für die Deutsche Wildtier Stiftung, 2002HARTUNG et al. 1999Hartung, J., Elpelt, B., Klösener, K.-H. (1993): Statistik:Lehr- und Handbuch der angewandten Statistik. – 9.,durchgesehene Auflage. – München [u.a.]: Oldenbourg,1993KÖHLER et al. 2002 Köhler, W., Schachtel, G., Voleske, P. (2002):Biostatistik. – Dritte., aktualisierte und erweiterte Auflage.– Berlin [u.a.]: Springer, 2002KUNTZE et al. 1994 Kuntze, H., Roeschmann, G., Schwerdtfeger, G. (1994):Bodenkunde. – 5., neubearbeitete und erweiterte Auflage– Stuttgart: Ulmer, 199485

LiteraturverzeichnisNLFB 1997Niedersächsisches Landesamt für Bodenforschung:Böden in Niedersachsen.URL: http://www.nlfb.de/boden/downloads/nlfbook/html/nds_main.htm[Datum des letzten Aufrufs: 03.08.2005]NLS 2001Niedersächsisches Landesamt für Statistik:Der Einfluss verschiedener Standortbedingungen auf dieNutzung der landwirtschaftlichen Flächen. URL:http://www.nls.niedersachsen.de/Tabellen/Landwirtschaft/ nutzungen/artikel_1_2001.htm[Datum des letzten Aufrufs: 01.08.2005]NYENHUIS 1990Nyenhuis, H. (1990): Die Wirkung der Witterung auf diePopulationsdynamik des Feldhasen. XIXth IUGB-Congress, Trondheim, 1989, Transaction Vol. I: 163-170NYENHUIS 1998Nyenhuis, H. (1998): Verteilung und Dichte desFeldhasen (Lepus europaeus P.) analysiert nach demEinfluß der Bodennutzung in Nordwestdeutschland.Allgemeine Forst- und Jagd-Zeitung, 170, 2: 28-33MEYNEN & SCHMITHÜSEN1953-1961Meynen, E.; Schmithüsen, J.(1953-1961): Handbuch dernaturräumlichen Gliederung Deutschlands. 1. und 4. bis8. Lieferung. – Remagen: Verlag der Bundesanstalt fürLandeskunde, 1953-1961OFD HANNOVEROberfinanzdirektion Hannover: Arbeitsanleitung für dieBodenschätzung sowie für die vermessungs- undkatastertechnischen Arbeiten in der niedersächsischenSteuerverwaltung (BodSchätz Verm Anl). 1. Auslieferung:07. Juni 1989. (Anleitung wird fortlaufend ergänzt.)86

LiteraturverzeichnisPEGEL 1986Pegel, M. (1986): Feldhase (Lepus europaeus PALLAS)und Rebhuhn (Perdix perdix L.) im Beziehungsgefügeihrer Um- und Mitweltfaktoren. SystematischeUntersuchungen über die Existenz- undGefährdungskriterien einheimischer Wildtiere.Arbeitskreis Wildbiologie und Jagdwissenschaft an derJustus-Liebig-Universität, Gießen.SALATHÉ 1987Salathé, T. (1987): Crow predation on Coot eggs: effectsof investigator disturbance, nest cover and predatorlearning. Ardea, 75: 221-230SCHRÖPFER & NYENHUIS1982Schröpfer, R., Nyenhuis, H. (1982): Die Bedeutung derLandschaftsstruktur für die Populationsdichte desFeldhasen (Lepus europaeus Pallas 1778). Zeitschrift fürJagdwissenschaften 28: 213-231SEEDORF et al. 1992Seedorf, H. H., Meyer, H.-H. (1992): LandeskundeNiedersachsen. Band 1: Historische Grundlagen undnaturräumliche Ausstattung. Neumünster: Wachholtz,1992, S. 137 - 214SMITH et al. 2005Smith, R.K., Jennings, N.V., Harris, S. (2005): Aquantitative analysis of the abundance and demographyof European hares Lepus europaeus in relation to habitattype, intensity of agriculture and climate. MammalReview 2005, Vol. 35, No. 1: 1-24SOMMERFELD 1994Sommerfeldt, H. (1994): Die Bodenschätzung derFinanzverwaltung. Deutsche Steuer Zeitung, 1-2: 2-13SPITTLER 2000aSpittler, H. (2000): Der Feldhase. Deutscher Jagdschutz-Verband e.V. Merkblatt Nr. 587

LiteraturverzeichnisSPITTLER 2000bSpittler, H. (2000): Der Fuchs. Deutscher Jagdschutz-Verband e.V. Merkblatt Nr. 6SPITTLER 2001Spittler, H. (2001): Situation des Feldhasen in Nordrhein-Westfalen und Ursachen für den Streckenrückgang. In:Wo liegt der Hase im Pfeffer? Naturschutz & Rote Liste –Jagd & Hege. Tagungsband der Natur- undUmweltschutz-Akademie des Landws Nordrhein-Westfalen (NUA) Bd. 7 Recklinghausen. S. 23-33STRAUß 1997Strauß, E. (1997): Zur Situation des Feldhasen undWildkaninchen in Niedersachsen – Hasenbesätze vonGegensätzen geprägt. Wild und Hund Exklusiv: 78-85STRAUß 200110 Jahre Wildtiererfassung in Niedersachsen. 1991 bis2000. Hrsg. Landesjägerschaft Niedersachsen e.V.,Institut für Wildtierforschung an der TierärztlichenHochschule, 2001STRAUß 2003 Wildtiererfassung in Niedersachsen. Jahresbericht 2003für die Jägerschaft Hannover-Land. Hrsg.Landesjägerschaft Niedersachsen e.V., Institut fürWildtierforschung an der Tierärztlichen Hochschule, 2003STRAUß & POHLMEYER1996Strauß, E., Pohlmeyer, K. (1996): Erste Ergebnisse undErfahrungen aus dem niedersächsischenWildtiererfassungsprogramm am Beispiel derFeldhasenbesätze. Beiträge zur Jagd- und Wildforschung21: 245-25388

LiteraturverzeichnisSTRAUß & POHLMEYER2001Strauß, E., Pohlmeyer, K. (2001): ZurPopulationsökologie des Feldhasen. In: Wo liegt derHase im Pfeffer? Naturschutz & Rote Liste – Jagd &Hege. Tagungsband der Natur- und Umweltschutz-Akademie des Landws Nordrhein-Westfalen (NUA) Bd. 7Recklinghausen. S. 5-20WIESE 1974Wiese, M. (1974): DJV Handbuch 1974. Hrsg.: DeutscherJagdschutzverband e.V., Mainz: Verlag Dieter HoffmannZÖRNER 1996Zörner, H. (1996): Der Feldhase. – 2. unveränderteAuflage – Heidelberg [u.a.]: Spektrum AkademischerVerlag, 199689

Anhänge10 AnhängeAnhang 1: Populationsdichte des Feldhasen 2003..............................................................91Anhang 2: Anteil der Waldfläche in %..................................................................................92Anhang 3: Populationsdichte des Fuchses 2003.................................................................93Anhang 4: Populationsdichte des Dachses 2003 ................................................................94Anhang 5: Populationsdichte der Rabenkrähe 2003 ...........................................................95Anhang 6: Populationsdichte des Kolkraben 2003 ..............................................................96Anhang 7: Populationsdichte der Elster 2003......................................................................97Anhang 8: Anteil der landwirtschaftlichen Fläche in % ........................................................98Anhang 9: Ertragsmesszahlen .............................................................................................99Anhang 10: Systematische Darstellung der deskriptiven Auswertung ..............................100Anhang 11: Korrelationsanalyse der Zielvariablen ABD_Haseund der Einflussvariablen ..............................................................................132Anhang 12: Korrelationen der Einflussvariablen gegeneinander nach Spearman ...........143Anhang 13: partielle Korrelation der Einflussvariablen gegeneinander nach Spearmanunter Konstanthaltung der Variable Flae_Wald ............................................148Anhang 14: Kontingenztafeln Zielvariable versus Einflussvariablen .................................152Anhang 15: Einfaktorielle Varianzanalysen........................................................................171Anhang 16: Kontingenztafel Naturräume versus Bodengrosslandschaften......................175Anhang 17: Multiple lineare Regression mit Rückwärtsauswahl (SAS-Output 6.1)..........180Anhang 18: Ausgabe der Typ I-Quadratsummen (SAS-Output 6.2) .................................18490

AnhängeAnhang 1: Populationsdichte des Feldhasen 2003Quelle: Niedersächsisches Landesamt für Ökologie – Geosum – (GeosumserverNiedersächsisches Umweltministerium, Stand: 2002).91

AnhängeAnhang 2: Anteil der Waldfläche in %Quelle: Niedersächsisches Landesamt für Ökologie – Geosum – (GeosumserverNiedersächsisches Umweltministerium, Stand: 2002).92

AnhängeAnhang 3: Populationsdichte des Fuchses 2003Quelle: Niedersächsisches Landesamt für Ökologie – Geosum – (GeosumserverNiedersächsisches Umweltministerium, Stand: 2002).93

AnhängeAnhang 4: Populationsdichte des Dachses 2003Quelle: Niedersächsisches Landesamt für Ökologie – Geosum – (GeosumserverNiedersächsisches Umweltministerium, Stand: 2002).94

AnhängeAnhang 5: Populationsdichte der Rabenkrähe 2003Quelle: Niedersächsisches Landesamt für Ökologie – Geosum – (GeosumserverNiedersächsisches Umweltministerium, Stand: 2002).95

AnhängeAnhang 6: Populationsdichte des Kolkraben 2003Quelle: Niedersächsisches Landesamt für Ökologie – Geosum – (GeosumserverNiedersächsisches Umweltministerium, Stand: 2002).96

AnhängeAnhang 7: Populationsdichte der Elster 2003Quelle: Niedersächsisches Landesamt für Ökologie – Geosum – (GeosumserverNiedersächsisches Umweltministerium, Stand: 2002).97

AnhängeAnhang 8: Anteil der landwirtschaftlichen Fläche in %Quelle: Niedersächsisches Landesamt für Ökologie – Geosum – (GeosumserverNiedersächsisches Umweltministerium, Stand: 2002).98

AnhängeAnhang 9: ErtragsmesszahlenQuelle: Niedersächsisches Landesamt für Ökologie – Geosum – (GeosumserverNiedersächsisches Umweltministerium, Stand: 2002).99

AnhängeAnhang 10: Systematische Darstellung der deskriptiven AuswertungVerteilung der Hasenbesaetze/100 ha in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianStandardabw.ABD_HaseVariationskoeff.Min Maxunt.Quartilob.Quartil443 14.30 13.21 6.66 46.60 0.00 59.63 9.84 17.42Boxplot der Verteilung der Hasendichten in NiedersachsenKlassierung der Hasenzahlen, Verteilung auf die GemeindenGemeinden0 bis5Klassen: Populationsdichte Hasen/100 ha bejagbare Flaeche> 5 bis10> 10 bis15> 15 bis20> 20bis 25> 25bis 30> 30bis 50Anzahl 14 104 146 116 35 14 13 1Anteil in% 3.16 23.48 32.96 26.19 7.90 3.16 2.93 0.23>50100

AnhängeVerteilung der Fuchsbesaetze/100 ha in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianABD_FugeheStandardabw.Variationskoeff.Min Maxunt.Quartilob.Quartil443 0.46 0.43 0.24 52.62 0.00 1.75 0.29 0.61Boxplot der Verteilung der Fuchsdichten in NiedersachsenKlassierung der Fuchszahlen, Verteilung auf die GemeindenGemeindeFuechse pro 100 ha Revierflaeche0 0,0 bis 0,5 > 0,5 bis 1,0 > 1,0 bis 1,5 > 1,5 bis 2,0Anzahl 6 260 165 11 1Anteil in % 1.35 58.69 37.25 2.48 0.23101

AnhängeVerteilung der Dachsbesaetze/100 ha in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianABD_DageheStandardabw.Variationskoeff.Min Maxunt.Quartilob.Quartil443 0.18 0.16 0.15 84.93 0.00 0.69 0.05 0.27Boxplot der Verteilung der Dachsdichten in NiedersachsenKlassierung der Dachszahlen, Verteilung auf die GemeindenGemeindeDachse pro 100 ha Revierflaeche0 > 0,0 bis 0,5 > 0,5 bis 1,0Anzahl 56 366 21Anteil in % 12.64 82.62 4.74102

AnhängeVerteilung der Rabenkraehenbesaetze/100 ha in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianABD_RabdichStandardabw.Variationskoeff.Min Maxunt.Quartilob.Quartil443 8.56 7.88 4.77 55.72 0.00 33.06 5.58 10.53Boxplot der Verteilung der Rabenkrähendichten in NiedersachsenKlassierung der Rabenkraehen, Verteilung auf die GemeindenGemeindeRabenkraehen pro 100 ha Revierflaeche0 bis 5.58 > 5.58 bis 10.53 > 10.53Anzahl 110 223 110Anteil in % 24.83 50.34 24.83103

AnhängeVerteilung der Kolkrabenbrutpaare/100 ha in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianABD_KolkbrutStandardabw.Variationskoeff.Min Maxunt.Quartilob.Quartil443 0.11 0.06 0.13 115.14 0.00 0.59 0.00 0.19Boxplot der Verteilung der Kolkrabenbrutpaare in NiedersachsenKlassierung der Kolkrabenbrutpaare, Verteilung auf die GemeindenGemeindeKolkrabenbrutpaare pro 100 ha Revierflaeche0 bis 0.19 > 0.19Anzahl 331 112Anteil in % 74.72 25.28104

AnhängeVerteilung der Elsternbrutpaare/100 ha in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianABD_ElsbrutStandardabw.Variationskoeff.Min Maxunt.Quartilob.Quartil443 1.16 1.06 0.73 63.12 0.00 8.16 0.75 1.46Boxplot der Verteilung der Elsternbrutpaare in NiedersachsenKlassierung der Elsternbrutpaare, Verteilung auf die GemeindenGemeindeElsternbrutpaare pro 100 ha Revierflaeche0 bis 0,75 > 0,75 bis 1,46 > 1,46Anzahl 113 219 111Anteil in % 25.51 49.44 25.06105

AnhängeAnteil der Waldflaeche der Gemeinden Niedersachsens in %AnzahlGemeindenarithm.MittelMedianStandardabw.Flae_WaldVariationskoeff.Min Maxunt.Quartilob.Quartil447 22.74 17.60 21.62 95.07 0.09 99.40 8.34 29.82Boxplot der Verteilung der Waldflaechenanteile der Gemeinden in NiedersachsenKlassierung der %-Anteile Waldflaechen, Verteilung auf die GemeindenGemeindeAnteil Waldflaeche in %0 bis 50,84 > 50,84 bis 72,72 > 72,72Anzahl 112 223 112Anteil in % 25.06 49.89 25.06106

AnhängeAnteil der landwirtschaftlichen Flaeche der Gemeinden Niedersachsens in %AnzahlGemeindenarithm.MittelMedianStandardabw.Flae_landwVariationskoeff.Min Maxunt.Quartilob.Quartil446 58.58 62.93 19.91 33.99 0.01 90.16 50.84 72.72Boxplot der Verteilung der Anteile an landwirtschaftlicher Flaeche der Gemeinden inNiedersachsenKlassierung der %-Anteile landwirtschaftlicher Flaechen, Verteilung auf dieGemeindenGemeindeAnteil landwirtschaftlicher Flaeche in %0 bis 50,84 > 50,84 bis 72,72 > 72,72Anzahl 111 224 111Anteil in % 24.89 50.22 24.89107

AnhängeAnteil der Ackerflaeche der Gemeinden Niedersachsens in %AnzahlGemeindenarithm.MittelMedianStandardabw.Flae_AckVariationskoeff.Min Maxunt.Quartilob.Quartil430 36.36 38.02 18.35 50.47 0.00 88.02 23.40 48.74Boxplot der Verteilung der Anteile an Ackerflaeche der Gemeinden inNiedersachsenKlassierung der %-Anteile Ackerflaechen, Verteilung auf die GemeindenGemeindeAnteil Ackerflaeche in %0 bis 23,40 > 23,40 bis 48,74 > 48,74Anzahl 107 215 108Anteil in % 24.88 50.00 25.12108

AnhängeAnteil der Gruenlandflaeche der Gemeinden Niedersachsens in %AnzahlGemeindenarithm.MittelMedianStandardabw.Flae_GrueVariationskoeff.Min Maxunt.Quartilob.Quartil444 21.27 15.49 19.01 89.39 0.18 88.06 7.75 27.08Boxplot der Verteilung der Anteile an Gruenlandflaeche der Gemeinden inNiedersachsenKlassierung der %-Anteile Gruenlandflaechen, Verteilung auf die GemeindenGemeindeAnteil Gruenlandflaeche in %0 bis 7,75 > 7,75 bis 27,08 > 27,08Anzahl 111 221 112Anteil in % 25.00 49.77 25.23109

AnhängeAnteil der Brachflaechen der Gemeinden Niedersachsens in %Flae_BrachAnzahlGemeindenarithm.MittelMedianStandardabw.Variationskoeff.Min Maxunt.Quartilob.Quartil418 0.32 0.18 0.45 141.27 0.00 5.56 0.08 0.38Boxplot der Verteilung der Anteile an Bracheflaeche der Gemeinden inNiedersachsenKlassierung der %-Anteile Brachflaechen, Verteilung auf die GemeindenAnteil Brachflaechen in %0 bis 0,08 > 0,08 bis 0,38 > 0,38GemeindeAnzahl 106 207 105Anteil in % 25.36 49.52 25.12110

AnhängeVerteilung der Gemeinden in den NaturraeumenAnzahl GemeindenNRaum_fIDEms-Weser-Marsch 40Elbe-Niederung 18Ostfriesisch-Oldenburgische Geest 31Stader Geest 40Niedersaechsische Boerden 48Ems-Hunte-Geest 38Duemmer Geestniederung 38Lueneburger Heide und Altmark 57Weser-Aller-Flachland 48Unteres Weserbergland 16Weser-Leine-Bergland 73Harz 7111

AnhängeVerteilung der Hasenbesaetze der Gemeinden in den NaturraeumenABD_Hasearith.MittelAnzahlGemeindenMedianStandardabw.Variationskoeff.MinMaxunt.Quartilob.QuartilNRaum_fIDEms-Weser-Marsch37 20.9020.788.88 42.47 1.6940.3415.85 26.18Elbe-Niederung 18 17.0515.528.01 46.97 5.6536.2915.18 18.13Ostfriesisch-OldenburgischeGeest31 16.3915.993.24 19.7410.4327.5414.06 18.31Stader Geest 39 12.9412.742.62 20.27 7.8018.7911.16 14.99NiedersaechsischeBoerden48 14.0612.876.66 47.39 0.0031.619.52 17.76Ems-Hunte-Geest38 16.5116.244.92 29.77 7.6826.9012.96 19.93DuemmerGeestniederung38 20.0418.338.25 41.1510.6059.6316.23 21.27LueneburgerHeide undAltmark54 10.8110.543.39 31.33 0.0021.738.73 12.43Weser-Aller-Flachland46 12.9713.363.87 29.82 5.3921.879.84 15.44UnteresWeserbergland16 18.8916.927.18 38.0110.5035.6414.32 22.10Weser-Leine-Bergland72 8.96 9.23 2.84 31.71 0.0018.127.45 10.38Harz 6 8.13 6.32 6.84 84.17 2.8821.523.66 8.08112

Anhänge113

AnhängeKlassierung der Hasenzahlen, Verteilung der Gemeinden auf die NaturraeumeNRaum_fIDHasen pro 100 ha bejagbare Flaeche0 bis 5 > 5 bis 10 > 10 bis 15Anzahl Anteil in % Anzahl Anteil in % Anzahl Anteil in %Ems-Weser-Marsch 1 2.70 3 8.11 5 13.51Elbe-Niederung . . 3 16.67 1 5.56Ostfriesisch-OldenburgischeGeest . . . . 10 32.26Stader Geest . . 6 15.38 24 61.54Ems-Hunte-Geest . . 2 5.26 14 36.84DuemmerGeestniederung . . . . 6 15.79Lueneburger Heideund Altmark 2 3.70 20 37.04 26 48.15Weser-Aller-Flachland . . 13 28.26 18 39.13NiedersaechsischeBoerden 3 6.25 11 22.92 16 33.33UnteresWeserbergland . . . . 5 31.25Weser-Leine-Bergland 6 8.33 43 59.72 21 29.17Harz 2 33.33 3 50.00 . .114

AnhängeKlassierung der Hasenzahlen, Verteilung der Gemeinden auf die NaturraeumeHasen pro 100 ha bejagbare Flaeche> 15 bis 20 > 20 bis 25 > 25 bis 30Anzahl Anteil in % Anzahl Anteil in % Anzahl Anteil in %NRaum_fIDEms-Weser-Marsch 8 21.62 8 21.62 6 16.22Elbe-Niederung 10 55.56 2 11.11 . .Ostfriesisch-Oldenburgische Geest 19 61.29 1 3.23 1 3.23Stader Geest 9 23.08 . . . .Ems-Hunte-Geest 13 34.21 7 18.42 2 5.26DuemmerGeestniederung 21 55.26 6 15.79 3 7.89Lueneburger Heideund Altmark 5 9.26 1 1.85 . .Weser-Aller-Flachland 12 26.09 3 6.52 . .NiedersaechsischeBoerden 11 22.92 3 6.25 2 4.17UnteresWeserbergland 6 37.50 3 18.75 . .Weser-Leine-Bergland 2 2.78 . . . .Harz . . 1 16.67 . .115

AnhängeKlassierung der Hasenzahlen, Verteilung der Gemeinden auf die NaturraeumeHasen pro 100 ha bejagbare Flaeche> 30 bis 50 > 50Anzahl Anteil in % Anzahl Anteil in %NRaum_fIDEms-Weser-Marsch 6 16.22 . .Elbe-Niederung 2 11.11 . .Ostfriesisch-Oldenburgische Geest . . . .Stader Geest . . . .Ems-Hunte-Geest . . . .DuemmerGeestniederung 1 2.63 1 2.63Lueneburger Heideund Altmark . . . .Weser-Aller-Flachland . . . .NiedersaechsischeBoerden 2 4.17 . .UnteresWeserbergland 2 12.50 . .Weser-Leine-Bergland . . . .Harz . . . .116

AnhängeVerteilung der Gemeinden in den BodengrosslandschaftenAnzahl GemeindenBGL_fIDNordseeinseln 9Küstenmarschen 44Auen und Niederterassen 6Talsandniederungen und Urstromtäler 55Geestplatten und Endmoränen 191Bördenvorland 12Lössbörden 35Lössbecken 5Höhenzüge 88submontanes Mittelgebirge (Oberharz) 2montanes Mittelgebirge (Hochharz) 5anthropogen überprägte Gebiete 2117

AnhängeVerteilung der Hasenbesaetze der Gemeinden inden BodengrosslandschaftenABD_HaseAnzahlGemeindenArithmethischesMittelMedianStandardabweichungVariationskoeffizientBGL_fIDNordseeinseln 6 12.60 9.63 10.97 87.03Küstenmarschen 44 21.11 18.97 7.72 36.57Auen undNiederterassen 6 10.14 10.12 7.37 72.63Talsandniederungenund Urstromtäler 54 16.30 15.98 5.31 32.55Geestplattenund Endmoränen 188 14.66 13.65 5.99 40.85Bördenvorland 11 13.52 12.99 7.48 55.32Lössbörden 35 15.32 13.51 5.69 37.17Lössbecken 5 6.98 7.07 1.05 15.09Höhenzüge 86 9.70 9.53 3.74 38.49submontanesMittelgebirge(Oberharz) 2 7.43 7.43 0.74 10.03montanesMittelgebirge(Hochharz) 4 5.09 4.70 2.33 45.79anthropogenüberprägteGebiete 2 20.85 20.85 7.85 37.64118

AnhängeVerteilung der Hasenbesaetze der Gemeinden in denBodengrosslandschaftenABD_HaseunteresoberesMinMaxQuartilQuartilBGL_fIDNordseeinseln 1.69 32.73 6.10 15.85Küstenmarschen 7.24 40.34 15.52 25.36Auen undNiederterassen 0.00 19.04 5.65 15.92Talsandniederungenund Urstromtäler 7.57 35.95 12.72 19.05Geestplattenund Endmoränen 3.19 59.63 10.57 16.96Bördenvorland 0.00 23.85 7.46 20.01Lössbörden 8.42 31.61 11.52 17.76Lössbecken 5.39 8.12 6.65 7.66Höhenzüge 0.00 22.69 7.54 11.11submontanesMittelgebirge(Oberharz) 6.90 7.95 6.90 7.95montanesMittelgebirge(Hochharz) 2.88 8.08 3.27 6.91AnthropogenüberprägteGebiete 15.30 26.40 15.30 26.40119

Anhänge120

AnhängeKlassierung der Hasenzahlen, Verteilung auf die BodengrosslandschaftenKlassen Populationsdichte Hasen pro 100 ha0 bis 5 > 5 bis 10 > 10 bis 15 > 15 bis 20AnzahlAnteilin %AnzahlAnteilin %AnzahlAnteilin %AnzahlAnteilin %BGL_fIDNordseeinseln 1 16.67 2 33.33 1 16.67 1 16.67Küstenmarschen . . 1 2.27 7 15.91 17 38.64Auen undNiederterassen 1 16.67 2 33.33 1 16.67 2 33.33Talsandniederungenund Urstromtäler . . 5 9.26 16 29.63 24 44.44Geestplattenund Endmoränen 1 0.53 34 18.09 75 39.89 55 29.26Bördenvorland 2 18.18 1 9.09 3 27.27 2 18.18Lössbörden . . 5 14.29 16 45.71 9 25.71Lössbecken . . 5 100.00 . . . .Höhenzüge 7 8.14 45 52.33 27 31.40 5 5.81submontanesMittelgebirge(Oberharz) . . 2 100.00 . . . .montanesMittelgebirge(Hochharz) 2 50.00 2 50.00 . . . .anthropogenüberprägteGebiete . . . . . . 1 50.00121

AnhängeKlassierung der Hasenzahlen, Verteilung auf die BodengrosslandschaftenPopulationsdichte Hasen pro 100 ha> 20 bis 25 > 25 bis 30 > 30 bis 50 > 50AnzahlAnteil in% AnzahlAnteil in% AnzahlAnteil in% AnzahlAnteil in%BGL_fIDNordseeinseln . . . . 1 16.67 . .Küstenmarschen 7 15.91 5 11.36 7 15.91 . .Auen undNiederterassen . . . . . . . .Talsandniederungenund Urstromtäler 6 11.11 2 3.70 1 1.85 . .Geestplattenund Endmoränen 15 7.98 5 2.66 2 1.06 1 0.53Bördenvorland 3 27.27 . . . . . .Lössbörden 2 5.71 1 2.86 2 5.71 . .Lössbecken . . . . . . . .Höhenzüge 2 2.33 . . . . . .submontanesMittelgebirge(Oberharz) . . . . . . . .montanesMittelgebirge(Hochharz) . . . . . . . .anthropogenüberprägteGebiete . . 1 50.00 . . . .122

AnhängeVerteilung der Temperaturin den Monaten Maerz bis Mai in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianStandardabw.Temp_MMVariationskoeff.Min Maxunt.Quartilob.Quartil338 9.18 9.32 0.64 6.99 6.87 10.22 8.82 9.71Boxplot der Verteilung der Temperatur in den Monaten März bis Mai in denGemeinden in NiedersachsenKlassierung der Temperatur nach dem Median der Monate Maerz bis MaiVerteilung auf die GemeindenGemeindenTemperatur in °C 9,3 °CAnzahl 166 172Anteil in % 49.11 50.89123

AnhängeVerteilung der Anzahl Sonnenstundenin den Monaten Maerz bis Mai in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianStandardabw.Sonn_MMVariationskoeff.Min Maxunt.Quartilob.Quartil215 158.59 161.79 18.85 11.88 113.19 188.24 148.11 165.54Boxplot der Verteilung der Anzahl der Sonnenstunden in den Monaten März bis Maiin den Gemeinden in NiedersachsenKlassierung der Anzahl Sonnenstunden nach dem Mediander Monate Maerz bis MaiVerteilung auf die GemeindenGemeindeAnzahl Sonnenstunden 161,8 hAnzahl 108 107Anteil in % 50.23 49.77124

AnhängeVerteilung der Niederschlagsmengein den Monaten Maerz bis Mai in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianStandardabw.Nied_MMVariationskoeff.Min Maxunt.Quartilob.Quartil338 57.08 52.67 19.06 33.39 27.36 180.01 50.01 58.49Boxplot der Verteilung der Niederschlagsmenge in den Monaten März bis Mai in denGemeinden in NiedersachsenKlassierung der Niederschlagsmenge nach dem Mediander Monate Maerz bis MaiVerteilung auf die GemeindenGemeindeNiederschlagsmenge in mm 52,7 mmAnzahl 170 168Anteil in % 50.30 49.70125

AnhängeVerteilung der Temperaturin den Monaten Juni bis August in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianStandardabw.Temp_JAVariationskoeff.Min Maxunt.Quartilob.Quartil391 17.30 17.28 0.61 3.50 15.34 18.41 17.00 17.70Boxplot der Verteilung der Temperatur in den Monaten Juni bis August in denGemeinden in NiedersachsenKlassierung der Temperatur nach dem Mediander Monate Juni bis AugustVerteilung auf die GemeindenGemeindeTemperatur in °C 17,3 °CAnzahl 210 181Anteil in % 53.71 46.29126

AnhängeVerteilung der Anzahl Sonnenstundenin den Monaten Juni bis August in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianStandardabw.Sonn_JAVariationskoeff.Min Maxunt.Quartilob.Quartil241 192.17 201.21 22.42 11.67 133.93 226.39 176.93 207.19Boxplot der Verteilung der Anzahl der Sonnenstunden in den Monaten Juni bisAugust in den Gemeinden in NiedersachsenKlassierung der Anzahl Sonnenstunden nach dem Mediander Monate Juni bis AugustVerteilung auf die GemeindenGemeindeAnzahl Sonnenstunden 201,2 hAnzahl 117 124Anteil in % 48.55 51.45127

AnhängeVerteilung der Niederschlagsmengein den Monaten Juni bis August in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianStandardabw.Nied_JAVariationskoeff.Min Maxunt.Quartilob.Quartil391 80.65 81.63 11.04 13.69 56.07 124.37 70.63 88.27Boxplot der Verteilung der Niederschlagsmenge in den Monaten Juni bis August inden Gemeinden in NiedersachsenKlassierung der Niederschlagsmenge nach dem Mediander Monate Juni bis AugustVerteilung auf die GemeindenGemeindeNiederschlagsmenge in mm 81,6 mmAnzahl 191 200Anteil in % 48.85 51.15128

AnhängeVerteilung der Temperaturin den Monaten September und Oktober in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianStandardabw.Temp_SOVariationskoeff.Min Maxunt.Quartilob.Quartil391 11.80 12.02 0.69 5.86 9.37 13.19 11.55 12.16Boxplot der Verteilung der Temperatur in den Monaten September und Oktober inden Gemeinden in NiedersachsenKlassierung der Temperatur nach dem Median der Monate September und OktoberVerteilung auf die GemeindenGemeindeTemperatur in °C 12,0 °CAnzahl 194 197Anteil in % 49.62 50.38129

AnhängeVerteilung der Anzahl Sonnenstundenin den Monaten September und Oktober in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianStandardabw.Sonn_SOVariationskoeff.Min Maxunt.Quartilob.Quartil241 123.83 128.92 15.61 12.61 92.57 155.20 108.47 133.49Boxplot der Verteilung der Anzahl der Sonnenstunden in den Monaten Septemberund Oktober in den Gemeinden in NiedersachsenKlassierung der Anzahl Sonnenstunden nach dem Median der Monate Septemberund OktoberVerteilung auf die GemeindenGemeindeAnzahl Sonnenstunden 128,9 hAnzahl 113 128Anteil in % 46.89 53.11130

AnhängeVerteilung der Niederschlagsmengein den Monaten September und Oktober in den Gemeinden in NiedersachsenAnzahlGemeindenarithm.MittelMedianStandardabw.Nied_SOVariationskoeff.Min Maxunt.Quartilob.Quartil391 73.56 70.69 17.77 24.15 41.00 131.10 61.06 82.12Boxplot der Verteilung der Anzahl der Sonnenstunden in den Monaten Septemberund Oktober in den Gemeinden in NiedersachsenKlassierung der Niederschlagsmenge nach dem Median der Monate September undOktoberVerteilung auf die GemeindenGemeindeNiederschlagsmenge in mm 70,7 mmAnzahl 202 189Anteil in % 51.66 48.34131

AnhängeAnhang 11: Korrelationsanalyse der Zielvariablen ABD_Hase und derEinflussvariablenGezeigt wird jeweils das Streudiagramm, der Korrelationskoeffizient nach Pearson (r) bzw.nach Spearman (R) und der p-Wert.Korrelation der Hasen- und Fuchspopulationen der Gemeinden nach Pearsonr = -0.44p-Wert: < .0001132

AnhängeKorrelation der Hasen- und Dachspopulationen der Gemeinden nach SpearmanR = -0.43405p-Wert: < .0001Korrelation der Hasen- und Rabenkraehenpopulationen der Gemeinden nachPearsonr = 0.29493p-Wert: < .0001133

AnhängeKorrelation der Hasen- und Kolkrabenpopulationen der Gemeinden nachSpearmanR = -0.45528p-Wert: < .0001Korrelation der Hasen- und Elsternpopulationen der Gemeinden nach Pearsonr = 0.11056p-Wert: 0.0217134

AnhängeKorrelation der Hasenpopulationen und des Anteils der Waldflaechen derGemeinden nach SpearmanR = -0.59824p-Wert:

AnhängeKorrelation der Hasenpopulationen und des Anteils der Ackerflaechen derGemeinden nach SpearmanR = 0.02788p-Wert: 0.5702Korrelation der Hasenpopulationen und des Anteils der Gruenlandflaechen derGemeinden nach SpearmanR = 0.38070p-Wert:

AnhängeKorrelation der Hasenpopulationen und des Anteils der Bracheflaechen derGemeinden nach SpearmanR = -0.17505p-Wert: 0.0004Korrelation der Hasenpopulation und der Ertragsmesszahlen der Gemeindennach SpearmanR = 0.03174p-Wert: 0.5121137

AnhängeKorrelation der Hasenpopulationen und der durchschnittlichen Temperatur derGemeinden in den Monaten März bis Mai nach SpearmanR = 0.28019p-Wert:

AnhängeKorrelation der Hasenpopulationen und der durchschnittlichenNiederschlagsmenge der Gemeinden in den Monaten März bis Mai nachSpearmanR = -0.16166p-Wert: 0.0037Korrelation der Hasenpopulationen und der durchschnittlichen Temperatur derGemeinden in den Monaten Juli bis August nach SpearmanR= 0.12048p-Wert: 0.0199139

AnhängeKorrelation der Hasenpopulationen und der durchschnittlichen Anzahl derSonnenstunden der Gemeinden in den Monaten Juli bis August nach SpearmanR = 0.10211p-Wert: 0.1267Korrelation der Hasenpopulationen und der durchschnittlichenNiederschlagsmenge der Gemeinden in den Monaten Juli bis August nachSpearmanR = 0.13638p-Wert: 0.0084140

AnhängeKorrelation der Hasenpopulationen und der durchschnittlichen Temperatur derGemeinden in den Monaten September und Oktober nach SpearmanR= 0.38436p-Wert:

AnhängeKorrelation der Hasenpopulationen und der durchschnittlichen Niederschlagsmengeder Gemeinden in den Monaten September und Oktober nachSpearmanR = 0.19802p-Wert: 0.0001142

Anhänge143Anhang 12: Korrelationen der Einflussvariablen gegeneinander nachSpearmanABD_HaseABD_FugeheABD_DageheABD_RabdichABD_KolkbrutABD_ElsbrutABD_HaseABD_Hase1.00000431-0.49926

Anhänge144Anhang 12: Korrelationen der Einflussvariablen gegeneinander nachSpearmanABD_HaseABD_FugeheABD_DageheABD_RabdichABD_KolkbrutABD_ElsbrutNied_JANied_JA0.136380.0084373-0.33967

Anhänge145Anhang 12: Korrelationen der Einflussvariablen gegeneinander nachSpearmanFlae_WaldFlae_landwFlae_AckFlae_GrueFlae_BrachTemp_MMSonn_MMFlae_GrueFlae_Grue-0.54955

Anhänge146Anhang 12: Korrelationen der Einflussvariablen gegeneinander nachSpearmanNied_MM Temp_JA Sonn_JA Nied_JA Temp_SO Sonn_SO Nied_SOABD_RabdichABD_Rabdich-0.067500.22713220.086920.09373730.049470.4602225-0.040780.43233730.121200.0192373-0.035090.60062250.062990.2248373ABD_KolkbrutABD_Kolkbrut-0.042110.45143220.019160.7123373-0.246720.0002225-0.35882

AnhängeAnhang 12: Korrelationen der Einflussvariablen gegeneinander nachSpearmanSonn_SOSonn_SONied_SONied_SONied_MM Temp_JA Sonn_JA Nied_JA Temp_SO Sonn_SO Nied_SO-0.43748 -0.05766 0.65764 0.05029 0.52381 1.00000 -0.10430

Anhänge148Anhang 13: partielle Korrelation der Einflussvariablen gegeneinandernach Spearman unter Konstanthaltung der Variable Flae_WaldABD_HaseABD_FugeheABD_DageheABD_RabdichABD_KolkbrutABD_ElsbrutABD_HaseABD_Hase1.00000 -0.154950.0352-0.163120.02650.174680.0174-0.102390.16550.062220.4001ABD_FugeheABD_Fugehe-0.154950.03521.00000 0.70815

AnhängeAnhang 13: partielle Korrelation der Einflussvariablen gegeneinandernach Spearman unter Konstanthaltung der Variable Flae_WaldABD_ABD_ABD_ABD_ABD_ABD_HaseFugeheDageheRabdichKolkbrutElsbrutSonn_SOSonn_SO0.133790.0694-0.052260.4798-0.080950.2734-0.058370.4300-0.068190.3564-0.166080.0239Nied_SONied_SO-0.130200.0773-0.262110.0003-0.216960.0030-0.224750.0021-0.129870.0781-0.29487

AnhängeAnhang 13: partielle Korrelation der Einflussvariablen gegeneinandernach Spearman unter Konstanthaltung der Variable Flae_WaldFlae_Flae_Flae_Flae_Temp_Sonn_Nied_landwAckGrueBrachMMMMMMTemp_JATemp_JA-0.141600.05450.37733

AnhängeAnhang 13: partielle Korrelation der Einflussvariablen gegeneinandernach Spearman unter Konstanthaltung der Variable Flae_WaldTemp_JA Sonn_JA Nied_JA Temp_SO Sonn_SO Nied_SOFlae_BrachFlae_Brach0.005470.94100.068690.35280.057870.4340-0.034770.63850.015810.83090.068680.3530Temp_MMTemp_MM0.78573

AnhängeAnhang 14: Kontingenztafeln Zielvariable versus EinflussvariablenChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen FuchsgruppenThe FREQ ProcedureTable of Ha_Grup by Fu_GrupHa_GrupFu_GrupFrequencyExpectedPercentRow PctCol Pct > 0 bis 0,5 > 0,5 Total0 bis 10 4469.70810.2137.9316.99> 10 bis 20 161154.4437.3562.6562.16> 20 5434.85412.5393.1020.85Total 25960.097246.29216.7162.0741.8696102.5622.2737.3555.81423.1460.936.902.3317239.91Frequency Missing = 1111626.9125759.635813.46431100.00Statistic DF Value ProbChi-Square 2 50.8106

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen DachsgruppenHa_GrupThe FREQ ProcedureTable of Ha_Grup by Da_GrupDa_GrupFrequencyPercentRow PctCol Pct > 0 bis 0,25 > 0,25 Total0 bis 10 6515.0856.0321.04> 10 bis 20 18743.3972.7660.52> 20 5713.2398.2818.45Total 30971.695111.8343.9741.807016.2427.2457.3810.231.720.8212228.31Frequency Missing = 1111626.9125759.635813.46431100.00Statistic DF Value ProbChi-Square 2 34.3561

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen RabenkrähengruppenHa_GrupThe FREQ ProcedureTable of Ha_Grup by Rab_GrupRab_GrupFrequencyPercentRow PctCol Pct 0 bis 5,58 > 5,58 bis 10,53 > 10,53 Total0 bis 10 5813.4650.0054.72> 10 bis 20 347.8913.2332.08> 20 143.2524.1413.21Total 10624.594610.6739.6620.6314834.3457.5966.37296.7350.0013.0022351.74Frequency Missing = 11122.7810.3411.767517.4029.1873.53153.4825.8614.7110223.6711626.9125759.635813.46431100.00Statistic DF Value ProbChi-Square 4 61.0728

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen KolkrabengruppenThe FREQ ProcedureTable of Ha_Grup by Kolk_GrupHa_GrupKolk_GrupFrequencyPercentRow PctCol Pct 0 bis 0,19 > 0,19 Total0 bis 10 7016.2460.3421.88> 10 bis 20 19745.7176.6561.56> 20 5312.3091.3816.56Total 32074.254610.6739.6641.446013.9223.3554.0551.168.624.5011125.75Frequency Missing = 1111626.9125759.635813.46431100.00Statistic DF Value ProbChi-Square 2 21.4064

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen ElsterngruppenHa_GrupThe FREQ ProcedureTable of Ha_Grup by Els_GrupEls_GrupFrequencyPercentRow PctCol Pct 0 bis 0,74 > 0,74 bis 1,46 > 1,46 Total0 bis 10 439.9837.0740.57> 10 bis 20 4811.1418.6845.28> 20 153.4825.8614.15Total 10624.595011.6043.1022.6214232.9555.2564.25296.7350.0013.1222151.28Frequency Missing = 11235.3419.8322.126715.5526.0764.42143.2524.1413.4610424.1311626.9125759.635813.46431100.00Statistic DF Value ProbChi-Square 4 14.6494 0.0055Likelihood Ratio Chi-Square 4 14.1009 0.0070Mantel-Haenszel Chi-Square 1 4.3228 0.0376Phi Coefficient 0.1844Contingency Coefficient 0.1813Cramer's V 0.1304Effective Sample Size = 431Frequency Missing = 11156

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Gruppen der Anteileder WaldflaecheHa_GrupThe FREQ ProcedureTable of Ha_Grup by Wald_GrupWald_GrupFrequencyPercentRow PctCol Pct 0 bis 50,84 > 50,84 bis 72,72 > 72,72 Total0 bis 10 81.886.907.55> 10 bis 20 6815.9626.9864.15> 20 307.0451.7228.30Total 10624.884811.2741.3822.0214333.5756.7565.60276.3446.5512.3921851.17Frequency Missing = 166014.0851.7258.82419.6216.2740.2010.231.720.9810223.9411627.2325259.155813.62426100.00Statistic DF Value ProbChi-Square 4 91.8141

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Gruppen der Anteileder landwirtschaftlichen FlaecheHa_GrupThe FREQ ProcedureTable of Ha_Grup by landw_Gruplandw_GrupFrequencyPercentRow PctCol Pct 0 bis 50,84 > 50,84 bis 72,72 > 72,72 Total0 bis 10 4911.4842.2449.00> 10 bis 20 4510.5417.7945.00> 20 61.4110.346.00Total 10023.426214.5253.4528.3113732.0854.1562.56204.6834.489.1321951.29Frequency Missing = 1551.174.314.637116.6328.0665.74327.4955.1729.6310825.2911627.1725359.255813.58427100.00Statistic DF Value ProbChi-Square 4 70.3448

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Gruppen der Anteileder AckerflaecheHa_GrupThe FREQ ProcedureTable of Ha_Grup by Ack_GrupAck_GrupFrequencyPercentRow PctCol Pct 0 bis 23,40 > 23,40 bis 48,74 > 48,74 Total0 bis 10 245.7622.4324.24> 10 bis 20 5513.1921.8355.56> 20 204.8034.4820.20Total 9923.745412.9550.4725.5914033.5755.5666.35174.0829.318.0621150.60Frequency Missing = 25296.9527.1027.105713.6722.6253.27215.0436.2119.6310725.6610725.6625260.435813.91417100.00Statistic DF Value ProbChi-Square 4 13.2140 0.0103Likelihood Ratio Chi-Square 4 13.5245 0.0090Mantel-Haenszel Chi-Square 1 0.1188 0.7303Phi Coefficient 0.1780Contingency Coefficient 0.1753Cramer's V 0.1259Effective Sample Size = 417Frequency Missing = 25159

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Gruppen der Anteileder GruenlandflaechenHa_GrupThe FREQ ProcedureTable of Ha_Grup by Grue_GrupGrue_GrupFrequencyPercentRow PctCol Pct 0 bis 7,75 > 7,75 bis 27,08 > 27,08 Total0 bis 10 5112.0044.7448.11> 10 bis 20 4510.5917.7942.45> 20 102.3517.249.43Total 10624.945613.1849.1226.4213231.0652.1762.26245.6541.3811.3221249.88Frequency Missing = 1771.656.146.547617.8830.0471.03245.6541.3822.4310725.1811426.8225359.535813.65425100.00StatisticDF Value ProbChi-Square 4 50.4357

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Gruppen der Anteileder BrachflaechenHa_GrupThe FREQ ProcedureTable of Ha_Grup by Brach_GrupBrach_GrupFrequencyPercentRow PctCol Pct 0 bis 0,08 > 0,08 bis 0,38 > 0,38 Total0 bis 10 163.9415.6915.69> 10 bis 20 6415.7625.7062.75> 20 225.4240.0021.57Total 10225.125714.0455.8827.8012530.7950.2060.98235.6741.8211.2220550.49Frequency Missing = 36297.1428.4329.296014.7824.1060.61102.4618.1810.109924.3810225.1224961.335513.55406100.00Statistic DF Value ProbChi-Square 4 11.4661 0.0218Likelihood Ratio Chi-Square 4 11.3648 0.0228Mantel-Haenszel Chi-Square 1 8.5426 0.0035Phi Coefficient 0.1681Contingency Coefficient 0.1657Cramer's V 0.1188Effective Sample Size = 406Frequency Missing = 36161

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Temperaturgruppender Monate Maerz bis MaiThe FREQ ProcedureTable of Ha_Grup by Temp_GrupHa_GrupTemp_GrupFrequencyPercentRow PctCol Pct 9,3 °C Total0 bis 10 5024.0481.9739.68> 10 bis 20 6229.8149.6049.21> 20 146.7363.6411.11Total 12660.58115.2918.0313.416330.2950.4076.8383.8536.369.768239.42Frequency Missing = 76129.3312560.102210.58208100.00Statistic DF Value ProbChi-Square 2 18.0802 0.0001Likelihood Ratio Chi-Square 2 19.2802

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Gruppen der AnzahlSonnenstunden der Monate Maerz bis MaiThe FREQ ProcedureTable of Ha_Grup by Sonn_GrupHa_GrupSonn_GrupFrequencyPercentRow PctCol Pct 161,8 h Total0 bis 10 4421.1572.1341.90> 10 bis 20 5425.9643.2051.43> 20 73.3731.826.67Total 10550.48178.1727.8716.507134.1356.8068.93157.2168.1814.5610349.52Frequency Missing = 76129.3312560.102210.58208100.00Statistic DF Value ProbChi-Square 2 17.1543 0.0002Likelihood Ratio Chi-Square 2 17.6521 0.0001Mantel-Haenszel Chi-Square 1 15.7653

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Niederschlagsgruppen derMonate Maerz bis MaiThe FREQ ProcedureHa_GrupTable of Ha_Grup by Nied_GrupNied_GrupFrequencyPercentRow PctCol Pct 52,7 mm Total0 bis 10 2210.5836.0717.89> 10 bis 20 8339.9066.4067.48> 20 188.6581.8214.63Total 12359.13Frequency Missing = 73918.7563.9345.884220.1933.6049.4141.9218.184.718540.876129.3312560.102210.58208100.00Statistic DF Value ProbChi-Square 2 20.8483

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Temperaturgruppen derMonate Juli bis AugustThe FREQ ProcedureTable of Ha_Grup by Temp_GrupHa_GrupTemp_GrupFrequencyPercentRow PctCol Pct 17,3 °C Total0 bis 10 5021.5570.4234.01> 10 bis 20 8235.3458.9955.78> 20 156.4768.1810.20Total 14763.36219.0529.5824.715724.5741.0167.0673.0231.828.248536.64Frequency Missing = 97130.6013959.91229.48232100.00Statistic DF Value ProbChi-Square 2 2.8878 0.2360Likelihood Ratio Chi-Square 2 2.9244 0.2317Mantel-Haenszel Chi-Square 1 0.8107 0.3679Phi Coefficient 0.1116Contingency Coefficient 0.1109Cramer's V 0.1116Effective Sample Size = 232Frequency Missing = 9165

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Gruppen der AnzahlSonnenstunden der Monate Juli bis AugustThe FREQ ProcedureTable of Ha_Grup by Sonn_GrupHa_GrupSonn_GrupFrequencyPercentRow PctCol Pct 201,2 h Total0 bis 10 3916.8154.9334.51> 10 bis 20 6628.4547.4858.41> 20 83.4536.367.08Total 11348.713213.7945.0726.897331.4752.5261.34146.0363.6411.7611951.29Frequency Missing = 97130.6013959.91229.48232100.00Statistic DF Value ProbChi-Square 2 2.5255 0.2829Likelihood Ratio Chi-Square 2 2.5460 0.2800Mantel-Haenszel Chi-Square 1 2.4538 0.1172Phi Coefficient 0.1043Contingency Coefficient 0.1038Cramer's V 0.1043Effective Sample Size = 232Frequency Missing = 9166

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Niederschlagsgruppen derMonate Juli bis AugustThe FREQ ProcedureHa_GrupTable of Ha_Grup by Nied_GrupNied_GrupFrequencyPercentRow PctCol Pct 81,6 mm Total0 bis 10 3615.5250.7031.03> 10 bis 20 7231.0351.8062.07> 20 83.4536.366.90Total 11650.00Frequency Missing = 93515.0949.3030.176728.8848.2057.76146.0363.6412.0711650.007130.6013959.91229.48232100.00Statistic DF Value ProbChi-Square 2 1.8303 0.4005Likelihood Ratio Chi-Square 2 1.8513 0.3963Mantel-Haenszel Chi-Square 1 0.5903 0.4423Phi Coefficient 0.0888Contingency Coefficient 0.0885Cramer's V 0.0888Effective Sample Size = 232Frequency Missing = 9167

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Temperaturgruppender Monate September und OktoberThe FREQ ProcedureTable of Ha_Grup by Temp_GrupHa_GrupTemp_GrupFrequencyPercentRow PctCol Pct 12,0° C Total0 bis 10 5825.0081.6946.77> 10 bis 20 6226.7244.6050.00> 20 41.7218.183.23Total 12453.45135.6018.3112.047733.1955.4071.30187.7681.8216.6710846.55Frequency Missing = 97130.6013959.91229.48232100.00Statistic DF Value ProbChi-Square 2 38.1268

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Gruppen der AnzahlSonnenstunden der Monate September und OktoberThe FREQ ProcedureTable of Ha_Grup by Sonn_GrupHa_GrupSonn_GrupFrequencyPercentRow PctCol Pct 128,9 h Total0 bis 10 4619.8364.7942.20> 10 bis 20 5825.0041.7353.21> 20 52.1622.734.59Total 10946.982510.7835.2120.338134.9158.2765.85177.3377.2713.8212353.02Frequency Missing = 97130.6013959.91229.48232100.00Statistic DF Value ProbChi-Square 2 15.7751 0.0004Likelihood Ratio Chi-Square 2 16.1994 0.0003Mantel-Haenszel Chi-Square 1 15.6324

AnhängeChiquadrat-Unabhaengigkeitstest, Hasengruppen gegen Niederschlagsgruppender Monate September und OktoberThe FREQ ProcedureHa_GrupTable of Ha_Grup by Nied_GrupNied_GrupFrequencyPercentRow PctCol Pct 70,7 mm Total0 bis 10 3715.9552.1129.37> 10 bis 20 8335.7859.7165.87> 20 62.5927.274.76Total 12654.31Frequency Missing = 93414.6647.8932.085624.1440.2952.83166.9072.7315.0910645.697130.6013959.91229.48232100.00Statistic DF Value ProbChi-Square 2 8.2540 0.0161Likelihood Ratio Chi-Square 2 8.3952 0.0150Mantel-Haenszel Chi-Square 1 0.9348 0.3336Phi Coefficient 0.1886Contingency Coefficient 0.1854Cramer's V 0.1886Effective Sample Size = 232Frequency Missing = 9170

AnhängeAnhang 15: Einfaktorielle VarianzanalysenEinfache Varianzanalyse der Zielvariable ABD_Hase und der EinflussvariableNRaum_fIDThe GLM ProcedureClass Level InformationClass Levels ValuesNRaum_fID 12 I II III IV IX V VI VII VIII X XI XIINumber of observations 442NOTE: Due to missing values, only 431 observations can be used in this analysis.The GLM ProcedureDependent Variable: ABD_Hase ABD_HaseSourceDFSum ofSquares Mean Square F Value Pr > FModel 11 5864.64773 533.14979 21.46 FNRaum_fID 11 5864.647734 533.149794 21.46 FNRaum_fID 11 5864.647734 533.149794 21.46

AnhängeHistogramm zur Überprüfung der Normalverteilung der Residuen172

AnhängeEinfache Varianzanalyse der Zielvariable ABD_Hase und der EinflussvariableBGL_fIDThe GLM ProcedureClass Level InformationClass Levels ValuesBGL_fID 12 1 3 4 5 6 7 8 9 10 11 12 13Number of observations 442NOTE: Due to missing values, only 431 observations can be used in this analysis.The GLM ProcedureDependent Variable: ABD_Hase ABD_HaseSourceDFSum ofSquares Mean Square F Value Pr > FModel 11 4901.94251 445.63114 16.42 FBGL_fID 11 4901.942509 445.631137 16.42 FBGL_fID 11 4901.942509 445.631137 16.42

AnhängeHistogramm zur Überprüfung der Normalverteilung der Residuen174

Anhänge175Anhang 16: Kontingenztafel Naturräume versusBodengrosslandschaftenTable of NRaum_fID by BGL_fIDNRaum_fID(NRaum_fID)BGL_fID(BGL_fID)FrequencyPercentRow PctCol PctNordseeinselnKüstenmarschenAuen undNiederterassenTalsandniederungenundUrstromtälerEms-Weser-Marsch 91.9822.50100.00275.9567.5061.3600.000.000.0000.000.000.00Elbe-Niederung 00.000.000.00112.4261.1125.0020.4411.1133.3310.225.561.82Ostfriesisch-oldenburgischeGeest00.000.000.0040.8812.909.0900.000.000.0091.9829.0316.36Stader Geest 00.000.000.0020.445.004.5500.000.000.0020.445.003.64NiedersaechsischeBoerden00.000.000.0000.000.000.0000.000.000.0000.000.000.00Ems-Hunte-Geest 00.000.000.0000.000.000.0000.000.000.0061.3215.7910.91DuemmerGeestniederung00.000.000.0000.000.000.0010.222.6316.67224.8557.8940.00Lueneburger Heideund Altmark00.000.000.0000.000.000.0010.221.7516.6730.665.265.45Weser-Aller-Flachland00.000.000.0000.000.000.0020.444.1733.33112.4222.9220.00UnteresWeserbergland00.000.000.0000.000.000.0000.000.000.0010.226.251.82

AnhängeNRaum_fID(NRaum_fID)FrequencyPercentRow PctCol PctWeser-Leine-BerglandTable of NRaum_fID by BGL_fID00.000.000.00Harz 00.000.000.00Total 91.98BGL_fID(BGL_fID)00.000.000.0000.000.000.00449.69Auen undNiederterassen00.000.000.0000.000.000.0061.32NordseeinselnKüstenmarschenTalsandniederungenundUrstromtäler00.000.000.0000.000.000.005512.11NRaum_fID(NRaum_fID)FrequencyPercentRow PctCol PctTable of NRaum_fID by BGL_fIDBGL_fID(BGL_fID)GeestplattenundEndmoränenEms-Weser-Marsch 40.8810.002.09Elbe-Niederung 40.8822.222.09OstfriesischoldenburgischeGeest183.9658.069.42Stader Geest 367.9390.0018.85NiedersaechsischeBoerden00.000.000.00Ems-Hunte-Geest 306.6178.9515.7100.000.000.0000.000.000.0000.000.000.0000.000.000.0030.666.2525.0020.445.2616.67Lössbörden00.000.000.0000.000.000.0000.000.000.0000.000.000.00306.6162.5085.7100.000.000.00BördenvorlandLössbecken00.000.000.0000.000.000.0000.000.000.0000.000.000.0000.000.000.0000.000.000.00176

AnhängeNRaum_fID(NRaum_fID)FrequencyPercentRow PctCol PctDuemmerGeestniederungLueneburger Heideund AltmarkWeser-Aller-FlachlandUnteresWeserberglandWeser-Leine-BerglandTable of NRaum_fID by BGL_fIDGeestplattenundEndmoränen143.0836.847.335311.6792.9827.75255.5152.0813.0971.5443.753.6600.000.000.00Harz 00.000.000.00Total 19142.07BGL_fID(BGL_fID)10.222.638.3300.000.000.0010.222.088.3310.226.258.3340.885.4833.3300.000.000.00122.64Lössbörden00.000.000.0000.000.000.0010.222.082.8620.4412.505.7120.442.745.7100.000.000.00357.7100.000.000.0000.000.000.0020.444.1740.0000.000.000.0030.664.1160.0000.000.000.0051.10Table of NRaum_fID by BGL_fIDNRaum_fID(NRaum_fID)BGL_fID(BGL_fID)FrequencyPercentRow PctCol PctHöhenzügeEms-Weser-Marsch 00.000.000.00BördenvorlandLössbeckensubmontanesMittelgebirge(Oberharz)00.000.000.00montanesMittelgebirge(Hochharz)00.000.000.00anthropogenüberprägteGebiete00.000.000.00177

Anhänge178Table of NRaum_fID by BGL_fIDNRaum_fID(NRaum_fID)BGL_fID(BGL_fID)FrequencyPercentRow PctCol PctHöhenzügesubmontanesMittelgebirge(Oberharz)montanesMittelgebirge(Hochharz)anthropogenüberprägteGebieteElbe-Niederung 00.000.000.0000.000.000.0000.000.000.0000.000.000.00Ostfriesisch-oldenburgische Geest00.000.000.0000.000.000.0000.000.000.0000.000.000.00Stader Geest 00.000.000.0000.000.000.0000.000.000.0000.000.000.00NiedersaechsischeBoerden132.8627.0814.7710.222.0850.0000.000.000.0010.222.0850.00Ems-Hunte-Geest 00.000.000.0000.000.000.0000.000.000.0000.000.000.00DuemmerGeestniederung00.000.000.0000.000.000.0000.000.000.0000.000.000.00Lueneburger Heideund Altmark00.000.000.0000.000.000.0000.000.000.0000.000.000.00Weser-Aller-Flachland61.3212.506.8200.000.000.0000.000.000.0000.000.000.00UnteresWeserbergland40.8825.004.5500.000.000.0000.000.000.0010.226.2550.00Weser-Leine-Bergland6414.1087.6772.7300.000.000.0000.000.000.0000.000.000.00

AnhängeNRaum_fID(NRaum_fID)FrequencyPercentRow PctCol PctTable of NRaum_fID by BGL_fIDHöhenzügeHarz 10.2214.291.14Total 8819.38BGL_fID(BGL_fID)submontanesMittelgebirge(Oberharz)10.2214.2950.0020.44montanesMittelgebirge(Hochharz)51.1071.43100.0051.10anthropogenüberprägteGebiete00.000.000.0020.44Statistic DF Value ProbChi-Square 121 1413.1187

AnhängeAnhang 17: Multiple lineare Regression mit Rückwärtsauswahl (SAS-Output 6.1)Multiple lineare RegressionsanalyseThe REG ProcedureModel: MODEL1Dependent Variable: ABD_Hase ABD_HaseBackward Elimination: Step 0All Variables Entered: R-Square = 0.3972 and C(p) = 6.0000Analysis of VarianceSourceDFSum ofSquaresMeanSquare F Value Pr > FModel 5 4461.81135 892.36227 41.39 FIntercept -3.44263 5.70767 7.84417 0.36 0.5468ABD_Fugehe -6.32870 1.21929 580.89981 26.94

AnhängeMultiple lineare RegressionsanalyseThe REG ProcedureModel: MODEL1Dependent Variable: ABD_Hase ABD_HaseBackward Elimination: Step 1Variable Nied_MM Removed: R-Square = 0.3959 and C(p) = 4.6686Analysis of VarianceSourceDFSum ofSquaresMeanSquare F Value Pr > FModel 4 4447.39513 1111.84878 51.62 FIntercept -5.52593 5.10478 25.23974 1.17 0.2799ABD_Fugehe -6.18825 1.20649 566.64810 26.31

AnhängeAll variables left in the model are significant at the 0.0500 level.Multiple lineare RegressionsanalyseThe REG ProcedureModel: MODEL1Dependent Variable: ABD_Hase ABD_HaseSummary of Backward EliminationStepVariableRemovedLabelNumberVars InPartialR-SquareModelR-SquareC(p)FValuePr > F1 Temp_MM Temp_MM 6 0.0000 0.4384 6.0003 0.00 0.98682 ABD_Fugehe ABD_Fugehe 5 0.0010 0.4375 4.3298 0.33 0.56563 ABD_Rabdich ABD_Rabdich 4 0.0066 0.4308 4.5897 2.28 0.13274 Sonn_SO Sonn_SO 3 0.0087 0.4221 5.5633 2.98 0.0859Summary of Backward EliminationStepVariableRemovedLabelNumberVars InPartialR-SquareModelR-Square C(p) F Value Pr > F1 Nied_MM Nied_MM 4 0.0013 0.3959 4.6686 0.67 0.4142182

AnhängeHistogramm zur Überprüfung der Normalverteilung der Residuen183

AnhängeAnhang 18: Ausgabe der Typ I-Quadratsummen (SAS-Output 6.2)Multiple lineare RegressionsanalyseThe REG ProcedureModel: MODEL1Dependent Variable: ABD_Hase ABD_HaseAnalysis of VarianceSourceDFSum ofSquaresMeanSquare F Value Pr > FModel 4 4447.39513 1111.84878 51.62 |t| Type I SSIntercept Intercept 1 -5.52593 5.10478 -1.08 0.2799 61952ABD_Fugehe ABD_Fugehe 1 -6.18825 1.20649 -5.13