Verbesserung der Vorhersagen zur Verbreitung von Arten durch Messung und Kommunikation von Unsicherheit: Eine Fallstudie zu invasiven Arten

Zusammenfassung Die Vorhersage des Invasionsrisikos unter zukünftigen Klimabedingungen ist entscheidend für das effektive Management invasiver Arten, und Artenverteilungsmodelle (SDMs) sind entscheidende Werkzeuge dafür. Allerdings sind die auf SDMs basierenden Vorhersagen unsicher, insbesondere wenn korrelative statistische Modelle auf nicht-analoge Umweltdomänen extrapolieren, wie z. B. zukünftige Klimabedingungen. Unterschiedliche Annahmen über die funktionale Form der Temperatur-Eignungs-Beziehung können die vorhergesagte Habitat-Eignung unter neuen Bedingungen beeinflussen. Daher sind Methoden zur Verständnis der Unsicherheitsquellen entscheidend bei der Anwendung von SDMs. Hier verwenden wir hochauflösende Vorhersagen der Wassertemperaturen von Seen, um Veränderungen der Habitat-Eignung unter zukünftigen Klimabedingungen für eine invasive Makrophyte (Myriophyllum spicatum) zu projizieren. Die zukünftige Eignung wurde mit fünf globalen Zirkulationsmodellen und drei statistischen Modellen vorhergesagt, die unterschiedliche funktionale Reaktionen von Arten auf Temperatur angenommen haben. Die Eignung von Seen für M. spicatum wurde insgesamt als steigend unter zukünftigen Klimabedingungen vorhergesagt, jedoch variierte das Ausmaß und die Richtung der Änderung der Eignung erheblich zwischen den Seen. Die Variabilität war am ausgeprägtesten für Seen unter nicht-analogen Temperaturbedingungen, was darauf hindeutet, dass die Vorhersagen für diese Seen äußerst unsicher blieben. Die Integration von Vorhersagen aus SDMs, die sich in ihrer Reaktionsfunktion von Arten auf die Umwelt unterscheiden, während die Unsicherheit in analogen und nicht-analogen Domänen explizit quantifiziert wird, kann einen robusteres und nützlicheres Vorgehen zur Vorhersage der Verbreitung invasiver Arten unter Klimawandel bieten.