Einbindung von Unsicherheit in die prädiktive Artenverteilungsmodellierung

Angesichts der Notwendigkeit, ökologische Probleme (Klimawandel, Lebensraumfragmentierung und biologische Invasionen) zu lösen, hat das Interesse an Artenverteilungsmodellen (AVMs) zugenommen. Vorhersagen aus diesen Modellen informieren die Naturschutzpolitik, das Management invasiver Arten und Maßnahmen zur Krankheitskontrolle. Allerdings unterliegen die Vorhersagen Unsicherheit, deren Grad und Quelle oft nicht erkannt werden. Hier überprüfen wir die AVM-Literatur im Kontext der Unsicherheit und konzentrieren uns auf drei Hauptkategorien von AVMs: nischenbasierte Modelle, demografische Modelle und prozessorientierte Modelle. Wir identifizieren Unsicherheitsquellen für jede Klasse und diskutieren, wie Unsicherheit minimiert oder in den Modellierungsprozess einbezogen werden kann, um realistische Vertrauensmaße für die Vorhersagen zu erhalten. Da dies typischerweise nicht durchgeführt wurde, kommen wir zu dem Schluss, dass die Unsicherheit in AVMs oft unterschätzt und den Vorhersagen geografischer Verteilung eine falsche Präzision zugewiesen wurde. Wir identifizieren Bereiche, in denen die Entwicklung neuer statistischer Werkzeuge die Vorhersagen aus Verteilungsmodellen verbessern wird, insbesondere die Entwicklung hierarchischer Modelle, die verschiedene Arten von Verteilungsmodellen und deren damit verbundene Unsicherheiten über räumliche Skalen hinweg verknüpfen. Schließlich diskutieren wir die Notwendigkeit, defensible Methoden zur Bewertung der prädiktiven Leistung, zur Quantifizierung der Modellgüte und zur Bewertung der Signifikanz von Modellkovariaten zu entwickeln.