4.2 Toevoegen van landschapskenmerken

Het basismodel zullen we stapsgewijs uitbreiden met landschapskenmerken. We starten door elk van de relevante landschapskenmerken (fig. 2.8) een voor een toe te voegen aan het basismodel. Vervolgens gebruiken we de \(WAIC\) (Watanabe-Akaike information criterion) om na te gaan wat de impact is van elk landschapskenmerk. De \(WAIC\) daalt naarmate het model beter aansluit bij de observaties. De modelcomplexiteit wordt als een bestraffing in rekening gebracht. Het toevoegen van een variabele die het model nauwelijks verbetert zal daardoor een stijging van \(WAIC\) tot gevolg hebben. Een lage \(WAIC\) is bijgevolg een goede afweging tussen een goede fit aan de observaties en een zo eenvoudig mogelijk model.

Na het toevoegen van een eerste landschapskenmerk aan het basismodel, vergelijken we de \(WAIC\) van al deze modellen met het basismodel en selecteren het model met de laagste \(WAIC\). Vervolgens voegen we aan dit model een voor een alle andere landschapskenmerken toe. Opnieuw vergelijken we de \(WAIC\) van alle modellen met twee landschapskenmerken met de \(WAIC\) van het beste model met een landschapskenmerk en selecteren het model met de laagste \(WAIC\). Zolang de \(WAIC\) blijft dalen, blijven we deze werkwijze herhalen.

Uit de gegevensverkenning (bijlage 8) stelden we vast dat sommige landschapskenmerken mogelijk geen lineair verband hebben met het aantal Steenuilen maar eerder een optimum. Daarom testen we bij deze variabelen eveneens een kwadratische term. Het gaat hierbij om boomgaard_min, boomgaard_plus, bos, bos_tot, gras_min, kle, laag, opgaand, ruigte_rand, ruigte_tot en urbaan. Eens het landschapskenmerk in het model zit als een lineair term, zullen we eveneens testen of de kwadratische term zinvol is.

Van zodra twee landschapskenmerken in het model zitten, zullen we eveneens nagaan of het zinvol is om hun interactie aan het model toe te voegen. Op dat moment zullen we de interactie toevoegen i.p.v. een bijkomend landschapskenmerk.

In fig. 2.14 geven we een overzicht van de \(WAIC\) van alle geteste modellen voor elke stap. Het nummer van de stap geeft het aantal landschapskenmerken, kwadratische termen of interacties die we toegevoegd hebben aan het basismodel. Merk op dat een aantal modellen plots een zeer grote \(WAIC\) hebben, hetgeen wijst op een onstabiel model. Daarom geven we in fig. 2.15 enkel de stabiele modellen weer. De lijnsegmenten verbinden het model met het model uit de vorige stap waarop het gebaseerd is. De waaiers van lijnsegmenten geven aan dat sommige landschapskenmerken het model verbeteren en andere niet.

Figuur 2.14: \(WAIC\) van alle geteste modellen

Figuur 2.15: \(WAIC\) van alle voldoende stabiele modellen

Om een beter zicht te krijgen op de geselecteerde landschapskenmerken geven we in fig. 2.16 enkel het beste model in elke stap weer. In de eerste 8 stappen komt er telkens een ander landschapskenmerk bij. Met uitzondering van opgaand, betreffen het allemaal vlakvormige landschapskenmerken. Stap 9 voegt de kwadratische term van kle toe. In stap 11 wordt voor de eerste maal een interactie toegevoegt. Aangezien dit slechts een minimale verbetering van de \(WAIC\) tot gevolg heeft en we slechts 106 waarnemingen van Steenuil hebben, hebben we besloten om het beste model uit stap 10 als finale model te gebruiken.

Figuur 2.16: \(WAIC\) van het beste model uit elke stap.

Figuur 2.17: Evolutie van de ROC-curves van het beste model uit elke stap