4.3 Finale model

4.3.1 Invloed van de verschillende landschapskenmerken

In figuren 2.18 t.e.m. 2.26 geven we het effect weer van elk landschapskenmerk op het aantal waarnemingen van Steenuil per rastercel. Hierbij negeren we de invloed van datum, tijdstip, de afstand tot de dichtste buurwaarneming en het ruimtelijk effect. Het landschapskenmerk van de figuur laten we variëren over de gradient in het gebied. De overige landschapskenmerken fixeren we op hun mediane waarde. De vertikale stippellijn geeft de mediane waarde van het landschapskenmerk in de figuur weer.

We stellen een toename van het aantal waarnemingen vast bij toename van de oppervlakte van alle ruigte, opgaande elementen, alle grasland, vlakvormige KLE’s en randen rond grasland, boomgaard of akker. Het aantal waarnemingen daalt bij toename van de oppervlakte boomgaard-, alle bos of urbaan gebied.

Figuur 2.18: Invloed van het gewogen aandeel boomaard- op het aantal steenuilwaarnemingen.

Figuur 2.19: Invloed van het gewogen aandeel alle grasland op het aantal steenuilwaarnemingen.

Figuur 2.20: Invloed van het gewogen aandeel alle ruigte op het aantal steenuilwaarnemingen.

Figuur 2.21: Invloed van het gewogen aandeel opgaande KLE op het aantal steenuilwaarnemingen.

Figuur 2.22: Invloed van het gewogen aandeel urbaan op het aantal steenuilwaarnemingen.

Figuur 2.23: Invloed van het gewogen aandeel alle bos op het aantal steenuilwaarnemingen.

Figuur 2.24: Invloed van het gewogen aandeel boomgaard+ op het aantal steenuilwaarnemingen.

Figuur 2.25: Invloed van het gewogen aandeel vlakvormig KLE op het aantal steenuilwaarnemingen.

Figuur 2.26: Invloed van het gewogen aandeel randen rond grasland, akker of boomgaard op het aantal steenuilwaarnemingen.

4.3.2 Invloed van variabelen gerelateerd aan de inventarisatie

Wanneer we landschapskenmerken aan het basismodel toevoegen, zal dit een effect hebben op de invloed van de inventarisatie-gerelateerde modelparameters. Het effect van de datum blijkt gemiddeld iets sterker te worden, doch de onzekerheid op deze effecten wordt tevens groter (fig. 2.27). Dit geeft een indicatie dat het datum effect in het basismodel mogelijk een deel van het landschap probeert te klaren, bijvoorbeeld omdat op elke datum een ander deelgebied onderzocht werd en elk deelgebied een iets ander landschap en bijhorende aanwezigheid van Steenuil heeft.

Figuur 2.27: Relatief effect van de datum op het aantal waarnemingen voor het finale model

Het effect van het tijdstip (fig. 2.28), van de afstand tot de dichtste buur (fig. 2.29) en het residuele ruimtelijke effect (fig. 2.30) wordt eveneens iets sterker na toevoegen van de landschapskenmerken.

Figuur 2.28: Relatief effect van het tijdstip op het aantal waarnemingen voor het finale model

Figuur 2.29: Relatief effect van afstand tot dichtste buur voor het finale model

Figuur 2.30: Relatieve ruimtelijk effect voor het finale model

Na het toevoegen van de landschapskenmerken schuift de roc-curve naar links en naar boven (fig. 2.31), een bewijs dat het model verbeterd is. De optimale drempelwaarde heeft weinig effect op het aandeel correct positief. Het aandeel vals positief daalt van 36% naar 27%.

Figuur 2.31: ROC curve voor het finale model

4.3.3 Voorspellingen

Figuur 2.32 geeft een voorspelling van het aantal waarneming dat we in een raster zouden kunnen doen wanneer we elke rastercel zouden bezocht hebben anderhalf uur na zonsondergang op 29 maart 2011. De keuze van deze datum is arbitrair. Het is een datum waarop effectief geïnventariseerd werd. De datum is vrij centraal binnen de inventarisatie periode en het relatief effect van deze datum blijkt vrij neutraal (figuur 2.27). Daarnaast kiezen we anderhalf uur na zonsondergang als referentietijdstip, omdat dan in deze inventarisatie de piek van de activiteit lijkt te beginnen (fig. 2.28).

Figuur 2.32: Verwachte waarde van het aantal steenuilwaarnemingen per rastercel.

Een goede maat voor de onzekerheid op deze voorspellingen is het zogenaamde ‘credible interval’ (geloofwaardige interval), dit is het Bayesiaanse equivalent van het betrouwbaarheidsinterval. Figuren 2.33 en 2.34 geven voor elke rastercel de onder- en bovengrens van dit interval weer. De ondergrens heeft een interessante interpretatie aangezien dit een pessimistische inschatting is. Dit wil zeggen dat rastercellen waarbij de ondergrens een hoge waarde heeft, we het meest zeker zijn van de potentiële aanwezigheid van Steenuil. De bovengrens heeft een complementaire interpretatie. Wanneer de bovengrens laag is, dan kunnen we stellen dat de rastercel minder geschikt is voor Steenuil.

Figuur 2.33: Ondergrens van het 95% interval van het aantal steenuilwaarnemingen per rastercel.

Figuur 2.34: Bovengrens van het 95% interval van het aantal steenuilwaarnemingen per rastercel.

Figuur 2.35 illustreert de onzekerheid op de voorspellingen door de verhouding van de bovengrens en de ondergrens weer te geven. Bij een perfecte voorspelling is de bovengrens gelijk aan de ondergrens en dus ook aan de mediaan. De verhouding is dan 1. Naarmate de onzekerheid toeneemt, wordt het verschil tussen boven- en ondergrens groter. En omdat de bovengrens steeds groter is dan de ondergrens, neemt de verhouding steeds toe. Een grote onzekerheid wil niet zeggen dat we in die rastercel per definitie geen bruikbare uitspraken kunnen doen. Stel dat het interval (0,01; 0,05) is, de onzekerheid is dan 5. De bovengrens is echter voldoende laag om te stellen dat de rastercel minder geschikt is voor Steenuil.

Figuur 2.35: Verhouding tussen de bovengrens en de ondergrens van het 95% interval op de voorspelling van het aantal steenuilwaarnemingen per rastercel.