🧬 biology

City-specific or generalisable resistances? An urban animal connectivity model performs better when parameterised from two cities

Durch die Analyse der typischen Bewegungen von Amseln in München und Angers zeigt diese Studie, dass durch die Kombination von Daten aus mehreren städtischen Umgebungen die Vorhersagegenauigkeit und Übertragbarkeit von Konnektivitätsmodellen zur Identifizierung der relativen Bedeutung von Barrieren signifikant verbessert wird, obwohl die absoluten Habitatresistenzwerte zwischen den Städten variieren.

Ursprüngliche Autoren: Lisa Merkens, Meret Pundsack, Anne Mimet, Damien Gourmelon, Wolfgang W Weisser

Veröffentlicht 2026-08-12

📖 2 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Lisa Merkens, Meret Pundsack, Anne Mimet, Damien Gourmelon, Wolfgang W Weisser

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine Stadt nicht nur als einen Ort für Menschen vor, sondern als ein riesiges, geschäftiges Labyrinth für Tiere. Für einen Vogel, ein Eichhörnchen oder einen Igel ist der Weg von einem Park zum nächsten nicht nur eine Frage des Fliegens oder Gehens; es ist ein hochriskantes Navigationsspiel voller Hindernisse. Manche Dinge, wie ein ruhiges Stück Gras oder ein hoher Baum, sind wie offene Autobahnen – leicht zu überqueren und voller Snacks. Andere, wie ein massiver Wolkenkratzer oder eine tosender Autobahn, sind wie riesige Mauern oder tiefe Wassergräben, die die Reise gefährlich oder unmöglich machen. Wissenschaftler nennen diese Hindernisse „Resistenz“ (Widerstand). Um Tieren beim Überleben in unseren Betonjungeln zu helfen, nutzen Stadtplaner Computermodelle, um die besten Pfade abzubilden, in der Hoffnung, Grünflächen so zu verbinden, dass Tiere Nahrung, Partner und sichere Nistplätze finden können. Aber hier liegt der knifflige Teil: Diese Modelle benötigen ein Regelwerk. Sie müssen genau wissen, wie „schwer“ es für ein bestimmtes Tier ist, ein bestimmtes Gebäude oder eine bestimmte Straße zu überqueren.

Die große Frage, mit der sich Wissenschaftler beschäftigt haben, ist, ob dieses Regelwerk universell ist oder ob es spezifisch für jede Stadt geschrieben wird. Ist ein „mittelgroßes Gebäude“ für einen Vogel in München genauso beängstigend wie in Angers? Oder verändert der lokale Vibe, das Layout und die Geschichte einer Stadt die Art und Weise, wie ein Tier die Welt sieht? Wenn wir diesem Regelwerk, das für eine Stadt geschrieben wurde, nicht vertrauen können, dass es auch in einer anderen funktioniert, bauen wir vielleicht die falschen Brücken oder übersehen die wichtigsten Pfade. Diese Unsicherheit macht es schwierig, Wildtiere in großem Maßstab zu schützen, denn wir können unsere Naturschutzpläne nicht einfach von einem Ort auf den anderen kopieren und einfügen, ohne zu prüfen, ob sie tatsächlich passen.

Diese Studie beschloss, diese Idee zu testen, indem sie Detektivarbeit am Rot

Technisches Resümee: Stadtspezifische oder verallgemeinerbare Resistenzen? Ein urbanes Modell der Konnektivität von Tieren performt besser, wenn es aus zwei Städten parametrisiert wird

Problemstellung
Modelle der urbanen ökologischen Konnektivität sind entscheidend für die Naturschutzplanung, beruhen jedoch häufig auf Experten-abgeleiteten Parametern aufgrund eines Mangels an empirischen Kalibrierungsdaten. Eine gängige Praxis besteht darin, Konnektivitätsparameter (speziell Habitatansprüche und Landschaftswiderstände) in einer Stadt abzuleiten und auf andere zu übertragen. Die Übertragbarkeit dieser Parameter auf unterschiedliche urbane Kontexte bleibt jedoch weitgehend unerforscht. Es ist unklar, ob Widerstandswerte vollständig kontextabhängig (stadtspezifisch) sind, universell anwendbar sind oder ob ein allgemeines Muster existiert, das nur durch das Zusammenführen von Daten offenbart werden kann. Ohne systematische Tests birgt die Übertragung von Parametern das Risiko, Schlüsselkorridore und Habitatflächen falsch zu identifizieren, was eine evidenzbasierte Stadtplanung gefährden könnte.

Methodik
Die Studie verwendete ein Vergleichsframework unter Verwendung der Amsel (Turdus merula) als Modellart in zwei europäischen Städten: München, Deutschland, und Angers, Frankreich. Die Forscher nutzten einen sechsstufigen Modellierungs-Workflow (adaptiert von Merkens et al., 2026), der auf Bewegungs-Proxy-Daten basiert (visuelle und akustische Detektionen von Präsenz/Absenz und Zählungen von Vögeln beim Überqueren von Straßen-Transekten).

Datenerhebung: In beiden Städten wurden zwei Datensätze erhoben. Datensatz 1 (Präsenz/Absenz) identifizierte Ressourcenstandorte, während Datensatz 2 (Bewegungs-Proxy) den Widerstand gegen Bewegung über 50 m lange Straßen-Transekte quantifizierte.
Ressourcenidentifikation: Eine Hauptkomponentenanalyse (PCA) gefolgt von Klassifikations- und Entscheidungsbäumen (CART) wurde eingesetzt, um die Vegetationszusammensetzungen (Gras, Gebüsch, Bäume) zu identifizieren, die mit der Anwesenheit der Amsel assoziiert sind. Dies wurde unabhängig für München, Angers und einen gemeinsamen Datensatz durchgeführt.
Resistanz-Parametrisierung: Es wurden vierundzwanzig Resistenzszenarien generiert, wobei die Widerstandswerte für anthropogene Landbedeckungen (niedrige, mittlere und hohe Gebäude; Straßen) variiert wurden, während Vegetation und Wasser konstant gehalten wurden.
Konnektivitätsmodellierung: Landschaftsgraphen wurden mittels link-basierter Betweenness Centrality (BC) konstruiert, die über Least-Cost-Paths berechnet wurde. Es wurden Modelle für 72 Kandidatenkombinationen generiert (24 Resistenzszenarien × 3 Bewegungsdistanzen: 30, 90, 150 m).
Kalibrierung: Generalisierte Lineare Modelle (GLMs) wurden für Single-City-Datensätze verwendet, und Generalisierte Lineare Gemischte Modelle (GLMMs) für den gemeinsamen Datensatz, um die Resistenzszenarien auszuwählen, die die beobachtete Bewegungs-Präsenz/Absenz am besten erklären. Die Modellauswahl basierte auf AIC, wobei die Widerstandswerte für Modelle innerhalb eines $\Delta$ AIC < 2 gemittelt wurden.
Validierung: Eine 10-fache wiederholte Out-of-Sample-Validierung wurde durchgeführt. Die aus München, Angers und dem gemeinsamen Datensatz abgeleiteten Parameter wurden gegen unabhängige Testsets in beiden Städten getestet, um die Vorhersageleistung (AUC, $R^2$ und Signifikanz der Konnektivitätsprädiktoren) zu bewerten.

Wichtigste Ergebnisse

Habitatansprüche: Ressourcenprofile (die für die Anwesenheit erforderliche Vegetationszusammensetzung) waren über Single-City- und Joint-Parametrisierungen hinweg hochgradig konsistent. Während die Amseln in München mit etwas höherem Baumbestand und geringerem Grasanteil im Vergleich zu Angers assoziiert waren, wurden die allgemeinen Ressourcenanforderungen aus Single-City-Datensätzen gut geschätzt. Das Zusammenführen von Daten änderte die identifizierten Ressourcenprofile nicht signifikant.
Widerstandswerte (Relativ vs. Absolut):
- Relative Rangfolge: Die relative Rangfolge der Widerstandswerte war über die Städte hinweg konsistent. Hohe Gebäude wiesen konsistent den höchsten Widerstand auf, gefolgt von mittleren Gebäuden, Straßen und niedrigen Gebäuden.
- Absolute Werte: Absolute Widerstandswerte unterschieden sich zwischen den Städten, insbesondere bei niedrigen Gebäuden und Straßen. Beispielsweise hatten in München niedrige Gebäude einen höheren Widerstand als Straßen, während sie in Angers nahezu gleich waren.
- Joint-Parametrisierung: Die aus dem gemeinsamen Datensatz abgeleiteten Widerstandswerte zeigten eine moderate Konsistenz mit stadt-spezifischen Werten, boten jedoch eine robustere Schätzung für hohe und mittlere Gebäude.
Vorhersageleistung:
- München-Validierung: Die aus dem gemeinsamen Datensatz abgeleiteten Parameter performten am besten bei der Vorhersage unabhängiger Münchener Daten (Mittelwert AUC = 0,73, $R^2$ = 0,20) und übertrafen die rein auf München basierenden Parameter moderat (AUC = 0,72, $R^2$ = 0,14).
- Angers-Validierung: Parameter, die aus München abgeleitet wurden, performten schlecht bei der Anwendung auf Angers (AUC = 0,61, $R^2$ = 0,03), und der Konnektivitätsprädiktor war nicht signifikant.
- Joint-Validierung: Modelle mit gemeinsamen Parametern erreichten im Allgemeinen die höchsten AUC-Werte (0,77), was darauf hindeutet, dass größere, zusammengeführte Datensätze die Detektion statistischer Effekte erleichtern.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass zwar absolute Widerstandswerte kontextabhängig und nicht direkt zwischen Städten übertragbar sind, die relative Rangfolge von Barrieren (z. B. hohe Gebäude sind resistenter als Straßen) jedoch verallgemeinerbar ist. Die Studie liefert Belege dafür, dass das Zusammenführen von Daten aus mehreren Städten, um Widerstandswerte zu schätzen, die Vorhersageleistung von Konnektivitätsmodellen im Vergleich zur Single-City-Parametrisierung verbessert. Dieser Ansatz ermöglicht die Identifizierung allgemeiner Muster in der Interaktion von Arten mit urbanen Barrieren und verbessert die Robustheit von Modellen für unbekannte Datenpunkte.

Die Autoren kommen zu dem Schluss, dass die Bewegung der Amsel über verschiedene europäische Städte hinweg durch ähnliche Barrieren geprägt ist, die Magnitude des Widerstands jedoch variiert. Daher reicht ein Single-City-Datensatz für die Schätzung von Habitatansprüchen aus, während die Kombination von Datensätzen die Schätzung von Widerstandswerten und die Übertragbarkeit der Modelle verbessert. Die Studie positioniert sich als Blaupause für zukünftige Vergleichsstudien und stellt fest, dass weitere Forschung an mehr Arten und Städten erforderlich ist, um die Breite dieser Erkenntnisse zu etablieren.

Mehr davon