Wir können noch keine abschließenden Aussagen zu allen schätzungsweise über 200 Unteren Naturschutzbehörden (UNBn) in Deutschland treffen, mit denen wir potenziell zusammenarbeiten könnten. Bisher haben wir jedoch positive Erfahrungen gemacht. Auch UNBn kämpfen oft mit knappen Ressourcen und sind daher offen für neue, verlässliche Ansätze, um diesen Engpass zu überwinden.

Wir gehen zudem proaktiv auf UNBn zu, um in gemeinsamen Projekten zusammenzuarbeiten. Auch hier stoßen wir auf Interesse und erhalten positive Rückmeldungen.

Eine Menge:

• Schnelle, belastbare, transparente und kosteneffiziente Ergebnisse.
• Die Möglichkeit, Flächen niederschwellig auf ihre ökologische Bedeutung zu prüfen.
• Ergebnisse, die den räumlichen Kontext der Projektfläche mit berücksichtigen.
• Eine Grundlage für proaktive Kommunikation mit Naturschutzbehörden.
• Eine Grundlage für die Kommunikation mit Stakeholdern, wie z.B. Naturschutzverbänden.

Modelle bilden immer nur einen Teil der Wirklichkeit ab, weshalb Modellrechnungen immer ein Stück weit unvollständig sind. Die Herausforderung besteht darin, gut genug zu sein. Warum glauben wir also, gut genug zu sein?

Dafür haben wir mehrere Gründe, die in den Methoden der Wissenschaft, unserem Ansatz und in unserem Team liegen:

• Wir greifen auf wissenschaftlich etablierte Modelle und Methoden zurück. Der Wissenschaft ist es immanent, die im gegebenen Kontext besten Methoden und Modelle hervorzubringen.
• Wir nutzen Modelle, die sich im Kontext unserer Fragestellungen als erfolgreich erwiesen haben.
• Weil wir wissen, dass Modelle die Wirklichkeit unvollständig abbilden, arbeiten wir mit Experten zusammen, die die Arten und deren Ökologie, mit denen wir uns beschäftigen, kennen und unsere Ergebnisse unabhängig bewerten.
• Alle Mitglieder unseres Entwicklungsteams haben in Ökologie oder theoretischer Ökologie promoviert. Wir wissen, was wir tun, wenn wir mit Modellen arbeiten.

Für Umweltvariablen greifen wir auf verlässliche Quellen wie Copernicus zurück. Herausfordernder ist die Qualitätssicherung bei Beobachtungsdaten, da wir hier mit Fehlbestimmungen und Ungenauigkeiten zu tun haben. Um diesen zu begegnen, setzen wir verschiedene Verfahren und Mechanismen zur Identifikation und Filterung fehlerhafter Daten ein. Beispielsweise beschränken wir uns auf Quellen mit hoher erwarteter Qualität, prüfen die Daten selbst auf offensichtliche Ungenauigkeiten oder Fehler und nutzen anschließend statistische Analysen, um sehr wahrscheinlich fehlerhafte Daten auszusortieren.

Trotzdem ist es bei großen Datenmengen möglich, dass einzelne fehlerhafte Daten in die Modellierung einfließen. Diese haben jedoch in der Regel keinen signifikanten Einfluss auf die Ergebnisse, da unsere Modellergebnisse am Ende durch Experten modelltechnisch und artökologisch validiert werden. Sollte es dennoch vorkommen, dass fehlerhafte Daten das Ergebnis unbrauchbar machen, wird dies spätestens bei der Expertenvalidierung auffallen, und wir müssten den Fehler suchen und korrigieren.

Wir arbeiten mit artökologischen Experten zusammen, die uns beraten. Dabei müssen wir nicht unbedingt wissen, welche Faktoren entscheidend sind und welche nicht. Wichtig ist nur, dass in den verwendeten Umweltdaten keine relevanten Informationen fehlen. Es ist unproblematisch, Daten einzubeziehen, die für die Art nicht entscheidend sind, da unser Modellansatz dafür sorgt, dass irrelevante Daten nicht in die Modellierung einfließen.

Unsere Datenbasis wird kontinuierlich erweitert, sodass wir bereits jetzt ein breites Spektrum relevanter Daten abdecken. Für viele Arten reicht das bereits aus. Sollten wir eine Art modellieren müssen, für die unsere Datenbasis nicht ausreicht, beschaffen wir die fehlenden Daten oder finden andere valide Wege, um sie zu kompensieren. Sollte dies nicht möglich sein, verzichten wir lieber auf eine Modellierung, als eine unzureichende durchzuführen.

Das ist ein etablierter und anerkannter Weg – und das sicherlich zurecht. Gleichzeitig bringt die Kartierung jedoch einige Nachteile und potenzielle Risiken mit sich:

• Kartierung ist zeitaufwändig und saisonabhängig.
• Sie liefert oft nur eine Momentaufnahme der gegebenen Fläche.
• Die Qualität der Kartierung hängt von den individuellen Kenntnissen und Fähigkeiten der kartierenden Person ab.
• Die Kartierung gibt nur Auskunft über die untersuchte Fläche und kaum über den näheren und weiteren räumlichen Kontext.

Wie wäre es also, wenn Sie einen Versuch mit uns starten und bei Zweifeln die Fläche gezielt kartieren? Wir können Ihnen sicher ein gutes Angebot unterbreiten.

In Ordnung. Beachten Sie jedoch, dass es nicht ausreicht, z.B. Maxent von der Website des American Museum of Natural History herunterzuladen oder das MaxEnt-Plugin in ArcGIS zu installieren oder das entsprechende R-Package zu nutzen. Es gibt zahlreiche Aspekte, die sichergestellt und verstanden werden müssen, damit Ihre Ergebnisse belastbar sind. Einige Beispiele:

• Qualitätssicherung beginnt bei den Eingangsdaten für die Umweltvariablen. Sie müssen alle relevanten Daten beschaffen, deren Qualität sicherstellen, ihre Verteilung berücksichtigen, sie integrieren, ihre Korrelation überwachen und nicht korrelierte Daten ableiten.
• Sie müssen die Daten geeignet zuschneiden (und wissen, was „geeignet“ bedeutet).
• Bei Beobachtungsdaten müssen Sie auf Autokorrelationen achten und deren Qualität sicherstellen.
• Es ist entscheidend, dass Sie genau wissen, welche Frage Sie eigentlich beantworten wollen, und den Modellansatz entsprechend wählen (es ist nicht immer MaxEnt die beste Wahl, auch wenn man damit weit kommen kann).
• Haben Sie ein passendes Modell, müssen Sie es korrekt parametrisieren (alles auf „default“ zu belassen, reicht nicht aus).
• Modellergebnisse müssen interpretiert und ggf. verworfen werden und schließlich sinnvoll modelltechnisch und artökologisch eingeordnet werden.

All dies muss nicht nur für jede Art, sondern ggf. auch für verschiedene Saisons berücksichtigt werden. Wenn Sie das alles in einer für Sie passenden Zeit bewältigen: Fair enough.