88 
Zwischenbericht StUKplus 
fi 
28.02.2012 
£ 
mm 
Diese konservative Einstellung führt zu einer Unterschätzung der Präsenz von Schweinswa 
len im Erfassungsbereich der Geräte. In einem Gebiet mit niedriger Schweinswaldichte 
könnte diese Unterschätzung den Nutzen einer CPOD-Untersuchung theoretisch verringern, 
da jede fälschliche Ablehnung von korrekt aufgenommenen Lautsequenzen relativ gesehen 
einen größeren Einfluss auf das Endergebnis hat, als in Gebieten mit hoher Schweinswal 
dichte. Allerdings führt eine konservative Mustererkennung auch dazu, dass Einflüsse durch 
andere Lautereignisse nur wenig Einfluss auf das Ergebnis haben. So können z.B. Daten 
aus Gebieten mit geringer Wassertiefe und dementsprechend einer höheren Aufzeichnung 
von Rauschereignissen, trotzdem mit Daten hoher Wassertiefen auf der gleichen Stufe, d.h. 
„high“ oder „high“+“moderate“ des Algorithmus verglichen werden, während die Stufen „low“ 
und „moderate“ durch unterschiedliches Hintergrundrauschen sehr stark beeinflusst sein 
könnten. 
Da es sich beim Untersuchungsgebiet im Vergleich zur Ostsee beispielsweise jedoch um ein 
Gebiet mit hohem Schweinswalvorkommen handelt und alle Datensätze mit den gleichen 
Einstellungen analysiert werden sollten, wurde die konservative Einstellung bei der Analyse 
beibehalten. Die quantitative Unterschätzung der Detektionshäufigkeit gewinnt erst bei der 
Abundanz- oder Dichteabschätzung an Bedeutung. Die entsprechenden Verfahrensweisen 
befinden sich aber noch in der Entwicklung. 
Statistische Auswertung 
Für die statistische Auswertung wurden die Daten als Detection Positive Minutes pro 10 min 
Intervall (dpm) und als Train Details (TD) exportiert. Aus den dpm wurden per Datenbankab 
frage aus MS Access und R-Script (R 2.8.1, R Development Core Team 2008) die 
Schweinswalpositiven Stunden (dph) und die Schweinswalpositiven 10 Minutenintervalle pro 
Tag (dp10min/d) und Stunde bestimmt. Die Tage des Jahres wurden als Julianische Tage (J 
Tag) durchnummeriert und einzelne Rammperioden durch ein Visual-Basic Programm zuge 
ordnet. 
Die dp10min/d wurden graphisch mit einer quasi-parameter- und verteilungsfreien Regressi 
onsanalyse (Verallgemeinertes Additives Modell GAM, Hastie and Tibshirani 1990, Wood 
2006, Keele 2008) dargestellt. Für jede Station wurde ein GAM berechnet um eine Trend 
analyse der Daten durchzuführen, wobei der Vergleich zwischen den Zeiteinheiten mit 
Rammung und solchen ohne Rammung im Vordergrund stand. Dabei war dp10min/d die 
abhängige Variable und Julianische Tage die unabhängige. Der modellierte Mittelwert der 
dp10min/d wird dann durch die prediction, d.h. die Vorhersage des Modells dargestellt. An 
hand der resultierenden Kurven und deren Konfidenzintervalle wird ersichtlich, in wie weit die 
Perioden, an denen gerammt wurde, signifikant geringere relative Häufigkeiten aufweisen 
als solche bei denen nicht gerammt wurde. In einer weiteren Modellierung wurden die 
dp10min/h in Abhängigkeit von der Stunde des Tages, Jahr, Monat und dem binären Faktor 
,Rammung' ebenfalls per GAM für jede Station einzeln modelliert. 
Um zu testen, wann die Registrierungsraten nach einer Rammung sich nicht mehr signifikant 
von unbeeinflussten Daten unterscheiden, wurde getestet, ob in einem GAM der Faktor 
"Stunde nach Rammung" signifikant wird und ab wann sich die Daten im Vergleich zum un 
gestörten diurnalen Tagesgang der Monate April, Mai und Juni 2010 nicht mehr signifikant 
unterscheiden. Hierfür wurden Vorhersagemodelle der Tagesrythmik für die einzelnen Mona 
te einer Station erstellt, um berücksichtigen zu können, dass Rammungen nicht immer zur 
selben Tageszeit stattfinden, d.h. dass eine Rückkehr der Tiere unterschiedlich je nach aus 
geprägter Diurnalität erfolgen kann. 
Alle Ergebnisse müssen zum jetzigen Zeitpunkt als vorläufig gelten, da die Datenerhebung 
mindestens noch ein weiteres Jahr durchgeführt werden muss, um die Resultate zu validie 
ren. Erschwerend für die Interpretation der Daten ist, dass die Nutzung des Gebietes durch