Teil C - Anhang zur Untersuchung der Schutzgüter
67
Als Parameter sollten DPM (Detektionspositive Minuten) und DP10M (Detektionspositive
10-Minutenintervalle) gewählt werden. Die Genauigkeit kann variiert werden, um die Schweinswalaktivität
vor, während und nach Rammereignissen zu beschreiben. Erfahrungsgemäß ist
hierfür eine Auflösung nach Stunden (z. B. DPM Ir 1 ) hilfreich. Der Parameter DP10M d' 1 , der
ein gutes Maß für phänologische Beschreibungen ist, ist zum Erfassen des Einflusses der
Rammaktivitäten auf die Schweinswale zu ungenau.
Eine weitere zu berechnende Größe ist die ,Waiting Time 1 definiert als Zeitintervall (Minuten)
zwischen zwei Schweinswalregistrierungen. Aufgrund der zeitlich möglichen Autokorrelation
zwischen zwei Detektionen müssen mindestens 10 Minuten ohne Detektion erfolgen. Solche
zusammenhängenden schweinswalpositiven 10 Minuten werden als „Encounter“ bezeichnet
und Lücken darin als „Waiting Time“. Damit ist der definierte Minimalwert der ,Waiting Time 1
10 Minuten (Definition in Carstensen et al. 2006 und Tougaard et al. 2009).
Zur Integration der Rammaktivitäten in die statistische Modellbildung sollten die Rammdaten
pro Pfahl als maschinenlesbare ASCII-Datei aus der Messsensorik der Ramme vorliegen.
Diese Dateien müssen eine eindeutige Bezeichnung des Pfahls und das Datum enthalten und
einzelschlaggenau Uhrzeit (Angabe Zeitsystem) und Schlagenergie [kJ] aufschlüsseln. Sind
die Rammdaten nicht in dieser Auflösung verfügbar, so sollte zumindest die gesamte Schlagenergie,
totale Anzahl an Schlägen, sowie Beginn und Ende (mindestens auf 10 Minuten genau)
des Rammereignisses in die Auswertung einbezogen werden. Zur Einbindung des an der
Messstelle des C-PODs gemessenen Hydroschalls in statistische Modelle sollte pro Pfahl und
Messstelle der Median (50 % Perzentil) des Einzelereignispegels (SEL 50 ) als Maß für die Lautstärke
[dB re 1 pPa 2 s] für die hauptsächlich genutzte Schlagenergie vorliegen.
Einfluss von Rammarbeiten auf Schweinswalaktivität und Rückkehrzeiten Schweinswalaktivität
Zur Analyse des Einflusses der Rammarbeiten auf die Schweinswalaktivität sollen aufgrund
der Beschaffenheit der Daten (i. d. R. nicht normal verteilte Daten, Overdispersion, Varianzheterogenität,
temporäre und räumliche Autokorrelation) Generalisierte Additive Modelle (GAM,
Wood 2006) oder Generalisierte Lineare Modelle (McCullagh & Neider 1989) herangezogen
werden. Diese lassen sich ggf. durch Einbindung von Zufallsfaktoren zu Generalisierten Additiven
Gemischten Modellen (GAMM, Lin & Zhang 1999) oder Generalisierten Linearen Gemischten
Mo-dellen (GLMM) erweitern. Bei diesen Verfahren ist a-priori nicht bekannt, über
welche funktionale Form eine oder mehrere erklärende Variablen auf die abhängige Variable
wirken. Dazu erlaubt ein GAM ergänzend zu den parametrischen Formen Generalisierter Linearer
Modelle (GLM) die Verwendung nichtlinearer sogenannter smoothing terms, um den Zusammenhang
zwischen abhängiger (response) und erklärender (predictor) Variable
zu charakterisieren. Sämtliche Parameter werden hierbei, wie auch bei den herkömmlichen
linearen Modellen, rein additiv eingebunden.
Die Analysen lassen sich skriptbasiert in der Software R (aktuelle Version 2.15.2, R Development
Core Team 2012) durchführen, in der mehrere verschiedene GAM- und GLM-packages
zur Verfügung stehen. Da es keine exakt abgegrenzte Definition gibt, was genau ein GAM ist,
können diese Modelle sehr variabel sein. Die dadurch entstehende Vielfalt der Modelle spiegelt
sich in den verschiedenen Implementierungen wieder: „mgcv“ (aktuelle Version 1.7-22,
Wood 2006) und „gam“ (aktuelle Version 1.06.2, Hastie &Tibshirani 1990). Weiterhin kommen
„VGAM“ (aktuelle Version 0.9-0, Yee 2012) und „gamlss“ (aktuelle Version 4.2-0, Rigby & Stasinopoulos
2005) zum Einsatz. Für GLM sind die Packete „Ime4“ (Bates et al. 2012), „nlme“
(Pinheiro et al. 2012) und „MCMCglm“ (Hadfield 2010) u. a. wichtig.