Dr. Damaris Zurell

Dr. Zurell erforscht, wie Arten und Artengemeinschaften auf globale Veränderungen wie Klimawandel und Landnutzungswandel reagieren — mit Fokus auf die Wechselwirkungen zwischen Populationsdynamik, Ausbreitungsverhalten und ökologischen Wechselbeziehungen. Sie entwickelt quantitative Modelle, um vorherzusagen, wie sich Biodiversität unter verschiedenen Szenarien verändern wird. Diese Modelle unterstützen Behörden, Naturschutzorganisationen und Landnutzer dabei, evidenzbasierte Schutz- und Anpassungsmaßnahmen zu planen — etwa bei der Ausweisung von Schutzgebieten, der Renaturierung oder der Anpassung von Landwirtschaft an verändernde Bedingungen. Die Arbeiten sind relevant für Naturschutzplanung, Forstwirtschaft, Agrarsektor und Umweltbehörden.

🔒 Das System hat 312 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• NW/1: Zusammenwirken von Demographie, Dispersion und biotischen Interaktionen auf Dynamiken von Arten und Artengemeinschaften unter globalem Wandel

  Quelle ↗

  Eine der größten Herausforderungen des 21. Jahrhunderts ist die Minderung des derzeitig rasanten Biodiversitätsverlustes. Um adäquate politische und planerische Maßnahmen zum Schutz der Biodiversität zu entwickeln und zu testen, werden quantitative Biodiversitätsmodelle benötigt, welche Aussagen erlauben über potentielle Reaktionen einzelner Arten und ganzer Artengemeinschaften auf den globalen Umweltwandel. Neueste Entwicklungen zielen auf (i) die Integration von Demographie und Dispersion in Artverbreitungsmodelle, und (ii) die Integration von biotischen Interaktionen ab. Allerdings bleiben bisher etliche wichtige Aspekte unbeantwortet, zum Beispiel die nötige Detailschärfe der abgebildeten Prozesse sowie deren Skalenabhängigkeit und deren räumliche und zeitliche Variabilität. Dieses Projekt widmet sich den ausstehenden Fragen und entwickelt ein Modellsystem, um das komplexe Zusammenwirken von Demographie, Dispersion und biotischen Interaktionen auf die Nische quantitativ zu entflechten und deren Effekte für die Zukunft vorhersagen zu können. Das Modellsystem und dessen einzelne Komponenten werden sowohl an simulierten als auch empirischen Daten validiert, und für Vogelgemeinschaften operationalisiert, indem verschiedenste Datenquellen mithilfe Bayescher Statistik synthetisiert werden. Die fünf Hauptziele des Projektes sind (1) die Effekte von Lebenszyklus und Umwelt auf Dispersion, (2) die Effekte von Lebenszyklus und Demographie auf die Nische, (3) und die Effekte biotischer Interaktionen auf die Nische besser zu verstehen sowie (4) dynamische Verbreitungsmodelle für multiple Arten zu entwickeln und zu operationalisieren, und (5) verbesserte Biodiversitätsszenarien für die Europäische Avifauna zu entwickeln. Das Projekt wird die wissenschaftlichen Grundlagen für modellgestützte Biodiversitätsanalysen verbessern und die Zuverlässigkeit der Vorhersagen erhöhen sowie praktische Anforderungen und Richtlinien für die Anwendung von Biodiversitätsmodellen definieren.

• Collinearity: a review of methods to deal with it and a simulation study evaluating their performance

  2012

  Ecography · DOI

  Collinearity refers to the non independence of predictor variables, usually in a regression‐type analysis. It is a common feature of any descriptive ecological data set and can be a problem for parameter estimation because it inflates the variance of regression parameters and hence potentially leads to the wrong identification of relevant predictors in a statistical model. Collinearity is a severe problem when a model is trained on data from one region or time, and predicted to another with a different or unknown structure of collinearity. To demonstrate the reach of the problem of collinearity in ecology, we show how relationships among predictors differ between biomes, change over spatial scales and through time. Across disciplines, different approaches to addressing collinearity problems have been developed, ranging from clustering of predictors, threshold‐based pre‐selection, through latent variable methods, to shrinkage and regularisation. Using simulated data with five predictor‐response relationships of increasing complexity and eight levels of collinearity we compared ways to address collinearity with standard multiple regression and machine‐learning approaches. We assessed the performance of each approach by testing its impact on prediction to new data. In the extreme, we tested whether the methods were able to identify the true underlying relationship in a training dataset with strong collinearity by evaluating its performance on a test dataset without any collinearity. We found that methods specifically designed for collinearity, such as latent variable methods and tree based models, did not outperform the traditional GLM and threshold‐based pre‐selection. Our results highlight the value of GLM in combination with penalised methods (particularly ridge) and threshold‐based pre‐selection when omitted variables are considered in the final interpretation. However, all approaches tested yielded degraded predictions under change in collinearity structure and the ‘folk lore’‐thresholds of correlation coefficients between predictor variables of |r| >0.7 was an appropriate indicator for when collinearity begins to severely distort model estimation and subsequent prediction. The use of ecological understanding of the system in pre‐analysis variable selection and the choice of the least sensitive statistical approaches reduce the problems of collinearity, but cannot ultimately solve them.