Habitat quality is crucial for wildlife management that impacts the conservation of sensitive landscapes such as wetlands. With advancements in GIS, habitat modelling now effectively predicts species occurrences and habitat suitability. This study aims to model and map habitat suitability for case bird species of Kentish plover in Tuzla Lagoon using multiple techniques. Kentish plover nesting data were collected from 293 nests, and reproductive success measures such as lay date, egg volume, and nest fate were analysed. Spatial habitat modelling techniques, including regression, co-kriging, artificial neural networks, and decision trees, were used with IKONOS imagery and ground data. The overall prediction accuracies were poor for lay date across all techniques, with the decision tree being the most accurate, while egg volume was best predicted by co-kriging, egg success by linear regression, and nest fate by both binomial logistic regression and ANN with 75% accuracy.
The Kentish pullover nesting dataset that used in this study is a part of the project that was funded by a Natural Environment Research Council grant to Alasdair Houston, ICC, and John McNamara (GR3/10957), by an Orszagos Tudomanyos Kutatsi Alap grant to T.S. (T031706), and by a grant from the Hungarian Ministry of Education to Z. Barta and T.S. (FKFP-0470/2000). I would like to thank Tamas Szekely from Department of Biology and Biochemistry, University of Bath as the project coordinator and his team for sharing the dataset and providing their expertise for this study.
Habitat kalitesi, sulak alanlar gibi hassas peyzajların korunmasını adına geliştirilecek yaban hayatı yönetim süreçleri için kritik öneme sahiptir. CBS'deki gelişmelerle birlikte, habitat modellemesi artık fauna varlığı ve habitat uygunluğunu etkili bir şekilde tahmin edebilecek seviyelere ulaşmıştır. Bu kapsamda bu çalışma ile Tuzla Lagünü'nde yaşayan Akça cılıbıt kuş türünün habitat uygunluğunu birden fazla teknik kullanarak modellemeyi ve haritalamayı amaçlanmıştır. Çalışma kapsamında 293 yuvadan toplanmış ve yumurtlama zamanı, yumurta hacmi ve yuva kaderi gibi üreme başarısı ölçütlerini içeren veri seti analiz edilmiştir. Çoklu doğrusal regresyon, co-kriging, yapay sinir ağları ve karar ağaçları dahil olmak üzere mekansal habitat modelleme teknikleri kullanılmıştır. Yöntem doğruluklarının karşılaştırılması sonucunda yumurtlama zamanı için tüm yöntemler düşük doğrulukta sonuçlar üretmiş olmakla beraber karar ağacı, yumurta hacmi için co-kriging, yumurta başarısı içinse doğrusal regresyon en yüksek doğruluğa ulaşmıştır. Yuva kaderi için ise hem ikili lojistik regresyon hem de yapay sinir ağları yöntemleri %75 doğrulukla en iyi tahmine ulaşmıştır.
Primary Language | English |
---|---|
Subjects | Landscape Planning |
Journal Section | Articles |
Authors | |
Publication Date | August 26, 2024 |
Submission Date | May 20, 2024 |
Acceptance Date | July 23, 2024 |
Published in Issue | Year 2024 Volume: 7 Issue: 1 |