Jackson, Sean G., Alexandra J. Burrows, Glenn Johnson, Eric M. McCluskey & Tom A. Langen (2026): Predicting Road Encounter Hotspots for Infrequently Detected Species Using Opportunistic Data: A Case Study With Blanding's Turtle (Emydoidea blandingii). – Ecology and Evolution 16(3): e73265.
Die Vorhersage von Hotspots für Straßenunfälle bei selten beobachteten Arten unter Verwendung opportunistischer Daten: Eine Fallstudie zur Blanding-Schildkröte (Emydoidea blandingii).
DOI: 10.1002/ece3.73265 (externer Link)
Emydoidea blandingii,
© James Harding
Damit Maßnahmen zur Verringerung von Verkehrsopfern und zur Erhaltung der Landschaftskontinuität wirksam sind, müssen sie dort angesiedelt werden, wo Tiere am ehesten auf Straßen treffen. Die genaue Identifizierung von Hotspots für Straßenkontakte ist jedoch schwierig, wenn Nachweise über das Vorkommen spärlich sind und willkürlich erhoben werden, was bei kleinen, seltenen Arten oft der Fall ist. Blandings-Schildkröte (Emydoidea blandingii) ist eine bedrohte Art, bei der die Sterblichkeit im Straßenverkehr zum Rückgang der Populationen beiträgt. Anhand von zufälligen Sichtungen dieser Art entlang von Straßen untersuchten wir, ob es möglich ist, mit solchen Daten Hotspots für Straßenkontakte in einem ausgedehnten Straßennetz vorherzusagen. Zunächst nutzten wir allgemeine lineare Modellierung (GLM), um Landschaftsmerkmale abzuleiten, die mit den Aufzeichnungen über Straßenkontakte der Schildkröten assoziiert sind. Nach der Lokalisierung räumlicher Cluster von Begegnungen wurde GLM verwendet, um Landschaftsmerkmale zu identifizieren, die mit diesen Hotspots assoziiert sind. Anschließend wurden die Wege der Schildkröten mit dem geringsten Bewegungsaufwand innerhalb der Landschaft abgegrenzt und Stellen lokalisiert, an denen diese Wege Straßen kreuzten. Die Standorte der Blandings-Schildkröte standen in positiver Beziehung zur Nähe und Ausdehnung von Feuchtgebieten und in negativer Beziehung zu Grasland und bebauter Fläche. Hotspots befanden sich entlang der vorhergesagten Wege der Schildkröten mit dem geringsten Bewegungsaufwand, was darauf hindeutet, dass Verhaltens- und Bewegungsmodelle für die Vorhersage von Begegnungsorten nützlich sind. Ein erheblicher Anteil der Aufzeichnungen über Begegnungen an Straßen stammte von einer kleinen Anzahl von Hotspot-Standorten, die entlang der vorhergesagten Bewegungswege lagen. Wir kommen zu dem Schluss, dass es möglich ist, Vorhersagemodelle für Hotspots von Begegnungen an Straßen zu erstellen, selbst wenn die Daten spärlich sind, opportunistisch erhoben wurden und räumlichen Verzerrungen bei der Meldung über ein Straßennetz hinweg unterliegen. Diese Modelle können im gesamten Straßennetz angewendet werden, um Straßenabschnitte zu identifizieren, die gute Kandidaten für wirksame Maßnahmen zur Verringerung der Straßengefahren sind.
Kommentar von H.-J. Bidmon
Ob und inwieweit solche Modelle wirklich den bisherigen Methoden zur Identifizierung solcher Lokalitäten überlegen sind, bleibt wohl abzuwarten. Zumal sie wahrscheinlich auch dynamisch angepasst werden müssten, da sie auch Veränderungen unterliegen. Siehe dazu auch Auge et al. (2023) und Iosif et al. (2013).
Literatur
Auge, A.-C., G. Blouin-Demers, C. T. Hasler & D. Murray (2023): Demographic evidence that development is not compatible with sustainability in semi‐urban freshwater turtles. – Animal Conservation 27(2): 253-266 oder Abstract-Archiv.
Iosif, R., L. Rozylowicz & V. D. Popescu (2013): Modeling road mortality hotspots of Eastern Hermann’s tortoise in Romania. – Amphibia-Reptilia 34(2): 163-172 oder Abstract-Archiv.
Galerien
Emydoidea blandingii – Amerikanische Sumpfschildkröte