Ich habe ein einheitliches Shapefile mit allen bekannten Kartierungen erstellt und dabei zwei Analysen durchgeführt. Als abhängige Variable habe ich – wie im Kolloquium gezeigt – den Vegetationstyp gewählt. Dieser ist ja an sich nominal  skaliert, Voraussetzung für die lineare Regression ist jedoch eine metrische Variable. Daher wurde der Vegetationstyp nach einer quasi-ordinalen Reihung klassifiziert:

Code	Name
0	Kategorie unklar
0	Vegetation verbrannt
1	Fels/Schutt
2	leichte Grasbedeckung/weitgehend kahl
3	Rasen lückig
4	Rasen dicht
5	Krummholz aufgelichtet
6	Jungwuchs
7	Krummholz dicht
8	Wald aufgelichtet
9	Wald dicht

 

Meine unabhängigen Variablen sind bekanntlich Alter der Brandfläche, Höhenlage, Neigung, Exposition, Wetness Index und Geologie. Ich habe in ArcGIS zwei Varianten probiert:

·         Die DGM-Infos (Höhe, Neigung, Exposition, Wetness Index) wurden in Zellmittelpunkte konvertiert, anschließend wurden diese Mittelpunkte mit überlappendem Vegetationstyp verschnitten (d.h. der jeweilige Punkt besitz nur die Attribute des mit dem Mittelpunkt lagegleichen Vegetationstyps)

Abbildung 1: Beispiel Zellmittelpunkte

 

·         Die DGM-Infos wurden als Polygone (10x10m) beibehalten und mit den mit überlappenden Vegetationstypen verschnitten (d.h. jedem Vegetationstyp werden die Attribute der überlappenden Zelle angefügt; kleine Artefakte treten dabei allerdings auf)

·         Ich habe ein einheitliches Shapefile mit allen bekannten Kartierungen erstellt und dabei zwei Analysen durchgeführt. Als abhängige Variable habe ich – wie im Kolloquium gezeigt – den Vegetationstyp gewählt. Dieser ist ja an sich nominal  skaliert, Voraussetzung für die lineare Regression ist jedoch eine metrische Variable. Daher wurde der Vegetationstyp nach einer quasi-ordinalen Reihung klassifiziert:

 

Abbildung 2: Beispiel Raster

Die beiden Ansätze unterscheiden sich hauptsächlich dadurch, dass der erste Ansatz eine Art Stichprobe ist, während der zweite Ansatz hingegen alle in der 10x10m Zelle vorkommenden Vegetationstypen berücksichtigt.

Mit beiden Datensätzen habe ich eine lineare Regression berechnet (OLS-Verfahren) und dabei folgende Modellergebnisse erhalten:

Abbildung 3: Ergebnis der OLS-lineare Regression mit Punktdaten

Abbildung 4: Abbildung 1: Ergebnis der OLS-lineare Regression mit Polygondaten

Geologie	Abkürzung Geologie
Alpiner Muschelkalk	AMK
Hangschutt	HS
Hauptdolomit	HD
Reichenhaller Schichten	RHS
Wettersteinkalk	WSK
Hangbrekzie, Gehängebrekzie	B
Moräne	M
Raibl Gruppe ungegeliedert	RG

 

Ohne jetzt viel auf das genaue Ergebnis einzugehen, ist es so dass beide Modellergebnisse ein sehr geringes R² (0,16 bzw. 0,13) aufweisen, das Modell also sehr wenig erklärt. Die Ursachen dafür können vielseitig sein, primär kann davon ausgegangen werden, dass die Zusammenhänge eben nicht linear sind oder ich die falschen bzw. zu wenig unabhängige Variablen berücksichtige, dass Multikollinearität auftritt (VIF-Wert, z.B. sehr stark bei der Exposition). Tendenzen lassen sich dennoch erkennen, so z.B. auch die zu erwartenden Zusammenhänge zwischen höherem Vegetationstyp bei geringerer Neigung/Höhe… Ein anderer Grund kann aber auch sein, dass die abhängige Variable ursprünglich keine metrische Variable ist und die Codierung wirklich nur eine Hilfskonstruktion ist. Alternativ dazu kann man eine logistische Regression rechnen, da diese mit kategorialen Daten verwendet werden kann. Die Umsetzung ist in ArcGIS jedoch nicht direkt möglich und muss über das Statistikprogramm R eingebunden werden, daran arbeite ich momentan noch. Ebenso muss ich noch genauer recherchieren, wie die Dummy Variablen Exposition und Geologie zu interpretieren sind.

Lange Erklärung, kurzer Sinn: Ich stehe im Moment an und weiß nicht, wie die Analyse besser durchgeführt werden kann (mit Ausnahme der logistischen Regression). Das Ergebnis selbst ist nicht wirklich zufrieden stellend und ich wollte euch nun fragen, was eurer Meinung nach der nächste Schritt wäre.

Swop your Documents