Skip to main content

Comparing the predictive capability of forest songbird habitat models based on remotely sensed versus ground-based vegetation information

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

Habitat suitability models allow for predictive modeling of the supply of wildlife habitat through time under various forest harvesting scenarios. These models often rely on remotely sensed data in a forest resource inventory (FRI). However, the level of detail and (or) the accuracy of a FRI may be insufficient to accurately predict habitat suitability for forest birds. We tested if detailed vegetation measurements created habitat suitability models with better predictive power than models that used FRI data alone and if rough estimates of shrub cover were sufficient to supplement FRI data to create models with similar predictive power. For 28 species of forest birds, we found that less of the variation in abundance and (or) occurrence (% deviance explained) could be explained by models using FRI data alone (34%± 2%) than by models using detailed vegetation information (40%± 2%). However, when shrub density rank was included with FRI data, we found no difference in the deviance explained by the two model sets (39%± 2% vs. 40%± 2%). The best-fitting models containing the same vegetation parameters but using different methods of vegetation sampling were similar. These results suggest that coarse habitat classification schemes may be as effective in describing the major variance in bird community structure in the boreal forest as detailed vegetation inventory data.

Les modèles de qualité d’habitat permettent de simuler la variation de la disponibilité des habitats fauniques en fonction du temps selon différents scénarios de récolte ligneuse. Ces modèles reposent souvent sur des données d’inventaire des ressources forestières (IRF) obtenues par télédétection. Toutefois, le niveau de détail et (ou) la précision de ces données peuvent s’avérer insuffisants pour prédire la qualité de l’habitat de plusieurs oiseaux forestiers. Nous avons vérifié si des données de végétation plus détaillées que celles de l’IRF pouvaient améliorer le pouvoir prédictif des modèles de qualité d’habitat et si des estimations grossières du couvert arbustif étaient suffisantes pour compléter les données d’IRF. Dans une analyse portant sur 28 espèces d’oiseaux forestiers, nous avons trouvé qu’une moins grande partie de la variation de l’abondance ou de l’occurrence (% des écarts expliqués) était expliquée par les modèles utilisant seulement l’IRF (34 ± 2%) comparativement aux modèles utilisant des données détaillées de végétation (40 ± 2%). Toutefois, lorsqu’on ajoutait à l’IRF des données de rangs de densité d’arbustes, il n’y avait plus de différence dans les écarts expliqués par les deux types de modèles (39 ± 2% vs 40 ± 2%). Lorsqu’on considérait les modèles les mieux ajustés, basés sur les mêmes paramètres de végétation mais mesurés selon différentes méthodes, on obtenait des résultats semblables. Ces résultats indiquent que des approches de classification grossière de l’habitat peuvent être aussi efficaces que la collecte de données détaillées de végétation pour décrire la majeure partie de la variance dans la structure des communautés d’oiseaux de la forêt boréale.

Document Type: Research Article

Publication date: 2010-01-01

More about this publication?
  • Published since 1971, this monthly journal features articles, reviews, notes and commentaries on all aspects of forest science, including biometrics and mensuration, conservation, disturbance, ecology, economics, entomology, fire, genetics, management, operations, pathology, physiology, policy, remote sensing, social science, soil, silviculture, wildlife and wood science, contributed by internationally respected scientists. It also publishes special issues dedicated to a topic of current interest.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • Ingenta Connect is not responsible for the content or availability of external websites
  • Access Key
  • Free content
  • Partial Free content
  • New content
  • Open access content
  • Partial Open access content
  • Subscribed content
  • Partial Subscribed content
  • Free trial content
Cookie Policy
X
Cookie Policy
Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more