Get access

Predicting Bird Species Distributions in Reconstructed Landscapes

Authors

  • JAMES R. THOMSON,

    1. Australian Centre for Biodiversity: Analysis, Policy and Management, School of Biological Sciences, Monash University, Victoria, 3800 Australia
    Search for more papers by this author
  • RALPH Mac NALLY,

    Corresponding author
    1. Australian Centre for Biodiversity: Analysis, Policy and Management, School of Biological Sciences, Monash University, Victoria, 3800 Australia
    Search for more papers by this author
  • ERICA FLEISHMAN,

    Corresponding author
    1. Department of Biological Sciences, Stanford University, Stanford, CA 94305-5020, U.S.A.
    Search for more papers by this author
  • GREG HORROCKS

    1. Australian Centre for Biodiversity: Analysis, Policy and Management, School of Biological Sciences, Monash University, Victoria, 3800 Australia
    Search for more papers by this author

Current address: National Center for Ecological Analysis and Synthesis, 735 State Street, Suite 300, Santa Barbara, CA 93101, U.S.A., email fleishman@nceas.ucsb.edu

Address correspondence to Ralph Mac Nally, email ralph.macnally@sci.monash.edu.au

Abstract

Abstract: Landscape optimization for biodiversity requires prediction of species distributions under alternative revegetation scenarios. We used Bayesian model averaging with logistic regression to predict probabilities of occurrence for 61 species of birds within highly fragmented box–ironbark forests of central Victoria, Australia. We used topographic, edaphic, and climatic variables as predictors so that the models could be applied to areas where vegetation has been cleared but may be replanted. Models were evaluated with newly acquired, independent data collected in large blocks of remnant native vegetation. Successful predictions were obtained for 18 of 45 woodland species (40%). Model averaging produced more accurate predictions than “single best” models. Models were most successful for smaller-bodied species that probably depend on particular vegetation types. Predictions for larger, generalist species, and seasonal migrants were less successful, partly because of changes in species distributions between model building (1995–1997) and validation (2004–2005) surveys. We used validated models to project occurrence probabilities for individual species across a 12,000-km2 region, assuming native vegetation was present. These predictions are intended to be used as inputs, along with landscape context and temporal dynamics, into optimization algorithms to prioritize revegetation. Longer-term data sets to accommodate temporal dynamics are needed to improve the predictive accuracy of models.

Abstract

Resumen: La optimización del paisaje para la biodiversidad requiere la predicción de la distribución de especies bajo escenarios alternativos de recuperación de la vegetación. Utilizamos el promedio de modelos Bayesianos con regresión logística para predecir las probabilidades de ocurrencia de 61 especies de aves en bosques sumamente fragmentados en el centro de Victoria, Australia Utilizamos variables topográficas, edáficas y climáticas como predictores para que los modelos se pudieran aplicar a áreas donde la vegetación ha sido quitada pero que pudiera ser replantada. Los modelos fueron evaluados con datos independientes, obtenidos recientemente en bloques extensos de remanentes de vegetación nativa. Se obtuvieron predicciones exitosas para 18 de 45 especies (40%). El promedio de modelos produjo predicciones más precisas que los modelos “individuales mejores”. Los modelos fueron más exitosos para especies de menor tamaño que probablemente dependen de tipos de vegetación particulares. Las predicciones para especies generalistas y migratorias, más grandes, fueron menos exitosas, en parte debido a cambios en la distribución de especies entre muestreos y para la construcción del modelo (1995–1997) y para su validación (2004–2005). Utilizamos modelos validados para proyectar las probabilidades de ocurrencia para especies individuales en una región de 12,000-km2, asumiendo la presencia de vegetación nativa. Se pretende que estas predicciones sean utilizadas como insumos, además del contexto y la dinámica temporal del paisaje, para algoritmos de optimización para priorizar la recuperación de la vegetación. Se requieren conjuntos de datos de largo plazo para acomodar la dinámica temporal y mejorar la precisión de las predicciones de los modelos.

Ancillary