Species distribution models explaining human-wildlife conflicts in Taita Taveta County, Kenya
| Title: | Species distribution models explaining human-wildlife conflicts in Taita Taveta County, Kenya |
| Author(s): | Äärilä, Sakari |
| Contributor: | University of Helsinki, Faculty of Science, Department of Geosciences and Geography |
| Discipline: | Regional Studies |
| Language: | English |
| Acceptance year: | 2017 |
| Abstract: |
Human-wildlife conflict (HWC) is an incidence where wildlife's needs become incompatible with those of human populations, with costs both to humans and wild animals. As such, it is a global challenge that is seen impossible to eradicate. People affected most by HWC are the already vulnerable communities in the Global South. Loss of household member, crops or livestock can have dire impact on already stressed food security. Conflicts may result in antipathy towards the animals, which also complicates wildlife conservation. For these reasons, research on HWC is needed.
In this thesis, species distribution modelling (SDM) approaches are used to examine and predict HWCs in Taita Taveta County in Southern Kenya. Data for SDM was collected in February-September 2016 from compensation forms filed by victims of HWC and it consists of all the reported conflicts in 2014 and 2015. Temporal distribution of HWCs is also examined through analysis made with another dataset obtained from Kenya Wildlife Service including reported HWCs between 1990–2016. The study focuses on conflicts involving elephants, lions, leopards, hyenas and cheetahs.
Species distribution modelling combines ecological theory and mathematical methods basing their results on the relationship between species and environment. This study uses biomod2 package in R, which includes 10 state-of-the-art modelling techniques: Generalized linear models (GLM), Generalized Additive Models (GAM), Generalized Boosted Models (GAM), Random Forest (RF), MaxEnt, Multiple Adaptive Regression Splines (MARS), Artificial Neural Networks (ANN), Classification Tree Analysis (CTA), Flexible Discriminant Analysis (FDA), Surface Range Envelope (SRE). Model prediction accuracy was estimated with True Skill Statistic (TSS) and Area Under the Curve (AUC). Most of the models reached moderate to good accuracy. Only human-cheetah conflicts were left out of the final analysis due to poor prediction accuracy.
Explanatory variables used in the final models were: distance to protected area, annual average precipitation, NDVI, population density, distance to water point, distance to river, distance to house and distance to road. HWCs involving different species were seen to be driven by different factors. Overall, distance to protected area, annual average precipitation and population density were selected as the most important variables determining the distribution of conflicts. The models were seen to be accurate and realistic in most cases. However, the models' ability to be generalized in different areas is debatable and the models must be tuned for distinct regions separately.
Villieläinkonfliktit ovat tilanteita, joissa villien eläinten ja ihmisten tarpeet ovat ristiriidassa aiheuttaen seurauksia molemmille. Yleensä tämä tarkoittaa villieläimien tekemiä vahinkoja ihmiselle, sadolle tai karjalle. Ilmiö on globaali, eikä sitä pystytä kokonaan poistamaan. Ihmiset, joille on suurinta haittaa konflikteista, ovat usein Globaalin Etelän jo haavoittuvaisimpia yhteisöjä. Ruokaturvan vaarantumisen lisäksi konflikteista seuraa antipatiaa eläimiä kohtaan, joka luo haasteita niiden suojelulle. Näistä syistä ilmiötä on tärkeää tutkia.
Tässä tutkielmassa hyödynnetään lajien levinneisyysmallinnusta (species distribution modelling, SDM) ilmiön tutkimiseen ja ennustamiseen Taita Tavetan maakunnassa, Keniassa. SDM data on kerätty helmi-syyskuussa 2016 tutkimusalueella kirjatuista kompensaatiohakemuksista ja se sisältää vuosien 2014 ja 2015 aikana kirjatut konfliktit. Tutkimuksessa tarkastellaan myös konfliktien ajallista jakautumista. Ajallisessa tarkastelussa datana on käytetty alueella vuosina 1990-2016 raportoituja konflikteja. Tutkielma keskittyy konflikteihin, joissa on ollut mukana elefantteja, leijonia, hyeenoja, leopardeja ja gepardeja.
SDM yhdistää ekologista teoriaa ja matemaattisia metodeja perustaen tulokset lajien havaintoihin ja niiden ympäristöihin. Tässä tapauksessa, hyödyntäen eri algoritmeja pyritään ennustamaan ja tutkimaan konflikteja ja niiden levinneisyyttä perustuen ympäristö- ja ihmistekijöihin niiden tapahtumapaikoilla. Tutkimuksessa käytettiin R:n biomod2 pakettia, joka sisältää 10 eri mallinnusmenetelmää: Yleistetyt lineaariset mallit, Yleistetyt additiiviset mallit, Multivariate adaptive regression splines, Luokittelu- ja regressiopuut, Yleistetyt luokittelupuumenetelmät, Satumetsä, Joustavat erotteluanalyysit, Neuroverkkomenetelmät, Surface range envelope ja Suurin entropia. Mallien ennustusten tarkkuutta arvioitiin AUC ja TSS lukuarvoilla. Suurin osa malleista ylsi kohtalaisesta hyvään ennustekykyyn. Vain ihmis-gepardi konfliktit jätettiin pois jatkoanalyysista, koska ennusteet eivät yltäneet haluttuun tarkkuuteen.
Malleissa käytetyt selittävät muuttujat olivat: etäisyys suojelualueesta, vuosittainen sademäärä, normalisoitu kasvillisuusindeksi, asukastiheys, etäisyys vesipisteestä, etäisyys joesta, etäisyys asuintalosta ja etäisyys tiestä. Malleista huomattiin, että eri lajien konfliktien takaa, löytyy erilaiset selittävät tekijät. Yleisesti mallit valitsivat tärkeimmäksi konflikteihin vaikuttaviksi tekijöiksi etäisyyden suojelualueeseen, sademäärän, sekä asukastiheyden, mutta eri lajien välillä, näiden muuttujien vaikutuksen suunta vaihteli huomattavasti. Lopullisten mallien katsotaan olevan melko tarkkoja ja useimmissa tapauksissa myös realistisia. Mallien yleistäminen muille alueille on todennäköisesti haasteellista ja niitä on syytä muokata, mikäli halutaan mallintaa ilmiötä muualla.
|
Files in this item
| Files | Size | Format | View |
|---|---|---|---|
| aarila_sakari_progradu_2017.pdf | 4.028Mb |
This item appears in the following Collection(s)
-
Faculty of Science [4026]