Modelling bird species richness with neural networks for forest landscape management in NE Spain

Abstract

Para preservar la biodiversidad de los ecosistemas forestales de la Europa mediterránea en escenarios actuales y futuros de cambio global mediante una gestión forestal sostenible es necesario determinar cómo influye el medio ambiente y las propias características de los bosques sobre la biodiversidad que éstos albergan. Con este propósito, se analizó la influencia de diferentes factores ambientales y de estructura y composición del bosque sobre la riqueza de aves forestales a escala 1 × 1 km en Cataluña (NE de España). Se construyeron modelos univariantes y multivariantes de redes neuronales para respectivamente explorar la respuesta individual a las variables y obtener un modelo parsimonioso (ecológicamente interpretable) y preciso. La superficie de bosque (con una fracción de cabida cubierta superior a 5%), la fracción de cabida cubierta media, la temperatura anual y la precipitación estival medias fueron los mejores predictores de la riqueza de aves forestales. La red neuronal multivariante obtenida tuvo una buena capacidad de generalización salvo en las localidades con una mayor riqueza. Además, los bosques con diferentes grados de apertura del dosel arbóreo, más maduros y más diversos en cuanto a su composición de especies arbóreas se asociaron de forma positiva con una mayor riqueza de aves forestales. Finalmente, se proporcionan directrices de gestión para la planificación forestal que permitan promover la diversidad ornítica en esta región de la Europa mediterránea.

For preserving biodiversity of European-Mediterranean forest ecosystems in current and future scenarios of global change by means of sustainable forest management it is necessary to determine how environment and forest characteristics correlate with biodiversity. For this purpose, neural networks were used to model forest bird species richness as a function of environment and forest structure and composition at the 1 x 1 km scale in Catalonia (NE Spain). Univariate and multivariate models respectively allowed exploring individual variable response and obtaining a parsimonious (ecologically meaningful) and accurate neural network. Forest area (with a canopy cover above 5%), mean forest canopy cover, mean annual temperature and summer precipitation were the best predictors of forest bird species richness. The resultant multivariate network had a good generalization capacity that failed however in the locations with highest species richness. Additionally, those forests with different degrees of canopy closure that were more mature and presented a more diverse tree species composition were also associated with higher bird species richness. This allowed us to provide management guidelines for forest planning in order to promote avian diversity in this European-Mediterranean region.