Vsa hribovja imajo značilno dinarsko slemenitev in so poraščena z gozdovi. Turn je z 1254 metri nadmorske višine najvišji vrh na proučevanem območju, dolinski deli območja pa se nahajajo na nadmorskih višinah med 450 in 600 metrov. Proučevano območje ima po Ogrinu (1996) zmernocelinsko podnebje zahodne in južne Slovenije, za katerega so značilne višje povprečne oktobrske temperature v primerjavi z aprilskimi.
Glede na indeks mediteranskosti padavin območje spada v submediteranski padavinski režim, povprečna letna količina padavin za referenčno obdobje 1981–2010 na meteorološki postaji Kočevje pa znaša 1449 mm padavin. Kot je normalno za kraje severne poloble, je poletje najtoplejši letni čas s povprečno temperaturo zraka 17 °C, zimska povprečna temperatura zraka pa znaša –0,7 °C (Nadbath, 2015).
Skupno je na območju 150 naselij, ki so večinoma razporejena v okolici dveh večjih mest v ravninskem delu (Občina Kočevje, 2021; Občina Ribnica, 2020). Glavna regionalna cesta poteka po sredini obeh polj, hribovja oziroma gozdnati deli območja pa so dodobra prepredeni z makadamskimi cestami.
3. METODOLOGIJA
Velika uharica je prilagodljiva vrsta, njen habitat pa je vendarle povezan z določenimi ekološkimi dejavniki ter značilnostmi reliefa. Ugotavljanje primernosti območij za gnezdenje in iskanje potencialnih gnezd je na podlagi smiselne izbire dejavnikov in omejitev ter ustreznih metod in dovolj kakovostnih prostorskih podatkov lahko uspešno. Geografski informacijski sistemi se že precejšnje število let uveljavljajo kot
23
izjemno uspešno orodje pri napovedovanju razširjenosti določene izbrane vrste (Sergio in sod., 2004a; Mathieu in sod., 2006).
Literatura navaja številne kriterije, ki lahko vplivajo na prisotnost velike uharice (preglednica 1, Sergio in sod., 2004a). Pri izdelavi modela pa je praktično nemogoče upoštevati povsem vse kriterije, ki jih navajajo viri. Nekateri dejavniki (dolžina obalne črte, oddaljenost do deponije ter ribogojnice, dolžina in višina kompleksa skalnih sten, izključno delež vodnih teles ali specifične vegetacije …) so lokacijsko specifični, saj se vrsta prilagodi glede na okolje, v katerem živi. Areal razširjenosti velike uharice je obsežen, zato se skupaj s habitati spreminjajo tudi kriteriji, ki vplivajo na izbiro lokacije gnezdišča. V Sloveniji je bilo do sedaj evidentiranih 146 gnezd velike uharice (podatkovna baza – DOPPS BirdLife Slovenia, 2021). Analiza mikrolokacije ter širše okolice gnezd v Sloveniji je tako nujna za izdelavo modela.
Iskanja novih potencialnih lokacij gnezdišč velike uharice smo se lotili na podlagi devetih kriterijev, ki smo jih določili s pomočjo ekspertnega mnenja (Mihelič, 2021, ustno), zbrane literature o habitatnih preferencah in karakteristika znanih gnezd (Papageorgiou, 1993; Martinez in sod., 2003; Ortego, Diaz, 2004; Sergio in sod., 2004;
Dalbeck, Heg, 2006; Ortego, 2007; Leon-Ortega in sod., 2017; Van Nieuland in sod., 2018:
Penteriani, del Mar Delgado, 2019) ter analize znanih gnezd v Sloveniji (podatkovna baza – DOPPS BirdLife Slovenia, 2021). Na podlagi tega smo se na koncu odločili za naslednje kriterije:
− naklon (kot omejitev);
− nadmorska višina;
− oddaljenost od lovnih površin;
− oddaljenost od stavb;
− oddaljenost od asfaltiranih cest;
− oddaljenost od makadamskih cest;
− delež gozda;
− ekspozicija pobočja;
− mozaičnost habitata.
Za iskanje primernih območij novih potencialnih lokacij gnezdišč velike uharice smo uporabili postopek večkriterijskega vrednotenja (angl. Multi-Criteria Evaluation – MCE), znotraj katerega smo uporabili metodo obtežene linearne kombinacije (angl. Weighted Linear Combination – WLC) (Eastman, 1999).
Večkriterijsko vrednotenje je postopek, s katerim nam smiselno ovrednotenje različnih kriterijev lahko poda željeni cilj. Kriterije, ki so ključna podlaga za odločanje, lahko izmerimo ter ovrednotimo. Gre torej za dejavnike in omejitve, na podlagi katerih določimo območja primernosti za izbrano tematiko, kar je tudi končni rezultat.
Odločanje lahko poteka po dveh metodah. Prva je Boolovo prekrivanje slojev, pri kateri se vsaki celici pripiše vrednost 0 ali 1 oziroma DA ali NE. Primerno območje je tako tisto, kjer je pri vseh uporabljenih kriterijih vrednost 1. Druga metoda pa je obtežena linearna kombinacija (Eastman, 1999).
Obtežena linearna kombinacija je ena izmed najbolj razširjenih GIS-ovskih metod. Glavni razlog za njeno uporabo v tolikšnem obsegu je njena enostavna implementacija, kjer je ključna smiselna izbira dejavnikov, standardizacija na primerljivo mersko lestvico ter
24
obtežitev dejavnikov (Malczewski, 2000). Za razliko od metode Boolovega prekrivanja slojev imajo dejavniki pri obteženi linearni kombinaciji več kot le dve skrajni vrednosti.
Podatkovne sloje po standardizaciji obtežimo in seštejemo, rezultat pa je tako podan tudi z vmesnimi vrednostmi od vključno »popolnoma neprimerno« do vključno
»popolnoma primerno«. Dopolnjevanje obeh opisanih metod je vsekakor dovoljenoin se pogosto dopolnjujeta, pri čemer Boolovo prekrivanje služi kot omejitveni dejavnik.
Izjemnega pomena je določanje uteži, ki morajo biti določene po strokovni presoji, lahko pa tudi s pomočjo kvantitativnih metod (Eastman, 2003).
Rezultat obtežene linearne kombinacije je rastrski podatkovni sloj proučevane tematike, ki predstavlja skupek izbranih dejavnikov in njihovih uteži. Vrednosti celic so izračunane po formuli:
𝑆 = ∑𝑤𝑖 𝑥𝑖 · ∏𝑐𝑗
pri čemer je S – primernost, Wi – utež dejavnika, Xi – vrednost dejavnika in ∏Cj – zmnožek vrednosti omejitev (Eastman, 2012).
Za pravilno izvedbo metode WLC je ključna pretvorba vseh uporabljenih podatkovnih slojev v rastrsko obliko ter enaka prostorska ločljivost. Vse vektorske podatkovne sloje smo tako pretvorili v rastrsko obliko z velikostjo celice 1 x 1 m, kjer smo se prilagodili digitalnemu modelu višin z ločljivostjo 1 x 1 m.
Analizo vhodnih podatkov vseh izbranih kriterijev smo izvedli z uporabo funkcije Fuzzy Membership, ki vhodne podatke na merski lestvici reklasificira ali pretvori v vrednosti na intervalu med 0 in 1, pri čemer višja vrednost pomeni boljše sovpadanje z izbrano funkcijo (Jiang, Eastman, 2000). Vhodne podatke lahko pretvorimo po vnaprej določenih funkcijah oziroma razporeditvah, podanih v izbranem programskem orodju, obstaja pa tudi možnost uporabniško določene funkcije. Določanje funkcije je odvisno od vhodnih podatkov oziroma pregibnih točk ter proučevanega pojava oziroma kriterija (Eastman, 2003).
Orodje Fuzzy Membership lahko vhodne podatke pretvori na podlagi treh vnaprej določenih funkcij, za katere so značilne štiri pregibne točke. Najpogosteje uporabljena je sigmoidna funkcija (S-krivulja), katere značilen primer je logistična krivulja. Prav tako je pogosto uporabljena funkcija J-oblike, ki jo neredko zamenjujejo za sigmoidno funkcijo.
Za določitev funkcije je ključna predvsem identifikacija pregibnih točk. Najenostavnejša pa je linearna funkcija, pri kateri so ključne pregibne točke z vidika določanja začetne in končne pregibne točke oziroma konstante. Orodje Fuzzy Membership nam omogoča uporabo še uporabniško določene funkcije, kjer je dovoljenih neskončno število pregibnih točk, povezava med posameznimi pregibnimi točkami pa je linearna (Eastman, 2003). Pri naši raziskavi se razporeditve praviloma ne podrejajo preprostim in vnaprej določenim funkcijam, zato smo bili primorani pri nekaterih kriterijih uporabiti uporabniško določeno funkcijo. Vsi uporabniško določeni popravki so sledili obstoječi strokovni literaturi, navedeni pri vsakem kriteriju.
25
Slika 8: Funkcije Fuzzy Membership (prva vrstica – sigmoidna funkcija; druga vrstica – funkcija J-oblike; tretja vrstica –