Multi-scale Habitat Suitability Modeling: Predicting Capercaillie Lek Sites in Northern Sweden Using a Machine Learning Approach

Abstract

Effective methods for locating formally protected capercaillie (Tetrao urogallus) lek sites in the Swedish forest landscape are essential for targeted conservation measures. This study aimed to develop a multi-scale habitat suitability model for capercaillie lek sites in the northern Swedish forest counties, and further evaluate its potential to identify priority areas for future field survey efforts.
Geospatial data over northern Sweden were processed in ArcGIS Pro and FRAGSTATS to
derive environmental variables relevant to the capercaillie ecology at three spatial scales, respectively. Field inventory observations of 118 lek sites and the machine-learning algorithm MaxEnt were used to identify the optimal set of variables, on corresponding optimal spatial scale, that could best explain the presence of lek sites. The optimized multi-scale MaxEnt model was finally used to predict habitat suitability for lek sites within the study area. Model performance was evaluated using spatially independent cross-validation of the 118 observations.
The model was successfully able to identify the variables and scales that could best explain the presence of lek sites. The spatial scale that was most relevant to each variable varied, emphasizing the importance of a multi-scale approach. The habitat suitability prediction
showed an overall good performance when evaluated against independent test data, with
a model average AUC of 0.852, suggesting that it can be used to support the identification of priority areas for new field inventories. Uncertainties and limitations with the habitat suitability prediction should be considered before application, and potential environmental bias and novelty in the dataset needs to be further investigated and corrected.

Popular Abstract (Swedish)

Kan en intelligent datormodell hjälp oss att skydda tjäderspelplatserna i de svenska skogslandskapen?
Tjäderns mytomspunna spelplatser ligger dolda djupt inne i de vidsträckta svenska skogarna, och det är få som har förunnats att uppleva den fascinerande ritual som utspelar sig där varje vår. För att skydda dessa unika platser från mänsklig påverkan så finns det ett växande behov av att kunna lokalisera dem på ett effektivt sätt. Den här studien undersökte om maskininlärning kan användas för att ta sig an den uppgiften – och resultaten visade sig vara lovande.
Tjädern är Sveriges största skogsfågel och trivs i sammanhängande barrskogar med inslag av myrmarker och god tillgång av blåbärsris. Det är en så kallad arenaspelande fågel, där tupparna återvänder till samma plats år efter år för att spela, slåss och imponera på hönorna i hopp om att få para sig. De här arenorna kallas spelplatser, och är avgörande för tjäderns fortplantning och långsiktiga överlevnad.
Arten ställer väldigt specifika krav på spelplatsens miljö – både lokalt och i det kringliggande landskapet. Med det intensiva skogsbruk som bedrivs i Sverige så hotas dessa unika miljöer att fragmenteras och förstöras. För att bevara spelplatserna så måste de lokaliseras, vilket idag sker genom omfattande och tidskrävande fältinventeringar. Här finns ett behov av effektivisering, och habitatmodellering har visat sig vara en lovande metod.
I det här arbetet har en habitatmodell utvecklats med hjälp av maskininlärning. Syftet var att underlätta lokaliseringen av spelplatser i de sju svenska skogslänen Norrbotten, Västerbotten, Västernorrland, Jämtland, Gävleborg, Dalarna och Värmland. Med hjälp av observerade spelplatser och geografiska data över miljöfaktorer som är relevanta för tjädern, så undersökte modellen hur livsmiljöerna i landskapet kring spelplatserna skiljer sig från det övriga landskapet. De här skillnaderna användes sedan för att identifiera liknande landskapsmiljöer med hög lämplighet att hysa tjäderspel, och som därmed bör prioriteras vid framtida fältundersökningar.
Resultatet visade att modellen kunde lokalisera lämpliga tjäderspelområden med god träffsäkerhet, vilket indikerar att den kan användas för att fokusera insatserna i fält till områden med hög lämplighet. Vidare lyckades modellen identifiera vilka miljöfaktorer, och inom vilka avstånd från spelplatserna, som bäst förklarade förekomsten av tjäderspel. Att olika faktorer var viktiga inom olika avstånd understryker vikten av att analysera flera skalor för att skapa en datormodell som på bästa sätt representerar tjäderns verkliga ekologiska preferenser.
Även om resultat var lovande så är det viktigt att beakta modellens begränsningar. Fördelningen av spelplatsobservationer i landskapet har en stor inverkan på vilka samband som modellen hittar, där en över- eller underrepresentation av vissa livsmiljöer medför osäkerheter kring modellens tillämpbarhet. Det är därför rekommenderat att undersöka det här ytterligare för att öka tillförlitligheten vid en eventuell vidareutveckling av modellen.

• author: Tengström, Oskar
• supervisor: Helena Elvén Eriksson; Abin Enetjärn
• organization: Dept of Physical Geography and Ecosystem Science
• alternative title: Habitatmodellering i flera rumsliga skalor: Maskininlärningsbaserad prediktion av tjäderspelplatser i de svenska skogslänen
• course: EXTM05 20251
• year: 2025
• type: H2 - Master's Degree (Two Years)
• subject: Technology and Engineering; Earth and Environmental Sciences
• keywords: capercaillie, lek site, habitat suitability model, prediction, machine learning, geographical data, geographical information system
• publication/series: Thesis in geographical information technics
• report number: 43
• language: English
• additional info: External supervisor: Abin Enetjärn, Ecogain AB
• id: 9207245
• date added to LUP: 2025-07-31 11:27:14
• date last changed: 2025-07-31 11:27:14