Modellbildung: Ökologische Modelle, insbesondere Simulationsmodelle
bauen oft auf ad hoc Annahmen auf und sind meist nur unzureichend analysiert. Ich interessiere
mich deshalb für Strategien, ökologisches Modellieren kohärenter und effizienter zu machen.
Das übergeordnete Ziel ist dabei, vorhersagende Modelle zu entwickeln, die zu einem mechanistisches
Verständnis ökologischer Systeme führen. Gleichzeitig sollten die Modelle transparent und strukturell
realistisch genug sein um Entscheidungen im Umweltmanagement zu unterstützen.
Pattern-oriented modelling: Musterorientiertes Modellieren ist eine generelle Strategie,
Sätze von Mustern, die in realen Systemen beobachtet wurden, als multiple Kriterien für die Wahl der
Modellstrukturen und alternative Submodelle dienen sowie für die inverse Bestimmung ganzer Sätze unbekannter
Parameter.
Individuen- und agentenbasierte Modellierung (IBMs/ABMs): Für viele, wenn nicht sogar die meisten ökologischen
Fragen sind Eigenschaften von Individuen entscheidend um Systemverhalten zu erklären. IBMs/ABMs erlauben es, individuelle Variabilität,
lokale Interaktionen, sowie adaptives Verhalten zu berücksichtigen.
Ökologische Theorie und Konzepte: Ich interessiere mich für Stabilitätskonzepte, insbesondere Resilienz und Persistenz.
Modellierung für die Anwendung: Muster-orientiertes Modellieren führt zu strukturell realistischen Modellen, die
Entscheidungen beim Management von Biodiversität und natürlichen Ressourcen unterstützen können. Ich bin an der Entwicklung von ökologischen
Modellen beteiligt, die (1) zur Risikoabschätzung von Pestiziden dienen, (2) Populationsgefährdungsanalysen unterstützen, und (3) den Rückgang von
Honigbienen aufgrund multipler Stressoren untersuchen.
Standards for model communication and formulation: Im Jahr 2006 veröffentlichten wir ein generelles Format um
individuen- und agentenbasierte Modelle zu beschreiben, das "ODD protocol (Overview, Design concepts, Details)". ODD stellte sich
als sehr nützlich heraus und scheint sich gegenwärtig in der ökologischen Modellierung als Standard durchzusetzen. Ein Update des Protokolls
wurde 2010 veröffentlicht (siehe die ODD Webseite).
Größere Projekte
VIBee: Vitalitätsindikatoren für Honigbienen:
In diesem Projekt wird ein elektronischer Zähler für die Flugaktivität der Bienen verwendet
um neue Daten zu gewinnen, die ein umfassenderes Bild von der Vitalität eines Honigbienenvolkes liefern. Es werden
Stresstests durchgeführt, die Reaktion der Flugaktivität registriert und dann interpretiert indem die empirischen
Einstellungen im Simulationsmodell BEEHAVE nachgebildet werden. Für weitere Informationen siehe:
VIBee website.
OCELI: Künstliche Intelligenz für die Honigbienenforschung.
Das Ziel von OCELI ist die Erforschung und Entwicklung einer neuartigen Technologie, die einen entscheidenden Beitrag
zur Verwirklichung einer nachhaltigen Landwirtschaft mit intakten Bestäuberpopulationen leisten wird. Videoaufnahmen werden
mit Hilfe von maschinellem Lernen analysiert, um nicht nur Bienen zu identifizieren und zu zählen, die einen Bienenstock
verlassen oder betreten, sondern auch um zwischen Nektar- und Pollensammlerinnenn zu unterscheiden.
Stresstests auf dem Feld und in Tunneln werden mit dem Honigbienen-Simulationsmodell BEEHAVE ausgewertet.
OCELI website.
CAUSES: Kausalität in sozial-ökologischen Systemen.
Das Ziel des CauSES-Projekts ist es, das kausale Denken in den
und Naturwissenschaften zusammenzubringen, um 1) verschiedene Konzepte, ihre Beziehungen und Kompatibilität zu klären, 2) disziplinäre Ansätze hinsichtlich ihrer Fähigkeit zu bewerten, die komplexe und sozial-ökologische Natur der Probleme zu erfassen, und 3)
integrierte Ansätze zur Kausalanalyse für die Nachhaltigkeitswissenschaft zu entwickeln. CauSES ist ein interdisziplinäres Forschungsumfeld, das
Forscher/innen aus Philosophie, Ökologie, Forschung sozial-ökologischer Systeme sowie aus agentenbasierter und mathematischer Modelliererung zusammenbringt.
CAUSES website.
BioDT: Biodiversity Digital Twin. Digitale "Zwillinge" der Biodiversität sind mechanistische und statistischeModelle die zeitnah mit aktuellen Daten umfassend versorgt werden. BioDT nutzt den LUMI-Supercomputer und setzt FAIR-Daten in Kombination mit digitaler
Infrastruktur, prädiktiver Modellierung und KI-Lösungen, die evidenzbasierte Lösungen für den Schutz und die Wiederherstellung der biologischen Vielfalt Schutz und Wiederherstellung. Das Projekt ist eine Antwort auf wichtige EU- und internationale politische Initiativen, darunter die
EU Biodiversity Strategy 2030, EU Green Deal, UN Sustainable Development Goals, Destination Earth.
BioDT website.
Einstellungen zum Datenschutz
Wir verwenden Cookies, die für die grundlegende Funktionalität unserer Website erforderlich sind, damit diese stetig für Sie optimiert und deren Nutzerfreundlichkeit verbessert werden kann. Darüber hinaus setzen wir das Webanalysetool Matomo ein, welches Daten anonymisiert trackt. Dadurch ist es uns möglich die Nutzung unserer Website statistisch auswerten. Ihre Einwilligung zur Nutzung von Matomo kann jederzeit über die Datenschutzerklärung widerrufen werden.