Ökosystemforschungin Zeitenvon Big Data ......Spring 35 Bergkopf Spring Uplsope Wetland Downslope...
Transcript of Ökosystemforschungin Zeitenvon Big Data ......Spring 35 Bergkopf Spring Uplsope Wetland Downslope...
Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF)
Ökosystemforschung in Zeiten von Big Data
– Zeit für einen Paradigmenwechsel?
Gunnar Lischeid
Neue Datenquellen für die Wissenschaft
Rapide zunehmende Anzahl von Messgrößen mit zunehmend besserer
räumlicher und zeitlicher Auflösung, z.B.,
• Fern- (Satellit) und Nah- (UAV) Erkundung
• Wissenschaftliche Sensornetze
• Sensoren an landwirtschaftlichen Geräten
• Isotopen-Daten
• Laser scanning von Treibhausgas-Emissionen
• GPS-gestütztes Animal-Tracking
• Bat Recorders
• Genomics, Proteomics, Metabelomics
• …
(Fendt, project Xaver)
Maschinelles Lernen statt Wissenschaft?
Maschinelles Lernen ermöglicht …
• Die Identifizierung von Mustern in umfangreichen
Datensätzen;
• Kurzzeit-Vorhersagen;
• die Bewirtschaftung komplexer Systeme;
… aber
• ohne theoretische Basis;
• zulasten des menschlichen Lernens;
• ohne wissenschaftlichen Fortschritt.
Biases der aktuellen Umweltforschung
1. Disziplinen-Bias: “Blinde Flecken“ zwischen den Disziplinen
Fragmentierte Umweltforschung
Status quo:
• Umweltforschung ist in zahlreiche
wissenschaftliche Disziplinen aufgesplittert
• Eine nachhaltige Bewirtschaftung von
Umweltsystemen erfordert jedoch eine
solide Kenntnis zahlreicher
Wechselwirkungen
Offene Fragen:
• Konvergieren die verschiedenen Disziplinen?
• Gibt es eine systematische Entwicklung in Richtung eines integrierten
Systemverständnisses?
Konvergierende Disziplinen?
Ayllón et al. (2018):
• Umfangreiches Review von interdisziplinären Verknüpfungen in
Modellen der Umweltforschung (118 [+68] Modelle, 346 Papers)
• Klare Tendenz der Verstärkung bestehender Schwerpunkte statt
Schließen von Lücken
Biases der aktuellen Umweltforschung
1. Disziplinen-Bias: “Blinde Flecken“ zwischen den Disziplinen
2. Skalen-Bias: Prozessstudien werden üblicherweise auf einer Skala von
10-2 – 102 m durchgeführt
Übliche Vorgehensweise in der Umweltfoschung
„Hochskalieren“:
Untersuchung der Beziehungen zwischen einzelnen
Faktoren, basierend auf entsprechenden Hypothesen
Verdichtung und Verallgemeinerung der Ergebnisse
(“A hat einen signifikanten Einfluss auf B“)
Implementierung dieser Beziehungen in Modelle
“Überprüfung“ der Modelle in weiteren Fallstudien
Beispiel Evapotranspiration
(Allen et al. 1998)
where
Rn net radiation
G soil heat flux
(es – ea) vapour pressure deficit of the air
ρa mean air density at constant pressure
cp specific heat of the air
Δ slope of the saturation vapour pressure temperature relationship
γ psychrometric constant
ra aerodyanmic resistance
rs bulk surface resistance
ra aerodyanmic resistance
λ�� �Δ �� � ρ� �
���������
Δ γ 1 ����
Penman-Monteith equation:
Zeitliche Homogenität
Wasser-Bilanz des
Lehstenbach-
Einzugsgebietes
(Nordbayern)
(Lischeid et al. 2017)
Biases der aktuellen Umweltforschung
1. Disziplinen-Bias: “Blinde Flecken“ zwischen den Disziplinen
2. Skalen-Bias: Prozessstudien werden üblicherweise auf einer Skala von
10-2 – 102 m durchgeführt
3. Diskretisierungs-Bias: Unterscheidung von Typen oder Klassen ist nur
für bestimmte Forschungsfragen relevant
Diskretisierungs-Bias
Übergangszone zwischen Wald und Acker (Schmidt et al. 2019)
Bodentemperatur Wind velocity
Diskretisierungs-Bias
Übergangszone zwischen Wald und Acker (Schmidt et al. 2019)
Bodentemperatur Windgeschwindigkeit
Biases der aktuellen Umweltforschung
1. Disziplinen-Bias: “Blinde Flecken“ zwischen den Disziplinen
2. Skalen-Bias: Prozessstudien werden üblicherweise auf einer Skala von
10-2 – 102 m durchgeführt
3. Diskretisierungs-Bias: Unterscheidung von Typen oder Klassen ist nur
für bestimmte Forschungsfragen relevant
4. Monokausalitäts-Bias: Komplexe Wechselwirkungen werden durch
die üblichen experimentellen Designs nicht erfasst
Beschaffenheit von Grund- und Oberflächenwasser
• 2641 Proben 1987 – 2002,
38 Probenahmestellen:
• 13 Messgrößen (pH, Ca, Mg, Na, K,
Al, Mn, Fe, Si, NO3, SO4, Cl, DOC)
(Lischeid & Bittersohl 2008)4490000 4491000 4492000
5554500
5555500
5556500
x
xx
4490000 4491000 4492000
5554500
5555500
5556500
x
xx
Lehstenbach-Gebiet, Nordbayern
1. Komponente 2. Komponente 3. Komponente
“(An)Oxii“ “Straßensalz“ “Versauerung“
0 10 20 30 40
-10
-50
510
15
SO4
ISO
MA
P D
imen
sio
n 1
SO4
0 5 10 15
-10
-50
51
01
5
Si
ISO
MA
P D
ime
nsi
on
1 Si
0 2 4 6 8 10
-10
-50
51
01
5
FE
ISO
MA
P D
ime
nsi
on
1
0 5 10 15 20 25
-10
-50
51
01
5
NO3
ISO
MA
P D
ime
nsi
on
1
Fe
NO30 10 20 30 40 50 60 70
-10
-50
51
0
CL
ISO
MA
P D
ime
nsi
on
2
0 10 20 30 40
-10
-50
51
0
NA.
ISO
MA
P D
ime
nsi
on
2
Cl
Na
0 2 4 6 8 10
-10
-50
5
FE
ISO
MA
P D
imensio
n 3
0 10 20 30 40
-10
-50
5
CA
ISO
MA
P D
imen
sio
n 3 Ca
Fe
0 1 2 3 4 5
-10
-50
5
AL
ISO
MA
P D
imen
sio
n 3
0 10 20 30 40 50 60
-10
-50
5
DOC
ISO
MA
P D
imen
sio
n 3
Al
DOC
Isometric Feature Mapping: LadungenK
om
po
ne
nte
n-W
ert
e
Stoffkonzentration
GW01
GW03
GW04
GW05
GW06
GW11
GW13
GW15
GW16
GW17
GW20
Schlöppnerbrunnen
Spring 35
BergkopfSpring
UplsopeWetland
Downslope Wetland
GW12
GW02
1 m
2 m
C. OutletW. Tribut. E. Tribut.Stream
Groundw.
2 m
1 m
1 m
2 m
Isometric Feature Mapping: Räumliche Muster
1. (An)Oxie
2. Straßensalz
3. Versauerung
4. Filterkies-
Kontamination
(Mittelwerte und
Standardab-
weichungen)
Multifaktorielle Effekte
Einfluss auf die bodenmikrobiologische Community
(Rillig et al. 2019)
Review von 1228 Publikationen
Laborexperiment
Biases der aktuellen Umweltforschung
1. Disziplinen-Bias: “Blinde Flecken“ zwischen den Disziplinen
2. Skalen-Bias: Prozessstudien werden üblicherweise auf einer Skala von
10-2 – 102 m durchgeführt
3. Diskretisierungs-Bias: Unterscheidung von Typen oder Klassen ist nur
für bestimmte Forschungsfragen relevant
4. Monokausalitäts-Bias: Komplexe Wechselwirkungen werden durch
die üblichen experimentellen Designs nicht erfasst
5. Bestätigungs-Bias: Studien zielen in der Regel auf eine Bestätigung
bekannter Zusammenhänge ab und nicht auf die Generierung neuer
Hypothesen
Signifikant, aber irrelevant?
CART-Modellierung
(Classification and Regression
Tree) von Beschaffenheitsdaten
von 62 Söllen im Quillow-Gebiet
(0 < r2 < 0.152)
(Lischeid et al. 2017)
Biases der aktuellen Umweltforschung
1. Disziplinen-Bias: “Blinde Flecken“ zwischen den Disziplinen
2. Skalen-Bias: Prozessstudien werden üblicherweise auf einer Skala von
10-2 – 102 m durchgeführt
3. Diskretisierungs-Bias: Unterscheidung von Typen oder Klassen ist nur
für bestimmte Forschungsfragen relevant
4. Monokausalitäts-Bias: Komplexe Wechselwirkungen werden durch
die üblichen experimentellen Designs nicht erfasst
5. Bestätigungs-Bias: Studien zielen in der Regel auf eine Bestätigung
bekannter Zusammenhänge ab und nicht auf die Generierung neuer
Hypothesen
Daten verschneiden, nicht nur Ergebnisse
Species A
Biogeochemical
process I
Species C
Species B
Human activity E
Human activity F
Human activity D
Biogeochemical
process J
Biogeochemical
process H
Bodenlösung, Grundwasser, Bäche
Lischeid et al. (2017):
• 52 Zeitreihen aus dem 160 km2
Quillow-Gebiet mit Tageswerten für
den Zeitraum 2002-2004
• 71% der Varianz durch die ersten
beiden Hauptkomponenten erfasst
Analyse heterogener Datensätze
Visualisierung der Beschaffenheit
von Grund-, Bach- und
Söllewasser mittels Self-
Organizing Maps, kombiniert mit
Sammon’s Mapping
(Lischeid et al. 2016)
Schlussfolgerungen
Verschneidung heterogener Daten in der Umweltforschung: Ein Ansatz
• für interdisziplinäre Forschung direkt auf den Daten, anstelle der
ausschließlichen Verschneidung von Ergebnissen;
• zur Überwindung des
• Disziplinären Bias;
• Skalen-Bias;
• Diskretisierungs-Bias;
• Monokausalität-Bias;
• Bestätigungs-Bias;
• für solide Hypothesentests;
• zur Entwicklung einer grundlegenden Theorie der Umweltfoschung.