Abteilung Systemanalyse, Integrated Assessment und Modellierung
Überbrückung der Kluft zwischen Data Science und mechanistischer Modellierung für ein besseres Verständnis der Zusammensetzung von Lebensgemeinschaften
Hintergrund
Die Zusammensetzung von Lebensgemeinschaften in Ökosystemen hängt von verschiedenen Faktoren ab: Davon welche Arten in der Region vorhanden sind, von lokalen Umweltbedingungen und dem Zusammenspiel zwischen den Arten. Zur Vorhersage der Vorkommenswahrscheinlichkeit verschiedener Arten können unterschiedliche Methoden verwendet werden. Diese basieren entweder auf der mathematischen Formulierung bereits existierenden Wissens über die Mechanismen, die das Artvorkommen beeinflussen. Oder sie basieren auf einer statistischen Datenanalyse. Dazu kommen Methoden des Maschinellen Lernens, bei denen es schwieriger ist, Zusammenhänge mit den Umweltfaktoren zu verstehen. Alle drei Methoden haben Vor- und Nachteile, wurden bisher aber selten gemeinsam angewendet, da sie sich in ihren Ansprüchen an die Daten und im Rechenaufwand unterscheiden.
Inhalt und Ziel des Forschungsprojekts
In diesem Projekt werden mechanistische Modelle, statistische Modelle und Methoden des Maschinellen Lernens angewendet, um das Wissen über Umwelteinflüsse auf wirbellose Kleinlebewesen in Fliessgewässern zu verbessern, damit wir in Zukunft besser vorhersagen können, welche Arten unter welchen Umweltbedingungen vorkommen. Wir werden die gewonnenen Erkenntnisse verwenden, um ein möglichst einfaches und effizientes Modell zu entwickeln, dass die wichtigsten Mechanismen enthält und optimiert ist für die Vorhersage. Ein weiteres Ziel ist es, anhand der Computer Simulationen Kenngrössen über die Zusammensetzung von Artengemeinschaften zu identifizieren, die möglichst sensitiv auf zukünftige Änderungen der Umweltbedingungen reagieren.
Wissenschaftlicher und gesellschaftlicher Kontext des Forschungsprojekts
Unsere Arbeit wird neue Erkenntnisse zur Vorhersage der Zusammensetzung der Lebensgemeinschaften generieren, die das Management aquatischer Ökosysteme im Hinblick auf zukünftige Veränderungen der Umweltbedingungen unterstützen kann.
Publikationen
Chollet Ramampiandra, E., Scheidegger, A., Wydler, J., & Schuwirth, N. (2023). A comparison of machine learning and statistical species distribution models: Quantifying overfitting supports model interpretation. Ecological Modelling, 481, 110353 (11 pp.). doi:10.1016/j.ecolmodel.2023.110353, Institutional Repository
