| Lizenz: Creative Commons Namensnennung 4.0 International (8MB) |
- URN zum Zitieren dieses Dokuments:
- urn:nbn:de:bvb:355-epub-524051
- DOI zum Zitieren dieses Dokuments:
- 10.5283/epub.52405
| Dokumentenart: | Hochschulschrift der Universität Regensburg (Dissertation) |
|---|---|
| Open Access Art: | Primärpublikation |
| Datum: | 17 Juni 2022 |
| Begutachter (Erstgutachter): | Prof. Dr. Florian Hartig und Dr. Björn Reineking |
| Tag der Prüfung: | 14 Juni 2022 |
| Institutionen: | Biologie und Vorklinische Medizin > Institut für Pflanzenwissenschaften Biologie und Vorklinische Medizin > Institut für Pflanzenwissenschaften > Arbeitsgruppe Theoretische Ökologie (Prof. Dr. Florian Hartig) |
| Stichwörter / Keywords: | Forest ecosystem models; Statistics; Climate change projections; Theoretical ecology; |
| Dewey-Dezimal-Klassifikation: | 500 Naturwissenschaften und Mathematik > 500 Naturwissenschaften |
| Status: | Veröffentlicht |
| Begutachtet: | Ja, diese Version wurde begutachtet |
| An der Universität Regensburg entstanden: | Ja |
| Dokumenten-ID: | 52405 |
Zusammenfassung (Englisch)
Forests act as important CO2 sinks and might help to reduce the impacts of global and climate change. We can explore such scenarios with forest ecosystem models as their mechanistic struc- ture in principle allows forecasting into never-observed conditions. However, to make realistic projections, we have to adjust the model to fit the observed data. To do so and to assess uncer- tainties of ...
Zusammenfassung (Englisch)
Forests act as important CO2 sinks and might help to reduce the impacts of global and climate change. We can explore such scenarios with forest ecosystem models as their mechanistic struc- ture in principle allows forecasting into never-observed conditions. However, to make realistic projections, we have to adjust the model to fit the observed data. To do so and to assess uncer- tainties of projections, researchers use methods like a sensitivity and uncertainty analysis but also Bayesian calibration. However, the naive application and and the associated assumptions of these methods do often not reflect the empirical knowledge about forest ecosystems. To adress these issues, this doctoral thesis analyzes the robustusness of and applies these numerical meth- ods to state-of-the-art forest ecosystem models. We asked the following questions: The first one was: What are the main contributors of uncertainty in forest ecosystem models? Can we use uncertainty analysis and calibration of forest ecosystem models to analyze ecological patterns on environmental gradients? The next question deals with the remaining variance: To what ex- tent can random effects be used to represent ecological variation and how much data points are required to estimate these variations precisely? And the last question investigates if the findings above are robust when we have structural model error: What are the consequences and solutions of calibrating of and projecting with models with structural errors?
The first chapter introduces the role of forest ecosystem models and their associated uncer- tainities for projecting forest dynamics under climate change and emerging challenges. In the second chapter, we explain key concepts and methods which are essential to understand our research results. In particular these are types of forest ecosystem models, their associated un- certainties (due to initial conditions, model inputs, model structure and parameters), sensitivity and uncertainty analysis and Bayesian calibration. In the third chapter, we analyze sensitivi- ties and uncertainties of carbon projections across European forests under climate change with a dynamic vegetation model (LPJ-GUESS 4.0) addressing the effect of both model parameters and environmental drivers. We find that carbon projections are most sensitive to photosynthesis- related parameters, while environmental drivers induce most uncertainty. Moreover, environ- mental drivers modify the uncertainties of other parameters. This study shows that environmen- tal drivers are strong contributors and modifiers of uncertainties in other ecosystem processes. In the fourth chapter, we analyze the consequences and possibilities to represent intraspecific variation in the calibration of a forest ecosystem model. To do so, we calibrate the 3-PG model against biomass derived from inventory data across Germany and Sweden with a hierarchical Bayesian calibration scheme. We find evidence for intraspecific variation that can be partly ex- plained by environmental conditions. This study shows the potential of using forest ecosystem models to infer not measurable ecological information. In the fifth chapter, we analyze if with a low number of levels it is better to model a grouping variable as a random or as a fixed-effect. We find with varying intercepts and slopes in the data-generating process, using a random slope and intercept model, and, in case of a singular fit switching to a fixed-effects model, avoids over- confidence in the results. This study shows how to make ecological inference with mixed-effects models more robust for a small number of levels. In the sixth chapter, we explain why model error causes bias and underestimated uncertainties, especially when calibrated against unbal- anced data, and propose a framework for robust inference with complex computer simulations. As possible solutions we discuss data rebalancing and adding bias corrections during or after the calibration procedure. We illustrate the methods in a case study, using a dynamic vegetation model. From this, we conclude that developing better methods for robust inference of complex computer simulations is essential for generating reliable predictions. The last chapter discusses the relevance and significance of our studies for forecasting and inference with forest ecosystem models and outlines further research questions.
Übersetzung der Zusammenfassung (Deutsch)
Wälder fungieren als wichtige CO2-Senken und könnten dazu beitragen, die Auswirkungen des globalen und des Klimawandels zu verringern. Wir können solche Szenarien mit Waldökosystemmodellen untersuchen, da ihr mechanistischer Aufbau im Prinzip Vorhersagen für nie beobachtete Bedingungen ermöglicht. Um jedoch realistische Prognosen zu erstellen, müssen wir das Modell an die beobachteten Daten ...
Übersetzung der Zusammenfassung (Deutsch)
Wälder fungieren als wichtige CO2-Senken und könnten dazu beitragen, die Auswirkungen des globalen und des Klimawandels zu verringern. Wir können solche Szenarien mit Waldökosystemmodellen untersuchen, da ihr mechanistischer Aufbau im Prinzip Vorhersagen für nie beobachtete Bedingungen ermöglicht. Um jedoch realistische Prognosen zu erstellen, müssen wir das Modell an die beobachteten Daten anpassen. Um dies zu tun und die Ungewissheit der Projektionen zu bewerten, verwenden die Forscher Methoden wie eine Sensitivitäts- und Unsicherheitsanalyse, aber auch die Bayes'sche Kalibrierung. Die naive Anwendung und die damit verbundenen Annahmen dieser Methoden spiegeln jedoch oft nicht das empirische Wissen über Waldökosysteme wider. Um diese Probleme anzugehen, analysiert diese Doktorarbeit die Robustheit dieser numerischen Methoden und wendet sie auf moderne Waldökosystemmodelle an. Wir haben die folgenden Fragen gestellt: Die erste war: Was sind die Hauptursachen für Unsicherheit in Waldökosystemmodellen? Können wir die Unsicherheitsanalyse und Kalibrierung von Waldökosystemmodellen nutzen, um ökologische Muster auf Umweltgradienten zu analysieren? Die nächste Frage befasst sich mit der verbleibenden Varianz: Inwieweit können Zufallseffekte verwendet werden, um ökologische Variation darzustellen, und wie viele Datenpunkte sind erforderlich, um diese Variationen genau zu schätzen? Und die letzte Frage untersucht, ob die obigen Ergebnisse robust sind, wenn wir strukturelle Modellfehler haben: Was sind die Konsequenzen und Lösungen für die Kalibrierung von und die Projektion mit Modellen mit strukturellen Fehlern?
Im ersten Kapitel werden die Rolle von Waldökosystemmodellen und die damit verbundenen Unsicherheiten bei der Projektion der Walddynamik unter den Bedingungen des Klimawandels und der neuen Herausforderungen erläutert. Im zweiten Kapitel erläutern wir Schlüsselkonzepte und -methoden, die für das Verständnis unserer Forschungsergebnisse wesentlich sind. Dabei handelt es sich insbesondere um Arten von Waldökosystemmodellen, die damit verbundenen Ungewissheiten (aufgrund von Ausgangsbedingungen, Modellinputs, Modellstruktur und -parametern), Sensitivitäts- und Unsicherheitsanalysen und Bayes'sche Kalibrierung. Im dritten Kapitel analysieren wir die Sensitivitäten und Unsicherheiten von Kohlenstoffprojektionen für europäische Wälder unter dem Klimawandel mit einem dynamischen Vegetationsmodell (LPJ-GUESS 4.0), das sowohl die Auswirkungen von Modellparametern als auch von Umweltfaktoren berücksichtigt. Wir stellen fest, dass die Kohlenstoffprojektionen am empfindlichsten auf Photosynthese-bezogene Parameter reagieren, während Umweltfaktoren die größte Unsicherheit verursachen. Darüber hinaus verändern umweltbedingte Einflussfaktoren die Unsicherheiten der anderen Parameter. Diese Studie zeigt, dass umweltbedingte Faktoren stark zu Unsicherheiten in anderen Ökosystemprozessen beitragen und diese modifizieren. Im vierten Kapitel analysieren wir die Konsequenzen und Möglichkeiten zur Darstellung intraspezifischer Variation bei der Kalibrierung eines Waldökosystemmodells. Zu diesem Zweck kalibrieren wir das 3-PG-Modell anhand von Biomasse, die aus Inventurdaten aus Deutschland und Schweden abgeleitet wurde, mit einem hierarchischen Bayes'schen Kalibrierungsschema. Wir finden Hinweise auf intraspezifische Variationen, die teilweise durch Umweltbedingungen erklärt werden können. Diese Studie zeigt das Potenzial der Verwendung von Waldökosystemmodellen zur Ableitung nicht messbarer ökologischer Informationen. Im fünften Kapitel analysieren wir, ob es bei einer geringen Anzahl von Ebenen besser ist, eine gruppierende Variable als zufälligen oder als festen Effekt zu modellieren. Wir stellen fest, dass bei variierenden Abschnitten und Steigungen im Datenerzeugungsprozess die Verwendung eines zufälligen Steigungs- und Abschnittsmodells und im Falle einer singulären Anpassung die Umstellung auf ein Modell mit festen Effekten ein zu großes Vertrauen in die Ergebnisse vermeidet. Diese Studie zeigt, wie ökologische Schlussfolgerungen mit Mixed-Effects-Modellen für eine kleine Anzahl von Ebenen robuster gemacht werden können. Im sechsten Kapitel erklären wir, warum Modellfehler zu Verzerrungen und unterschätzten Unsicherheiten führen, insbesondere wenn sie gegen unausgewogene Daten kalibriert werden, und schlagen einen Rahmen für robuste Schlussfolgerungen mit komplexen Computersimulationen vor. Als mögliche Lösungen diskutieren wir den Datenabgleich und das Hinzufügen von Verzerrungskorrekturen während oder nach dem Kalibrierungsverfahren. Wir veranschaulichen die Methoden in einer Fallstudie anhand eines dynamischen Vegetationsmodells. Daraus schließen wir, dass die Entwicklung besserer Methoden für robuste Schlussfolgerungen aus komplexen Computersimulationen für die Erstellung zuverlässiger Vorhersagen unerlässlich ist. Das letzte Kapitel erörtert die Relevanz und Bedeutung unserer Studien für Vorhersagen und Schlussfolgerungen mit Waldökosystemmodellen und erläutert sich ergebende weitere Forschungsfragen.
Metadaten zuletzt geändert: 17 Jun 2022 13:39
Nur für Besitzer und Autoren: Kontrollseite des Eintrags
Downloadstatistik