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.