Entwicklung einer neuen Methodik zur Vorhersage kaskadierender Stressoren in aquatischen Ökosystemen: Posterior Predictive Meta-analytic Networks

• Antragsteller: Dr. Willem Kaijser
• Fachliche Zuordnung: Hydrogeologie, Hydrologie, Limnologie, Siedlungswasserwirtschaft, Wasserchemie, Integrierte Wasserressourcen-Bewirtschaftung ; Ökologie und Biodiversität der Pflanzen und Ökosysteme
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 554796071

Stressoren kaskadieren in komplexer Art und Weise durch Ökosysteme. Zum Beispiel führt Nährstoffeintrag in Seen zu erhöhten Chlorophyll-a-Konzentrationen; in der Folge entstehen Trübungen und kleine Makrophyten können durch Beschattung verschwinden; gleichzeitig nimmt die Kohlendioxidkonzentration durch Photosynthese ab, wodurch Makrophyten, die ausschließlich Kohlendioxid verwenden können, beeinträchtigt werden. Viele Studien behandeln einzelne Teile solcher komplexen Beziehungen, aber bisher ist es nicht möglich, aus Einzelstudien resultierende Funktionen meta-analytisch zu einem kausalen Netzwerk zu kombinieren. Dieses Projekt wird eine neue Methode entwickeln um die Ergebnisse zahlreicher Studien zu integrieren und so komplexe Folgen von Stressoren in Ökosysteme vorherzusagen. Zwar gibt es bereits einige prinzipiell geeignete Modelltypen, aber alle haben Schwächen: Mechanistische Modelle treffen Vorhersagen, aber ihnen fehlt ein meta-analytischer Ansatz; Bayesische Strukturgleichungsmodelle integrieren Pfade, aber ebenfalls ohne meta-analytische Komponente; Bayesian Belief Networks sind zwar flexibel, können aber nichtlineare Funktionen nicht integrieren; Bayesische meta-analytische Strukturgleichungsmodelle verwenden standardisierte Effektgrößen, können aber keinen Stressor-Gradienten vorhersagen. In dem beantragten Vorhaben wird ein neuer Ansatz entwickelt (Posterior Predictive Meta-Analytic Networks), der Vorteile existierender Ansätze kombiniert und ihre Schwächen umgeht. Die Methode basiert auf absoluten Effektgrößen, die meta-analytisch kombiniert werden und kann gleichermaßen lineare, Kurven- und nichtlineare Funktionen verwenden. Sie generalisiert direkte und indirekte kausale Beziehungen zwischen Stressoren und ihren Effekten und ist in der Lage, die Folgen mehrschrittige Reaktionen vorherzusagen. Die PPMN-Syntax wird in R entwickelt, auf GitHub und schließlich auf CRAN verfügbar gemacht. Ein Netzwerk zu den Folgen der Eutrophierung in flachen Seen wird aufgebaut und in zwei Richtungen (Stressorenwirkung auf Effekte; und Vorhersage der Stressorenstärke durch Indikatoren) modelliert. Die etablierte Modellstruktur ist auf viele andere ökologische Fragen anwendbar.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Finnland, Niederlande
• Kooperationspartner: Dr. Janne Alahuhta; Professor Dr. Eric-Jan Wagenmakers
• Mitverantwortlich: Professor Dr. Florian Hartig