Dissertation Oldenburg, Universität Oldenburg 2024
Hochschulschrift
To better understand the coexistence of species through network structure, I propose a framework for modeling competitive ecological systems via network robustness. First, I refine network robustness by analyzing regular and star networks under random, targeted, and viral attacks. Using generating functions, I show that regular networks resist minor random attacks but collapse under larger ones, while star networks resist random but not targeted and viral attacks. Then, I identify network structures that maximize the giant component after random attacks. With a fixed mean degree and constrained degrees, I show (dis)continuous phase transitions based on (link) node maximization. To finalize, I explore coexistence in competitive networks with two dispersal strategies, showing that random networks support broader coexistence regions while regular networks exhibit higher patch occupancy.
Um die Koexistenz von Arten durch Netzwerkstruktur besser zu verstehen, etabliere ich einen Rahmen zur Modellierung kompetitiver ökologischer Systeme durch Netzwerkrobustheit. Zuerst wird die Robustheit von regulären und sternartigen Netzwerken bei zufälligen, gezielten und viralen Angriffen untersucht. Mit erzeugenden Funktionen zeige ich, dass reguläre Netzwerke kleinere zufällige Angriffe widerstehen, aber bei größeren zerfallen, während Sternnetzwerke Zufallsangriffe überstehen, aber nicht gezielte oder virale. Danach werden Netzwerkstrukturen ermittelt, die die Riesenkomponente nach zufälligen Angriffen maximieren. Mit festem mittleren Grad und begrenzten Graden zeige ich (dis)kontinuierliche Phasenübergänge, aufgebaut auf der Maximierung von (Kanten) Knoten. Am Ende wird die Koexistenz in kompetitiven Netzwerken mit zwei Ausbreitungsstrategien untersucht, Zufallsnetzwerke unterstützen breitere Koexistenzregionen, während reguläre Netzwerke eine höhere Patch-Besetzung aufweisen.
Ökologische Gemeinschaften weisen aufgrund zahlreicher Wechselwirkungen regelmäßig komplexe nichtlineare Dynamiken auf. Angesichts des Klimawandels und des Verlusts der biologischen Vielfalt ist das Verständnis der anthropogenen Auswirkungen auf mikrobielle Gemeinschaften eine wichtige Herausforderung unserer Zeit. In dieser Arbeit wird ein zweigeteilter Ansatz verfolgt, um das Verständnis der Mechanismen von komplexen ökologischen Gemeinschaften zu verbessern. Diffusion maps identifizieren wichtige metabolische Nischen in einer Langzeitdatenreihe von Bakteriengemeinschaften und reduzieren damit die Dimensionalität dieses Datensatzes. Im zweiten Teil wird ein verallgemeinerter Modellierungsansatz angewandt, um die wechselseitige Ernährung in bakteriellen Gemeinschaften zu untersuchen. Insgesamt bieten diese Fortschritte bei der Datenanalyse und Modellierung Einblicke in die Mechanismen, die Zusammensetzung und die Dynamiken mikrobieller Gemeinschaften und deren Auswirkungen auf das Funktionieren von Ökosystemen
Ecological communities regularly show complex nonlinear dynamics due to numerous interactions. Amidst climate change and biodiversity loss, understanding anthropogenic impacts on microbial communities is one of the most important challenges of our time. Mechanistic understanding faces challenges in data-driven and model-led approaches due to the curse of dimensionality and uncertainties in microbial community functional forms. This thesis employs a twofold approach to enhance understanding. Addressing high-dimensional datasets, diffusion maps on a Baltic Sea bacterial time series identify key metabolic niches, reducing dimensionality and linking data to ecological niches. The second part employs a generalized modeling approach to explore mutualistic cross-feeding in bacterial communities. Analyzing a range of plausible models highlights metabolic costs contributing to system’s stability. Overall, these advancements in data analysis and modeling provide insights into microbial community mechanisms, composition, dynamics, and their impact on ecosystem functioning.
