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.
HochschulschriftHellmesberger, JosephViolinunterrichtWienKünstlerschuleMusiklebenKulturlebenMusikpflegeSchuleKünstlervereinigungInstrumentalunterrichtViolinlehrerViolinlehrerinMusikerGeigerKapellmeisterKomponistDirigentPädagogeKonzertmeisterKärntnertor-TheaterConservatorium der Musik in WienHellmesberger-QuartettHerz, FritzWeiser, LudmillaHellmesberger, GeorgHellmesberger, FerdinandHellmesberger, JosefHellmesberger, RosaHerz, Marie1828-189303.11.1828-24.10.18931850-1885
Schiffskollisionen sind selten, aber verheerend für Umwelt, Passagiere und Maschinen. Die Kollisionsvermeidung ist Aufgabe der Besatzung, unterstützt durch Assistenzsysteme. Diese nutzen eine lineare Bewegungsprädiktion zur Gefahrenabschätzung, ignorieren dabei allerdings Kontextfaktoren wie Wetter und den Wasserstraßenverlauf, was zu Fehlalarmen führt. Dies erhöht das Kollisionsrisiko in küstennahen Gewässern. In dieser Arbeit wird eine neue Methode zur Verhaltensprädiktion präsentiert, die Bewegungsdaten und Kontextinformationen miteinander kombiniert. Zur eigentlichen Vorhersage wird ein LSTM-Netzwerk für präzisere genutzt. Die Evaluationen in der Jade, Weser und Elbe zeigen, dass insbesondere die Berücksichtigung von Seewetter präzisere Ergebnisse liefert. Die Methode trägt somit zur Verbesserung der Kollisionsvermeidung bei.
Ship collisions are rare, but devastating for the environment, passengers and machinery. Collision avoidance is the task of the crew, supported by assistance systems. They use linear motion prediction to assess the risk, however, they neglect contextual factors such as weather and the course of the waterway, which leads to false alarms. This increases the risk of collision in coastal waters. In this thesis, a new method for behavior prediction is presented that combines movement data and context information. For the actual prediction, an LSTM network is used for more precise predictions. The evaluations in the Jade, Weser and Elbe show that the incorporation of sea weather in particular provides more precise results. The method therefore contributes to improving collision avoidance.