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

Description: 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.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: CO2-Konzentration ? Pflanzenökologie ? Seen ? Lack ? Eutrophierung ? Makrophyten ? Schattenwurf ? Hydrogeologie ? Kohlendioxid ? Photosynthese ? Hydrochemie ? Limnologie ? Nährstoffeintrag ? Aquatisches Ökosystem ? Siedlungswasserwirtschaft ? Studie ? Hydrologie ? Ökosystem ? Biodiversity of Ecosystems ? Biodiversity of Plants ? Biodiversität der Pflanzen ? Biodiversität der Ökosysteme ? Ecology of Ecosystems ? Ecology of Plants ? Integrated Water Resources Management ? Integrierte Wasserressourcen-Bewirtschaftung ? Urban Water Management ? Water Chemistry ? Ökologie der Ökosysteme ?

Region: Nordrhein-Westfalen

Bounding boxes: 6.76339° .. 6.76339° x 51.21895° .. 51.21895°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Umweltbundesamt (Bereitstellung)
• University of Amsterdam, Department of Psychology (Mitwirkung)
• University of Oulu, Geography Research Unit (Mitwirkung)
• Universität Duisburg-Essen (Projektverantwortung)
• Universität Regensburg (Mitwirkung)

Time ranges: 2025-01-01 - 2025-11-16

Alternatives

• Language: Englisch/English
  Title: Development of a new methodology to predict cascading stressors through aquatic ecosystems: Posterior Predictive Meta-analytic Network
  Description: Multiple stressors cascade through ecosystems in complex ways. For instance, nutrient input in lakes increases chlorophyll-a concentrations, initializing (i) turbidity causing the decline in small macrophytes by light restrictions and (ii) the decrease in carbon dioxide due to photosynthesis, which limits macrophytes that can only use carbon dioxide. While multiple studies address different chain parts, it is not yet possible to meta-analytically combine individual linear, curve-, and non-linear functions into a single causal network. This project aims to generate and apply a novel method that integrates the results of multiple studies addressing different stressor-response relationships to account for the cascading of stressors through ecosystems. While different model types exist to address stressor pathways through an ecosystem, they all have shortcomings to address this specific question. Mechanistic models address theoretical concepts and make predictions. However, they lack a meta-analytic and flexible approach. Bayesian Structural Equation Models incorporate different pathways, but have no direct meta-analytic component. Bayesian Belief Networks (BBN) are flexible and can incorporate new relations, but lack the ability to include meta-analytic information and curve-, and non-linear functions. Bayesian Meta-Analytic Structural Equation Models (BMASEM) rely on standardized effect-sizes, but cannot predict given a stressor gradient. I will develop a new method, the posterior predictive meta-analytic network (PPMN), that combines the advantages of the previously described approaches, while circumventing some of their shortcomings. This new method is flexible and can formalize multiple types of information with the goal of using it. This model relies on absolute effect sizes (parameters) extracted from literature that are meta-analytically combined. In principle, it is an extension of a BBN and BMASEM, using linear, curve-, and non-linear functions. Synthesizing these meta-analytic functions into a network generalizes yet unexplored direct and indirect causal relations between the response and stressors, and can be used to predict probable responses. Using this basic structure, networks can be built to model how stressors cascade through an ecosystem. I will develop a formal and working syntax of the PPMN model in R, which will be available on GitHub and eventually CRAN. In parallel, I will gather information to create a full network of eutrophication in shallow lakes, from the input of nutrients to the shift in macrophyte growth forms, and to invertebrate and fish species. Finally, I will use the model structure and collected data to model from top-down (predicting biota and biochemical changes from nutrient input) and from bottom-up (predicting nutrient input from observed biota). Once established, the model structure will be applicable to many other questions regarding the cascading of stressors through ecosystems. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1138729

Resources

• Webseite zum Förderprojekt

  https://gepris.dfg.de/gepris/projekt/554796071 (Webseite)

Status

Aktiv

Quality score

• Overall: 0.49
• Findability: 0.62

  • Title: 1.00
  • Description: 0.11
  • Identifier: false
  • Keywords: 0.62
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.