TY - THES A1 - Schmidt, Silke Regina T1 - Analyzing lakes in the time frequency domain T1 - Analyse von Seen in der Zeit-Frequenz-Domäne N2 - The central aim of this thesis is to demonstrate the benefits of innovative frequency-based methods to better explain the variability observed in lake ecosystems. Freshwater ecosystems may be the most threatened part of the hydrosphere. Lake ecosystems are particularly sensitive to changes in climate and land use because they integrate disturbances across their entire catchment. This makes understanding the dynamics of lake ecosystems an intriguing and important research priority. This thesis adds new findings to the baseline knowledge regarding variability in lake ecosystems. It provides a literature-based, data-driven and methodological framework for the investigation of variability and patterns in environmental parameters in the time frequency domain. Observational data often show considerable variability in the environmental parameters of lake ecosystems. This variability is mostly driven by a plethora of periodic and stochastic processes inside and outside the ecosystems. These run in parallel and may operate at vastly different time scales, ranging from seconds to decades. In measured data, all of these signals are superimposed, and dominant processes may obscure the signals of other processes, particularly when analyzing mean values over long time scales. Dominant signals are often caused by phenomena at long time scales like seasonal cycles, and most of these are well understood in the limnological literature. The variability injected by biological, chemical and physical processes operating at smaller time scales is less well understood. However, variability affects the state and health of lake ecosystems at all time scales. Besides measuring time series at sufficiently high temporal resolution, the investigation of the full spectrum of variability requires innovative methods of analysis. Analyzing observational data in the time frequency domain allows to identify variability at different time scales and facilitates their attribution to specific processes. The merit of this approach is subsequently demonstrated in three case studies. The first study uses a conceptual analysis to demonstrate the importance of time scales for the detection of ecosystem responses to climate change. These responses often occur during critical time windows in the year, may exhibit a time lag and can be driven by the exceedance of thresholds in their drivers. This can only be detected if the temporal resolution of the data is high enough. The second study applies Fast Fourier Transform spectral analysis to two decades of daily water temperature measurements to show how temporal and spatial scales of water temperature variability can serve as an indicator for mixing in a shallow, polymictic lake. The final study uses wavelet coherence as a diagnostic tool for limnology on a multivariate high-frequency data set recorded between the onset of ice cover and a cyanobacteria summer bloom in the year 2009 in a polymictic lake. Synchronicities among limnological and meteorological time series in narrow frequency bands were used to identify and disentangle prevailing limnological processes. Beyond the novel empirical findings reported in the three case studies, this thesis aims to more generally be of interest to researchers dealing with now increasingly available time series data at high temporal resolution. A set of innovative methods to attribute patterns to processes, their drivers and constraints is provided to help make more efficient use of this kind of data. N2 - See-Ökosysteme sind eine der bedrohtesten Ressourcen der Hydrosphäre. Sie reagieren besonders sensibel auf Veränderungen des Klimas und auf Einflüsse durch Landnutzung, da verschiedene Prozesse im gesamten Einzugsgebiet auf sie einwirken. Daher ist es von besonderer Dringlichkeit, die verschiedenen Prozess-Dynamiken in See-Ökosystemen besser zu verstehen. Die hier vorliegende Doktorarbeit hat zum Ziel, das bestehende Wissen bezüglich der verschiedenen einwirkenden Prozesse in See-Ökosystemen zu erweitern. Die Arbeit stellt ein Forschungsdesign zur Diskussion, das eine Literatur-basierte und auf empirischen Erhebungen beruhende Analyse von Variabilität und Mustern in großen Datensätzen verschiedener Umweltparameter im Zeit-Frequenz-Raum ermöglicht. Umweltparameter sind häufig charakterisiert durch eine hohe zeitliche Dynamik. Diese Variabilität steht im Zentrum dieser Arbeit. Sie wird durch eine Fülle an periodischen und stochastischen Prozessen innerhalb und außerhalb des Ökosystems getrieben. Diese Prozesse können gleichzeitig und auf sehr unterschiedlichen Zeitskalen, von Sekunden bis hin zu Dekaden, ablaufen. In Messdaten überlagern sich alle diese Signale, und dominante Prozesse können die Signale anderer Prozesse verschleiern, insbesondere wenn Mittelwerte über längere Zeiträume analysiert werden. Dominante Signale werden oft durch Prozesse auf längeren Zeitskalen verursacht, wie z. B. saisonale Zyklen. Diese sind im Allgemeinen in der limnologischen Literatur gut dokumentiert. See-Ökosysteme werden allerdings von Prozessen auf allen Zeitskalen beeinflusst. Insbesondere biologische, chemische und physikalische Prozesse operieren in kürzeren Zeitrahmen. Die Variabilität, die über solche Prozesse in See-Ökosysteme eingebracht wird, ist bisher weit weniger gut erforscht. Neben der Notwendigkeit, Umweltparameter in hoher zeitlicher Auflösung zu messen, erfordert die Untersuchung der kompletten Bandbreite an Variabilität innovative Analysemethoden. Die Berücksichtigung der Zeit-Frequenz-Domäne kann dabei helfen, Dynamiken auf verschiedenen Zeitskalen zu identifizieren und daraus bestimmte Prozesse abzuleiten. Diese Arbeit zeigt die Vorzüge dieser Herangehensweise anhand von drei Fallstudien auf. Die erste Studie zeigt die Bedeutung von Zeitskalen für die Erfassung von Ökosystem-Reaktionen auf klimatische Veränderungen. Diese ereignen sich oft während kritischer Zeitfenster im Jahresverlauf und können durch die Überschreitung von Schwellenwerten in den treibenden Variablen, unter Umständen zeitlich verzögert, verursacht sein. Solche Zusammenhänge können nur erfasst werden, wenn die zeitliche Auflösung der Daten hoch genug ist. In der zweiten Studie wird die Spektralanalyse, basierend auf der Fast Fourier Transformation, auf einen Datensatz täglicher Messungen der Wassertemperatur über zwanzig Jahre hinweg angewendet. Es wird gezeigt, wie zeitliche und räumliche Skalen der Variabilität der Wassertemperatur als Indikator für Mischprozesse in einem polymiktischen See dienen können. In der dritten Studie wird die Wavelet Coherence als Diagnose-Werkzeug für einen multivariaten, hochfrequenten Datensatz genutzt. Dieser wurde zwischen dem Einsetzen einer Eisbedeckung und einer Sommerblüte von Cyanobakteriern in einem polymiktischen See im Jahr 2009 erhoben. Synchronizitäten zwischen limnologischen und meteorologischen Zeitreihen in schmalen Frequenz-Bändern wurden genutzt, um vorherrschende limnologische Prozesse zu identifizieren und analytisch zu trennen. Neben den neuen empirischen Erkenntnissen, die in den drei Fallstudien präsentiert werden, zielt diese Doktorarbeit darauf ab, Forscher*innen, Behörden und politischen Entscheidungsträger*innen eine Grundlage zu liefern, die hohe zeitliche Auflösung der heute vielfach verfügbaren Monitoring-Datensätze effizienter zu nutzen. Innovative Methoden sollen dabei helfen, Muster in den Daten Prozessen zuzuordnen und die entsprechenden Treiber und Limitationen zu identifizieren. KW - variability KW - time scale KW - wavelet KW - coherence KW - spectral analysis KW - time series analysis KW - polymictic lakes KW - process identification KW - Variabilität KW - Zeitskala KW - Spektralanalyse KW - Zeitreihenanalyse KW - polymiktische Seen KW - Prozessidentifikation Y1 - 2017 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-406955 ER - TY - THES A1 - Agarwal, Ankit T1 - Unraveling spatio-temporal climatic patterns via multi-scale complex networks T1 - Aufklärung raumzeitlicher Klimamuster über komplexe Netzwerke mit mehreren Maßstäben N2 - The climate is a complex dynamical system involving interactions and feedbacks among different processes at multiple temporal and spatial scales. Although numerous studies have attempted to understand the climate system, nonetheless, the studies investigating the multiscale characteristics of the climate are scarce. Further, the present set of techniques are limited in their ability to unravel the multi-scale variability of the climate system. It is completely plausible that extreme events and abrupt transitions, which are of great interest to climate community, are resultant of interactions among processes operating at multi-scale. For instance, storms, weather patterns, seasonal irregularities such as El Niño, floods and droughts, and decades-long climate variations can be better understood and even predicted by quantifying their multi-scale dynamics. This makes a strong argument to unravel the interaction and patterns of climatic processes at different scales. With this background, the thesis aims at developing measures to understand and quantify multi-scale interactions within the climate system. In the first part of the thesis, I proposed two new methods, viz, multi-scale event synchronization (MSES) and wavelet multi-scale correlation (WMC) to capture the scale-specific features present in the climatic processes. The proposed methods were tested on various synthetic and real-world time series in order to check their applicability and replicability. The results indicate that both methods (WMC and MSES) are able to capture scale-specific associations that exist between processes at different time scales in a more detailed manner as compared to the traditional single scale counterparts. In the second part of the thesis, the proposed multi-scale similarity measures were used in constructing climate networks to investigate the evolution of spatial connections within climatic processes at multiple timescales. The proposed methods WMC and MSES, together with complex network were applied to two different datasets. In the first application, climate networks based on WMC were constructed for the univariate global sea surface temperature (SST) data to identify and visualize the SSTs patterns that develop very similarly over time and distinguish them from those that have long-range teleconnections to other ocean regions. Further investigations of climate networks on different timescales revealed (i) various high variability and co-variability regions, and (ii) short and long-range teleconnection regions with varying spatial distance. The outcomes of the study not only re-confirmed the existing knowledge on the link between SST patterns like El Niño Southern Oscillation and the Pacific Decadal Oscillation, but also suggested new insights into the characteristics and origins of long-range teleconnections. In the second application, I used the developed non-linear MSES similarity measure to quantify the multivariate teleconnections between extreme Indian precipitation and climatic patterns with the highest relevance for Indian sub-continent. The results confirmed significant non-linear influences that were not well captured by the traditional methods. Further, there was a substantial variation in the strength and nature of teleconnection across India, and across time scales. Overall, the results from investigations conducted in the thesis strongly highlight the need for considering the multi-scale aspects in climatic processes, and the proposed methods provide robust framework for quantifying the multi-scale characteristics. N2 - Das Klima ist ein komplexes Zusammenspiel verschiedener Mechanismen und Rückkopplungen auf mehreren zeitlichen und räumlichen Skalen. Viele Studien beschäftigten sich mit dem diesem System, nur wenige jedoch konzentrierten sich auf das Multiskalenverhalten des Klimas. Vor allem die bis dato verfügbaren Techniken schränkten eine vertiefte Analyse der Klimavariabilität auf unterschiedlichen Skalen ein. Von großen Interesse in der aktuellen Klimaforschung sind Extremereignisse und plötzliche Veränderungen, welche höchstwahrscheinlich aus dem Zusammenwirken von Prozessen auf unterschiedlichen Skalen hervorgehen. Um Stürme, wiederkehrende Wetterlagen, jahreszeitliche Phänomene wie El Niño, Fluten, Dürren oder Klimaschwankungen über Jahrzehnte besser zu verstehen oder sogar vorhersagen zu können, müssen wir deren Dynamik auf unterschiedlichen Skalen quantifizieren. In der vorliegenden Arbeit werden Mittel und Wege präsentiert um das Zusammenwirken auf verschiedenen Skalen im Klimasystem besser zu verstehen und zu quantifizieren. Im ersten Teil dieser Arbeit stelle ich zwei Methoden, multi-scale event synchronization (MSES) und wavelet multi-scale correlation (WMC) vor, welche skalenspezifischen Eigenschaften in klimatischen Prozessen abbilden. Die vorgestellte Methode wurde mit mehreren synthetischen und realen Zeitreihen getestet um ihre Anwendbarkeit und Reproduzierbarkeit zu überprüfen. Die Ergebnisse zeigen, dass beide Methoden Beziehungen auf unterschiedlichen zeitlichen Skalen detaillierter als traditionelle Ansätze abbilden können. Im zweiten Teil dieser Arbeit bilde ich klimatische Netzwerke mithilfe eines Maßes zur Ähnlichkeit auf Multiskalen. Dabei untersuche ich die Entwicklung von räumlichen Beziehungen um klimatische Prozesse auf mehreren Zeitskalen zu verstehen. Die Methoden WMC und MSES werden zusammen mit komplexen Netzwerken auf zwei Datensätze angewendet. In der ersten Anwendung werden klimatische Netzwerke mit WMC für univariate globale Meeresoberflächentemperaturen gebildet. Auf unterschiedlichen Zeitskalen sollen dabei kurze und lange Fernwirkungen, welche andernfalls auf einer einzigen Zeitskale unerkannt blieben, entdeckt werden. In diesem Klimanetzwerk ließ sich eine starke Variabilität über die Zeit feststellen, was auf eine skalenfreie und kleinräumige Netzstruktur auf großem, beziehungsweise kleinem Maßstab schließen lässt. Weitere Untersuchungen von Klimanetzwerken auf unterschiedlichen Zeitskalen zeigte (i) hohe Variabilität und Co-Variabilität in Regionen, und (ii) Fernbeziehungen auf kurzen und langen Entfernungen mit variabler räumlicher Distanz. Die Ergebnisse bestätigen bekannte physikalischen Wechselwirkungen und daher auch die Stärken meines Ansatzes. Dadurch ergeben sich neue Einblicke in die Klimatologie von Ozeanen, sodass beispielsweise konvektive Prozesse in der Atmosphäre eine Abhängigkeit über weite Entfernungen aufweisen können. In der zweiten Anwendung verwendeten wir das von mir entwickelte, nicht-lineare MSES Ähnlichkeitsmaß um multivariate Fernbeziehungen zwischen Starkniederschlägen und klimatischen Mustern über Indien zu quantifizieren. Unsere Ergebnisse bestätigen signifikante, nicht-lineare Einflüsse, welche von traditionellen Methoden bisher unzureichend abgebildet wurden. Des Weiteren fanden wir deutliche Schwankungen in der Stärke und in der Ausprägung von Fernbeziehungen über Indien und über Zeitskalen. Zusammenfassend zeigen die Ergebnisse dieser Fallstudien, dass Multiskalen in Klimaprozessen entschieden berücksichtigt werden müssen und dass der entwickelte methodische Rahmen adäquat die charakteristischen Prozesse quantifizieren kann. KW - complex network KW - wavelet KW - climate global and local patterns KW - extreme events KW - multiscale network KW - event synchronization KW - komplexes Netzwerk KW - Wavelet KW - globale und lokale Muster des Klimas KW - extreme Ereignisse KW - Multiskalen Netzwerk KW - Ereignissynchronisation Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-423956 ER -