Projekt

Zurück zur Übersicht

Critical dynamics in phytoplankton communities?

Titel Englisch Critical dynamics in phytoplankton communities?
Gesuchsteller/in Albert Carlo
Nummer 159660
Förderungsinstrument Interdisziplinäre Projekte
Forschungseinrichtung Eawag
Hochschule Eidg. Anstalt für Wasserversorgung, Abwasserreinigung und Gewässerschutz - EAWAG
Hauptdisziplin Oekologie
Beginn/Ende 01.09.2015 - 31.08.2018
Bewilligter Betrag 170'000.00
Alle Daten anzeigen

Alle Disziplinen (2)

Disziplin
Oekologie
Andere Gebiete der Physik

Keywords (10)

community dynamics; interacting particle systems; chaos; phytoplankton; flow cytometry; critical dynamics; individual-level traits; collective phenomena; clustering; data analysis

Lay Summary (Deutsch)

Lead
Als Phytoplankton bezeichnet man Algen und Bakterien in Ozeanen und Seen, welche mit Hilfe des Sonnenlichts Photosynthese betreiben. Sie bilden die Grundlage der aquatischen Nahrungskette und stellen etwa die Hälfte der gesamten Primärproduktion der Erde.Selbst in unseren heimischen Gewässern gibt es Hunderte Arten von Phytoplankton, von denen viele noch unerforscht sind und über deren kompliziertes Wechselspiel noch relativ wenig bekannt ist. Unter bestimmten Bedingungen können sich einzelnen Arten plötzlich massenhaft vermehren. Solche Algenblüten, für die es bis heute noch kein Frühwarnsystem gibt, können eine Gefahr für Mensch und Tier darstellen.Ein besseres Verständnis der Biodiversität und Dynamik von Phytoplankton ist nötig um dessen Reaktion auf die vom Menschen veränderten Umweltbedingungen (globale Erwärmung, Nährstoffe, Umweltgifte) besser abschätzen zu können.
Lay summary

Inhalt und Ziel des Forschungsprojekts

Das übergeordnete Ziel dieses Forschungsprojekts ist ein besseres Verständnis der Biodiversität und Dynamik von Phytoplankton in unseren Seen.
Dank modernster Lasertechnik verfügen wir heute über eine nie dagewesene Fülle an Informationen über Phytoplankton. Automatisierte Durchflusszytometer auf unseren Seen erfassen Länge, Form, Pigmentierung, etc. von Millionen von Plankton-Teilchen mit hoher zeitlicher und räumlicher Auflösung.
Diese Datensätze erlauben es uns nun zum ersten Mal Theorien zur Zusammensetzung und Dynamik von Phytoplankton im Detail zu testen und damit sowohl unser Verständnis als auch unsere Fähigkeit zur Vorhersage zu verbessern.
Insbesondere werden wir Modelle für Systeme von interagierenden Teilchen verwenden, welche in der Physik entwickelt wurden. Mit solchen Modellen untersuchen Physiker seit Jahrzehnten kollektive Phänomene in komplizierten interagierenden Teilchensystemen. Es stellt sich dabei immer wieder heraus, dass viele dieser Phänomene bemerkenswert universell sind und nicht von vielen Details der Interaktionen abhängen.

Wissenschaftlicher und gesellschaftlicher Kontext des Forschungsprojekts

Mit dieser Arbeit werden wir zu wichtigen Erkenntnissen über Zusammensetzung und Funktion von Phytoplankton im speziellen und komplexen ökologischen Gemeinschaften im allgemeinen gelangen. Damit werden wir Umweltbehörden unterstützen in ihrem Bestreben wichtige Ökosysteme zu schützen. Ausserdem erhoffen wir uns etwa eine bessere Vorhersagbarkeit von Algenblüten.
Mit der Entwicklung von Analysemethoden für Durchflusszytometrie-Daten werden wir ausserdem zu einem verbesserten Umweltmonitoring beitragen können, was insbesondere auch für die Trinkwasserkontrolle relevant sein wird.

Direktlink auf Lay Summary Letzte Aktualisierung: 13.04.2015

Verantw. Gesuchsteller/in und weitere Gesuchstellende

Mitarbeitende

Name Institut

Verbundene Projekte

Nummer Titel Start Förderungsinstrument
144053 An individual-level approach to disentangle niches, drift and dispersal in phytoplankton metacommunity dynamics 01.05.2013 Projektförderung (Abt. I-III)
173883 Understanding dynamics of lake phytoplankton community size spectra in relation to climate change and nutrient gradients 01.05.2017 Resource not found: '228f486d-c393-4df7-b610-84193c83958f'
121331 AquaProbe: from Monitoring towards Understanding, Predicting and Managing Plankton in changing Aquatic Ecosystems 01.07.2008 R'EQUIP
147654 In-situ Sensing Tools for Understanding Rapid Microscale Plankton Dynamics 01.01.2014 Sinergia

Abstract

Humans are inducing changes to the environment that impact on ecosystem processes directly or through changes in the biodiversity of natural communities.We believe that mechanistic models of natural communities are an indispensable tool for understanding and predicting ecosystems' responses to these changes.Given the overwhelming complexity of natural communities, building a useful mechanistic model might seem impossible, at first sight.However, it is well known that many complex (natural and man-made) systems exhibit remarkably universal features, many of which can be phrased through simple scaling laws (power laws).This means that many observable features of complex systems do not depend on many details of the system, which allows us to make robust predictions with relatively simple models or detect changes with relatively simple data analysis techniques. In particular, we may hope to gain insights into the complex dynamics of natural communities without knowing all the details about individual-level interactions.Bak et al. (1987) have introduced the concept of self-organized criticality (SOC), according to which many complex systems operating far from equilibrium and slowly driven externally manoeuvre themselves into a scale-invariant critical state, whose responses to perturbations happen on all scales leading to the observed power laws. Examples are ubiquitous, think of earth-quakes, forest-fires, avalanches etc.While some of the strong assumptions behind SOC are often not satisfied in natural systems, it has been shown that under weaker assumptions complex systems still tend to drive themselves to the edge of chaos: Sole et al. (2002) demonstrate this principle with simple models for species-rich communities. This so-called self-organized instability might indeed be one of nature's answers to the trade-off between stability and resilience.As these concepts originate in the physics community, the physics literature is rich in simple models exhibiting a wealth of complex behaviour so familiar from natural complex systems. However, the output of such models is often not or only qualitatively compared to data. Furthermore, the assumptions made are often perceived as too unrealistic by ecologists.On the other hand, ecologists are increasingly collecting high-resolution data.Automated scanning flow-cytometry (SFC) produces large amounts of individual-level data from phytoplankton cells and colonies at a high spatial and temporal resolution.Phytoplankton descriptors include a number of important physio-morphological traits, such as size, shape, pigments concentration and profile.Since biodiversity in genetic and phenotypic characteristics of individuals determines the functionality and resilience of natural populations and communities, individual level measures of traits should increase our ability to understand and predict the effects of environmental change on biodiversity,and biodiversity effects on ecosystem processes.In a scenario of large datasets constantly accumulating details about individual-level variance in functions and responses, ecologists are data rich and very poor in simple quantitative models that allow to test mechanisms and predict observed patterns.The goal of this project is to bridge the gap between physics and ecology.That is, we want to use and further develop simple mechanistic models from physics (and theoretical ecology), and confront them with the data accumulated in ecology, with the goal of increasing our mechanistic understanding of phytoplankton communities and our ability to predict ecosystems' response to environmental changes.For reasons explained in detail in the proposal, individual-based models seem to be the adequate modeling framework for phytoplankton communities.They can be applied to the raw data, that is to spatio-temporal individual trait data bases, or at various levels of aggregation of this data. An important aggregation tool are clustering algorithms.Preliminary studies have revealed that clustering algorithms based on local particle interactions are most adequate for the kind of data at hand.In order to estimate the predictive power of our models, quantification of uncertainty is key.Bayesian statistics allows us to express our knowledge about model parameters through aprobability distribution and consistently update this knowledge whenevernew data becomes available.Bayesian inference in connection with stochastic models is notoriously difficult, because evaluating the likelihood function (the probability distribution for model outputs given parameter values) tends to be computationally expensive.In recent years algorithms under the name of Approximate Bayes Computations (ABC) emerged as valuable tools for the (approximate) quantification of parameter uncertainty when the evaluation of the likelihood function is too expensive. Instead of evaluating the likelihood for the data, ABC compare simulated model outputs for various parameter sets with adequate features of the data.However, should the data hint towards criticality of near-chaotic dynamics, predictions will be essentially statistical in nature.In other words, predicting the size and time-point of the next cyano-bacterial bloom might proof as impossible an endeavour as predicting the size and time-point of the next earthquake.
-