Praktikum kologische Modellbildung

1. Das Praktikum behandelt zum Einen die Themen dieser Vorlesung, zum Anderen werden Beispiele f�r Modelle aus der Vorlesung �Zeitreihenanalyse� in der Praxis angewendet. Das Praktikum bildet zusammen mit einem Spezialseminar des Lehrstuhls zu wechselnden Themen (in diesem Semester nicht angeboten), den beiden Teilen der �kologischen Modellbildung sowie der Zeitreihenanalyse den Kern des Lehrangebots des Lehrstuhls. Die hier angegebenen Themen sind nur Vorschl�ge, behandelt werden sollen in jedem Fall sehr aktuelle Beispiele aus Wasser- und Forstwirtschaft.Das Praktikum behandelt zum Einen die Themen dieser Vorlesung, zum Anderen werden Beispiele f�r Modelle aus der Vorlesung �Zeitreihenanalyse� in der Praxis angewendet. Das Praktikum bildet zusammen mit einem Spezialseminar des Lehrstuhls zu wechselnden Themen (in diesem Semester nicht angeboten), den beiden Teilen der �kologischen Modellbildung sowie der Zeitreihenanalyse den Kern des Lehrangebots des Lehrstuhls. Die hier angegebenen Themen sind nur Vorschl�ge, behandelt werden sollen in jedem Fall sehr aktuelle Beispiele aus Wasser- und Forstwirtschaft.

2. Grenzen der prozessorientierten Modellierung Oft nicht individuenbasierbar In biologischen Systemen existieren autonome Agenten Individuelle Zielfunktionen nicht repr�sentierbar Konkurrenz um Ressourcen, Strategien Nicht die einzige Alternative � Multiagentensysteme stellen eine sogar modernere dar.Nicht die einzige Alternative � Multiagentensysteme stellen eine sogar modernere dar.

3. Spieltheorie Entscheidungen, Strategien als �Module des Verhaltens� Verhalten wird eingeschr�nkt: rational Systematische Suche in Modellklassen nach optimalen Strategien Gleichgewichts-Strategien Anwendungen au�erhalb der Biologie: wirkliche Spiele (Schach, M�hle, Dame) Biologie, �konomie, Moralphilosophie, Politik Die Urspr�nge der Spieltheorie liegen in den Wirtschaftswissenschaften. Anwendungen aus der Biologie waren aber bereits in den 70er Jahren vorhanden (R.S.May, J.M. Smith). Inzwischen ein etablierter Bereich der Mathematik (Teilbereich �endliche Mathematik�). Eigentlich interaktive Entscheidungs-theorie = Spieltheorie Meist stark vereinfacht: Der Prozess des Entscheidens wird durch Grenzwert-Betrachtung �bersprungen: wie sieht die optimale L�sung aus?Die Urspr�nge der Spieltheorie liegen in den Wirtschaftswissenschaften. Anwendungen aus der Biologie waren aber bereits in den 70er Jahren vorhanden (R.S.May, J.M. Smith). Inzwischen ein etablierter Bereich der Mathematik (Teilbereich �endliche Mathematik�). Eigentlich interaktive Entscheidungs-theorie = Spieltheorie Meist stark vereinfacht: Der Prozess des Entscheidens wird durch Grenzwert-Betrachtung �bersprungen: wie sieht die optimale L�sung aus?

4. Grundbegriffe der Spieltheorie Spieler: Wahl zwischen reinen Strategien (z.B. �gestehen� oder �nicht gestehen�) und Mischformen Strategieraum: Menge aller m�glichen Kombinationen aus Strategien Ereignis: durch eine Strategiekombination bestimmt Spielregeln sind dabei oft implizit gegeben, im Fall des Gefangen-Dilemmas: nicht-kooperatives Spiel (keine Kommunikation) nach den Pr�ferenzen wird jedes Ereignis mit einem Nutzen versehen (Auszahlungsmatrix) GD = GefangenendilemmaGD = Gefangenendilemma

5. Interpretationen stabiler L�sungen Nash-Gleichgewicht: ist eine Strategiekombination bei der jeder Spieler seinen erwarteten Nutzen maximiert, vorausgesetzt, dass alle anderen Spieler ihre Gleichgewichts-Strategie spielen. ESS:ist ein Verhaltens-Ph�notyp (Strategie), der, falls er von allen Individuen einer Popu-lation angenommen wird, unter der Wirkung von nat�rlicher Selektion nicht durch Mutanten dieser Strategie unterwandert werden kann. ESS = Evolution�r stabile Strategien �bliche Voraussetzungen: unendliche, asexuelle Populationsgr�sse paarweise symmetrischer Wettbewerb (Eigenschaft der Payoffmatrix) endliche Zahl von StrategienESS = Evolution�r stabile Strategien �bliche Voraussetzungen: unendliche, asexuelle Populationsgr�sse paarweise symmetrischer Wettbewerb (Eigenschaft der Payoffmatrix) endliche Zahl von Strategien

6. Grundannahmen der Spieltheorie Rationale Entscheidung heisst: alle Infos vorhanden, beliebige Rechenkapazit�t, klare Ziele, etc. � keine Constraints oder technische Limitierungen. Rationalit�ts-Ansatz wurde besondern in den Sozialwissenschaften stark kritisiert: in keiner realen Situation sind die Voraussetzungen gegeben, und wenn doch, scheinen oft irrationale Entscheider mitzumischen Spieltheorie scheint in biologischen Systemen aber z.T. besser zu funktionieren als in sozialen (Paarungsverhalten, Wanderbewegungen, ...) Rationale Entscheidung heisst: alle Infos vorhanden, beliebige Rechenkapazit�t, klare Ziele, etc. � keine Constraints oder technische Limitierungen. Rationalit�ts-Ansatz wurde besondern in den Sozialwissenschaften stark kritisiert: in keiner realen Situation sind die Voraussetzungen gegeben, und wenn doch, scheinen oft irrationale Entscheider mitzumischen Spieltheorie scheint in biologischen Systemen aber z.T. besser zu funktionieren als in sozialen (Paarungsverhalten, Wanderbewegungen, ...)

7. Strategische Entscheidung Das Ergebnis h�ngt von mehreren Individuen (Entscheidungstr�gern) ab Jeder weiss das Jeder weiss, dass es alle wissen Jeder ber�cksichtigt dieses bei seinen Entscheidungen Interessante Punkte: Interessenskonflikte, Koordinationsprobleme, Entstehung von Kooperation unter egoistischen Individuen (d.h. individuellen Nutzen-Maximierern)Interessante Punkte: Interessenskonflikte, Koordinationsprobleme, Entstehung von Kooperation unter egoistischen Individuen (d.h. individuellen Nutzen-Maximierern)

8. Das Gefangenen-Dilemma Klassische Form: einmaliger Versuch Iteriertes Gefangenen Dilemma: Ged�chtnistiefe Demographisches Gefangenen Dilemma: Nachbarschaftsbeziehungen Evolution�res Gefangenen-Dilemma Das bekannteste spieltheoretische Problem, erstmals publiziert 1957Das bekannteste spieltheoretische Problem, erstmals publiziert 1957

9. Allgemeine Payoff Matrix f�r das Gefangenen Dilemma Zwei Gefangene sind verd�chtig, gemeinsam eine Straftat begangen zu haben. Der Richter macht jedem der beiden folgendes Angebot: Wenn Du auspackst, und somit Deinen Partner belastest, und dein Partner schweigt, kommst du ohne Strafe davon und er mu� die vollen Zeit absitzen. Wenn ihr beide schweigt, haben wir gen�gend Indizienbeweise, um euch f�r eine k�rzere Zeit einzusperren, wenn ihr beide gesteht, m��t ihr eine mittlere Zeit hier verbringen.� Die beiden Gefangenen haben keine M�glichkeit, sich �ber ihr Vorgehen abzustimmen. Wie werden sie sich entscheiden?� Die beiden Gefangenen k�nnen sich wechselseitig f�r unschuldig erkl�ren (kooperatives Verhalten, C) oder f�r schuldig (nicht-kooperativ, D f�r defective). Individuell gedacht, ist D die logische Strategie: hat der Partner sich ebenfalls f�r D entschieden, bekommen beide P (z.B. Jahre im Gef�ngnis, P f�r Punishment)), bei C des Partners bekommt man sogar T (f�r Temptation, Versuchung) d.h. Freispruch. W�hlt man C, kann man zwar bei C des anderen ebenfalls freikommen (R> 0 f�r Reward), bei D bekommt man aber sogar S (f�r Sucker) aufgebrummt. F�r das D-Verhalten gilt aber kollektiv T+S < 2 R, d.h. das Verhalten ist nicht optimal f�r die Gruppe. F�r die Einzel-Variante ist (D,D) aber die einzige Gleichgewichts-L�sung.Zwei Gefangene sind verd�chtig, gemeinsam eine Straftat begangen zu haben. Der Richter macht jedem der beiden folgendes Angebot: Wenn Du auspackst, und somit Deinen Partner belastest, und dein Partner schweigt, kommst du ohne Strafe davon und er mu� die vollen Zeit absitzen. Wenn ihr beide schweigt, haben wir gen�gend Indizienbeweise, um euch f�r eine k�rzere Zeit einzusperren, wenn ihr beide gesteht, m��t ihr eine mittlere Zeit hier verbringen.� Die beiden Gefangenen haben keine M�glichkeit, sich �ber ihr Vorgehen abzustimmen. Wie werden sie sich entscheiden?� Die beiden Gefangenen k�nnen sich wechselseitig f�r unschuldig erkl�ren (kooperatives Verhalten, C) oder f�r schuldig (nicht-kooperativ, D f�r defective). Individuell gedacht, ist D die logische Strategie: hat der Partner sich ebenfalls f�r D entschieden, bekommen beide P (z.B. Jahre im Gef�ngnis, P f�r Punishment)), bei C des Partners bekommt man sogar T (f�r Temptation, Versuchung) d.h. Freispruch. W�hlt man C, kann man zwar bei C des anderen ebenfalls freikommen (R> 0 f�r Reward), bei D bekommt man aber sogar S (f�r Sucker) aufgebrummt. F�r das D-Verhalten gilt aber kollektiv T+S < 2 R, d.h. das Verhalten ist nicht optimal f�r die Gruppe. F�r die Einzel-Variante ist (D,D) aber die einzige Gleichgewichts-L�sung.

10. L�sung f�r das klassische Gefangenendilemma Die dominante Strategie ist: nicht kooperieren =�Gestehen� Die L�sung ist ein Gleichgewicht von dominanten Strategien Die L�sung ist nicht optimal typisch f�r nicht-kooperative Spiele Beisp. f�r Nash-Gleichgewicht Absprachen sind nicht m�glich (daher funktioniert die kooperative L�sung nicht) sonst kooperatives Spiel: bindende Abmachungen (beide in der Mafia und werden get�tet, wenn sie gestehen : andere Nutzenmatrix) iteriertes GD: Erlernen des gegenseitigen Verhaltens Nicht effizient: nicht-pareto-optimal Wie entsteht unter diesen Bedingungen Kooperation? Gibt es �berhaupt Kooperation? Biologisches Beispiel: Bakteriophagen Absprachen sind nicht m�glich (daher funktioniert die kooperative L�sung nicht) sonst kooperatives Spiel: bindende Abmachungen (beide in der Mafia und werden get�tet, wenn sie gestehen : andere Nutzenmatrix) iteriertes GD: Erlernen des gegenseitigen Verhaltens Nicht effizient: nicht-pareto-optimal Wie entsteht unter diesen Bedingungen Kooperation? Gibt es �berhaupt Kooperation? Biologisches Beispiel: Bakteriophagen

11. Ein erstes Beispiel: Falken und Tauben(Maynard-Smith 1985) Eine asexuelle Population konkurriert um Nistpl�tze Falken k�mpfen um Nistpl�tze mit dem Risiko einer Verletzung Tauben versuchen durch Imponierverhalten zu gewinnen, sie weichem dem Kampf aus Es gibt Ersatz-Nistpl�tze geringerer Qualit�t Nutzen: Bei Organismen hier Fitness (Payoff = Nachkommenzahl=�berleben) einsetzenNutzen: Bei Organismen hier Fitness (Payoff = Nachkommenzahl=�berleben) einsetzen

12. Variante I: Iteriertes Gefangenendilemma Strategie m�glich Erwartungswert des Gewinns berechenbar Die a_i sind Strategien (C oder D im Beispiel), V die Payoff-Matrix, delta ein Zinsfaktor (diskont-Faktor). �Tit for Tat�: in der ersten Runde kooperieren, danach das tun, was der Gegner in der letzten Runde getan hatDie a_i sind Strategien (C oder D im Beispiel), V die Payoff-Matrix, delta ein Zinsfaktor (diskont-Faktor). �Tit for Tat�: in der ersten Runde kooperieren, danach das tun, was der Gegner in der letzten Runde getan hat

13. Variante II: Evolution�res Gefangenendilemma Strategie unterliegt Mutationen Viele (N) Spieler gleichzeitig p_i sind die H�ufigkeiten der einzelnen Strategien (davon gibt es endlich viele)p_i sind die H�ufigkeiten der einzelnen Strategien (davon gibt es endlich viele)

14. Ein Beispiel aus der Biologie: Bakteriophagen P.E. Turner and L. Chao (1999) Nature Vol. 398: 441 - 443 RNS-Sequenzen zeigen Gefangenen Dilemma bei multipler Infektion in Bakterien Die primitivsten Vertreter aus dem Reich der Lebewesen sind bereits f�hig zur Kooperation Was sind plausible Mechanismen oder plausible Wege zur Kooperation? Biologisches Beispiel: Bakteriophagen Biologisches Beispiel: Bakteriophagen

15. Kooperation im evolvierenden Gefangenen-Dilemma L�sungen sind Kontext-abh�ngig: Agenten mit Ged�chtnis Agenten mit fester Nachbarschaft Agenten haben Eigenschaften:Blickweite, Verm�gen, Alter, Strategie Varianten: mit/ohne Mutation, Maximalalter �Demographisches� GD Epstein, Joshua M. (1998): Zones of Cooperation in Demographic Prisoner�s Dilemma. Complexity 4(2), 36-48.Epstein, Joshua M. (1998): Zones of Cooperation in Demographic Prisoner�s Dilemma. Complexity 4(2), 36-48.

16. Allgemeine Replikator Dynamik A ist die Payoff-Matrix F�r das normale GD besteht der Z-Vektor besteht nur aus den Eintr�gen p und 1-p wobei p die Wahrscheinlichkeit f�r nicht-kooperieren istA ist die Payoff-Matrix F�r das normale GD besteht der Z-Vektor besteht nur aus den Eintr�gen p und 1-p wobei p die Wahrscheinlichkeit f�r nicht-kooperieren ist

17. Evolution von Kooperation For our first run of the model, we impose no upper bound on agent lifespans. Initially, one hundred agents are assigned random fixed strategies (C or D) and random initial positions. The five panels of figure 2 show the spatial situation at selected times illustrative of the main points. Cooperators are blue, defectors red. A time step represents one cycle through the agent list. The agents are processed serially (updated asynchronously) and the agent list is randomized after every cycle Panel 1 gives the early situation, with a few random agents scattered about the lattice. As cooperators randomly encounter one another, the positive payoffs associated with their interactions accumulate and they "clone" cooperator offspring onto neighboring sites. Neighborhoods of cooperation are thus formed. The first of these have clearly taken shape by t=15, as seen in Panel 2. By t=50, a stable ratio of cooperators to defectors (approximately 5 to 1), has set in, as shown in Panel 3. And this slightly noisy equilibrium persists. Panels 4 and 5 give the spatial configuration at t=100 and t=1000. In stark contrast to the replicator dynamics picture, cooperators are not annihilated. Indeed, they endure and predominate.For our first run of the model, we impose no upper bound on agent lifespans. Initially, one hundred agents are assigned random fixed strategies (C or D) and random initial positions. The five panels of figure 2 show the spatial situation at selected times illustrative of the main points. Cooperators are blue, defectors red. A time step represents one cycle through the agent list. The agents are processed serially (updated asynchronously) and the agent list is randomized after every cycle Panel 1 gives the early situation, with a few random agents scattered about the lattice. As cooperators randomly encounter one another, the positive payoffs associated with their interactions accumulate and they "clone" cooperator offspring onto neighboring sites. Neighborhoods of cooperation are thus formed. The first of these have clearly taken shape by t=15, as seen in Panel 2. By t=50, a stable ratio of cooperators to defectors (approximately 5 to 1), has set in, as shown in Panel 3. And this slightly noisy equilibrium persists. Panels 4 and 5 give the spatial configuration at t=100 and t=1000. In stark contrast to the replicator dynamics picture, cooperators are not annihilated. Indeed, they endure and predominate.

18. Oben: ewiges LebenMitte: max Alter=100Unten: Reward= 2 (statt 5)

19. Reward: 1 (statt 5) This oscillatory dynamic is more pronounced if we reduce R further to 1. The panels of figure 7 summarize the spatial story. As before,cooperators are black, defectors white. Panel 1 shows the initial agents in their random starting positions. By t=40, cooperative neighborhoods have begun to take shape, as shown in Panel 2. Cooperators dominate by t=60, as shown in Panel 3. However, the cooperative zone is bordered by defectors. These surrounding defectors gradually "eat away" at the cooperative region and by t=160 have nearly annihilated it, as shown in Panel 4. In time, the defectors will have few cooperators with whom to interact; most interactions are then with other defectors. But since these interactions carry negative payoff, the fractious defectors are no sooner the majority than they begin to kill one another off, making way for a resurgence of cooperation, evident by t=240, shown in Panel 5. This is a typical cycle. Another such cycle is shown in Panels 6, 7, and 8, corresponding to times 560, 625, and 700. A time series of this evolution is shown in figure 8.This oscillatory dynamic is more pronounced if we reduce R further to 1. The panels of figure 7 summarize the spatial story. As before,cooperators are black, defectors white. Panel 1 shows the initial agents in their random starting positions. By t=40, cooperative neighborhoods have begun to take shape, as shown in Panel 2. Cooperators dominate by t=60, as shown in Panel 3. However, the cooperative zone is bordered by defectors. These surrounding defectors gradually "eat away" at the cooperative region and by t=160 have nearly annihilated it, as shown in Panel 4. In time, the defectors will have few cooperators with whom to interact; most interactions are then with other defectors. But since these interactions carry negative payoff, the fractious defectors are no sooner the majority than they begin to kill one another off, making way for a resurgence of cooperation, evident by t=240, shown in Panel 5. This is a typical cycle. Another such cycle is shown in Panels 6, 7, and 8, corresponding to times 560, 625, and 700. A time series of this evolution is shown in figure 8.

20. Oben: Reward= 1 (statt 5) Mitte: Reward= 5 mit Mutationen (p=0.5)Unten: Reward= 2 (statt 5)

21. �Wirkliche� Spiele M�hle: Keine Gewinnstrategie bekannt Amtierender Weltmeister ist ein Computer Dame: seit 1995 Gewinnstrategie bekannt und implementiert Computer von Weltmeisterschaften ausgeschlossen Schach: Keine Gewinnstrategie bekannt Computer derzeit ungef�hr auf Weltmeisterniveau

22. Wie rational entscheiden Menschen? Das Ultimatum-Spiel Standardverfahren zum Kulturenvergleich Was ist ein faires Verhalten? Das Zeit-Wirtschaftsspiel 2/3 des Mittelwertes raten rationale L�sungen sind bekannt, trotzdem ergeben sich unvorhersagbare Resultate Sieg scheint ein reiner Zufallstreffer zu sein Das El Farrol Problem Literaturhinweis zum Ultimatum-Spiel: Ruth Mace: Fair game. Nature 406, 248-249 (2000) El Farrol: Besucherzahlen einer Bar in Santa Fe / New Mexico raten und danach verhalten (nicht hingehen, wenn mehr als 80 Besucher zu warten). Zahlreiche spieltheoretische Varianten ausprobiert, aber auch z.B. Zeitreihenmodelle Der Sieger hat die Aufzeichungen der Besucherzahlen nicht einmal benutzt!Literaturhinweis zum Ultimatum-Spiel: Ruth Mace: Fair game. Nature 406, 248-249 (2000) El Farrol: Besucherzahlen einer Bar in Santa Fe / New Mexico raten und danach verhalten (nicht hingehen, wenn mehr als 80 Besucher zu warten). Zahlreiche spieltheoretische Varianten ausprobiert, aber auch z.B. Zeitreihenmodelle Der Sieger hat die Aufzeichungen der Besucherzahlen nicht einmal benutzt!

23. Der Waldwachstumssimulator TRAGIC++ Ein Modell des Lehrstuhls �kologische Modellbildung �von A-Z�Ein Modell des Lehrstuhls �kologische Modellbildung �von A-Z�

24. Was ist TRAGIC++?

25. Grundelemente von TRAGIC++ Weitere Elemente: Art der Reproduktion (Klone mit zuf�lligen Variationen in der H�henstrategie), Weitere Baumspezies durch Architektur-Constraints (bisher halb gelungen f�r Buche, Kiefer, aber offen f�r andere). Regelsatz f�r die L-Grammatik kann man �ndern oder Geometrie-Bestimmung, z.B. Kronenformparameter Leider kann ich das Modell auf diesem Rechner nicht vorf�hren (Win98)Weitere Elemente: Art der Reproduktion (Klone mit zuf�lligen Variationen in der H�henstrategie), Weitere Baumspezies durch Architektur-Constraints (bisher halb gelungen f�r Buche, Kiefer, aber offen f�r andere). Regelsatz f�r die L-Grammatik kann man �ndern oder Geometrie-Bestimmung, z.B. Kronenformparameter Leider kann ich das Modell auf diesem Rechner nicht vorf�hren (Win98)

26. �Flugsimulatoren f�r F�rster� I Forstlicher Anlass: Neue chemische Randbedingungen (Waldsterben?) Neue gesellschaftliche und wirtschaftliche Randbedingungen (F�rstersterben?) Entwertung des waldbaulichen Erfahrungswissens: unerwartete Wuchsreaktionen, ungenaue Ertragstafeln Das Erfahrungswissen muss auf den neusten Stand gebracht werden, �berpr�ft werden, aus den Glaubensdiskussionen herausgeholt werden... Aber die Forstwissenschaft ist nicht wirklich dabei, waldbauliche Weltanschauungsdebatten durch harte Fakten und Beobachtungen zu entscheiden, warum? K�nnte da eine neue Technik helfen? Das Erfahrungswissen muss auf den neusten Stand gebracht werden, �berpr�ft werden, aus den Glaubensdiskussionen herausgeholt werden... Aber die Forstwissenschaft ist nicht wirklich dabei, waldbauliche Weltanschauungsdebatten durch harte Fakten und Beobachtungen zu entscheiden, warum? K�nnte da eine neue Technik helfen?

27. Flugsimulatoren f�r F�rster II Technischer Anlass: Rechnergeschwindigkeit M�chtigkeit der Software Neue M�glichkeiten der Visualisierung Modellierer haben Zeit: alles was sie tun wollen geht nach 18 monaten doppelt so schnell und das seit 50 Jahren. Modellierer haben Spass: Ihre Ergebnisse werden immer leichter zu visualisieren. (auf Tagungen werden die Folien immer besser und die Inhalte immer schlechter) Modellierer haben aber keine sinnvolle Aufgabe gefunden: Wir suchen Kundschaft (Pfadfinder und die alte Frau) zuerst dienten sie experimentellen Interessen dann theoretischen Interessen (AL) jetzt mal unter Ingenieurgesichtspunkten (nicht mehr versprechen als wir k�nnen: also modelle machen Dinge schneller, die auch langsam funktionieren, und sie sind nett anzuschauen...) Gibt es dazu eine praktische Problemstellung in der Forstwirtschaft?Modellierer haben Zeit: alles was sie tun wollen geht nach 18 monaten doppelt so schnell und das seit 50 Jahren. Modellierer haben Spass: Ihre Ergebnisse werden immer leichter zu visualisieren. (auf Tagungen werden die Folien immer besser und die Inhalte immer schlechter) Modellierer haben aber keine sinnvolle Aufgabe gefunden: Wir suchen Kundschaft (Pfadfinder und die alte Frau) zuerst dienten sie experimentellen Interessen dann theoretischen Interessen (AL) jetzt mal unter Ingenieurgesichtspunkten (nicht mehr versprechen als wir k�nnen: also modelle machen Dinge schneller, die auch langsam funktionieren, und sie sind nett anzuschauen...) Gibt es dazu eine praktische Problemstellung in der Forstwirtschaft?

28. Waldbauliche Kommunikationsprobleme Sprache und Texte: Keine geeigneten Medien zur �berpr�fung waldbaulicher Kompetenz �Tendenzliteratur� f�r Eingeweihte und Gl�ubige versus unzureichende Indizes Sehr viel Wissen wir als Handlungswissen transportiert: ein F�rster wird erst zu einem, wenn er mit einem Meister im Wald war und ihm beim Arbeiten zugeschaut hat. Reden kann der Meister dar�ber nicht bzw. das, was er dazu sagt, bedeutet nichts f�r praktisches Handeln. (Dieses Kommunikationsproblem ist verbreitet: Geigenbauer, Spitzensportler, Piloten, Bergsteiger) Pilot in der Bar von seinen Abenteuern erz�hlen lassen, Aufsatz schreiben lassen ,etc... Weitergabe von Erfahrungen ist schwierig, Praktiker oft frustriert, dass das worauf sie am meisten stolz sind, nicht weitergeben,dokumentiert und kommuniziert werden kann. (wie fr�her mit Texten als alles nur m�ndlich ging) heute Bild und VorbildSehr viel Wissen wir als Handlungswissen transportiert: ein F�rster wird erst zu einem, wenn er mit einem Meister im Wald war und ihm beim Arbeiten zugeschaut hat. Reden kann der Meister dar�ber nicht bzw. das, was er dazu sagt, bedeutet nichts f�r praktisches Handeln. (Dieses Kommunikationsproblem ist verbreitet: Geigenbauer, Spitzensportler, Piloten, Bergsteiger) Pilot in der Bar von seinen Abenteuern erz�hlen lassen, Aufsatz schreiben lassen ,etc... Weitergabe von Erfahrungen ist schwierig, Praktiker oft frustriert, dass das worauf sie am meisten stolz sind, nicht weitergeben,dokumentiert und kommuniziert werden kann. (wie fr�her mit Texten als alles nur m�ndlich ging) heute Bild und Vorbild

29. Ans�tze Wissenschafts-orientiert: Daten: Beobachtung des aktuellen �kosystems Methode: Dynamische (Prozess)-Modelle Ziel: Vorhersage (Randbedingungen, Wirtschaftsziele)

30. Tragic-Oberfl�che (Wissenschaftler)

31. Client-Server-Architektur Was ist hier mit �wissen� gemeintWas ist hier mit �wissen� gemeint

32. Rekonstruktion waldbaulicher Szenarien am Beispiel Lange Bramke Lange Bramke (nordwestlicher Harz): Holzversorgung f�r ein historisches Bergwerk (Rammelsberg) Fr�he Umwandlung in Fichte und planm��ige Nutzungen ab dem 16. Jahrhundert Historische Bestandesbeschreibungen 16. - 18. Jahrhundert Aufnahmefl�che f�r die erste Fichten- Ertragstafel durch Schwappach im Jahr 1889 Exp. Wassereinzugsgebiet ab 1948 �kosystemforschung seit 1977 Als Langzeitforschungsgebiet etabliert in 1991 Bespiele an Fl�chen f�r die wissenschaftliche Hintergrunddaten bekannt und waldbaugeschichte dokumentiertBespiele an Fl�chen f�r die wissenschaftliche Hintergrunddaten bekannt und waldbaugeschichte dokumentiert

33. Lange Bramke Bestandesalter 1842

34. Bestandesgeschichte des oberen Bramke Tals

35. Sim. Pflanzung 1818: �Fichten-Klone� mit zuf�lliger H�henvariation

166. Zusammenfassung I Waldbau ist ein interaktives Spiel Computer sind ein Kommunikationswerkzeug Die wichtige Kompetenz eines Verkehrspiloten kommt heute aus dem Computer, weil die Flugzeuge immer zuverl�ssiger werden. Die wichtige Kompetenz eines F�rsters wird aus dem Computer kommen, weil das Waldwachstum unzuverl�ssiger wird wissenschaftliches Verst�ndnis und Erfahrungswissen k�nnen sich nur erg�nzen

167. Zusammenfassung II Ziel: Realistisches Verhalten von Schnittstellen statt realistischer Modelle Wachstums-Simulation als interaktives Werkzeug Visualisierungen als Inputseite des Modells wissenschaftliches Verst�ndnis und Erfahrungswissen k�nnen sich nur erg�nzen, aber nicht ersetzen Inversion des Informationsflusses : Handelndes F�rsters abbilden (Jtragic) Die wichtige Kompetenz eines Verkehrspiloten kommt heute aus dem Computer, weil die Flugzeuge immer zuverl�ssiger werden. Die wichtige Kompetenz eines F�rsters wird aus dem Computer kommen, weil das Waldwachstum unzuverl�ssiger wird Es wird technisch klarer wieDie wichtige Kompetenz eines Verkehrspiloten kommt heute aus dem Computer, weil die Flugzeuge immer zuverl�ssiger werden. Die wichtige Kompetenz eines F�rsters wird aus dem Computer kommen, weil das Waldwachstum unzuverl�ssiger wird Es wird technisch klarer wie