Poiesis & Praxis

, Volume 3, Issue 1–2, pp 83–105

Analysing biodiversity: the necessity of interdisciplinary trends in the development of ecological theory

Focus
  • 57 Downloads

Abstract

Technological advancement has an ambivalent character concerning the impact on biodiversity. It accounts for major detrimental environmental impacts and aggravates threads to biodiversity. On the other hand, from an application perspective of environmental science, there are technical advancements, which increase the potential of analysis, detection and monitoring of environmental changes and open a wider spectrum of sustainable use strategies.

The concept of biodiversity emerged in the last two decades as a political issue to protect the structural and functional basis of earthbound life. In this respect, it represents a great challenge for science, in particular for ecology, which is the scientific discipline mainly involved in contributing to understand biodiversity issues.

In this paper, we state a strong necessity for ecologists to work in close connection with other disciplines and within their own discipline across the different organisation levels. Each level has some specific properties to which ecological terminology has been adapted, and joint views are necessary to understand complex networks. In this context, ecological theory provides the background to analyse biological complexity and the relationship of structure and dynamics on different integration levels and provides the interface to mediate social and political issues.

Important features of new technologies for advances in ecological theory refer to (1) an increase in information processing capacities, (2) more efficient automatic data acquisition and device operation, and (3) an increase in resolution (grain and extent).

One crucial consideration we analyse is the trend that aquantitative development in one particular discipline may open a new potential forqualitative advancement in other disciplines when the quantitative advancement is applied in a new disciplinary context.

We illustrate these qualitative developments that are based on technological advancements and which helped to advance ecological theory qualitatively with two examples: (1) The underlying mechanisms causing regularly oscillating rodent populations are subject to a decade long discussion in ecology. Using the possibilities of modern information processing, it is possible to represent the discussed hypotheses in an integrative object oriented model and analyse how the underlying causal net works. (2) The second example originates from biosafety research dealing with the environmental impact of genetically modified organisms (GMO). The project GenEERA develops a complex up-scaling procedure from below field-level information to the landscape scale in order to investigate spread and persistence of GM oil seed rape (Brassica napus) under different scenarios. The approach gives an example, how ecological modelling can be used to combine different information levels to derive conclusions on a higher spatial scale.

In an overall conclusion we relate the described approaches to a wider system analytical context in which we interpret theory developments and biodiversity issues with a system theoretical description of growth processes. We obtain the view that in self-organising systems there is a tendency for autonomous development which tends to be dominating far away from capacity limitations. However, while approaching capacity limitations, a tendency towards closer coupling of internal and external cause-effect networks emerges. We also find that the relation of biodiversity, ecosystem services, and social dynamics can be interpreted in this framework. In this context, the demand for closer interdisciplinary cooperation to solve existing problems appears as an indication of emerging capacity limitations (or the reaching of saturation levels) both, in the theoretical as well as in the (bio-) physical domain.

Zusammenfassung

Technischer Fortschritt ist von zweierlei Belang hinsichtlich Biodiversität: Einerseits ist solcher Fortschritt für beträchtliche Umweltschäden verantwortlich; andererseits gibt es technische Errungenschaften, die hinsichtlich der Anwendung von Umweltwissenschaften das Potential zur Analyse, Entdeckung und Überwachung von Umweltveränderungen vergrößern und ein breiteres Spektrum nachhaltiger Nutzungsstrategien eröffnen.

Der Begriff Biodiversität ist in den letzten beiden Jahrzehnten als politisches Thema in Erscheinung getreten, wo es um den Schutz der strukturellen und funktionellen Basis des erdgebundenen Lebens ging. In dieser Hinsicht stellt Biodiversität eine große Herausforderung an die Wissenschaft dar, insbesondere an die Ökologie, die sich als wissenschaftliche Disziplin hauptsächlich damit befasst, zum Verständnis von Problemen in Zusammenhang mit Biodiversität beizutragen.

In diesem Beitrag weisen wir auf die starke Notwendigkeit hin, dass Ökologen eng mit anderen Disziplinen und innerhalb ihrer eigenen Disziplin quer durch die verschiedenen Organisationsebenen zusammenarbeiten. Jede Ebene hat ihre spezifischen Eigenschaften mit ihrer entsprechend angepassten ökologischen Terminologie, doch um komplexe Netzwerke zu verstehen sind gemeinsame Sichtweisen nötig. In diesem Zusammenhang stellt ökologische Theorie den Hintergrund für die Analyse biologischer Komplexität und der Beziehung zwischen Struktur und Dynamik auf verschiedenen Integrationsebenen, während sie zugleich als Schnittstelle zur Vermittlung zu sozialen und politischen Fragen dient.

Als wichtige Beiträge neuer Techniken zu Fortschritten in ökologischer Theorie sind zu nennen (1) die Zunahme an Informationsverarbeitungskapazitäten, (2) effizientere automatische Datenerfassung und (3) verbesserte Auflösung (Feinheit und Ausdehnung).

Als zentralen Punkt analysieren wir den Trend, dass einequantitative Entwicklung in einer bestimmten Disziplin ein neues Potential fürqualitativen Fortschritt in anderen Disziplinen eröffnen kann, sobald die quantitative Fortentwicklung in einem neuen fachlichen Zusammenhang eingesetzt wird.

Wir illustrieren solche qualitativen Entwicklungen, die auf technischen Fortschritten gründen und zu neuen Entwicklungen in ökologischer Theorie beigetragen haben, anhand zweier Beispiele: (1) Die Mechanismen, die den regelmäßigen Oszillationen von Nagerpopulationen zugrunde liegen, sind seit zehn Jahren Gegenstand ökologischer Diskussionen. Die Nutzung der Möglichkeiten der modernen Datenverarbeitung ermöglicht es nun die diskutierten Hypothesen mithilfe eines integrativen, objektorientierten Modells darzustellen und zu analysieren, wie das zugrunde liegende kausale Netz funktioniert. (2) Das andere Beispiel stammt aus der Biosicherheitsforschung, die sich mit den Umwelteffekten genetisch modifizierter Organismen (GMO) befasst. Das GenEERA-Projekt entwickelt ein komplexes Verfahren zur Hochrechnung von kleinskaligen Daten zu ganzen Landschaften, um damit die Ausbreitung und Beständigkeit von GM-Raps (Brassica napus) unter verschiedenen Szenarien zu untersuchen. Dieser Ansatz kann als Beispiel dienen, wie mithilfe ökologischer Modelle verschiedene Informationsebenen kombiniert werden können, um zu Aufschlüssen zu gelangen, die auch im größeren räumlichen Maßstab Gültigkeit haben.

Resümierend stellen wir die beschriebenen Ansätze in einen breiteren systemanalytischen Kontext, in dem wir theoretische Entwicklungen und Biodiversitätsfragen mithilfe einer systemtheoretischen Beschreibung von Wachstumsprozessen interpretieren. Wir kommen zu der Sicht, dass selbstorganisierende Systeme eine Tendenz zu autonomer Entwicklung zeigen, die fern von Kapazitätsgrenzen dominiert. In der Nähe von Kapazitätsgrenzen zeigt sich dagegen eine Tendenz zu engerer Kopplung zwischen internen und externen Ursache-Wirkung-Netzwerken. Nach unserem Befund lässt sich auch die Beziehung zwischen Biodiversität, Ökosystemdiensten und sozialer Dynamik in diesem Rahmen interpretieren. In diesem Kontext erscheint uns die Forderung nach engerer interdisziplinärer Kooperation zur Lösung bestehender Probleme als ein Zeichen aufkommender Kapazitätsgrenzen (oder des Erreichens von Sättigungsniveaus) sowohl in der Theorie als auch in der (bio-)physikalischen Welt.

Résumé

Le progrès technologique possède un caractère ambivalent pour ce qui est de son impact sur la biodiversité. Il est responsable de préjudices majeurs sur l’environnement et accroît les menaces pesant sur la biodiversité. D’un autre côté, du point de vue des applications des sciences de l’environnement, certains progrès techniques accroissent le potentiel d’analyse, de détection et de contrôle des changements écologiques, et débouchent sur un éventail plus large de stratégies pour un usage fondé sur la durabilité.

Le concept de biodiversité est né au cours des deux dernières décennies comme thématique politique visant à protéger la base structurelle et fonctionnelle de la vie sur terre. À cet égard, il constitue un important défi pour la science, en particulier pour l’écologie, qui est la discipline scientifique la plus impliquée dans la tâche de comprendre les questions de biodiversité.

Dans le présent article, nous affirmons qu’il est absolument nécessaire que les écologistes travaillent en relation étroite avec d’autres disciplines, et dans leur propre discipline à tous les niveaux d’organisation. À chaque niveau se trouvent des caractéristiques spécifiques auxquelles la terminologie écologique a été adaptée, et il faut unir les différentes perspectives pour parvenir à la compréhension des réseaux complexes. Dans ce contexte, la théorie écologique fournit la base à l’analyse de la complexité biologique et de la relation entre structure et éléments dynamiques à différents niveaux d’intégration, et constitue une interface avec les thématiques sociales et politiques.

Les grandes caractéristiques des nouvelles technologies pour faire progresser la théorie écologique concernent (1) davantage de capacités de traitement de l’information, (2) une collecte automatique des données et des systèmes de traitement plus efficaces, et (3) une résolution accrue (grain et extension).

L’un des éléments majeurs de notre analyse est la tendance selon laquelle un développementquantitatif dans une discipline particulière peut dégager un nouveau potentiel pour des progrèsqualitatifs dans d’autres disciplines, quand le développement quantitatif est appliqué au contexte d’une autre disciplinaire.

Nous illustrons par deux exemples ces développements qualitatifs basés sur les progrès technologiques, qui contribuent à faire progresser qualitativement la théorie écologique : (1) les mécanismes sous-jacents provoquant des oscillations régulières dans les populations de rongeurs font l’objet d’un débat écologique depuis dix ans. En recourant aux possibilités du traitement moderne des informations, il est possible de représenter les hypothèses en jeu dans un modèle intégrateur orienté sur l’objet, et d’analyser les réseaux causals sous-jacents. (2) L’autre exemple est issu de la recherche sur la biosécurité et concerne les conséquences écologiques des organismes génétiquement modifiés (OGM). Le projet GenEERA développe une procédure complexe de gradation allant de l’information issue du niveau inférieur sur le terrain à l’échelle d’une aire plus vaste, dans le but d’étudier la diffusion et la persistance du colza oléagineux GM (Brassica napus) selon différents scénarios. L’approche illustre comment utiliser les modèles écologiques pour combiner différents niveaux d’information et en faire dériver des conclusions à une échelle spatiale plus élevée.

Dans une conclusion générale, nous plaçons les approches décrites dans un contexte analytique plus vaste, dans lequel nous interprétons les développements de la théorie et les thèmes de la biodiversité au moyen d’une description théorique systémique des processus de croissance. Nous en arrivons à la conclusion que les systèmes auto-organisés présentent une tendance au développement autonome qui tend à être dominante loin des limites de capacités. À proximité des limites de capacités toutefois, il apparaît une tendance à une association plus étroite entre les réseaux internes et externes de causes et d’effets. Nous avons constaté que la relation entre la biodiversité, les services à l’écosystème et la dynamique sociale peut également être interprétée selon cette grille. Dans ce contexte, la demande d’une coopération interdisciplinaire plus étroite pour résoudre les problèmes existants semble indiquer l’émergence de limites de capacités (ou le fait que des niveaux de saturation sont atteints) tant dans le domaine théorique que dans le domaine (bio)physique.

References

  1. Allen TFH, Starr TB (1982) Hierarchy—perspectives for ecological complexity. Chicago University Press, New YorkGoogle Scholar
  2. Aubrecht P (1998) CORINE-Landcover Österreich, Umweltbundesamt, WienGoogle Scholar
  3. Billot C, Engel CR, Rousvoal S, Kloareg B, Valero M (2003) Current patterns, habitat discontinuities and population genetic structure: The case of the kelpLaminaria digitata in the English Channel. Marine Ecology Progress Series 253:111–121CrossRefGoogle Scholar
  4. Breckling B (1990) Singularität und Reproduzierbarkeit in der Modellierung ökologischer Systeme. Dissertation, Universität BremenGoogle Scholar
  5. Breckling B (2002) Individual based modelling: potentials and limitations. The Scientific World Journal 2:1044–1062CrossRefGoogle Scholar
  6. Breckling B, Middelhoff U, Borgmann P, Menzel G, Brauner R, Neuffer B, Born A, Laue H, Schmidt G, Schröder W, Wurbs A, Glemnitz M (2003) Biologische Risikoforschung zu gentechnisch veränderten Pflanzen in der Landwirtschaft: Das Beispiel Raps in Norddeutschland. In Reuter H, Breckling B, Mittwollen A (eds) Gene, Bits und Ökosysteme, Implikationen neuer Technologien für die Ökologische Theorie. Peter Lang Verlang, Frankfurt, pp 19–45Google Scholar
  7. Breckling B, Reuter H, Middelhoff U (1997) An object oriented modelling strategy to depict activity pattern of organisms in heterogeneous environments. Environ Model Assess 2:95–104CrossRefGoogle Scholar
  8. CBD (1992) Convention on Biological Diversity, Article 2Google Scholar
  9. Chitty D (1960) Population increase in the vole and their relevance to general theory. Can J Zoolog 38:99–113CrossRefGoogle Scholar
  10. Crist TO, Wiens JA (1995) Individual movements and estimation of population size in darkling beetles (Coleoptera: Tenebrionidae). J Anim Ecol 64(6):733–746CrossRefGoogle Scholar
  11. Czárán TL, Hoekstra RF (2003) Killer-sensitive coexistence in metapopulations of micro-organisms. P Roy Soc Lond B Bio 270(1522):1373–1378CrossRefGoogle Scholar
  12. Dahl OJ, Myrhaug B, Nygaard K (1968) SIMULA, Comon base language. Norwegian Computer Centre, OsloGoogle Scholar
  13. Daily GC, Alexander S, Ehrlich PR, Goulder L, Lubchenco J, Matson PA, Mooney HA, Postel S, Schneider SH, Tilman D, Woodwell GM (1997) Ecosystem services: benefits supplied to human societies by natural ecosystems. Issues Ecol 2:1–15Google Scholar
  14. de Vries H, Biesmeijer JC (1998) Modelling collective foraging by means of individual behavior rules in honey-bees. Behav Ecol Sociobiol 44(2):109−124CrossRefGoogle Scholar
  15. DeAngelis DL, Gross L (1992) Individual-based models and approaches in ecology: populations, communities and ecosystems. Chapman & Hall, New YorkCrossRefGoogle Scholar
  16. Duffy JE (2002) Biodiversity and ecosystem function: the consumer connection. Oikos 99:201–219CrossRefGoogle Scholar
  17. Edwards M, Morse DR (1995) The potential for computer-aided identification in biodiversity research. Trends Ecol Evol 10:153–158CrossRefGoogle Scholar
  18. Forrester JW (1972) Grundzüge einer Systemtheorie. Betriebswissenschaftlicher Verlag Th. Gabler, WiesbadenCrossRefGoogle Scholar
  19. GBIF(2003) Global Biodiversity Information Facility Strategic Plan http://www.gbif.org/GBIF_org/documents/strategic_plan
  20. Gardner RH, Turner MG (1991) Future directions in quantitative landscape ecology. In: Turner MG, Gardner RH (eds) Quantitative methods in landscape ecology. Springer, Berlin Heidelberg New York, pp 519–525CrossRefGoogle Scholar
  21. Goldberg A, Robson D (1983) Smalltalk-80: the language and its implementation. Addison-Wesley, ReadingGoogle Scholar
  22. Goldberg DE (1989) Genetic algorithms in search, optimization, and machine learning. Addison-Wesley, ReadingGoogle Scholar
  23. Grimm V (1999) Ten years of individual-based modelling in ecology: what have we learned and what could we learn in the future. Ecol Model 115:129–148CrossRefGoogle Scholar
  24. Hanski I, Korpimäki E (1995) Microtine rodent dynamics in northern Europe: parameterized models for the predator-prey interaction. Ecology 76(3):840–850CrossRefGoogle Scholar
  25. Hölker F, Breckling B (2002) Concepts of scales, hierarchies and emergent properties in ecological models. In: Hölker F (ed) Scales, hierarchies and emergent properties in ecological models. Peter Lang Verlang, Frankfurt, pp 7–27Google Scholar
  26. Hogeweg P (1980) Locally synchronized developmental systems, conceptual advantages of discrete event formalism. Int J Gen Systems 6:57–73CrossRefGoogle Scholar
  27. Hogeweg P, Hesper B (1991) Evolution as pattern processing: TODO as sub-strate for evolution. In: Meyer J-A, Wilson SW (eds) From animals to animats. MIT Press, Cambridge, pp 492–497Google Scholar
  28. Holland JH (1975) Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. University of Michigan Press, USAGoogle Scholar
  29. Huston M, DeAngelis DL, Post W (1988) New computer models unify ecological theory. Bioscience 38:682–691CrossRefGoogle Scholar
  30. Imboden DM, Koch S (2003) Systemanalyse. Einführung in die mathematische Modellierung natürlicher Systeme. Springer, Berlin Heidelberg New YorkGoogle Scholar
  31. Ives AR, Hughes JB (2002) General relationships between species diversity and stability in competitive systems. Am Nat 159(4):388–395CrossRefGoogle Scholar
  32. Jopp F, Weigmann G, Reuter H (1998) Modelling movement and migration patterns of ground dwelling invertebrates. In: Breckling B, Islo H (eds) Object oriented modelling and simulation. Proceedings of the 24th conference of the association of SIMULA users, pp 53–63Google Scholar
  33. Judson OP (1994) The rise of the individual-based model in ecology. Trends Ecol Evol 9:9–14CrossRefGoogle Scholar
  34. Kaiser H (1976) Quantitative description and simulation of stochastic behaviour in dragonfliesAeschna cynaea. Acta Biotheor 25:163–210CrossRefGoogle Scholar
  35. Krasner G (1983) Smalltalk-80: bits of history, words of advice. Addison-Wesley, ReadingGoogle Scholar
  36. Kuhn TS (1962) The structure of scientific revolutions. University of Chicago Press, ChicagoGoogle Scholar
  37. Langton CG (1988) Artificial life. Addison-Wesley, ReadingGoogle Scholar
  38. Lawton JH, May RM (eds) (1995) Extinction rates. Oxford University Press, OxfordGoogle Scholar
  39. Lehman CL, Tilman D (2000) Biodiversity, stability, and productivity in competitive communities. Am Nat 156(5):534–552CrossRefGoogle Scholar
  40. Liebig J von (1840) Die Organische Chemie in ihrer Anwendung auf Agricultur und Physiologie. BraunschweigGoogle Scholar
  41. Liu J, Duning JBJ, Pulliam HR (1995) Potential effects of a forest management plan on Bachman’s sparrows (Aimophila aestivalis): linking a spatially explicit model with GIS. Conserv Biol 9(1):62–75CrossRefGoogle Scholar
  42. Lomnicki A (1988) Population ecology of individuals. Princeton University Press, Princeton, New JerseyGoogle Scholar
  43. Loreau M (2000) Biodiversity and ecosystem functioning: recent theoretical advances. Oikos 91(1):3–17CrossRefGoogle Scholar
  44. Lotka AJ (1926) Elements of physical biology. Williams and Wilkins, BaltimoreGoogle Scholar
  45. Mackey RL, Currie DJ (2000) A re-examination of the expected effects of disturbance on diversity. Oikos 88(3):483–493CrossRefGoogle Scholar
  46. Mandelbrot B (1982) The fractal geometry of nature. WH Freeman, New YorkGoogle Scholar
  47. Matsinos YG, Troumbis AY (2002) Modeling competition, dispersal and effects of disturbance in the dynamics of a grassland community using a cellular automaton model. Ecol Model 149(1–2):71–83CrossRefGoogle Scholar
  48. Meadows DH, Meadows DL, Randers J, Behrens WW (1972) Limits to growth. Potomac Associates, New YorkGoogle Scholar
  49. Middelhoff U, Breckling B (1997) Nutrient uptake and growth of anAlnus glutinosa stand: an individual based model about the interaction of plant and soil. Bayreuther Forum Ökologie 52:189–203Google Scholar
  50. Middelhoff U, Breckling B (2003) Modelling population interactions and dispersal of oilseed rape (Brassica napus L., Brassicaceae. Verhandlungen der Gesellschaft für Ökologie 33:273Google Scholar
  51. Mikola J, Setala H (1998) Relating species diversity to ecosystem functioning: mechanistic backgrounds and experimental approach with a decomposer food web. Oikos 83(1):180–194CrossRefGoogle Scholar
  52. Milne BT (1991) Lessons from applying fractal models to landscape patterns. In: Turner MG, Gardner RH (eds) Quantitative methods in landscape ecology. Springer, Berlin Heidelberg New York, pp 199–235CrossRefGoogle Scholar
  53. Milne BT (1992) Spatial aggregation and neutral models in fractal landscapes. Am Nat 139:32–57CrossRefGoogle Scholar
  54. Moore GE (1965) Cramming more components onto integrated circuits. Electronics 38:114–117Google Scholar
  55. Newbould PJ (1967) Methods for estimating the primary production of forests, IPB handbook 2. Willmer Brother, BirkenheadGoogle Scholar
  56. Noss RF (1990) Indicators for monitoring biodiversity: a hierarchical approach. Biol Conserv 4:355–364CrossRefGoogle Scholar
  57. Oberstadt B, Heinz J (2003) Mating biology and population structure of the ant,Leptothorax gredleri. Insect Soc 50:340–345CrossRefGoogle Scholar
  58. Oli MK (2003) Population cycles of small rodents are caused by specialist predators: or are they? Trends Ecol Evol 18(3):105–107CrossRefGoogle Scholar
  59. O’Neill R, DeAngelis DL, Waide JB, Allen TFH (1986) A hierarchical concept of ecosystems. Princeton University Press, Princeton, New JerseyGoogle Scholar
  60. Patten BC, Odum EP (1981) The cybernetic nature of ecosystems. Am Nat 118:886–895CrossRefGoogle Scholar
  61. Pearl R (1924) Studies in human biology. William and Wilkins, BaltimoreGoogle Scholar
  62. Prigogine I (1980) From being to becoming: time and complexity in the physical sciences. WH Freeman, San FranciscoGoogle Scholar
  63. Ricker WE (ed) (1968) Methods for assessment of fish production in freshwaters, IBP Handbook 3. Blackwell Scientific, OxfordGoogle Scholar
  64. Reuter H (2001) Individual and environment: interaction and feedback processes in individual based faunistic ecological models. P Lang, Frankfurt (in German)Google Scholar
  65. Reuter H, Breckling B (1994) Self organization of fish schools: an object-oriented model. Ecol Model 74–75:147–159CrossRefGoogle Scholar
  66. Reuter H, Breckling B (1999) Emerging properties on the individual level: Modelling the reproduction phase of the European robinErithacus rubecula. Ecol Model 121(2–3):199–219CrossRefGoogle Scholar
  67. Rosenzweig ML, Abramsky Z (1980) Microtine cycles: the role of habitat heterogeneity. Oikos 34:141–146CrossRefGoogle Scholar
  68. Schwefel HP (1995) Evolution and optimum seeking. Wiley Interscience, New YorkGoogle Scholar
  69. Seitz A (1984) Simulationsmodelle als Werkzeuge in der Populationsökologie. Verhandlungen der Gesellschaft für Ökologie, Bern 12:471–486Google Scholar
  70. Signor P (1994) Biodiversity in geological time. Am Zool 34(1):23–32CrossRefGoogle Scholar
  71. Silver WL, Brown S, Lugo AE (1996) Effects of changes in biodiversity on ecosystem function in tropical forests. Conserv Biol 10(1):17–24CrossRefGoogle Scholar
  72. Solé RV, Manrubia SC (1995) Are rainforests self-organized in a critical state? J Theor Biol 173(1):31–40CrossRefGoogle Scholar
  73. Stenseth NC (1999) Population cycles in voles and lemmings: density dependence and phase dependence in a stochastic world. Oikos 87(5):427–461CrossRefGoogle Scholar
  74. Stroustrup B (1991) The C++ programming language. Addison-Wesley, ReadingGoogle Scholar
  75. Thulke HH, Grimm V, Mueller MS, Staubach C, Tischendorf L, Wissel C, Jeltsch F (1999) From pattern to practice: a scaling-down strategy for spatially explicit modelling illustrated by the spread and control of rabies. Ecol Model 117(2–3):179–202CrossRefGoogle Scholar
  76. Toffoli T, Margolus N (1987) Cellular automata machines. MIT Press, CambridgeGoogle Scholar
  77. Turchin P, Hanski I (2001) Contrasting alternative hypotheses about rodent cycles by translating them into parameterized models. Ecol Lett 4(3):267–276CrossRefGoogle Scholar
  78. Turner W, Spector S, Gardiner N, Fladeland M, Sterling E, Steininger M (2003) Remote sensing for biodiversity science and conservation. Trends Ecol Evol 18(6):306–314CrossRefGoogle Scholar
  79. United Nations Conference on Environment and Development (UNCED) (1992) Convention on biological diversity, Rio de JaneiroGoogle Scholar
  80. van der Laan JD (1996) The importance of space in ecology: A story about patterns, scale and modelling. Senckenbergiana Maritima 27 (3–6):97–107Google Scholar
  81. Verhulst PF (1838) Notice sur la loi que la population suit dans son accroissement. Corresp Math et Phys 10:113–121Google Scholar
  82. Vitousek PM, Ehrlich PR, Ehrlich AH, Matson PA (1986) Human appropriation of the products of photosynthesis. Bioscience 36:63–373CrossRefGoogle Scholar
  83. Weeks PJD, Gaston KJ (1997) Image analysis, neural networks, and the taxonomic impediment to biodiversity studies. Biodivers Conserv 6:263–274CrossRefGoogle Scholar
  84. Wilson EO (2003) The encyclopedia of life. Trends Ecol Evol 18:77–80CrossRefGoogle Scholar
  85. White B (ed) (2001) Starlink lessons learned. FCN, WashingtonGoogle Scholar
  86. Wolff WF (1994) An individual-oriented model of a wading bird nesting colony. Ecol Model 72:75–114CrossRefGoogle Scholar
  87. Wolfram S (1984) Cellular automata as models of complexity. Nature 311:419–424CrossRefGoogle Scholar

Copyright information

© Springer-Verlag 2004

Authors and Affiliations

  1. 1.UFT, Department of General and Theoretical EcologyUniversity of BremenBremenGermany

Personalised recommendations