Zur Kurzanzeige

2018-02-23Dissertation DOI: 10.18452/18818
Classification of complex networks in spatial, topological and information theoretic domains
dc.contributor.authorWiedermann, Marc
dc.date.accessioned2018-02-23T08:01:55Z
dc.date.available2018-02-23T08:01:55Z
dc.date.issued2018-02-23
dc.identifier.urihttp://edoc.hu-berlin.de/18452/19546
dc.description.abstractDie Netzwerktheorie ist eine wirksame Methode, um die Struktur realer Systeme, z.B. des Klimasystems, zu beschreiben und zu klassifizieren. Der erste Teil dieser Arbeit nutzt diese Diskriminanzfähigkeit um die Ost- und Zentralpazifischen Phasen von El Niño und La Niña mittels eines Index basierend auf der Evaluation zeitlich entwickelnder Klimanetzwerke zu unterscheiden. Nach dem Studium der klimatischen Einflüsse dieser unterschiedenen Phasen verlegt die Arbeit ihren Schwerpunkt von der Klassifikation einzelner klimatischer Schichten auf den generelleren Fall interagierender Netzwerke. Hier repräsentieren die Teilnetzwerke entsprechende Variabilitäten in Ozean und Atmosphäre. Es zeigt sich, dass die Ozean-Atmosphären-Wechselwirkung einer hierarchischen Struktur folgt wobei makroskopische Netzwerkmaße einzelne Atmosphärenschichten bezüglich ihrer Wechselwirkung mit dem Ozean unterscheiden. Der zweite Teil dieser Arbeit untersucht den Einfluss der räumlichen Einbettung von Knoten auf topologische Netzwerkeigenschaften. Hierzu werden Nullmodelle eingeführt, welche zufällige Surrogate eines gegebenen Netzwerks erzeugen, sodass globale und lokale räumliche Eigenschaften erhalten bleiben. Diese Modelle erfassen die makroskopischen Eigenschaften der studierten Netzwerke besser als bisherige Standardmodelle zur Erzeugung von Zufallsnetzwerken. Abhängig von der Performanz der vorgeschlagenen Modelle können gegebene Netzwerke schlussendlich in verschiedene Klassen eingeteilt werden. Die Arbeit schließt mit einer Erweiterung der bisherigen Netzwerkklassifikatoren um eine zweidimensionale Metrik, welche Netzwerke auf Basis ihrer Komplexität unterscheidet. Es wird gezeigt, dass Netzwerke des gleichen Typs dazu neigen in individuellen Bereichen der resultierenden Komplexitäts-Entropie-Ebene zu liegen. Die eingeführte Methode ermöglicht auch die objektive Konstruktion von Klimanetzwerken indem Schwellwerte gewählt werden, die die statistische Komplexität maximieren.ger
dc.description.abstractComplex network theory provides a powerful tool to quantify and classify the structure of many real-world complex systems, including the climate system. In its first part, this work demonstrates the discriminative power of complex network theory to objectively classify Eastern and Central Pacific phases of El Niño and La Niña by proposing an index based on evolving climate networks. After an investigation of the climatic impacts of these discriminated flavors, this work moves from the classification of sets of single-layer networks to the more general study of interacting networks. Here, subnetworks represent oceanic and atmospheric variability. It is revealed that the ocean-to-atmosphere interaction in the Northern hemisphere follows a hierarchical structure and macroscopic network characteristics discriminate well different parts of the atmosphere with respect to their interaction with the ocean. The second part of this work assesses the effect of the nodes’ spatial embedding on the networks’ topological characteristics. A hierarchy of null models is proposed which generate random surrogates from a given network such that global and local statistics associated with the spatial embedding are preserved. The proposed models capture macroscopic properties of the studied spatial networks much better than standard random network models. Depending on the models’ actual performance networks can ultimately be categorized into different classes. This thesis closes with extending the zoo of network classifiers by a two-fold metric to discriminate different classes of networks based on assessing their complexity. Within this framework networks of the same category tend to cluster in distinct areas of the complexity-entropy plane. The proposed framework further allows to objectively construct climate networks such that the statistical network complexity is maximized.eng
dc.language.isoeng
dc.publisherHumboldt-Universität zu Berlin
dc.rights(CC BY-NC-SA 3.0 DE) Namensnennung - Nicht-kommerziell - Weitergabe unter gleichen Bedingungen 3.0 Deutschlandger
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/de/
dc.subjectNetzwerktheorieger
dc.subjectKlassifikationger
dc.subjectKlimanetzwerkger
dc.subjecträumliche Netzwerkeger
dc.subjectnetwork theoryeng
dc.subjectclassificationeng
dc.subjectclimate networkeng
dc.subjectspatial networkseng
dc.subject.ddc530 Physik
dc.titleClassification of complex networks in spatial, topological and information theoretic domains
dc.typedoctoralThesis
dc.identifier.urnurn:nbn:de:kobv:11-110-18452/19546-6
dc.identifier.doihttp://dx.doi.org/10.18452/18818
dc.date.accepted2017-12-01
dc.contributor.refereeKurths, Jürgen
dc.contributor.refereeLange, Holger
dc.contributor.refereeDavidsen, Jörn
dc.subject.rvkST 300
local.edoc.pages203
local.edoc.type-nameDissertation
bua.departmentHumboldt-Universität (insgesamt)

Zur Kurzanzeige