A complex systems perspective on land-use dynamics in the Amazon: patterns, agents, networks

Abstract

Die Doktorarbeit untersucht, wie sich Mensch-Umwelt-Interaktionen am Beispiel von Abholzung und Landnutzungsänderungen im Amazonas analysieren und modellieren lassen. Die Abholzung tropischer Wälder bedroht die Stabilität artenreicher Ökosysteme, lokaler Wettergeschehen und des globalen Klimas. Drei Hauptteile erforschen das Thema mit Konzepten der theoretischen Physik und Netzwerktheorie. Der erste Teil gibt einen kritischen Überblick über Modellansätze, die Entscheidungen und menschliches Verhalten beschreiben. Agentenbasierte Netzwerkmodelle ergeben sich als vielversprechender Ansatz um sozial-ökologische Systeme zu modellieren. Der zweite Teil identifiziert Muster in satellitengestützten Landbedeckungsdaten im brasilianischen Amazonas. Basierend auf der Theorie der Markov-Ketten werden Übergangsraten zwischen verschiedenen Typen von Landbedeckung berechnet und Übergangsmatrizen für Teilgebiete mit Clusteralgorithmen verglichen. Angrenzende Teilgebiete weisen ähnliche Übergänge auf. Die identifizierten Cluster decken sich mit Erkenntnissen aus Feldstudien. Auf Grundlage der geschätzten Übergangsrate ergeben sich Projektionen für die Entwicklung der Landbedeckungsanteile. Der dritte Teil entwickelt ein agentenbasiertes Modell um zu untersuchen, unter welchen Bedingungen die Intensivierung der Viehhaltung im Amazonas die Abholzung reduzieren kann. Das Modell kombiniert ökologische, ökonomische und soziale Prozesse und modelliert Landnutzungsstrategien mit Heuristiken. Die Modellanalyse zeigt, dass eine Intensivierung die Abholzung nur dann verringert, wenn der lokale Viehmarkt saturiert. Unter anderen ökonomischen Bedingungen kann Intensivierung die Abholzung erhöhen. Die Arbeit demonstriert, dass eine Kombination von Methoden aus der Theorie komplexer Systeme mit sozialwissenschaftlichen Theorien zu einem besseren Verständnis der emergenten Dynamik sozial-ökologischer Systeme führen kann – eine Grundvoraussetzung, um solche Systeme nachhaltig zu bewirtschaften.

This thesis investigates how to model and analyze human-nature interactions using the example of deforestation and land-use change in the Brazilian Amazon. Deforestation of tropical forests threatens the stability of species-rich ecosystems, local weather patterns, and global climate. The three main parts of the thesis study different aspects of this topic using concepts from theoretical physics and network theory. The first part reviews modeling approaches to human decision making and behavior. From the review, networked agent-based models emerge as promising tools to capture the dynamics of social-ecological systems such as the land system. The second part of the thesis combines Markov-chain and cluster analyses to detect patterns in satellite-derived land-cover maps of the Brazilian Amazon. I compute transition rates between different land-cover types and apply clustering algorithms to find spatial patterns. The analysis shows that neighboring subregions undergo similar transitions and identifies clusters corresponding to findings from field surveys. Markov-chain models, parameterized with the transition rates, are used to compute land-cover projections. In the third part, I develop an agent-based model to investigate under which conditions the intensification of cattle ranching can reduce deforestation in the Amazon. The model captures stylized environmental, economic, as well as social processes, and uses heuristic decision theory to represent different land management strategies. A detailed analysis reveals that fast intensification can only lower deforestation rates if local cattle markets saturate. Under other economic conditions intensification may increase deforestation. The contributions of this thesis demonstrate that combining modeling tools from complexity science with social-science theories allow better understanding the emergent dynamics of social-ecological systems, which is a prerequisite for their sustainable management.