Frank [00:02:33]:

Kaffee an der Spree, unsere zweite Episode nach Kaffee am Kanzleramt. Jetzt sind wir ein paar Kilometer weitergezogen.

Friedrich [00:02:39]:

Ja herrlich, Sonnenschein, schöne Luft, ist total cool hier zu sein.

Frank [00:02:43]:

Und was könnte man morgens an der Spree anders machen als ein Podcast über Modellierung aufnehmen.

Friedrich [00:02:49]:

Total naheliegend, finde ich auch.

Frank [00:02:51]:

Das ist unser Thema heute. Heute geht es Modellierung. Das ist etwas, was dich in deiner tagtäglichen Arbeit stark beschäftigt. Du bist Ökosystemmodellierer am Helmholtz-Institut für Umweltforschung. Bist natürlich auch bei uns, bei Bamberg of Morgan, unser Head of Science. Aber eigentlich modellierst du Ökosysteme. Und das hatte mich schon immer mal interessiert, was das eigentlich ist. Diese Modellierer oder Modelliererinnen, die kamen zum ersten Mal bei mir in meinen Blickwinkeln bei der Pandemie.

Frank [00:03:20]:

Da wurde immer gesagt, die Modellierer errechnen die nächste Welle oder so. Und das waren irgendwie alles immer so Physikerinnen und so und keine Biologen oder Mediziner, so ganz andere Typen. Und sie hatten immer Recht. Und Wir möchten euch mitnehmen in die große Welt der wissenschaftlichen Modellierung und wollen am Schluss so ein bisschen auch die Überleitung zur Wirtschaft und zu unserer alltäglichen Arbeit im Marketing nochmal nehmen. Sag mir doch mal, was ist denn Ökosystemmodellierung in einem Satz, Friedrich?

Friedrich [00:03:52]:

Also die wissenschaftliche Definition von Ökosystemmodellierung würde ich folgendermaßen benennen. Ökosystemmodellierung entwickelt Modelle, welche die raumzeitliche Dynamik und die Interaktivität von Individuen, Populationen und Artengemeinschaften in Ökosystemen abbilden und sie analysiert die Zusammenhänge zwischen raumzeitlichen Mustern und Prozessen. Okay,

Frank [00:04:16]:

Kannst du mir das nochmal in einfachen Worten sagen?

Friedrich [00:04:18]:

Wir bauen Computerspiele, die Ökosysteme abbilden. Okay.

Frank [00:04:23]:

Warum macht man das?

Friedrich [00:04:24]:

Wir versuchen, mit Modellen das Wissen, das wir über Feldexperimente, über Messkampagnen etc. Generieren und analysieren, dann nochmal systematisch aufzuschreiben, mithilfe von Mathematik oder im Sinne von Programmierung, eben im Sinne von Code, umzuschauen, ob das, was wir jetzt wirklich verstanden haben und formalisiert haben, mit der Realität übereinstimmt. Können wir also mit dem Wissen, was wir haben, die Realität hinreichend gut abbilden? Perfekt klappt es nie, aber so gut wie möglich eben immer. Und das ist einfach eine sehr formalisierte Sprache, Realität zu beschreiben am Ende.

Frank [00:05:04]:

Aber ich sehe ja die Realität. Also da muss ich eigentlich nichts mehr abbilden. Und bei der Pandemie ging es ja eigentlich die Zukunft, oder? Geht es darum, auch zu prognostizieren, was zukünftig passieren könnte?

Friedrich [00:05:14]:

Genau. Also wenn man eine gute Beschreibung der Realität hinbekommt, oder eine eben hinreichend gute Beschreibung, dann ermöglicht das einem, eine gewisse Zukunftsvorhersage hinzubekommen. Wir in der Wissenschaft sprechen immer eher ungern von Vorhersage, sondern wir sprechen eher von Prognosen, weil natürlich, was jetzt konkret in der Zukunft passiert, wir nicht genau vorhersagen können. Und je nachdem, wie wir als Menschen handeln, eventuell als Reaktion auf die Modelle, die wir berechnet haben, verändert sich natürlich die Zukunft. Also Beispiel Pandemie. Die Modelle, die wir damals hatten, haben natürlich ein damals neues Wort exponentielles Wachstum vorhergesagt und weil wir aber diese Vorhersage hatten, hat dann die Politik eben eingegriffen, hat sozusagen Maßnahmen unternommen, die dieses exponentielle Wachstum wieder gebrochen haben und wir wieder sozusagen ein Abflauen der Kurve hatten. Wenn wir das nicht gemacht hätten, dann wäre das halt alles durch die Decke gegangen.

Frank [00:06:11]:

Du sprachst ja gerade von Modellen. Also jetzt ein Modell, was versucht die Realität abzubilden, ist ja eigentlich kein Modell mehr, weil es wäre die Realität. Also das heißt, ich müsste mir ja erstmal die Realität stark vereinfachen oder die Komplexität der Realität stark vereinfachen, überhaupt modellartigen Charakter zu haben. Oder habe ich da, habe ich gerade einen Denkfehler da in diesem Thema?

Friedrich [00:06:33]:

Na genau, Ein Modell besteht immer nicht nur aus dem Modell oder eine Ökosystemanalyse besteht nicht nur aus einem Modell, sondern immer auch aus einer zurzeit zugehörigen Frage. Und die Kunst des Modellierens ist dann, für eine konkrete Frage oder vielleicht einen Fragenbündel ein Modell zu schreiben, was einem hilft, die Antwort zu finden. Also wenn ich zum Beispiel, bleiben wir bei dem Beispiel Pandemie, wenn mich interessiert, wie viele Menschen in der nächsten Woche wahrscheinlich infiziert sind, dann brauche ich in diesem Modell erstmal keine Annahmen über die nächste Fußballspielrunde oder so. Das kann ich weglassen. Auch wirtschaftliche Sachen zum gewissen Teil nicht. Und was eher eine Rolle spielt, ist wie stark gibt es zum Beispiel Interaktionen, also Treffen, physische Treffen zwischen Menschen. Das ist ein ganz entscheidender Faktor bei Pandemie-Modellierung. Und das kann man erstmal einfach abbilden mit einem relativ simplen Modell, was aus drei, vier Zeilen Code oder mathematischer Formel besteht.

Friedrich [00:07:36]:

Und je genauer man Vorhersagen will, desto mehr zusätzliche Faktoren baut man ein. Und mit jedem neuen Faktor wird das Modell jedes Mal komplizierter. Es gibt immer mehr Wechselwirkungen. Die Vorhersagen werden hoffentlich besser. Das ist nicht immer gegeben, nur weil ich das Modell komplizierter mache. Und das Entscheidende ist aber, je mehr ich dazu packe, desto geringer ist der Gewinn an Erkenntnis, den ich habe. Also wenn ich die drei wichtigsten Faktoren drin habe, kann ich vielleicht schon 70 Prozent erklären und dann packe ich nochmal 10 dazu und dann bin ich gerade mal bei 80. Es wird eigentlich immer dann komplizierter, wenn du menschliches Verhalten oder generell Leben mit einmachst.

Friedrich [00:08:15]:

Also ein einfaches Modell, früher Kopernikus und so weiter, wie funktioniert unser Sonnensystem. Das ist knallharte Mathematik, da kann man über Jahrmillionen vorher sagen, wie sich Planeten die Sonne drehen. Aber sobald halt Leben und Interaktivität zwischen Lebewesen reinkommt, wird es kompliziert. Deswegen ist die Ökosystemmodellierung auch so ein bisschen ein anderes Level in der Herausforderung.

Frank [00:08:39]:

Du hast gerade gesagt, du bist jetzt bei den Ökosystemen. Wir hatten vorher die Pandemie. Wo überhaupt findet denn Modellierung in

Friedrich [00:08:47]:

der Wissenschaft noch statt? Eigentlich hat jedes Feld der Wissenschaft eine Gruppe von Modellierern, die versucht es zusammenzufassen. Boah ey, alles. Also ich wüsste keine Wissenschaft, die das nicht irgendwie hat. Also vielleicht hat nicht jede Wissenschaft am Ende jetzt wirklich ein Computerspielmodell, was am Computer läuft, aber Modelle sind manchmal eben auch einfache Formeln, mathematische Formeln, die man aufschreiben kann oder manchmal auch bestimmte Theoriekonstrukte, die sprachlich formuliert sind, aber eben sehr, sehr präzise sind. Das ist eigentlich immer das Charakteristikum.

Frank [00:09:22]:

Also auch nicht nur in der Naturwissenschaft, sondern auch in der Sozialwissenschaft, in der Wirtschaftswissenschaft und so weiter findet Modellierung statt.

Friedrich [00:09:28]:

In der Wirtschaftswissenschaft auf jeden Fall, in den Sozialwissenschaften, ich begebe mich jetzt ein bisschen auf dünnes Eis, aber auch da gerade was so soziale Entwicklungen durch die ganzen, also zum Beispiel durch Social Media und so weiter haben wir sehr viel gelernt, wie Informationen sich zum Beispiel ausbreitet und dazu gibt es dann eben auch wieder Modelle, die solche Sachen beschreiben, wie funktionieren soziale Netzwerke etc.

Frank [00:09:52]:

Okay, also ich habe jetzt also ein Modell und treffe da Annahmen in diesem Modell. Was sind denn eigentlich jetzt richtige Annahmen und was sind falsche Annahmen? Wie weiß ich das denn eigentlich?

Friedrich [00:10:02]:

Genau, das ist das Feld, was sich Modellevaluation nennt bei uns in der Fachcommunity. Das heißt, was wir da versuchen ist, wir lassen unser Modell laufen und versuchen, die Vergangenheit zu reproduzieren. Und ich finde immer, eines der besten Beispiele dafür ist die Klimawissenschaften. Wenn wir jetzt also Klimamodelle bauen, dann schauen wir, ob wir Temperaturentwicklungen, Entwicklungen der Meerestemperatur oder so, in der Vergangenheit richtig reproduzieren können im Modell. Und da gibt es, finde ich, eine sehr spannende Geschichte. Und zwar hat man festgestellt, dass die Modelle oder dass die Meerestemperatur nach 1945 sich sprunghaft verändert hat, ein paar Zehntel Grad. Und die Modelle haben versucht, das irgendwie richtig hinzubekommen. Und wieso kriegen wir das nicht hin? Und tatsächlich sind die Modelle immer wieder gescheitert.

Friedrich [00:10:56]:

Die haben diesen Sprung nicht nachbauen können. Und Man denkt eben immer, die Modelle müssen ja die Realität abbilden, weil das sind ja die originalen Messungen. Bis sich dann die Modellierer und Modellierende irgendwann gedacht haben, okay, wir müssen uns nochmal die Daten genau anschauen und haben dann festgestellt, dass vor 1945, ich weiß jetzt nicht genau, ob es vor oder nach dem Schiff war, Aber einmal wurde vor dem Schiff gemessen, die Temperatur. Also wurde einfach der Wassereimer vor dem Schiff genommen und dann einmal nach dem Schiff. Und hinter dem Schiff ist das Wasser halt einen Ticken wärmer, weil dieses Wasser teilweise zur Kühlung des Motors benutzt wurde und deswegen hatten wir diesen Sprung in den Daten. Das heißt, die Modelle waren richtig und die haben geholfen, die Messungen besser zu verstehen. Aber wenn wir, das Ganze jetzt abzubinden, wenn wir es hinbekommen, die Vergangenheit richtig zu reproduzieren oder hinreichend gut, wir treffen nie genau die Werte, dann können wir davon ausgehen, dass das auch in Zukunft so sein wird. Also die Grundannahme der Modellierung ist, wenn wir die Muster der Vergangenheit hinreichend gut reproduzieren können, dann gelten unsere Modelle auch für die Zukunft.

Friedrich [00:11:58]:

Und jetzt könnte ich noch was zur Künstlichen Intelligenz sagen.

Frank [00:12:01]:

Ja, also diese Frage lag mir auch gerade auf der Zunge. Was ist eigentlich mit künstlicher Intelligenz, Friedrich?

Friedrich [00:12:08]:

Genau. Erstens gibt es schon eine ganze Weile. Ich habe schon in meiner Diplomarbeit 2000, wann war das? 2006? Im Studium haben wir schon mit KI und neuronalen Netzen rumgespielt. Es ist also nichts, was jetzt so auf einmal vom Himmel gefallen ist. Viele, nicht alle, aber die allermeisten künstlichen Intelligenzsysteme, die wir nutzen, werden trainiert auf bestehenden Daten und versuchen, diese Datenwolke dann abzubilden. Das bedeutet aber, dass diese Modelle in der Regel Schwierigkeiten haben, neue Ereignisse gut abzubilden oder sobald wir uns aus dem bekannten Raum hinaus entwickeln. Im Gegensatz dazu haben eben mechanistische Modelle, also sprich Modelle, die auf mathematischen Formeln beruhen, können eher aus den bestehenden Wissensgrenzen hinaus schon vorhersagen, was passiert. Entscheidend ist das eben zum Beispiel beim Klimawandel, weil wir wissen, wie bestimmte physikalische Gesetze funktionieren, können wir ziemlich gut vorhersagen, wie sich die Temperatur auf der Erde eben entwickelt.

Friedrich [00:13:13]:

Wenn man ein künstliches Intelligenzsystem mit all den Daten, die wir bis jetzt gesammelt haben, trainieren würde, würde die Systeme wahrscheinlich nicht vorher sagen können, wie eine Welt mit einer 3 Grad Temperaturerhöhung aussieht.

Frank [00:13:25]:

Okay, jetzt bist du Ökosystemmodellierer und mit Schwerpunkt Wälder. Das ist dein Forschungsschwerpunkt, auch die deutschen Wälder oder europäischen Wälder?

Friedrich [00:13:37]:

Ja weltweit inzwischen. Ich hatte auch schon Sachen in Tansania und Kollegen von mir in Amazonas. Ich persönlich habe Schwerpunkt Temperate Wälder, also sprich die Wälder in Zentraleuropa, in den USA, in Japan.

Frank [00:13:50]:

Okay, haben wir es einmal wissenschaftlich korrekt formuliert. Danke. Sozusagen. Jetzt lassen wir mal auf diesen Wald gehen. Du willst den Wald verstehen. Friedrich will den Wald verstehen. Was machst du? Welche Annahmen triffst du? Wie baust du dieses Modell, dass du diese Komplexität dieses Ökosystems überhaupt

Friedrich [00:14:08]:

abbilden kannst? Ich denke gerade auch über die Frage, will ich den Wald verstehen? Das ist so ein echt großes Level, weil der Wald einfach so viele Aspekte hat. Also aus wissenschaftlicher Sicht würden wir versuchen, wir wollen die Frage ein bisschen präzisieren und konkret bei mir geht es darum zu verstehen, wie sich artenreiche Wälder von nicht artenreichen Wäldern unterscheiden, wie sich strukturreiche Wälder, also eine Mischung aus großen und kleinen Bäumen und eben nicht großen und kleinen Bäumen Verhalten im Zuge des Klimawandels. Das heißt, in dieser Frage liegt schon ein bisschen drin, wie das Modell aussehen muss. Es muss halt die Es muss halt Bäume abbilden können, es muss verschiedene Arten abbilden können. Diese Bäume müssen Funktionen haben, die sozusagen auf den Klimawandel reagieren können. Das Ganze kann man über mathematische Modelle abbilden und so baut sich peu à peu ein Modell auf. Anderes Beispiel. Kollegen von mir beschäftigen sich mit der Wasserdynamik in Deutschland, der Dürremonitor ist das, den vielleicht der eine oder andere von euch schon mal gehört hat.

Friedrich [00:15:08]:

Da wird Wald viel einfacher gebildet. Das ist einfach nur eine Schicht grüner Blätter in Deutschland, weil für die Wasserdynamik es nur wichtig ist, wie viel Wasser bleibt eventuell in der Krone hängen und wie viele Sikadutten aus der Wurzelzone vom Wald raus. Da ist es viel einfacher gebildet, weil die Frage eine andere ist. Und das reicht aber vollkommen aus.

Frank [00:15:28]:

Das heißt, die Frage ist da auch wieder entscheidend, die ich mir dann stellen möchte. Nicht, ich will den Wald verstehen, das wäre viel zu groß diese Frage, sondern warum reagiert ein Mischwald sehr viel weniger empfindlich auf Temperaturunterschiede als ein reiner Fichtenwald oder sowas. Das wäre eine valide Frage sozusagen für die Modellierung.

Friedrich [00:15:49]:

Genau, also wir sind gerade dabei zum Beispiel jetzt einen großen Forschungsantrag einzureichen mit 50, oder 50, 60 verschiedenen Forscher, die sich Gedanken gemacht haben Und da ist zum Beispiel die Frage, wie eben Biodiversität mit Klima-Extremen zurechtkommt. Also sprich, wir hatten jetzt dieses Jahr wieder einen sehr trockenen Frühsommer. Wir hatten diese Dürrezeit 2017, 2018. Und auch jetzt, ich meine, wenn man sich die Nachrichten anschaut, diese ganzen Extremereignisse mit Niederschlägsereignissen oder Dürren und so weiter, das nimmt einfach zu. Und tatsächlich ist es so, dass wir in der Wissenschaft nicht genau wissen, wie solche Extremstereignisse, also die wirklich krass anders sind als vorher, eigentlich mit der Natur wechselwirken. Und da versuchen wir jetzt einfach konkret rauszubekommen, wie wirkt sich ein Extremereignis auf verschiedene Wälder aus. Der aktuelle Stand der Forschung sagt, artenreiche Wälder können das besser puffern, sprich, die kommen mit solchen Extremereignissen besser zurecht. Aber die Frage ist, können die Ereignisse so extrem werden, dass selbst diese Systeme kollabieren? Und wenn ja, wann und warum? Und dann hast du den ganzen Fragenkatalog hinten dran.

Friedrich [00:16:57]:

Und da werden sich die hoffentlich, wenn der Antrag durchgeht, in den nächsten zwölf Jahren hunderte von Wissenschaftlern nochmal mit beschäftigen, am Ende dann in einer Podcastfolge kluge Aussagen treffen zu können.

Frank [00:17:10]:

So ist das dann, ne? Man braucht lange Zeit und lange Datenreihen, überhaupt zu solchen Aussagen zu kommen.

Friedrich [00:17:15]:

Das ist halt immer... Vom

Frank [00:17:16]:

Glauben ins Wissen zu kommen sozusagen.

Friedrich [00:17:18]:

Genau, das ist halt immer der Unterschied bei diesen ganzen Debatten, dass halt wenn ein Wissenschaftler sagt, dann ist das nicht seine Meinung, sondern es ist halt die Arbeit von hunderten oder tausenden Wissenschaftlern, die sich dann zusammen synthetisieren in ein paar Aussagen in der Diskussion, was halt bei einem Meinungsmacher oder Meinungsmacherin eben häufig nicht der Fall ist.

Frank [00:17:38]:

Ja, da gibt es auch so einen Unterschied zwischen Korrelation und Kausalität. Kannst du mich da mal kurz auf diesen Weg mitnehmen?

Friedrich [00:17:46]:

Ja, sehr gerne. Also Korrelation bedeutet, zwei Dinge, die ich untersuche, verhalten sich ähnlich oder haben einen ganz klaren Zusammenhang und bei Kausalität kann ich erklären, warum das ist. So, das klingt jetzt immer noch sehr abstrakt. Machen wir es mit einem konkreten Beispiel. Wenn wir uns anschauen, die Entwicklung der Störche in Deutschland, Also wie viele Störche leben in Deutschland? Dann hat diese Entwicklung in den letzten Jahrzehnten ziemlich stark abgenommen. Und diese Entwicklung korreliert unglaublich gut mit der Entwicklung der Geburtenrate. Sprich, die Idee, dass der Storch die Kinder bringt, hat eine hohe Korrelation, weil beide Entwicklungen sehr ähnlich sich verhalten. Aber natürlich gibt es keine Kausalität zwischen diesen beiden Sachen, weil natürlich der Storch nicht die Kinder bringt, sondern die Kausalität ist Kinder kriegen oder eben auch nicht und was dazu alles gehört und die Storchpopulation hat einfach keinen Einfluss auf das tatsächliche Kinderkriegen, aber diese beiden Faktoren korrelieren.

Frank [00:18:59]:

Okay, Okay und das ist wie gesagt aber sehr wichtig, so was nochmal zu erkennen, weil viel wird korreliert und eigentlich die Korrelation wird kausal erklärt.

Friedrich [00:19:11]:

Aber das

Frank [00:19:11]:

ist eine sehr theoretische Folge heute. Direkt mal aufstehen. Aber so ist das doch. So begegnet mir das eigentlich. Dass man eigentlich immer von Korrelationen ausgeht und das versucht als gegeben, also als kausal irgendwo so zu verstehen, oder?

Friedrich [00:19:27]:

Ja, das ist ein argumentativer Fehler. Also nur weil etwas korreliert, heißt es nicht, dass es so ist. Und das Interessante ist, es gibt eventuell einen kausalen Zusammenhang, der nur bedingt eine Korrelation hat.

Frank [00:19:40]:

Okay, kannst du mir dann ein

Friedrich [00:19:41]:

Beispiel geben? Also, ähm, zum Beispiel, also, ein kausaler Zusammenhang besteht zum Beispiel zwischen der Sonneneinstrahlung und der Temperatur der Erde. Oh, jetzt werde ich aufpassen mit meinen Klimawandel-Kollegen. Also, natürlich, wenn die Sonneneinstrahlung zunimmt, dann nimmt auch die Temperatur auf der Erde zu oder ab, je nachdem. Auf langen Zeitskalen, über Jahrtausende hinweg, sieht man das sehr deutlich. Man sieht es aber auch in den letzten 100 Jahren. Die Korrelation ist aber extrem gering. Sprich, es gibt viele andere Prozesse, die diese Kausalität viel stärker überlagern, zum Beispiel CO2-Emissionen, wohingegen halt die CO2-Emissionen mit der Temperatur sehr gut korreliert und eben auch einen kausalen Zusammenhang hat. Okay, verstehe das.

Frank [00:20:36]:

Nur mal zurück auf dein Wald kommend, also auf dein Wald vor allen Dingen. Welche Szenarien baut ihr da jetzt eigentlich, was die Entwicklung der deutschen Wälder angeht?

Friedrich [00:20:45]:

Also wir haben im Zuge der Helmholtz-Klimainitiative 70.000 Wälder simuliert. Vielleicht einen Schritt noch zurück. Alle zehn Jahre gehen Horden von Försterinnen und Förstern in den Wald und messen an 70.000 Standorten Baumdurchmesser, Baumarten etc. Krass,

Frank [00:21:06]:

allein in Deutschland?

Friedrich [00:21:07]:

Allein nur in Deutschland. Ist einfach ein riesiger, großartiger Datensatz, der dadurch entsteht. Und wir haben jetzt diesen Datensatz genommen und haben ihn in unser Computerspiel gepackt tatsächlich. Also wir können sozusagen die Bäume, die die gemessen haben, digital in unserem Modell nachbauen. Können wir uns auch anschauen. Sieht dann eben aus wie ein Computerspiel. Und dann haben wir diese ganzen Baumbestände genommen und haben sie durch die Zeit geschoben. Also wir haben geschaut, wie würde dieser Wald im Jahr 2030 zurechtkommen unter Benutzung eines Klimaszenarios, was aus der Klimawandel-Community kommt oder der Klimamodellierung.

Friedrich [00:21:45]:

Und dann haben wir geschaut, wie ist es 2040, 2050, bis zum Jahr 2100. Und können dann eben sehen, wenn wir eben Paris nicht einhalten, wenn wir da einfach nicht zu einem Umkehrschluss kommen, ähnlich wie wenn wir in der Pandemie nicht aktiv gewesen wären, dann sehen wir einfach, dass also mehrere Waldtypen, muss ich jetzt so drastisch sagen, aber die wären einfach am Arsch. Wohingegen, wenn wir halt Paris einhalten, also deutlich unter zwei Grad beiben, möglichst die 1,5 halten, In so einem Szenario würden gerade die Laubwälder einigermaßen noch zurechtkommen. Da gibt es auch ein paar Probleme. Nadelwälder, vor allem Fichte, hätte auch da schon Probleme. Und basierend auf diesen Simulationen können wir jetzt natürlich sinnvolle oder eben nicht sinnvolle Entscheidungen treffen. Das ist dann der politische oder demokratische Prozess.

Frank [00:22:37]:

Ja, das wahrscheinlichste Klimaszenario ist aber 2,7 Grad gerade. Also der Pfad, Was würde denn da mit den Wäldern in Deutschland passieren?

Friedrich [00:22:49]:

Also ich hoffe, dass wir nicht diese 2,7 Grad kriegen. Vielleicht kurz, warum 2,7? Im Zuge der Klimakonferenz gibt es immer im Vorfeld eine Analyse von Kollegen von mir, die halt anschauen, was sagen denn die ganzen Länder, dass sie jetzt machen wollen, was sind ihre Beiträge auf der Klimakonferenz und daraus lässt sich dann auch wieder über Modellierung eben groß abschätzen, wie das Szenario ist und dann lässt sich irgendwie abschätzen, welche Temperatur wir bekommen Und wenn man sozusagen da einigermaßen optimistisch ist und davon ausgeht, dass das, was die Länder versprochen haben, auch einhalten, was in der Vergangenheit nicht immer der Fall war, dann kommen wir bei 2,7°C aktuell raus.

Frank [00:23:30]:

Aber zurück nochmal. Was würde mit dem deutschen Wald bei 2,7 Grad passieren? Genau, bei 2,7 Grad

Friedrich [00:23:36]:

würden bestimmte Wälder schon Stress haben. Also wie gesagt, Fichte ist raus. Es gibt noch ein paar andere Arten, die eben eher aus den nördlichen Bereichen kommen, die dann Schwierigkeit haben. Eventuell auch an manchen Stellen schon die Buche, die dann eventuell eher durch südlichere Arten ersetzt werden sollte. Eiche zum Beispiel ist dann eventuell ein wichtiger Player. Spielt aber jetzt für den, Also bei 2,7 ist so ein bisschen, hängt davon ab, an welchem Stand uns wir uns konkret finden. Sind wir gerade in Freiburg oder sind wir auf den Höhen des Harzes und was ist der Boden und so weiter. 2,7 weltweit kann

Frank [00:24:10]:

in Deutschland ja bedeuten 6 Grad plus oder sowas zum Beispiel. Das heißt wir bewegen uns da ja nochmal auf ganz anderen irgendwie Schwankungsniveaus. Genau. Temperaturniveaus.

Friedrich [00:24:20]:

Genau, das ist tatsächlich finde ich, marketingtechnisch müssten wir das auch mal aufarbeiten, wie klug diese Kommunikation von Gradzahlen ist. Als Daumenregel kann man sagen, auf Kontinenten ungefähr das Doppelte zu dem, was man immer global sieht, weil sich Kontinente einfach viel schneller aufheizen als der riesige Ozean.

Frank [00:24:40]:

Okay, okay. Wir haben schon ein erklärtliches Zeitchen hinter uns hier. Schön an der Spree heute. Aber ich wollte jetzt noch mal so im letzten Block so ein bisschen auf die auf die Übertragung in Wirtschaft vielleicht sogar ins Marketing kommen. Achtung Listicle Top

Friedrich [00:24:55]:

3.

Frank [00:24:57]:

Gib mir doch mal bitte drei Punkte von denen wir Marketers von der Ökosystemmodellierung profitieren können?

Friedrich [00:25:08]:

Ich würde sagen, wo es durchaus einige Lessons learned noch gibt, Du kriegst keine drei Punkte von mir. Zum Beispiel bei der Simulation von Schwärmen. Also wie verhält sich ein Schwarm? Weil die Regeln, die wir dort anwenden, die Gesetze, die wir dort finden in der Ökologie, wie verhält sich ein Fischschwarm, wie verhält sich ein Vogelschwarm, durchaus übertragbar sind auch, wie verhält sich ein Schwarm Menschen. Das kann sowohl auf ihr Verhalten bezogen sein, als auch wie sich Information in einem Netzwerk ausbreitet. Und ich glaube, da hätte ich mega Lust mal mit Marketeers länger zu reden und zu diskutieren und zu schauen wie man da Brücken bauen kann. Die zweite Sache glaube ich, wo man eine Brücke bauen kann, ist die Frage der Diversität. Also wie unterschiedlich oder für welche unterschiedliche einerseits Produkte muss ich herstellen, ein stabiles System zu haben. Weil falls das eine Produkt wegbricht, was dann?

Frank [00:26:15]:

Was meinst du mit stabilem System? Also

Friedrich [00:26:17]:

holistisch, auch mit ökologischen... Genau, also ökologisch wäre die Frage, wie sorge ich dafür, dass zuverlässig CO2 fixiert wird? Wie sorge ich dafür als Unternehmen, dass ein hinreichend großer Produktivität, Cashflow etc. Passiert? Meine These wäre, wenn ich nur ein einzelnes Produkt herstelle, dann kann ich unter bestimmten Bedingungen krass erfolgreich sein, aber wenn meine Bedingungen sich ändern, kollabiert meine Firma wieder. Genauso ist es in der Natur, wenn ich eben nur Fichten anpflanze, dann sind die unter einem bestimmten Klima extrem produktiv, fixieren CO2 wie Hölle und dann kommt der Klimawandel und dann war's das einfach wieder. Und da könnte ich mir auch vorstellen, dass man da durchaus Parallelen ziehen kann. Und die dritte Sache, die ich jetzt noch sage, ist, glaube ich, das ist einfach eine krasse, coole Reise, die man da machen kann. Also weil weder ich als Ökologe jetzt irgendwelchen wirtschaftsstrategischen Sachen für ein ganz bestimmtes Unternehmen natürlich liefern kann, Aber ich glaube in Diskussionen zwischen diesen beiden Welten, das kann unglaublich Thinking out of the Box am Ende werden, wo man sich auf ganz neue Ideen kommt, die wir hier im Podcast auf die wir einfach gar nicht kommen. Sondern es passiert halt dann in dem Dialog durch die Diskussion mit gemeinsam schlauen Menschen.

Frank [00:27:32]:

Ja, Okay, verstanden. Das war jetzt eigentlich echt immer eine sehr theoretische, also eine ziemliche Flughöhe fand ich irgendwie. Bei ein, zwei Sachen musste ich da echt immer nachfragen. Episode, vielleicht ist es die frische Sprehluft, die sowas verursacht. Aber ja, das war unsere Episode über Modellierung. Wir machen jetzt Schluss und Friedrich, danke für die Zeit. Bis in vier Wochen.

Friedrich [00:27:59]:

Danke Frank. Ciao.

‍