Computermodelle stellen heute ein Standardwerkzeug in vielen wissenschaftlichen Disziplinen dar. Einer ihrer Hauptzwecke ist die Verknüpfung von Prozessen verschiedener Skalen. Verzichtet man auf diese Verknüpfung im Modell, sind realistische Prognosen meist ausgeschlossen, bildet man die Realität 1:1 nach, wird das Modell unlösbar. Wichtig ist daher eine gute Balance zwischen Genauigkeit und Abstraktion. Ich untersuche Möglichkeiten, skalenübergreifende Interaktionen in der Landnutzungsmodellierung effizient zu implementieren. Fokus liegt dabei auf zwei Prozessen: 1.Der Nutzung hochaufgelöster Daten im Modell. 2.Dem technologischer Wandel als landwirtschaftlichem Treiber. Häufig können hochaufgelöste Daten augrund limitierter Modellkomplexität nicht direkt verwendet werden. Meist wird dieses Problem gelöst, indem die Daten nach einem statischen Aggregationsschema hochskaliert werden. Als Alternative diskutiere ich den Einsatz von Clusteralgorithmen. Meine Untersuchungen zeigen, dass der entstehende Informationsverlust bei Verwendung von Clusteralgorithmen signifikant geringer ist als bei der Verwendung statischer Aggregationsvorschriften. Ein weiterer in der Landwirtschaft wichtiger Prozess ist technologischer Wandel. Während in der Vergangenheit Steigerungen in der Produktion meist durch Landexpansion erreicht wurden, so geschieht dies heute häufig durch Intensivierung. Ich präsentiere eine Modellimplementierung dieses Prozesses mitsamt der Rückkopplung der Landnutzungsintensität auf die Effektivität zugehöriger Investitionen. Grundlage dafür ist ein neuentwickeltes Maß für landwirtschaftliche Landnutungsintensität. Damit zeige ich, dass die Effektivität von Investitionen mit steigender Landnutzungsintensität sinkt. Meine Arbeit zeigt, dass außer dem Detailgrad eines Modells auch die Struktur der verwendeten Implementierungen einen signifikanten Einfluss auf die generelle Qualität der Simulation hat und insgesamt mehr Beachtung in der Modellierung finden sollte. / Computer models have become a common tool in various disciplines. A major challenge in modeling is the linking of processes on different scales. Neglecting cross-scale interactions leads to biases in model projections while a 1:1 representation is computational infeasible. Therefore, a good balance between accuracy and abstraction is essential. I investigate efficient implementations of cross-scale interactions in agricultural land-use models. I focus on two dominant aspects: First, the inclusion of spatially explicit data in a global optimization model; second, the proper representation of technological change as a driver for land use change. As a consequence of limitations in complexity of global optimization models the problem arises that high-resolution data cannot be used directly as model input. Typically, the spatially explicit data is upscaled by using a static upscaling rule. As an alternative I discuss the use of clustering methods for upscaling. I provide a general framework including the creation of clusters, the upscaling of inputs, and the downscaling of outputs. My investigations show that the information loss due to upscaling decreases significantly with cluster methods compared to static grids. Another important process in agriculture is technological change. Whereas in the past increases in agricultural production were mainly achieved by agricultural land expansion, nowadays most increases in total production are outcome of intensification due to technological change. To model this feedback I introduce a measure for agricultural land-use intensity. Based on this measure I show that the effectiveness of investments in technological change decreases with the agricultural land-use intensity. My findings imply that apart from detailedness especially the implementation has a significant impact on general model quality. Therefore, in model development the framework used for implementation should be emphasized to a greater extent.

Die vorliegende Arbeit analysiert die Möglichkeiten einer Daten- und Kontaktaggregation im Umfeld Sozialer Netzwerke. Zunächst wird eine Kategorisierung der wichtigsten Netzwerke und Frameworks vorgenommen. Die Funktionalitäten von acht Sozialen Netzwerken und fünf Frameworks werden anhand einer zuvor entwickelten Evaluierungsmatrix detailliert untersucht. Dabei stehen insbesondere die Funktionalitäten der APIs im Vordergrund. Aufbauend auf den Ergebnissen der Analyse wird ein Prototyp für eine Daten- und Kontaktaggregation konzipiert, implementiert und evaluiert. Abschließend werden Empfehlungen zu den verwendeten Technologien und für die Konzipierungen von zukünftigen Daten- und Kontaktaggregationen im Umfeld Sozialer Netzwerke gegeben. / This thesis analyses the potential of a data- and contactaggreation in the context of social networks. It provides an overview and categorization of the most important networks and frameworks. The functions of eight social networks and five frameworks are analyzed on the basis of a previously developed matrix of evaluation. Special attention is paid to the features of the APIs. Using the results from the evaluation a prototype is planned, coded and evaluated. Finally, regards for future aggregations between social networks are elaborated.

Die vorliegende Arbeit analysiert die Möglichkeiten einer Daten- und Kontaktaggregation im Umfeld Sozialer Netzwerke. Zunächst wird eine Kategorisierung der wichtigsten Netzwerke und Frameworks vorgenommen. Die Funktionalitäten von acht Sozialen Netzwerken und fünf Frameworks werden anhand einer zuvor entwickelten Evaluierungsmatrix detailliert untersucht. Dabei stehen insbesondere die Funktionalitäten der APIs im Vordergrund. Aufbauend auf den Ergebnissen der Analyse wird ein Prototyp für eine Daten- und Kontaktaggregation konzipiert, implementiert und evaluiert. Abschließend werden Empfehlungen zu den verwendeten Technologien und für die Konzipierungen von zukünftigen Daten- und Kontaktaggregationen im Umfeld Sozialer Netzwerke gegeben. / This thesis analyses the potential of a data- and contactaggreation in the context of social networks. It provides an overview and categorization of the most important networks and frameworks. The functions of eight social networks and five frameworks are analyzed on the basis of a previously developed matrix of evaluation. Special attention is paid to the features of the APIs. Using the results from the evaluation a prototype is planned, coded and evaluated. Finally, regards for future aggregations between social networks are elaborated.

Big amounts of test data generated by the current used software testing tools (QA-C/QA-C++ and Cantata) contain a variety of different values. The variances cause enormous challenges in data aggregation and interpretation that directly affect generation of test metrics. Due to the circumstance of data processing, this master thesis introduces a database-centric test management framework for test metrics aims at centrally handling the big data as well as facilitating the generation of test metrics. Each test result will be individually parsed to be a particular format before being stored in a centralized database. A friendly front-end user interface is connected and synchronized with the database that allows authorized users to interact with the stored data. With a granularity tracking mechanism, any stored data will be systematically located and programmatically interpreted by a test metrics generator to create various kinds of high-quality test metrics. The automatization of the framework is driven by Jenkins CI to automatically and periodically performing the sequential operations. The technology greatly and effectively optimizes and reduces effort in the development, as well as enhance the performance of the software testing processes. In this research, the framework is only started at managing the testing processes on software-unit level. However, because of the independence of the database from levels of software testing, it could also be expanded to support software development at any level.

Sowohl in der Forschung als auch in der industriellen Anwendung erfahren drahtlose Sensornetze (engl. Wireless Sensor Networks, WSN) eine immer höhere Popularität. Dies liegt nicht zuletzt an den Forschungsgebieten Car2X-Kommunikation, Internet of Things sowie Umweltüberwachung als Teil des Katastrophenschutzes. Typischer Schwerpunkt ist das energieeffiziente und latenzarme Übertragen von Informationen in einem drahtlos verknüpften Netz aus stark ressourcenbeschränkten Hardwareplattformen. Die Dissertation beschäftigt sich mit der Forschungsfrage, inwieweit Methoden und konkrete Algorithmen aus dem Big-Data-Computing vorteilhaft in drahtlosen Sensornetzen eingesetzt werden können. Während es im ersten Moment nicht intuitiv erscheinen mag, dass Ansätze aus dem Big-Data-Bereich, die bereits konventionelle Rechensysteme an ihre Grenzen bringen, für Sensornetze relevant sein sollen, zeigt die Arbeit Parallelen auf, die zwischen klassischem Big Data und einer Teilgruppe von Sensornetzen existieren. Im Rahmen der Arbeit wird dazu der Begriff drahtloses Big-Data-Sensornetz (Big Data WSN) definiert und darauf aufbauend werden Anforderungen an ein Datenaggregationssystem für ebensolche Sensornetze erörtert sowie konkrete Big-Data-Algorithmen konzeptionell übertragen und adaptiert. Es wird gezeigt, dass sich sogenannte datenbank-orientierte Aggregationssysteme zur Umsetzung dieser Anforderungen eignen und dass ein solches existierendes System für Big Data WSN erweitert werden kann. Die Hauptbeiträge der Dissertation sind die Vorstellung eines Routingverfahrens für Big Data WSN, das anwendungsrelevante Knoten energieeffizient ermittelt, die Übertragung von Big Data Algorithmen auf WSN zur Reduzierung der zu übertragenden beziehungsweise zu speichernden Datenmenge sowie ein Ereignissystem zur Steigerung der Energieeffizienz und Verringerung der Latenz von Ereignisreaktionen.:1. Einleitung 2. Grundlagen 3. Stand der Forschung 4. Konzeptionierung eines Aggregationsverfahrens für WSN im Big-Data-Kontext 5. Big-Data-WSN-Aggregationssystem Planetary 6. Auswertung und Ergebnisse 7. Zusammenfassung Anhang

Big amounts of test data generated by the current used software testing tools (QA-C/QA-C++ and Cantata) contain a variety of different values. The variances cause enormous challenges in data aggregation and interpretation that directly affect generation of test metrics. Due to the circumstance of data processing, this master thesis introduces a database-centric test management framework for test metrics aims at centrally handling the big data as well as facilitating the generation of test metrics. Each test result will be individually parsed to be a particular format before being stored in a centralized database. A friendly front-end user interface is connected and synchronized with the database that allows authorized users to interact with the stored data. With a granularity tracking mechanism, any stored data will be systematically located and programmatically interpreted by a test metrics generator to create various kinds of high-quality test metrics. The automatization of the framework is driven by Jenkins CI to automatically and periodically performing the sequential operations. The technology greatly and effectively optimizes and reduces effort in the development, as well as enhance the performance of the software testing processes. In this research, the framework is only started at managing the testing processes on software-unit level. However, because of the independence of the database from levels of software testing, it could also be expanded to support software development at any level.