Im Einzugsgebiet des Wairau River auf der Südinsel Neuseelands sind in den vergangenen Jahrzehnten klimatische Veränderungen beobachtet worden. Beeinflusst durch eine Abnahme der jährlichen Niederschläge sinken auch die Gebietsabflüsse. Der Wairau Aquifer, der für die Bewässerung Neuseelands größtem Weinanbaugebiet genutzt wird, ist maßgeblich von dem Abflussverhalten des Wairau River abhängig und verzeichnet einen Rückgang der Grundwasserstände. Die Simulation der hydrologischen Prozesse im Einzugsgebiet ist daher notwendig, um das Verständnis für die Zusammenhänge zu erhöhen. Um die Prozesse abzubilden, wurde in dieser Masterarbeit die Modular Assessment of Rainfall–Runoff Models Toolbox (MARRMoT) verwendet. Ziel der Anwendung von MARRMoT war, ein Modell oder ein Modellensemble zu finden, das für die Simulation der Niederschlags-Abfluss-Beziehungen im Einzugsgebiet Wairau River geeignet ist. Zu diesem Zweck wurden in einem ersten Szenario 42 Modelle aus MARRMoT auf das Einzugsgebiet Wairau River mit dem Gütekriterium Kling-Gupta-Effizienz (KGE) kalibriert. In weiteren Szenarien wurden die Kalibrierungen mit dem KGE mit invers transformierten Durchflüssen (KGEi) sowie mit einer Mischform der beiden Kriterien (KGEm) realisiert. Die Bewertung der Modellperformance erfolgte anhand ausgewählter Gütekriterien. Durch die Auswertung konnten drei MARRMoT-Modelle ermittelt werden, die in allen drei Kalibrierszenarien eine hohe Performance gezeigt haben und für die weitere Anwendung im Einzugsgebiet Wairau River geeignet sind. Ein Teilziel dieser Arbeit war zudem die Korrektur von simulierten Niederschlagsdaten aus dem unbeobachteten Quellgebiet des Wairau River, die in vorherigen Arbeiten als fehlerhaft identifiziert wurden (Ludwig 2018). Dafür wurde eine höhenabhängige Korrekturvorschrift ermittelt. Die anschließende Simulation des Gebiets hat jedoch gezeigt, dass die Korrektur ohne eine bessere Datengrundlage nicht erfolgreich ist.:1. Einführung 2. Beschreibung des Untersuchungsgebiets 2.1 Klima 2.2 Einzugsgebietsgrenzen 2.3 Geologie 2.4 Boden 2.5 Landnutzung 2.6 Aquifer 3. Datengrundlage 3.1 Meteorologische Daten 3.2 Hydrologische Daten 4. Analyse und Korrektur von Niederschlagsdaten 4.1 Problematik im Teileinzugsgebiet Dip Flat 4.2 Aufbereitung der Daten 4.3 Erstellung einer Korrekturvorschrift 5. Anwendung der MARRMo Toolbox 5.1 Grundlagen von MARRMoT 5.2 Betrachtung ausgewählter MARRMoT-Modelle 5.3 Gütekriterien 5.4 Kalibrierung und Evaluierung 5.4.1 Grundlagen 5.4.2 Automatische Kalibrierung mit MARRMoT 5.4.3 Kalibrierszenarien 6. Analyse und Diskussion der Ergebnisse 6.1 Niederschlagskorrektur und Datengrundlage 6.1.1 Erstellung der Korrekturvorschrift 6.1.2 Unsicherheiten der Niederschlagskorrektur 6.1.3 Analyse der Datengrundlage für das Gesamteinzugsgebiet 6.1.4 Zusammenfassung 6.2 Anwendung der MARRMo Toolbox 6.2.1 Ergebnisse der Kalibrierszenarien 6.2.2 Detaillierte Auswertung ausgewählter Modelle 6.2.3 Unsicherheiten zwischen und innerhalb der MARRMoT Modelle 6.2.4 Zusammenfassung 6.3 Zusammenführung der Ergebnisse 7. Fazit und Ausblick 8. Literaturverzeichnis / In the catchment area of the Wairau River on the South Island of New Zealand, climatic changes were observed in the past decades. Influenced by a decrease in precipitation, the runoff is reduced. The Wairau Aquifer, which is used for irrigation of New Zealand's largest wine-growing region, is significantly dependent on the runoff of the Wairau River and recorded a decline in groundwater levels. The simulation of the hydrological processes in the catchment area is therefore necessary. For that reason in this Master’s thesis the Modular Assessment of Rainfall Runoff Model Toolbox (MARRMoT) was used in order to find a model or model ensemble suitable for the simulation of precipitation-runoff relationships in the Wairau River catchment. In a first scenario, 42 models from MARRMoT were calibrated for the Wairau River catchment using the efficiency criteria Kling-Gupta-Efficiency (KGE). In further scenarios, calibrations using the KGE with inverse transformed flows (KGEi) as well as a mixed form of the two criteria (KGEm) were realized. The evaluation of the model performance was based on selected performance criteria. The evaluation led to three MARRMoT models, which demonstrated high performance in all three calibration scenarios and are suitable for further use in the Wairau River catchment. A secondary objective of this work was the correction of simulated precipitation data from the unobserved headwaters of the catchment, which were identified as faulty in previous work (Ludwig 2018). For this purpose, a height-dependent correction rule was determined. Subsequent simulation of the area, however, has shown that the correction was unsuccessful and needs a more solid data foundation.:1. Einführung 2. Beschreibung des Untersuchungsgebiets 2.1 Klima 2.2 Einzugsgebietsgrenzen 2.3 Geologie 2.4 Boden 2.5 Landnutzung 2.6 Aquifer 3. Datengrundlage 3.1 Meteorologische Daten 3.2 Hydrologische Daten 4. Analyse und Korrektur von Niederschlagsdaten 4.1 Problematik im Teileinzugsgebiet Dip Flat 4.2 Aufbereitung der Daten 4.3 Erstellung einer Korrekturvorschrift 5. Anwendung der MARRMo Toolbox 5.1 Grundlagen von MARRMoT 5.2 Betrachtung ausgewählter MARRMoT-Modelle 5.3 Gütekriterien 5.4 Kalibrierung und Evaluierung 5.4.1 Grundlagen 5.4.2 Automatische Kalibrierung mit MARRMoT 5.4.3 Kalibrierszenarien 6. Analyse und Diskussion der Ergebnisse 6.1 Niederschlagskorrektur und Datengrundlage 6.1.1 Erstellung der Korrekturvorschrift 6.1.2 Unsicherheiten der Niederschlagskorrektur 6.1.3 Analyse der Datengrundlage für das Gesamteinzugsgebiet 6.1.4 Zusammenfassung 6.2 Anwendung der MARRMo Toolbox 6.2.1 Ergebnisse der Kalibrierszenarien 6.2.2 Detaillierte Auswertung ausgewählter Modelle 6.2.3 Unsicherheiten zwischen und innerhalb der MARRMoT Modelle 6.2.4 Zusammenfassung 6.3 Zusammenführung der Ergebnisse 7. Fazit und Ausblick 8. Literaturverzeichnis

The temporal specificity of functional magnetic resonance imaging (fMRI) is limited by a sluggish and locally variable hemodynamic response trailing the neural activity by seconds. Here, we demonstrate for an attention capture paradigm that it is, never the less, possible to extract information about the relative timing of regional brain activity during cognitive processes on the scale of 100 ms by comparing alternative signal models representing early versus late activation. We demonstrate that model selection is not driven by confounding regional differences in hemodynamic delay. We show, including replication, that the activity in the dorsal anterior insula is an early signal predictive of behavioral performance, while amygdala and ventral anterior insula signals are not. This specific finding provides new insights into how the brain assigns salience to stimuli and emphasizes the role of the dorsal anterior insula in this context. The general analytic approach, named “Cognitive Timing through Model Comparison” (CTMC), offers an exciting and novel method to identify functional brain subunits and their causal interactions.

In the study of perceptual decision making, it has been widely assumed that random fluctuations of motion stimuli are irrelevant for a participant’s choice. Recently, evidence was presented that these random fluctuations have a measurable effect on the relationship between neuronal and behavioral variability, the so-called choice probability. Here, we test, in a behavioral experiment, whether stochastic motion stimuli influence the choices of human participants. Our results show that for specific stochastic motion stimuli, participants indeed make biased choices, where the bias is consistent over participants. Using a computational model, we show that this consistent choice bias is caused by subtle motion information contained in the motion noise. We discuss the implications of this finding for future studies of perceptual decision making. Specifically, we suggest that future experiments should be complemented with a stimulus-informed modeling approach to control for the effects of apparent decision evidence in random stimuli.

Diese Dissertation beschäftigt sich mit regionaler Klimamodellierung über Südamerika, der Analyse von Modellsensitivitäten bezüglich Wolkenparametrisierungen und der Entwicklung neuer Methoden zur Modellevaluierung mithilfe von Klimanetzwerken. Im ersten Teil untersuchen wir Simulationen mit dem COnsortium for Small scale MOdeling model in CLimate Mode (COSMO-CLM) und stellen die erste umfassende Evaluierung dieses dynamischen regionalen Klimamodells über Südamerika vor. Dabei untersuchen wir insbesondere die Abhängigkeit simulierter tropischer Niederschläge von Parametrisierungen subgitterskaliger cumuliformer und stratiformer Wolken und finden starke Sensitivitäten bezüglich beider Wolkenparametrisierungen über Land. Durch einen simultanen Austausch der entsprechenden Schemata gelingt uns eine beträchtliche Reduzierung von Fehlern in klimatologischen Niederschlags- und Strahlungsmitteln, die das COSMO-CLM über tropischen Regionen für lange Zeit charakterisierten. Im zweiten Teil führen wir neue Metriken für die Evaluierung von Klimamodellen bezüglich räumlicher Kovariabilitäten ein. Im Kern bestehen diese Metriken aus Unähnlichkeitsmaßen für den Vergleich von simulierten mit beobachteten Klimanetzwerken. Wir entwickeln lokale und globale Unähnlichkeitsmaße zum Zwecke der Darstellung lokaler Unähnlichkeiten in Form von Fehlerkarten sowie der Rangordnung von Modellen durch Zusammenfassung lokaler zu globalen Unähnlichkeiten. Die neuen Maße werden dann für eine vergleichende Evaluierung regionaler Klimasimulationen mit COSMO-CLM und dem Statistical Analogue Resampling Scheme über Südamerika verwendet. Dabei vergleichen wir die sich ergebenden Modellrangfolgen mit solchen basierend auf mittleren quadratischen Abweichungen klimatologischer Mittelwerte und Varianzen und untersuchen die Abhängigkeit dieser Rangfolgen von der betrachteten Jahreszeit, Variable, dem verwendeten Referenzdatensatz und Klimanetzwerktyp. / This dissertation is about regional climate modeling over South America, the analysis of model sensitivities to cloud parameterizations, and the development of novel model evaluation techniques based on climate networks. In the first part we examine simulations with the COnsortium for Small scale MOdeling weather prediction model in CLimate Mode (COSMO-CLM) and provide the first thorough evaluation of this dynamical regional climate model over South America. We focus our analysis on the sensitivity of simulated tropical precipitation to the parameterizations of subgrid-scale cumuliform and stratiform clouds. It is shown that COSMO-CLM is strongly sensitive to both cloud parameterizations over tropical land. Using nondefault cumulus and stratus parameterization schemes we are able to considerably reduce long-standing precipitation and radiation biases that have plagued COSMO-CLM across tropical domains. In the second part we introduce new performance metrics for climate model evaluation with respect to spatial covariabilities. In essence, these metrics consist of dissimilarity measures for climate networks constructed from simulations and observations. We develop both local and global dissimilarity measures to facilitate the depiction of local dissimilarities in the form of bias maps as well as the aggregation of those local to global dissimilarities for the purposes of climate model intercomparison and ranking. The new measures are then applied for a comparative evaluation of regional climate simulations with COSMO-CLM and the STatistical Analogue Resampling Scheme (STARS) over South America. We compare model rankings obtained with our new performance metrics to those obtained with conventional root-mean-square errors of climatological mean values and variances, and analyze how these rankings depend on season, variable, reference data set, and climate network type.

The impact of climate change is increasingly important to the design of urban water infrastructure like stormwater systems, sewage systems and drinking water systems. Growing evidence indicates that the water sector will not only be affected by climate change, but it will reflect and deliver many of its impacts through floods, droughts, or extreme rainfall events. Water resources will change in both quantity and quality, and the infrastructure of stormwater and wastewater facilities may face greater risk of damage caused by storms, floods and droughts. The effect of the climate change will put more difficulties on operations to disrupted services and increased cost of the water and wastewater services. Governments, urban planners, and water managers should therefore re-examine development processes for municipal water and wastewater services and are adapt strategies to incorporate climate change into infrastructure design, capital investment projects, service provision planning, and operation and maintenance. According to the Intergovernmental Panel on Climate Change, the global mean temperature has increased by 0,7 °C during the last 100 years and, as a consequence, the hydrological cycle has intensified with, for example, more acute rainfall events. As urban drainage systems have been developed over a long period of time and design criteria are based upon climatic characteristics, these changes will affect the systems and the city accordingly. The overall objective of this thesis is to increase the knowledge about the climate change impacts on the stormwater system in Al Hillah city/Iraq. In more detail, the objective is to investigate how climate change could affect urban drainage systems specifically stormwater infrastructure, and also to suggest an adaptation plan for these changes using adaptation plans examples from international case studies. Three stochastic weather generators have been investigated in order to understand the climate and climate change in Al Hillah. The stochastic weather generators have been used in different kind of researches and studies; for example in hydrology, floods management, urban water design and analysis, and environmental protection. To make such studies efficient, it is important to have long data records (typically daily data) so the weather generator can generate synthetic daily weather data based on a sound statistical background. Some weather generators can produce the climate change scenarios for different kind of global climate models. They can be used also to produce synthetic data for a site that does not have enough data by using interpolation methods. To ensure that the weather generator is fitting the climate of the region properly, it should be tested against observed data, whether the synthetic data are sufficiently similar. At the same time, the accuracy of the weather generator is different from region to region and depends on the respective climate properties. Testing three weather generators GEM6, ClimGen and LARS-WG at eight climate stations in the region of Babylon governorate/Iraq, where Al Hillah is located, is one of the purposes of the first part of this study. LARS-WG uses a semi-parametric distribution (developed distribution), whereas GEM6 and ClimGen use a parametric distribution (less complicated distribution). Different statistical tests have been selected to compare observed and synthetic weather data for the same kind, for instance, the precipitation and temperature distribution (wet and dry season). The result shows that LARS-WG represents the observed data for Babylon region in a better way than ClimGen, whereas GEM6 seems to misfit the observed data. The synthetic data will be used for a first simulation of urban run-off during the wet season and the consequences of climate change for the design and re-design of the urban drainage system in Al Hillah. The stochastic weather generator LARS is then used to generate ensembles of future weather data using five Global Climate Models (GCMs) that best captured the full range of uncertainty. These Global Climate Models are used to construct future climate scenarios of temperature and precipitation over the region of Babylon Governorate in Iraq. The results show an increase in monthly temperatures and a decrease in the total amount of rain, yet the extreme rain events will be more intense in a shorter time. Changes in the amount, timing, and intensity of rain events can affect the amount of stormwater runoff that needs to be controlled. The climate change calculated projections may make existing stormwater-related flooding worse. Different districts in Al Hillah city may face more frequent stormwater floods than before due to the climate change projections. All the results that have been taken from the Global Climate Models are in a daily resolution format and in order to run the Storm Water Management Model it is important to have all data in a minimum of one hour resolution. In order to fulfill this condition a disaggregation model has been used. Some hourly precipitation data were required to calibrate the temporal disaggregation model; however none of the climate stations and rain gauges in the area of interest have hourly resolution data, so the hourly data from Baghdad airport station have been used for that calibration. The changes in the flood return periods have been seen in the projected climate change results, and a return period will only remain valid over time if environmental conditions do not change. This means that return periods used for planning purposes may need to be updated more often than previously, because values calculated based on the past 30 years of data may become unrepresentative within a relatively short time span. While return periods provide useful guidance for planning the effects of flooding and related impacts, they need to be used with care, and allowances have to be made for extremes that may occur more often than may be expected. In the study area with separated stormwater systems, the Storm Water Management Model simulation shows that the number of surface floods as well as of the floods increases in the future time periods 2050s and 2080s. Future precipitation will also increase both the flooding frequency and the duration of floods; therefore the need to handle future situations in urban drainage systems and to have a well-planned strategy to cope with future conditions is evident. The overall impacts on urban drainage systems due to the increase of intensive precipitation events need to be adapted. For that reason, recommendations for climate change adaptation in the city of Al Hillah have been suggested. This has been accomplished by merging information from the review of five study cases, selected based on the amount and quality of information available. The cities reviewed are Seattle (USA), Odense (Denmark), Tehran (Iran), and Khulna (Bangladesh). / Die Auswirkungen des Klimawandels auf die Gestaltung der städtischen Wasserinfrastruktur wie Regenwasser, Kanalisation und Trinkwassersysteme werden immer wichtiger. Eine wachsende Anzahl von Belegen zeigt, dass der Wassersektor nicht nur durch den Klimawandel beeinflusst werden wird, aber er wird zu reflektieren und liefern viele seiner Auswirkungen durch Überschwemmungen, Dürren oder extreme Niederschlagsereignisse. Die Wasserressourcen werden sich in Quantität und Qualität verändern, und die Infrastruktur von Regen-und Abwasseranlagen kann einer größeren Gefahr von Schäden durch Stürme, Überschwemmungen und Dürren ausgesetzt sein. Die Auswirkungen des Klimawandels werden zu mehr Schwierigkeiten im Betrieb gestörter Dienstleistungen und zu erhöhten Kosten für Wasser-und Abwasserdienstleistungen führen. Regierungen, Stadtplaner, und Wasser-Manager sollten daher die Entwicklungsprozesse für kommunale Wasser-und Abwasserdienstleistungen erneut überprüfen und Strategien anpassen, um den Klimawandel in Infrastruktur-Design, Investitionsprojekte, Planung von Leistungserbringung, sowie Betrieb und Wartung einzuarbeiten. Nach Angaben des Intergovernmental Panel on Climate Change hat die globale Mitteltemperatur in den letzten 100 Jahren um 0,7 °C zugenommen, und in der Folge hat sich der hydrologische Zyklus intensiviert mit, zum Beispiel, stärkeren Niederschlagsereignisse. Da die städtischen Entwässerungssysteme über einen langen Zeitraum entwickelt wurden und Design-Kriterien auf klimatischen Eigenschaften beruhen, werden diese Veränderungen die Systeme und die Stadt entsprechend beeinflussen. Das übergeordnete Ziel dieser Arbeit ist es, das Wissen über die Auswirkungen des Klimawandels auf das Regenwasser-System in der Stadt Hilla / Irak zu bereichern. Im Detail ist das Ziel, zu untersuchen, wie der Klimawandel die Siedlungsentwässerung und insbesondere die Regenwasser-Infrastruktur betreffen könnte. Desweiteren soll ein Anpassungsplan für diese Änderungen auf der Grundlage von beispielhaften Anpassungsplänen aus internationalen Fallstudienvorgeschlagen werden. Drei stochastische Wettergeneratoren wurden untersucht, um das Klima und den Klimawandel in Hilla zu verstehen. Stochastische Wettergeneratoren wurden in verschiedenen Untersuchungen und Studien zum Beispiel in der Hydrologie sowie im Hochwasser-Management, Siedlungswasser-Design- und Analyse, und Umweltschutz eingesetzt. Damit solche Studien effizient sind, ist es wichtig, lange Datensätze (in der Regel Tageswerte) haben, so dass der Wettergenerator synthetische tägliche Wetterdaten erzeugen kann, dieauf einem soliden statistischen Hintergrund basieren. Einige Wettergeneratoren können Klimaszenarien für verschiedene Arten von globalen Klimamodellen erzeugen. Sie können unter Verwendung von Interpolationsverfahren auch synthetische Daten für einen Standort generieren, für den nicht genügend Daten vorliegen. Um sicherzustellen, dass der Wettergenerator dem Klima der Region optimal entspricht, sollte gegen die beobachteten Daten geprüft werden, ob die synthetischen Daten ausreichend ähnlich sind. Gleichzeitig unterscheidet sich die Genauigkeit des Wettergenerator von Region zu Region und abhängig von den jeweiligen Klimaeigenschaften. Der Zweck des ersten Teils dieser Studie ist es daher, drei Wettergeneratoren, namentlich GEM6, ClimGen und LARS-WG, an acht Klimastationen in der Region des Gouvernements Babylon / Irak zu testen. LARS-WG verwendet eine semi-parametrische Verteilung (entwickelte Verteilung), wohingegen GEM6 und ClimGen eine parametrische Verteilung (weniger komplizierte Verteilung) verwenden. Verschiedene statistische Tests wurden ausgewählt, um die beobachteten und synthetischen Wetterdaten für identische Parameter zu vergleichen, zum Beispiel die Niederschlags- und Temperaturverteilung (Nass-und Trockenzeit). Das Ergebnis zeigt, dass LARS-WG die beobachteten Daten für die Region Babylon akkurater abzeichnet, als ClimGen, wobei GEM6 die beobachteten Daten zu verfehlen scheint. Die synthetischen Daten werden für eine erste Simulation des städtischen Run-offs in der Regenzeit sowie der Folgen des Klimawandels für das Design und Re-Design des städtischen Entwässerungssystems in Hilla verwendet. Der stochastische Wettergenerator LARS wird dann verwendet, um Gruppen zukünftiger Wetterdaten unter Verwendung von fünf globalen Klimamodellen (GCM), die das gesamte Spektrum der Unsicherheit am besten abdecken, zu generieren. Diese globalen Klimamodelle werden verwendet, um zukünftige Klimaszenarien der Temperatur und des Niederschlags für die Region Babylon zu konstruieren. Die Ergebnisse zeigen, eine Steigerung der monatlichen Temperaturen und eine Abnahme der Gesamtmenge der Regen, wobei es jedoch extremere Regenereignissen mit höherer Intensivität in kürzerer Zeit geben wird. Veränderungen der Höhe, des Zeitpunkt und der Intensität der Regenereignisse können die Menge des Abflusses von Regenwasser, die kontrolliert werden muss, beeinflussen. Die Klimawandel-Prognosen können bestehende regenwasserbedingte Überschwemmungen verschlimmern. Verschiedene Bezirke in Hilla können stärker von Regenfluten betroffen werden als bisher aufgrund der Prognosen. Alle Ergebnisse, die von den globalen Klimamodellen übernommen wurden, sind in täglicher Auflösung und um das Regenwasser-Management-Modell anzuwenden, ist es wichtig, dass alle Daten in einer Mindestauflösung von einer Stunde vorliegen. Zur Erfüllung dieser Bedingung wurde ein eine Aufschlüsselungs-Modell verwendet. Einige Stunden-Niederschlagsdaten waren erforderlich, um das zeitliche Aufschlüsselungs-Modell zu kalibrieren. Da weder die Klimastationen noch die Regen-Messgeräte im Interessenbereich über stundenauflösende Daten verfügt, wurden die Stundendaten von Flughäfen in Bagdad verwendet. Die Veränderungen in den Hochwasserrückkehrperioden sind in den projizierten Ergebnissen des Klimawandels ersichtlich, und eine Rückkehrperiode wird nur dann über Zeit gültig bleiben, wenn sich die Umweltbedingungen nicht ändern. Dies bedeutet, dass Wiederkehrperioden, die für Planungszwecke verwendet werden, öfter als bisher aktualisiert werden müssen, da die auf Grundlage von Daten der letzten 30 Jahre berechneten Werte innerhalb einer relativ kurzen Zeitspanneunrepräsentativ werden können. Während Wiederkehrperioden bieten nützliche Hinweise für die Planung die Effekte von Überschwemmungen und die damit verbundenen Auswirkungen, müssen aber mit Vorsicht verwendet werden, und Extreme, die öfter eintreten könnten als erwartet, sollten berücksichtigt werden. Im Studienbereich mit getrennten Regenwassersystemen zeigt die Simulation des Regenwasser-Management-Modells, dass sich die Anzahl der Oberflächenhochwasser sowie der Überschwemmungen im Zeitraum 2050e-2080 erhöhen wird. Zukünftige Niederschläge werdensowohl die Hochwasser-Frequenz als auch die Dauer von Überschwemmungen erhöhen. Daher ist die Notwendigkeit offensichtlich, zukünftige Situationen in städtischen Entwässerungssystemen zu berücksichtigen und eine gut geplante Strategie zu haben, um zukünftige Bedingungen zu bewältigen. Die gesamten Auswirkungen auf die Siedlungsentwässerungssyteme aufgrund der Zunahme von intensiven Niederschlagsereignissen müssen angepasst werden. Aus diesem Grund wurden Empfehlungen für die Anpassung an den Klimawandel in der Stadt Hilla vorgeschlagen. Diese wurden durch die Zusammenführung von Informationen aus der Prüfung von fünf Fallstudien, ausgewählt aufgrund der Menge und Qualität der verfügbaren Informationen, erarbeitet,. Die bewerteten Städte sind Seattle (USA), Odense (Dänemark), Teheran (Iran), und Khulna (Bangladesch).

No description available.

Perceptual decision making can be described as a process of accumulating evidence to a bound which has been formalized within drift-diffusion models (DDMs). Recently, an equivalent Bayesian model has been proposed. In contrast to standard DDMs, this Bayesian model directly links information in the stimulus to the decision process. Here, we extend this Bayesian model further and allow inter-trial variability of two parameters following the extended version of the DDM. We derive parameter distributions for the Bayesian model and show that they lead to predictions that are qualitatively equivalent to those made by the extended drift-diffusion model (eDDM). Further, we demonstrate the usefulness of the extended Bayesian model (eBM) for the analysis of concrete behavioral data. Specifically, using Bayesian model selection, we find evidence that including additional inter-trial parameter variability provides for a better model, when the model is constrained by trial-wise stimulus features. This result is remarkable because it was derived using just 200 trials per condition, which is typically thought to be insufficient for identifying variability parameters in DDMs. In sum, we present a Bayesian analysis, which provides for a novel and promising analysis of perceptual decision making experiments.

Probabilistic models of decision making under various forms of uncertainty have been applied in recent years to numerous behavioral and model-based fMRI studies. These studies were highly successful in enabling a better understanding of behavior and delineating the functional properties of brain areas involved in decision making under uncertainty. However, as different studies considered different models of decision making under uncertainty, it is unclear which of these computational models provides the best account of the observed behavioral and neuroimaging data. This is an important issue, as not performing model comparison may tempt researchers to over-interpret results based on a single model. Here we describe how in practice one can compare different behavioral models and test the accuracy of model comparison and parameter estimation of Bayesian and maximum-likelihood based methods. We focus our analysis on two well-established hierarchical probabilistic models that aim at capturing the evolution of beliefs in changing environments: Hierarchical Gaussian Filters and Change Point Models. To our knowledge, these two, well-established models have never been compared on the same data. We demonstrate, using simulated behavioral experiments, that one can accurately disambiguate between these two models, and accurately infer free model parameters and hidden belief trajectories (e.g., posterior expectations, posterior uncertainties, and prediction errors) even when using noisy and highly correlated behavioral measurements. Importantly, we found several advantages of Bayesian inference and Bayesian model comparison compared to often-used Maximum-Likelihood schemes combined with the Bayesian Information Criterion. These results stress the relevance of Bayesian data analysis for model-based neuroimaging studies that investigate human decision making under uncertainty.

Probabilistic models of decision making under various forms of uncertainty have been applied in recent years to numerous behavioral and model-based fMRI studies. These studies were highly successful in enabling a better understanding of behavior and delineating the functional properties of brain areas involved in decision making under uncertainty. However, as different studies considered different models of decision making under uncertainty, it is unclear which of these computational models provides the best account of the observed behavioral and neuroimaging data. This is an important issue, as not performing model comparison may tempt researchers to over-interpret results based on a single model. Here we describe how in practice one can compare different behavioral models and test the accuracy of model comparison and parameter estimation of Bayesian and maximum-likelihood based methods. We focus our analysis on two well-established hierarchical probabilistic models that aim at capturing the evolution of beliefs in changing environments: Hierarchical Gaussian Filters and Change Point Models. To our knowledge, these two, well-established models have never been compared on the same data. We demonstrate, using simulated behavioral experiments, that one can accurately disambiguate between these two models, and accurately infer free model parameters and hidden belief trajectories (e.g., posterior expectations, posterior uncertainties, and prediction errors) even when using noisy and highly correlated behavioral measurements. Importantly, we found several advantages of Bayesian inference and Bayesian model comparison compared to often-used Maximum-Likelihood schemes combined with the Bayesian Information Criterion. These results stress the relevance of Bayesian data analysis for model-based neuroimaging studies that investigate human decision making under uncertainty.

Perceptual decision making can be described as a process of accumulating evidence to a bound which has been formalized within drift-diffusion models (DDMs). Recently, an equivalent Bayesian model has been proposed. In contrast to standard DDMs, this Bayesian model directly links information in the stimulus to the decision process. Here, we extend this Bayesian model further and allow inter-trial variability of two parameters following the extended version of the DDM. We derive parameter distributions for the Bayesian model and show that they lead to predictions that are qualitatively equivalent to those made by the extended drift-diffusion model (eDDM). Further, we demonstrate the usefulness of the extended Bayesian model (eBM) for the analysis of concrete behavioral data. Specifically, using Bayesian model selection, we find evidence that including additional inter-trial parameter variability provides for a better model, when the model is constrained by trial-wise stimulus features. This result is remarkable because it was derived using just 200 trials per condition, which is typically thought to be insufficient for identifying variability parameters in DDMs. In sum, we present a Bayesian analysis, which provides for a novel and promising analysis of perceptual decision making experiments.