Die 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. / Complex 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.

Kollektive biologische Systeme sammeln Informationen und leiten diese intern weiter, um Umweltveränderungen zu detektieren und auf sie zu reagieren. In Tiergruppen können die probabilistischen Entscheidungen von Individuen durch diese kollektive Informationsverarbeitung verbessert werden. Die dem sozialen Austausch zu Grunde liegenden Sinneswahrnehmungen finden jedoch in gängigen Modellen kollektiven Verhaltens kaum Beachtung. Hier untersuche ich, wie der individuelle Zugang zu sozialen Informationen durch visuelle Wahrnehmung und räumliche Gruppenstruktur geformt wird. Zuerst untersuche ich Fluchtwellen in Fischschwärmen in zwei als unterschiedlich riskant wahrgenommenen Kontexten mithilfe empirisch ermittelter visueller Interaktionsnetzwerke. Die beobachtete strukturelle Änderung der Gruppen zwischen den Kontexten erweist sich als essenziell, um die Änderung der Fluchtwellengröße zu erklären und optimiert potenziell die kollektive Informationsverarbeitung im jeweiligen Kontext. Von optimaler Informationsverarbeitung wird in biologischen Systemen oft angenommen, dass sie an Phasenübergängen in deren kollektiver Dynamik stattfindet, sogenannten kritischen Punkten. Die beobachtete strukturelle Änderung ändert den Abstand des Schwarmverhaltens zu einem solchen kritischen Punkt. Jedoch bleiben die Gruppen subkritisch in beiden Kontexten, vermutlich aus Notwendigkeit, tatsächliche Warnungen zu verstärken und falsche zu unterdrücken. Im zweiten Teil vergleiche ich visuelle Netzwerke mit anderen räumlichen Netzwerken bezüglich ihrer Struktur und dem Verhalten von Ausbreitungsprozessen auf ihnen. Einzig visuelle Netzwerke zeigen bei mittleren Gruppendichten Optima in zentralen Netzwerkeigenschaften und behalten realistische Eigenschaften bei hohen und niedrigen Dichten. Abschließend entwickle ich eine analytische Näherung zentraler Netzwerkeigenschaften solcher visuellen Netzwerke. / Collective biological systems gather information and propagate it internally to detect and react to environmental changes. In animal groups the probabilistic decisions of individuals can be improved by this collective information processing. Animals rely on sensory cues for social communication, yet common models of collective behavior neglect this sensory basis of interactions. Here, I investigate how an individual’s access to social information is shaped by visual sensory limitations and spatial group structure. First, escape waves in fish schools are studied under two levels of perceived environmental risk using empirically inferred visual interaction networks. Group-structural change is found to be crucial to explain the observed differences in size of escape waves and potentially optimize collective information processing according to the state of the environment. Optimal information processing in biological systems is often hypothesized to occur at phase transitions in their collective dynamics, so-called critical points. Here, the observed change in group structure modifies the schools’ distance to a critical point. Yet groups stay subcritical in both experimental setups, which may manage a trade-off between sensitivity to true alarms and robustness to false ones. In a second part, visual networks are compared to other spatial networks in structure and behavior of spreading processes on them. Visual networks show a unique dependence on group density with optima in network structural measures at intermediate densities, making them more realistic than other networks at high and low densities. Finally, an analytical approximation of central properties of visual networks is developed. Overall, this thesis identifies group structure as a potential control mechanism of collective information processing, highlights the trade-off associated with criticality in noisy systems and provides a systematic study and analytic approximation of visual sensory networks.