Das Studium des derzeitigen Klimawandels ist von hoher Relevanz da viele Menschen dessen direkten Folgen ausgesetzt sind. Das Verständnis der Vergangenheit ist der Schlüssel zu Fragen zum Klima als auch zur Vegetation, dem Leben, der Evolution und der Natur allgemein. Diese Dissertation beschäftigt sich damit Übergange zwischen dynamischen Regimen in nichtlinearen Systemen zu detektieren. Den Anfang macht eine kurze Einführung in die Methodik mit der Einführung der Rekurrenzplots (RP) als wichtigem Werkzeug für die folgende Analyse. Die genaue Gestalt eines RP hängt dabei von einem freien Parameter ab, dem Distanzschwellwert. Hier schlage ich eine neue Variante vor, den gewichteten Rekurrenzplot (wRP), welcher ohne Abhängigkeit von diesem Parameter auskommt. Darüberhinaus schlage ich eine neue Möglichkeit vor den Schwellwert für Rekurrenznetzwerke (RN) für eine gegebene Zeitreihe auszuwählen. Einen optimalen Schwellwert auszuwählen ist ausschlaggebend für das Ergebnis der Zeitreihenanalyse. In den folgenden theoretischen Ausführungen beschreibe ich daher eine neuartige Vorbehandlung von heterogenen (insbesondere irregulär gesampelten) Zeitreihen. Diese treten oft in Proxyda- ten, etwa Speläothemen, auf und lassen sich nicht direkt mit RP analysieren. Die vorgestellten Ansätze bieten geeignete Methoden um dynamische Übergänge zu untersuchen. Sie können unterschiedlichste Anwendungen in einer Vielzahl von Zeitreihenanalysen finden. Beispielsweise wird generell die Untersuchung irregulär gesampelter Datensätze ermöglicht. Letztlich, da die Zusammenwirkung der Proxydaten aus Nordwestaustralien und Südchina besser verstanden ist, stellt sich die Aufgabe solche Analysen mit Hilfe der hier vorgestellten Methoden auf Paläoklimadaten der gesamten Erde auszuweiten, um ein umfassendes Netzwerk der paarweisen Wechselbeziehungen zu erstellen, das für ein besseres Verständnis des Erdsystems hilfreich sein kann. / The study of climate change is a very important field of science, since life is directly affected by these changes. Investigating the past climate changes leads to the forecasts of future possibilities. Therefore, enlightening the past is a keystone to answer questions about climate as well as vegetation, life, evolution, and nature. This Thesis focuses on detecting dynamical regime transitions in nonlinear dynamical systems as well as in climate proxies where they mark previous critical climate changes. The thesis begins with a brief methodological background and brings the recurrence plot (RP) to forefront as the main tool for the further analyses. The thesis consists of three main studies: (i) The formation of RPs naturally depends on a free parameter in the analysis given by the distance threshold. I propose an alternative definition by using a weighted variant of the RP, called weighted recurrence plot, which removes dependence on this free parameter. (ii) Furthermore, I suggest a novel way to select the threshold for a recurrence network for a specific time series. Selecting the optimization parameters for a specific time series is very important for the performance of the analysis. (iii) Next, I introduce a new preprocessing technique to deal with the heterogeneousness of time series, since the RP is not directly applicable on such data sets and the proxies from speleothems, in general, are irregularly sampled. Among these presented approaches are suitable methods to investigate the dynamical transition and they can be used for different purposes in a large variety of time series analyses. These techniques can be used in several different disciplines which have heterogeneousness in their sources. After the relationship between the two proxies from Australia and China has been uncovered, in the future, it should be achievable to extend the study to create a large paleoclimate relationship network for the entire Earth by using the methods given in this Thesis.

Für die Luftqualitätsbewertung in Städten sind Informationen zur raumzeitlichen Variabilität luftgetragener Feinstäube auf kleiner Skala von wichtiger Bedeutung. Standardisierte Messverfahren, zur Bestimmung von Partikelkonzentrationen, sind mit hohem Aufwand verbunden, weshalb dichte Messnetze fehlen. Partikelausbreitungsmodelle sind kompliziert in der Anwendung und/oder benötigen hohe Computerrechenleistung. Infolgedessen gibt es bezüglich örtlicher Partikelkonzentrationen große Informationslücken. Diese Arbeit untersucht die mikroskalige Variabilität von Aerosolen in Raum und Zeit mit unterschiedlichen Methoden. Es wurden Erhebungen mit mobilen Sensoren und eine Passantenbefragung durchgeführt. Weiterhin wurden in dieser Arbeit die physikalischen Partikeltransportmodelle ENVI-met und Austal2000 in ihrer Leistung bewertet und in angewandten Studien eingesetzt. Weiterhin wurde ein neuronales Netzwerk zur Vorhersage von Partikelkonzentrationen entwickelt. Die Untersuchungen erfolgten in den Städten Aachen und Münster. Es konnten unerwartete Verteilungsmuster hinsichtlich der Massekonzentration von Partikeln beobachtet werden. In einem innerstädtischen Park wurden diffuse Partikelquellen identifiziert, mit einem deutlichen Hinweis darauf, dass feuchtgelagerte Wegedecken einen maßgeblichen Anteil an lokalen Partikelimmissionen hatten. Weiterhin wurde Straßenverkehr als wichtiger Beitrag zum städtischen Aerosol identifiziert. Passanten, die verschiedenen Partikelkonzentrationen ausgesetzt waren, konnten diese perzeptiv nicht unterscheiden. Simulationsergebnisse von Austal2000 und ENVI-met wiesen Unterschätzungen im Vergleich zu Messwerten auf. Das entwickelte neuronale Netzwerk prognostizierte Partikelkonzentrationen teilweise mit hoher Genauigkeit. Das große Potenzial von neuronalen Netzen für die Vorhersage von Partikelkonzentrationen in räumlicher und zeitlicher Ausdehnung, auch für den Bereich der Luftqualitätsüberwachung, wurde aufgezeigt. / Knowledge about the micro-scale variability of airborne particles is a crucial criterion for air quality assessment within complex terrains such as urban areas. Due to the significant costs and time consumption related to the work required for standardized measurements of particle concentrations, dense monitoring networks are regularly missing. Models that simulate the transmission of particles are often difficult to use and/or computationally expensive. As a result, information regarding on-site particle concentrations at small scales is still limited. This thesis explores the micro-scale variability of aerosol concentrations in space and time using different methods. Experimental fieldwork, including measurements with mobile sensor equipment alongside a survey, and modeling approaches were conducted. Applied simulation studies, a performance assessment of two popular particle dispersion models, namely Austal2000 and ENVI-met, as well as the development of an ANN model are presented. The cities of Aachen and Münster were chosen as case studies for this research. Unexpected patterns of particle mass concentrations could be observed, including the identification of diffuse particle sources inside a park area with strong evidence that unpaved surfaces contributed to local aerosol concentration. In addition, vehicle traffic was proved to be a major contributor of particles, particularly close to traffic lanes. Results of the survey reveal that people were not able to distinguish between different aerosol concentration levels. Austal2000 and ENVI-met turned out to have room for improvement in terms of the reproduction of observed particle concentration levels, with both models having a tendency toward underestimation. The newly developed ANN model was confirmed to be a fairly accurate tool for predicting aerosol concentrations in both space and time, and demonstrates the principal ability of the approach also in the domain of air quality monitoring.