Explosive compounds are broadly distributed across the globe as a result of nearly two centuries of munitions use in warfare and military activities. Two explosive compounds have seen disproportionate use; RDX (hexahydro-1,3,5-trinitro-1,3,5-triazine) and TNT (2-methyl- 1,3,5-trinitrobenzene), being the most commonly found explosives in the environment. The effects of explosives on biota have been studied in great detail; however, there is a general lack of understanding with regard to broader ecological impacts of these contaminants. My dissertation objective was to follow the impacts of explosive compounds on vegetation across scales. Impacts on vegetation at the species scale alter community composition via species-specific and age-specific responses to explosives. Results presented here showed that contaminated soils induced a variety of responses in vegetation, yet impacts to water relations were similar regardless of species. Use of novel metrics in monitoring plant responses to explosives compounds aided in delineation of reference and treatment groups. At the community scale the presence of explosives induced species and functional composition shifts. The observed shifts are likely due to physiological impairment as individuals in the field exhibited significant impacts to physiological functions. Effects of explosives contamination also detectable using remote sensing techniques. Impacts to plant morphology and physiology are directly related to community level shifts observed in long contaminated areas. This highlights the long lasting impacts that these largely overlooked contaminants can have on a system and opens avenues for new, at range, vegetation based contaminant detection systems.

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.