Stellar winds play an important role for the evolution of massive stars and their cosmic environment. Multiple lines of evidence, coming from spectroscopy, polarimetry, variability, stellar ejecta, and hydrodynamic modeling, suggest that stellar winds are non-stationary and inhomogeneous. This is referred to as 'wind clumping'. The urgent need to understand this phenomenon is boosted by its far-reaching implications. Most importantly, all techniques to derive empirical mass-loss rates are more or less corrupted by wind clumping. Consequently, mass-loss rates are extremely uncertain. Within their range of uncertainty, completely different scenarios for the evolution of massive stars are obtained. Settling these questions for Galactic OB, LBV and Wolf-Rayet stars is prerequisite to understanding stellar clusters and galaxies, or predicting the properties of first-generation stars. In order to develop a consistent picture and understanding of clumped stellar winds, an international workshop on 'Clumping in Hot Star Winds' was held in Potsdam, Germany, from 18. - 22. June 2007. About 60 participants, comprising almost all leading experts in the field, gathered for one week of extensive exchange and discussion. The Scientific Organizing Committee (SOC) included John Brown (Glasgow), Joseph Cassinelli (Madison), Paul Crowther (Sheffield), Alex Fullerton (Baltimore), Wolf-Rainer Hamann (Potsdam, chair), Anthony Moffat (Montreal), Stan Owocki (Newark), and Joachim Puls (Munich). These proceedings contain the invited and contributed talks presented at the workshop, and document the extensive discussions.

Aus den Mängeln bisher verwendeter Modelle zur Abbildung des Wellenablaufes zu Prognosezwecken im Hochwasserfall wird in dieser Arbeit eine Methodik entwickelt, die die Schnelligkeit und Robustheit künstlicher neuronaler Netze mit der Zuverlässigkeit hydrodynamisch-numerischer Modellierung verbindet. Ein eindimensionales hydrodynamisches Modell beinhaltet die genaue Kenntnis der Geometrie des Flußlaufes und der Vorländer und berücksichtigt die physikalischen Prozesse des Wellenablaufes. Mit diesem deterministischen Modell ist eine Grundlage für umfangreiche Szenarienrechnungen zur Erstellung einer Datenbasis geschaffen, die die weite Spanne theoretisch möglicher Hochwasserereignisse abdeckt. Mit dieser Datenbasis können dann künstliche neuronale Netze trainiert werden, die auch im Bereich extremer Hochwasserereignisse zuverlässige Prognosen liefern. In dieser Arbeit werden mit Multilayer-Feedforward-Netzen und selbstorganisierenden Merkmalskarten zwei Netztypen als Vertreter überwacht und unüberwacht lernender neuronaler Netze auf ihre diesbezügliche Eignung untersucht und beurteilt. Desweiteren wurde die Methodik auf die Einbeziehung von Merkmalen für die Niederschlags-Abfluß-Prozesse im unbeobachteten Zwischengebiet zur Berücksichtigung lateraler Zuflüsse entlang der modellierten Fließstrecken erweitert. Die Datenbasis wurde hierfür mit einem Niederschlags-Abfluß-Modell erstellt. Ein Hauptschwerpunkt liegt in der Überführung der Eingangsdaten in charakteristische Merkmale zur Abbildung der Zielgrößen, in diesem Falle des Durchflusses und Wasserstandes am Zielpegel. So dienen die deterministischen Modelle nicht nur zur Erstellung einer verläßlichen Datenbasis für das Training der Netze, sondern ermöglichen – sowohl für die Niederschlags-Abfluß-Prozesse, als auch für die hydrodynamischen Prozesse – Analysen betreffs der Sensitivität der Modellergebnisse infolge von Änderungen der Inputdaten. Mit Hilfe dieser Analysen werden wichtige Informationen zur Findung der relevanten Merkmale erlangt. Ein Schlüssel für die erfolgreiche Eingliederung der Niederschlags-Abfluß-Prozesse in das Prognosenetz ist die Einführung eines einzigen Zustandsmerkmals, welches die gesamte meteorologische Vorgeschichte des Ereignisses zur Charakterisierung des Gebietszustandes vereinigt. Die entwickelte Methodik wurde anhand des Einzugsgebietes der Freiberger Mulde erfolgreich getestet.

Aus den Mängeln bisher verwendeter Modelle zur Abbildung des Wellenablaufes zu Prognosezwecken im Hochwasserfall wird in dieser Arbeit eine Methodik entwickelt, die die Schnelligkeit und Robustheit künstlicher neuronaler Netze mit der Zuverlässigkeit hydrodynamisch-numerischer Modellierung verbindet. Ein eindimensionales hydrodynamisches Modell beinhaltet die genaue Kenntnis der Geometrie des Flußlaufes und der Vorländer und berücksichtigt die physikalischen Prozesse des Wellenablaufes. Mit diesem deterministischen Modell ist eine Grundlage für umfangreiche Szenarienrechnungen zur Erstellung einer Datenbasis geschaffen, die die weite Spanne theoretisch möglicher Hochwasserereignisse abdeckt. Mit dieser Datenbasis können dann künstliche neuronale Netze trainiert werden, die auch im Bereich extremer Hochwasserereignisse zuverlässige Prognosen liefern. In dieser Arbeit werden mit Multilayer-Feedforward-Netzen und selbstorganisierenden Merkmalskarten zwei Netztypen als Vertreter überwacht und unüberwacht lernender neuronaler Netze auf ihre diesbezügliche Eignung untersucht und beurteilt. Desweiteren wurde die Methodik auf die Einbeziehung von Merkmalen für die Niederschlags-Abfluß-Prozesse im unbeobachteten Zwischengebiet zur Berücksichtigung lateraler Zuflüsse entlang der modellierten Fließstrecken erweitert. Die Datenbasis wurde hierfür mit einem Niederschlags-Abfluß-Modell erstellt. Ein Hauptschwerpunkt liegt in der Überführung der Eingangsdaten in charakteristische Merkmale zur Abbildung der Zielgrößen, in diesem Falle des Durchflusses und Wasserstandes am Zielpegel. So dienen die deterministischen Modelle nicht nur zur Erstellung einer verläßlichen Datenbasis für das Training der Netze, sondern ermöglichen – sowohl für die Niederschlags-Abfluß-Prozesse, als auch für die hydrodynamischen Prozesse – Analysen betreffs der Sensitivität der Modellergebnisse infolge von Änderungen der Inputdaten. Mit Hilfe dieser Analysen werden wichtige Informationen zur Findung der relevanten Merkmale erlangt. Ein Schlüssel für die erfolgreiche Eingliederung der Niederschlags-Abfluß-Prozesse in das Prognosenetz ist die Einführung eines einzigen Zustandsmerkmals, welches die gesamte meteorologische Vorgeschichte des Ereignisses zur Charakterisierung des Gebietszustandes vereinigt. Die entwickelte Methodik wurde anhand des Einzugsgebietes der Freiberger Mulde erfolgreich getestet.

Im Fokus dieser Arbeit steht die physiologische Reaktion von Einzelbäumen gegenüber Trockenheit. Das angewandte hydrodynamische Xylemwasserfluss (XWF) Model liefert eine hydrologische Abbildung der Einzelbäume. Aufgrund des funktionalen Zusammenhanges zwischen dem Blattwasserpotential und der stomatären Leitfähigkeit erlaubt das XWF Modell eine öko-physiologische Simulation der stomatären Reaktion auf Blattebene. Hieraus ergeben sich auch Rückschlüsse auf die Assimilationsleistung. Als integratives Maß des Verhältnisses zwischen der Kohlenstoffaufnahme und dem Wasserverbrauch werden die stabilen (Jahrring-) Isotope des Kohlen- und des Sauerstoffs analysiert. Des Weiteren werden Messungen des jährlichen Dickenwachstums sowie des Tagesganges der Xylem-Saftflussdichte untersucht. Die XWF Simulationen zeigen eine gute Übereinstimmung mit den Saftflussdichtemessungen an Buchen (Fagus sylvatica L.). Eine effektive stomatäre Regulation der Transpiration während der extreme Trockenheit des Jahres 2003 schütze die untersuchten Buchen vor einer Fehlfunktion des Wassertransportes. Gleichfalls konnte das Wachstum aufrechterhalten werden, was eine Remobilisierung von gespeichertem Kohlenstoff während Zeiten eingeschränkten Gasaustausches nahe legt. Des Weiteren zeigte sich Unterschiede in den (Wasser-) Nutzungsstrategien von Fichten (Picea abies L. Karst.), was auf eine physiologische Prädisposition der Gefährdung einzelner Bäume gegenüber Trockenstress hinweist. Die gemeinsame Betrachtung von hydrodynamischen Simulationen und öko-physiologischen Messungen kann dazu beitragen die komplexen physiologischen Prozesse auf Blattebene abzubilden und diese auf Baumebene zu projizieren. Weiterführend können somit die Vorhersagen des Wasserhaushaltes auf Bestandesebene angepasst und Auswirkungen des Klimawandels besser abgeschätzt werden. / This study focuses on the physiological response of individual trees towards drought. The hydrodynamic model of xylem water flow (XWF) applied provides a hydraulic map of the individual trees. Due to the functional linkage between the leaf water status and the stomatal conductance, the XWF model enables an eco-physiological representation of the stomatal response at the leaf level. As an integrative record of the ratio between water loss and carbon gain, the tree ring carbon and oxygen stable isotopes have been analyzed. Furthermore, measurements of seasonal growth and diurnal sap flow densities include in my study. The hydrodynamic XWF simulation shows good agreement with sap flow density measurements of beech trees (Fagus sylvatica L.). It demonstrates that the study trees were able to cope with the extreme drought events of the years 2003 due to a strong limitation of water loss by stomatal closure. The assessment of growth data and stable isotope measurements suggest an increased remobilization of stored carbohydrates during periods of limited gas exchange. Furthermore, differences in the resource use strategies of Norway spruce trees (Picea abies L. Karst.) suggest a physiological predisposition of individual trees toward drought stress. The combined investigation of hydrodynamic modeling and eco-physiological approaches helps to bridge the gap between the detailed examinations of physiological processes at the leaf level to the forecast of water use at the tree level. Thus, predictions of the water balance at the stand level may be adjusted for a better representation of the impact of climate change.