Veterinärantibiotika werden weltweit in großem Umfang zur Behandlung von Tierkrankheiten eingesetzt. Aufgrund der schlechten Resorption der Mittel im Darm der Tiere gelangen sie zum Großteil unverändert über Ausscheidungen auf landwirtschaftliche Nutzflächen. Dort können sie von Nichtzielorganismen, wie Gefäßpflanzen, aufgenommen werden und deren frühe Entwicklung bedrohen. In diesem Kontext wurde bisher vor allem der Einfluss auf Kulturpflanzen untersucht, während Wildpflanzenarten des ökologisch bedeutsamen Kulturgraslandes, die vor allem durch Gülleausbringung in Kontakt mit Antibiotikastoffen kommen, deutlich weniger fokussiert wurden. Deshalb wurde in dieser Arbeit der Einfluss realistischer Konzentrationen (0,1 - 20 mg/L) zweier häufig verwendeter Veterinärantibiotika, Tetracyclin und Sulfamethazin, auf die Keimung und das frühe Wachstum von typischen Arten des temperaten Kulturgraslandes untersucht. Da in der Natur oft mehrere Stressoren gleichzeitig auf einen Organismus einwirken, wurden auch zwei Multistressszenarien, nämlich Pharmazeutikamischungen und das Zusammenspiel von pharmazeutischem Wirkstoff mit abiotischen Bedingungen (Trockenstress) untersucht. In vier Themenblöcken wurden sowohl standardisierte Laborversuche als auch naturnähere Topf- und Feldversuche durchgeführt. Die Ergebnisse zeigten, dass sowohl die Keimung als auch das frühe Wachstum durch beide Wirkstoffe, jedoch häufiger durch Tetracyclin, beeinträchtigt wurden. Während die Keimung uneinheitlich in Bezug auf die Effektrichtung beeinflusst wurde, zeigte sich eine starke, antibiotika- und konzentrationsabhängige Reduktion der Wurzellänge vor allem durch Tetracyclin, in den Petrischalenversuchen (20 mg/L bis 96 %, bei Dactylis glomerata). Das oberirdische Wachstum (Blattlänge, Wuchshöhe, Biomasse) wurde geringer beinflusst, und dabei oft wachstumsfördernd. In der gesamten Arbeit zeigten sich immer wieder Hormesis- Effekte, d.h. geringe Konzentrationen, die stimulierend wirkten, während höhere Konzentrationen toxisch wirkten. Die betrachteten Kombinationen verschiedener Faktoren führten entgegen der Erwartung nicht eindeutig zu stärkeren oder alleinigen Einflüssen. In einzelnen Fällen zeigten sich solche Muster, jedoch wurden auch Verluste von Einzeleffekten bei den Kombinationen beobachtet oder Einzeleffekte, die sich dort erneut abbildeten. Es zeigten sich, wenn auch uneinheitlich, signifikante Einflüsse auf die frühen Entwicklungsstadien von typischen Wildpflanzenarten, die bereits durch andere Faktoren einen Rückgang erfahren. Gerade im Hinblick auf die wiederholte Ausbringung von Gülle und die potenzielle Akkumulation dieser hoch persistenten Stoffe stellen Veterinärantibiotika einen weiteren wichtigen Einflussfaktor dar, der die Biodiversität und Artzusammensetzung gefährdet, weshalb zu einem umweltbewussten Umgang mit ihnen geraten wird.

Bericht über die Ereignisse und Entwicklungen der UB Trier 2023.

In machine learning, classification is the task of predicting a label for each point within a data set. When the class of each point in the labeled subset is already known, this information is used to recognize patterns and make predictions about the points in the remainder of the set, referred to as the unlabeled set. This scenario falls in the field of supervised learning. However, the number of labeled points can be restricted, because, e.g., it is expensive to obtain this information. Besides, this subset may be biased, such as in the case of self-selection in a survey. Consequently, the classification performance for unlabeled points may be limited. To improve the reliability of the results, semi-supervised learning tackles the setting of labeled and unlabeled data. Moreover, in many cases, additional information about the size of each class can be available from undisclosed sources. This cumulative thesis presents different studies to combine this external cardinality constraint information within three important algorithms for binary classification in the supervised context: support vector machines (SVM), classification trees, and random forests. From a mathematical point of view, we focus on mixed-integer programming (MIP) models for semi-supervised approaches that consider a cardinality constraint for each class for each algorithm. Furthermore, since the proposed MIP models are computationally challenging, we also present techniques that simplify the process of solving these problems. In the SVM setting, we introduce a re-clustering method and further computational techniques to reduce the computational cost. In the context of classification trees, we provide correct values for certain bounds that play a crucial role for the solver performance. For the random forest model, we develop preprocessing techniques and an intuitive branching rule to reduce the solution time. For all three methods, our numerical results show that our approaches have better statistical performances for biased samples than the standard approach.