Es hat sich gezeigt, daß Neuronale Netze, die ursprünglich zur Mustererkennung konzeptioniert waren, sich auch für die Analyse und Prognose von Zeitreihen eignen. Während den in der Praxis verwandten mathematischen Modellen oft Annahmen über die Einflüsse auf die zu prognostizierende bzw. analysierende Zeitreihe vorausgehen, müssen diese für Neuronale Netze nicht getroffen werden. Somit ergeben sich größere Freiheiten bei der Modellierung. Es ist allerdings zu bedenken, daß auch bereits bekannte Wirkzusammenhänge bei der neuronalen Modellierung aufgrund der Vorgaben für die Modellstruktur i.a. nicht genutzt werden können.

Gegenüber den mathematischen Verfahren zeigen die Neuronalen Netze die Eigenschaft, auch nichtlineare Zusammenhänge zu erfassen, ohne dabei auf komplexe Berechnungsverfahren zurückgreifen zu müssen. Ferner sind Neuronale Netze in Verbindung mit der neuronalen Sensitivitätsanalyse geeignet, lineare und nichtlineare Einflüsse exogener Zeitreihen zu identifizieren und einen Anhaltspunkt über die Stärke eines Einflusses zu geben.

Die Frage nach den am besten geeigneten Netzarchitekturen läßt sich nicht befriedigend beantworten. Offenbar ist die einzige gesicherte Erkenntnis, daß die lineare Skalierungsfunktion der m -s -Skalierung vorzuziehen ist. Ansonsten unterscheiden sich die jeweils günstigsten Architekturen zu stark, um eine eindeutige Antwort geben zu können. Für die erfolgreiche Anwendung von Neuronalen Netzen im Umweltbereich fehlt daher noch ein zuverlässiges Verfahren zur automatischen Bestimmung einer geeigneten Netzarchitektur. Ohne ein Verfahren, welches selbst eine geeignete Topologie finden kann, setzt der Einsatz Neuronaler Netze ein Verständnis der Theorie der Neuronalen Netze voraus. Die noch in der Entwicklung befindliche Auswahl nach Korrelationskoeffizient müßte eingehend mit den anderen Verfahren verglichen werden. Die beiden besprochenen Verfahren sind bereits gute Ansätze, lassen sich aber sicher noch verbessern, beispielsweise durch Variation der Lernfunktion während des Verfahrens. Hier liegt noch ein großes Potential für die Anwendung Neuronaler Netze in der Praxis.

Es hat sich gezeigt, daß die CO₂-Konzentration der Luft vor allem von lokalen Emissionen und der Vegetation geprägt ist. Die wesentlichen Einflüsse lassen sich in jahreszeitliche Faktoren (Temperatur und damit verknüpft: Vegetation), die Durchmischung der Luft (Windgeschwindigkeit) und die CO₂-Konzentration des Vortages unterteilen.

Mit Hilfe der neuronalen Sensitivitätsanalyse ist es möglich, in die "Black Box" eines Neuronalen Netzes zu schauen und neben linearen auch nichtlineare Einflüsse aufzuzeigen. Auch wenn sich die so identifizierten Einflußgrößen mit denen teilweise decken, die über die Korrelationskoeffizienten bestimmt wurden, können hier doch teilweise neue Erkenntnisse über das betrachtete Modell gemacht werden.

Insgesamt hat sich gezeigt, daß Neuronale Netze durchaus für den komplexen Vorgang der Analyse und Prognose von Zeitreihen geeignet sind. Neben den Notwendigkeiten einer geeigneten Auswahl von Einflußzeitreihen und deren Vorverarbeitung, die auch bei anderen Verfahren der Zeitreihenanalyse gegeben sind, ist bei den Neuronalen Netzen besonders die Wahl der Netztopologie für die Analyse- und Prognosegüte ausschlaggebend. Die im Rahmen dieser Arbeit implementierten Verfahren zur Netzwerkoptimierung bieten dabei eine wertvolle Unterstützung.