Fraktale Dimension
Fraktale Dimension beschreibt, wie die gemessene Detailmenge wächst, wenn der Beobachtungsmaßstab schrumpft. Sie kann zwischen vertrauten Dimensionen liegen, ist aber besser als Skalierungsexponent denn als geheimnisvolle Bruchrichtung zu verstehen.
Von Kopien zu einem Exponenten
Zerfällt ein Objekt in N selbstähnliche Teile, die jeweils um den Faktor r skaliert sind, lautet seine Ähnlichkeitsdimension D = log(N) / log(1/r). Die Koch-Kurve besitzt vier Teile bei einem Drittel der Skala und damit log 4 / log 3 – mehr als eine Linie, weniger als eine gefüllte Fläche.
Die Formel lässt sich als Bilanz lesen: Wie viele Teile entstehen, und wie stark schrumpft jeder Teil? Bei einer gewöhnlichen Strecke verdoppelt eine Halbierung des Maßstabs die benötigte Teilzahl; der Exponent ist eins. Bei einer Fläche vervierfacht sie sich; der Exponent ist zwei. Die Koch-Kurve liegt dazwischen, weil ihre Länge beim Verfeinern schneller wächst als bei einer glatten Linie, ohne eine Fläche vollständig zu füllen. Der Bruchwert beschreibt dieses Skalierungsverhalten, keine zusätzliche Raumrichtung.
Box-Counting in Bildern und Daten
Man überdeckt eine Menge mit Kästchen der Kantenlänge ε und zählt die berührten Kästchen. Wächst ihre Zahl ungefähr wie ε hoch minus D, schätzt die Steigung einer doppelt logarithmischen Darstellung die Boxdimension. Auflösung, Schwellenwert, Skalenbereich und Regression beeinflussen das Ergebnis.
In realen Daten ist die gerade Linie im Log-Log-Diagramm nie perfekt und meist nur über wenige Größenordnungen sichtbar. Man sollte deshalb mehrere Gitterlagen testen, sehr grobe und pixelnahe Skalen ausschließen und die Unsicherheit der Steigung angeben. Auch die Vorverarbeitung gehört zum Ergebnis: Ein weichgezeichneter Rand, ein anderer Kontrastschwellwert oder eine beschädigte Maske kann die Zahl merklich verschieben. Box-Counting ist ein Messverfahren, kein automatischer Wahrheitsdetektor.
Es gibt nicht die eine universelle Dimension
Hausdorff-, Box-, Korrelations- und Informationsdimension beantworten verwandte, aber unterschiedliche Fragen. Bei vielen Idealbeispielen stimmen sie überein, bei anderen nicht. Eine Dimension ohne Methode, Unsicherheit und Skalenbereich wirkt genauer, als die Daten es erlauben.
Die passende Dimension hängt davon ab, ob geometrische Belegung, Wahrscheinlichkeitsmasse oder Korrelation zwischen Punkten interessiert. Ein ungleichmäßig gewichteter Attraktor kann denselben geometrischen Träger besitzen und dennoch eine andere Informationsdimension zeigen. In Anwendungen sollte daher zuerst die Frage stehen und erst danach das Maß. Zwei publizierte Dimensionswerte sind nur dann direkt vergleichbar, wenn Definition, Datenaufbereitung und Skalenbereich ausreichend übereinstimmen.
Quellen und Vertiefung
Die Darstellung fasst die folgenden Fachquellen in eigenen Worten zusammen. Abruf und redaktionelle Prüfung: 12. August 2026.
Den Gedanken weiterverfolgen
Das Küstenlinienparadox
Warum kleinere Messstäbe längere Küsten ergeben, wie Richardson-Diagramme Skalierung schätzen und wo das Paradox physisch endet.
Selbstähnlichkeit und Skalierung
Exakte, näherungsweise, statistische und selbstaffine Ähnlichkeit verstehen – und warum Naturmuster nur über begrenzte Skalen wiederkehren.
Sierpiński-Dreieck und -Teppich
Wie wiederholtes Entfernen exakte Selbstähnlichkeit, verschwindende Fläche und eine Brücke von Cantor zu höheren Dimensionen erzeugt.