Für erfolgreiche ökologische Forschung ist Vertrautheit mit den Ansätzen von Biologie, Physik, Chemie und Geologie unabdingbar. Ausserdem sind Grundkenntnisse der Wissenschaftsphilosophie und Hintergründe der Statistik wesentlich für gute, reproduzierbare Forschung. Wie man Kausalzusammenhänge aus Beobachtungen und Experimenten ableiten kann, wird in der Philosophie weiterhin diskutiert. Die meisten Biologen bekennen sich jedoch zu einer Version der hypothetisch-deduktiven Methode. Der am weitesten verbreitete Ansatz geht auf Ronald A. Fisher zurück, der maßgebend die statistische Versuchsplanung ausarbeitete. Im Mittelpunkt steht die Nullhypothese, und wir entscheiden mit einem Signifikanztest, ob wir sie verwerfen. Unkritische Anwendung des Signifikanztests hat jedoch eine beschränkte Aussagekraft. Unter anderem kann ein statistisch gesicherter Wert biologisch irrelevant sein. Wichtiger sind oft die geschätzte Effektgröße (d. h., wie groß der Unterschied zwischen Kontrolle und Experiment ist) und die Power (Sensitivität; wie groß die Wahrscheinlichkeit ist, dass ein existierender Unterschied korrekt diagnostiziert wird). Der Signifikanztest gibt keine direkte Information darüber, wie wahrscheinlich unsere Hypothese ist. Dafür eignet sich der Ansatz von Thomas Bayes. Eine anfängliche Wahrscheinlichkeit (a-priori), dass unsere Hypothese stimmt, wird kontinuierlich durch neue Daten modifiziert (a-posteriori). Nach Thomas Kuhn wird die Geschichte der wissenschaftlichen Forschung durch „Normalwissenschaft“ dominiert, die von Zeit zu Zeit von wissenschaftlichen Revolutionen unterbrochen wird. Moderne ökologische Forschung stützt sich im Wesentlichen auf drei Ansätze: Experimente, Beobachtungen und Modellbildungen. Für alle drei sind heute Computer unabdingbar. Automatisierte Analysen und molekulare Methoden führten in den letzten Jahren zu einer enormen Flut an Daten. Mit Big-Data-Challenge bezeichnet man die Schwierigkeit, riesige Datenmengen auszuwerten und zu interpretieren.