Экология тепловой и атомной энергетики

Информационное описание экосистем: показатели, «индексы» и шкалы их измерения "Систематика" экологических показателей

Статистическая постановка задачи экологического мониторинга предполагает, что наблюдается некоторое множество экологических состояний. Оно может содержать как различные состояния одного объекта, так и состояния разных объектов, соизмеримых между собой в количественном отношении.

Для количественной характеристики объектов или явлений в теории информационных систем (см. раздел 1.6) употребляется понятие особого рода – «показатель». Он обычно состоит из численного выражения и набора качественных реквизитов, определяющих конкретные условия, способ, место и время проведения измерения.

Для описания наземных экосистем предложен набор, включающий свыше 80 различных показателей [Исаков с соавт., 1986], но и он неполон и не всегда применим к водным экосистемам, для которых нужно разрабатывать свою систему показателей. В предыдущей главе мы достаточно подробно описали состав показателей нашей гидробиологической базы данных. Чтобы окончательно определиться со взглядами гидробиологов по поводу того, какие показатели должны включаться в модель, приведем с незначительными сокращениями выдержку из статьи А.И. Баканова [2000б].

«Различные показатели можно классифицировать по разным основаниям:

показатели измеряемые (численность, биомасса...) и расчетные (продукция, агрегированность...);

показатели простые (характеризующие объект с одной стороны), комбинированные (характеризующие объект с разных сторон) и комплексные (включающие соответствующие характеристики нескольких компонентов экосистемы);

показатели отдельных компонентов и системные показатели, отражающие целостные свойства экосистемы;

показатели структурные и функциональные;

показатели статические и динамические;

показатели, которые могут быть выражены производной по времени (характеризуют скорость каких-либо изменений), и показатели, выражающиеся интегралом во времени (характеризуют итог какого-либо процесса) [Федоров с соавт., 1980].

В настоящее время только для мониторинга пресноводных водоемов по зообентосу применяется свыше 60 методик оценки экосистем

В зависимости от того, в каких шкалах измерены данные, репрезентативная теория измерений, основные понятия и применения которой рассматриваются в обзорах [Стивенс, 1960; Орлов, URLа,б], определяет круг возможных арифметических операций над этими числами. Например, имея отметки учащихся как один из видов экспертного оценивания, вряд ли кто-либо будет утверждать, что знания отличника равны сумме знаний двоечника и троечника (хотя 5 = 2 + 3), в то время как в экологических методиках подобные операции в интервальных шкалах – не редкость.

Природа и математическое мышление Идеологической основой технологической цивилизации является Научная Идеология, или Сциентизм (англ. Science). Она основана на вере в существование небольшого числа точно формулируемых законов природы, на основе которых все в природе предсказуемо и манипулируемо. Природа рассматривается как гигантская машина, которой можно управлять, если известен принцип ее функционирования. Эта научная идеология, как заметил еще Э. Мах, часто играет роль религии технологической цивилизации.

Выявлены два основных направления исследований: экосистемное и популяционное. Показано, что при изучении растительных сообществ чаще используется экосистемный подход, а сообществ наземных животных и птиц – популяционный. Сообщества водных организмов служат объектом для обоих подходов. К математическим ключевым словам были отнесены названия статистических характеристик, методов преобразования и обработки данных, пакетов прикладных программ.

В тех случаях, когда установлено постоянное и удовлетворительно точное согласие между математической моделью и опытом, такая модель приобретает практическую ценность. Эта ценность может быть достаточно велика, вне зависимости от того, представляет ли сама модель чисто математический интерес. Итак, сформулируем еще один принцип математического моделирования в экологии: модель должна иметь конкретные цели. Условно такие цели можно подразделить на три основных группы: 1) компактное описание наблюдений; 2) анализ наблюдений (объяснение явлений); 3) предсказание на основе наблюдений (прогнозирование).

Аналитические модели (англ. analytical models) – один из классов математического моделирования, широко используемый в экологии. При построении таких моделей исследователь сознательно отказывается от детального описания экосистемы, оставляя лишь наиболее существенные, с его точки зрения, компоненты и связи между ними, и использует достаточно малое число правдоподобных гипотез о характере взаимодействия компонентов и структуры экосистемы. Аналитические модели служат, в основном, целям выявления, математического описания, анализа и объяснения свойств или наблюдаемых феноменов, присущих максимально широкому кругу экосистем. Так, например, широко известная модель конкуренции Лотки–Вольтерра позволяет указать условия взаимного сосуществования видов в рамках различных сообществ. Попытки моделирования динамики популяций предпринимаются давно. Модель конкуренции (уравнения Лотки–Вольтера, 1925-26 гг.) – классический пример аналитической модели, позволяющей объяснить и проанализировать возможные исходы межвидовой конкуренции. Однако, если модели типа "хищник–жертва" в частных случаях обнаруживали совпадение с данными натурных наблюдений, то значительно хуже обстояло дело с взаимодействием организмов и окружающей среды. Сначала появились частные модели взаимодействия биоты с такими отдельными факторами, как солнечная радиация, температура [Крогиус с соавт., 1969], потом – модели взаимодействия организмов с абстрактными "ресурсами

Эмпирико-статистические модели объединяют в себе практически все биометрические методы первичной обработки экспериментальной информации. Основная цель построения этих моделей состоит в следующем: упорядочение или агрегирование экологической информации; поиск, количественная оценка и содержательная интерпретация причинно-следственных отношений между переменными экосистемы; оценка достоверности и продуктивности различных гипотез о взаимном влиянии наблюдаемых явлений и воздействующих факторов; идентификация параметров расчетных уравнений различного назначения.

Схемы представления результатов статистической обработки для различных критериев и методов анализа Задачи о выборках: анализ распределений, сравнение, поиск зависимостей

Таблицы сопряженности и интервальная математика Математический аппарат, осуществляющий анализ таблиц сопряженности, используется в тех случаях, когда данные, в которых измерены показатели Y и X, представлены в шкале наименований или порядковой шкале В этих случаях любые статистические методы, основанные на параметрических распределениях, оказываются неприменимыми и анализ таблиц сопряженности [Елисеева, Рукавишников, 1977; Аптон, 1982; Енюков, 1986; Флейс, 1989] оказывается практически единственным надежным видом обработки (хотя существуют, например, специальные методы регрессии типа логит- и пробит-анализа или нейросетевой анализ). Наиболее часто используются иерархические классификации [Айвазян с соавт., 1974; Жамбю, 1988], которые могут быть представлены в двух основных формах – дерева (фиг. А рис. 2.3) и вложенного множества (фиг. В). Дерево представляет собой специальный вид направленного графа – структуры, состоящей из узлов, связанных дугами

Оценка качества водных экосистем по многомерным эмпирическим данным

Методы распознавания образов Как отмечалось выше, реальные гидробиологические объекты отличаются друг от друга какими-либо свойствами, но в то же время, многие из них обладают и некоторой общностью, что позволяет объединять объекты в классы. В математической литературе часто используется тождественное «классу» понятие «образа» и многие задачи классификации объединены под названием "проблемы распознавания образов". Наиболее удачно смысл этого термина сформулирован Н.Г. Загоруйко [1972]: «Под образом будем понимать наименование области в пространстве признаков, в которой отображается множество объектов или явлений реального мира».

Классификация методов распознавания образов; области их применения, наличие ограничений и недостатков

Выбор методов многомерного анализа и особенности их реализации

Развитие концепции искусственного интеллекта Современные исследователи экономики, истории, философии и геополитики признают уже как свершившийся факт начало эры "Третьей волны", концепция которой описана и сформулирована в известной книге американского футуролога Э. Тоффлера. Третья волна – зарождение цивилизации, в которой доминирующим ресурсом развития становятся Информация и Знание. В этой связи наступает переосмысление наших взглядов на компьютеры и информационные технологии

Логический подход Основой для логического подхода служит булева алгебра и ее логические операторы (в первую очередь, знакомый всем оператор IF ["если"]). Свое дальнейшее развитие булева алгебра получила в виде исчисления предикатов, в котором она расширена за счет введения предметных символов, отношений между ними, кванторов существования и всеобщности. Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, а правила логического вывода – как отношения между ними.

По своим принципам инвариантного отображения среды многорядные алгоритмы МГУА чрезвычайно близки идеям нейросетевого моделирования, в частности, многослойному персептрону Ф. Розенблатта.

Структурный подход и нейросетевое моделирование Под структурным подходом подразумеваются попытки построения систем ИИ путем моделирования структуры человеческого мозга. В последние десять лет впечатляет феномен взрыва интереса к структурным методам самоорганизации – нейросетевому моделированию, которое успешно применяется в самых различных областях – бизнесе, медицине, технике, геологии, физике, т.е. везде, где нужно решать задачи прогнозирования, классификации или управления

Целостные свойства экосистем могут характеризовать следующие показатели:

степень автономности (включенность в систему высшего ранга);

целостность (автономность элементов системы), сюда же примыкают: организованность, упорядоченность, жесткость, степень централизации, эмерджентность, суммативность;

неидентичность (важно при прогнозировании по аналогии);

насыщенность (связана с экологической емкостью);

структурность (количество подсистем, уровней, блоков...);

разнообразие и вариабельность элементов;

пространственное разнообразие (в том числе степень сконденсированности);

сложность, стабильность, устойчивость, живучесть, надежность, чувствительность;

степень вещественной, энергетической и информационной открытости;

пропускная способность;

временные характеристики: наличие тренда, период и амплитуда колебаний, время задержки, степень консервативности, собственный период колебаний, время возвращения в исходное состояние, скорость и ускорение сукцессии, зрелость, быстродействие;

лабильность (соотношение устойчивости структуры и подвижности функций);

степень оптимальности (эффективности) функционирования, в том числе для конкретных видов использования;

степень адаптированности, прогнозируемости и управляемости;

степень "нормальности" или "патологичности";

показатели, характеризующие взаимодействие экосистемы и человеческого общества (антропогенная нагрузка, самоочищающая способность, продуктивность, рекреационные возможности и т.д.).

Помимо разработки количественных показателей необходимо указать возможность их содержательной интерпретации, область применения, методику оценки систематических и случайных ошибок, охарактеризовать устойчивость показателей к ошибкам в исходных данных и к малым возмущающим воздействиям, к отклонению статистического распределения от нормального.»

Мы привели столь обширную цитату не без прагматического смысла – иначе нам пришлось бы самим, в целях полноты изложения, придумывать некий похожий классификатор . Несмотря на некоторую схематичность и эклектичность, достоинство приведенного списка заключается в исчерпывающей полноте, хотя нам трудно представить, как на современном этапе можно вычислить большинство перечисленных целостных характеристик экосистем. Поэтому ограничимся в своих последующих расчетах и аналитических выводах признаками, непосредственно основанными на показателях обилия видов (вслед за В.И. Василевичем [1969], под обилием мы понимаем любую меру, характеризующую массовость вида на данном участке, что соответствует английскому аналогу quantity of species).

В состав объектно-характеристических матриц, участвующих в математической обработке, мы будем включать не только непосредственные значения численности N (экз/м2) и биомассы В (г/м2), традиционно используемые для оценки состояния видовых популяций в пробах зообентоса, но и некоторый набор обобщенных показателей – "индексов", подробно описанных в главах 3 и 4. Отношение к таким расчетным показателям вряд ли можно назвать однозначным.


На главную