Прогностические уравнения района Новошотландского шельфа банки Джордес (обозначения в тексте)

Таблица 1

Район	Уравнения (глубины На и Нв) в метрах	Заблаговременность (сутки)
Южные склоны банки	На=53,0+6,6А20	1
Джорджес	Нв=123-14,5А20	1
Северные склоны банки	На=61,0-3,1А01	1
Джорджес	Нв=128,0+3,4А01	1
Новошотландский шельф	Нв=104,8+4,1А02 (Район о. Сейбл)	2
Район впадины Галли	Нв=125,2-38,6А02-3,1А10-7,4А01	3

2. Краткосрочный прогноз

Прогноз с заблаговременностью от месяца до года, именуемый в практике обслуживания рыбодобывающих организаций краткосрочным, выполняется на базе методик, изложенных в предшествующем разделе с некоторыми дополнениями. При таком масштабе прогнозирования не требуется такой точности, как при оперативном прогнозе, но бывает достаточным определение тенденции, принадлежности предиктанта к одному из нескольких крупных классов, нахождение лет-аналогов и т.д.

При сопоставлении рядов с целью поиска прогностических зависимостей их значения допустимо разделить на равновероятные диапазоны (по рекомендации К.В. Кондратовича на базе методики Брукса и Карузера). При этом кривая обеспеченности вариационных рядов делится на равные участки по выбранному количеству диапазонов. Например, при трех диапазонах шкала относительных вероятностей (ордината) делится на части величиной по 0,33, при пяти – по 0,20 и т.д. Линии, проведенные горизонтально от точек раздела до пересечения с кривой обеспеченности, обозначают на последней точки, с которых опускаются нормали на ось величин характеристик (абсциссу), отсекая таким образом величины диапазонов.

Обозначенные классы сопоставляемых рядов могут быть представлены как состояния системы, в которых она пребывает с определенной вероятностью. Например, при двух сопоставляемых рядах (Хи У) определяются вероятности соответствия диапазонов ряда Х диапазонам ряда У – Р_ij , где i – диапазон ряда Х, а j – ряда У. При разделении на три диапазона образуется матрица частот и затем относительных вероятностей при делении каждого значения столбца на сумму частот:

Х

Х₁ Х₂ Х₃………………… Х_i

У₁ Р₁₁ Р₂₁ Р₃₁………………... Р_i1

У₂ Р₁₂ Р₂₂ Р₃₂………………... Р_i2

У ……………………………………………

У_j Р_1j Р_2j Р_3j…………………. Р_ij

C помощью таких матриц вероятных переходов из одного состояния в одно из трех (или матриц переходных вероятностей) отражается, например, связь температуры воды в порту Батуми в марте (Т) с урожайностью черноморского шпрота (Ш). Обе характеристики делятся на три диапазона: Н – низкое значение, С – среднее и В – высокое (таблица 2).

матрица соответствий относительных вероятностей

диапазонов температуры воды в марте (Т) в порту

Батуми диапазонам урожайности черноморского шпрота

в данные годы

т

Т

аблица 2

	Н	С	В
Н Ш	1,00	0,50	0,20
С	0,00	0,17	0,40
В	0,00	0,33	0,40

Как видим, 100-процентная вероятность низкой урожайности шпрота (Ш) имеет место при низком уровне теплового фона. Остальные сочетания имеют более низкие вероятности совпадений. Даже при одном высоком значении совпадений, скажем 0,7-0,9 матрица информативна и может быть использованной в качестве прогностической. Статистическая достоверность связей определяется с помощью нулевых гипотез (² Пирсона) при одной или двух степенях свободы.

С помощью матриц вероятных переходов можно анализировать и свойства одного ряда, рассматривая последовательные изменения его значений в виде вышеуказанных диапазонов как вероятности переходов из одного состояния в другое. Тогда они будут представлять собой элементы цепи Маркова. При изложении их теории часто имеют в виду физическую систему, которая в определенные моменты времени может находиться в одном из состояний и менять его только в последовательные моменты времени. То есть вероятность перейти в какое-либо состояние в данный момент времени зависит от того, в каком состоянии система находилась в предшествующий, и не зависит от ее состояния в более ранние моменты.

Следует отметить, что объекты рыболовного промысла способны активно приспосабливаться к изменяющимся условиям среды. Это одна из основных проблем прогностических моделей промысловой океанологии. Ранее значимые абиотические предикторы могут с течением времени терять свое значение, а прогностическими становиться другие факторы. Тем не менее, физической основой краткосрочного прогноза является влияние изменений термохалинной структуры, обусловленные метеорологическими предпосылками, на смещения в жизненных циклах промысловых видов рыб: сроки зимовки и нереста, начала и продолжительности кормовых миграций, возможные изменения районов при реализации этих этапов.

Рассмотрим некоторые приемы, используемые для краткосрочного прогноза элементов поведения трех основных промысловых черноморских видов рыб – анчоуса (хамсы), шпрота и ставриды.

Наиболее значимый для промысла элемент поведения хамсы – образование зимовальных скоплений в юго-восточной части моря. Время начала зимовки является началом хамсовой путины. Оно примерно совпадает с датой перехода температуры воды в порту Батуми через 14⁰ в процессе осеннего выхолаживания вод Черного моря. Параметр Хп в таблице 3 обозначает количество дней после 31 октября, следующее за указанным устойчивым (то есть без возврата к указанному значению) переходом.

Показателем поведения черноморского шпрота служит дата начала путины весной, когда начинаются его активные нагульные миграции в переделы акватории северо-западного шельфа. Ориентировочно этот выход совпадает с временем перехода температуры воды в порту Одесса через 10⁰ в процессе весеннего прогрева. Этот параметр (Шп) есть количество дней после 1-го апреля.

В качестве основного элемента поведения ставриды (Сп) выбрана интенсивность ее скоплений во время зимовки, количественным показателем которой взят промысловый вылов. Он подсчитан (в тыс. ц.) суммарно за январь, февраль и март в районе южного берега Крыма и побережья Кавказа.

Прогностические уравнения для указанных видов представлены в таблице 3.

Связи поведения промысловых видов рыб Черного моря