- •Математическое моделирование в почвоведении Математизация науки
- •Математизация почвоведения
- •Математическое моделирование, основные понятия.
- •Возможные цели моделирования
- •Анатомия математических моделей (переменные состояния, внешние переменные, контролирующие переменные, математические уравнения, параметры, универсальные константы)
- •Вычислительный эксперимент и его достоинства.
- •1. Биогеохимические и биоэнергитические динамические модели
- •2. Статические биогеохимические и биоэнергетические модели
- •3. Модели динамики популяций
- •4. Структурно‐динамические модели
- •5. Fuzzy модели (модели, основанные на нечеткой логике)
- •6. Искусственные нейронные сети
- •7. Индивидуально‐ориентированные модели
- •История развития биогеохимических моделей
- •Виды биогеохимических моделей (организм-ориентированные и процесс-ориентированные).
- •Уравнение неразрывности, уравнение переноса (уравнения Дарси, Фурье, Ричардса).
- •Условия на границах.
- •Экспериментальное обеспечение моделей влаго-, соле- и теплопереноса. Основные функции.
- •Аппроксимация экспериментальных данных.
- •Педотрансферные функции.
- •Ионные равновесия с твердой фазой. Конвективно-диффузионное уравнение.
- •Кинетики разных порядков.
- •Понятие о риске, расчеты рисков
1. Биогеохимические и биоэнергитические динамические модели
В основе этого типа моделей лежат законы сохранения вещества и энергии. Скорость изменения переменных состояния в этих моделях определяется как разность скоростей процессов прихода и расхода вещества и энергии. Биогеохимические и биоэнергетические динамические модели легки для понимания, интерпретации и дальнейшего развития. К их недостаткам относиться необходимость в большом объеме информации для их построения и проверки, а также трудности калибровки из‐за большого количества параметров.
2. Статические биогеохимические и биоэнергетические модели
Эти модели не описывают изменений системы во времени. Они используются для представления усредненной по времени ситуации. Могут служить первым шагом в направлении развития динамических моделей.
3. Модели динамики популяций
Тип моделей, описывающих изменение численности популяции во времени. Первые модели динамики популяций – это ряд Фибоначчи (1202), модель экспоненциального роста Мальтуса (1798). Появившиеся в первой трети двадцатого века классические модели взаимодействия видов В. Вольтерра послужили отправной точкой для множества современных моделей динамики популяций. В настоящее время популяционная динамика является одним из наиболее развитых разделов математической экологии.
4. Структурно‐динамические модели
Модели, описывающие адаптацию экосистем к изменению условий среды путем замены одних видов другими, которые больше соответствуют новым условиям.
5. Fuzzy модели (модели, основанные на нечеткой логике)
Понятие нечеткой логики было впервые введено Лотфи А. Заде (Zadeh, 1965). В его работах понятие множества было расширено допущением, что функция принадлежности элемента к множеству может принимать любые значения в интервале [0,1], а не только 0 (полная непринадлежность) или 1 (полная принадлежность). Такие множества были названы нечеткими. Теория нечеткой логики – это раздел прикладной математики, посвященный методам анализа данных, характеризующихся высокой неопределенностью. Во многих случаях экологическая информация неполная и разнородная. Она включает как количественные, так и качественные данные, а также экспертные оценки с высокой степенью неопределенности. Поэтому нечеткие модели представляют большой интерес для решения экологических проблем. Возможности и примеры использования этого типа моделей в экологии активно обсуждаются в литературе (Salski, 1992; 1996).
Примером эффективного использования этого подхода в почвоведении является модель оценки качества почв по данным о микробной биомассе и энзиматической активности (Tscherko et al., 2007).
6. Искусственные нейронные сети
Для очень широкого круга экологических задач применяются методы, разработанные в теории искусственных нейронных сетей. Они могут использоваться для того, чтобы выявить скрытые закономерности в массивах гетерогенной информации и являются эффективным инструментом прогнозирования, когда основаны на достаточно больших базах данных, позволяющих установить и проверить на независимом материале отношения между входными и выходными переменными. Примером использования искусственных нейронных сетей в почвоведении может служить выделение в почвенных базах данных минимального набора показателей, влияющих на содержание органического углерода почве (Барцев и др., 2012). А также прогнозирование миграции загрязняющих веществ в почве на основе анализа данных, характеризующих физико‐химические свойства почв и условия окружающей среды (климатические, биологические и геоморфологические) (Коваленко, Кундас, 2009).