- •1. Предмет и объекты изучения экологии.
- •2. Общие понятия сис-много анализа.
- •3. Моделирование реальных сис-м.
- •4. Класс-ция мат моделей в экологии.
- •5. Гис (основные понятия).
- •7. Геокодирование. Представление пространственной I в компе, осн понятия. Общая схема организации данных (id-ция объектов, слои, базы атрибутивных данных)
- •14.Влажность как экологический ф-р.
- •16.Рельеф как экологический ф-р. Его роль в формировании комплекса прямодейст-вующих ф-ров. Абиотические ф-ры в водных экосис-мах.
- •18.Жизненные формы Класс-ция жизненных форм растений по Раункиеру, Серебрякову.
- •21.Определение понятия популяции. Основные признаки популяции. Особенности жизненного цикла, тактика выживания.
- •Демографич эффект
- •23. Модель буферной популяции р.Уиттекера. Популяционные стратегии жизни. Клас-ция типов стратегии жизни пианки, уиттекера, раменского-грайма.
- •24.Экологическая ниша.
- •32. Пространственная структура популяции, изоляция и образование агрегаций.
- •27. Межвидовая конкуренция. Ур-е лотки-вольтерра. Принцип конк искл-я гаузе. Конк-я и сосуществование видов
- •25.Симбиотические отношения.
- •28. Коцепция экосис-мы, комп-ты, определение. Соотношение понятий экосис-ма, биогеоценоз, биоценоз. Подходы и методы изучения экосис-м.
- •29 Структура экосис-м. Видовое разн-е.
- •33. Пространственная структура экосис-м, изменение под возд-ем чел-ка.
- •34. Функциональная структура экосистемы, изменение под воздействием человека. Виды детерминанты и их консорты.
- •36. Потоки энергии в экосистемах. Классификация экосистем по продуктивности Продуктивность экосистем суши и моря.
- •2. Локальные (катастрофические):
- •3. Антропогенные сукцессии:
- •40.Классификация сообществ
- •41. Концепция биосферы. Планетарные характеристики биосферы.
- •42. Основы атомистического подхода Вернадского к жив. Вещ.
- •91. Биогеохимические функции живого вещества.
- •43. Биогеохимическ циклы и основные круг-ты в-в в бс.
- •44. Энергетические процессы в биосфере.
- •45. Основные закономерности эволюции биосферы.
- •46.Биогеохимические принципы эволюции биосферы Вернадского
- •48. Основы учения в.И. Вернадского о ноосфере.
- •75. Педосфера. Минералогический состав и органическое вещество почв.
- •82. Поведение долгоживущих искусственных радионуклидов в организме животных, растений и грибов. Биоиндикация радиоактивных загрязнений.
- •10. Основные задачи,классификации сис-м и подс-м экологического мониторинга (эм).
- •56. Механизмы разрушения биосферы человеком и глобальные экологические проблемы. О влиянии со2 на глоб.Температуру земли.
- •64. История и становление природопользования.
- •63. Природопользование и концепция устойчивого развития.
- •4 Направления устойчивого развития: Нормализация численности населения, Нормализация потребления, Экологизация производств, Сохранение естественных экосистем.
- •65. Природные ресурсы: классификацтя, оценка, учет, основные свойства. Пр - элементы природы, являющиеся средствами существования общества и используемые в хозяйстве. Классификация пр:
- •30. Биоразнообразие.
- •31.Особо охраняемые природные территории.
- •85. Экономика природопользования.
4. Класс-ция мат моделей в экологии.
Мат.модель-уравнение или сист.ур-й, выражающ. связи м/у переменными сис-мы.
1) Детерминированные- основаны на внутреннем описании сис-мы. Метод белого ящика (все видим, все знаем). Н-р: Х-Ж, Мальтуса. Детерменир модели- это модели, в α установлено взаимно-однозначное соответствие м/у переменными описывающими объект или явления. Детер-е переменные-величины поддающиеся (по крайней мере теоретически) точному измерению и управлению.
2) Стохастические – основаны на методах теор. вер-ти и мат.стат-ки (оперируют вероятностями). В стохастической модели связь м/у переменными носит случайный хар-р. Воздеймтвие ∞ кол-ва ф-ров, их сочетание приводит к случайному набору переменных описывающих объект или явление. Метод черного ящика. В стох. модели непременно присут-ет случ. переменная, заданная соотв-щим законом распред-я
3) Эмпирико-статистич – исп-ют статистич i о сис-ме. С помощью м-дов статистики строят м-ли. Устанавливают связь м/у входными и выходными переменными.
* Динамические-учитывают изменения сис-мы во времени.
* Стационарные(статич-е)-не учитывают время в кач-ве переменной, use тогда, когда сис-ма достаточна близка к равновесию. Н-р:Стацион.-е среди стохаст-х:простая и множественная, лин. и нелин. корреляция и регрессия, дисперсионный и ф-рный анализ. Динамич. среди стох-х: анализ Фурье, корреляц. и спекральн. анализ, весовые ф-ции.
По простр-ву.- однородные (y(t)) и неоднородные (y(t, x,y)).
- Аналитическими -модели реального объекта, use алгебраические, диф и др ур-я, а также предусматривающие осуществление однозначной вычислительной процедуры, приводящей к их точному реш-ю. Анал-е м.-это те, в α для опред-я значений предсказываемых величин пол-ся выражения в явном виде. При use анал.методов реш-е задачи удается выразить с помощью формул.
- Численные методы позволяют свести реш-е задачи к вып-ю конечного числа арифмет.действий над числами, при этом рез-ты получ-ся в виде числовых знач-й. Числ.методы позволяют получить лишь приближен. реш-е задачи.
1-Имитационные модели – числ-ая модель, основана на как м. более полном описание сис-мы с use блочности (блоки соед-ся в одно целое). Имитац-ми наз-ся модели, воспроизводящие алгоритм ф-ционирования исследуемой сис-мы путем последовательного выполнения большого кол-ва элементарных операций. Это модели α м.б описаны с помощью набора определ-х мат. операций, таких, как реш-е ДУ или use случ. чисел. Преимущества:–Большая близость к реальной сис-ме, чем у мат моделей;–Блочный принцип дает возм.сть верифицировать каждый блок до его включения в общую сис-му;–Use зависимостей более сложного хар-ра, не описываемых простыми мат соотношениями. Недостатки:–построить имитационную модель дольше, труднее и дороже;–для работы с имитационной сис-мой необходимо наличие подходящей по классу ЭВМ;–построение имитационной модели требует >глубокого изучения реального процесса, чем мат модел-е. Имитационная модель – это программа, реализующая некоторый алгоритм, для оптимизации управления α прежде решается оптимизационная задача. Модели бывают дискретными и непрерывными, а также смешанного типа. В непрерывных переменные принимают значения из некоторого промежутка, в дискретных переменные принимают изолированные значения. Дискретность- хар-рный признак именно компьютерных моделей. Ведь компьютер м. находиться в конечном, хотя и очень большом кол-ве сост-й. Даже if объект непрерывен (t), в модели он будет ∆. М. считать непрерывность признаком моделей некомп типа.
Линейные модели- все ф-ции и отнош-я, описывающие модель, линейно зависят от переменных
Разностные модели.
Разностные уравнения (РУ)- ур-я, α связывают знач-я дискретных переменных в разные моменты t.
Общий вид РУ 1-го порядка:xn=f(n)xn+g(n), гдеf(n) и g(n)-заданные ф-ции, если g(n)=0,то это однородное разн-е ур-е, иначе-неоднородное. Н-р:линейное РУ 1-го порядка:xn=rx0-экспоненциальная модель роста популяции, xn+1=rxn(1-xn)-логистическая= rxn-rх2n, где rх2n-внутривидовая борьба . Если х будет не в 1-ой степени,то РУ-нелинейное. Линейные РУ 2-го порядка: a(n)xn+2+b(n+1)xn+1+c(n)x=d(n), где a(n),b(n),c(n)-заданные ф-ции, если d(n)=0-то однородное РУ.Н-р: a(n)xn+2+b(n+1)xn+1+c(n)x=0-получаем при изучении модели роста и конкуренции популяции.
Матричные модели-это дискретные, разностные модели, учитывает несколько переменных. Они use для описания ∆численности популяции с учетом возрастной структуры.1-я такая модель б. предложена Лесли: Axt=xt+1, где А-матрица, состоящая из коэф-тов плодовитости и выживания для каждого возрастного класса, xt ,xt+1-вектор-столбцы, представляющие возрастную структуру популяции в момент t и t+1. Ax=λx, где λ-глав. собственное число м-цы Лесли, α дает скорость с α возрастает размер популяции при установившейся возрастной структуре. Зная λ с помощью уравнения H=100((λ-1)/λ), м. оценить долю особей H(%), к-ю нужно изъять из популяции, чтобы вернуться к исходному размеру.
Оптимизационные модели. Оптимизация-поиск оптимального реш-я (max, min) целевой ф-ции - одна из выходных переменных или их линейная комбинация. Локальный оптимум –точка в α целевая ф-ция имеет наибольшее значение по сравнению с др. точками в ее ближайшее окрестности. Глобальный оптимум-оптимальное реш-е для всего пр-ва проектных решений. Методы одномерной оптимизации. Пусть М(х)-ф-я одной переменной, где хЄ[a,b]. Чтобы найти М(х*)=min м. исп-ть : 1)Метод общего поиска: нужно отрезок [a,b] разделить на множество отрезков[a= x0,x 1,x2,....xn=b] и найти min [М1,М2,..Мn] и выбрать min Мi= М* 2)Метод половинного деления3)М-д дихотомии4)М-д золотого сечения.
М-ды многомерной оптимизации.1)М-д координатного спуска. М(х1, х2,…хn)-целевая ф-ция,1 шаг- М0(х1, х20,…хn0) –фиксируем все координаты кроме первой и приходим к одномерной оптимизации. 2)Метод градиентного спуска. 3)М-д случайного поиска.
Задача линейного программирования - это задача оптимизации в случае когда целевая ф-ция является линейной ф-цией проектных параметров. М(х1, х2,…хn)=a1x1+a2x2+…+аuxu=∑ai*xi
Регресс модели:-дают связи м/у входными и выходными переменными на основе аппроксимации стат данных, use also на этапе эмпирико-стат модел-я.