авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 11 |

«МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ им. М.В. ЛОМОНОСОВА ГЕОГРАФИЧЕСКИЙ ФАКУЛЬТЕТ ЛАНДШАФТНОЕ ПЛАНИРОВАНИЕ: ОБЩИЕ ОСНОВАНИЯ. МЕТОДОЛОГИЯ, ...»

-- [ Страница 4 ] --

Вместе с тем, даже при ограниченности знаний можно и в настоящее время предложить основу для оценки самоорганизационного потенциала. Опираясь на факты можно утверждать, что минимальным самоорганизующимся потенциалом обладают остатки сохранившихся первобытных обществ. Их потенциал настолько низок, что для сохранения их самоидентичности требуется приложить внешние регулирующие усилия, того же типа, что и для сохранения редких видов. На другом конце мыслимой координаты самоорганизации расположены такие народы и образуемые ими системы, которые успешно сохраняют свою самоидентичность при очень широком диапазоне условий, двигаясь при этом по вектору саморазвития, последовательно увеличивая емкость всех основных капиталов. Примером таких народов с многовековой историей очевидно являются в первую очередь японцы, англосаксы, французы, китайцы и т.п. Существуют примеры позднего синтеза сообществ с высокой емкостью саморганизационного потенциала, например, США. Можно полагать, что исчезновение некоторого государственного образования, например, СССР, Чехословакии, Югославии можно рассматривать как свидетельства низкой емкости самоорганизационного потенциала.

Имея в виду возможность построения индикаторов, отражающих различные емкости самоорганизации для контрольных «точек», можно получить решение задачи, так сказать в первом приближении.

8.4. Постмодернизм - новая наука.

Выделенная выше ограниченность современной науки в объяснении реальности, заставляет пересмотреть базовую парадигму. На смену современной (модернистской) науки второй половины 20 века приходит новая наука или постмодернизм. В некотором смысле парадоксальные представления постмодернистской науки легче понимаются при сравнении их с более ранними представлениями модернистской науки, сформировавшимися в послевоенные годы. Они, как указывалось выше, наиболее полно выражены в кибернетике Норберта Винера с ее представлениями об управляемости.

(Gergen, Joseph, 1996, Klages, 2001, Piercy,1996).

В соответствие с этим для модернизма типична вера в рациональность всех реализовавшихся действий, в их глубокий общий смысл и системную обоснованность. Его основой является системный эмпиризм, логический позитивизм, наблюдения и информация. Для логических эмпириков достойны для рассмотрения только те суждения, связанные однозначно с наблюдениями, которые ведут к приращениям знания.

Отсюда вытекает, что есть конкретная организованная действительность, объективный мир, доступный для эмпирического изучения. Характерно утверждение: «Мы можем описать организацию как живое существо, имеющее конкретную социальную окружающую среду, формальную структуру, цели, и разнообразие потребностей». (William Wolf, 1958, цит. по Gergen, Joseph, 1996). Pugh (1963) предложил анализировать организационную структуру в терминах шести переменных. Это специализация, стандартизация, формализация, централизация, конфигурация и гибкость. В аксиоматической теории организации (Hage, 1965) предложено восемь переменных, с соответствующими "индикаторами" для точного измерения. Получила развитие теория принятия решений по эмпирически измеренным входам на основе статистики и математически обоснованных стратегий, например, оптимизации. Рациональные решения рассматриваются как, прежде всего, функция доступной информации.

Характерной чертой модерниста является также представление об объективности языка и слова как средства обмена знаниями. Если причина и результаты наблюдения находятся в гармонии, то природа объективного мира может быть описана через язык.

Другие исследователи могут повторно исследовать этот объект и сделать дополнения к этим суждениям. Повторение этого процесса ведет к достижению истины. В результате ученые приобретают все более и более сложное и полное знание о природе мира и становятся способны ко все более и более точным предсказаниям, и в конечном счете, способны строить утопические общества будущего. Это представление о постоянном прогрессе - основополагающая вера модернистской науки. Мэри Клагес (Klages, 2001) определяет модернизм по следующим признакам:

1. Есть устойчивый, последовательный, узнаваемый «сам». Этот «сам» осознает себя как рациональный, автономный и универсальный объект. Никакие физические условия или различия существенно не определяют его работу.

2. Этот «сам» понимает себя и мир через причину или рациональность, устанавливаемую как самая высокая, единственно объективная форма умственного функционирования.

3. Способ знания произведенного целью рационального «сам» - "наука", которая содержит универсальные истины о мире, независимо от индивидуального статуса познающего.

4. Знание, произведенное наукой – "истинно", и вечно.

5. Знание/истина, произведенное наукой будет всегда вести к прогрессу и совершенствованию. Все человеческие учреждения и методы могут быть проанализированы наукой (причина/объективность) и улучшены.

6. Причина – окончательный судья того, что является верным, и поэтому того, что является правильным, и что является хорошим (что является юридическим законным и что является этичным). Свобода состоит в повиновении законам, которые соответствуют знанию, обнаруженному разумом.

7. В мире, управляемом причиной, верными всегда будет польза и правила;

не может быть никакого конфликта между тем, что является верным и что является правильным (и т.д.) 8. Наука – парадигма любой социально полезной формы знания. Наука нейтральна и объективна;

ученые, те, кто производит научное знание через их непредубежденные рациональные действия, должны следовать законам причинно-следственных отношений, и не обращать внимание на другие мотивации, в том числе деньги и власть.

9. Язык, или способ выражения, используемый в создании и распространении знания, должны быть также рациональны. Чтобы быть рациональным, язык должен быть прозрачен;

и должен функционировать так, чтобы представить реальный, наблюдаемый мир. Связь между объектами должна быть устойчива и объективна.

Приведем представления о некоторых основаниях и следствиях, вытекающих из парадигмы постмодернистской науки (цит. по Boje,1999).

«В науке постмодернистский поворот возник как отход от механистического, редукционистского, наивного реалиста, и детерминированного мировоззрения ньютоновской физики. Постсовременная наука утверждает, что традиционная научная парадигма 20-ого столетия уступает дорогу новому способу научного мышления, основанного на таких понятиях как энтропия, развитие, неопределенность, вероятность, относительность, взаимозависимость, интерпретация, хаос, сложность и самоорганизация.

Мы больше не можем принять старое априорное различие между научными и этическими ценностями. Это было возможно в то время, когда внешний мир и наш внутренний мир, казалось, находились в противоречии, были почти ортогональными.

Сегодня мы знаем, что время – строитель реальности и поэтому несем этическую ответственность".

Если наука аморальна, то мир, в конечном счете, ответит на нее разрушениями.

Постмодернистская наука должна преодолеть разделение между правдой и достоинством, ценностью и фактом, этикой и практической потребностью.

Характерной чертой постмодернистской науки является осмысленный релятивизм.

Конкретное научное исследование рассматривается не как поиск истины, а как отражение того, что вытекает из условия наблюдения и текущего состояния объекта исследования. Изменив условия наблюдения или методы анализа или рассматривая объект в другой области состояния, исследователь может получить другое отражение того же объекта или другую реальность. Постмодернизм в его крайнем выражении рассматривает исследование как частный, хотя может быть и «великий рассказ» с неопределенным отображением реальности. Отсюда в частности вытекают весьма ограниченные прогностические возможности науки и научного знания, крайняя неопределенность в прогнозе изменений в поведение социума, к которым может привести научное открытие и основывающиеся на нем технические инновации (Boje, 2000).»

Постмодернисты утверждают (Gergen, Joseph, 1996) что все аспекты современных обществ, включая науку как первичную форму знания, зависят от «великих рассказов».

Постмодернизм как их аналитический критик, стремится понять концепции, которые обслуживают эти рассказы часто для того чтобы маскировать противоречия и нестабильность, свойственные любой социальной организации и любой практике.

Другими словами, каждая попытка создавать «порядок» всегда требует создание равного количества "беспорядка", но "великий рассказ" маскирует возникающий "беспорядок". Он утверждает, что действительное является хаотическим и плохим, а порядок как действительное является рациональным и хорошим. Постмодернизм, отклоняя «великие рассказы» принимает «минирассказы», истории, которые объясняют локальные события, а не претендуют на объяснения крупномасштабных универсальных или глобальных концепций. Постсовременные "минирассказы" являются всегда ситуативными, временными, случайными, не претендуя на универсальность, истинность, причинность и стабильность. «Научное исследование может приводить к технически выполнимым достижениям, но это не улучшает наши описания и объяснения действительности.

Поскольку исследование работает, для того чтобы заместить одну научную теорию другой, мы не перемещаемся "вперед" по дороге к правде;

мы просто замещаем одни представления другими. Из этого никак не следует, что научное исследование не увеличивает нашу мощность для некоторых видов предсказания, и производства новых форм технологии. Однако, при этом необходимо подвергнуть сомнению сопровождающие описания и теоретические объяснения как и при любой попытке дать точную картину событий.

Постмодернистский критический анализ показывает общий процесс делигитимизации.

В науке мы видим потерю веры в рациональные теории, в гарантии строгих методов исследования, в объективность знания, и в устойчивый прогресс как функцию роста знания. Методология теряет статус главного арбитра правды. Технологии исследования могут произвести данные, но и производство, и интерпретация данных должна неизбежно положиться на формы языка (метафизические верования, теоретические перспективы, концепции методологии), существующие в пределах культурных отношений. Таким образом, исследование не в состоянии проверить, фальсифицировать или иначе оправдывать теоретическое положение.

Наконец, в расширенной концепции исследования, методы могут изобретаться для того, чтобы произвести новые факты, порождать перспективы или методы, пока еще неосуществленные. В настоящее время, эффективные технологии, чтобы достичь успеха, используют форму диалогических методов. Диалогические методы часто позволяют избежать ограничений, налагаемых фактами, с которыми они вступают в диалог, формулируют способы понимания и действия, которые включают многократные самопроверки и самокоррекцию. Диалогическое исследование часто предупреждает возникновение непредвиденных отношений. Если понята социальная значимость исследования, то оно представляется многими, в том числе противоречивыми функциями.

В описаниях, объяснениях, технологиях и услугах к организации общества, наука – источник культурного значения, снабжающая людей орудиями для действий. В представлении постмодернизма концепции используются для того, чтобы оправдать различную политику, отделиться или объединиться с различными группам, судить или оценивать индивидуумов, определять себя или организацию, и так далее. В действительности, наука поставляет прагматические устройства, через которые реализуется организация жизни. С этих позиций становятся перспективными две профессиональные формы деятельности: идеологический и социальный критический анализ. Наука должна развить самокритический анализ и в том числе своего значения в формировании культуры и социума. Разрабатывая базовые теории, нельзя не обращать внимания на проблемы, которые могут возникнуть при их использовании, то есть, как может форма языка быть преобразована в последующих отношениях.

В конечном итоге, оценивая основные положения постмодернистской науки можно утверждать, что они развенчивают всесилие науки и знания, исключают абсолютизацию любой сколь угодно красивой теории, методологии, методов, требуют от исследователя глубокой ответственности, как при постановке исследований, так и в выводах, требуют всесторонне анализировать возможные социальные последствия использования полученных им результатов.

В соответствие с постмодернистскими представлениями мы живем в открытом мире, в котором нет истины, и лжи, нет плохого и хорошего, нет единственного правильного решения, ни в науке, ни в искусстве, ни в экономике, ни в социуме. Созданная теория хороша постольку, поскольку она отвечает на вопрос «почему» для исследуемой реальности, но область ее адекватности априори ограничена и исследователь обязан искать эти границы. Точно также любая инженерная и социальная конструкция имеет ограниченную область устойчивости и эффективности и на смену ей неизбежно приходит другая, возможно опирающаяся на совсем иные концептуальные основания.

Постмодернистская концепция науки и развития научного знания рассматривается не как путь к некоторой общей научной истине, а как движения от одной области локальной устойчивости системы знаний к другой, частично включающей или даже отрицающей предшествующие. Следует отметить, что эти представления принимаются далеко не всеми и подвергаются активной критике. Природа этой критики, скорее всего, лежит в сложности восприятия сложного, в сложности конструктивного понимания плюрализма в отношении идей, истин и решений. Однако в не меньшей степени эта критика связывается с ослаблением критериальной системы научности, к ослаблению различий между наукой и шарлатанством (Dawkins. 1998, Babich, Bergoffen, Glynn, 2002, Stenger, 2004) Анализируя взгляды на проблему можно в целом утверждать, что идеи постмодернизма имеют достаточные эмпирические и теоретические основания, но доведенные до абсолюта они приводят к хаотическому состоянию системы знаний. Но именно, из этого хаотического состояния, из порождаемого им разнообразия и возникают новые конструктивные идеи, отражающие неизвестные или мало известные аспекты реальности.

Демократическое, свободное обсуждение идей, самоконтроль и рефлексия научного сообщества выступают гарантом от широкого распространения явного и тонкого шарлатанства. Идеи постмодернизма в полной мере проявляются и в так называемой «новой биологии», тем более что одним из первых с позиции постмодернизма выступил палеонтолог Гуд, поставивший под сомнения базовые принципы традиционной науки:

градуализм (природа не терпит скачков), принцип актуализма, принцип неизменности законов природы во времени и пространстве, обратимость, а также обосновавший феноменологическую концепцию пуантолизма эволюции.

Более мягкой формой постмодернизма является конструктивный или ревизионерский постмодернизм, который также стремится преодолеть модернизм, но не путем полной деконструкции, а путем конструирования постсовременного мышления, посредством пересмотра предпосылок модернизма. В противоположность чисто негативистским движениям, конструктивный постмодернизм исходит из того, что современная эпоха привела к позитивным достижениям, от которых мы не должны и не сможем отказаться.

Такой постмодернизм является интеграционным течением и считает своей задачей построение нового единства научных, этических, эстетических и религиозных предпосылок. Конструктивный постмодернизм не отрицает субъективизма и различий в восприятии реальности разными людьми, однако считает, что люди имеют и достаточно много общего, универсального. Например, придется признать универсальность постулатов постмодернизма: того, что все люди интерпретируют реальность, что все знание контекстуально зависимо и что интерсубъективизм, культура, являются скорее объединяющими, чем разъединяющими началами.

Взгляд с позиции постмодернизма на экологию открывает новые горизонты и позволяет активно ставить исследовательские задачи, общие как для экологии, так и социологии и экономики. История науки показывает, что экологические исследования генерировали важнейшие общие научные идеи и объекты экологии на любом уровне ее рассмотрения представляют собой безусловно сложную активно эволюционирующую систему. Нет сомнения, что экология была и остается огромным источником общенаучной информации.

9. ЗАКЛЮЧЕНИЕ.

Подводя итоги настоящему разделу можно утверждать, что при всех своих недостатках концепция устойчивого развития в своих основаниях вполне конструктивна, а ее появление может рассматриваться как проявление де-факто механизма самоорганизации системы человеческого общества и природы. Столь же очевидно, что было бы крайне полезно, осуществляя все ту же самоорганизацию, пересмотреть в рамках этой концепции отношение к науке, как к единственному источнику по существу неограниченного развития. Столь же необходимо введение в систему управления саморазвитием человечества механизмов рефлексии и самокоррекции. В принципе при демократической системе принятия решений они априори в той или иной степени реализуются, так как демократия, объединяющая множество интересов и в том числе противоречивых, содержит эти механизмы и тем самым автоматически обладает высоким самоорганизационным потенциалом. Однако конструктивный ввод этих типов связи в функционирующую систему мог бы повысить способность к самоорганизации в оперативном режиме функционирования.

Если принимать концепцию устойчивого развития как естественный эволюционный этап социума, то под этим углом зрения очевидна польза анализа, проблем и задач биологии как науки, отвечающей за материально-энергетический поток поступающих к человеку биологических ресурсов, и за получение новых знаний о биологических явлениях, структуре их отношений и их саморазвития. При этом проблемы и противоречия, всегда существующие в науке, естественно рассматривать как области с наибольшей потенциально важной семантической информацией.

Согласуя свои действия с общечеловеческим информационным полем, исследователь может более четко определять «место своей экологической ниши» в пространстве человеческой активности, четко оценивать свой статус и свою общечеловеческую значимость, может более строго обосновать осмысленность своих действий, направленных в конечном итоге на расширение общечеловеческого экологического пространства. В любой науке нет тем и предметов, не имеющих общечеловеческого значения. Видеть в частном общее – важная составляющая современной научной деятельности, обеспечивающая интеграцию научного знания и увеличивающая скорость приращения общечеловеческого знания.

Литература:

Алексеев Н.С. Теория управления "эпохи без закономерностей" // «Менеджмент в России и за рубежом», №3, 2000.

Англо-русский словарь общей лексики. The Universal English-Russian Dictionary. 5-е изд., исправленное и дополненное. 100 тыс. статей. © ABBYY Software, 2003.

Быховских В.Е., Бауер О.Н. Ресурсы биосферы (Итоги советских исследований по международной биологической программе. Л.: «Наука». 1975.

Волькенштейн М.В. Новый мир, 1969, №11.

Воронин А.А., Мишин С.П. Оптимальные иерархические структуры. М. ИПУ РАН, 2003, 214 с.

Забота о Земле, стр. Зотин А.И., Пресное Е.В. [Ред.] Математическая биология развития. - М.: Наука, 1982.

Зотин А.И., Владимирова И.Г., Кирпичников А.А. Энергетический метаболизм и направление эволюционного прогресса в классе млекопитающих. // Журнал общей биологии,1990, Т.51, № 6, 760 - 768 с.

Капица С.П. Феноменологическая теория роста населения Земли // Успехи физической науки. 1996. Т. 155. №1. 240 с.

Математические модели глобального развития, Гидрометеоиздат. Л. 1971.

Моисеев Н.Н. Экология и жизнь, 1997 (2-3, 1997) Моисеев Н.Н. Универсум, Информация, Общество. – М., 2001.

Новиков Д.А. Механизмы функционирования многоуровневых организационных систем.

М.: Фонд "Проблемы управления", 1999. – 161 с.

Саак А.Э., Тюшняков В.Н.. Теория управления. Учебное пособие, Таганрог 2003, с.127.

Полтерович В.М. Кризис экономической теории «Доклад на научном семинаре Отделения экономики и ЦЭМИ РАН “Неизвестная экономика”) Пузаченко Ю.Г. Глобальное биологическое разнообразие и его пространственно временная изменчивость // Современные глобальные изменения природной среды. В 2-х томах. Т. 2. – М.: Научный мир, 2006, с 306-377.

Эшби У.Р. Принципы самоорганизации // «Принципы самоорганизации». Изд-во МИР. М.

1966, с. 315-343) Свирежев Ю.М., Д.О. Логофет Устойчивость биологических сообществ, 1978, Изд-во Наука М. стр. Прянишников Д.Н. Избранные сочинения, СельхозГИЗ, М. 1963, с. 207- Шенноном К. Связь при наличие шума // Теория информации и ее приложение. М.: Изд-во Физ-мат. литературы, 1959, стр. 82-113.

Эшби У.Р. Ведение в кибернетику. М.: ИЛ, 1959, 430 с.

Babich B.E., Bergoffen D.B., and Glynn S.V. 2002. On The Idea of Continental and Postmodern Perspectives in the Philosophy of Science http://www.fordham.edu/philosophy/lc/babich/cppref.htm, Boje D.M. 1999. What is postmodern organization science?

http://cbae.nmsu.edu/~dboje/postmodscience.html Boje D.M. 2000. Toward a Narrative Ethics for Modern and Postmodern Organization Science.

http://cbae.nmsu.edu/~dboje/papers/toward_a_narrative_ethics_for_mo.htm.

Carpenter S., Brock W., and P. Hanson. Ecological and social dynamics in simple models of ecosystem management // Conservation Ecology 3(2): 1999.4. URL:

http://www.consecol.org/vol3/iss2/art4/ Dawkins R. Postmodernism disrobed. Nature. 1998, vol. 394, pp. 141-143.

Kjos B. The Global Quest for Solidarity Why the UN must assess the "Social Capital" of your Community, 2005. http://www.crossroad.to/text/articles/solidarity.html, Hudson L., Chapman C. The Measurement of Social Capital in the United States Paper prepared for the International Conference on the Measurement of Social Capital London, England, 1992.

Goodland R. Sustainability: Human, Social, Economic and Environmental World Bank, Washington, DC, USA This article is a sample from the forthcoming Encyclopedia of Global Environmental Change. 2002. John Wiley & Sons, Ltd www.wiley.co.uk/wileychi/egec/pdf/GA811-W.PDF Gergen K., Tojo J. Organizational Science in a Postmodern Context. Journal of Applied Behavioral Science, 1996, 32, 356-378.

Gunderson, L. 1999. Resilience, flexibility and adaptive management - antidotes for spurious certitude? Conservation Ecology 3(1):7. URL:

http://www.consecol.org/vol3/iss1/art Holling 1978, Adaptive environmental assessment and management. John Wiley, London, UK.

Walters Janssen M., A Future of Surprises // Panarchy: Understanding Transformations in Human and Natural Systems, Washington: Island Press System. 2002, p. 241-260.

Klages M. 2001 An introduction to postmodernism.

www.colorado.edu/English/ENGL2012Klages/pomo.html Ludwig, D., Walker B., and. Holling C.S. 1997. Sustainability, stability, and resilience.

Conservation Ecology [online]1(1): 7. URL: http://www.consecol.org/vol1/iss1/art O’Neill R.V., Kahn J.R., and Russell C.S. 1998. Economics and ecology: The need for detente in conservation ecology // Conservation Ecology 2(1): 4. URL:

http://www.consecol.org/vol2/iss1/art4/ Piercy V.,1996. Post Modernism FAQ, http://www.tamilnation.org/oneworld/pmfaq.htm).

Putnam R.D. Bowling alone: The collapse and revival of American community. New York:

Simon and Schuster, 2000.

Walker B., Carpenter S., Anderies J., Abel N., Cumming G. S., Janssen M., Lebel L., Norberg J., Peterson G. D., and Pritchard R. Resilience management in social-ecological systems: a working hypothesis for a participatory approach // Conservation Ecology 6(1): 2002.14. URL: http://www.consecol.org/vol6/iss1/art14.

Walker, B., C. S. Holling, S. R. Carpenter, and A. Kinzig. 2004. Resilience, adaptability and transformability in social–ecological systems. Ecology and Society 9(2): 5. [online] URL: http://www.ecologyandsociety.org/vol9/iss2/art5/ Stenger V.J. 2004. "Postmodern" Attacks on Science and Reality.

http://www.quackwatch.org/01QuackeryRelatedTopics/reality.html Ссылки на ресурсы сети ИНТЕРНЕТ:

1. http://w3.iprolink.ch/iucnlib - Международный Союз Сохранения Природы и Природные ресурсов (IUCN) 2. http://www.UNEP.org - Программа по окружающей среде Организации Объединенных Наций (UNEP) 3. http://www.panda.org/home.htm - Всемирный фонд дикой природы (WWF) 4. http://www.un.org/russian/conferen/wssd/agenda21 - Повестка дня ХХI века 5. http://www.subjectmatters.com/indicators - Sustainable Community Indicators Trainer's Workshop 6. http://oecdmoscow.9.com1.ru/rusweb/rusfeder/5/10/s.htm 7. http://www.aplivelihoods.org/natural_capital.html 8. http://encyclopedia.laborlawtalk.com/Natural_capital 9. http://oecdmoscow.9.com1.ru/rusweb/rusfeder/5/10/n.htm 10. http://www.ensmp.net/2005/06/20/BM_capital_immateriel.pdf 11. http://oecdmoscow.9.com1.ru/rusweb/rusfeder/5/10/с.htm 12. http://publications.worldbank.org/online 13. http://nauka.petrsu.ru/default.asp - Общенаучная межведомственная Информационно поисковая система “Вузовская, Академическая и Отраслевая Наука” (ИПС “НАУКА”) 14. http://www.philosophy.shirshov.com/text/lecture_12_28_04_2004.html ЛАНДШАФТНОЕ ПРОЕКТИРОВАНИЕ И ОПТИМИЗАЦИЯ ЛЕСОПОЛЬЗОВАНИЯ В.В. Сысуев Московский Государственный Университет им. М.В.Ломоносова, Географический факультет, г. Москва 1. Проектирование и оптимизация. Общие представления.

Главная задача при разработке проекта - обеспечение соответствия проектируемого объекта определенным условиям;

поиск компромиссных вариантов при противоречивых требованиях, выдвигаемых к объекту, схема которого фиксирована;

решение в условиях неопределенности с тяжелыми последствиями в случае ошибки;

моделирование предполагаемых действий до их выполнения, которое повторяется до тех пор, пока не будет уверенности относительно конечного результата. Наиболее универсальное определение дано Дж. К. Джонсом: «Проектирование - это начало изменений в окружающей человека искусственной среде». Эта формулировка охватывает не только собственно проектирование, но и научные исследования, деятельность политиков, администраторов, и просто целесообразную деятельность. Предпосылки проектирования образуются, когда заказчик (человек, организация и т. п.) осознает необходимость изменить искусственную среду. Проектирование описывает необходимые операции и порядок их выполнения, приводящие к желаемому изменению.

Проектирование в общей форме напоминает задачу условной оптимизации: имеется цель, которую нужно достичь, но при этом следует учитывать всевозможные ограничения. В стандартных задачах проектирования, например, в строительстве железной дороги, цель и ограничения могут быть выражены при помощи чисел и функций. Однако при этом часто неизвестна математическая модель проектируемого объекта, связывающая всю эту информацию воедино. Практически это означает, что известные методики проектирования не дают удовлетворительного результата.

Сложная задача обычно решается путем ее трансформации к более простым стандартным. При решении принципиально новой задачи, пытаются разделить ее на частные так, чтобы хотя бы для некоторых были известны методы решения. Широко применяется принцип поиска аналогий в других областях науки, в технике, живой природе и т. п. Проектируемый объект необходимо оценить по разнообразным критериям, иногда не имеющим количественных мер (например, по социальным критериям). Очень важно первоначальную задачу разбить на подзадачи так, чтобы последующие изменения были, по возможности, локализованы, не требовали переформулирования других частных задач. Процесс поиска новых проектных решений — это и есть поиск оптимума (идеала), хотя формально не определены ни целевая функция, ни допустимое множество.

Таким образом, одной из наиболее перспективных областей применения методов поиска является оптимальное проектирование, т. е. решение сформулированных математических задач оптимизации. Никакая оптимизация параметров не сможет спасти проект, если выбран неверный принцип работы проектируемого объекта. После того как выбраны перспективный принцип и структура объекта, построена его математическая модель, приходит очередь применять алгоритмы поиска оптимума.

1.1. Поиск оптимума.

Природа изобилует примерами оптимальности. Речная сеть закладывается так, чтобы вода кратчайшим путем с наименьшими потерями попала в конечный водоем стока.

Листья ориентируются к свету так, чтобы растение получило больше световой энергии, и т.д. Свои задачи оптимизации природа решает путем многочисленных экспериментов, в течение миллионов лет испытывая всевозможные варианты живых или косных конструкций. Не-оптимальное отмирает, исчезает, не выдерживая конкуренции.

В отличие от природы человек не может вслепую испытывать всевозможные варианты и бесконечно совершенствовать свои конструкции. Прежде чем взяться за практическую реализацию создается план, проект. При этом оперируют не с реальным объектом, а с его абстрактным замыслом, моделью. Модель может существовать в наших мыслях, чертежах, формулах, алгоритмах и программах для ЭВМ. Математическая модель проектируемого объекта наилучшим образом подходит для целей оптимизации, так как при этом можно обойтись без дорогостоящих реальных экспериментов, сравнивая большое число вариантов между собой с помощью компьютера.

Реальные задачи оптимизации часто трудно формулируются и трудно решаются.

Затруднения возникают как при создании модели оптимизируемого объекта, так и при поиске оптимальных параметров объекта. Большое число оптимизируемых параметров, сложные зависимости между ними требуют большого объема вычислительных работ.

Роль компьютеров в решении задач оптимизации подтверждает и следующий исторический экскурс. Первый численный метод оптимизации — линейное программирование — был опубликован в 1939 г. в работе Л. В. Канторовича «Методы организации и планирования производства». Но эти методы были слишком сложные для ручного счета, поэтому работа практически была забыта. Однако с появлением компьютеров линейное программирование возродилось, и Л. В. Канторовичу за применение линейного программирования в экономике была присуждена Нобелевская премия 1975 г.

1.1.1. Постановка задачи Этап приведения задачи к однозначной форме, подходящей для решения на компьютере – это этап постановки задачи. От постановки задачи значительно зависит качество и достоверность получаемых результатов. Обычно предполагается идеализированная схема решения практической задачи:

1) специалист проблемной области — инженер, экономист, лесовод, географ — создает математическую модель своего объекта;

2) математик выбирает методы решения задачи;

3) программист составляет программу решения задачи (или использует существующую), проводит необходимые вычисления и получает ответы решаемой задачи.

Но идеальные схемы в реальных условиях, как правило, не действуют. Дело в том, что все этапы схемы взаимосвязаны. Специалист, создающий модель, должен предвидеть возможные затруднения при программной реализации. Со своей стороны математик или программист часто бывает вынужден (например, из-за ограниченности методов решения) что-то упрощать, изменять в модели. Для этого нужны многочисленные консультации и обсуждения таких действий совместно со специалистом. Причем каждый из них использует свою терминологию, поэтому их общение чревато конфликтными ситуациями, недоразумениями, приводящими к ошибочным решениям. Только после многочисленных корректировок удается добиться результатов, которым все могут доверять.

Конечно, идеальной была бы универсальная квалификация специалистов, решающих задачу. Например, специалист разбирается в методах или, еще лучше, владеет навыками программирования. По-видимому, с ростом совершенства программного обеспечения, с расширением квалификации специалистов такие случаи станут более распространенными.

1.1.2. Целевая функция Все задачи оптимизации ищут в некотором смысле наилучшее решение среди многих других. Например, выбор места строительства атомной электростанции связан со сравнением большого числа возможных географических точек. Причем, такие сравнения могут быть крайне сложными в своих решениях: большое число критериев, по которым оцениваются варианты (например, наличие природных ресурсов, экономичность, экологические последствия, социальные факторы и т. д.), трудности формализации таких критериев, наконец, нередко критерии носят противоречивый характер.

В задачах оптимизации рассматриваемые варианты должны быть численно сравнимы. Надо сопоставить каждому варианту число — критерий оптимальности, тогда можно с помощью компьютера выбрать наилучший вариант. А это важно, так как в реальных задачах число сравниваемых вариантов может быть очень большим, а определение критерия оптимальности сложным, требующим трудоемких вычислений.

Обозначим множество всех вариантов буквой D, а его элементы — буквой X. Тогда, сопоставив каждому варианту Х из множества D (XD) число — критерий оптимальности, получим функцию f(X), определенную в области D. Эта функцию, показывающая «качество» выбираемых вариантов, целевая функция, а область D — допустимая область.

Тогда задачу оптимизации можно записать как поиск минимума целевой функции:

min f(X), XD Ограничимся рассмотрением задач минимизации, т.к. задача максимизации целевой функции f(X) равносильна задаче минимизации с отрицательной целевой функцией -f(X).

На практике возникают задачи с различными допустимыми областями D. Количество их элементов может быть конечным - в таком случае выбор оптимума не представляет принципиальных трудностей — достаточно сравнить между собой значения целевой функции f(X). Используя компьютер, можно сравнивать между собой сотни и тысячи вариантов, даже если определение значения целевой функции f(X) является сложным.

Смысл введенных определений продемонстрируем на простейшем примере.

Настраивая радиоприемник, мы добиваемся максимальной громкости некоторой радиостанции. Допустимой областью D является интервал углов поворота ручки настройки между начальными н и конечными значениями к. Целевая функция — зависимость громкости G от угла. Путем измерений получим значения целевой функции G () и начертим ее график (рис. 1). Из графика видно, что наибольшему значению целевой функции соответствует оптимальный угол (опт). Теперь можно составить и математическое выражение целевой функции G(). График такой функции, естественно, должен достаточно хорошо совпасть с экспериментальной кривой рис. 1.1. Такие математические выражения, алгоритм вычисления, и называют математической моделью.

Выражения целевой функции для единственной переменной., если ее выписать, сравнительно простая. Допустимая область также ограничена простыми ограничениями:

(нк). Но в практических задачах целевая функция зависит от большого числа переменных, определение значений f(X) весьма трудоемко. Допустимая область часто является сложной конструкцией в многомерном пространстве, порожденной системами нелинейных ограничений. В случае многих переменных в задаче оптимизации каждому варианту соответствует точка в многомерном пространстве: X=(x1, x2,…, xn).

Переменными x1, x2,…, xn могут быть самые разные величины.

Необходимо чтобы переменные были управляемыми, т. е. мы должны иметь возможность реально изменить значение переменной до оптимальной величины. Такая возможность имеется не всегда. Например, если мы не можем управлять климатическими и подобными не зависящими от нас факторами, нет смысла включать их в список переменных задачи оптимизации.

При создании математической модели специалисты стараются учитывать как можно больше переменных, оказывающих влияние на Рис. 1.1. Пример графика одномерной проектируемый объект, а это усложняет решение целевой функции задачи оптимизации - приходится искать оптимум в многомерном пространстве.

Алгоритм нахождения значений целевой функции f(X) даже в простейших случаях это вычисление некоторого громоздкого математического выражения подстановкой в него соответствующих значений переменных x1, x2,…, xn. Обычно такой алгоритм содержит много логических условий, в его состав могут входить решение дифференциальных уравнений или трудоемкие процедуры статистического моделирования. Поэтому для определения значения целевой функции f(X) даже в одной точке возможен большой расход времени счета, причем, увеличение скорости работы ЭВМ не является панацеей число исследованных точек областей часто все равно будет казаться недостаточным.

Поэтому возникает проблема рационального размещения точек испытаний. Методы оптимизации являются основой для алгоритмов размещения точек в допустимой области так, чтобы при ограниченном числе испытаний достичь наиболее точного решения.

В случае двухмерной целевой функции (п=2) для наглядной геометрической интерпретации используют линии постоянных значений целевой функции f(x1,x2)=const в системе координат x1, x2. (Такие линии постоянных значений на топографических картах, например, изображают рельеф поверхности земли). Для целевой функции f(X)= x12 + x22 в области -1 x1 1, -l x2 1 при помощи линий постоянных значений (f(X)=0,25;

0,50;

0,75;

1,00;

1,25), рисунок 2 наглядно показывает (если даже выражение f(X) неизвестно), что минимум должен быть в ближайшей окрестности точки (0, 0), а также что имеется единственный локальный минимум в допустимой области.

К сожалению, при размерности п возникают принципиальные трудности для геометрической интерпретации. Для графического исследования иногда применяют линии постоянных значений по некоторой паре переменных i1 и i2, значения остальных п- переменных i = 1,.., п;

i i1;

i i2 поддерживая постоянными. Наличие таких «сечений» целевой функции в различных точках для всевозможных пар переменных i1, i2 может дать некоторое представление о целевой функции многих переменных.

1.1.3. Ограничения при поиске оптимума Рис. 2. Линии постоянных Допустимую область определяют системы значений квадратичной неравенств или равенств, иногда специальные целевой функции алгоритмы. Их называют ограничениями задачи оптимизации. В примере 1 допустимую область ограничивали два неравенства:

В примере 2 - четыре неравенства. Это так называемые простые ограничения. В n мерном случае простые ограничения определяют допустимую область - n-мерный прямоугольный параллелепипед.

Довольно часто ограничения типа неравенств в реальной жизни возникают из-за ограниченности ресурсов, сырья, средств, рабочей силы, времени и т. п. Различают линейные ограничения, выпуклые, дифференцируемые нелинейные, не дифференцируемые нелинейные. Лучше всего, когда имеем дело с простыми ограничениями или когда их вообще нет. Введение даже линейных ограничений усложняет поиск оптимума, так как приходится проверять принадлежность точек к многомерной области сложной конфигурации.

1.1.4. Многокритериальная оптимизация Любую сложную систему характеризуют многие критерии, для каждого из которых можно конструировать целевую функцию и искать ее минимум или максимум.

Поэтому в общем случае имеем многокритериальную задачу оптимизации, векторный критерий оптимальности и векторную целевую функцию, состоящую из s компонентов. Заманчиво найти такие значения переменных Х в допустимой области D, чтобы все критерии одновременно были оптимальными. Однако достичь этого практически невозможно - критерии, как правило, противоречивы.

Например, какое-либо изделие не может быть одновременно самого высшего качества и самым дешевым - достигнешь одно, потеряешь другое.

Решение многокритериальных задач оптимизации связано с поиском некоторого компромисса между критериями. Существуют различные принципы конструирования многокритериальных компромиссов, наибольший интерес представляют решения, оптимальные в смысле Парето (решения Парето).

Решение X*D многокритериальной задачи оптимально в смысле Парето, если не существует ни одной точки Х D такой, чтобы и если хотя бы для одного (например, j-го) критерия это неравенство было строгим:

Если такая точка Х существует, то она должна стать оптимальной, так как она ни по одному критерию не уступает, а по некоторым даже лучше, чем X*. Менее формально — это точки, в которых Рис. 1.3. Точки Парето в случае двух нельзя улучшить ни одного критерия, не испортив критериев – заштрихованная остальных. К сожалению, таких решений Парето область даже в простейших задачах может быть много.

Часто задачу со многими критериями оптимизации можно свести к задаче с одним критерием оптимизации. При этом используются методы объединения (свертывания) многих критериев оптимальности. Это сделать просто, если один из критериев сильно выделяется по своей важности. Если трудно выбрать такой критерий, обычно пользуются объединением критериев в один обобщенный критерий f (иногда это называют методом взвешенных сумм):

k - весовые коэффициенты критериев. Выбор весовых коэффициентов облегчается, когда им можно придать экономический или физический смысл. Например, одним критерием являются потери электроэнергии в некотором приборе, другим — величина токопроводящих цветных металлов. В таком случае весовым коэффициентам можно натуральным образом придать экономический смысл. Пусть коэффициент 1 потери энергии — стоимость единицы электроэнергии, 2 величины цветных металлов — стоимость единицы цветных металлов;

получим обобщенный критерий f — суммарные затраты, который и можно минимизировать.

1.2. Методы оптимизации Методов оптимизации довольно много. Чаще используются более простые из них.

Методы спуска, использующие значения целевой функции и их производных.

Метод задает значения переменных Х для очередного определения значений целевой функции, алгоритм целевой функции вычисляет значение f(X), и значения производных этой функции. На основании этих значений функции и величины производных метод планирует следующие значения переменных Х и т. д. Это усложняет методы, однако учет производных дает много преимуществ, которыми и объясняется широкое распространение методов спуска. В методе наискорейшего спуска в любой точке направление выбора значений Х происходит в направлении наибольшего локального уменьшения целевой функции. Для определения такого направления используется понятие градиента функции f(X) (непрерывной и дифференцируемой). В методе наискорейшего спуска использованы только первые производные. Естественный путь дальнейшего усовершенствования — учет производных второго порядка. Среди методов второго порядка наиболее известны итерационные методы Ньютона (с разными модификациями, в том числе методы с переменными метриками, методы сопряженных направлений и т.д.), в которых оптимизируется еще и шаги, с которым выбираются новые переменные Х. При большом числе переменных и сложной целевой функции трудно или даже невозможно получить производные в виде аналитических функций. Целевая функция для методов спуска должна быть непрерывной, производные должны существовать, что далеко не всегда возможно.

Существенно проще с методами локального поиска: даже при их описании не требуются громоздкие формулы с матрицами, не используются производные или их аппроксимации. Единственной информацией о целевой функции в методах поиска являются значения целевой функции f(X) в некоторых точках Х1, Х2,... (в точках испытаний). В этой группе широко используемых в практике методов распространены:

поиск по деформируемому многограннику (симплекс-метод), поиск конфигураций, метод Розенброка и др.

И, наконец, существует широкий класс методов случайного поиска. Их популярность объясняется простотой, сравнительной легкостью программной реализации, а также широкими возможностями модифицировать методы. Общая итерационная формула методов рассчитывает приращение переменных Х на основе генератора случайных чисел. Имеется множество реализаций этих методов: алгоритм с парной пробой, алгоритм с возвратом при неудачном шаге, алгоритм с пересчетом при неудачном шаге, алгоритм наилучшей пробы, алгоритм статистического градиента, и др.

Универсальных методов оптимизации не существует (точнее, они малоэффективны).

Поэтому необходимо знать их сильные и слабые стороны, установить классы задач, для которых методы подходят. Приходится создавать специальные тестовых задач, многократно их решать, анализировать результаты и делать на этом основании выводы и рекомендации.

2. Планирование устойчивого лесопользования: ландшафтные основы и оптимизация.

2.1. Система прогнозирования динамики лесного фонда лесхоза.

При использовании ресурсов и полезностей леса часто сталкиваются противоречивые, взаимоисключающие подходы и требования, в том числе, уже на стадиях разработки проекта лесопользования и ведения лесного хозяйства. В связи с этим для реализации идей устойчивого управления лесами необходимы объективные методы (инструменты) создания проектов.

Таким инструментом по мере роста культуры производства, удорожания ресурсов, с параллельным ужесточением экологических требований их использования неизбежно станут автоматизированные интегрированные системы управления, обладающие возможностями прогнозирования долгосрочной динамики развития леса и оптимизации его комплексного хозяйственного использования с учетом:

- косвенных антропогенных воздействий (загрязнение атмосферы и вод, рекреация, сельскохозяйственное и охотничье использование и т.д.), стихийных природных бедствий (пожары, вспышки численности вредителей леса, ветровалы, изменения климата и др.), - взаимосвязи окружающей среды и леса, формирования средообразующих функций леса (климат, гидрология водосборов, биологический круговорот, и пр.), природоохранных функций (водоохрана, рыбоохрана, сохранение биоразнообразия, и т.д.).

Для такого сложного информационного комплекса принята стратегия модульной и блочной структурно-функциональной организации. На рис. 2.1 представлена общая схема прогнозно-аналитической системы для разработки проектов устойчивого управления лесным фондом лесхоза.

Все лесохозяйственные воздействия планируются и реализуются на уровне выдела элементарной единице управления. Это создает необходимость прогноза развития древостоя и моделирования разных вариантов хозяйственных воздействий для конкретных выделов, обычно сопоставимых с фацией (группой фаций), т.е с элементарными ПТК.

Прогнозный комплекс основан на использовании теоретико-методологических разработок моделей геосистем и их компонентов на базовом модуле совмещенной повыдельной информационной системы лесхоза. На конкретных примерах отработана технология последовательного создания атрибутной базы данных, связанной с ней ГИС и модулей математического моделирования, проведены прогнозные расчеты долгосрочной динамики лесного фонда с учетом лесохозяйственной деятельности Рис.2.1. Структура прогнозно-аналитической системы для устойчивого управления лесами.

2.2. Выделение потенциальных типов условий местообитания Модуль предназначен для автоматизированного выделения по топографическим картам потенциальных бонитетов насаждений. Понимание того, что лесное хозяйство необходимо организовывать на реальном рельефе, как консервативной основе леса, сложилось давно. Г.Ф. Морозов [1915] в своем труде “Учение о типах насаждений”, писал: “Разделение (типов насаждений) должно быть произведено по условиям рельефа и почвенно-грунтовым признакам” и, анализируя применение шкал бонитетов для различных реальных насаждений: “При таких условиях выход один: выделение участков (таксационных) по условиям местопроизрастания, по ним непосредственно, а не по их отражениям в составе, высоте и пр.” [Морозов, 1994, т. 2, стр. 60-77]. Возможности использования при лесоустройстве и лесопользовании ландшафтной основы, которая служила бы жестким каркасом для проведения различных лесохозяйственных мероприятий, исследовались неоднократно [Волков и др., 1990, Волков и др., 1995, Грибанов, 1960, Грибанов, 1965, Громцев, 1992, Калашников, 1975, Калашников, Тетенькин 1975, Киреев, 1973, 1977, Столяров и др., 1992, и др.]. Ряд исследователей особо подчеркивают ведущую роль в формировании пространственной структуры лесного покрова литогенной основы, геолого-геоморфологических факторов [Шевченко, Шевченкова, 1989, Юнина, 1991], непосредственно рельефа с его мезо- и микроформами [Седых, 1990]. Причем, для прикладных целей понятия “фация” и “биогеоценоз” и, соответственно, “тип фации”, “тип биогеоценоза” и “тип леса” могут считаться эквивалентными [Волков и др., 1990, 1995].

Выделение потенциальных типов условий местопроизрастания производится на основе разработанной теоретической формализации элементарных геосистем и применения методов автоматического дешифрирования данных дистанционного зондирования в среде ГИС. Исходными материалами являются топографические карты М 1:10 000 и сканерные космические снимки Landsat-7. Прогноз развития древостоя с учетом управляющей деятельности и косвенного влияния человека на лесные экосистемы производится в границах ПТК.

2.2.1. Геофизическая модель ПТК низкого ранга.

Основные теоретические положения и направления ландшафтных исследований, среди которых структурно-генетическое, функционально-динамическое, системное, эволюционное и антропогенное направления охарактеризованы в [1].

Согласно первому направлению, логика изучения географических объектов сводится к выделению парагенетически сопряженных единообразных территорий (типологических единиц), и к последующей группировке полученных выделов в одноконтурные сочетания разнообразных территорий (ландшафты и региональные единицы разных уровней).


Поскольку при этом взаимодействие между пространственными частями не учитывается, объединение территорий в один ландшафт (или регион) не может рассматриваться как отражение процессов интеграции (синтеза). Не случайно, поэтому обычно говорят о дифференциации ПТК.

Согласно функциональному направлению исследуются механизмы ныне протекающих взаимодействий, объединяющие природные объекты в единые геосистемы.

В бореальных условиях структурообразующим потоком является, главным образом, водный сток и в качестве геосистем могут рассматриваться водосборные бассейны.

Чтобы формализовать описание природных территориальных комплексов, в соответствии с классическими определениями, нужно получить необходимые численные параметры, по которым можно выделить единообразные территории. Численные параметры могут быть получены по данным дистанционного зондирования, по цифровым моделям местности, по данным полевых исследований и другими способами. В работе предлагается геофизически обоснованной метод дифференциации ПТК низких рангов, сформированных на единой морфоструктуре в условиях местного климата.

В общем случае основные этапы алгоритма определения однородной территории по параметрам кратко можно изложить следующим образом:

1. Создание метрического пространства параметров - обоснование методов получения (расчета) содержательных величин, описывающих структурообразующие процессы: P= {pi }, i = 1, 2,...,np 2. Создание пространства географических координат - выбор масштаба, создание цифровой модели рельефа с заданным разрешением и т.д.: X= {xi }, 1 i 3. Отображение пространства координат на пространство параметров - создание матрицы где столбцы - параметры, а строки - координаты элемента, к которому относятся параметры:

x(p) 4. Задание метрики пространства и создание матрицы дистанций: d(x, x) 0, D = | dij |, i,j = 1,...,k 5. Задание меры (признака) однородности: 0 : d(x, x) 6. Формально определение однородной территории по пространству параметров можно записать следующим образом: F = {X : V x, x : d(x, x) } Процедура определения однородной территории, выполненная таким образом, является расслоением множества пространственных объектов (множества пространственных точек объектов X) на классы эквивалентности [2], причем, элементы базы расслоения задаются не легендой карты или каким либо множеством, а вычисляются по матрице дистанций D с помощью меры (критерия) однородности. Фактически это формализация создания базы расслоения ПТК низкого уровня.

Продемонстрируем вначале возможности этого подхода для анализа геоморфометрических параметров, полученных по цифровой модели рельефа (ЦМР).

Первый этап - выбор пространства параметров. Анализ классических определений показывает [1], что выделение элементарных ПТК (фаций) может быть проведено на множестве элементов поверхности рельефа отображением пространственного распределения параметров описания градиентов полей инсоляции и гравитации. Из этого возникают конкретные задачи:

1. Выбор и группировка морфометрических параметров (МП), определяющих перераспределение полей гравитации и инсоляции поверхностью рельефа.

2. Расчет пространственного распределения морфометрических параметров по цифровой модели рельефа конкретной территории.

3. Разработка объективных процедур дифференциации ПТК по градиентам определяющих полей и индуцированным ими потокам.

Известно несколько десятков морфометрических параметров (МП), использующихся в геоморфологии, гидрологии, экологии и почвоведении для описания разных объектов (табл. 1) Однако проблема их использования не столь проста. Многие МП функционально взаимосвязаны, не ортогональны и избыточны. Поскольку выбор параметров это по сути дела введение аксиоматики, то в одном наборе параметров объекты могут быть признаны одинаковыми, а в другом – нет. Существует и ряд технических трудностей использования МП, рассчитываемых в разных программах.

В соответствии с определением фации и классификацией структурообразующих процессов [4], закономерно содержательное выделение трех групп МП:

1) МП описывающие распределение солнечной энергии: доза прямой солнечной радиации (дневная, годовая);

экспозиция и освещенность склонов;

уклон;

высота.

2) МП описывающие факторы распределения воды под действием гравитации:

удельная площадь сбора, удельная дисперсивная площадь;

глубина В-депрессий, высота В-холмов;

уклон.

3) МП описывающие факторы перераспределения вещества под действием гравитации: горизонтальная, вертикальная и средняя кривизна, уклон;

высота.

В связи с необходимостью рассмотрения минимального числа независимых параметров дифференциации ПТК в каждой группе для анализа выбраны по три значимых МП. Объектами исследования являются ПТК южной части Центрального лесного государственного биосферного заповедника (ЦЛГЗ), Тверская область, и Национального парка «Валдайский» в Новгородской области. ЦМР построены по топографической карте М 1:10 000. Размер пикселей ЦМР 28х28 м выбран в соответствии с разрешением съемки Landsat-7. Построением ЦМР мы задаем пространство географических координат.

Расчет МП проводили в программах ЭКО (П.А. Шарый), FracDim (Г.М. Алещенко, Ю.Г.

Пузаченко), и DiGem (немецких авторов).

Физический смысл используемых величин предельно ясен. Например, экспозиция и уклон склонов – компоненты вектора градиента геопотенциала, горизонтальная кривизна – дивергенция линий тока;

вертикальная кривизна – производная фактора крутизны и т.д. Для примера на рис. 1 (цветная вклейка) представлены кривизны поверхности рельефа описывающие основные механизмы аккумуляции вещества.

Важнейшим параметром, характеризующим перераспределение воды и гидроморфологические процессы является удельная водосборная площадь (SCA), показывающая с какой площади в каждый элемент поверхности могут собираться со склонов сыпучие и жидкие вещества (рис. 2 левый, цветная вклейка). SCA является составляющей ряда индексов, таких как топографический индекс (TI), индекс мощности водных потоков (SI) или эрозионный индекс и др.

Таблица 1. Формулы для расчета некоторых локальных морфометрических величин [Shary, 1995] (p=z/x;

q=z/y;

r=2z/x2;

s=2z/xy;

t=2z/y2 частные производные поверхности z=z(x,y), функция sign(x) равна 1 при x0, нулю при x=0 и –1 при x0).

Разме Название величины, р- Формула Ссылка класс ность GA=arctg(p2+q2)1/ Крутизна склонов, градус -- класс А ы безраз GF=(p2+q2)1/2/[1+p2+q2]1/ Фактор крутизны, класс А -- м А0=90[1-sign(q)](1 Ориентация склонов, градус |sign(p)|)+180[1+sign(p)]- -- класс А ы -180sign(p)arccos[-q/(p2+q2)1/2]/ Средняя кривизна, класс H=[(1+q2)r-2pqs+(1+p2)t]/[2(1+p2+q2)3/2] 1/м (Young, 1805) С M=[{r[(1+q2)/(1+p2)]1/2 -t/[(1+q2)/(1+p2)]1/2}2/(1+p2+q2)+ Несферичность, 1/м +{pqr[(1+q2)/(1+p2)]1/2-2[(1+q2)(1+p2)]1/2s класс С (Shary, 1995) +pqt/[(1+q2)/(1+p2)]1/2}2]1/2/[2(1+p2+q2)3/2] E=(q2r-2pqs+p2t)/[(p2+q2)(1+p2+q2)1/2] Разностная кривизна, 1/м (Shary, 1995) -[(1+q2)r-2pqs+(1+p2)t]/[2(1+p2+q2)3/2] класс А Горизонтальная кривизна, kh=(q2r-2pqs+p2t)/[(p2+q2)(1+p2+q2)1/2] 1/м (Krcho, 1983) класс А Плановая кривизна*, kp=(q2r-2pqs+p2t)/(p2+q2)3/ 1/м (Evans, 1972) класс А Вертикальная kv=(p2r+2pqs+q2t)/[(p2+q2)(1+p2+q2)3/2] 1/м (Evans, 1972) (профильная) кривизна, класс А rot=[(p2-q2)s-pq(r-t)]/(p2+q2)3/ Ротор*, класс А 1/м (Шарый, 1991) Горизонтальная 1/м khe=M-E (Shary, 1995) избыточная кривизна, класс А Вертикальная избыточная 1/м kve=M+E (Shary, 1995) кривизна, класс А Минимальная кривизна, 1/м kmin=H-M -- класс С Максимальная кривизна, 1/м kmax=H+M -- класс С Полная гауссова 1/м2 K=(rt–s2)/(1+p2+q2)2 (Гаусс, 1827) кривизна, класс С Освещенность склонов**, % F=50{1+sign[cosa-sina*(psinb+qcosb)]} (Onorati et al., [cosa-sina*(psinb+qcosb)]/(1+p2+q2) класс А 1992) * Эти кривизны не входят в полную систему 12-ти кривизн (Shary, 1995).

** В этой формуле 90°-а есть склонение Солнца от горизонта, b есть азимут Солнца, отсчитанный от северного направления по часовой стрелке.

Результаты расчетов МП преобразуются в матрицу данных, строки которой соответствуют пикселям ЦМР, а столбцы – параметрам, описывающим состояние элемента. Таким образом, элементами поверхности рельефа, выступают пиксели цифровой модели местности, имеющие географические координаты, а их состояние описывается параметрами градиентов геофизических полей.

Геометрически два вектора-строки в пространстве параметров тем ближе, чем меньше различаются между собой значения каждого из параметров для обоих объектов. В работе для классификации рельефа по матрице МП в качестве меры близости (метрики) применено евклидово расстояния между соответствующими векторами-объектами.

Проведенные многочисленные численные эксперименты моделирования структуры ПТК методом последовательной дихотомической группировки элементов поверхности рельефа по параметрам выявили некоторые особенности.

При последовательных шагах (столбцы) вначале происходит выделение двух наиболее общих группировок. Например, для параметров, описывающих перераспределение солнечной и тепловой энергии, происходит выделение ПТК, прежде всего, по преобладающим экспозициям склонов. На следующих шагах происходит последовательное разбиение обоих классов: сначала выделяются участки повышенной освещенности, затем различия уклонов поверхности. Первоначально полученный ряд группировки иногда приходится корректировать в соответствии с ландшафтной структурой территории, выявленной в полевых исследованиях. Например, для плоского рельефа местности ЦЛГЗ с одной стороны оказался довлеющим показатель экспозиции склонов (чего не наблюдается в действительности), с другой - сильно ослаблены охлаждающие свойства переувлажненных ПТК: не выделились даже огромные массивы верховых болот (Рис 3, цветная вклейка, левый ряд). Поэтому в последующих классификациях увеличивали весовые коэффициенты параметра уклонов поверхности, как показателя интенсивности дренирования территории (правый ряд). В результате классификации существенно изменялись. На первом шаге (Рис 3, цветная вклейка, правый ряд) сразу происходит выделение классов дренированных склонов (темный цвет) и плоских, заболачиваемых поверхностей (желтый цвет);


далее классы начинают разделяться по экспозиции и освещенности Проверка достоверности классификации ПТК с оптимальными значениями весовых коэффициентов методом дискриминантного анализа, показала, что на всех уровнях выделенные классы различаются статистически достоверно. По значениям F-критерия на первых шагах дихотомии ведущими переменными, различающими классы, являются уклоны, а на последующих шагах увеличивается роль экспозиции склонов и освещенности. На всех уровнях классификационные матрицы имеют характер, близкий к диагональному, причем процент достоверности выделения классов до 5-го уровня дихотомии включительно более 90 % При классификации рельефа по параметрам распределения водного стока также выявилась неравнозначность МП. В заключительной классификации были увеличены весовые коэффициенты показателя интенсивности дренирования (уклона поверхности).

Проверка классификации методами дискриминантного анализа показывает, что на всех уровнях выделенные классы различаются статистически достоверно, наиболее высока точность выделения классов до 5-го уровня дихотомии.

На основе связи механизмов аккумуляции с кривизной поверхности рельефа построена карта зон относительной аккумуляции и выноса. Такая формализация зон относительного накопления и выноса соответствует ландшафтно-геохимическому пониманию сопряжения элементарных ландшафтов, формирования геохимического ландшафта.

Обобщенная классификация ПТК проведена с использованием параметров распределения геофизических полей с полученными ранее весовыми коэффициентами.

Карта показывает ведущее значение процессов заболачивания, характерных для водораздельной территории с плохо проработанной дренажной сетью.

Верификация результатов классификации выполнена по материалам исследований на трансектах и ключевых участках. Для иллюстрации приведен пример зависимость мощности перегнойного горизонта почв Ап, характеризующего степень переувлажнения минеральных почв, от морфометрических величин. При широкой выборке данных достоверность связи не очень хорошая, тогда как для конкретных классов группировок наблюдается линейная связь мощности перегнойного горизонта со значениями kh, kv и H, причем коэффициенты корреляции превышают 0,9.

2.2.2. Геофизическая модель водосборных геосистем Иная дифференциация этой территории получена на основе определений функционально-динамического подхода.

Если возьмем за основу функционирования бореальных геосистем гидроциркуляционные процессы, то придем к выделению иерархии водосборных геосистем по параметрам, описывающим перераспределение воды рельефом в поле гравитации.

Водоразделы любого порядка соответствуют одновременно локальным максимумам высоты h, минимумам величины удельной площади водосбора SCA, а также локальным максимумам горизонтальной кривизны Kh. Тальвеги одновременно соответствуют наоборот локальным минимумам высоты h, и т.д. На основе рассчитанных параметров, в соответствии со схемой Стралера - Философова выделены контуры водосборных геосистем.

Не считая элементарных ПТК, выделены водосборные геосистемы пяти порядков.

Пятый порядок имеет геосистема водосбора р. Межа в створе д. Федоровское. Некоторые параметры выделенных геосистем водосборов приведены в таблице 2.

Зависимость средних значений площади водосбора (Y) от его порядка (X) описывается уравнением вида Y=b0*(X+1)**b1, где значения параметров составляют b0=0.419665, b1=2.526742, достоверность модели R=0.99977.

Таблица 2. Основные статистические параметры геосистем водосборов Порядок Количество Средняя Минимум Максимум Дисперсия Средний расход, водосбора выделов площадь, км2 июнь, л/с 1 393 0.093 0.001 0.363 0.005 0, 2 52 0.478 0.120 1.583 0.123 3 9 2.391 0.795 4.679 2.046 4 4 6.743 2.720 10.940 11.423 5 1 36.645 - - - Данные таблицы выявляют прямую зависимость расходов стока от средней площади водосборов, и порядка водосбора. Получена также зависимость характеристик гидрохимического состава от параметров структуры водосборных геосистем. Отчетливое влияние разгрузки почвенно-грунтовых вод наблюдалось только в водотоках четвертого порядка. Таким образом, установлена тесная зависимость гидролого-геохимического функционирования локальных геосистем от структуры бореальных водосборов.

2.2.3. Выделение ПТК методом сопряженного анализа ДДЗ и параметров распределения градиентов геофизических полей Вышеописанный формализованный подход позволяет создать карту растительного покрова на основе данных спектрозонального дистанционного зондирования поверхности.

На рис. 4 (цветная вклейка) показана последовательность классификации снимка Landsat территории НП «Валдайский». В качестве параметров используются абсолютные величины спектральной яркости каналов и коэффициенты NDVI. Автоматическое дешифрирование космических спектрозональных снимков методом прямой классификации с метрикой Евклида позволяет достоверно выделять основные структуры лесного покрова на уровне урочищ. Результаты дешифрирования верифицированы по полевым данным сплошной ленточной лесотаксации.

Дискриминантный анализ выявил, что лучшими показателями, распознающими выделенные классы лесного покрова, оказались суммы диаметров стволов каждой породы (табл. 3). Этот показатель характеризует породный состав древостоя, обуславливает степень сомкнутости и диаметр крон и спектральные характеристики полога леса.

Анализ ландшафтной карты, составленной классическим методом [Сысуев, Солнцев, 2006], и карты ПТК, полученной методами геофизического анализа морфометрических величин и космического снимка (рис 5, цветная вклейка), показывает близкое проведение границ выделенных комплексов.

Таблица 3. Средние значения характеристик древостоя для классификации Landsat Классы F Характеристики древостоя критерий 3 4 5 6 сумма. диаметров сосны 35.4 85.2 132.8 296.0 221.7 9. сумма. диаметров ольхи 8.7 18.4 40.7 7.5 2.6 8. сумма. диам. мелколиственных 19.8 26.8 60.3 36.6 57.4 7. количество деревьев первой породы 8.5 7.4 8.7 15.2 13.0 7. (по формуле древостоя) полная сумма запасов древостоя по 17.9 14.6 12.7 10.3 5.7 7. площадке сумма. диаметров ели 303.0 197.8 157.1 90.3 32.2 6. средний диаметр стволов третьей 5.2 8.5 13.9 11.5 7.2 3. породы (по формуле древостоя) средняя высота третьей породы (по 4.4 7.0 11.9 8.7 6.9 2. формуле древостоя) Ясно, что на основе формальных классификаций не возможно выделение ПТК по структуре напочвенного растительного покрова. Почвенный покров можно классифицировать только по косвенным признакам. По результатам формальных классификаций трудно провести иерархию ландшафтных комплексов, и на уровне использованного математического обеспечения практически не возможно выявить генезис выделяемых комплексов. Методы формализованного описания ПТК необходимо в этих направлениях разрабатывать далее.

Для практических приложений в лесном хозяйстве и ландшафтном планировании, этот геофизически обоснованный камеральный (дополевой) метод создания ландшафтных карт – карт потенциальных типов местообитания – невозможно чем-либо заменить.

Анализ таксационных данных, наложенных на созданную таким образом карту показал, что границы выделов, полученные при лесоустройстве лишь в общих чертах соответствуют границам ПТК ранга урочищ и подурочищ, полученных морфометрическим анализом. Причем полученные ПТК, характеризуют потенциальные типы условий местопроизрастания, объективно обусловленные формами рельефа.

Конкретная реализация этих условий в типы леса и бонитеты насаждений будет существенным образом зависеть от управляющих воздействий лесохозяйственных мероприятий. Задачей устойчивого управления является именно приведение насаждений в наиболее возможное соответствие природной потенции условий местообитания.

2.3. Модель динамики разновозрастного многовидового древостоя под воздействием лесопользования.

Центральный модуль информационно-аналитической системы (рис. 2.1) имитационная модель динамики лесного фонда лесхоза, обеспечивает долгосрочный прогноз пространственной динамики древостоя. Исходными данными для моделирования служат стандартные таксационные и планово-картографические материалы лесоустройства. Модуль математического моделирования обеспечивает анализ влияния различных вариантов хозяйственной деятельности на развитие лесонасаждений, позволяет моделировать различные ситуации ведения лесного хозяйства, применение оптимизационных моделей позволяет планировать наиболее рациональное проведение лесохозяйственных мероприятий с учетом имеющихся материально-технических, финансовых, трудовых и временных ресурсов.

2.3.1. Обоснование выбора модели В лесном хозяйстве России все леса приведены в известность, накоплены огромные массивы регулярно актуализирующихся лесотаксационных данных и картографических материалов. Основная учетная единица таксационных данных выдел, именно повыдельные данные накоплены на всю территорию России - это также важнейший аргумент в пользу моделирования древостоя в целом, как это заложено в повыдельной информации. Тем более, что все количественные лесотаксационные данные связаны с лесотаксационными планшетами, масштаб которых (1:10000 или 1:25000) соответствует Для моделирования использован простой математический аппарат с блочным построением модели с возможностью оперативного совершенствования, замены и добавления отдельных блоков. В имитационной модели реализованы следующие важнейших положения [Чумаченко, Сысуев, и др. 1997, Chumachenko S.I., V.V. Syssouev, et al., 1996]:

- модель использует стандартные данные, получаемые в практике лесного хозяйства;

- в основу моделирования положены алгоритмы, согласующиеся с известными биоэкологическими характеристиками процессов, протекающих в реальных лесных сообществах;

- моделируется динамика не отдельных деревьев, а лесное сообщество в целом (полог леса);

- блочная открытая структура построения модели позволяет легко модифицировать и дополнять учитываемые процессы и воздействия.

Главным отличием используемой модели от Gap моделей (Botkin et al., 1972) является прямой учет реального пространственного распределения древостоя и неоднородности условий произрастания. В отличие от мозаичных моделей (Acevedo et al., 1995) представляемая модель основана на учете биологических особенностей видов и их взаимодействии. В модели реализована возможность прогнозирования воздействия хозяйственной деятельности человека на конкретные участки лесного фонда. Это позволяет надеяться, что использование блока имитационного моделирования в комплексной информационной системе лесхозов будет способствовать решению задач оптимизации лесохозяйственных мероприятий для поддержания неистощительного лесопользования.

2.3.2. Основные принципы построения модели развития древостоя, как множества взаимодействующих популяций.

Обзор биологической литературы и анализ существующих моделей лесных ценозов позволил предложить следующие основные положения моделирования развития древостоя:

1) моделируемое пространство древостоя делится на трехмерные ячейки конечного размера;

2) биологические свойства древесных особей изменяются во времени дискретно, в соответствии с периодизацией онтогенеза;

3) временной ряд состояний каждой ячейки составляет всегда замкнутый цикл;

4) переход каждой ячейки из одного состояния в другое определяется текущим состоянием ячейки и состоянием смежных с ней ячеек Первое утверждение подразумевает деление пространства на дискретные объекты, соответствующие синхронно развивающимся группам молодых особей имматурного и виргинильного возрастных состояний, отдельным особям или их частям для других состояний. Рассмотрение группы молодых особей как синхронно развивающегося объекта вполне допустимо, так как в окнах для тысяч (десятков тысяч) молодых особей условия внешней среды практически одинаково благоприятные и сильно отличаются от условий существенно угнетенного подроста под пологом взрослых особей. Каждая ячейка представляет собой прямоугольный параллелепипед с квадратным основанием (см. рис.

4.). Площадь основания выбирается равной площади проекции усредненной кроны в молодом генеративном состоянии. В случае многовидового сообщества это максимальная из усредненных площадей проекций крон всех представленных в древостое видов. Высота параллелепипеда определяется принимаемой в модели усредненной высотой ярусов древостоя. Такой размер ячеек позволяет существенно упростить алгоритм модели и сократить время работы имитационной программы.

Проведенная дискретизация пространства является одной из основных особенностей описываемой модели, что позволяет учитывать взаиморасположение особей или групп деревьев при расчете их влияния друг на друга при расчете светового довольствия. На рис.

2. 12 показано дискретное пространственное представление деревьев в модели на разных этапах онтогенеза.

Второе положение основывается на биологической периодизации онтогенеза древесных растений. В модели принято деление на шесть основных возрастных состояний: имматурное (im), виргинильное (v), молодое (g1), средневозрастное (g2) и старое генеративные (g3), сенильное (S) и дополнительно квазисенильное (SS). Каждое из этих состояний отличается как по размерам особей, их эколого-физиологическим свойствам, так и по потенциалу роста и развития (рис. 2.12). При нормальном (без задержек) развитии каждая особь любого вида, проходит последовательно все эти состояния в указанном порядке. Как правило, старение нормально развивающихся особей хорошо коррелирует с их абсолютным возрастом. Тем не менее темп развития видоспецифичная величина и у разных видов одни и те же возрастные состояния длятся разное количество лет. Вследствие разной длительности онтогенеза у разных видов в модели счет времени ведется по абсолютной шкале. Один шаг по времени соответствует 10 годам (хотя величина шага по времени - t не имеет ограничений). Выбор десятилетнего периода в качестве дискретной единицы счета обусловлен также тем, что в таком промежутке практически у всех древесных растений укладывается элементарный акт популяционной жизни: формируется биогруппа имматурного подроста. Дальнейшее развитие всей биогруппы мало зависит от небольших (3-5 лет) различий в возрасте отдельных особей. Виргинильное и последующие возрастные состояния длятся дольше, но с учетом синхронизации развития на начальном этапе вполне правомерно продолжительность этих возрастных состояний измерять величинами кратными 10 годам [Смирнова, и др.,1990].

Рис. 2.12. Схема дискретизации онтогенеза древесных видов (подробности в тексте) Согласованность счета абсолютного возраста и продолжительности возрастных состояний (в каждое возрастное состояние укладывается целое, хотя и разное, число шагов по времени) необходима для наиболее корректного использования эмпирических закономерностей, которые на разных этапах онтогенеза могут аппроксимироваться разными функциями. Согласно третьему принципу временной ряд состояний каждой ячейки всегда завершается возвратом в начальное состояние, т. е. после всех превращений ячейка становится вновь пригодной для очередного акта возобновления (рис. 2.13).

Справедливость этого утверждения подтверждается тем, что в разновозрастных лесах на месте гибели одних особей всегда появляется молодой подрост. В многовидовых сообществах в окнах появляются особи практически всех плодоносящих видов, хотя дальнейшая судьба молодого поколения может быть различной. При нормальном развитии каждая особь проходит полный ряд возрастных состояний (реализуется предельный цикл). Однако, развитие особей в условиях недостатка света может происходить с задержками, т. е. абсолютный возраст увеличивается, а возрастное состояние остается прежним. Такие задержки в развитии не могут длиться бесконечно.

Если условия освещения не изменяются дольше определенного (видоспецифичного) промежутка времени, особи либо преждевременно отмирают, либо переходят в состояние "торчков" (квазисенильное состояние - SS). Это может происходить в имматурном или виргинильном возрастных состояниях. После достижения особью высоты верхнего яруса отмирание из-за недостаточной освещенности, обычно, не наблюдается. В том случае, когда задержка в развитии длится меньше критической величины, особь после улучшения светового режима продолжает развиваться и способна завершить онтогенез по предельному циклу. В таких случаях абсолютный возраст особи увеличивается по сравнению с нормальным на величину суммарной продолжительности всех задержек развития. На рис. 2. 13 показан граф возможных переходов из одного возрастного состояния в другое.

im o v g1 g2 S g SS Рис. 2.13. Граф возможных переходов из одного возрастного состояния в другое в течение онтогенеза. Тонкими стрелками показан возможный путь развития особи в течение онтогенеза, толстыми - отмирание особи на любом этапе, возврат ячейки в нулевое (условно пустое) состояние [Попадюк, Чумаченко, 1993] При описании четвертого положения необходимо отметить, что состояние соседних ячеек определяется степенью угнетения особей. Действительно, от их состояния зависит световой режим, и, следовательно, возможность увеличения площади кроны, изменения яруса, в котором она находится. А это напрямую определяет дальнейшую судьбу деревьев. Так, если освещенность данной ячейки меньше, чем видоспецифичный минимальный уровень [Евстигнеев, 1988], то особь либо отмирает, либо переходит в состояние торчка. В том случае, если особь конкретного вида в рассматриваемом возрастном состоянии должна иметь определенную площадь, а условия его развития такие, что соседние ячейки все заняты, то это приведет к отмиранию дерева. Аналогичное происходит в том случае, если из-за занятости верхнего яруса другой особью невозможно увеличение высоты рассматриваемой особи.

Перечисленный набор положений достаточен для получения непрерывно меняющейся во времени мозаики локальных неоднородностей пространства. Характер этой мозаики и ее динамики будут зависеть от ограничений, которые накладываются на линейные размеры ячеек, длительность существования каждого состояния, величины циклов, направления переходов из одного состояния в другое. Именно в таких ограничениях отражаются видоспецифичные различия габитуальных, онтогенетических и экологических параметров древесных видов.

Учитывая, что закономерности развития многовидовой разновозрастной древесной синузии характеризуется большим количеством параметров, которые, как правило, выражены в форме таблиц, графиков и элементарных математических зависимостей, а процесс учета межвидового биологического и экологического взаимодействия плохо подвергается формализации и требует проверки многочисленных логических условий и ограничений, для решения поставленной задачи был выбран метод численного имитационного моделирования. Выбору данного метода способствует также и то, что модель предопределяет рекуррентность алгоритма расчета параметров прогноза развития древесной синузии, т. е. состояние отдельных особей (и элементов пространства этой синузии) в любой момент времени определяются с учетом состояния в предыдущий момент.

2.3.3. Математическая постановка задачи.

Основная цель моделирования - получить прогноз развития видового состава, демографического строения и основных лесотаксационных показателей (количества стволов на единицу площади, средних значений запасов, высот, диаметров, площадей крон для разных возрастных состояний) лесного ценоза для первичных единиц учета лесного фонда (таксационных выделов) на заданный момент времени с учетом экзо- и эндогенных воздействий.



Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 11 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.