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 || 3 | 4 |   ...   | 5 |

«УЧРЕЖДЕНИЕ РОССИЙСКОЙ АКАДЕМИИ НАУК СИБИРСКОЕ ОТДЕЛЕНИЕ РАН МОДЕЛИ ИЗМЕНЕНИЯ БИОСФЕРЫ НА ОСНОВЕ БАЛАНСА УГЛЕРОДА (ПО НАТУРНЫМ И СПУТНИКОВЫМ ДАННЫМ И С ...»

-- [ Страница 2 ] --

красная – суммарная динамика NPP бореальных лесов;

зеленая – Суммарная динамика NPP от 30° С.Ш. до 90° С.Ш.

Рис. 2.1.2. Временные ряды NPP 2000-2010 гг. (Гт С/год).. Временной интервал – 1 год.

Синяя кривая – Глобальная суммарная динамика NPP;

красная – суммарная динамика NPP от 30° С.Ш. до 90° С.Ш.;

зеленая – суммарная динамика NPP бореальных лесов, леса степи поток углерода, ГтС/год июль июль июнь июнь январь февраль октябрь ноябрь январь февраль октябрь ноябрь январь март март август август май май апрель декабрь апрель декабрь сентябрь сентябрь - - - Рис.2.1.3. Полученные в модели сезонные изменения суммарного потока углерода из степей и бореальных лесов.

Тем самым показано, что суммарный вклад бореальных лесов в амплитуду сезонных колебаний атмосферной концентрации углерода составляет ~40% от вклада степей при шес тикратном превышении по биомассе.

Используемые источники 1. Monteith J.L. Climate and the efficiency of crop production in Britain //Philosophical Transaction, Royal Society of London, V. 281. p. 277-294, 1977.

Landsberg J. Physiological ecology of forest production. – London: Academic Press, 198 pp., 2.

3. Prince S. D., Goward S. N., Global primary production: a remote sensing approach. Journal of Biogeography 22, 815-835, 1995.

4. Cramer W., Kicklighter D.W., Bondeau A. et al. Comparing global models of terrestrial net primary productivity (NPP): Overview and key results. Global Change Biology.– № 5 (Suppl.), p. 1-15, 1999.

5. Zhao M., Running S. W., Drought-Induced Reduction in Global Terrestrial Net Primary Production from Through 2009. Science, Vol. 329, 940-943, 2010.

6. Ryan, M. G.: Effects of climate change on plant respiration, Ecol. Appl.,1, 157–167, Барталев С.А., Белвард А.С, Ершов Д.В., Исаев А.С. Карта наземных экосистем Северной Евразии по дан 7.

ным SPOT-Vegetation. Проект Global Land Cover 2000. Информационная система TerraNorte. Институт космических исследований РАН, 2004. http://terranorte.iki.rssi.ru.

2.2. Моделирование сезонных изменений потока углерода через бореальные леса, яв ляющиеся главными источниками сезонных изменений и наземными аккумуляторами углерода Осуществлено моделирование сезонных изменений потока углерода через бореальные леса, являющиеся главными источниками сезонных изменений и наземными аккумуляторами углерода. Получена оценка вклада бореальных лесов в биосферную динамику углерода (ИБФ СО РАН, ИВМ СО РАН, ИЛ СО РАН).

Собрана база данных по натурным характеристикам компонентов бореального леса в точках (56о с.ш., 92о в.д.), (57о с.ш., 93о в.д.), (60о с.ш., 89о в.д.), (65о с.ш., 89о в.д.), (68о с.ш., 86о в.д.). В базе представлены следующие породы – сосна, лиственница, береза, пихта. Для создания базы данных использовались следующие характеристики:

Состав пород древостоя северной средней и южной тайги.

Данные по запасу и структуре органического вещества биомассы древостоя.

Данные полевых экспериментов по изменению содержания углерода в гумусе.

Данные полевых экспериментов по интенсивности выхода СО2 при разложении подсти лок.

Проведена верификация и точная настройка математической модели экосистемы боре альных лесов Восточной Сибири, представляющей собой систему дифференциальных урав нений, с дополнительными условиями, накладывающимися на параметры. Модель описыва ет основные процессы в массообмене бореального леса, позволяющие исследовать поведение системы, не превращая в то же время ее в сложную для анализа имитационную модель – фо тосинтез, дыхание, сезонные изменения активной фитомассы. Кроме данных по натурным характеристикам бореального леса использовались климатические параметры из базы дан ных метеорологической службы (http://meteo.infospace.ru) за период 1999-2009 годов, нахо дящиеся в свободном доступе – такие, как годовая и суточная динамика температуры, осве щенности и влажности. Эти факторы являлись входными параметрами модели, влияющими на ростовые характеристики древостоя.

Поскольку данные базы данных метеорологической службы в ряде случаев прерыви сты, а для использования в математическом модели необходимы непрерывные ряды пара метров, было произведено восстановление данных в метеотаблицах с помощью нейросете вых методов (рис. 2.2.1).

В математическом отношении, модель для заполнения пробелов в метеотаблицах осу ществляет нелинейную многомерную регрессию с регулируемой гладкостью. В качестве ин терполирующего используется один из вариантов многомерных представлений в виде инте гралов Фурье, с заменой интегралов конечными суммами. Набор подстраиваемых коэффици ентов модели содержит параметры оптимального конечного Фурье-представления, размер его соответствует количеству гармоник. При оптимизации используется метод быстрого вы числения многомерных сопряженных градиентов, квазиньютоновская оптимизация шага из менения коэффициентов.

Рис. 2.2.1. Пример восстановления метеоданных нейросетевыми методами.

1 – исходные данные;

2 – восстановленные данные.

Проблема плохой обусловленности решалось подбором регуляризационных парамет ров (гладкостью и количеством гармоник) таким, чтобы устойчивое локальное решение оп тимизационной задачи соответствовала наименьшему отклонению на тестовой выборке.

Для нахождения уровня облачности модель строилась таким образом:

1. Выбрасывались все строчки таблицы с неизвестным баллом облачности 2. Из оставшихся строчек формировалась обучающая выборка и тестовая выборка, так же содержащая по нескольку примеров для облачности каждого уровня 3. Модель обучалась на обучающей выборке, проверялась на тестовой;

для тестовой вы борки среднее абсолютное отклонение составило менее одного балла 4. Для всех строк с неизвестным баллом облачности были высчитаны модельные значе ния.

Наиболее значимым параметром для восстановления облачности явилась ее высота нижней границы.

Для восстановления температуры проводились следующие действия:

1. Выбрасывались все столбцы таблицы, кроме температуры, даты и времени.

2. Строилась регрессионная зависимость температуры от дня в году и времени суток, также с проверкой на тестовой выборке.

3. Для всех нужных временных точек получали смоделированную температуру воздуха.

Модель бореального леса была настроена, включая входные параметры температуры, освещенности и влажности, для пяти экспериментальных точек на территории Красноярско го края с различным составом пород древостоя по данным ИЛ СО РАН. Для этих точек так же рассчитана динамика баланса СО2 в системе. Пример модельных расчетов приведен на рис. 2.2.2. Верифицированная модель способна рассчитывать изменения фитомассы древо стоя и запасов углерода почвы при возможных будущих изменениях температуры, влажно сти и освещенности, суточный и годовой баланс эмиссии и стока CO2. Изменяя состав пород древостоя и входные климатические параметры, можно получить расчетный баланс динами ки СО2 для любой точки бореальных лесов Восточной Сибири.

С помощью модели рассчитаны потоки и общий баланс углерода между атмосферой и наземной экосистемой за годовой период для древостоя сосняка зеленомошного различных возрастов в районе станции высотной мачты «Зотино» (60о с.ш., 89о в.д.). Входными пара метрами модели, влияющими на ростовые характеристики древостоя, являлись реальные ди намики температуры, освещенности и влажности за 2009 год.

Проведено сравнение величин месячного стока углерода для летних месяцев по данным, полученных с помощью трех методов – наземных измерений (ИЛ СО РАН), данных станции высотной мачты Zotto, обработанных методом баланса атмосферного пограничного слоя (ИВМ СО РАН) и модели бореального леса для сосняков зеленомошных разного возраста для точки (60о с.ш., 89о в.д.) (ИБФ СО РАН). Показано (рис. 2.2.3), что все три метода дают близкие значения величин стока углерода.

а б Рис. 2.2.2. Пример модельных расчетов. а – Динамика прироста общей фитомассы древостоя сосны за год.

1 – 60° с.ш. 89° в.д., 2 – 56° с.ш. 92° в.д.;

б – Баланс CO2 в системе бореального леса в пункте (60° с.ш., 89° в.д.).

Динамика за год.

gССО2 m-2 month- 0 20 40 60 80 100 июнь июль 1 август 3 Рис. 2.2.3. Величины стока углерода в экосистеме бореального леса (60о с.ш., 89о в.д.) за летние месяцы 2009 года согласно разным методикам. 1,2.3 – расчет по модели бореального леса для сосняков зеленомошных возраста 20, 55 и 90 лет соответственно. 4 – оценка методом баланса атмосферного пограничного слоя.

Видно, что для региона, в котором основную долю составляет молодой лес, в летний пе риод сток углерода может достигать до 120 грамм на квадратный метр в месяц. Близость ре зультатов, полученных методом баланса атмосферного пограничного слоя к результатам, по лученных на модели бореального леса для возрастов древостоя 20 и 55 лет, должна отражать большое количество леса молодого возраста в регионе, что в целом соответствует реальной картине распределения возрастов.

2.3. Калибровка локальной сезонной и поширотной модели почвенного дыхания на ос нове цифровых карт почв России Получена нейросетевая педотрансферная функция содержания органического углерода в почве, необходимая для калибровки локальной сезонной и поширотной модели почвенного дыхания и получена оценка ее сложности (работа выполнена в ИБФ СО РАН и ИЛ СО РАН совместно ИФХиБП РАН).

Задачи прогнозирования реакции почвенного покрова на внешние воздействия приобретают особую актуальность в условиях глобального изменения климата. Однако построение математических моделей, описывающих динамику почв, осложнено отсутствием данных о реальной динамике почвенных показателей на протяжении характерных времен порядка 500 лет. Кроме того, модели почвообразования, как правило, содержат значительное количество параметров. Но чем проще математическая модель, описывающая реальную систему, тем больший вклад она вносит в понимание механизмов функционирования исследуемой системы и тем больше возможностей ее практического применения. Поэтому актуальна задача выбора минимально необходимого набора независимых факторов, позволяющего адекватно описывать почвенные процессы.

В почвоведении давно отмечается, что многие параметры, которыми описывается поч ва, взаимосвязаны и взаимозависимы. Для количественного выражения взаимосвязи пара метров почвы получил распространение подход, основанный на использовании педотранс ферных функций (ПТФ). В общем понимании этого термина, педотрансферными функциями называют всевозможные функции пересчета одних почвенных параметров (свойств предикторов) в другие почвенные параметры. Они широко применяются для расчета значе ний параметров почвы, прямое экспериментальное измерение которых затруднительно, по значениям более легко измеримых параметров [1-3].

Эффективным подходом к построению ПТФ является нейросетевой анализ [4-7]. Ней ронная сеть, после обучения на некотором наборе данных, содержащих значения свойств предикторов и соответствующие им значения предсказываемых свойств, работает как ПТФ, позволяя по значениям предикторов на входе получать на выходе значение предсказываемо го свойства.

Применение нейронных сетей для вычисления содержания органического вещества в почве по другим почвенным данным и параметрам окружающей среды описано в ряде ра бот [8-11]. В качестве исходных данных для вычисления содержания органического вещест ва используются различные наборы показателей: собственно почвенные показатели, клима тические и топографические характеристики местности, спектроскопические данные. Однако в этих работах задача определения минимального набора предикторов и минимального числа нейронов сети не ставилась. В то же время эти показатели дают пусть не совсем формализо ванную, но достаточную для сравнительного анализа оценку сложности искомой ПТФ. А зная минимальную сложность ПТФ, можно ориентировочно предсказать сложность матема тической модели формирования почвы.

Высокая эффективность нейронных сетей при построении ПТФ естественным образом объясняется тем, что они осуществляют многомерную нелинейную регрессию. Причем точ ность регрессии и аппроксимирующие возможности сети можно регулировать, изменяя ко личество формальных нейронов, используемых в вычислениях. В дополнение к эффективно сти нейронные сети позволяют определять значимость свойств-предикторов для вычисления искомого свойства и ранжировать свойства-предикторы по значимости. Именно эти причины обусловили применение нейронной сети для достижения цели данной работы – получения количественной оценки сложности взаимосвязи почвенных параметров в базах почвенных данных и редукции числа входных данных до минимального.

В работе использованы две разномасштабные базы данных, отличающиеся принципом их формирования. База данных почв европейской части РФ (БД ЕТР) синтезирована на осно ве почвенной карты FAO (Food and Agriculture Organization of the United Nations) и литера турных данных и насчитывает более 7 тысяч записей по 16-ти содержательным полям [12].

Электронная версия этой базы данных была предоставлена ИФХиБПП РАН для выполнения исследований по Конвенции о трансграничном загрязнении воздуха на большие расстояния (Convention on LRTAP;

http://www.rivm.nl/cce).

База данных почв южной части Московской области (БД МО) составлена по результа там полевых и химико-аналитических исследований в ИФХиБПП РАН и включает около записей для 12 показателей.

В данной работе использована нейросетевая надстройка к MS Excel, разработанная в Институте биофизики СО РАН. Функционирование сети описывается следующим выраже нием:

yk ak sin xij Aj bik ck, (1) i j где {yk} – множество выходов нейронной сети;

{Аj} – множество входов;

{xij}, {bik}, {ak}, {ck} – множество подстраиваемых параметров нейронной сети;

k – номер выхода нейронной сети;

i – номер нейрона;

j – номер входа нейронной сети.

Оценка вклада конкретного входа в выходное значение сети это сумма квадратов ко эффициентов хij по всем нейронам, т.е. по i.

Редукция количества входных показателей (предикторов) осуществлялась следующим образом. Используемая программа производит оценку значимости каждого из входных пока зателей для получения оценки. Это позволяет последовательно устранять наименее значи мые показатели простым удалением соответствующего столбца данных из таблицы Excel.

При этом, конечно, наблюдается некоторое ухудшение качества прогноза (формально соот ветствующее росту целевой функции) на каждом из шагов редукции, что компенсируется дополнительным обучением нейронной сети. Эта процедура продолжается до тех пор, пока качество прогноза остается на приемлемом уровне.

На графике (рис. 2.3.1,А) приведен результат сопоставления данных БД ЕТР для пока зателя Cpool (запасы органического вещества) с «прогнозом» нейронной сети в случае исполь зования всех показателей, приведенных в базе данных. Оказалось, что для реализации ПТФ требуется всего два нейрона. Очень хорошее качество описания данных указывает на воз можность уменьшения числа учитываемых параметров.

Поскольку начальное состояние весовых коэффициентов нейронной сети задается ге нератором случайных чисел, то при каждом новом запуске алгоритм обучения начинает ра боту с новых начальных условий. В случае взаимозависимости входных показателей это приводит к формированию нейронных сетей с различными конфигурациями весовых коэф фициентов и к выделению разных наборов значимых входных показателей. На рис. 2.3.2 в качестве иллюстрации приведены гистограммы относительного вклада почвенных показате лей в оценку запасов органического вещества в почве. Уже по виду гистограмм (рис. 2.3.2,А и 2.3.2,В) можно сделать вывод, что количество входных показателей можно свести как ми нимум к четырем. В итоге последовательной редукции количество входных показателей уда лось уменьшить до двух-трех (в разных сочетаниях) без существенного уменьшения качества прогноза. Полученное качество описания для одного из сочетаний можно оценить по графи ку (рис. 2.3.1,Б).

прогноз прогноз данные данные Рис. 2.3.1. Проверка качества описания данных (Cpool, г/м ) нейронной сетью:

А – для 16 показателей;

Б – для 2 показателей СEC (емкость катионного обмена) и lgKAlBc (константа обмена между катионами Al и Bc=Ca+Mg+K).

Существенная редукция входных показателей позволяет представить зависимость меж ду запасом углерода и этими показателями графически, например, в виде семейства кривых (рис. 2.3.3). Из рисунка видно, что ПТФ для выбранных предикторов и оцениваемой величи ны является очень простой и вся база данных РФ (БД ЕТР) в отношении выбранных пара метров может быть заменена несложной формулой.

0. 0. A) 0. вклад в прогноз 0. 0. 0. 0. 0. 0. 0. fde CEC EBC rho Lon Qle BCdep BCwe Lat Nupt CNrat Bcupt lgKAlox cOrgacids lgKHBc lgKAlBc почвенные показатели 0. Б) 0. вклад в прогноз 0. 0. 0. 0. 0. fde CEC EBC rho Lon Qle BCdep BCwe Lat Nupt CNrat Bcupt lgKAlox cOrgacids lgKHBc lgKAlBc почвенные показатели 0. В) 0. вклад в прогноз 0. 0. 0. 0. fde CEC EBC rho Lon Qle BCdep BCwe Lat Nupt CNrat Bcupt lgKAlox cOrgacids lgKHBc lgKAlBc почвенные показатели Рис. 2.3.2. Гистограммы вклада входных показателей в оценку Cpool (запасы органического вещества) для разных реализаций процедуры обучения нейронных сетей из разных начальных состояний.

1.2 1. Запасы углерода 50 100 150 200 Емкость катионного обмена почв Рис. 2.3.3. Зависимость между запасами углерода в почве и емкостью катионного обмена и коэффициентом lgKAlBc (значения lgKAlBc приведены рядом с соответствующими им кривыми).

Помимо редукции данных, в прогнозных моделях желательно, чтобы в качестве вход ных параметров использовались относительно доступные данные, например, метеорологиче ские данные. Метеоданные были получены с сайта Climatic Research Unit, University of East Anglia (http://www.cru.uea.ac.uk). Поскольку координаты в почвенной базе данных, как пра вило, не совпадают с координатами метеорологической базы данных, то среднемесячные температуры и влажности заданной географической точки вычислялись как линейные ин терполяции по трем ближайшим точкам климатической базы данных.

При редукции расширенной базы данных, полученной дополнением исходной БД ЕТР стандартными климатическими показателями (среднемесячными значениями температуры воздуха и осадков), оказалось, что только климатических показателей не достаточно для оценки содержания органического углерода в почве. Среди входных показателей обязатель но должны присутствовать некоторые из почвенных показателей. Однако климатические данные могут заменить собой некоторые почвенные показатели. Так на рис. 2.3.4 приведена гистограмма вклада входных показателей в оценку Cpool, причем в их состав входят два поч венных показателя: rho – объемный вес почвы и lgKAlBc – константа обмена между катионами Al и Bc=Ca+Mg+K.

Важно отметить, что только этих двух почвенных показателей не достаточно, чтобы получить качественные оценки Cpool – необходимо дополнительно использовать либо lgKHBc – константу обмена между H и Bc, либо BCwe – внутрипочвенное выветривание ос новных катионов (Ca, Mg, K, Na). Замена одного почвенного показателя на климатические данные позволяет получить требуемую оценку с хорошей точностью (рис. 2.3.5). Однако для этого пришлось использовать четыре нейрона, то есть выявление закономерности между климатическими показателями и пока неизвестным почвенным показателем привносит до полнительную сложность в ПТФ. Если использовать в качестве единицы измерения сложно сти количество нейронов, необходимых для представления закономерности, то, грубо гово ря, переход к климатическим показателям удваивает сложность ПТФ.

Но при этом количество нейронов, требуемое для реализации ПТФ возросло с двух до четырех. При этом минимальные наборы параметров могут быть различными, что указывает на взаимозависимость показателей, и, значит, приводит к задаче выбора оптимального набо ра входных параметров (рис. 2.3.7).

0, 0, вклад в прогноз 0, 0, 0, lgKAlBc Tmay Wjul Waug Wnov rho Wfeb Tmar Tjul Tjan Toct Tapr Tnov Tdec Tsep входные показатели Рис. 2.3.4. Комбинация почвенно-климатических показателей, выбранных нейронной сетью для прогноза. Входные показатели: rho – объемный вес почвы;

lgKAlBc - константа обмена между катионами Al и Bc=Ca+Mg+K);

Tm - среднемесячные температуры;

Wm – месячное количество осадков;

m – сокращенное название месяца.

прогноз данные Рис. 2.3.5. Диаграмма соответствия «данные – прогноз» для показателей, указанных на рис. 2.3.4.

R2 = 0. R2 = 0. прогноз прогноз данные данные Рис. 2.3.6. Сравнение качества ПТФ для (Cорг, %), реализованных нейронной сетью:

А – для 12 показателей;

Б – для 3 показателей (глубина, Са++, текстура).

3. 0. относительная значимость 0.7 R2 = 0. 0. 2. 0. прогноз 0. 1. 0. 0. 0. 0. 0 глубина Ca++ Na+ 0 0.5 1 1.5 2 2.5 3 3. данные входные показатели 3. 0. относительная значимость 0. R2 = 0. 2. 0. прогноз 0. 1. 0. 0.1 0. 0 текстура глубина Ca++ 0 0.5 1 1.5 2 2.5 3 3. данные входные показатели Рис. 2.3.7. Комбинации значимых входных показателей (слева) и соответствующие им диаграммы соответствия (справа).

Полученные результаты указывают на возможность представления выявленных зави симостей (ПТФ) в виде относительно простых математических формул вида (1). В свою оче редь это дает основание рассчитывать, если не на простоту возможной математической мо дели формирования почвы, то на простой вид зависимости стационарных состояний этой модели от рассмотренных параметров. Оценка сложности представления стационарного со стояния требуемого почвенного показателя важна, поскольку может служить эвристической подсказкой при построении математической модели формирования почвы.

Используемые источники 1. Шеин Е.В., Архангельская Т.А. Педотрансферные функции: состояние, проблемы, перспективы. Почвоведе ние. 2006. №10. C. 1205-1217.

2. Wsten, J.H.M., Pachepsky Ya.A., Rawls W.J. Pedotransfer functions: bridging the gap between available basic data and missing soil hydraulic characteristics. Journal of Hydrology. 2001. V. 251. P. 123-150.

3. Minasny B. Predicting soil properties. Jurnal Ilmu Tanah dan Lingkungan. 2007. V. 7. № 1. P. 54-67.

4. Мердун Х. Альтернативные методы построения педотрансферных функций для гидрофизических почвен ных характеристик. Почвоведение. 2010. №1. С. 71-82.

5. Minasny B., McBratney A.B., Bristow K.L. Comparison of different approaches to the development of pedotransfer functions for water-retention curves. Geoderma. 1999. V. 93. P. 225-253.

6. Sarmadain F., Taghizadeh Mehrjardi R. Modeling of some soil properties using artifical neural network and multi ple regression in Gorgan Province, North of Iran. Global Journal of Environmental Research. 2008. V. 2(1).

P. 30-35.

7. Keshavarzi A., Sarmadian F. Comparison of artifical neural network and multivariate regression methods in predictiong soil cation exchange capacity. International Journal of Environmental and Earth Sciences. 2010. V. 1:1.

P. 25-30.

8. Ingleby H.R., Crowe T.G. Neural network models for predicting organic matter content in Saskatchewan soils. Ca nadian biosystems engineering. 2001. V. 43. P.7.1-7.5.

9. Mouazen A.M., Kuang B., De Baerdemaeker, Ramon H. Comparison among principal component, partial least squares and back propagation neural network analyses for accuracy of measurement of selected soil properties with visible and near infrared spectroscopy. Geoderma. 2010. V. 158. P. 23-31.

10. Parvizi Y., Gorji M, Mahdian M.H., Omid M. Sensitivity analysis for determining priority of factors controlling SOC content in semiarid conditions of West of Iran. World Academy of Science, Engineering and Technology.

2010. V. 71. P. 927-931.

11. Ayoubi S., Karchegani P.M., Determination the factors explaining variability of phisical soil organic carbon frac tions using artifical neural networks. International Journal of soil science.

http://scialert.net/qredirect.php?doi=ijss.0000.33577.33577&linkid=pdf.

12. Posch M., Reinds G.J., Slootweg J. (2003) The European background database. In: Modelling and mapping critical thresholds in Europe. CCE Status Report 2003. RIVM Report 259101013/2003, Bilthoven, Netherlands. P. 37-44.

2.4. Животные в круговороте углерода в наземных экосистемах В НГУ выполнена оценка роли животных в потоках углерода в наземных экосистемах.

Ведущую роль в биологическом круговороте углерода в наземных экосистемах играют растения, а также другие фотосинтезирующие организмы. Кроме того, велико значение та ких групп редуцентов, как бактерии и грибы. Естественно, встает вопрос о месте в данном круговороте настоящих животных (Metazoa) (конечно, за исключением человека) – группы живых существ, характеризующейся самым высоким уровнем выявленного таксономическо го разнообразия. Согласно классическим экологическим представлениям, восходящим к ра ботам первой половины XX в. (Lindeman, 1942), роль консументов-фитофагов незначитель на: судя различным данным, они потребляют не более 10 % чистой первичной продукции, при этом одна часть углерода выделяется при дыхании в виде углекислого газа, а другая – либо входит в состав мортмасс, либо может накапливаться в виде карбонатных скелетных образований. Непосредственные оценки для ряда почвообитающих животных показывают, что потребляемый ими углерод затрачивается на формирование продукции (0,6 г/м2), дыха ние (0,9), выделение (2,8) [Sohlenius, 2006]. Суммарный вклад животных в так называемое дыхание почвы оценивается всего в 3% [Пулы и потоки..., 2007].

Достаточно сложно оценить косвенный вклад животных в круговорот углерода в на земных экосистемах. Разрушение фитомассы во многих случаях облегчает доступ бактерий и грибов и, соответственно, влияет на скорость оборота. Более того, известно, что в пищевари тельных трактах некоторых животных растительные остатки обогащаются витаминами группы B [Стебаев, 1968]. Деятельность животных-педобионтов способствует фиксации уг лерода в почве. Некоторые из них (главным образом дождевые черви) могут обеспечивать его перенос в более глубокие почвенные горизонты. Продемонстрированы существенные различия между разными группами животных: так, дождевые черви утилизуют органику медленнее, но эффективнее, чем другие группы почвообитающих животных (ногохвостки и клещи) [Fitter et al., 2005]. Прослеживается и ярко выраженная видовая специфика. Кроме того, поступление углекислого газа в почвы (в том числе за счет дыхания животных) и его последующее растворение приводит к разрушению некоторых типов подстилающих горных пород и накоплению (и частичному выносу в водоемы) карбонатов [Lovelock, 1988].

Массовые размножения вредителей могут существенно модифицировать перераспреде ление углерода на обширных территориях. Имеющиеся оценки показывают, что вклад таких вспышек в эмиссию углекислого газа невелик (для России – около 0,5 %) [Пулы и потоки..., 2007]. Вместе с тем быстрое разрушение значительной часть зеленой фитомассы (в некото рых случаях до 100 % на протяжении недель) должно приводить к интенсификации накопле ния мортмасс и последующему выведению углерода в почвенный пул.

Оценка возможной роли животных в потоках углерода в наземных экосистемах мира.

Анализ созданной ранее базы данных по биомассам живых организмов в основных ти пах наземных экосистем мира [Природные ресурсы антропосферы..., 2002] позволяет выде лить основные закономерности распределения запасов углерода в животных, обитающих в экосистемах суши. Принято, что содержание углерода в воздушно-сухой биомассе живот ных составляет 50 % [ср. Bowen, 1966;

Романкевич, 1988 и др.].

Значительные количества углерода в биомассе животных свойственны лесным суббо реальных и субтропическим экосистемам, а также некоторым типам прерий (420-560 кг/га), несколько меньшие запасы типичны для остальных лесных экосистем, еще меньше углерода сосредоточено в животных, обитающих в степях, на болотах и в поймах. Минимальные зна чения выявлены в пустынных экосистемах (5-6 кг/га).

По соотношению углерода в фито- и зоомассе основные типы экосистем в первом при ближении могут быть разделены на три группы: 1) доля углерода, запасенного в зоомассе, превышает 1 % (это в первую очередь степные и прерийные экосистемы, а также некоторые варианты пустынь);

2) эта величина значительно меньше 1 %, но больше или равна 0,1 % (основная часть экосистем);

3) доля углерода существенно меньше 0,1 % (бореальные, суб бореальные и тропические леса, а также некоторые пойменные, болотные и пустынные эко системы). Такое распределение представляется естественным, поскольку в первом случае многолетние запасы биомассы минимальны, а в последнем – максимальны.

Интересно также соотношение по запасам углерода почвообитающих и надземных групп животных. Значительная часть наземных экосистем характеризуется господством поч вообитающих форм. Противоположная ситуация типична для болот и пойм, а также некото рых вариантов степей и сухих лесов. Вероятнее всего, в данном случае проявляется неблаго приятность условий для развития педобионтов. Есть и экосистемы, в которых соотношение запасов углерода в почвенно-подстилочных и надземных горизонтах примерно одинаково.

Это в первую очередь леса суббореального, тропического и экваториального поясов, а также саванны.

Таким образом, роль животных в круговороте углерода в общем незначительна. Вместе с тем косвенные эффекты их участия в переработке фитомассы могут быть гораздо более существенными, хотя и трудно оцениваемыми с количественной точки зрения. Особенно за метной роль животных может быть в некоторых типах наземных экосистем, которые и за служивают более тщательного исследования в этом аспекте.

Хортобионтные членистоногие в наземных экосистемах Западно-Cибирской равнины:

оценки запасов углерода.

Кроме беспозвоночных, участвующих в деструкционных процессах, очевидно, во мно гих экосистемах заметную роль играют членистоногие, обитающие в травяном ярусе (хорто бионты). Основные особенности оценки воздушно-сухой биомассы животных, характер и объем использованных оригинальных и опубликованных материалов описаны ранее [Ин формационная теория..., 1999;

Сергеев, Молодцов, 2004]. По сравнению с созданной на пре дыдущем этапе базой данных по экосистемам Западно-Сибирской равнины выделены члени стоногие-хортобионты. Анализ созданной базы данных по биомассам живых организмов в основных типах наземных экосистем Западно-Сибирской равнины [Информационная тео рия..., 1999;

Сергеев, Молодцов, 2004;

Природные ресурсы..., 2007] позволяет выделить ос новные закономерности распределения запасов углерода, накапливаемого местными члени стоногими-хортобионтами.

Рис. 2.4.1. Распределение запасов углерода в наземных беспозвоночных (без учета дендро- и тамнобионтов) в Западной Сибири.

Табл. 2.4.1. Оценки запасов углерода (кг C/га) в хортобионтных членистоногих основных экосистем Западно-Сибирской равнины.

Зональные экоси- Азональные экосисте- Сельскохозяйст стемы мы венные угодья все членисто все членисто все членисто только пря только пря только пря Зона или подзона мокрылые мокрылые мокрылые ногие ногие ногие Арктическая — — — — 0,6 0, Субарктическая — — — — 0,5 0, Лесотундра — — — — 2,6 2, Северная тайга — — — — 2,6 0, Средняя тайга — — — — 2,0 0, Южная тайга — 5,1 0,2 3,2 0,2 4, Подтайга 98,0 0,4 35,8 0,2 109,18 0, Лесостепь 11,4 0,5 29,9 0,1 62,92 0, Луговостепная 33,3 0,6 10,8 0,1 70,7 0, Степь 78,4 0,8 10,8 0,1 78,4 0, В зональных экосистемах прослеживается довольно четкая тенденция нарастания сред них запасов углерода с юга на север, причем она прослеживается как для всех членистоно гих, так и только для прямокрылых насекомых (рис. 2.4.1, табл. 2.4.1). Вместе с тем в первом случае картина отклоняется от идеальной: максимальное значение (98 кг C/га) этого показа теля выявляется в подтайге. Судя по всему, в этой полосе условия для существования хорто бионтов в целом оптимальны: богатый и нередко высокий травостой, сравнительно длинный теплый сезон, достаточное для развития таких животных количество тепла и осадков.

В азональных экосистемах (главным образом пойменные луга и болота) ситуация более сложная: на севере равнины запас углерода несколько увеличивается в лесотундрах, затем он уменьшается и снова увеличивается в подтайге. В лесостепных и степных районах данный показатель уменьшается. В то же время, запас углерода в прямокрылых практически не из меняется.

В сельскохозяйственных угодьях (преимущественно различные поля) прослеживается максимум в подтайге, южнее (в лесостепи) запасы углерода сокращаются, а затем увеличи ваются. Вклад прямокрылых в эти запасы, по-видимому, остается неизменным.

Судя по соотношению запасов углерода в травостое (оцененного по соответствующим величинам фитомассы [Природные ресурсы..., 2007]) и в хортобионтных членистоногих, участие последних в круговороте этого элемента можно считать сравнительно незначитель ным: их доля в большинстве сопоставляемых зон и подзон значительно меньше 0,01. Только в степях, подтайге и тундрах данный показатель выше, причем если в первом и последнем случае он составляет 0,01–0,03, то в подтайге он весьма значителен (0,16).

Вклад прямокрылых насекомых сравнительно невелик. Только в районах с преоблада нием различных типов степей, в том числе луговых, на них приходится несколько процентов суммарного содержания углерода в хортобионтных членистоногих. В общем, это соответст вует характеру распределения их численности и биомассы [Сергеев, 1989]. Вместе с тем в годы подъема численности запасы углерода, накапливающиеся в этих насекомых, могут зна чительно увеличиваться. Так, расчеты для лугово-степного участка, расположенного на юго западе Новосибирской обл. (окрестности с. Александровский), показывают, что этот показа тель в годы вспышки массового размножения итальянской саранчи может достигать 32–33 кг C/га, причем 2/3 этой величины обеспечено данным видом.

Таким образом, роль хортобионтных членистоногих в формировании пула углерода в экосистемах Западно-Сибирской равнины невелика. Ее обширная территория может быть расчленена на две большие части: северную и южную, граница между которыми проходит по стыку южной тайги и подтайги. В первом случае (т. е. в тундре и тайге) запасы углерода, со держащиеся в этих животных, обычно не превышают 10 кг C/га, во втором – они часто суще ственно больше этой величины. Судя по имеющимся данным, эта картина справедлива и для полевых ценозов. На юге Западно-Сибирской равнины довольно значительна роль прямо крылых насекомых, особенно саранчовых. На их примере хорошо прослеживаются возмож ные последствия резких нарастаний численности в годы вспышек массового размножения, когда в биомассе накапливаются значительные количества углерода. Это, в частности, может приводить к его перераспределению между экосистемами, поскольку нередко происходят перемещения стай насекомых на разные расстояния и в разных направлениях.

Вместе с тем сопоставление содержания углерода в биомассе трав и хортобионтных членистоногих не позволяет выявить всю специфику участия последних в круговороте дан ного химического элемента. Необходимо также сопоставление продукционных процессов, а также учет косвенных эффектов участия этих животных в переработке фитомассы (особенно ее разрушения). Подобное воздействие может быть очень существенным, хотя и трудно оце ниваемым с количественной точки зрения.

Таким образом, можно сделать вывод, что значительные количества углерода в био массе животных свойственны лесным суббореальных и субтропическим экосистемам, а так же некоторым типам прерий. Значительная часть наземных экосистем характеризуется гос подством (по запасенному углероду) почвообитающих форм. Роль хортобионтных членисто ногих в формировании пула углерода в экосистемах Западно-Сибирской равнины невелика.

Ее обширная территория может быть расчленена на две большие части: северную и южную, граница между которыми проходит по стыку южной тайги и подтайги.

Часть 3. Модель взаимодействия бореальных геосистем между собой и ре гиональной средой на территории Прибайкалья 3.1. Прогнозное моделирование и картографирование геосистем В ИГ СО РАН создана модель с пространственно распределенными параметрами в виде сети клеточных автоматов, имитирующих структуру взаимодействия бореальных геосистем между собой и региональной средой на территории Прибайкалья. Модель позволяет в авто матическом режиме составлять самоэволюционирующие карты состояния геосистем на фоне региональных климатических изменений. Модели клеточных автоматов дают возможность вычислять реакцию системы y на воздействие факторов, преломленных через среду системы.

На основе ландшафтной ГИС и разработанной методологии моделирования определены по казатели направления и интенсивности смены состояний геосистем Прибайкалья в результа те воздействия климатических факторов.

При моделировании динамики запасов растительного покрова используются методы динамического (эволюционного) картографирования, ГИС-технологий, космической инфор мации и методов ее обработки.

Эволюция картографического изображения построена на пространственно распреде ленных математических моделях, учитывающих различные формы связности географиче ских систем. Обычно эти модели создаются в виде систем дифференциальных уравнений пространственно-временной динамики геосистемных характеристик или во многом анало гичных им сети клеточных автоматов или нейросетевых моделей. Клеточный автомат (КА) является дискретной динамической системой, поведение которой полностью определяется в терминах закономерностей локальных взаимодействий ячеек сети (Тоффоли, Марголус, 1977). Преимущества моделей сетей КА для эволюционного картографирования состоят в учете пространственно-временной дискретности геоизображения территории, пространст венного взаимодействия выделов, изменения их индивидуальных характеристик и порого вых эффектов смены состояний.

КА задается геометрической и топологической структурой дискретного пространства, элементами которого являются клетки, а связи определяются межклеточными взаимодейст виями. Задаются пространственные координаты клеток и метрики межклеточного расстоя ния. Каждая клетка кодируется переменным значением, определяющим ее состояние. Сово купность состояний всех клеток структуры называется состоянием решетки и визуализиру ется картографически. Изменение состояния клеток задается правилами, реализуемыми с дискретным шагом по времени в форме итераций. Правила определяют новое состояние клетки в зависимости от ее текущего состояния и/или состояний клеток ее окружения.

ГИС-вариант фрагмента ландшафтной карты для горной территории южного Прибай калья (рис. 3.1.1,а) (Ландшафты…, 1977) представлен дискретными элементами-контурами групп фаций разной серийности (коренные, мнимокоренные и серийные), что характеризует состояния клеток геоизображения. Соответствующие участки ландшафта на местности взаи модействуют по горизонтали, вертикали и по иерархии соподчинения. В модели КА сово купность картографируемых клеток формирует иррегулярную сеть соседства (рис. 3.1.1,б).

Граф соседства отражает топологию ландшафтного пространства взаимодействия: контуры соответствую вершинам, связи – ребрам графа. Здесь два контура связаны ребром, если имеют общую границу. Каждое ребро интерпретируется как пара обратно направленных стрелок воздействия. Вес ребра характеризуется протяженностью общих границ пары сосед них контуров, вес стрелки – доля этой протяженности в общей длине границы контура, куда направлена стрелка.

Помимо типологической принадлежности на уровне группы фаций каждый контур ха рактеризуется длинной границ, общей площадью и переменными физико-географическими показателями, например высотой положения над уровнем моря, комплексно отражающей влияние разнообразных факторов.

а б Рис. 3.1.1. Фрагмент электронной карты ландшафтов Юга Восточной Сибири [10] (а) и граф смежности картографических контуров (б). Цифрами указаны порядковые номера контуров групп фаций.

Соседние контуры (ландшафтные выделы) взаимодействуют между собой латерально и в системе иерархического подчинения. Изменение состояния каждого контура, например, в условиях антропогенного воздействия, по цепи причинных связей сказывается на изменении состояний соседних контуров. Климатические колебания на уровне глобальных систем влияют на характеристики региональных и локальных подразделений географической среды.

Подобные влияния реализуются поэтапно и проявляются индивидуально в зависимости от особенностей латерально-иерархического окружения. На каждом шаге формируются новое состояние решетки и адекватная ей прогнозная карта.

Такая картографическая модель обладает всеми свойствами КА: 1) она представлена нерегулярной решеткой картографических контуров;

2) на решетке определена окрестность каждого контура из примыкающих к нему контуров;

3) определено множество состояний каждого контура;

4) описаны правила пространственной и иерархической связности, обла дающие свойством локальности, когда на каждую клетку влияют только клетки окрестности;

5) автомат работает итерационно, и результат каждой итерации выводится в виде новой кар ты состояния.

Требования локальности взаимодействия делает необходимым задание граничных ус ловий на границе решетки контуров. Лучше, если внешние влияния будут минимальны (рав ны нулю). Это достигается путем деления пространства территории на несколько несвязан ных (автономных) районов, разграниченных естественными рубежами (водоразделами и руслами рек). Тогда граф соседства распадается не несколько подграфов, не связанных реб рами. Участок южного Прибайкалья разграничивается хребтами гор Хамар-Дабана и Вос точных Саян (северные макросклоны), озером Байкал, руслами рек Ангары и ее притоков.

Здесь выделяется три относительно автономных района: 1) восточно-саянский;

2) хамар дабанский;

3) верхнеангарский правобережный. Далее подробно исследуется второй из них.

Формализованное по критериям КА картографическое изображение представляет со бой систему, развивающуюся по принципам эволюции географической среды, и чем более точно эти принципы отображены в правилах КА, тем корректней имитирует реальные про цессы такое геоизображение.

Клеточный конечный автомат – математический объект, заданный пятеркой множеств КA=(X,Y,Z,F,G), где X – конечное множество входных сигналов xiX (i – номер клетки (кар тографического контура), i=1,..,n);

Y – конечное множество выходных сигналов yiY;

Z – ко нечное множество состояний контуров карты ziZ;

F: X Z Z – функция перехода конту ров карты (fiF), сопоставляющая каждому текущему сочетанию (xi, zi) контура новое значе ние zi;

G: X Z Y – функция выходов карты (giG), преломляющая вход xi каждого конту ра через ее состояние zi в выход yi.

Все элементы множеств конечного автомата, а именно xi, yi, zi, fi, gi, могут являться на борами (векторами) нескольких переменных, например, xi={xij}, где xij – вход в i-й картогра фический контур из j-х контуров окрестности. Далее рассматривается упрощенный вариант модели с одной переменной состояния, одной переменной выходного сигнала, одинаковой для конкретной клетки по всем направлениям воздействия.

Необходимы три вида переменных высоты Z: z() – абсолютная высота местоположе ния геосистем в горном ландшафте, zi(t,) – текущее состояние геосистем i-й группы фа ций в разных местопоположениях ;

z0i – характеристика фаций i-й группы. На участке тер ритории z() в зависимости от особенностей климатического фона могут размещаться разные фации i с индексом z0i, однозначно выделяющие группу фаций по условиям местоположения из множества других фаций. Это может быть, например, высота местоположения, характер ная для группы фации в эпоху, предшествующую трансформации климата – оптимуму ее существования в этот период, своеобразный эталон для сравнения, модальная величина рас пределения этой группы фаций на территории. Текущее состояние геосистемы zi(t,) этого положения изменяется в результате изменения климатического фона и взаимодействия с со седними участками ландшафта. В интервале значений zi = z0i z0i геосистема сохраняет природные режимы, свойственные фации группы i;

за их пределами она переходит в фацию другой группы. Ширина природной ниши группы фации zi(t,) [zнi, zвi], где zнi = z0i - z0i – нижняя граница, zвi = z0i + z0i – верхняя граница существования.

Конкретная геосистема имеет фиксированное положение z(), а в ходе эволюции пере мещаются фации, занимая новые позиции в пространстве z, вытесняя другие фации. В ре зультате происходит смена фациального состояния конкретных геосистем. Этот процесс бу дет продолжаться до тех пор, пока фация определенного типа не достигнет вершин горной системы, а затем исчезнет из процесса, потеряв материальный носитель своего продвижения (геосистему). Иными словами, эволюционный процесс ограничен сверху некоторым значе нием высоты местоположения zi(t,) z=zm.

Текущее изменение состояния геосистемы zi(t) итеративно определяется функцией дей ствия fi:

zi(t) = zi(t+1) - zi(t) = fi[zi(t), xi(t)] (12) Действие fi() задается в форме:

fi ( zi, xi ) a ji z j z0 j b ji x j x0 j f 0i. (13) j j Коэффициенты aij и bij соответствуют весам воздействия окружающих геосистем (j) на данную i-ю геосистему. Значение f 0i учитывает влияние внешнего фона. Операция вида моделирует пороговое воздействие, например, zi z0i равно zi z0i в области существо вания zнi zi zвi геосистемы в состоянии i-типа;

при выходе за указанные границы она су ществует и воздействует как геосистема другого типа. Здесь реализуется ситуация, как при десятичном счете, когда в i-м разряде числа, прибавляя к 9 единицу получаем 10, т.е. увели чиваем следующий (i+1) разряд на 1, а, отнимая от 0 единицу, уменьшаем (i+1) разряд на 1;

в интервале значений zi (0, 9) между -1 и 10 скачкообразных изменений нет. В случае гео системной динамики процесс осложняется тем, что области существования различных типов геосистем накладываются друг на друга и переплетаются в пространственных взаимодейст виях, что заставляет различать движение «вправо» и «влево» и приводит к гистерезисному эффекту – неэквивалентности пути изменений системы в разных направлениях.

При извлечении конкретных правил работы КА из пространственной информации ис пользуются топографические, палеогеографические и ландшафтные данные и геоинформа ционные технологии. В уравнении (13) свяжем функции входа-выхода только с состоянием взаимодействующих геосистем zi, когда можно условно принять bij=0. Высотные характери стики выделов определяются в ГИС при совмещении контуров ландшафтной карты и цифро вой карты рельефа. Значение zi(t,) рассчитывается как средняя высота каждого контура.

Величина z0i находится как модальное значение распределения площади геосистем i-й груп пы фаций в регионе (Прибайкалье) по высоте местоположения z (Фролов, Черкашин, 2007).

Упорядоченная последовательность значений z0i фаций одного типа серийности дает пред ставление об допустимых интервалах изменчивости (zнi, zвi) каждой группы фаций. Коэффи циент взаимодействия aji находится по формуле aji= aiPji(Sj /Si ), где Sj, Si – площади взаимо действующих картографируемых выделов j и i, Pji – доля длины общей границы j и i от носительно общей протяженности границы выдела i (Pii=1).

Значение коэффициента влияния aii= ai=1/i отражает процесс саморегуляции геосисте мы i-го типа и связан с характерным временем i самовосстановления. Его значение опреде ляется по скорости смещения высоты положения снеговой линии h/t относительно ее со временного уровня для хр. Хамар-Дабан – h=1630 м (примерно h = 650 м за t= 1,5 тыс.

лет) (Плюснин, 2003). Расчеты дают = ht/h=3761 лет. При этом скорость смещения гра ниц по высоте равна f0i=h/t=0,43 м/год – оценка изменения регионального фона. При ре гиональном температурном высотном градиенте T=0,6С /100 м это соответствует потеп лению на 0,26С за сто лет. Эти значения определяют фоновое воздействие f 0i, сила которо го возрастает при увеличении темпов потепления.

В итоге оцениваются все коэффициенты соотношения (13), рассчитываются значения изменений состояния геосистем zi для каждого контура и создаются прогнозные карты тен денций возможных изменений ландшафтной структуры при разной скорости роста регио нального и глобального температурного фона. Прогноз строился на предположении, что в предшествующий началу потепления период ландшафты находились в равновесном состоя z нии f i i 0. Реализация этой гипотезы достигается путем введения поправок ki на i t i значения нормы kiz0j. Провинциальный коэффициент для хр. Хамар-Дабан ki=1,055, т.е. вы сотные границы для этой территории вследствие ее более южного положения находятся вы ше по склону гор, чем в среднем по Прибайкалью.

Расчеты показывают (см. рис. 3.1.2), что каждый ландшафтный выдел индивидуально реагирует на окружение и фоновое влияние. Гольцовые и подгольцовые геосистемы уступа ют место таежным. Последние способны продвинуться в горы только при положительном изменении климатического фона на величину не меньше 0,1С за сто лет. Различие скорости изменений от местоположения наглядно прослеживается на выделах ареала склоновых аль пинотипных геосистем (контуры 1, 11, 16, 18). Отмечается существенное отрицательное влияние на результаты расчета площади этих выделов (zi = –0,0028Si+1,026, R = –0,99). От сюда следует существование критической площади Siкр = 364 км2, при которой наблюдается динамическое равновесие zi = 0. Влияние текущего состояния геосистем на изменение со стояния менее значимо (zi = –0,00044zi + 1,487, R = –0,73, ziкр = 3380 м). Для всего многооб разия контуров ландшафтной карты такие линейные зависимости не выполняются в силу многоаспектности влияния географического окружения на эти изменения.


Клеточный автомат как математико-картографическая модель эволюции ландшафтов методически оправдывает себя, отображая пространственное распределение, а также связи контуров друг с другом и с изменениями климатического фона. Это инструмент для анализа локальных особенностей взаимодействия геосистем, корректировки параметров модели с учетом провинциальных особенностей. Такой подход позволяет перейти к эволюционному картографированию, когда карта-геоизображение заменяется клеточным автоматом, моделирующим природные взаимосвязи. Клеточная модель позволяет формализовать дискретное геоизображение, рассматривая его как объект математических преобразований при переходе от карты к карте не только в аспекте прогнозирования, но и в более широкой интерпретации ландшафтной карты, в карты нового тематического содержания, например при операционном картографировании, когда учитываются не только свойства геосистем каждого контура, но и взаимодействие контуров (географическое положение).

Рис. 3.1.2. Эволюционная карта тенденций изменения состояния контуров (zi, м/год) групп фаций участка северного макросклона хр. Хамар-Дабан при потеплении климата на 0,5С.

Разрабатывается методология автоматического расчета параметров динамики запаса углерода в геосистеме в зависимости от ее положения в структуре ландшафтной классифи кации с учетом современного состояния. В данной работе применяются модели классифика ции геосистем, функциональные модели и модели географических комплексов.

Используемые источники 1. Владимиров И.Н. Однозначность прогнозных динамических моделей как географическая проблема // Гео графия: новые методы и перспективы развития: Материалы XV конференции молодых географов Сибири и Дальнего Востока. - Иркутск: Изд-во Института географии СО РАН, 2003. - С. 155-157.

2. Владимиров И.Н., Чудненко А.К. Прогнозирование пространственно-временной динамики лесных ресурсов Иркутской области с использованием ГИС-технологий // Солнце, Земля, вода и энергия / Труды Восточно Сибирского отделения АПВН. - Вып.2. - Новосибирск: Наука, 2005. – С. 61-68.

3. Кутателадзе С.С. Анализ подобия и физические модели. – Новосибирск: Наука, 1986. - 296 с.

4. Черкашин А.К. Модель динамики лесонасаждений лесхоза и ее применение для решения прогнозных за дач // Планирование и прогнозирование природно-экономических систем. - Новосибирск: Наука, 1984. С. 69-81.

5. Тоффоли Т., Марголус Н. Машины клеточных автоматов. – М.: Мир, 1991. - 280 с.

6. Ландшафты юга Восточной Сибири (карта). М 1:1 500 000 / Авторы В.С. Михеев, В.А. Ряшин. – М.: ГУГК, 1977. – 4 л.

7. Фролов А.А., Черкашин А.К. Эволюционное картографирование изменчивости геосистем Предбайкалья // Устойчивое развитие территорий: теория ГИС и практический опыт, Т.II. – Ханты-Мансийск, 2007. С. 177-184.

8. Плюснин В.М. Ландшафтный анализ горных территорий. – Иркутск: Изд-во Института географии СО РАН, 2003. – 257 с.

9. Vladimirov I.N. Mapping of regenerative and age dynamics of taiga forests on the basis of remote sensing data, ge ographical knowledge and mathematical models // Journal of Remote Sensing (published by Chinese Academy of Sciences), 2007 Vol. 11, №5, 2007. - P. 732-744.

3.2. Оценка углеродного запаса и его изменения В ИГ СО РАН разработан алгоритм оценки территории Прибайкалья с учетом про странственного и классификационного положения геосистем и их свойств, проведено геоин формационное картографирование показателей углеродного баланса бореальных лесов в ус ловиях отсутствия непосредственного антропогенного влияния и незначительного изменения климатических характеристик.

Разработан алгоритм вычисления запаса углерода на основе данных ландшафтной классификации, высоты местоположения и запасов углерода на ключевых участках исследо вания. Реализована возможность экстраполяции данных и знаний на территорию, основыва ясь на идее информационной комплексности географических систем.

Для решения задач оценки углеродного баланса создавались и проверялись функцио нальные модели связи запасов углерода от высоты местоположения. Если эти связи регла ментируются общими закономерностями, то на основе принципов подобия (гомологии) име ется возможность одни кривые трансформировать в другие с учетом специфики местополо жения. Географические особенности места задаются размещением объекта в распределении географических явлений на территории по влияющему признаку, в частности, кривой встре чаемости ареалов геомов по градиенту высоты. Нормированные по отношению к моде и цен трированные относительно некоторой высоты, кривые распределений оказываются близки по форме, а нормированные значения функций распределений – пропорциональны. Это го ворит об общности действия законов географического варьирования признаков, когда основ ная площадь геомов данного вида концентрируется на высоте, соответствующей положению моды, а все отклонения связаны с различием экспозиции, составом материнских пород, влажностью почвы и т.д. Изучены закономерности распределения географических систем ранга геомов по высотному градиенту. Исследования проводились с использованием ГИС ландшафтной карты окружения оз. Байкал и цифровой карты рельефа. Предложена матема тическая модель функций отклика разных геосистем на влияние комплексных факторов сре ды (рис. 3.2.1). На основе полученных кривых распределений ареалов геомов по высоте до казано существование инвариантной функции отклика, обоснован ее аналитический вид и определены правила ее варьирования по географическим ситуациям в соответствие с корре лированным изменением коэффициентов функции.

При наличии подобных закономерностей требуется одну из этих кривых принять в ка честве базы сравнения (инварианта), а остальные восстановить с применением гомотопиче ских индексов.

Преобразованные значения высоты Преобразованые значения высоты Преобразованные значения встречаемости Преобразованые значения -2 -1,5 -1 -0,5 0 0,5 1 - встречаемости -2,50 -2,00 -1,50 -1,00 -0,50 0,00 0,50 1, - - - - - - - - - -7 - а б Рис. 3.2.1. Нормированные и центрированные логарифмические значения встречаемости различных геомов и линия тенденции их изменения по логарифму высоты (а), и сравнение этой тенденции (точки) с результатами расчета (б).

Рис.3.2.2. Зависимость суммарной фитомассы разных геомов Fmi (т/га) от модальной встречаемости Pmi (% на 100 м) геомов североазиатских гольцовых и таежных геосистем на территории. Линиями показана основная тенденция связи и доверительные интервалы (пунктир).

Распространяя этот результат на подобие разных функциональных связей Fi(x)/Fmi= Pi(x+x)/Pmi, можно решать различные задачи экстраполяции Fi (x) = FmiPi(x+x)/Pmi, для че го требуется знать модальные величины оцениваемых переменных Fmi, например, запас фи томассы по каждому геому. Для растительности геомов на основе литературных данных [Усольцев, 2001;

Тулохонов и др., 2006;

Кузьменко, 2004;

Кошурникова, 2007;

Плешиков и др., 2003;

Рамад, 1981] определялась характерная суммарная фитомасса Fmi, которая сравни валась с модальными значениями частотных распределений Pmi (рис. 3.2.2). Имеется разброс значений фитомассы, особенно по высокогорным ландшафтам. Ее наименьшие значения ли нейно возрастают с увеличением Pmi. Приняв эту тенденцию за основную и закономерно по лагая, что при Pmi=0 будет Fmi=0, ищем зависимость Fmi (Pmi) в виде пропорциональной связи Fmi = kPmi. Сначала определим коэффициент k для геомов со значениями Pmi30%: k=2,90,8.

Затем рассчитаем остальные величины k и отберем те, что достоверно (p0,99) попадают в указанный доверительный интервал [2,1;

3,7]. C учетом этих данных k = 2,980,26. Следова тельно, можем принять Fi(x) = kPi(x+x) и рассчитать высотное распределение фитомассы по распределениям площадей геомов по формуле Fi(x) = 2,98Pi(x). С учетом коэффициента 0, содержание углерода в фитомассе будет fi(x) = 1,34Pi(x). Для степных геосистем со сходными значениями Pmi между фитомассой степей и лесов имеется зависимость Fmi (степи) = (0,050,02)Fmi(леса). Тогда содержание углерода рассчитывается по формуле fi(x)ст = 0,067Pi(x).

Таким образом, для вычисления углеродного запаса в конкретном местоположении не обходимо для гольцовых и горнотаежных геосистем использовать ландшафтную карту с ареалами геомов (переменная i) и цифровую карту рельефа (переменная x). По этим парамет рам и имеющимся распределениям определяется величина Pi(x) (в процентах) и вычисляется содержание углерода в расчете на 1 га по формулам fi(x) = 1,34Pi(x) для гольцовых и горнота ежных геосистем и fi(x)ст = 0,067Pi(x) для степных геосистем.

Результатом исследования является карта запасов углерода в фитомассе растительно сти Прибайкалья (рис. 3.2.3), являющаяся производной от ландшафтной карты территории и цифровой карты рельефа и составленная при помощи средств ГИС, реализующих возможно сти перехода от одних географических характеристик и закономерностей к другим.

Рис. 3.2.3. Карта углеродного запаса потенциального (соответствующего коренному состоянию геосистемы) растительного покрова Прибайкалья.

Рис. 3.2.4. Изменение запаса углерода (т/га) на территории Прибайкалья при повышении среднегодовой температуры на 1 С.

Разработанная модель позволяет проводить оценку изменения запаса углерода в усло виях смены климатических характеристик. В качестве примера воспроизведено возможное изменение запаса углерода при потеплении среднегодовой температуры на 1С. По данным рассчитана [Черкашин, Фролов 2009] высота смещения (равная 166 м) положения снеговой линии h/t относительно ее современного уровня для хр. Хамар-Дабан – h=1630 м при по вышении средней температуры на 1 С. Степень влияния повышения температуры увеличи вается с высотой, поэтому значение высоты умножается на коэффициент 1,1. Данный коэф фициент рассчитан с учетом смешения высоты снеговой линии (1630 +166)/1630 = 1,1. На основании преобразованных значений высоты вычисляется изменение запаса углерода на ключевом участке по приведенной методике (рис. 3.2.4).


Положительный прирост фитомассы (на 16,7% площади) ожидается в экосистемах реч ных долин, что соответствует их ведущей функции в ландшафте, связанной с воспроизводст вом и накоплением органики и сохранением биологического разнообразия. Области с отри цательным приростом фитомассы (от -2 до -7 т/га, 39% площади) – в основном соответству ют горно-таежным лесам, преимущественно из светлохвойных пород. Снижение запасов следует рассматривать как показатель дополнительного риска нормального функционирова ния в ландшафте геомов данного вида и их возможной смены на другие геомы, более при способленные к новым климатическим условиям и более продуктивные в таких условиях.

3.3. Экономическая оценка растительного потенциала нейтрализации антропогенных выбросов углекислого газа В ИГ СО РАН получена экономическая оценка растительного потенциала нейтрализа ции антропогенных выбросов углекислого газа в ландшафтах Прибайкалья. Рассчитаны тем пы и масштабы изменения составляющих углеродного баланса для конкретных участков территории с учетом природных и экономических факторов. Для создания и эффективного функционирования рынка квот рассчитываются и картографируются количественные пока затели запаса и стока углерода различных геосистем и регионов, позволяющие определить полезность каждого участка территории для достижения целей снижения концентрации пар никовых газов.

Процессы, происходящие в современном мире, ставят перед географией новые пробле мы, для решения которых на разных масштабных уровнях необходимо применять весь арсе нал географического знания, существующие и новые методы геоэкологических и социально экономических исследований. К числу таких проблем относится глобальное потепление, свя зываемое с накоплением парниковых газов, прежде всего углекислого газа CO2 в атмосфере.

В феврале 2005 г. вступил в силу Киотский протокол к Рамочной конвенции ООН об изме нении климата, который направлен на ограничение и сокращение выбросов этих газов. Ог раничения установлены для каждой страны или группы стран на период 2008-2012 гг. в среднегодовом исчислении в процентах от базового 1990 года.

Рыночный механизм регулирования выбросов регламентируется балансовым уравнени ем (киотской моделью) E + T + S = АА + R, (1) где Е – объем выбросов парниковых газов (углеродных единиц УЕ, тонн СО2-эквивалента);

T – объем продаж УЕ;

S – сбережение УЕ;

R – дополнительные нетто-поглощение углерода в результате земле- и лесопользования;

АА – квота страны на выбросы. Выполнение этого со отношения предполагает планирование и реализацию политических, стратегических и такти ческих действий в области управления развитием хозяйства и оптимизации природопользо вания.

Поставленная глобальная проблема регулирования выбросов решается на межгосудар ственном, региональном и местном уровнях через механизмы ограничения эмиссии CO2, торговли квотами и внедрение новых производственных технологий. Локальный выброс предприятий через атмосферный перенос влияет на глобальный парниковый эффект, а ры ночные и административные воздействия заставляют снижать эти выбросы, что благоприят но сказывается на экологическом состоянии территории.

Основой планирования становится инвентаризация и кадастр выбросов и стоков, что предполагает проведение научных исследований и контроль за работой предприятий, накоп ление полученных сведений в базах данных, их математическую обработку и картографиче скую визуализацию средствами геоинформационных систем. В уравнении (1) все показатели имеют прямое отношение к экономике природопользования, которая интенсивно развивает ся, в том числе в экономико-географическом направлении. Вместе с тем в нем отсутствует природно-географический показатель стока углерода в экосистемах, оцениваемый характе ристикой чистой экологической продукции (NEP), т.е. ежегодной фиксации (или утраты) уг лерода в дополнение к существующему запасу углерода на территории. Российская Федера ция разделяет подход, в соответствии с которым исходный уровень поглощения (выбросов) для страны устанавливается не в форме, как принято, фиксированных ограничений, а соот ветствует научно обоснованной величине естественного поглощения углерода в лесных эко системах ее территории. Для России эта величина – NEP за вычетом ежегодных потерь уг лерода в результате хозяйственной деятельности (сплошных рубок, пожаров и пр.) – состав ляет 94,7 млн. тонн СО2-экв (Информация.., 2011). Такой подход ориентирует лесопользова телей на увеличение лесопокрытой площади, сокращение площадей пожаров и сплошных рубок в лесах, поддержание структуры насаждений в оптимальном по стоку СО2 состоянии.

Показатели NEP и потерь сильно варьируют от места к месту и зависят от ландшафт ных особенностей территории, численности населения и уровня развития хозяйства. Эти значения необходимы для расчета величины R в единицах абсорбции (ЕА) – углеродных единицах измерения стоков в результате совершенствования землепользования и лесного хозяйства в соответствии со статьей 3 Киотского протокола к Рамочной конвенции. Для это го необходимо иметь представление о текущем значении NEP местных экосистем, существо вавших потерях и дополнительном (дифференциальном) эффекте новых технологий ресур сопользования. Для этого необходимы достоверные географические данные о первичном со стоянии экосистем и условиях их функционирования, а также математические модели и ме тоды расчета хозяйственных действий для получения максимального эффекта.

Достижение целей и задач Киотского протокола по ограничению и сокращению парни ковых выбросов зависит в основном от активного участия в этом процессе предприятий и компаний, как в области снижении собственных выбросов, так и в механизмах торговли вы бросами и в инвестировании проектов совместного осуществления и чистого развития. Фор мируется система конвертируемых потоков капиталов и квот на разных уровнях геоэкономи ки, когда банки соглашаются принимать от клиентов произведенные по таким инвестицион ным проектам углеродные единицы в погашение их кредитных обязательств, что позволяет в целом капитализировать результаты деятельности в форме инвестиций или дохода от прода жи квот.

На юге Восточной Сибири в Иркутской области сконцентрированы экологически опас ные производства энергетической, деревообрабатывающей, целлюлозно-бумажный, нефте химической и металлургической отраслей промышленности. В городах Братск и Шелехов размешены, а в г. Тайшет строится алюминиевые заводы крупнейший в мире производителя алюминия и глинозема – объединенной компании «Русал» (UC RUSAL). В городах области зарегистрирован высокий уровень загрязнения атмосферного воздуха. Город Шелехов, рас положенный в южном Прибайкалье, включен в перечень городов с очень высоким уровнем загрязнения воздушного бассейна. В структуре заболеваемости населения крупных городов отмечен рост новообразований, болезней эндокринной системы, психических расстройств (Канинская, Колмогоров, 2009).

Руководство ОК «Русал» выступил с инициативой по обеспечению безопасного и чис того мира, которая, в частности, выразилась в создании партнерства «Национальное угле родное соглашение» и подписании Меморандума о намерении по реализации совместных действий, направленных на снижение выбросов парниковых газов с Программой развития ООН. Внедрение экологически безопасных технологий и модернизация заводов позволит со кратить к 2015 г. количество выбросов парниковых газов в атмосферу в 1,5 раза. Достижение этой цели даст возможность ОК «Русал» дальше развивать производство алюминия и отве чать спросу мирового потребителя, не нарушая своих обязательств по достижению углерод ной нейтральности (www.rusal.ru/ecology.aspx).

Функция нейтрализиции производственных выбросов выполняется геосистемами тер ритории и заключается, в частности, в атмосферном рассеивании и поглощении парниковых газов растительностью, почвами и водами ландшафтов. В расчетах главным образом прини мается во внимание NEP лесных экосистем.

В исследованиях и расчетных моделях обычно учитывают четыре основных пула депо нирования углерода в лесных экосистемах: фитомасса древостоя (стволы, ветки, корни), мертвая древесина (сухостой, валеж), подстилка, почвенная органика (подвижный и ста бильный гумус, мертвые корни). Массовые расчеты этих показателей основаны на данных текущих запасов наземной фитомассы и значениях конверсионных коэффициентов (предик торов) для разных фракций фитомассы. Для лесов такие расчеты проводятся по данным лес ной таксации и лесоустройства, где за основу принимается стволовой запас древостоев. Со отношение фракций и предикторы зависят от зональной и региональной принадлежности, типа растительности (Исаев и др., 1993).

В основу вычисления стока СО2 положены оценка и ГИС-картографирование углерода фитомассы экосистем разных ландшафтов (Солодянкина, Черкашин, 2010). Рассчитывался средний прирост фитомассы, в среднем равный примерно 1% запаса и возрасту лесов лет. Точнее связь прироста V и запас W аппроксимируется уравнением V = 0,0076W+0,111, R = 0,83. Для определения стока СО2 значения стока углерода умножаются на 3,67. В зави симости величины стока СО2 от высоты основного распространения геосистем (геомов) на блюдается максимум на уровне 600 м (рис. 3.3.1). Минимальные значения полезности соот ветствуют подгорным степным и горно-тундровым сообществам. Из этой закономерности выпадают подгорные котловинные лиственничные, подгорные подтаежные сосновые и рав нинные подтаежные лиственничные и сосновые леса.

Экономическая оценка плотности стока СО2 определяется из расчета 10 евро за 1 угле родную единицу (т СО2). На рис. 3.3.2 представлена карта распределения углеродной стои мости геосистемных функций на территории Южного Прибайкалья, построенная на основе ГИС-ландшафтной карты территории. Бльшая ее часть (67%) относится к участкам высокой стоимости – более 20-25 евро в год на га.

Рис. 3.3.1. Пространственное варьирование ориентировочной стоимости геосистемных функций по нейтрализации парниковых газов на территории Южного Прибайкалья в механизме реализации целей и задач Киотского протокола.

2. Сток СО2, т/га/год 1. 0. 0 200 400 600 800 1000 1200 Высота местополож ения, м Рис. 3.3.2. Зависимости величины стока СО2 от высоты основного распространения геосистем (геомов) на уровнем оз. Байкал.

Таким образом, в рамках комплексных географических исследований должна решатся задача определения темпов и масштабов изменения составляющих углеродного баланса для конкретных территорий с учетом природных, финансово-экономических, социально демографических и политических факторов. Для создания и эффективного функционирова ния рынка квот рассчитываются и картографируются количественные показатели запаса и стока углерода различных геосистем и регионов, позволяющие определить полезность каж дого участка территории для достижения целей снижения концентрации парниковых газов.

Используемые источники 1. Исаев А.С., Коровин Г.Н., Уткин А.И., Пряжников А.А., Замолодчиков Д.Г. Оценка запасов и годичного депонирования углерода в фитомассе лесных экосистем России // Лесоведение. 1993. № 5. C. 3-10.

2. Информация по исходному уровню для управления лесным хозяйством Российской Федерации. – 2011. awgkp_russia_2011_rus.pdf 3. Каницкая Л.В., Колмогоров А.В. Влияние газовых выбросов при производстве алюминия на состояние ок ружающей среды// Успехи современного естествознания, №8, 2009. - с. 17- Часть 4. Моделирование климатических процессов, происходивших на территории Западной Сибири во второй половине 20 века 4.1. Пространственно-временная динамика климатических характеристик, контроли рующих развитие бореальных экосистем Западной Сибири и процессов их газообмена с атмосферой в течение 20 века В ИМКЭС СО РАН проведено сравнение наборов данных различных реанализов по приземной температуре и количеству осадков. Показано, что наиболее близкими к натурным наблюдениям по температуре являются данные Реанализа ECMWF ERA INTERIM с про странственным разрешением 1,5°1,5° с шагом измерений каждые 6 часов за период с по 2007 г., а по количеству осадков – суточные данные APHRODITE JMA с пространствен ным разрешением 0,5°0,5° за период с 1979 по 2007 г. На основе данных этих реанализов получены количественные оценки для ежегодных изменений климатических характеристик на территории Сибири.

Пространственно-временное поведение климатических характеристик, контролирую щих развитие бореальных экосистем Западной Сибири и процессов их газообмена с атмо сферой можно оценить на основе данных наблюдений метеостанций. Однако, поскольку дос тупная сеть наблюдательных пунктов сильно разрежена и только методами интерполяции трудно получить поля метеорологических элементов с необходимым пространственным раз решением, для исследований используют данные моделирования (реанализы), которое обес печивает учет геофизических особенностей региона и дает равномерное покрытие террито рии данными.

На первом этапе выполнения проекта были получены количественные оценки для еже годных изменений климатических характеристик на территории Сибири по данным метео станций и Реанализов с пространственным разрешением до 0,5 градуса. Вычисления выпол нены на основе данных реанализа Европейского центра среднесрочных прогнозов погоды (температура воздуха и количество осадков, усредненные за 10 дней, за период с 1974 по 2005 гг., http://agrifish.jrc.it/marsfood/ecmwf.htm) и результатов измерений этих величин на метеостанциях СССР/России за этот же период. В рассмотрение были взяты 18 станций, рас положенных в азиатской части России, данные наблюдений рассмотрены за временной пе риод 1958-2000 гг.

По этим данным были вычислены климатические характеристики, определяющие раз витие лесных экосистем: продолжительность вегетационного периода, его средняя темпера тура, количество осадков. Далее был проведен трендовый анализ их динамики и создана база климатических индикаторов. В частности, для 4 представляющих интерес биоклиматических зон России (лесотундра, средняя тайга, южная тайга и зона умеренных лесов) вычисленные характеристики ведут себя следующим образом. Для азиатской части России наблюдается увеличение вегетационного периода на 4-6 дней в период с 1975 по 2005 гг. (в среднем уве личение вегетационного периода составило 1-2 дня/10 лет). По данным станций, в западной и центральной части Сибири величины трендов принимают положительные значения, что показывает среднее увеличение числа дней со среднесуточной температурой, превышающей 5 °С, от 2 до 7 дней/10 лет. Тренды, полученные на основе данных со станций Якутска и Олекминска, расположенных на территории восточной Сибири, наоборот, дают отрицатель ные значения, т.е. происходит уменьшение числа дней со среднесуточной температурой, превышающей 5 °С, в среднем на 2-3 дня / 10 лет. Если учесть распределение станций по биоклиматическим зонам, то можно отметить, что большая часть рассматриваемых станций расположена в зоне средней тайги, где среднее увеличение продолжительности вегетацион ного периода составило 1-2 дня / 10 лет.

Средняя температура воздуха для вегетационного периода, по данным реанализа, имеет слабый положительный тренд, который составил 0,6 °С (0,2 °С / 10 лет). Наибольший рост средней годовой температуры воздуха отмечен в зоне южной тайги, он составил 0,9 °С за года (0,3 °С / 10 лет) для Азиатской части России. Та же статистика наблюдается и на от дельных станциях, расположенных на территории России.

Пространственное распределение количества осадков в этот период было более неод нородно.

Для уточнения и детализации полученных результатов были необходимы долговремен ные ряды систематических наблюдений за метеорологическими элементами, равномерно по крывающие территорию исследования. Был проведен анализ имеющихся в нашем распоря жении данных наблюдений, который показал, что на сегодняшний день, наиболее продолжи тельные ряды инструментальных наблюдений предоставляет Всероссийский научно исследовательский институт гидрометеорологической информации – Мирового центра дан ных (ВНИИГМИ-МЦД), организуя их в специализированные массивы данных суточной тем пературы воздуха и количества осадков на метеорологических станциях территории бывшего СССР (223 станции). Из данного массива были отобраны 59 рядов наблюдений (рис. 4.1.1), покрывающих территорию Сибири, с учетом пропусков данных не более чем за 3 суток в пределах каждого месяца для каждого года (36 дней в год) временного диапазона с 1961 по 2007 год.

Кроме того, для моделирования метеорологических полей в нашем распоряжении были данные реанализов, представленные в табл. 4.1.1.

Рис.4.1.1. Карта 59 наземных станций, отобранных из сети 223 метеорологических станций территории бывшего СССР.

Таблица 4.1.1. Архивы данных моделирования Название набора данных Временной период Разрешение данных 1951 – 2002 12h, 2.5 °Ч 2.5° NCEP/NCAR R 1979 – 2003 6h, 2.5 °Ч 2.5° NCEP/DOE AMIP II 09.1957 – 08.2002 6h, 2.5 °Ч 2.5° ECMWF ERA- 1989 – 2010 6h, 1.5 °Ч 1.5° ECMWF ERA INTERIM 1951 – 2009 1d, 0.25°Ч0.25° APHRODITE JMA Однако при работе в этими данными было обнаружено, что геофизические поля, полу чаемые в результате работы различных метеорологических моделей с разными системами усвоения и наборами усваиваемых данных, отличаются между собой, поэтому был проведен их дополнительный анализ с целью определения массива данных наиболее близкого к дан ным натурных наблюдений. Чтобы удостовериться в том, что тот или иной набор данных моделирования «правильно» воспроизводит динамику климата региона, было проведено сравнение модельных данных с выбранными данными инструментальных наблюдений. Для этого были восстановлены значения данных моделирования в узлах станций по методу ин терполяции Шепарда [1]. Этот метод был выбран среди других (метод билинейной интерпо ляции, интерполяции полиномом третьей степени, метод взвешенных обратных расстояний, модифицированный метод Шепарда и базовый геостатистический кригинг-метод), как наи более подходящий для различных реанализов для восстановления значений в узлах их регу лярной сетки. Методом Шепарда восстановлены значения данных моделирования (ECMWF ERA INTERIM:1961-2001 [2], ECMWF ERA-40: 1989-2007 [3], NCEP/DOE AMIP II [4]: 1961 2003 и NCEP/NCAR: 1961-2002 [5]) в узлах метеорологических станций за весь период их реализации. При сравнении рядов восстановленных модельных значений приземной темпе ратуры воздуха с рядами инструментальных наблюдений оценена их однородность и вычис лены среднеквадратические ошибки. Полученные результаты выявили, что на территории Сибири только наборы данных ECMWF ERA-40 и ERA INTERIM имеют наименьшую сред неквадратическую ошибку и удовлетворяют критерию однородности с данными наблюдений при уровне значимости 5%. Это означает, что эти поля приземной температуры воздуха наи более близки к величинам инструментальных наблюдений. Тот же анализ был выполнен для периода с 1991 по 2000 г., доступного для всех наборов, результаты которого (рис. 4.1.2) подтвердили хорошую согласованность данных ECMWF с инструментальными наблюде ниями.

Рис. 4.1.2. Среднеквадратическое отклонение отличий значений данных по приземной температуре воздуха из архивов Реанализа и рядов инструментальных наблюдений за период с 1991 по 2000 гг.

для каждой станции сети. Расположение станций указано на рис.4.1.1.



Pages:     | 1 || 3 | 4 |   ...   | 5 |
 





 
© 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.