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 || 4 | 5 |

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

-- [ Страница 3 ] --

Рис. 4.1.4. Абсолютная разница среднемесячных Рис. 4.1.3. Разница средней годовой температуры температур воздуха, усредненных за 10 лет воздуха, усредненной за 10 лет (1991-2000 гг.), (1991-2000 гг.) и по всей территории Сибири, рассчитанной на основе данных Реанализа рассчитанных на основе данных Реанализа ECMWF ERA INTERIM и ECMWF ERA-40.

ECMWF ERA INTERIM и ECMWF ERA-40.

Поскольку выбранные архивы ECMWF ERA INTERIM и ECMWF ERA-40 получены с помощью одной модели и при их построении для периода 1991-2000 для усвоения использо ван один и тот же набор инструментальных наблюдений, возникает вопрос о возможности построения композитного ряда для всего периода с 1961 по 2007 год. Для ответа на него вы числена разница средней годовой температуры воздуха и абсолютная разница среднемесяч ных (рис. 4.1.4) ее различий, усредненных за 10 лет на общем для обоих наборов интервале времени с 1991 по 2000 годы (рис. 4.1.3).

Результаты сравнения выявили отличия в средней годовой температуре воздуха, рав ные в среднем 0,5 оС. Вычисления, проведенные отдельно для каждого месяца года, показа ли, что в холодный период года наблюдается большая разница в данных (в среднем 0,63 оС), чем в летний сезон (в среднем 0,38 оС), что указывает на завышение значений метеорологи ческой величины в данных ECMWF ERA-40. Заметим, что эти разницы, вычисленные для каждого года, меняются в еще больших пределах. Полученные различия средних, согласно гипотезе Стьюдента, являются статистически значимыми, что говорит о принадлежности данных наборов к разным функциям распределения и влечет невозможность составления композиционного ряда из данных и ERA-40 и ECMWF ERA INTERIM. Таким образом, при описании современной динамики приземной температуры воздуха на территории Сибири следует ограничиться использованием данных приземной температуры воздуха архива ECMWF ERA INTERIM и интервалом 1991-2007 год.

При выборе набора данных для описания количества осадков были рассмотрены дан ные моделирования ERA INTERIM и APHRODITE JMA [6] (рис. 4.1.5), к которым была применена вышеописанная процедура сравнения.

Отметим, что данные по количеству осадков в наборе ECMWF ERA INTERIM пред ставляют результаты прогноза, выполненные без усвоения натурных наблюдений, а данные набора APHRODITE JMA представляет собой поля количества осадков, полученные интер поляцией наблюдений метеорологических станций. Результаты показали меньшую средне квадратическую ошибку для набора данных APHRODITE JMA и однородность этих данных с рядами инструментальных наблюдений при уровне значимости 5%.

Таким образом, для описания особенностей поведения приземной температуры воздуха в Сибири (50-130 в.д., 50-72 с.ш.) основным источником информации послужили данные ар хива Реанализа ECMWF ERA INTERIM с пространственным разрешением 1,5°1,5° с шагом измерений каждые 6 часов за период с 1991 по 2007 г. Динамика количества осадков была оценена на основе суточных данных APHRODITE JMA с пространственным разрешением 0,5°0,5° за период с 1979 по 2007 г.

Рис.4.1.5. Среднеквадратическое отклонение отличий значений данных по количеству осадков из архивов данных моделирования и рядов инструментальных наблюдений по всей сети станций для каждого года с 1991 по 2000 гг.

Для оценки долговременных изменений гидротермического режима и их воздействия на растительный покров Сибири, рассмотрены основные характеристики годового и сезон ного хода метеорологических величин, а также климатические показатели вегетационного периода года, такие как продолжительность вегетационного периода со среднесуточной тем пературой выше 5 и 10 оС, сумма среднесуточных значений температуры за календарный год, больше 5 и 10 оС, сумма и интенсивность осадков. Эти климатические показатели хоро шо отражают динамику термического и гидрологического режимов региона Сибири и явля ются основными характеристиками, контролирующими развитие растительности региона.

Временная динамика климатических характеристик оценена по линейным трендам, коэффи циенты которого, рассчитанные по методу наименьших квадратов, характеризуют среднюю скорость изменения уровня ряда на рассматриваемом временном отрезке. Статистическая значимость изменений определяется по критерию Стьюдента [7].

Все расчеты выполнялись с помощью веб-системы, разработанной на основе IDL [8,9].

По результатам был создан архив полей характеристик, которые представлены графически и файлом заданного формата, что обеспечивает их дальнейшее использование для анализа взаимосвязей с другими характеристиками.

Используемые источники 1. Renka R. J. Algorithm 790 - CSHEP2D: Cubic Shepard Method for Bivariate Interpolation of Scattered Data // ACM Trans. Math Softw.– 1999.– Vol. 25.– No. 1.– P. 70-73.

2. Dee D. P. et al. The ERA-Interim reanalysis: configuration and performance of the data assimilation system // Quar terly Journal of the Royal Meteorological Society.– 2011.– Vol. 137.– P. 553-597.

3. ERA-40 Project Report Series (European Centre for Medium Range Weather Forecasts). 2007.

4. Kanamitsu M. et al. NCEP-DOE AMIP II Reanalysis (R-2) // Bulletin of American Meteorological Society.– 2002.– P. 1631-1643.

5. Kalnay E. et al. The NCEP/NCAR 40-Year Reanalysis Project // Bulletin of the American Meteorological Society.– 1996.– Vol.– 77.– No. 3.– P. 437-471.

6. APHRODITE JMA, http://www.chikyu.ac.jp/precip/data/APHRO_V1003R1_readme.txt 7. Storch H. von, Zwiers F. W. Statistical analysis in climate research. Cambridge: Cambridge University Press, 1999.

8. IDL - Data Visualization Solutions http://www.ittvis.com/ProductServices/IDL.aspx 9. Gordov E. P., Okladnikov I. G., Titov A. G. 2010 Processing and analysis of large archives of spatially distributed data using geoinformation web-technologies // Proc. of All-Russia Conference on Electronic libraries: perspective methods and technologies. RCDL’2010. Казань: Изд-во Казанского университета, 2010.– С. 193-200.

4.2. Динамика климатических и биоклиматических индексов В ИМКЭС СО РАН вычислены биоклиматические характеристики, определяющие раз витие лесных экосистем: продолжительность вегетационного периода, его средняя темпера тура, количество и интенсивность осадков. Проведенный трендовый анализ их динамики по казал увеличение продолжительности вегетационного периода, сопровождающееся стати стически значимым ростом эффективных температур в рамках этого периода на юге терри тории Западной Сибири (55-60 с.ш., 59-84 в.д.). Динамика количества осадков в этой облас ти, характеризуется слабым положительным трендом в 5-15 мм/10 лет. Все это позволяет ут верждать, что на юге территории Сибири возможно усиление роста растительности. Сфор мирован массив данных для анализа климатических параметров, оказывающих влияние на растительный покров Западной Сибири.

Наблюдаемое пространственное распределение трендов среднегодовой приземной тем пературы воздуха в Сибири (рис. 4.2.1,а) с теплыми очагами в Западной Сибири (0,8 1,6 oС/10 лет) и холодными очагами в центральной части Восточной Сибири (от -0,2 до -0,5 oС/10 лет) зависит от сезонных трендов. В частности, изменения температуры зимой (де кабрь-февраль) (рис. 4.2.1,б) представлены теплыми очагами в северной и южной частях За падной Сибири, сформированными вследствие положительных трендов температуры декаб ря. В Восточной Сибири наблюдаются очаги с негативными трендами температуры (от -0.8 до -1,6 oС/10 лет), которые сформированы вследствие снижения температуры в декабре и январе (от -0,5 до -2,5 oС/10 лет). В свою очередь, лето (июнь-август) (рис. 4.2.1,в) характери зуется значимым снижением температуры, до -1,2 oС/10 лет, в центральной и южной частях Западной и Восточной Сибири, полученные в результате ярко выраженных термических ко лебаний июня. Повышение температуры (0,6-1,2 С/10 лет) наблюдается в северных регионах Сибири. Колебания температур июля и августа менее выражены, однако центральная часть Восточной Сибири отмечена понижением температуры (от -0,2 до -0,5 С/10 лет), которое сглаживает выявленные всплески температур июня.

Особый интерес представляют колебания температур весеннего и осеннего сезонов, по скольку они сопровождаются периодами снеготаяния и наступления вегетационного сезона, его окончания и наступления заморозков, соответственно. Так, динамика приземных темпе ратур последних лет показала их рост в апреле (до 1,5 С/10 лет) на территории Восточной Сибири и в мае (0,4-0,9С/10 лет) на территории Западной Сибири. Также потепление наблю дается и в осенний сезон на территории Западной Сибири, в среднем на 2,4С/10 лет, в то время как, термический режим центральной части Восточной Сибири имеет тенденцию к по холоданию до -1.8 С/10 лет. Вычисленные тренды количества осадков показаны на рис. 4.2.2.

На территории Сибири в зимний сезон не наблюдается явных изменений количества осадков. Можно отметить лишь их уменьшение в северных районах Западной Сибири, где тренд достигает -40 мм каждые 10 лет, преимущественно за счет уменьшения осадков в ян варе и феврале. Анализ динамики осадков летнего сезона также выявил отрицательный тренд на территории Западной Сибири, достигающий -90 мм/10 лет. Однако, изменения осадков восточной части Сибири не выражены, тренд составил всего 20 мм за 10 лет. Изучение ди намики осадков по месяцам выявило их увеличение в июне на территории Восточной Сиби ри, преимущественно в южной и юго-восточной ее части, достигая 18-37 мм за 10 лет. Также существенный рост осадков в Восточной Сибири (на всей ее территории) наблюдается в ию ле, их тренд достигает 45 мм, но на территории Западной Сибири происходит существенное уменьшение их количества (-70 мм/10 лет). Август месяц не отмечен явными изменениями в динамике осадков, что уменьшает его вклад в сезонные колебания.

а б в Рис. 4.2.1. Тренд приземной температуры воздуха, усредненный: за год (а), зимний (б) и летний (в) периоды.

а б Рис.4.2.2. Тренд количества осадков для зимнего (а) и летнего (б) сезонов года.

Динамика количества осадков весеннего и осеннего сезонов не сопровождается ярко выраженными колебаниями, за исключением сентября, где происходит уменьшение количе ства осадков в центральной части территории Западной Сибири до -40 мм/10 лет. Таким об разом, можно сделать вывод, что наибольший вклад в динамику осадков вносят летние меся цы июнь, июль и август, причем наибольшая пространственная неоднородность наблюдается в июле.

Анализ характеристик интенсивности количества осадков и количества дней с осадка ми выше заданного порогового значения (1 мм, 10 мм, 20 мм) показал, что на территории Сибири не выявлены явные изменения числа дней с осадками ( 1 мм), за исключением се верного региона, где наблюдается увеличение дней с осадками до 5 дней/10 лет. Также при анализе общей динамики осадков этот регион был отмечен увеличением количества осадков.

Но он не выделен интенсивными осадками, так как тренды числа дней с осадками выше 10 и 20 мм не дают никаких изменений как в данном «горячем» регионе, так и на всей территории Сибири. Эти результаты явно подтверждены анализом интенсивности осадков (рис. 4.2.3).

В период с температурами больше 5 оС начинаются процессы роста и жизнедеятельно сти растений [1], поэтому анализ распределения климатических параметров этого периода представляют большой интерес при изучении взаимодействия климата и растительности.

Началом вегетационного периода считается день, когда средняя суточная температура этого дня и следующих за ним пяти дней была выше 5 °С (10 °С), а окончанием периода – день, когда средняя суточная температура этого дня и следующих за ним пяти дней будет ниже 5 °С (10 °С).

Рис. 4.2.3. Тренд интенсивности количества атмосферных осадков (R = 1 мм). Данные APHRODITE JMA.

Рис. 4.2.5. Тренд суммы эффективных температур Рис. 4.2.4. Тренд продолжительности со среднесуточной температурой 5 °С.

вегетационного периода года со среднесуточной температурой 5 °С.

В частности, выявленная положительная динамика температур весеннего и осеннего сезонов повлекла увеличение продолжительности вегетационного периода года (рис. 4.2.4).

На севере территории Сибири наблюдается увеличение числа теплых дней со среднесуточ ной температурой выше 5 оС до 15 дней каждые 10 лет, прослеживается широтное изменение характеристики.

Изучение динамики суммы эффективных температур со средней суточной температу рой выше 5 °С, выявило их увеличение в среднем на 40-70 °С /10 лет.

Безусловно наблюдаемые изменения температуры воздуха и количества осадков нахо дят отклик в динамике биологических процессов, в частности, в изменении пространствен ного распределения растительности, поведении первичной биологической продукции лесов Сибирского региона, что может привести к различным экологическим последствиям.

Так, сопоставление полученных трендов динамики продолжительности вегетационного периода, суммы эффективных температур в пределах вегетационного периода года и суммы осадков, прямо влияющих на продуктивность растительности, выявило очаги наибольших влияний на ход развития биологических процессов. В частности, наблюдается увеличение продолжи тельности вегетационного периода, сопровождающееся статистически значимым ростом суммы эффективных температур в рамках этого периода на юге территории Западной Сиби ри (55-60о с.ш., 59-84о в.д.). Динамика поведения количества осадков в этой области не ярко выражена и характеризуется слабым положительным трендом в 5-15 мм/10 лет.

Используемые источники 1. McNulty S.G., Aber J.D. US National Climate Change Assessment on Forest Ecosystems: An Introduction // Bio Science.– 2001.– Vol.– 51.– No. 9.– P. 720-722.

4.3. Архив климатических и биоклиматических данных для Западной Сибири Для детального изучения климатических изменений и их влияния на растительность в Западной Сибири были использованы данные реанализа Европейского центра среднесроч ных прогнозов погоды (European Centre for Medium Range Weather Forecasts) с разрешением 0,25о0,25о (температура воздуха и количество осадков, усредненные за 10 дней, за период с 1989 по 2009 гг. http://139.191.1.74/datadownload/index.php). Из полученного массива данных была проведена выборка данных для территории Западной Сибири (координаты ключевого участка: (70о с.ш., 59о в.д.), (70о с.ш., 93о в.д.), (53о с.ш., 59о в.д.), (53о с.ш., 93о в.д.)). Затем эти данные были подключены к разработанной на основе IDL веб-системе и были рассчита ны следующие характеристики для каждого года с 1989 по 2009:

1. Средняя температура каждого из 12 месяцев.

2. Средняя годовая температура.

3. Среднемесячное количество осадков для каждого из 12 месяцев.

Годовое количество осадков.

4.

Сумма температур выше 5 градусов.

5.

Сумма температур выше 10 градусов.

6.

Количество осадков за теплый период (май-октябрь) и количество осадков за холодный 7.

период (ноябрь-апрель).

8. Континентальность климата как разница температур самого теплого месяца (июль) и са мого холодного месяца (январь).

Результаты расчетов сохранены в файлах формата GeoTiff, позволяющих как графиче ское представление результатов, так и дальнейшую обработку данных. В качестве примера на рис. 4.3.1 представлен тренд среднегодовой температуры, на рис. 4.3.2 – тренд количества осадков теплого сезона.

Полученный архив данных в рамках интеграции исследований был передан в ИВТ СО РАН для комплексного анализа изменений климата и растительного покрова территории За падной Сибири.

Рис. 4.3.1. Тренд среднегодовой температуры Рис. 4.3.2. Тренд количества осадков теплого сезона в Западной Сибири, 1990-2009 гг. для Западной Сибири, 1990-2009 гг.

Совокупность наблюдающихся изменений позволяет сделать предварительные выводы о том, что на юге Сибири сформировались условия для роста продуктивности растительно сти. Результаты исследований, полученные при моделировании региональных и глобальных лесных процессов в сочетании с вариациями климата, также указывают на увеличение про дуктивности лесных экосистем от 5 до 30 % [1]. Однако, отклик продуктивности раститель ности на происходящие изменения климата, зависит не только от динамики температуры и осадков, а также от сопутствующих, вследствие их изменения, факторов. Например, увели чение температуры может привести к дефициту влаги в воздухе, таким образом, увеличится скорость испарения, что приведет к неблагоприятным условиям для растений. И здесь необ ходим дальнейший анализ. Полученный в результате проведенных исследований архив био климатических характеристик и дает основу для таких исследований. Они позволят прогно зировать изменения продуктивности растительности и выявить реакцию ее распределения на очаги климатических изменений.

Используемые источники 1. APHRODITE JMA, http://www.chikyu.ac.jp/precip/data/APHRO_V1003R1_readme.txt 4.4. Расчет метеополей высокого пространственного и временного разрешения с помо щью мезомасштабной метеорологической модели WRF В ИМКЭС СО РАН выполнена локализация мезомасштабной метеорологической моде ли высокого разрешения WRF на территорию Западной Сибири (25002000 км). Получены поля метеорологических величин с пространственным шагом 20 км, «подтянутые» к данным измерений наземных станций для территории Западной Сибири за промежуток времени 1990-2000 гг. Данные хранятся в формате NetCDF. Пространственное разрешение полей 20 км (во вложенных областях 10 км). Сравнение полученных результатов моделирования с полями глобальных данных, например, Реанализа ERA-40, говорит о явной детализации по лей метеовеличин, что позволяет анализировать их изменения в локальных областях не как сглаженные возмущения, а как источники неоднородностей, имеющие конкретную геогра фическую привязку к определенным экосистемам региона. Это позволит понять и выявить вклад той или иной экосистемы в неоднородность динамики региональных метеополей и, в конечном счете, в углеродный баланс региона.

Одним из методов исследования современных климатических изменений является по лучение региональных полей метеовеличин с высоким пространственным разрешением по средством использования мезомасштабной модели прогноза погоды. Такой подход выгодно отличается от обычных схем интерполяции и статистического «даунскейлинга», так как ис пользование прогностической модели и системы усвоения данных наблюдений позволяет повысить достоверность получаемых метеополей. Однако при этом появляется ряд серьез ных проблем, к которым относится выбор начальных и граничных условий, временные огра ничения на работу прогностических моделей, чувствительность моделей прогноза погоды к долгосрочному запуску. Эти проблемы были решены в процессе получения метеорологиче ских полей высокого разрешения для территории Западной Сибири [1].

Рис. 4.4.1. Структура программного комплекса WRF-ARW.

Рис. 4.4.2. Карта используемых нами типов землепользования, характеризующих исследуемую территорию.

В качестве возможных данных для формирования граничных условий для региональ ной модели рассматривались наборы данных моделирования NCEP/DOE AMIP II, JRA-25 и реанализ ECMWF ERA-40. В результате сравнения с данными наблюдений на метеостанциях за одинаковый временной интервал был выбран набор данных Реанализа ECMWF ERA-40, как наиболее точно воспроизводящий метеорологические характеристики для территории Западной Сибири. Ввиду отсутствия в этом архиве необходимой для работы модели темпе ратуры поверхности, использовалась часть данных из ECMWF ERA Interim, являющегося современной версией ECMWF ERA-40. На этой основе были сформированы соответствую щие входные данные для препроцессорной системы модели.

Для получения непрерывных полей прогноза, частичного учета специфики климата ре гиона и усвоения данных была использована WRF ARW система версии 3.2.1 [2] (рис. 4.4.1).

Ее основой является численная модель прогноза погоды и метеорологического иссле дования WRF. WRF ARW состоит из WPS – системы подготовки данных, численного ядра WRF и численного пакета для реализации физических схем. Препроцессорная система (WPS) позволяет формировать входные данные для модели из исходных метеополей, отвечающих определенной структуре и формату, а также готовит входные данные для модели (подсти лающая поверхность, топографическая составляющая и т.д.). После дополнительного иссле дования в препроцессорную систему WPS была установлена и подключена карта USGS LULC с пространственным разрешением 9.925 км, включающая в себя 20 типов землеполь зования (рис. 4.4.2). Данная карта достаточно хорошо отображает многообразие типов зем лепользования, характерное для Сибирского региона, в частности, для территории Западной Сибири. Для приземных данных (индекс шероховатости, температура почвы, альбедо) были использованы данные NCEP с таким же пространственным масштабом.

Численное ядро ARW системы включает в себя: ядро (математические модули), физи ческие схемы для приземного слоя, модель радиации, схемы микрофизики, модели накопле ния осадков и схемы параметризаций облачности. В настоящее время эта модель активно ис пользуется для атмосферных исследований, получения прогноза погоды, исследования ре гионального климата, глобального моделирования http://forum.wrfforum.com.

Модель WRF была настроена для расчета на мелкомасштабной сетке для северных ре гионов Азии, в частности, Западной Сибири. Для этого региона были подобраны соответст вующие параметризации [3,4]: для микрофизики (атмосферы): схема Томсона – модель сне га, льда, облаков и дождя;

для длинноволнового излучения: схема RRTM – основана на схе ме Mlawer (спектральная схема, использующая метод К-корреляции, предварительный на бор таблиц входных данных для точного представления длинноволновых процессов за счет водяного пара, озона, СО2 и газовых примесей, а также учитывающая оптическую толщу об лаков);

для коротковолнового излучения: схема Годдарта – двухпоточная многодиапазонная схема с эффектом облаков;

для диффузии: схема горизонтальной диффузии 6-го порядка;

для поверхностного слоя: схема ETA – на основе схемы тепловой длины шероховатости Монина Обухова и Зилитинкевича, со стандартной функцией параметризации, зависящей от входных данных;

для модели подстилающей поверхности: NoahLSM (NCEP/NCAR/AFWA) – 4 уровневая модель влажности и температуры почвы с расчетом энергетических потоков, мо делью влажности растительности и моделью динамики снега.

Следует добавить, что данный способ также был использован при исследовании клима тических изменений на территории США и Австралии. В частности, в работе [5] проводится анализ метеополей за исторический промежуток с 1985 по 2008 год для территории Юго Востока Австралии, полученных в результате использования WRF модели и подхода «downscaling». В качестве граничных условий брался NCEP/NCAR реанализ с 50 км про странственным шагом. Пространственное разрешение полученных в этой работе полей по рядка 10 км.

Для повышения точности метеополей, существенным является усвоение данных изме рений и, как следствие, процесс конвертирования этих данных в нужные форматы. Для этой цели используется метод «observation nudging». Этот метод эффективно управляет ростом ошибки модели, в то время как модель генерирует детализированные мезомасштабные структуры, которые могут не быть выявлены только на основе данных наблюдений. В ре зультате получается более точное, чем полученное без учета данных наблюдений, решение.

Для работы системы усвоения необходима подборка коэффициентов, зависящих как от са мих усваиваемых данных, так и от расчетной сетки модели, что накладывает определенные ограничения на смену расчетной области и выборку усваиваемых данных. Данные для сис темы усвоения подготавливались на основе метеоданных из базы станционных наблюдений с помощью конвертера Obs_little (ASCII файл формата little_r, где наблюдения сортированы в хронологическом порядке).

Результатом работы созданного программного комплекса являются поля метеорологи ческих величин, которые в определенном смысле есть проекции полей реанализа на сетку с высоким пространственным шагом, «подтянутых» к данным измерений наземных станций.

Расчетной областью является Западно-Сибирская низменность (2500х2000 км.) Пространст венное разрешение полей 20 км (во вложенных областях 10 км). В частности, рассчитывают ся поля климатических характеристик для Западной Сибири за исторический промежуток времени 1990–2000 гг.

В качестве примера, на рис. 4.4.3 приведен результат усреднения полученных полей для января 1990 г.

Рис. 4.4.3. Среднемесячная температура января 1990 г. на высоте 2 м.

а б в Рис.4.4.4. Среднемесячные поля температуры, полученные на основе: а) данных моделирования;

б) данных реанализа ERA 40;

в) данных реанализа NCEP 2.

Сравнение полученных результатов моделирования с полями глобальных данных, на пример, Реанализа ERA-40 и реанализа NCEP 2 (рис. 4.4.4) говорит о явной детализации по лей метеовеличин, что позволяет анализировать их изменения в локальных областях не как сглаженные возмущения, а уже как источники неоднородностей, имеющих конкретную гео графическую привязку к определенным экосистемам региона. Изменения различных физиче ских входных данных модели, таких как тип поверхности, позволят понять и выявить вклад той или иной экосистемы в неоднородность динамики метеополей.

Анализ полученных результатов и сравнение с другими полями глобальных моделей, а также результатами моделирования климатических региональных моделей, показали, что при использовании модели WRF получаются более точные и близкие к действительности поля метеовеличин.

Таким образом, в ходе выполнения проекта, проведена настройка модели WRF, обеспе чивающая учет специфики региона и верификация рассчитываемых для периода 1991 2000 гг. метеорологических характеристик высокого разрешения, что создает основу для создания архивов метеополей для анализа влияния современных (1960-2010 гг.) климатиче ских изменений на растительность.

Используемые источники 1. Богомолов В.Ю., Гордов Е.П., Крупчатников В.Н. Моделирование региональных полей метеорологических величин с высоким пространственным шагом // Горный информационно-аналитический бюллетень.– 2009.– Выпуск Кузбасс-2.– C. 50-53.

2. Skamarock W.C., Klemp J.B., Dudhia J., Gill D.O., Barker D.M. A (2008) Description of the Advanced Research WRF Version 3 / NCAR technical note NCAR/TN-475+STR.

3. Гордов Е.П., Богомолов В.Ю., Генина Е.Ю., Шульгина Т.М. Анализ региональных климатических процес сов Сибири: подход, данные и некоторые результаты // Вестник НГУ.– Серия информационные технологии.

– 2011. – Т. 9. – Выпуск 1. – С. 56-66.

4. Гордов Е.П., Окладников И.Г., Титов А.Г., Богомолов В.Ю., Шульгина Т.М., Генина Е.Ю. Геоинформаци онная веб-система для исследования региональных природно-климатических изменений и первые результа ты ее использования // Оптика атмосферы и океана (в печати).

5. Evans J.P. and McCabe M.F. Evaluating a regional climate model's ability to simulate the climate of the South-east coast of Australia // IOP Conf. Ser.: Earth Environ. Sci.– 2010.– Vol.11.– 012004.

Часть 5. Картографические модели пространственной организации расти тельности и почвенного покрова бореальной зоны Западной Сибири В ЦСБС СО РАН и ИПА СО РАН (при участии ИВТ СО РАН) разработаны методоло гические и методические подходы к картографическому моделированию пространственной организации растительного и почвенного покровов бореальной зоны Сибири. Созданы мел комасштабные (1:7500000) картографические модели «Экосистемы бореальной зоны Запад но-Сибирской равнины». Выполнена оценка запасов органического углерода в почвах боре альной зоны Западной Сибири.

5.1. Методологические и методические основы мелкомасштабного картографического моделирования пространственной структуры растительного покрова.

Созданная картографическая модель экосистем бореального биома Западно-Сибирской равнины основана на методологии системного анализа, формирующего представление о рас Полевой сбор геоботанических описаний Первичные данные полевых Векторная геореляционная модель рельефа (1:200000) исследований Формализация описаний и введение в базу данных 3DКAnalyst База данных геоботанических описаний Триангуляционная модель (TIN) рельефа База данных синтаксономических единиц ArcGIS, геостатисти ческие (кригинг) методы Непрямой градиентный анализ (ординация) синтаксономических единиц с использованием Decorana Ординационная модель GRID-модель рельефа Космический снимок (Landsat 7) синтаксонов лесной растительности Выявление ведущих эколого топографическихфакторо в абсолютной высоты и экспо зиции склонов методом кор реляционного анализа,опре деление комбинаций типов Классификация признаков сообществ,совместно распо Методы модуля лесного покроа с использованием ложенных в определенных Spatial Analyst, ArcGis ERDAS Imagine диапазонах значений осей.

Таблица распределения комбинаций типов лесной растительности в диапазонах значений двух факторов GRID-модель GRID-модель Растровый слой “лесной покров” абсолютной высоты и экспозиции экспозиций склонов абсолютных высот склонов Вычисление нового GRID-слоя («лесной покров») с использованием функции «Растр-калькулятора» в Spatial Analyst, ArcGis Картографическая модель пространственных единиц лесного покрова, созданная в результате преобразования ординационной модели лесного покрова с использование двух слоев характеристик рельефа и слоя дешифрирования данных дистанционного зондирования Рис. 5.1.1 Схема примененного алгоритма моделирования протсранственной организации растительности.

тительном покрове как о сложной иерархически организованной открытой мега-системе с определением организующей роли эколого-географических факторов на разных уровнях ее организации. В основу положены принципы, изложенные в учении В.Б. Сочавы (1979) о размерности растительности и иерархии эколого-географических факторов, обусловливаю щих разнообразие и пространственную структуру растительности на планетарном и регио нальном уровнях (зональность, океаничность-континентальность климата, рельеф). Принятая система зонально-секторных категорий, отражает высшие подразделения структуры расти тельного покрова на региональном и субрегиональном уровнях. Система отражает особенно сти растительного покрова в соответствии с мезоклиматом, обусловленным солярной зо нальностью и циклоническими и антициклоническими процессами, а также характером поч венно-грунтовых условий, связанных со спецификой мезорельефа и типом подстилающих материнских пород.

Разработан алгоритм моделирования пространственной структуры растительного по крова с использованием современных информационных технологий.

Алгоритм представляет многоэтапный процесс от обработки полевых данных до синте за представлений о разнообразии, экологии и структуре растительности в финальной карто графической модели. Каждый этап исследования сопровождался количественной обработкой данных и построением вспомогательных моделей (ординационные модели геоботанических описаний, ценофлор, крупномасштабные модели организации растительности на ключевых полигонах, модели «растительность – климат», «растительность – рельеф»), а также широ ким использованием данных дистанционного зондирования и ГИС-технологий. Это позво лило не только создать серию эколого-фитоценотических моделей, но и протестировать дос товерность полученных результатов. Схематически примененный алгоритм исследований представлен на рис. 5.1.1. Результаты выполненного в рамках настоящего проекта тематиче ского моделирования, так же как и полное описание алгоритма исследований опубликованы в статьях и монографии (Ермаков и др., 2006, 2007, Hoffmann, Ermakov, 2008, Chytry et al.

2008).

Используемые источники 1. Ермаков Н.Б., Дитц Л.Ю., Равкин Ю.С., Алсынбаев К.С., Махатков И.Д., Артемов И.А., Черемушкина В.А., Нозирова Г.Р., Попов Д.Ю., Суляев. Экспертно-аналитическая географическая информационная система (ГИС) “ПРОСТРАНСТВЕННО–ВРЕМЕННАЯ ДИНАМИКА ЭКОСИСТЕМ УРАЛА И СИБИРИ”. Биораз нообразие и динамика экосистем: информационные технологии и моделирование, Изд-во СО РАН, Новоси бирск, 2006.

2. Сочава В.Б. Растительный покров на тематических картах. Новосибирск: Наука. 1979. 190 с.

3. M. Chytr, J. Danihelka, S. Kubeov, P. Lustyk, N. Ermakov, M. Hjek, P. Hjkov, M. Ko, Z. Otpkov, J. Roleek, M. eznkov, P. marda, M. Valachovi, D. Popov, I. Pit. Diversity of forest vegetation across a strong gradient of climatic continentality: Western Sayan Mountains, southern Siberia // Plant Ecology, 1, 2008, С. 61- 4. Hoffmann M., Ermakov N. Modelling plant distribution ranges using climatic data. // Вычислительные техноло гии, Т. 12, Специальный выпуск, 1, 2007. С. 178-193.

5.2. Мелкомасштабная картографическая модель «Экосистемы бореальной зоны За падно-Сибирской равнины»

Основой создания картографической модели экосистем бореальной зоны использовано базовое положение о ведущей роли растительного покрова в определении размерности и конкретных границ экосистем. Тематическими источниками карты выступили следующие опубликованные материалы: Карта растительности юго-востока Западной Сибири (под ред.

Е.И. Лапшиной, 1963), Карта растительности Западно-Сибирской равнины, 1:1500000 (Иль ина и др., 1976), Карта болотных массивов (Романова Е.А., 1977). Содержательная часть соз данной карты экосистем приведена в соответствие с масштабом (1:7500000) и со спецификой установления соответствия единиц растительности и почвенных подразделений. Технологи чески, создание новой карты основано на изменениях очертаний векторных контуров отциф рованных и географически привязанных выше упомянутых карт в соответствии с разрабо танной легендой и новой информацией, полученной при обработке космических снимков MODIS/Terra с разрешением 250 м. Все картографические работы были выполнены в среде ArcView 9.0, а дешифрирование космических снимков осуществлено в среде ERDAS 9.0.

Фрагмент созданной электронной карты представлен на рис. 5.2.1 и 5.2.2.

При отражении тематического содержания карты в легенде использованы подходы, реализованные В.Б. Сочавой (1979), а также реализованные при составлении Карты расти тельности Европы (Bohn et al., 2003). Эти подходы отражают следующие признаки расти тельного покрова:

1. Структурно-физиономические и экологические признаки растительного покрова.

2. Разделение растительности на 2 категории: зональные и незональные типы.

3. Биогеографические принципы (отражение зональных, подзональных, географических сек торных и биоклиматических закономерностей).

4. Видовой состав доминирующего (верхнего) яруса.

5. Флористический критерий. Характерные виды и комбинации, флористическая дифферен циация, отражающая эколого-географические различия подразделений растительности.

6. Специфические комбинации растительных сообществ.

В легенде карты бореальных экосистем использованы два базовых иерархических уровня легенды: подзональные особенности лесной растительности, распространенной на равнинах и низких плато и единицы региональной размерности, представляющие домини рующие эколого-географические типы растительности или характерные сочетания несколь ких экологически различных типов. Полная легенда включает 28 подразделений, объединен ных в 5 категорий.

Арктика Лесотундра Северотаежная подзона Среднетаежная подзона Южнотаежная подзона Рис. 5.2.1. Подзональные категории на карте бореальных экосистем.

Рис. 5.2.2. Фрагмент Карты бореальных экосистем Западно-Сибирской равнины (1:7500000).

1. Гипактические (cубарктические) редколесья, кустарниковые и кустарничковые сообще ства.

1.1. Лиственничные и елово-лиственничные редколесья.

1.2. Ерниковые и ивняково-ерниковые и ерниково-ольховниковые кустарничково лишайниково-моховые тундры в сочетании с лиственничными редколесьями и плос кобугристыми болотами.

2. Северо-таежный подзональный тип.

2.1. Лиственнично-еловые и еловые зеленомошно-лишайниковые и зеленомошные ред костойные леса в сочетании с ерниково-сфагново-лишайниковыми плоскобугристы ми болотами.

2.2. Лиственнично-елово-кедровыелишайниково-зеленомошно-кустарничковые и зеле номошно-кустарничковые леса в сочетании с кедрово-березовыми вторичными ле сами.

2.3. Сосновые с кедром и лиственницей лишайниковые и лишайниково-кустарничково сфагновые леса в сочетании с выпуклыми кустарничково-сфагновыми и сосново кустарничково-сфагновыми олиготрофными болотами.

2.4. Лиственничные и елово-лиственничные кустарничково-лишайниково-долгомошные, кустарничково-сфагновые редкостойные леса в сочетании с плоско- и крупнобугри стыми болотами.

2.5. Лиственничные и елово-лиственничные, местами с кедром и березой лишайниково мохово-кустарничковые и зеленомошные редкостойные леса редкостойные леса.

2.6. Лиственнично-сосновые лишайниково-зеленомошно-кустарничковые леса в сочета нии с сосновыми лишайниковыми лесами и кустарничково-мохово-лишайниковыми крупнобугристыми болотами.

2.7. Кустарничково-мохово-лишайниковые, травяно-сфагновые, осоково-гипновые и осоково-пушицево-сфагновые плоскобугристые комплексные болота.

2.8. Лишайниково-сфагновые плосковыпуклые олиготрофные болотно-озерные ком плексы.

2.9. Лугово-болотно-соровая растительность поймы нижнего течения р. Оби.

2.10. Кустарниково-лесная растительность долин притоков Оби.

3. Средне-таежный подзональный тип 3.1. Елово-кедровые и темнохвойно-березовые с лиственницей и сосной кустарничково зеленомошные леса, местами в сочетании с кустарничково-сфагновыми олиготроф ными болотами.

3.2. Елово-кедровые с пихтой и темнохвойно-березовые мелкотравно-бруснично зеленомошные леса.

3.3. Елово-кедровые долгомошные и кустарничково-сфагновые леса в сочетании с кус тарничково-сфагновыми олиготрофными болотами.

3.4. Сосновые бруснично-зеленомошные, бруснично-лишайниковые и багульниково бруснично-зеленомошные леса местами в сочетании с сосново-кустарничково сфагновыми олиготрофными болотами.

3.5. Сосновые и березово-сосновые долгомошно-сфагновые и кустарничково-сфагновые леса в сочетании с кустарничково-сфагновыми олиготрофными болотами.

3.6. Сфагновые сосново-кустарничковые олиготрофные выпуклые болота (Багульнико во-кассандрово-сфагновые с сосной и кедром на грядах, со сфагновыми мочажина ми, с периферийным рядом сосново-сфагновых мезо-евтрофных ассоциаций и со сново-кустарничково-сфагновые олиготрофные болота).

3.7. Лесо-кустарниково-сорово-луговая растительность поймы нижнего течения р. Оби.

4. Южно-таежный подзональный тип 4.1. Елово-пихтовые, пихтово-еловые и пихтово-елово-кедровые зеленомошно мелкотравные и мелкотравно-осочковые с элементами широкотравья леса местами в сочетании с кедровыми с пихтой и елью травяно-сфагновыми заболоченными леса ми.

4.2. Пихтово-еловые с участием березы и осины, местами с липой зеленомошно-травяные леса с участием неморальных видов в сочетании с влажными широкотравными леса ми.

4.3. Сосновые, местами с липой, травяно-кустарничковые с разреженным моховым по кровом леса местами в сочетании с березовыми, сосново-березовыми осоково сфагновыми и вейниково-осоковыми болотами.

4.4. Березовые с елью, сосной, кедром вейниково-хвощевые осоково-сфагновые леса в сочетании с осоково-сфагновыми залесенными болотами.

4.5. Лесо-кустарниково-луговая растительность пойм среднего течения Оби.

5. Подтаежный подзональный тип.

5.1. Березовые и осиновые вейниковые и вейниково-разнотравные леса в сочетании с лесными суходольными лугами: ежовыми, мятликовыми, овсянницевыми, местами в сочетании с осоковыми и тростниково-осоковыми болотами.

5.2. Сосновые вейниковые и травяно-кустарничковые леса в сочетании с сосновыми ли шайниковыми лесами.

5.3. Осоково-гипновые и травяные евтрофные болота.

5.4. Лесо-кустарниково-луговая растительность пойм Оби.

На основе легенды созданной карты бореальных экосистем разработан универсальный классификатор, связывающий информацию о категориях растительного покрова и почв (вы полнено совместно с ИПА СО РАН, ИВТ СО РАН). В результате была создана интегриро ванная картографическая основа растительного и почвенного покрова и совместимое с кар тографической основой программное обеспечение для тематической обработки специализи рованных баз данных по запасам органического углерода в почвах и фитомассе.

Используемые источники Карта растительности юго-востока Западной Сибири. М. 1:1000 000 / Ред. Лапшина Е.И. М. ГУК, 1963.

1.

Карта растительности Западно-Сибирской равнины. Под ред. И.С. Ильиной и др. М. ГУГК, 1976.

2.

Сочава В.Б. Растительный покров на тематических картах. Новосибирск: Наука. 1979. 190 с.

3.

4. Bohn, U., Gollub, G., Hettwer, C., Neuhauslova, Z., Schlueter, H., & Weber, H. 2003. Karte der natuerlichen Vege tation Europas. Map of the natural vegetation of Europe. Federal Agency for Nature Conservation, Bonn.

5.3. Электронные слои «Растительность» и «Почвы» бореальной зоны Западной Сибири Для оценки запасов Сорг в почвах и растительном веществе бореальной зоны в ИПА СО РАН (совместно с ЦСБС СО РАН и ИВТ СО РАН) создана интегрированная картографиче ская основа растительного и почвенного покрова и совместимое с картографической основой программное обеспечение для тематической обработки специализированных баз данных по запасам Сорг в почвах и фитомассе. Базовыми информационными слоями распределенной ГИС являются: электронные слои «Растительность» и «Почвы» бореальной зоны Западной Сибири, программные средства для актуализации и управления базой данных «Углерод в почвах Сибири», среднемасштабные почвенные карты ключевых участков ландшафтных провинций бореальной зоны, макет электронной карты «Запасы Сорг в почвах бореальной зо ны Западной Сибири».

Основным источником органической части почвы является растительность. Для преоб ладающего большинства наземных экосистем запас Сорг в почвах существенно зависит от продуктивности растительного покрова. В почвах бореальной зоны он закономерно увеличи вается от подзолистых (2-3%) к дерново-подзолистым и серым лесным почвам (4-6%) хвой но-мелколиственных лесов до 30-40% в торфянистых и торфяных почвах заболоченных ле сов и моховых болот. Учитывая тесную зависимость формирования запасов Сорг в почвах от типов фитоценозов, картографические и тематические слои были созданы на основе гене рализованной легенды карты «Растительность Западно-Сибирской равнины», 1976, предос тавленной для использования ЦСБС СО РАН. При разработке легенды данной мелкомас штабной карты (1:7500000) использованы два базовых иерархических уровня – подзональ ные особенности лесной растительности, распространенной на равнинах и низких плато и единицы региональной размерности, представляющие доминирующие эколого географические типы растительности или характерные сочетания нескольких экологически различных типов. Полная легенда включает 29 подразделений, объединенных в 5 категорий.

Электронный слой «Почвы» (1:7500000) является сопряженным к карте «Растительность»

бореальной зоны Западно-Сибирской равнины и создан по единым принципам построения легенды, ее структуры и содержания картируемых единиц, реализованных в карте расти тельности. Его легенда также включает 29 подразделений, объединенных в 5 категорий (рис. 5.3.1).

а б Рис. 5.3.1. Базовые цифровые слои «Растительность» и «Почвы» пространственно распределенной ГИС.

На территории исследования, так же как и в других биоклиматических зонах, типы рас тительности и типы биологического круговорота тесно связаны с типами почвообразования.

Географически такая закономерность выражается в том, что зонам растительности соответ ствуют почвенные зоны с преобладанием определенного зонального типа почв (табл. 5.3.1).

Таблица 5.3.1. Соотношение единиц легенды электронных карт «Растительность» и «Почвы»

бореальной зоны Западной Сибири В пределах зонально-подзонального деления отмечается также высокая степень соот ветствия границ и информационного содержания контуров почвенного и растительного по крова. Полученные в результате генерализации, объединенные типологические выделы почв хорошо согласуются с типами и группами типов растительных сообществ. Например, в лесотундрово-северотаежной зоне значительные площади, занятые неупорядоченно пятнистыми, бугорковато-кочкарниковыми, плоско- и крупнобугристыми почвенными ком плексами пространственно совмещаются с низкорослыми заболоченными лесами и редко лесьями в сочетании с обширными массивами моховых болот. В этой же зоне на дрениро ванных участках под темнохвойными лесами формируются иллювиально-гумусово железистые, торфянисто- и торфяно-глеевые подзолы. В подзоне средней тайги широко представлены крупноконтурные сочетания грядово-мочажинных и грядово-озерковых ком плексов торфяных почв и комплексов растительности олиготрофных сосново кустарничково-сфагновых болот. В южной тайге локальным контурам темнохвойных и со сново-березовых травяно-моховых лесов соответствуют специфичные для региона дерново глубокоподзолистые со вторым гумусовым горизонтом почвы, а в подтайге характерны мел коконтурные сочетания и комплексы серых лесных почв с березовыми и осиновыми травя ными лесами. Предполагается, что установленное соответствие границ и информационного содержания контуров почв и растительности на созданных электронных картах в дальней шем будет использовано для описания современного географического и временного распре деления запасов и потоков углерода в экосистемах бореальной зоны.

Среднемасштабные карты почв ключевых участков, созданные на основе материалов дистанционных исследований, принципов ландшафтного районирования и методов ланд шафтно-индикационного дешифрирования отражают основные пространственно географические особенности типичных ландшафтов и свойства почв.

5.4. Создание Географической информационной системы «Пространственно-временная организация бореальных экосистем Северной Азии» как основы изучения бореального биома В ЦСБС СО РАН, совместно с ИПА СО РАН и ИВТ СО РАН, создана интегрированная картографическая основа для тематической обработки специализированных баз данных по запасам органического углерода в почвах и фитомассе растительного и почвенного покрова, а также совместимое с картографической основой программное обеспечение.

Основу ГИС составил ряд электронных карт на ключевые регионы Северной Азии, среди которых наиболее важными выступили:

1. Созданные электронные версии существующих на бумажных носителях карт раститель ности ключевых территорий Северной Азии: «Карта растительности Якутии» и азиат ская часть «Карты «Растительность СССР» (совместно с ИПА СО РАН).

2. Интегрированная Карта бореальных экосистем Западно-Сибирской равнины (1:7500000).

3. Серия существующих электронных векторных и растровых карт растительности, соз данных институтами-участниками проекта и другими организациями: карты раститель ности Иркутской области и Республики Бурятия (ИГ СО РАН), карта растительности Северной Евразии (ИКИ РАН) 4. Синтезированный и трансформированный космический снимок Modis с разрешением 250 м на всю территорию бореальной зоны Северной Евразии.

5. Электронная растровая модель рельефа (разрешение 90 м) на всю территорию бореаль ной зоны.

6. Серия географических карт с информационными слоями речной сети, водоемов, админи стративных подразделений.

Все созданные и собранные слои эколого-ботанической и географической информации выступили в качестве основы для моделирования пространственно-временных закономерно стей первичной продукции экосистем и запасов углерода бореальной зоны.

5.5. Оценка запасов Сорг в почвах бореальной зоны Западной Сибири Были проведены расчеты запасов Сорг на основе базы данных «Органический углерод», которая включает величины содержания гумуса в 5850 и объемной массы в 2300 разрезах почвенного покрова Сибири. Дополнительно создан специализированный блок данных по содержанию гумуса в почвах бореальной зоны, который включает большой массив собст венных и литературных данных, полученных по результатам исследований за последние 15 лет. В целом, база данных «Органический углерод в почвах бореальной зоны» в настоя щее время включает 480 величин содержания гумуса и объемной массы в 70 разрезах поч венного покрова бореальной зоны Западной Сибири. Каждый разрез имеет координатную привязку к соответствующему контуру почвенного и растительного покрова.

В исследованиях по оценке запасов Сорг большое значение имеют материалы детально го дешифрирования, выполненные в рамках экосистем, типичных ландшафтов и природных комплексов с учетом пространственных характеристик территории и свойств почв. Отработ ка использования дистанционной информации для оценки запасов С орг была проведена на ключевых участках, расположенных в пределах ландшафтных провинций бореальной зоны.

Выделение типологических регионов проводилось с учетом принципов ландшафтного районирования. Сущность метода заключается в сопряженном анализе региональных струк тур, объективно отражающихся на космических снимках и фиксируемых на ландшафтно типологических картах. Индивидуальные геоморфологические единицы были выделены на космических снимках, как обособленные по закономерной композиции структурных элемен тов и по отчетливо дешифрирующихся природных и антропогенных факторах дифферен циации почвенного покрова.


Среднемасштабные почвенные карты ключевых участков были созданы по материалам дешифрирования космических снимков Landsat с последующей векторизацией в ArcGIS.

В структуре распределенной ГИС почвенные карты ключевых участков являются базо вым информационным слоем, в котором закономерности функциональных и корреляцион ных связей природных объектов (в нашей работе почвы и растительности) остаются тожде ственными с переходом от одного масштаба к другому. В соответствии с принципами ланд шафтно-географического районирования, на территории исследования выделено 17 ланд шафтных провинций, расположенных в лесотундровой, лесоболотной и сосново мелколиственной зонах. Ландшафтные провинции, в границах которых находятся ключевые участки, относятся к северной, средней и южно-таежной ландшафтным подзонам лесоболот ной зоны.

В подзоне северной тайги выделены ключевые участки: Обско-Тазовский – листвен ничных, лиственнично-елово-кедровых и сосновых лесов, нередко редкостойных с обшир ными массивами плоско-бугристых и грядово-мочажинных болот на тундрово-глеевых поч вах и глееземах;

Сибирско-Увальский (Сургутское полесье) – пихтово-еловых и лиственнич но-еловых лесов с выпуклобугристыми, мочажинно-грядовыми и травяными болотами на подзолах и подзолисто-глееватых почвах;

Верхнетазовский – крупные болотные массивы отсутствуют, под лиственничными лесами и лиственнично-елово-кедровой тайгой форми руются глеево-мерзлотно-таежные и глеево-подзолистые почвы. В подзоне средней тайги выделены ключевые участки: Северо-Сосьвинский – значительные площади заняты верхо выми болотами, под лиственнично-сосновыми лесами и рямовыми редколесьями формиру ются глеево-подзолистые почвы;

Кондинский – обширные площади занимают безлесные торфяники с сосновыми рямами, грядово-мочажинными и низинными болотами, под сосно выми борами формируются иллювиально-железистые подзолы;

Среднеобской – наиболее типичны верховые сфагновые грядово-мочажинные и низинные болота, под сосновыми бо рами и темнохвойными лесами формируются подзолистые почвы. В подзоне южной тайги выделены ключевые участки: Нижнетобольский – значительные площади занимают верхо вые и низинные болота, под березовыми лесами формируются дерново-подзолистые и серые лесные почвы;

Васюганский – обширные площади занимают верховые и переходные грядо во-мочажинные болота, под темнохвойной тайгой и заболоченными березняками формиру ются дерново-подзолистые и подзолисто-болотные почвы;

Чулымо-Енисейский – под тем нохвойными южнотаежными лесами и березово-осиновыми лесами – серые и серые лесные глееватые почвы.

По мнению исследователей бюджета углерода в экосистемах бореальных лесов, как нашей стране, так и за рубежом, к основным факторам, приводящим к значительной неопре деленности в описании цикла углерода, относятся неточности в определении типологии и площадного соотношения единиц дифференциации почвенно-растительного покрова. По этому специальной задачей нашего исследования являлась коррекция границ и информаци онного содержания почвенных контуров на основе космических снимков на локальном уровне, а также в пределах ландшафтных зон, подзон и провинций (рис. 5.5.1).

Рис. 5.5.1. Фрагмент Северо-Сосьвинской ландшафтной провинции: 1 – наложение контуров почвенной карты на космический снимок;

2- цифровая обработка контуров почвенной карты по данным космического снимка.

В пределах региона автоморфные ландшафты занимают около 40% общей площади, а на остальной территории почвенно-растительный покров формируется в гидроморфных или относительно дренированных условиях.

Доминирующим компонентом бореальной зоны являются почвенные комплексы – наи более сложные структуры почвенного покрова, в которых наблюдается чередование резко различающихся почв, взаимосвязанных в своем генезисе и создающих специфические ланд шафтные образования.

В ИПА СО РАН была отработана методика использования данных дистанционных ис следований для оценки запасов Сорг.

По данным цифровой обработки почвенной карты и дешифрирования космических снимков на территории исследования были выделены лесотундрово-таежные, таежные, ал лювиально-пойменные и болотные комплексы почв (рис. 5.5.2).

Почвенные комплексы занимают более 20% площади региона, а в границах отдель ных выделов площади контуров почв, входящих в их состав варьируют в очень широких пределах. По данным цифровой обработки и дешифрирования космических снимков были получены площади почв лесотундрово-таежных комплексов, которые не приводятся в сводке к Почвенной карте РФ М 1:2,5 млн. Откорректированы контурные границы и тематическое содержание почвенных контуров, занимающих наибольшие площади. Например, торфяно болотные переходные и торфяно-болотные деградирующие, находящиеся в составе комплек са крупно-бугристых болот, вследствие того, что их площади не были определены, были от несены к болотным верховым плоско-бугристого комплекса, площади которых по данным оцифровки крайне незначительны.

Площади почв крупно- и плоско-бугристых торфяников, грядово-мочажинных и гря дово-озерковых комплексов. В целом занимают около 20% площади, на которой формирует ся более 30% общего запаса Сорг региона. Особое внимание было уделено высокооргано генным почвам, которые формируют основной запас Сорг. В зональном ряду почв подзолы занимают около 10% бореальной зоны и, хотя они отличаются низким содержанием органи ческого углерода, их значение в углеродном бюджете региона весьма велико. По оценкам запасов Сорг в природных комплексах средней тайги, нами было показано, что в среднетаеж ных экосистемах от 4 до 10% запасов Сорг формируется за счет подзолов.

Рис. 5.5.2. Пространственное распределение: 1– комплексов почв лесотундрово-таежных;

2 – комплексов почв таежных;

3 – торфяно-болотных почв;

4 – автоморфных и полугидроморфных почв в границах бореальной зоны Западной Сибири.

Границы и информационное содержание почвенных контуров откорректированы на ос нове космических снимков на локальном уровне и в пределах ландшафтных провинций, что повышает точность выделения типологии и площадного соотношения единиц дифференциа ции почвенно-растительного покрова.

По предварительной оценке, выполненной с использованием распределенной ГИС, за пас Сорг в почвах бореальной зоны составляет 83,6 ·108 т соответственно это 28,2% запасов Сорг в почвах России или 15,2% его мировых запасов.

Часть 6. Сервис-ориентированная геоинформационная система сбора, хра нения и обработки спутниковых и натурных данных В последние годы в области создания и развития средств и технологий дистанционного зондирования Земли наблюдается стремительный прогресс. Пространственное разрешение снимков повысилось до десятков сантиметров, спектральное разрешение – до сотен каналов.

Кроме того, с каждым годом растет число запускаемых спутников высокого и сверхвысокого разрешения. Как следствие, лавинообразно растут получаемые объемы спутниковых данных.

В то же время накоплен достаточно большой объем эмпирической информации об изу чаемых объектах и явлениях (заданной таблицами разнотипных данных, временными рядами и экспертными знаниями, представленными в виде логико-вероятностных высказываний).

Изучаемые в ходе междисциплинарных исследований процессы и явления, а также их взаимосвязи, настолько сложны, что только совместный анализ спутниковых и других про странственных данных позволяет получить качественно новые знания и построить адекват ные модели природных экосистем. Пространственными будем называть любые цифровые данные, имеющие географическую привязку.

В Институте вычислительных технологий СО РАН создана и развивается сервис ориентированная геоинформационная система для обеспечения доступа к пространственным данным [1]. Система строится на основе каталога спутниковых данных Новосибирского на учного центра СО РАН [2], который с 2008 года регулярно пополняется оперативными дан ными SPOT 4 и содержит архивные данные со спутников серии LandSat на территорию РФ за 1982-2002 годы. С апреля 2010 года к каталогу подключена система структурного восстанов ления оперативных данных, поступающих с платформ MODIS/(Terra+Aqua). Прием данных осуществляется Западно-Сибирским региональным центром приема и обработки данных в рамках соглашения о межведомственном сотрудничестве.

Система реализована в виде базового набора приложений работающих в среде сервера приложений Tomcat. Подсистема пользовательских интерфейсов реализована с использова нием технологий PHP/JavaScript. Доступ к системе реализован посредством модуля Central Authentication Service (CAS). Он позволяет организовать многоуровневую систему разграни чения прав доступа с централизованной базой пользователей на основе LDAP-каталога Си бирского отделения РАН и реализовать практически индивидуальные настройки доступа к любому защищаемому ресурсу.

Система состоит из следующих функциональных блоков (см. рис. 6.1).

Рис. 6.1. Структура картографической информационной системы.

Центральным блоком системы является подсистема картографических сервисов, реали зованная на основе пакета GeoServer. Подсистема обеспечивает доступ к картографической информации, хранящейся в системе (базовые подложки, векторные слои, построенные по базам данных и др.). Для публикации динамических данных используется пакет UMN MapServer, который обеспечивает доступ к данным, формируемым в оперативном ре жиме, а также к пользовательским наборам данных.

Для тематической обработки данных в систему интегрирован комплекс программ, ос нованный на эффективных логико-вероятностных алгоритмах выбора информативных при знаков и классификации [3].

Для расширения функциональности системы используется подсистема сервисов. На основе WPS-сервера deegree, распространяемого по лицензии GPL, разработан модуль для интеграции в систему алгоритмов обработки пространственных данных. Он осуществляет интерпретацию входных и выходных данных согласно спецификации протокола WPS и вы полняет функции контейнера для неограниченного числа WPS-процессов. Архитектура мо дуля представлена на рис. 6.2.


Веб-приложение ГИС-клиент RIA-приложение ГИС-сервера Frontend-сервер Подсистема сервисов WMS-сервер WPS-сервер deegree Контейнер Java-приложений Модули доступа ко Алгоритмы внешним приложениям Сервер PostgreSQL/PostGIS обработки (ENVI, GRASS GIS и др.) Системы хранения данных, в том числе удаленные (iSCSI)...

БД PostgreeSQL Векторные Архив Растровые данные карт-подложек данные + PostGIS Рис. 6.2. Структурная схема подсистемы сервисов.

Для обработки данных с помощью WPS-процесса пользователь вводит в клиентском приложении адрес WPS-сервера, после чего ему предоставляется список доступных процес сов и их описания (метаданные на естественном языке). Выбрав необходимый алгоритм, пользователь указывает значения входных параметров в соответствии со спецификацией протокола WPS. Например, для алгоритмов классификации входными параметрами являются классифицируемое растровое изображение, обучающая выборка (для обучаемых и полуобу чаемых алгоритмов), а также набор параметров, специфичных для конкретного алгоритма.

Значениями параметров могут быть как данные, находящиеся на компьютере пользователя, так и результаты выполнения запросов к удаленным WPS/WMS-серверам. В этом случае за прос обрабатывается распределенно, без необходимости сохранения промежуточных резуль татов.

Эта технология позволяет обеспечить широкому кругу потенциальных пользователей доступ к хранилищу современных наукоемких алгоритмов и вычислительным ресурсам, не обходимым для оперативной обработки больших массивов разнородных данных.

На данный момент в виде WPS-процессов реализован набор эффективных непарамет рических алгоритмов, которые позволяют решать широкий круг задач, связанных с распо знаванием образов и анализом многоспектральных изображений.

Для обеспечения функционирования системы в распределенном режиме и интеропера бельности по протоколам доступа к метаданным и их представлению, в нее интегрированы модули поддержки протокола Z39.50 [4]. Поисковая система позволяет не только находить данные по метаданным, но и выполнять комплексные запросы.

В настоящее время к системе подключено 29 институтов Сибирского отделения РАН.

Система используется для выполнения междисциплинарных интеграционных проектов СО РАН.

В ходе выполнения проекта разработана технология предоставления разнородных про странственных данных для их совместного анализа и интерпретации [5]. Технология исполь зована для формирования набора веб-сервисов на основе картографических и других про странственных данных, включающего тематические карты и результаты их обработки, а также данные, представляющие поля физических величин, полученные в результате модели рования:

1) векторная карта растительности Западной Сибири и ландшафтная карта Иркутской об ласти;

2) векторная карта почв бореальной зоны Западно-Сибирской равнины (рис. 6.3) и соответ ствующая ей карта растительности, содержащая 28 различных типов растительности (М 1:7500000);

3) база данных по содержанию органического углерода в почвах Сибири (рис. 6.4 и 6.5);

4) климатологические данные за период с 1989 по 2009 гг. на ключевой участок с коорди натами: 53-70 с.ш., 59-93 в.д., подготовленные сотрудниками Института мониторинга климата и экологических систем СО РАН.

Климатологические данные, подготовленные в ИМКЭС СО РАН, содержат параметры, оказывающие влияние на растительный покров Западной Сибири и рассчитанные на основе декадных данных по температуре и осадкам реанализа Европейского центра среднесрочных прогнозов погоды с разрешением 0.250.25 за период с 1989 по 2009 гг. К таким параметрам относятся: средняя температура по каждому из 12 месяцев;

средняя годовая температура;

среднемесячное количество осадков для каждого из 12 месяцев;

годовое количество осадков;

количество дней в году со среднесуточной температурой выше 5 C и т.п.

Рис. 6.3. Пользовательский интерфейс для визуализации векторных карт (на примере WMS-слоя «Карта почв бореальной зоны Западно-Сибирской равнины»).

Рис. 6.4. Пользовательский интерфейс для визуализации баз пространственных данных (на примере веб-сервиса «База данных по содержанию органического углерода в почвах Сибири»).

Рис. 6.5. Пользовательский интерфейс для анализа баз пространственных данных (на примере веб-сервиса «База данных по содержанию органического углерода в почвах Сибири»).

Так как данные характеризуются разными картографическими проекциями и разным про странственным разрешением, был выбран подход, при котором задача унификации данных решается встроенными средствами программного обеспечения. Для этого разработан сервис, обеспечивающий выполнение запроса GetFeatureInfo стандарта WMS. Такой подход обеспе чивает не только интеграцию веб-сервиса в различные тематические веб-ресурсы, но и его использование внешними приложениями, поддерживающими стандарт WMS (к настоящему времени это большинство пакетов для работы с пространственными данными). К таким про граммным продуктам относятся MapInfo, AcrGIS, QGIS и др. В процессе разработки набора сервисов была проведена унификация имеющихся баз пространственных данных. В настоя щее время для реализации сервисов используется СУБД PostgreSQL с расширением PostGIS, позволяющим встраивать в структуру СУБД пространственную информацию и выполнять набор операций над этими объектами, в том числе пространственные запросы и различные операции, связанные с проецированием данных. Использование встроенных механизмов, расширенных дополнительным функционалом (реализованным в виде встраиваемых моду лей), позволило получить высокопроизводительную платформу для создания инфраструкту ры доступа к разнородной пространственной информации.

Для доступа к данным проекта реализован набор пользовательских интерфейсов, на пример интерфейс доступа к базе данных по запасам органического углерода в почвах Сиби ри (см. рис. 6.4-6.5). Кроме того, публикация результатов выполнения проекта в виде стан дартизованных веб-сервисов позволяет анализировать их при помощи большинства совре менных геоинформационных систем (рис. 6.6 и 6.7).

Разработанная информационная система обеспечивает возможность интеграции источ ников разнотипных пространственных данных в единую информационную среду и унифи цированного поиска благодаря использованию модели работы с данными Z39.50. Созданная подсистема сервисов предоставляет широкому кругу потенциальных пользователей стандар тизированный доступ к данным и алгоритмам их обработки. Такой подход позволил обеспе чить высокую степень информационной и алгоритмической поддержки при проведении на учных исследований по данному проекту.

Рис. 6.6. Пример использования результатов выполнения проекта в ГИС QGIS (совместный анализ WMS-слоев «Карта растительности бореальной зоны Западно-Сибирской равнины»

и «Поле среднегодовых температур» за 2009 г.).

Рис. 6.7. Пример отображения результатов выполнения проекта посредством JavaScript-клиента на основе библиотеки OpenLayers (WMS-слои «Поле среднегодовых температур» за 1991, 2001 и 2009 гг.).

Используемые источники 1. Шокин Ю.И., Пестунов И.А., Смирнов В.В., Синявский Ю.Н., Добротворский Д.И., Скачкова А.П. Корпора тивная информационная система СО РАН сбора, хранения и обработки спутниковых данных // Горный ин формационно-аналитический бюллетень. 2009. Отдельный выпуск «Кузбасс 2». С. 3-10.

2. Пестунов И.А., Смирнов В.В., Жижимов О.Л., Синявский Ю.Н., Скачкова А.П., Дубров И.С. Каталог про странственных данных для решения задач регионального мониторинга // Вычисл. технологии. 2008. T. 13.

Вестн. КазНУ им. аль-Фараби. Серия: Математика, механика, информатика. 2008. № 4 (59). Совместный вып. Ч. III. С. 71-76.

3. Добротворский Д.И., Куликова Е.А., Пестунов И.А., Синявский Ю.Н. Веб-сервисы для непараметрической классификации спутниковых данных // Сб. матер. VI Междунар. научн. конгресса «ГЕО-Сибирь-2010». Но восибирск: СГГА. 2010. Т. 1, ч. 2. С. 171-175.

4. Жижимов О.Л., Мазов Н.А. Принципы построения распределенных информационных систем на основе про токола Z39.50.Новосибирск: ОИГГМ СО РАН;

ИВТ СО РАН, 2004. 361 с.

5. Федотов А.М., Медведев С.Б., Пестунов А.И., Пестунов И.А. О нестандартном поведении минимальной модели углеродного цикла // Вестник НГУ. Серия: Информационные технологии. 2011. Т. 9, вып. 1. С. 82 88.

Часть 7. Методы и средства сетевого моделирования применительно к ви зуальной реконструкции и анализу экосистем 7.1. Программный пакет для сетевого моделирования экологических систем EcoNetStudio.

Любая экологическая система динамична, но исходные данные, на которые опирается моделирование динамики, сильно зависят от размерного класса рассматриваемой экосистемы и применяемого подхода к выделению экосистемы. При моделировании экосистем большого размерного класса, где на первый план выходит сам факт наличия круговорота веществ (в частности, углерода) на определенной территории, доминирует функциональный подход.

Основные блоки, между которыми происходит перенос вещества, в моделях стандартизированы (например, литомассы, педомассы, мортмассы, биомассы, водные массы и аэромассы) и отражают обобщенные показатели, полученные на основе характеристик, снятых через определенные промежутки времени с различных участков земной поверхности, горизонтов почв, аэромасс и т.д. Поэтому дальнейшая детализация блоков часто нецелесообразна или невозможна из-за фрагментарности и/или отсутствия данных для выделяемых подблоков.

Разумное приближение к портретной детализации, определяемое задачами моделирования, остается актуальным для экосистем малой размерности или экосистем, включающих ограниченное число объектов или рангов объектов (например, озеро, участки древостоя), взаимодействия между которыми могут быть измерены и/или оценены. Так, сукцессионная система является гомеостатированным сообществом из особей определенных видов (жизненных форм), жизнедеятельность которых определяют характер сукцессии в данных условиях [Разумовский, 1981]. Особенностью работы с такими системами является нечетко формализованная терминологическая база. Стандартизация в данном случае должна касаться не набора выделяемых блоков, а онтологии - описания предметной области. Гибкие средства и онтология позволяет аккумулировать описания различных экосистем и применять для их анализа стандартные методы (химико-кинетический подход [Лихошвай и др., 2008], методы теории графов, cетей Петри и т.д.).

Рис. 7.1.1. Редактор сетевых моделей экологических систем EcoNetStudio.

Использование компьютерного подхода для решения описанных задач обеспечивает удобное интерактивное взаимодействие в процессе реконструкции и анализа. Дается наглядное и вместе с тем строгое представление экосистемы в виде сетевой модели, а также возможность работы со сложными сетями (до нескольких тысяч элементов). Сущность технологии реконструкции заключается в использовании методов компьютерного онтологического описания и сетевых (графовых) моделей. С помощью онтологий определяется и уточняется общая терминологическая база конкретной экосистемы в контексте поставленных задач. Компьютерные онтологии позволяют обеспечить высокую степень гибкости и адаптивности программного обеспечения под различные типы экосистем и конкретных прикладных задач. В виду великого разнообразия окружающего мира, исследователям, для описания и реконструкции отдельно взятой экосистемы, необходимо создавать новые элементы. Новизна данной работы обусловлена синтезом этих двух подходов, что обеспечивает эффективную компьютерную поддержку при решении рассматриваемых задач. Реализацией этих подходов стало специализированное программное средство EcoNetStudio, представленное на рис. 7.1.1.

Предлагаемая нами система обеспечивает следующие функциональные возможности: (1) наглядное представление и реконструкцию моделей экосистем различной степени сложно сти;

(2) эффективную проверку структурно-функциональных характеристик модели экоси стемы на стадии реконструкции с целью минимизации ошибок;

(3) комплексный анализ эко систем для решения задач мониторинга и прогнозирования для изменения природных экоси стем с целью повышения их устойчивости к негативным внешним, в том числе антропоген ным воздействиям и т.д.

Используемые источники 1. Разумовский С.М. Закономерности динамики биоценозов. – М.: Наука, 1981. – 231 с.

2. Лихошвай В.А., Ратушный А.В., Бажан С.И. и др. Методы моделирования динамики молекулярно генетических систем // Системная Компьютерная биология (под ред. Колчанов Н.А., Гончаров С.С., Лихош вай В.А., Иванисенко В.А.). – Новосибирск: Изд-во СО РАН, 2008. – С. 333-396.

7.2. Универсальная компьютерная онтология описания макро- и микродинамики сете вых моделей экосистем В 2006 году были предложены концептуальные онтологии для описания макродинами ки (изменение структуры графа взаимодействий в экосистеме) и микродинамики (фиксиро ванная структура графа экосистемы при изменении «веса» отдельных ребер или вершин) экосистем [Сергеев и др., 2006]. Прямое перенесение этих онтологий в компьютерную ин формационную систему влекло за собой трудности, связанные с невозможностью реконст рукции сетевой модели экосистемы с помощью двух онтологий одновременно. Таким обра зом, возникла потребность в разработке общей универсальной компьютерной онтологии. В ходе ее разработки выявлены ключевые объекты в концептуальных обоих онтологиях описа ния макродинамики и микродинамики экосистем, обобщены и уточнены различия ключевых объектов. В результате, разработана компьютерная онтология для комплексного описания макро- и микродинамики экосистем (рис. 7.2.1). Онтология делится на элементарные объек ты (ЭО) и элементарные взаимодействия (ЭВ) между ними и включает в себя следующие объекты:

1. Макро- и микродинамика:

а) косный объект;

б) живой объект;

в) биокосный объект.

2. Только макродинамика:

а) экзогенный этап;

б) ценотический этап;

в) генезисный этап;

г) онтогенетический этап;

д) клиниальный этап.

3. Взаимодействия:

а) регуляция;

б) реакция;

в) переход (только для этапов).

Каждый из объектов онтологии обладает набором рангов, характеризующих элементы сетевой модели (уникальные параметры). Реакции и регуляции обладают характером взаи модействий (трофическая, информационная, онтогенетическая и т.п.), которые можно уточ нять и расширять с помощью специализированного средства – Ontology Manager [Тимонов и др., 2009]. Всего насчитывается 10 типов взаимодействий для реакций и 5 типов для регуля ций. Для описания сетевых моделей экосистем с учетом их макродинамики было сохранено понятие этапов.

Для более точного и корректного описания сетевых моделей была задействована вери фикационная политика, заключающаяся в определение возможных взаимодействий между объектами онтологии: (1) живой объект может содержать в себе только живые объекты;

(2) биокосный объект может содержать в себе только живой и биокосный объекты;

(3) косный объект может содержать в себе все доступные объекты, кроме этапов. Для этапов, относя щихся к описанию макродинамики экосистемы, определены следующие ограничения: (1) эк зогенный этап переходит только в себе подобный;

(2) генезисный этап переходит только в генезисный;

(3) ценотический и клинальный этап могут переходить в себе подобный, также друг в друга;

(4) онтогенетический этап переходит в себе подобный.

Для создания онтологии был разработан специализированный редактор Ontology Man ager, который позволяет без участия IT-специалиста создавать и модифицировать концепты и взаимодействия между ними. Визуальный интерфейс редактора представлен на рис. 7.2.2.

Рис. 7.2.1. Разработанная компьютерная онтология для описания макро- и микродинамики экосистем.

Рис. 7.2.2. Редактор описания предметной области (онтологии) Ontology Manager (концепт «Живой объект»).

Опыт лаборатории теоретической генетики ИЦиГ СО РАН в области реконструкции и анализа сетевых моделей молекулярно-генетических систем (генных сетей) [Timonov et al., 2010] показал, что граф, отображающий модель сетевой модели (генной сети, экосистемы и др.) должен иметь вид двудольного направленного графа: лишь в таком виде сеть может быть проанализирована общепринятыми, существующими в открытом доступе алгоритмами, основанными на теории графов (поиск регуляторных контуров и т.д.). С учетом этого на раз работанную онтологию были наложены правила, определяющие четкое возможное взаимо действие между элементами сетевой модели, описывающей экосистему. Правила предусмат ривают автоматическое разделение объектов онтологии на два множества, одно из которых включает объекты и этапы, а другое – взаимодействия между ними с помощью реакций, ре гуляций и переходов. Такой подход уменьшает вероятность появления коллизий при описа нии сетевой модели экосистемы, упрощает разработку/адаптацию проблемно ориентированных методов анализа и позволяет их повторно использовать при анализе про чих реконструированных моделей экологических систем.

Таким образом, EcoNetStudio в совокупности с новой компьютерной онтологией пре доставляет исследователям широкие возможности по визуальной реконструкции и анализа сетевых моделей экологических систем на различных уровнях их организации, с учетом внешних воздействий и различного функционирования в рамках сезонных и других этапов.

Используемые источники 1. Сергеев М.Г., Суслов В.В., Мигинский Д.С. и др. Опыт создания базы данных для описания экосистем с использованием сетевых технологий // Биоразнообразие и динамика экосистем (под ред. Шумный В.К., Шокин Ю.И., Колчанов Н.А., Федотов А.М.). – Новосибирск: Изд-во СО РАН, 2006. – С. 95–116.

2. Тимонов В.С., Мигинский Д.С., Колчанов Н.А. Технология реконструкции и анализа сетевых моделей экологических систем // Молодежь и современные информационные технологии. Сборник трудов VII Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых. Томск, 25 - февраля 2009 г. Т. 1. – Томск: Изд-во СПБ Графикс, 2009. – С. 335–336.

3. Timonov V.S., Gunbin K.V., Turnaev I.I., Genaev M.A., Miginsky D.S. Regulatory Circuits and Phylogenetic Decomposition in Gene Networks Evolution Research // Proceedings Of The 7th International Conference on Bioinformatics of Genome Regulation and Structure (BGRS'2010). Novosibirsk: ICG RAS, 2010. –P. 286.

7.3. Реконструкция структурной организации содово-соленого озера в Новосибирской области EcoNetStudio и разработанная нами комплексная онтология были применены для визу альной реконструкции ряда сетевых моделей экосистем. Одной из них является экосистема содово-соленого озера № 48. Это озеро входит в группу 10 озер Купинского и Баганского районов Новосибирской области. Озера входят в Чано-Кулундинскую область, разделенную на Западно-Барабинский, Восточно-Барабинский и Кулундинский геоморфологические рай оны [Брянская и др., 2010] (рис. 7.3.1).

Реконструированная сетевая модель, построенная на основе ранее описанной онтоло гии, представлена на рис. 7.3.2.

Модель (рис. 7.3.2, центральная панель) включает в себя следующие объекты:

1. озеро (компартмент);

2. одная масса (компартмент);

3. иловая масса (компартмент);

4. микробное сообщество (компартмент);

5. 7 горизонтов (слоев) ила (каждый слой – компартмент);

6. процессы переноса углерода;

7. обменные геохимические процессы.

Рис. 7.3.1. Карта-схема района исследований (соленые озера Купинского и Баганского районов Новосибирской области) с указанием озера № 48.

Рис. 7.3.2. Сетевая модель экосистемы озера № 48, созданная в EcoNetStudio.



Pages:     | 1 | 2 || 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.