Модель связывает представление о природном процессе с проверяемыми следствиями. Например, предположение о том, что нехватка ресурсов замедляет рост популяции, можно выразить уравнением и сопоставить его результат с наблюдениями. Сложность модели выбирают под вопрос исследования: описание отдельной популяции и прогноз состояния целого водосбора требуют разного набора процессов и данных.[1]
Какими бывают экологические модели
Сначала нередко строят концептуальную схему: выделяют компоненты системы и связи между ними. Количественные модели превращают эти связи в уравнения или вычислительные правила. Статистические модели устанавливают зависимости по данным, например связь встречаемости вида с температурой. Процессные модели описывают механизмы — рост, дыхание, перенос вещества — и рассчитывают их совместный результат. Эти подходы можно сочетать.[1]
В индивидуально-ориентированной модели отдельные организмы представлены как самостоятельные объекты. Для них задают свойства и правила: где искать пищу, когда размножаться, как реагировать на соседей. Из взаимодействий особей складывается динамика популяции. Такая модель помогает исследовать ситуации, в которых различия возраста, поведения или положения в пространстве существенно влияют на общий результат.[2]
Простой пример: рост популяции
При неограниченных ресурсах модель может предполагать постоянный удельный темп роста: чем больше особей, тем больше суммарный прирост. В природе это приближение обычно применимо лишь на ограниченном промежутке времени. В логистической модели удельный прирост снижается с увеличением плотности населения.[3]
Её записывают так: dN/dt = rN(1 − N/K). Здесь N — численность, t — время, dN/dt — скорость изменения численности, r — параметр удельного роста, K — ёмкость среды в условиях модели. При положительном r и численности ниже K популяция растёт, а по мере приближения к K прирост замедляется. При численности выше K модель описывает снижение к этому уровню.[3]
Уравнение помогает понять обратную связь между численностью и ресурсами, но не воспроизводит автоматически сезонность, возрастную структуру, миграции и случайные бедствия. Постоянное K — допущение: после засухи или изменения местообитания доступные ресурсы могут стать другими. Поэтому красивое совпадение с одной кривой наблюдений ещё не делает модель универсальным прогнозом.[3]
Как модель связывают с данными
Работу начинают с измеримой задачи: какую величину требуется оценить, для какой территории и на какой срок. Затем задают исходное состояние и параметры, подбирают данные и проверяют реализацию расчёта. Калибровка — настройка параметров по наблюдениям — позволяет согласовать модель с исследуемой системой.[1]
Проверка прогноза требует данных, не использованных при его настройке. Для временного ряда это могут быть последующие годы наблюдений. Если модель оценивают на тех же данных, по которым подбирали её параметры, легко переоценить её способность предсказывать новые события. Полезно также сравнить результат с простым ориентиром: например, прогнозом «завтра будет как сегодня» или обычным сезонным средним.[4]
Есть и другой уровень проверки: верно ли программа реализует задуманные правила. Для воспроизводимости публикуют описание процессов, исходные данные, параметры и код. Протокол ODD, предложенный для индивидуально-ориентированных моделей, помогает последовательно описать цель, объекты, масштабы, порядок действий и вычислительные процедуры. Это даёт другим исследователям возможность понять устройство модели и повторить эксперимент.[2]
Откуда берётся неопределённость
Наблюдения содержат ошибки, параметры известны приближённо, а часть процессов остаётся за границами модели. Кроме того, природная изменчивость может сохраняться даже при хорошем знании системы: например, конкретная последовательность погодных событий заранее неизвестна. Эти причины важно различать, поскольку дополнительные измерения уменьшают не всякую неопределённость.[5]
Анализ чувствительности показывает, как меняется результат при изменении входных величин и допущений. Если прогноз численности особенно чувствителен к выживаемости молодняка, уточнение именно этого параметра может быть полезнее расширения других наблюдений. Анализ неопределённости оценивает диапазон возможных результатов с учётом недостатка знаний и ошибок. Чувствительный параметр не обязательно плохо известен, а плохо известный не обязательно сильно влияет на итог.[5]
Пример применения: прогноз цветения воды
В системе прогнозирования EPA рассчитывают вероятность массового развития цианобактерий на предстоящую неделю для более чем 2000 крупных озёр и водохранилищ США. Прогноз связан со спутниковыми наблюдениями сети CyAN. Он помогает направлять полевые обследования туда, где ожидается проблема.[6]
У такого результата есть конкретный масштаб: спутник не одинаково хорошо различает открытую воду, узкие заливы и мелководные прибрежные участки. Низкая вероятность цветения для видимой части озера не исключает локального скопления цианобактерий в небольшом заливе. Прогноз также не заменяет отбор проб. Этот пример показывает, почему вместе с картой или числом нужны сведения о разрешении данных и том, какое именно событие предсказывает модель.[6]
Прогноз и сценарий отвечают на разные вопросы
Прогноз описывает ожидаемое развитие системы на основании имеющейся информации. Сценарный расчёт исследует последствия заданных условий: например, как изменится состояние водоёма при определённом сокращении поступления фосфора. Условие сценария само по себе не является предсказанием будущих действий. Вывод должен сохранять эту условность и учитывать диапазон результатов.[5]
Для краткосрочных экологических прогнозов Майкл Дитце и соавторы предлагают повторяющийся цикл: рассчитать прогноз, получить новые наблюдения, оценить расхождение и обновить состояние модели. Так ошибки становятся источником знаний о системе. При практическом использовании сообщают срок прогноза, территорию, показатель, диапазон неопределённости и результаты проверки. Это позволяет определить, для какого решения модель достаточно надёжна и какие наблюдения ещё необходимы.[4]