Моделирование зообентосного сообщества Азовского моря как средство мониторинга и управления водными биоресурсами

  • Автор:
  • Специальность ВАК РФ: 03.00.16
  • Научная степень: Кандидатская
  • Год защиты: 2001
  • Место защиты: Ростов-на-Дону
  • Количество страниц: 145 с.
  • Стоимость по акции: 250 руб.
Титульный лист Моделирование зообентосного сообщества Азовского моря как средство мониторинга и управления водными биоресурсами
Оглавление Моделирование зообентосного сообщества Азовского моря как средство мониторинга и управления водными биоресурсами
Содержание Моделирование зообентосного сообщества Азовского моря как средство мониторинга и управления водными биоресурсами
1.СУЩЕСТВУЮЩИЕ ПОДХОДЫ И МЕТОДЫ
МОДЕЛИРОВАНИЯ ЭКОСИСТЕМ.
2.МАТЕРИАЛЫ, МЕТОДЫ И ПРЕДПОСЫЛКИ ПОСТРОЕНИЯ МОДЕЛИ.
2Л Гидрологический и гидрохимический режимы Азовского моря.
2.2 Биота моря
2.2Л Фитопланктон.
2.2.2 Фауна.
2.2.2 Ихтиофауна
2.3 Основные подходы к формированию баз знаний в системе
бшеямжД.
3.ХАРАКТЕРИСТИКА ЗООБЕНТОСНОГО СООБЩЕСТВА АЗОВСКОГО МОРЯ ХАРАКТЕР ИЗМЕНЕНИЙ ДОННЫХ
БИОЦЕНОЗОВ ПОД ВЛИЯНИЕМ ФАКТОРОВ СРЕДЫ
4.ОПИСАНИЕ АЛГОРИТМОВ И БЛОКОВ МОДЕЛИ
4.1 Блок Прогнозирование динамики зообентоса в Азовском моря
4.1.1 Задача прогнозирования количественной и качественной
структуры биоценозов
4.2 Диагностика ситуации сложившейся в донном биоценозе и выявление наиболее экстремальных воздействующих факторов
5.ЭКСПЕРТНАЯ СИСТЕМА И РЕЗУЛЬТАТЫ
ЭКСПЕРИМЕНТОВ.
5.1 Программная реализация
5.2 Работа с имитационной моделью.
5.3 Оценка результатов моделирования
5.3.1 Моделирование динамики биомассы зообентоса в собственно море и в Таганрогском заливе.
5.3.2 Моделирование видового состава донных животных в Азовском морепо районам.
5.3.3 Мониторинг состояний и трансформаций зообентоса в Азовском море.
5.3.4 Моделирование динамики биомассы в собственно море и в Таганрогском заливе период осолонення .
5.3.5 Моделирование видового разнообразия донных биоценозов
в период осолонення.
ИСПОЛЬЗОВАННАЯ ЛИТЕРА ТУРА
ВВЕДЕНИЕ


Недостатком такое решение не всегда может быть получено в аналитическом виде. Классическим примером ННМ является идеализированная модель мгновенной убыли числа особей в популяции. Ы численность особей,д коэффициент естественной смертности, I время. Где Моначальное значение численности в момент времени 0 время начала моделирования. Подставляя разумные значения 0 и Т можно получить численность особей в любой момент I. Дискретнонепрерывные модели ДНМ. Достоинствовозможность исследования сколь угодно сложных систем. Дискретнодискретные модели ДДМ. ДДМ. Тогда численность в поколении животных в какойлибо популяции можно задать в терминах теории конечных автоматов с четырьмя внутренними состояниями и четырьмя входными параметрами табл. Таблица 1. В основе отмеченных методов моделирования лежит максимальное использование имеющейся информации. К их достоинствам следует отнести то, что модели являются формализованным описанием законов природы, а также изящество математических выводов, сделанных из ограниченного числа посылок и утверждений. В настоящее время, в дополнение к указанным моделям, широко используются методы теории распознавания, а также модели, создаваемые в рамках парадигмы искусственного интеллекта и имитирующие рассуждения специалистов при решении тех или иных задач. Данные подходы позволяют в значительной степени устранить указанные недостатки традиционных способов моделирования экосистем, дополняя их новыми возможностями и приемами. Основной целью распознавания является отнесение формализованных описаний процессов и явлений к соответствующим классам. Для решения данной задачи используется некоторая агрегированная оценка ситуации, полученная из описания объекта. Каноническая постановка задач распознавания состоит в следующем. Даны к конечных подмножеств Ао2СА2,. АоксгАк. Ао, А2 Ао нужно найти решающие правила алгоритмы отнесения любого объекта, даже не входящего в подмножества Аоь А,. Статистические модели, использующие аппарат математической статистики. Ту и др. Модели, основанные на использовании принципа разделения IIмодели. В таких моделях применяют различные способы определения поверхностей, которые отделяют элементы разных классов друг от друга. Ту и др. Горелик и др. Пмодели основаны на идее потенциалов, заимствованной из физики. В качестве меры принадлежности объекта к классу в них используется потенциальная функция Айзерман и др. Модели, применяющие принцип частичной прецедентности, относятся к семейству моделей вычисления оценок Гмодели. Наличие такого подобия служит частичным прецедентом и вычисляется по заданному правилу. Значение функции принадлежности объекта классу вырабатывается в результате анализа набора полученных оценок сходства. Журавлев и др. Гуревич и др. Модели, в которых классы и признаки объектов рассматриваются как логические переменные, а описание классов на языке признаков определено в форме булевых соотношений относятся к семейству Лмоделей Горелик и др. Методы распознавания активно используются для точного исследования плохо структурированных задач. Например, в результате имитационного или физического эксперимента получены данные, которые в некотором ограниченном смысле являются характеристикой исследуемого объекта или явления. Для выявления закономерностей выдвигается гипотеза, которой придается математическое выражение и делается попытка с ее помощью объяснить полученные материалы. Последовательное использование реализаций выдвинутой гипотезы может позволить построить адекватную поставленной задаче модель. Постоянная нехватка высококвалифицированных специалистов в различных областях знаний, необходимость быстрого обучения молодых ученых привели к созданию сложных экспертных комплексов, аккумулирующих знания той или иной предметной области. Целью таких программных систем является предоставление возможности решать интеллектуальные задачи, взаимодействуя с ЭВМ на ограниченном подмножестве естественного языка. В их основе лежат базы знаний факты и взаимосвязи в конкретной предметной области и блок моделирования рассуждений рис.

Рекомендуемые диссертации данного раздела