ГЛАВА 1. СПЕЦИФИКА ЭКОЛОГИЧЕСКОГО ПРОГНОЗИРОВАНИЯ: основные понятия

Дальше

Назад

Начало

Конец

Список

1.2. ОСНОВНЫЕ ПРОБЛЕМЫ ЭКОЛОГИЧЕСКОГО ПРОГНОЗИРОВАНИЯ
С солнцем смотрим, с небом плачем,
С ветром лугом шелестим...
Что мы знаем? Что мы значим?
Мы - цветы! Мы - миг! Мы - дым!

Валерий Брюсов

Качество и тип любой модели (предиктора) определяются следующими обстоятельствами (Брусиловский, 1985; 1987):

целью исследования;
объемом знаний об исследуемой системе, находящихся в распоряжении модельера;
объемом ресурсов, имеющихся в распоряжении модельера (например, количеством времени, отведенным на разработку модели, типом ЭВМ, числом системных программистов и т.п.);
- парадигмой, к которой принадлежит модельер;
- опытом и талантом модельера.

Оценку современного состояния экологического прогнозирования можно пытаться осуществить двумя естественными путями, считая при обсуждении прогностического исследования первичным признаком метод или объект прогнозирования. Однако при ближайшем рассмотрении оба эти пути оказываются нереалистичными, так как в экологии применяются около 100 методов прогнозирования, разнообразие же объектов прогнозирования значительно больше.

Приемлемым здесь оказывается третий путь, связанный с оценкой успехов и неудач использования предикторов, порожденных различными парадигмами экологии. При этом всю проблематику экологического прогнозирования условно можно разделить на две группы: первая обусловлена сбором и обработкой первичной информации, вторая - сложностью экосистем и несовершенством традиционной методологии экологического прогнозирования. Остановимся вкратце на каждой группе проблем в отдельности.
1.2.1. Проблемы, индуцированные сбором и обработкой первичной информации

Прогнозирование состояний функционирующей экосистемы возможно лишь при наличии достаточного объема данных наблюдений, характеризующих ее структуру и поведение. Если таких данных совсем мало, то никакой математический аппарат, никакая ЭВМ здесь не помогут. Единственный выход в таких ситуациях - собрать недостающую информацию. С другой стороны, до самого последнего времени наблюдение над отдельными экологическими параметрами (и экосистемами в целом) осуществлялось бессистемно, и поэтому имеют место информационные лакуны, о которых пишет Ю.М.Свирежев (1981). Заполнение таких лакун - задача чрезвычайно трудная, а часто и неосуществимая.
Минимальный объем данных наблюдений, при котором имеет смысл построение соответствующего предиктора, существенно зависит от требуемого периода упреждения, детальности формулировки и надежности разрабатываемых прогнозов, а также специфики поведения изучаемой системы (предсказываемой переменной). Несмотря на то, что в настоящее время в рамках функциональной парадигмы существуют методы прогнозирования коротких временных рядов, их повсеместное применение в экологии требует осмотрительности. Например, при наличии даже 100 наблюдений без лакун (а эта цифра для экологического исследования внушительна!) говорить о среднесрочном прогнозе имеет смысл лишь в ситуации, когда в соответствующий интервал наблюдений (100 точек) 2-3 раза укладываются характерные времена изучаемой переменной. Для краткосрочного прогнозирования это условие излишне: такие прогнозы можно пытаться строить уже при 20-30 наблюдениях и, как правило, независимо от специфики изучаемой системы. Правда, для такого объема исходной эмпирической информации одни методы прогнозирования не работают вообще (например, спектральный анализ; Тутубалин, 1983), а другие хотя и применимы, но в отдельности не обеспечивают приемлемой надежности выводов.

В силу уникальности всех экологических объектов системы экологического прогнозирования не могут быть ориентированы на широкий класс объектов прогнозирования. Рассмотрим, например, насколько адекватен подход к прогнозированию численности некоторого вида только с помощью среднего значения.

Среднее является неустойчивой статистикой. Статистика называется устойчивой, если при изменении малой доли данных (неважно какой и сколь сильно) существенных изменений в суммирующей статистике не происходит (Мостеллер, Тьюки, 1982). Если в данных изменится какое-нибудь одно значение на n единиц, то среднее изменится в том же направлении на n/m единиц, m - объем выборки.

Примером устойчивой статистики может служить медиана. На медиану не влияют величины "больших" и "малых" значений: она терпима к нарушениям нормальности на "хвостах" распределения. Однако кроме робастности (устойчивости) к предпосылкам, "хорошая" статистика должна обладать еще и свойством робастности к эффективности, т.е. высокая эффективность оценивания должна гарантироваться при широком варьировании ситуаций.

Ф.Мостеллер и Дж.Тьюки (1982, с. 214) приводят важную для практики таблицу свойств некоторых статистик центральной тенденции, которую имеет смысл здесь воспроизвести (см. табл. 1.2).

Таблица 1.2

Устойчивость и робастность к эффективности некоторых статистик центральной тенденции

Следовательно, если пренебречь совсем малыми выборками, бивес-оценка обладает всеми желаемыми свойствами и может быть рекомендована для практики (подробнее эта статистика исследуется в разд. 2.1). В ситуациях, где достаточно умеренной эффективности, а также в случае малых выборок объемом 3-5 лучше работать с медианой. Среднее же нужно использовать достаточно осторожно, когда нет выбросов, "хвосты" распределения коротки и т.п. Таким образом, сложившаяся практика прогнозирования численности различных видов только с помощью среднего неадекватна реальной ситуации.

Если эмпирическая информация получена с низкой точностью, то трудно ожидать хорошего качества от прогнозов, построенных на ее основе (независимо от используемого метода).

В прогностических экологических исследованиях широко распространено описание и моделирование систем в количественных шкалах (отношений или интервалов). Вместе с тем, зачастую результаты исследования формируются в шкалах наименований. Так, при описании динамики млекопитающих (Ефимов, Галактионов, 1983) в модели фигурируют переменные, измеряемые в количественных шкалах (численность популяции), результаты же моделирования и прогнозы описываются в терминах переменных, измеряемых в шкале наименований (в такие-то годы произойдет вспышка численности, а в такие-то - нет).

В экологии, как правило, точность наблюдений и достоверность выводов в шкалах наименований (например, при работе с бинарными данными) выше, чем в количественных шкалах. Поэтому часто имеет смысл описывать и предсказывать параметры экосистем сразу в шкалах наименований, минуя промежуточный этап исследований в количественных шкалах (годы сильного "цветения" водохранилищ, вспышек численности популяций вредителей и пр.).

Прогнозы состояния экосистем, как уже отмечалось, могут строиться и в количественных, и в качественных шкалах одновременно. Можно сказать, что в таких ситуациях отдельные предикторы "разговаривают" на различных диалектах языка прикладной математики (термин В.В.Налимова, 1979). Но при этом одни из них никак не используются для повышения надежности других.

Таким образом, разработка предикторов, а также алгоритмического и программного обеспечения системы экологического прогнозирования должна вестись с обязательным учетом не только свойств изучаемой системы, но и объема, и качества (точности) имеющейся эмпирической информации. Искусство модельера часто направлено именно на то, чтобы, с одной стороны, строить модели, параметры которых определяются в итоге наблюдений достаточно точно, а с другой - чтобы они (модели) представляли еще и практическую значимость.

Дальше Назад Начало Конец Список