Учение о биосфере В. И. Вернадского

Министерство сельского хозяйства РФ Федеральное бюджетное государственное образовательное учреждение высшего профессионального образования

" Воронежский государственный аграрный университет имени императора Петра I"

Кафедра высшей математики и теоретической механики РЕФЕРАТ НА ТЕМУ:

Учение о биосфере В. И. Вернадского Выполнил:

студент ААм-1−5

Бутурлакина Л.В.

Проверил:

доц. Листров Е. А.

1.

Введение

в понятия агрохимия и агроэкология

2. Математическая химия

3. Математические модели

4. Информационные технологии и математическое моделирование в задачах природопользования

5. Статистические модели агроэкосистем Заключение Список литературы

1.

Введение

в понятия агрохимия и агроэкология Агрономическая химия (Агрохимия) — наука об оптимизации питания растений, применения удобрений и плодородия почвы с учётом биоклиматического потенциала для получения высокого урожая и качественной продукции сельского хозяйства, прикладная наука, составная часть раздела химии — «неорганическая химия» .

Агрохимия — также учебная дисциплина о химических процессах в почве и растениях, минеральном питании растений, применении удобрений и средств химической мелиорации почв. Включает определение содержания в почвах и растениях химических элементов, белков, аминокислот, витаминов, жиров, углеводов; установление механического и минералогического состава почв, содержания в них органической части (гумуса), солей, водорослей, микроорганизмов и др. Изучает влияние удобрений на растения и почву. Основные объекты, традиционно изучаемые агрохимией — растения, почва и удобрения. В 20 веке сфера агрохимии расширилась: она стала изучать также агробиоценоз в целом, химические средства защиты растений и регуляторы роста растении.

Агрохимия — наука, которая изучает круговорот веществ в системе «почва — растение — удобрения», а также их влияние на качество сельскохозяйственной продукции и проблемы охраны окружающей среды в зоне ведения аграрного сектора экономики государства.

Агрохимические исследования касаются вопросов воспроизводства плодородия почв, высокоэффективного использования минеральных, органических удобрений, микроэлементов на фоне других средств химизации, изучение агрохимической, экономической, энергетической и экологической эффективности удобрений, их физико-химических и агрохимических свойств, организации системы химизации отраслей агро-промышленного комплекса (АПК).

Агроэкология — раздел экологии, предметом которого является разработка инструментов, необходимых для получения качественной сельскохозяйственной продукции в условиях индустриального хозяйства, а следовательно, учитывающая сопряженные с ним воздействия на экологию, как то: применение химических и биологических удобрений, мелиорация почв, выпас скота и пр. В задачи науки входит также разработка методов минимизации вреда от указанных воздействий для окружающей среды.

Агроэкология, сельскохозяйственная экология — комплекс наук, исследующих возможности сельскохозяйственного использования земель для получения растениеводческой и животноводческой продукции при одновременном сохранении сельскохозяйственных ресурсов (почв, естественных кормовых угодий, гидрологических характеристик агроландшафтов), биологического разнообразия и защите экологической среды обитания человека и производимой продукции от сельскохозяйственного загрязнения. Основным объектом изучения сельскохозяйственной экологии является агроэкосистема. Агроэкосистема — это искусственно созданная и регулярно поддерживаемая человеком экосистема сельскохозяйственных ландшафтов (полей, искусственных пастбищ, огородов, садов, виноградников, лесных насаждений и т. п.). Агроэкосистемы занимают примерно 10% всей поверхности суши (около 1,5 млрд га), но при этом поставляют человечеству более 90% всей пищевой энергии. Основой агросистемы является искусственный фитоценоз, состоящий из сельскохозяйственных растений, который обычно дополняется сообществом животных — насекомых, птиц, млекопитающих, земноводных. Агроэкосистема находится в непосредственной связи с естественными условиями среды — почвой, почвенной и атмосферной влагой, почвенными микроорганизмами.

агрохимический экологический удобрение природопользование

2. Математическая химия В агрохимических исследованиях широко используют математические методы для оценки точности опытов и достоверности полученных результатов, выявления зависимости между удобрениями и урожаем, моделирования процессов поглощения растениями, превращения в почве и потерь питательных веществ из почвы и удобрений, прогнозирования изменений почвенного плодородия и потребности в удобрениях, для энергетической и экономической оценки применения удобрений с использованием современной вычислительной техники. На основе результатов полевых и производственных опытов с обязательной агроэкологической и экономической оценкой изучаемых удобрений и приемов их внесения даются практические рекомендации производству, которые позволяют эффективно использовать разнообразные местные и промышленные удобрения. В связи с широким распространением таких методов был выявлен целый раздел теоретической химии — математическая химия, изучающий моделирование возможных химических явлений и процессов.

Математическая химия — раздел теоретической химии, область исследований, посвящённая новым применениям математики к химическим задачам. Основная область интересов — это математическое моделирование гипотетически возможных физико-химических и химических явлений и процессов, а так же их зависимость от свойств атомов и структуры молекул. Математическая химия допускает построение моделей без привлечения квантовой механики. Критерием истины в математической химии являются математическое доказательство, вычислительный эксперимент и сравнение результатов с экспериментальными данными. Важнейшую роль в математической химии играет математическое моделирование с использованием компьютеров. В связи с этим математическую химию, в узком смысле, иногда называют компьютерной химией (Computer chemistry), которую не следует путать с вычислительной химией (Computational chemistry).

В современной химии термин «математическая химия» был введен в 1970;х годах. Первыми периодическими изданиями, специализирующимися в этой области, являются журнал «MATCH Communications in Mathematical and in Computer Chemistry», впервые изданный в 1975, и журнал «Journal of Mathematical Chemistry», первое издание которого относится к 1987 году.

В математической химии разрабатывают новые приложения математических методов в химии. Новизна обычно выражается одним из двух способов: развитие новой химической теории; развитие новых математических подходов, которые позволяют проникнуть в суть или решить проблемы химии.

При этом используемые математические средства чрезвычайно разнообразны. В отличие от чисто математических наук, в математической химии исследуются химические задачи и проблемы методами современной математики.

Самой известной моделью математической химии является молекулярный граф. Отметим, что строгое математическое и физическое обоснование модель молекулярного графа нашла лишь в теории Р. Бейдера. По существу теория Р. Бейдера является новым языком современной математической и теоретической химии, составляющими элементами которого являются различные математические, в том числе топологические, характеристики (экспериментально наблюдаемой) электронной плотности. При этом химические реакции и структурные изменения в молекулах могут описываться на языке теории катастроф и бифуркаций. Другие знаменитые модели — это закон действующих масс, созданный математиком К. Гульдбергом и химиком-экспериментатором П. Вааге, граф механизма химических превращений и дифференциальные уравнения химической кинетики. Один из создателей «химической динамики» Вант-Гофф писал о себе: «Двойное стремление: к математике, с одной стороны, и к химии — с другой, проявилось во всех моих научных устремлениях» .

История. Первая попытка по математизации химии была сделана М. В. Ломоносовым. Его рукопись «Элементы математической химии», на латыни, была найдена после смерти среди его бумаг. Книга была ориентировочно написана в сентябре 1741 года. Видимо, Ломоносов, вдохновленный работой Ньютона, намеревался написать подобный химический трактат, в котором он хотел изложить все существующее на тот момент химическое знание в аксиоматической манере.

В 19 веке понятие «математическая химия» использовал Дюбуа-Реймон. Первым математиком, который заинтересовался комбинаторными аспектами химии, считается Артур Кэли (1821—1895), он сделал работу по перечислению алкановых изомеров. Эта работа фактически является первой работой по применению теории графов в химии. В 1894 была издана книга, названная «Принципы Математической Химии»

3. Математические модели Математические модели — наиболее эффективный инструмент дляоценки экологического риска пестицидов, так как экспериментальными полевыми испытаниями невозможно (да и опасно) охватить все разнообразие почвенно-климатических условий стран, где регистрируются новые пестициды. Как правило, модели не предсказывают напрямую экологический риск пестицида, а позволяют оценить одну из двух его компонентов — концентрации пестицида в почве, грунтовых и поверхностных водах, атмосферном воздухе.

Наиболее широко математическое моделирование поведения пестицидов в окружающей среде используется в Европейском Союзе, где для целей регулирования адаптировали ранее известные модели (MACRO, PEARL, PELMO, PRZM) и разработали для них европейские стандартные сценарии входных данных (проект FOCUS — FOrum for Co-ordination of pesticide fate models and their USe).

В Российской Федерации для целей регулирования рекомендованы европейские модели MACRO и PEARL в сочетании с российскими сценариями входных данных (почва-погода-культура), которые разработаны во ВНИИ фитопатологии для шести основных сельскохозяйственных регионов России.

Различные экологические показатели, получаемые в процессе разработки и регистрации пестицида, характеризуют совершенно разные стороны его влияния на окружающую среду. Для регуляторных решений желательно иметь универсальные и достаточно простые инструменты обобщения (агрегирования) разнородных показателей экотоксичности и поведения пестицида в окружающей среде. Такими инструментами являются индексы, представляющие максимально «свернутую» информацию о пестициде. В настоящее время предложено уже более сотни различного рода индексов (в англоязычной версии — индикаторов) пестицидов, предприняты попытки их систематизации и выбора наиболее приемлемых (проект Европейского Союза CAPER — Concerted Action on Pesticide Environmental Risk indicators и проекты ОЭСР HAIR, ARI, TEIR). Краткий обзор экологических индексов пестицидов дан в публикации В. С. Горбатова и Т. В. Кононовой «Структура экологических данных о пестицидах» .

4. Информационные технологии и математическое моделирование в задачах природопользования Рост антропогенной нагрузки на окружающую среду во второй половине ХХ века привел к обострению многих экологических проблем. Возможные перспективы их решения связаны с реализацией концепции «устойчивого развития» — стабильного сосуществования человечества и природы. Важные элементы данной концепции — сохранение и воспроизводство ресурсной базы сельского хозяйства, оптимизация применения средств химизации земледелия, улучшение структуры землепользования на основе объективной характеристики агроэкологической ситуации. Это требует:

а) разработки алгоритмов оценки устойчивости экосистем, б) изучения закономерностей их динамики, в) совершенствования методики оценки воздействия на окружающую среду (ОВОС), включающей эколого-экономический прогноз.

Ведущая роль в перечисленных исследованиях принадлежит количественным методам. Следует подчеркнуть роль системного анализа как основного инструмента исследования геоэкологических систем различного уровня, когда проведение широкомасштабных натурных исследований и экспериментов зачастую невозможно или затруднено. Выпущенная в 1997 году Международным институтом прикладного системного анализа (IIASA, Laxenbourg, Austria) библиография насчитывает более 50 000 публикаций за последние 25 лет, что свидетельствует о постоянно растущем интересе к этим вопросам.

Идея моделирования заключается в замещении изучаемого объекта его аналогом. Информационные модели представляют характеристики объекта в виде данных в некой системе. Математические — формализуют закономерности динамики объекта в виде численных соотношений. При этом реализуется фундаментальное понятие наблюдаемости, которое можно трактовать как возможность для внешнего наблюдателя получать информацию о прошлом состоянии объекта, на ее основе предвидеть его поведение в будущем и управлять им.

Описание динамики природных объектов опирается на представления об их системной организации. Системный подход к решению проблем природопользования предполагает комплексное изучение протекающих в ландшафтно-географической среде процессов. Решение данной задачи невозможно без привлечения методов прогнозирования. Математическое моделирование — один из основных инструментов системного анализа, позволяющий в ряде случаев избежать трудоемких и дорогостоящих натурных экспериментов. На основе результатов прогнозирования динамики геосистем решаются вопросы рационального применения удобрений и средств защиты растений, проведения комплексной мелиорации и окультуривания полей, оптимизации структуры землепользования и другие. Ведутся исследования в области организации «ландшафтного земледелия» — оптимизации сельскохозяйственного использования земель в зависимости от местных условий (рельефа, климата, почвенных условий, размещения других хозяйственных объектов).

5. Методология моделирования и классификация агроэкологических моделей Идея моделирования заключается в замещении изучаемого объекта его аналогом. Информационные модели представляют характеристики объекта в виде данных в некой системе. Математические — формализуют закономерности динамики объекта в виде численных соотношений. При этом реализуется фундаментальное понятие наблюдаемости, которое можно трактовать как возможность для внешнего наблюдателя получать информацию о прошлом состоянии объекта, на ее основе предвидеть его поведение в будущем и управлять им.

Описание динамики природных объектов опирается на представления об их системной организации. Системный подход к решению проблем природопользования предполагает комплексное изучение протекающих в ландшафтно-географической среде процессов. Решение данной задачи невозможно без привлечения методов прогнозирования. Математическое моделирование — один из основных инструментов системного анализа, позволяющий в ряде случаев избежать трудоемких и дорогостоящих натурных экспериментов. На основе результатов прогнозирования динамики геосистем решаются вопросы рационального применения удобрений и средств защиты растений, проведения комплексной мелиорации и окультуривания полей, оптимизации структуры землепользования и другие. Ведутся исследования в области организации «ландшафтного земледелия» — оптимизации сельскохозяйственного использования земель в зависимости от местных условий (рельефа, климата, почвенных условий, размещения других хозяйственных объектов).

Диапазон и масштаб моделируемых процессов крайне велик — от глобальной экологии до прогнозирования динамики отдельных компонентов агроценозов, поэтому при классификации экологических моделей могут быть использованы различные подходы. Многие авторы выделяют статические и динамические модели. Статические модели формализуют связь между показателями без учета переменной времени. Динамические модели используются для оценки явлений в развитии. Функциональные модели отличаются от эмпирических тем, что учитывают механизм процесса. Это позволяет использовать их для прогноза не наблюдавшихся ранее состояний объекта. Различие между стохастическими и детерминированными моделями следует из их названия. При описании неопределенных процессов в природных системах (агрометеорологические условия, миграция веществ по профилю почв, трансформация пестицидов, выделение границ почвенных ареалов, возникновение вспышек болезней растений, динамика численности вредителей и иных) более предпочтительно использовать вероятностные подходы. Важнейшей задачей моделирования является прогнозирование и управление объектом, выделяются модели без управления и оптимизационные (с участием одной или нескольких сторон).

Наиболее часто применяются: статистические, модели математической физики (диффузные), балансовые динамические, матричные модели, модели теории исследования операций, частные модели типа «ресурс-потребитель» и аналогичные им, а также целая группа дискретных математических моделей.

6. Статистические модели агроэкосистем Статистические модели строятся при допущении, что исследуемый процесс случаен и может быть изучен с помощью статистических методов анализа систем. Они включают: эмпирические и динамические статистические модели, корреляционный и факторный анализ, многомерное шкалирование, анализ временных рядов. Для снижения размерности статистических моделей используется ряд методов, например выделение главных компонент в регрессионных уравнениях и гармонических рядах.

В истории разработки статистических моделей продуктивности агроценозов можно выделить несколько этапов: по обобщенным агроклиматическим показателям; эмпирическим уравнениям регрессионного типа; динамико-статистическим и физико-статистическим моделям; комплексным имитационным моделям.

Методы прогнозирования урожаев, основаные на учете агроклиматических ресурсов региона разрабатывались в агрометеорологии. Для оценки потенциальной продуктивности используются величины баланса фотосинтетически активной радиации (ФАР), а также комплексные показатели — биоклиматический и гидротермический потенциалы продуктивности (БКП, ГТП).

Эмпирические модели продуктивности агроценозов в основном представлены так называемыми производствеными функциями. Они представляют регрессионные уравнения, связывающие конечный результат (урожай и показатели его качества) с действующими величинами. К производственным функциям предъявляется ряд требований: модель должна учитывать основные факторы, оказывающие влияние на урожай; охватывать широкий диапазон их значений; аппроксимирующая функция должна максимально соответствовать реальным биологическим закономерностям. Важный вклад в создание эмпирических моделей продуктивности внесли работы Т. И. Ивановой, А. П. Федосеева, И. М. Стребкова, Е. С. Улановой и других исследователей.

К эмпирико-статистическим (регрессионным) относятся многие модели почвенной эрозии (Универсальная модель потерь почвы USLE или ее модификация — RUSLE), модели WEPP, CREAMS, Государственного гидрологического института. Эмпирико-статистические модели применяются в фитопатологии для описания динамики эпифитотий.

Динамические модели предназначены для прогнозирования и оперативного управления продукционным процессом с учетом складывающейся агрометеорологической обстановки. В основе динамического моделирования — описание системы с помощью обыкновенных дифференциальных уравнений и уравнений в частных производных, параметры которых определяют по эмпирическим данным. Известны динамические модели формирования урожая Г. Е. Листопада, А. А. Климова, О. Д. Сиротенко и другие, диагностики минерального питания растений, накопления и распада поллютантов в агроэкосистемах (пестицидов, нефтепродуктов, радионуклидов), процессов в мелиорируемых почвах.

Физико-статистические модели рассматривают систему как совокупность взаимодействующих элементов со случайными свойствами. В модель вводиться функция распределения показателей состояния и глобальная характеристика взаимодействия компонентов (энтропия, энергия или вещественый результат). Область применения рассматриваемых моделей ограничивается описанием неструктурированных гомогенных систем, когда необходимо оценить воздействие многих факторов на результирующий признак. Примером реализации данного подхода служат модели В. П. Дмитренко и В. А. Бровкина. В них урожай культур рассматривается как эмпирическая функция отклонения факторов среды (параметров агрохимической характеристики, влагозапасов, температуры воздуха) от оптимальных значений. К физико-статистическим относятся и так называемые марковские модели. Они представляют развитие системы в виде разветвленной сети состояний. Вероятности переходов в общем случае могут зависеть не только от текущего положения системы, но и от того, как система достигла его.

Комплексные имитационные модели призваны повысить адекватность агроэкологических прогнозов за счет качественно более полного использования эмпирических данных. Имитационные модели призваны формализовать с помощью ЭВМ любые эмпирические сведения об объекте. Причинно-следственные связи в имитационных моделях прослеживаются не до конца. Это позволяет анализировать системы в условиях большой размерности и неполной информации об их строении, более результативно использовать знания предметной области. Структура имитационных систем, как правило, включает аналитическое описание объекта, блоки экспертных оценок, имитации и обработки результатов вычислительного эксперимента.

Показано, что при построении моделей геоэкосистем регионального уровня наибольший эффект достигается использованием следующих классических свойств сложных систем:

1) Сложным системам свойственно скачкообразно изменять свое поведение, переходя из одного квазистационарного состояния в другое.

2) Для характеристики сложной системы достаточно оценить некую группу ее свойств (системообразующих факторов), которые важны с точки зрения функционирования системы более высокого уровня. Их количественные оценки будут интегральными показателями основных, наиболее важных свойств системы, характеризующих ее состояние в целом.

Формализацией подобного поведения может быть дискретная схема, действующая по типу: критерий (интегральный показатель) > состояние (тип) + воздействие > отклик (изменение состояния). Абстрактное понятие «состояние» соответствует понятию «типа» (например, в географии, почвоведении), а изменение объекта (например, биогеоценоза) во времени представляется как переход от одного типа к другому.

Теоретически обоснована и построена общая концепция, позволяющая математически интерпретировать сущность интегральных показателей при имитации динамики геои агроэкологических систем и предложен алгоритм их построения: для климата, агрометеорологических условий, почвы и иных блоков. Специальными методами решена некорректная задача оценки численных значений параметров различных блоков. Выбраны и программно реализованы методы управляющих параметров в алгебро-дифференциальных уравнениях с «жесткой» структурой при их интегрировании.

Эти разработки использованы в Автоматизированной системе регионального экологического прогноза (АСРЭП). Она предназначена для оценки изменения состояния растительности (в том числе лесов и сельскохозяйственных культур), почв, запасов и качества грунтовых вод, гидросети, загрязненности природно-территориальных комплексов (ПТК) размером от 50 до 5 000 кв. км. Рассматриваются воздействия различных поллютантов (промышленных, пестицидов, радионуклидов и иных), вырубки лесов, изменение земельного фонда, внесение удобрений, поливы, лесопосадки, выпас скота, водозаборы, дренаж, различные мелиорации, изменения характеристик гидросети в результате инженерной деятельности, межрегиональные влияния, тенденции смены климатических и погодных условий. Дается прогноз состояния возобновимых ресурсов сроком от 3 до 60 лет и оценивается ретроспектива развития ситуации; прослеживается динамика более трехсот параметров, характеризующих природную среду.

С помощью АСРЭП можно осуществлять информационную поддержку управления продуктивностью сельского хозяйства и проводить оценку воздействия на окружающую среду. Система сертифицирована органами государственного управления, рекомендована к использованию и широко применяется для решения практических задач, в том числе при экологическом обосновании стратегии развития земледелия в Центральном Черноземье на региональном уровне (Россия); для комплексного прогноза последствий аварии на Чернобыльской АЭС для сельского, водного и лесного хозяйства в загрязненных регионах (Белоруссия); для оценки воздействия на окружающую среду орошаемого земледелия в бассейне Арала (Туркмения).

Распознавание образов (РО) — направление исследований, связанное с разработкой процедур определения принадлежности объекта к одному из заранее выделенных классов (образов). РО применяется для дешифрирования аэрои космических фотоснимков, при дистанционной индикации почв. Дистанционная диагностика используется для идентификации очагов засоления, нефтяного загрязнения, содержания гумуса, исследования неоднородности почв и т. п. Результаты диагностики используются при составлении экологических карт различного масштаба. Анализ временных рядов — еще одна область применения статистических методов. Для прогноза периодических процессов по известному спектру частот используется фурье-анализ. В агрометеорологии приняты расчеты многолетних циклов продуктивности агроценозов по повторяющимся астрономическим явлениям.

К статистические моделям в агроэкологии можно также отнести банки данных, содержащие параметры статистических распределений показателей состояния почв (морфологических, химических, физических и других), а также результатов полевых агрохимических экспериментов. Имеется опыт использования агрохимических банков данных при построении моделей продуктивности агроценозов.

Заключение

Количественное описание динамики агроэкосистем связано с трудностями методического, информационного и алгоритмического характера. Методические проблемы вызваны несовершенством средств и методов агроэкологических исследований. Информационные проблемы связаны с трудностями обобщения экспериментальных данных, алгоритмические создания математических моделей агроэкосистем на основе результатов натурных исследований. Использование агроэкологических моделей имеет ряд особенностей: экстраполяция прогнозных оценок в ряде случаев затруднена, хотя интерполяция может выполняться с требуемой точностью. Предъявляются особые требования к экспериментальному обеспечению: данные должны быть собраны за сравнительно короткий срок по единой методике. Вызывает трудности оценка качественных величин. Это заставляет совершенствовать средства прогнозирования и принципы интерпретации его результатов. В идеальном случае при принятии конкретных решений на практике могут найти применение практически все рассмотренные выше типы моделей.

1. Агапов В. И. Динамика, пространственное распределение и моделирование содержания симазина в почве. Автореф. дисс. канд. биол. наук. -М.: МГУ, 1985.

2. Айдаров И. П. Регулирование водно-солевого и питательного баланса орошаемых земель. -М.:Агропромиздат, 1985.

3. Амелин А. А. Новый методологический подход в исследованиях азотного обмена // 2-я Открытая городская конференция молодых ученых города Пущино. Тезисы докладов. -Пущино, 1997.

4. Андроников В. Л. Аэрокосмические методы изучения почв. М.: Колос, 1979.

5. Бондаренко Н. Ф., Жуковский Е. Е., Мушкин И. Г. Моделирование продуктивности агроэкосистем. -Л.: Гидрометеоиздат, 1982.

6. Бровкин В. А., Денисенко Е. А., Шульгин Е. А. Моделирование конечной продуктивности агроценозов на основе функции состояния системы «агроценоз-внешняя среда» // Журнал общей биологии, 1991, N 6.

7. Бровинский П. А. Прогнозирование продуктивности зерновых культур с использованием динамической модели // Сибирский экологический журнал, 1995.