Специфика экологического прогнозирования

ОСНОВНЫЕ ПРОБЛЕМЫ ЭКОЛОГИЧЕСКОГО ПРОГНОЗИРОВАНИЯ

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.

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.

Проблемы, порожденные сложностью экосистем  и традиционной методологией экологического прогнозирования

Специфика экологического прогнозирования на современном  этапе состоит прежде всего в  видении одного и того же феномена с помощью множества различных  и более-менее равноценных моделей (проявление принципа множественности  моделей). Традиционный подход к прогнозированию заключается в выборе единственного, лучшего в каком-либо смысле предиктора и его эксплуатации.

В итоге полезная информация об изучаемой системе оказывается  рассредоточенной по целому ряду отдельных  источников и используется нерационально. Принципы системологии (см. Введение), имеющие важное значение для экологического прогнозирования, часто просто игнорируются. В процессе разработки прогнозов межпарадигмальная комплексация методов и алгоритмов отсутствует. Что делать с прогнозами, полученными с помощью различных предикторов, неясно. По-видимому, существует целый спектр "элементарных" механизмов функционирования экосистем, каждый из которых реализуется только при отдельных условиях. Смешиваясь друг с другом, они образуют реальный механизм функционирования (генерации наблюдаемых временных рядов). Например, для популяций насекомых элементарными механизмами могут служить воздействие энтомофагов, специализированных хищников и паразитов, эпизоотии и, наконец, внутривидовая конкуренция (Исаев и др., 1984). В отдельных же предикторах отображаются, как правило, лишь некоторые из элементарных механизмов.

Таким образом, для эффективного функционирования системы экологического прогнозирования необходимо такое  алгоритмическое и программое обеспечение, которое бы позволяло:

• работать с небольшими выборками данных, полученных со значительной погрешностью;
• использовать приемы борьбы с омнипотентностью факторов;
• учитывать неформальное знание и видение одного и того же феномена с помощью целого множества различных и более-менее равноценных моделей, возможную "разношкальность" предикторов, отсутствие унифицированной и общепризнанной методики оценки их качества;
• быть гибким по отношению к новой информации.

Проблемы  создания коллективов предикторов 

Практически любая модель содержит как "рациональное зерно", так и "шелуху". Возникает естественное желание агрегировать всю полезную информацию (или, по крайней мере, ее большую часть) в одной интегральной модели - предикторе-гибриде. Задача агрегации полезной информации сводится к задаче организации отдельных моделей исследуемой экосистемы в коллектив (Брусиловский, 1987), т.е. превращении конгломерата моделей в систему моделей. При этом возникает системный эффект - появление у гибрида таких свойств, которые не присущи составляющим элементам (отдельным моделям). Одна из причин, в силу которых качество гибрида может превзойти качество отдельных моделей, входящих в коллектив, состоит в возможности осуществления в рамках коллектива моделей межпарадигмальной гибридизации различных способов, методов и идей. Другая причина состоит в возможности осуществления взаимной коррекции поведения отдельных членов коллектива моделей, улучшающих их совместное функционирование.

Отдельные модели одной  и той же системы, порожденные  различными парадигмами, можно рассматривать как различные узкоспециализированные инструменты познания. При организации таких моделей в коллектив автоматически реализуется принцип "разделения труда". Существующая практика производства убеждает в необходимости использования этого принципа и при проведении модельного исследования сложных систем. Возможность реализации принципа разделения труда также является аргументом в пользу организации отдельных моделей в коллектив.

Р.Левинс (Levins, 1970) считает, что в моделях происходит обмен между всеобщностью, точностью и реалистичностью. Причем усиление одной из этих позиций в рамках одной модели может быть достигнуто лишь в ущерб другим. Отсюда следует, что усиление всех позиций одновременно возможно лишь в рамках коллектива моделей.

Новая методология предполагает изменение всей совокупности приемов  исследования, осуществляемых в рамках экологического прогнозирования. Она  включает в себя три этапа:

• коллективизацию (проектирование коллектива предикторов);
• комплексацию (построение соответствующего предиктора-гибрида из предикторов-индивидуумов - членов коллектива);
• эксплуатацию (формирование прогнозов с помощью построенного предтиктора-гибрида).

Комплексация в этих условиях становится ключевым этапом методологии прогнозирования коллективов предикторов.