Ugrás a tartalomhoz

Kutatói pályára felkészítő akadémiai ismeretkörön alapuló tananyagfejlesztés – Környezet- és természetvédelem ismeretkörben

Dr. Huzsvai László (2008)

Debreceni Egyetem a TÁMOP 4.1.2 pályázat keretein belül

Sztochasztikus és determinisztikus modellek, modellek és felosztásuk

Sztochasztikus és determinisztikus modellek, modellek és felosztásuk

Thorley (1976) a matematikai modelleket két nagy csoportra osztotta: empirikus és mechanisztikus modellek.

Az empirikus modellek a régmúlt megfigyeléseiből, tapasztalataiból készítenek valószínűségi, statisztikus leírásokat. Itt nem törekednek a rendszer viselkedésének leírására.

A mechanisztikus modellek a rendszer viselkedését írják le. Hogyan működik a növény kérdésre keresik a választ.

Napjainkban a modelleket három csoportra szokták osztani: 1. Sztochasztikus, 2. Féldeterminisztikus, 3. Determinisztikus csoportokba sorolják.

1.Sztochasztikus modellek: a modellépítés során az első feladat a hatótényezők megkeresése. Ezeket sokszor független változónak is nevezzük. A második lépés a hatótényezők változása mellett a válaszok, reakciók megfigyelése, mérése. A válaszokat ill. reakciókat nevezzük függő változóknak. Keressük a kettő közötti kapcsolat leírására alkalmas statisztikai formulát. Nincs elképzelésünk arról, hogy hogyan működik a rendszer, fekete doboznak („black box”) képzeljük el. Az ilyen típusú modelleknek nincs biológiai érvényességük, nem valid a modell, mondják a szakemberek. Sokszor az input, hatótényező nincs közvetlen, direkt kapcsolatban a rendszer által adott válasszal, outputtal. A hatótényezők a gyakorlatban egyéb tényezők megváltoztatásán keresztül hatnak a rendszerre, és így a rendszer által adott válaszra, outputra. Napjainkban is alkalmaznak sztochasztikus modelleket a növénytermesztésben: Trágyázás-termés, öntözés-termés, tőszám-termés, stb. közötti összefüggések leírására. A tudományos elemzések szempontjából napjainkban nem sok jelentőségük van. Létjogosultságuk esetleg egy adott területre adaptált technológia fejlesztés területén lehet. Pl.: tíz év átlagában melyik kezelés adja a legjobb eredményt. A legnagyobb valószínűséggel bekövetkező esetek becslésére jól használható. Ezenkívül használhatók még egyszerű folyamatok modellezésre is, ahol a független változó közvetlen, direkt kapcsolatban van a függő ill. célváltozóval. Ezeket fel lehet használni a növényi növekedés empirikus modelljeihez, regressziós függvények, logisztikus növekedési görbék, stb. A környezeti változók adatai pl. sugárzás és csapadék beépíthetők a regressziós függvényekbe. Sztochasztikus modellekkel kísérleti adatsorok felhasználásával a termés egy adott területre elég pontosan előre jelezhető. Azonban térbeli kiterjeszthetősége rossz, ezért az empirikus, leíró modellek korlátozottan alkalmazhatók nagytérségi, ill. globális problémák megoldására.

2.Féldeterminisztikus modellek: Napjainkban több modell is létezik ezekből a mezőgazdaság területén, pl. CERES, DASY, EPIC, WOFOST, 4M stb. Az egyszerűbb folyamatokat termodinamikai elveken alapuló, dinamikus mérlegegyenletekkel modellezik, pl. a talaj hőgazdálkodása, vízáramlás, diffúzió, stb. A biológia jelenségek viszont tapasztalati, empirikus függvényekkel vannak leírva, pl. gyökérnövekedés, vízfelvétel a talajból, növényi fejlődés, levelek megjelenése, virágzás, stb. Legtöbb ilyen modell komplex talaj – növény - atmoszféra modell. Ezek napjainkban már elfogadható becsléseket adnak. Validálásuk folyamatban van, az oktatásban és gyakorlatban már használhatók. Hátrányuk még, hogy sok jelenség csak empirikusan van leírva, az elméletek még nem tiszták. Előnyük, hogy a már eddig is rendelkezésünkre álló adatok használhatók fel inputnak pl. vízgazdálkodási paraméterek, talajkémiai tulajdonságok, tápanyag-ellátottsági jellemzők. A mechanisztikus modellek, a növényi növekedést a fotoszintézis és légzés folyamatának leírása alapján modellezik, figyelembe véve a környezet befolyásoló hatását. Az ilyen modellekben azonban a hibák összegződhetnek, és a termés megbecslése esetenként nagyon pontatlan is lehet. E hibák kiküszöbölése után ezek a modellek már jól használhatók nagyobb térségek, kontinensek problémáinak megoldására.

3.Determinisztikus modellek: Tisztán elméleti alapokon megalkotott modellek, pl. HYSWASOR Van Genuchtentől. Ezen modellek előnye, hogy elméletileg teljesen tiszták. A további kutatásokhoz adnak útmutatást, olyan eddig nem vizsgált paraméterek megmérését feltételezik, amik a modell futtatásához szükségesek, de még senki sem mérte meg őket. Új paraméterek, konstansok kereséséhez nyújt segítséget. Hátrányuk viszont, hogy napjainkban még nem működnek jól, még nincsenek validálva, nincsenek meg a modell futtatásához szükséges paraméterek és ebből kifolyólag még nem használhatók az oktatásban és a gyakorlatban.

Néhány jelentősebb külföldi termésszimulációs modell a teljesség igénye nélkül:

H. Bossel (Németország) által kifejlesztett, a növényi növekedést a víz és a nitrogén ellátás limitációjára építő dinamikus szimuláció volt az első Európában megjelenő számítógépes modell. Nyolc növény: búza, kukorica, burgonya, répa, borsó/bab, repce, lucerna (gyep) növekedésére készült el.

CERES (Modeling plant and soil systems), John Hanks, J. T. Ritchie, Madison, Wisconsin USA 1991. Kezdeményezője Ritchie volt 1972-ben a USDA ARS-hez tartozó Blackland Kutató Állomáson Temple városában Texasban. Célja termés előrejelzés volt az időjárás, a talaj és a növényfaj, ill. fajta tulajdonságai alapján. Neve a Crop-Environment Resource Syntesis rövidítésből származik. Ritchie talajfizikával és vízgazdálkodással foglalkozott. A munkára interdiszciplináris csoportot szervezett. Egy évtized után a CERES központ a Michigan Állami Egyetemre került Ritchie vezetésével. Jones és Kiniry (1986), akik Temple-ben maradtak megszerkesztették a CERES-maize ismertető könyvet. Majd Jones a Florida Egyetemen kezdett dolgozni, ahol GRO néven folytatta a modellek építését lényegében azonos elveken, mint a CERES modellek. Itt készültek a *GRO modellek. GROPGRO szója, földi mogyoró, bab, később Hoogenboom G. foglalta össze egy általános hüvelyes modellbe.

DAISY soil plant system simulation model, The Royal Veterinary And Agricultural University Department of Agricultural Sciences, Section of Soil and Water and Plant Nutrition, Thorvaldsensvej 40, DK-1871 Frederiksbeg C, Copenhagen, Denmark

WOFOST Hollandia, Wageningen. A validálás Kenyában, Zambiában, Délkelet-Ázsiában és a Fülöp szigeteken folyt.

HYSWASOR, P. Koorevar és Dirksen, Department of Water Resources Wageningen Agricultural University. Hollandia.

SOIL model, Uppsala (1991, július 2.) Per-Erik Jansson, Department of Soil Sciences, P.O.Box 7014, S-750 07 Uppsala, Sweden

EPIC, széleróziós modell. J. R. Williams és munkatársai (1984) dolgozták ki, szintén Blackland Kutató Központban, itt is fejlesztik tovább. Kezdetben széleróziós modell volt, azonban a növényi fedettség, párolgás ezt befolyásolja, és ezért már induláskor átvették a CERES-elveket, ill. bizonyos szubrutinokat. Szerencsés megbízás folytán az USA minden államára kidolgozták, mely széles körben ismertté tette. Kiniry és Williams (1992) készítettek egy modellt a gazdanövény – gyomnövény verseny kifejezésére szintén CERES alapokon és az EPIC programhoz kapcsolódva.

Döntéstámogató rendszerek:

DSSAT (Decision Support System for Agrotechnology Tansfer). A CERES és CROPGRO modelleket a 10 évig működő IBSNAT projekt fogta össze a Hawaii Egyetemen. A rendszer egybefogta a modelleket, közös input, output formátum és adatbázis által, valamint a futások eredményeinek tárolására és grafikai megjelenítésre alkalmas környezetbe helyezte. Öt nagy kutatóközpont részvételével később megalakult az ICASA nevű konzorcium, mely a régi IBSNAT tagokat és a holland (Wageningen) iskolát, akik a SARP (Délkelet-Ázsiai Rizstermesztés program) vezetői is voltak, kapcsolja össze a mezőgazdasági modellezés érdekében.