Академический Документы
Профессиональный Документы
Культура Документы
FACULTATEA DE ŞTIINłE
CATEDRA DE ECOLOGIE ŞI PROTECłIA MEDIULUI
Sibiu
2010
I. Sîrbu - Modelarea proceselor ecologice (2010) 2
Notă
ISBN 978-973-739-787-4
ATENłIE:
CUPRINS
6. ELEMENTELE CONSTITUENTE ŞI
CLASIFICAREA MODELELOR ECOLOGICE _____ 49
7. MODELE CONCEPTUALE
ŞI TRECEREA SPRE MODELELE CANTITATIVE _____ 54
1. INTRODUCERE;
DEFINIłIA ŞI NECESITATEA MODELĂRII
cel de a alcătui liste de specii în anumite arii (aşa numitele studii floristice sau
faunistice). Când ecologul se rezumă exclusiv la asemenea liste, mai ales în arii
cunoscute sub aspectul grupului cu pricina, sau publică la infinit subtabele
taxonomice pentru diviziuni ale unor arii, reticenŃa este justificată. Nu însă şi
atunci când într-adevăr aria respectivă este necunoscută sub aspectul grupului
investigat. Pe de altă parte, depinde foarte mult cum se alcătuiesc aceste liste şi
cum se clasifică prezenŃa-absenŃa speciilor în funcŃie de diferiŃii factori ai
mediului. Pornind de la listele de specii se pot realiza o serie de analize de
biogeografie, cenologie, de nişe ecologice etc., aşa cum se va vedea în capitolele
care vor urma. Un bun specialist al unui grup poate sesiza foarte multe informaŃii
relevate de absenŃa sau prezenŃa anumitor specii într-un habitat, deoarece nici o
vietate nu trăieşte absolut oriunde, preferinŃele acesteia pentru mediu şi toleranŃa
la diferiŃii factori putând fi utilizate în sensul invers: al caracterizării stării
mediului pe baza cunoaşterii speciilor prezente. Orice informaŃie, fie cât de
simplă, poate fi utilizată de specialist într-o multitudine de modalităŃi. Evident,
studiul are foarte mult de câştigat atunci când includem date despre abundenŃa
taxonilor, descriem structura sau urmărim dinamica diferitelor comunităŃi, iar în
analizele de productivitate şi energetică, evaluăm în mod necesar şi date despre
creştere, biomasă, flux energetic etc. Deoarece viaŃa poate fi înŃeleasă numai în
contextul mediului integrator, o multitudine de factori ai acestuia pot fi de
asemenea monitorizaŃi (temperatură, reacŃia solului, oxigenul dizolvat, prezenŃa
unor elemente toxice etc.) şi identificate legăturile de tip cauză - efect sau a celor
de tip corelativ.
Prin contrast, există un curent tot mai puternic de absolutizare a datelor
cantitative, adică valori ale parametrilor ecologici (densităŃi, abundenŃe relative,
efective, indici de diversitate etc.) pe baza unui număr redus de probe sau zile
petrecute în teren. Acestea pot fi recunoscute, în general, prin parametri lipsiŃi de
probabilităŃi de semnificaŃie, prin numărul redus de specii relativ la grupul studiat
(în probe cantitative puŃine apar mai ales speciile abundente şi foarte rar cele cu
densitate scăzută sau caracteristice unor microhabitate mai rare sau dispersate în
aria de interes), precum şi lipsa unor concluzii care să zică ceva (se caracterizează
cine este mai abundent, se oferă o serie de valori, dar nu se poate interpreta nimic
de ordin sintetic sau cauzal legat de acestea). Unii înŃeleg, în mod eronat,
ecologia numai ca o "biologie matematizată" şi care consideră că multă
alergătură, dar de scurtă durată, colectarea câtorva probe şi oferirea de valori
pentru unii parametri ecologici ai populaŃiilor sau comunităŃilor înseamnă
exclusiv cercetare ecologică. Numeroase lucrări conŃin o grămadă de date
valorice care nu pot fi nici folosite mai departe (prin comparaŃie în cazul unui
studiu viitor) şi nici verificate (estimări lipsite de coeficienŃi de precizie, limite de
confidenŃă sau alte măsuri ale semnificaŃiei). Orice bun ecolog ştie că investigaŃia
unei arii, tronson de râu, lac etc. se realizează pe baza atât a probelor cantitative
cât şi a celor calitative (ultimele având o şansă mult mai mare de a releva
prezenŃa unor specii rare sau care preferă microhabitate care nu fac adesea
obiectul investigaŃiilor cantitative). Analiza grupului şi ariei de referinŃă trebuie
I. Sîrbu - Modelarea proceselor ecologice (2010) 10
să se facă prin alocarea unui timp suficient pentru strângerea informaŃiilor, fapt
care necesită echipament şi aptitudini pentru munca de teren.
Este evident că evaluarea modificărilor (frecvent prea puŃin evidente) în
starea mediului se realizează infinit mai bine pe baza datelor cantitative şi nu prin
prezenŃa-absenŃa speciilor, dar acest proces nu se face la întâmplare. Există un
algoritm stabilit pentru evaluarea parametrilor ecologici şi ai celor de mediu,
precum şi tehnici de comparare a acestora.
Un alt aspect al cercetării explorative este că adesea numai după iniŃierea
unui anumit program de cercetare apar semnele de întrebare şi ipotezele care
leagă această abordare de cercetarea demonstrativă. Ceea ce este foarte clar la
început (în faza de planificare) poate suferi nenumărate modificări, sau chiar
anulări ale unor aspecte ale proiectului. Cercetătorul trebuie adesea să modifice în
mod adecvat orice element al planului şi să adapteze tehnica şi metodele la noile
condiŃii.
Nici cercetarea explorativă şi nici cea demonstrativă (ipotetic-deductivă)
nu trebuie absolutizate; cel mai adesea se manifestă împreună sau se completează
reciproc. De multe ori s-a văzut că ipoteze şi demonstraŃii s-au realizat pe baza
unui număr foarte mare de date obŃinute în decursul multor ani de investigaŃii de
tip explorativ.
OBSERVAłIE
PROBLEMĂ
IMAGINE
IPOTEZE
PROGNOZE
DESIGN EXPERIMENTAL
TESTAREA IPOTEZELOR
NU Sunt confirmate
prognozele?
DA
EXPLICAłII
VALORIFICARE
În fig. 2.1 redăm sub forma unui algoritm principalele etape ale unei
cercetări ecologice demonstrative (adaptat după Green, 1979). Fără îndoială,
acesta este conceput extrem de simplist. Există numeroase elemente şi secvenŃe
care se pot ataşa, în funcŃie de complexitatea obiectivelor cercetării. Atunci când
sistemul studiat se comportă ca un model determinist, algoritmul poate fi redus la
o secvenŃă liniară. Dacă însă operăm după un model stocastic (probabilistic) este
necesară introducerea de secvenŃe ramificate, funcŃie de evoluŃia probabilistică a
fenomenelor.
Acesta este algoritmul clasic, care a suferit numeroase modificări prin
trecerea la noile abordări, paradigme şi tehnici aplicate în ecologia ultimelor
câteva decenii.
I. Sîrbu - Modelarea proceselor ecologice (2010) 13
Tim p = o zi - 3 a n i
2
S p aŃiu = cm - 10 0 m
P a ra m e tri e co lo gic i = 1 -5
Tim p
Tim p > 3 a n i
S p aŃiu > 1 0 0 m 2
P a ra m e tri e co lo gic i > 5
N r. p a ra m e tri
e c o lo g ici
Sp a Ń iu
Fig. 3.1. Model conceptual al expansiunii abordărilor cercetării ecologice, la scară
temporală, spaŃială şi tematică (după W.K. Michener, 2000). Paralelipipedul mic semnifică
concepŃia clasică, cel mare sugerează tendinŃe în expansiunea modernă.
I. Sîrbu - Modelarea proceselor ecologice (2010) 14
D
A C
D isc ip li n e
e co lo g ice
Fig. 3.2. Exemplu de abordare a unei cercetări actuale complexe, aflată la intersecŃia mai
multor domenii, necesitând colaborarea şi acŃiunea sinergică a specialiştilor (după W.K.
Michener, 2000). Studiu de caz:
Tema generală a studiului ar putea fi: PRINCIPII ŞI METODE DE MANAGEMENT A
VIITURILOR ŞI INUNDAłIILOR.
Subteme posibile definite pe discipline ale mediului: interacŃiuni dintre curgerea apei,
scurgerea superficială, debite, eroziune, amenajări hidrotehnice etc.
Discipline ecologice: succesiuni ale comunităŃilor vegetale din albiile râurilor, funcŃiile
ecologice ale luncii inundabile etc.
Discipline sociale: aspecte sociale şi economice ale managementului inundaŃiilor;
Domenii de intersecŃie:
A - interacŃiuni între vegetaŃie (în mod special ariile împădurite) şi atenuarea
viiturilor;
B - managementul ariilor în care sunt necesare inundaŃii controlate pentru a satisface
cerinŃele sociale;
C- beneficii şi pagube produse de viituri şi inundaŃii asupra ecosistemelor afectate şi a
folosinŃelor umane;
D - managementul peisajelor edificate de ecosisteme lotice ("riverscapes" în engleză);
harta regimurilor de viituri şi inundaŃii în diferitele arii geografice, politice şi sociale.
singure ştiinŃe, având implicaŃii şi efecte dintre cele mai complexe asupra naturii,
a calităŃii mediului, a economiei şi societăŃii umane. Din acest motiv studiile
moderne sunt obligate să integreze cel puŃin trei planuri majore de abordare,
constituind tot atâtea domenii din care se recrutează specialiştii necesari, şi
anume: discipline ecologice, cele ale mediului (incluzând aici fizica, chimia,
geologia, geografia, climatologia, hidrologia etc.), precum şi discipline sociale.
Această intersecŃie disciplinară este ilustrată în Fig. 3.2 şi este exemplificată
printr-un studiu de caz.
Complexitatea noilor întrebări şi probleme abordate determină modificări
majore în planificarea şi designul cercetărilor moderne de ecologie. Abordarea
clasică a studiilor demonstrative implică identificarea unei probleme, edificarea
imaginii acesteia, alcătuirea ipotezelor, design experimental adecvat (de teren,
laborator sau ambele), colectarea şi analiza datelor, testarea ipotezelor printr-o
tehnică adecvată, adoptarea deciziilor, interpretarea şi valorificarea rezultatelor.
Acest gen de proiect se alcătuieşte şi se implementează de regulă, de către un
număr redus de cercetători, frecvent chiar de unul singur. Tema se raportează
aproape întotdeauna la scări reduse, în termeni spaŃial, temporal şi tematic. O altă
caracteristică a acestor studii o constituie faptul că datele sunt considerate ca scop
final, alcătuirea rapoartelor şi publicarea acestora fiind punctul terminus al
întregii activităŃi. Odată publicate rezultatele finale, datele primare şi
intermediare sunt – cel mai frecvent – păstrate exclusiv de către ecolog pe
parcursul vieŃii acetuia, după care (sau cel mai frecevnt cu mult înainte) ele se
pierd iremediabil.
Prin contrast cu scenariul clasic prezentat anterior, o tendinŃă în ecologia
viitorului este necesitatea de a accesa date din cele mai diverse domenii ale
cunoaşterii, obŃinute de specialişti heterogeni, în cadrul unor proiecte cu scopuri
oricât de diferite. Deşi cercetarea individuală nu îşi va pierde forŃa şi nici
importanŃa, problemele complexe la care omenirea trebuie să facă faŃă vor
necesita date cu mult mai multe şi mai diverse, decât cele care pot fi obŃinute,
analizate, gestionate şi interpretate de către un singur om. Ecologia este nevoită
să treacă spre abordări interdisciplinare, spre necesitatea accesului cât mai facil şi
liber la date inteligibile, bine păstrate, bine gestionate şi de bună calitate.
Începe aici
OBSERVAłII
MODELE
Digrame conceptuale
şi teorii
IPOTEZE
Prognoze bazate
pe modele
IPOTEZA NULĂ
Opusul logic al ipotezelor
EXPERIMENT
Testul critic al
ipotezei nule
Fig. 3.3. Model conceptual pentru dezvoltarea ipotezelor multiple, incluzând experimente,
interpretări şi feedback pentru formularea de noi ipoteze (după Underwood, 1997 ap.
Michener, 2000).
C. Studii retrospective
În cadrul acestora se reconstituie succesiunea din trecut a evenimentelor,
printr-o serie de tehnici bazate pe dovezi păstrate în cele mai variate forme.
Amintim aici reconstituirile evolutive bazate pe ceasuri moleculare, studiile de
dendrocronologie, reconstituirea paleoclimatului pe baza analizei speleotemelor,
extragerea şi studiul carotelor din gheŃari (de suprafaŃă sau din peşteri) şi
interpretarea datelor microbiologice, a microfosileor, respectiv analiza fizico-
chimică a gheŃii din diferitele straturi, stratificarea fosilelor etc. Toate acestea pot
constitui (uneori) un substitut al studiilor pe termen lung, referindu-se însă la
trecut şi nu la viitor. Ele nu aduc răspunsuri ale problemelor emergente şi în curs
de agravare, dar oferă o bază de referinŃă, un fel de "probă martor temporală",
I. Sîrbu - Modelarea proceselor ecologice (2010) 20
D. Studii comparative
Studiile comparative derulate la scară spaŃială largă măresc potenŃialul
explicativ şi predictiv în ecologie. Semnifică analiza şi interpretarea efectelor,
diferenŃiate în timp şi spaŃiu, a unui factor sau unei cauze cu rezultate
heterogene, prin compararea rezultatelor independente şi a răspunsurilor
diferitelor sisteme ecologice afectate de aceasta. Altfel spus, comparăm
structural, dinamic şi funcŃional diferite sisteme ecologice, situate în arii diferite,
care au fost supuse aceleiaşi perturbări. Acestea pot surprinde în spaŃiu, ceea ce
studiile pe termen lung sesizează în timp, şi anume rezultatele unor procese
complexe, iniŃiate în perioade diferite, respectiv răspunsuri variate la acŃiunea
aceloraşi factori disturbatori. Aceste studii pot fi experimente planificate sau
sinteze post-facto a studiilor preexistente (cum ar fi de exemplu sinteza tuturor
lucrărilor publicate cu privire la unul şi acelaşi subiect). Avantajele sunt evidente
şi în linii mari au fost enunŃate, dezavantajele sunt legate de lipsa posibilităŃii de
evidenŃiere a mecanismelor şi a cauzalităŃii, care poate fi relevată prin
experimente concentrate în timp real.
F. Studii de simulare
Se bazează pe modele matematice ale proceselor şi sistemelor ecologice,
care se alcătuiesc la un nivel adecvat de complexitate, implementate pe
calculator, utilizând softuri de specialiate, asupra cărora ecologii execută
nenumărate experienŃe virtuale în scopul de a cunoaşte, imita şi prognoza
comportamentul unui sistem, ca urmare a modificărilor unui număr nedefinit de
forŃe şi elemente. Rularea acestor modele produce o simulare a dinamicii
fenomenelor, indicând probabilistic răspunsurile posibile ale sistemelor reale, dar
într-un mediu virtual.
I. Sîrbu - Modelarea proceselor ecologice (2010) 21
IniŃierea studiului
ObŃinerea şi controlul
calităŃii datelor
Stocarea şi menŃinerea
datelor
Prelucrarea şi asigurarea
calităŃii datelor
Analiza şi interpretarea
datelor
Acces şi arhivare
motiv pentru care BD trebuie organizate astfel încât să întrunească în linii mari
aşteptările acestora.
Dezvoltarea unei baze de date este un proces evolutiv: ea va deservi o
comunitate dinamică de utilizatori, va permite actualizări şi complicări în funcŃie
de dezvoltarea informaŃiilor şi a solicitărilor celor interesaŃi. În realizarea unei
BD trebuie să răspundem la patru întrebări, iar răspunsurile trebuie să fie
satisfăcătoare pentru ca aceasta să deservească scopul pentru care a fost creată:
1. De ce este necesară această bază?
2. Cine vor fi utilizatorii ei?
3. La care întrebări va trebui să răspundă baza de date?
4. Ce motivaŃii sunt disponibile pentru cei care produc datele?
Mare
Imagini satelitare
Sisteme GIS
Date climatice
Date populaŃionale
Productivitate primară
Există mai multe tipuri de baze de date, fiecare ilustrând diferite modalităŃi
de organizare a informaŃiilor, a necesităŃilor legate de interogare, accesare şi
utilizare ulterioară. Caracteristicile acestora sunt descrise sintetic în Tab. 4.1.
Categorie Caracteristici
BD bazate pe sisteme de fişiere - Simplitate: poate utiliza software
Utilizează fişiere şi directoare pentru generalizat, cum ar fi procesoare de texte
organizarea informaŃiilor; nu este sau organizatoare de fişiere;
considerată o BD tipică. - IneficienŃă: creşterea numărului de
fişiere într-un director duce la scăderea
vitezei de interogare;
- CapacităŃi reduse: puŃine posibilităŃi de
prelucrare, căutare şi analiză.
BD ierarhice - Păstrarea eficientă a datelor cu structură
Păstrează datele într-un sistem organizat ierarhică;
în niveluri: de exemplu o bază de date - Optimă pentru baze de imagini;
sistematice, cu configuraŃia arborelui - Relativ rigidă: necesită un proces de
filogenetic; planificare detaliată.
BD tip reŃea - Mai puŃine constrângeri decât BD
Păstrează datele în unităŃi interconectate, ierarhice;
cu puŃine contrângeri asupra tipului şi - Legăturile sunt definite ca parte a
numărului de legături; structurii BD;
- ReŃelele pot deveni haotice dacă nu sunt
planificate corespunzător;
BD relaŃionale - Larg răspândite, adaptate la tehnologia
Datele sunt păstrate sub formă de tabele, actuală (IT);
legăturile dintre ele realizându-se prin - Eficiente pentru interogare şi generarea
atribute sau variabile de relaŃionare. de rapoarte şi sinteze;
Exemple: BD realizate în software ca - InterfeŃe standardizate;
SQL, DBASE, FoxPro etc. - PosibilităŃi restrânse pentru structuri de
date;
BD orientate pe obiecte - Moderne, tehnologii în plină dezvoltare;
Păstrează datele în obiecte (proceduri - largă amplitudine de posibilităŃi de
relativ independente), fiecare conŃinând definire a structurii datelor;
un set de metode pentru accesarea şi - pot utiliza şi defini multe tipuri de
prelucrarea datelor. obiecte;
- nu sunt la fel de eficiente ca BD
relaŃionale pentru elaborarea de sinteze şi
rapoarte.
BD “ADÂNCI” BD “LARGI”
- specializate pe o singură sau câteva - conŃin multe categorii diferite de date;
categorii de date;
- număr foarte mare de informaŃii despre - multe informaŃii diverse, dar relativ
o categorie de date; puŃine, raportate la o anumită categorie;
- oferă unelte sofisticate pentru interogare - multe unelte pentru localizarea datelor,
şi analiză; dar în mod caracteristic nu posedă
proceduri pentru analiză;
- uneltele de gestiune operează primar - uneltele de gestiune operează primar
asupra conŃinutului datelor. asupra conŃinutului metadatelor.
Alte exemple sunt bazele orientate pe anumite proiecte, cum ar fi cele ale
cercetărilor pe termen lung (un bun exemplu este chiar BD a LTER). În sfârşit
multe alte baze, cum ar fi cele ale cercetătorilor individuali, nu pot fi încadrate la
nici una dintre categoriile antemenŃionate. Nivelul dezvoltării acestora variază în
limite foarte largi, la fel şi calitatea, respectiv cantitatea metadatelor asociate.
I. Sîrbu - Modelarea proceselor ecologice (2010) 32
4.3. Metadate
(după W.K. Michener, 2000)
Foarte puŃine dintre datele din caietele de teren, laborator, foi de lucru,
tabele sau fişierele personale ale cercetătorilor sunt autoexplicative. Cei mai mulŃi
ecologi se bazează pe însemnări şi memorie pentru a-şi aminti semnificaŃiile şi
condiŃiile în care acestea au fost obŃinute, informaŃii care sunt complet
inaccesibile altor specialişti sau potenŃiali beneficiari. Din aceste motive este
imperativ necesară construirea metadatelor, adică informaŃiile anexe şi conexe
datelor, care relevă semnificaŃia şi valoarea lor. Acestea includ documentaŃia cu
privire la conŃinutul seturilor de date, context, calitatea informaŃiilor, structura şi
accesibilitatea lor.
Metadatelor li se acordă o atenŃie din ce în ce mai sporită din partea
comunităŃii ştiinŃifice, a structurilor instituŃionale, politice, economice şi sociale.
Tot mai mult se recunoaşte valoarea arhivelor de date, calitativ superioare,
validate şi securizate, pentru abordarea problemelor cu efecte pe scară largă şi de
factură complexă, pentru monitoringul pe termen lung al proceselor ecologice şi
rezolvarea crizelor de mediu. Metadate inteligibile reprezintă cheia pentru
descifrarea şi utilizarea colecŃiilor de BD, a resurselor informaŃionale, susŃinând
utilizarea şi interpetarea amplă şi pe termen lung a datelor ecologice.
Datele ecologice primare sau brute sunt aproape întotdeauna sintetizate
prin prelucrare, ecologul publicând, raportând sau înscriind într-o bază de date
valori sintetice, de obicei statistice. Acestea sunt mai departe prelucrate, analizate
şi interpretate, astfel încât produsul final al demersului ştiinŃific este de obicei o
sinteză, care nu relevă nici cantitativ şi nici calitativ toată semnificaŃia datelor
primare. Prin urmare multă informaŃie, nerelevantă poate pentru un cercetător sau
o echipă, la un moment dat, se pierde iremediabil în timp, împreună cu contextul
şi semnificaŃiile particulare ale datelor originale. Generalizând acest fenomen,
putem recunoaşte că orice informaŃie se degradează şi la un moment dat tinde să
I. Sîrbu - Modelarea proceselor ecologice (2010) 33
Detalii generale
Pensionare sau
schimbarea carierei
Accidente
Deces
Timp
FuncŃii Componente
Adăugare de date - Definirea unui cadru - ghid;
- Verificare şi confirmare calitatea datelor, transferul şi
formatul acestora;
- Revizie date/metadate;
- Organizarea datelor pentru arhivare;
Păstrarea - Copiere şi securizare;
(menŃinerea) - Sisteme de stocare;
datelor - Migrare spre noi medii de stocare şi noi tehnologii;
Localizarea - Sistem de indexare (standarde pentru cuvinte cheie);
datelor - InterfeŃe pentru utilizatori;
- Extragerea seturilor de interes;
Oferta de date - Alegerea căilor (media): via www, CD - DVD, tipărite etc.
Dezvoltarea Hardware, software, mediul de stocare şi legăturile prin reŃele.
sistemului
AsistenŃa - AsistenŃă şi statistică asupra utilizatorilor;
utilizatorilor - Corectări şi actualizări;
- Reclame şi promovare;
- FinanŃare pe termen lung.
Fluxul şi rolul informaŃiei din perspectivă ştiinŃifică urmează două căi: cea
a cercetărilor primare, care s-a dezvoltat în sute de ani de practică, şi cea a
cercetărilor secundare (ulterioare cercetării primare, realizate de alŃii, pe baza
informaŃiilor produse de cercetătorii originari) care se bazează pe refolosirea
datelor preexistente, o cale cu vârstă de abia 20-30 de ani de experienŃă şi care
necesită o continuă dezvoltare.
Un bun exemplu îl constituie Centrul NaŃional de Date Climatice (NCDC)
din AdministraŃia NaŃională Oceanografică şi Atmosferică a SUA (NOAA), care
are cel mai vechi centru de date operaŃional (din 1951), cel mai lung timp de
achiziŃie a informaŃiilor (din sec. XIX), cel mai mare volum de date arhivate (se
adaugă 55 GB în fiecare zi) şi cel mai mare număr de utilizatori (cca. 170 000
cereri anuale), asigurând astfel o perspectivă istorică de calitate asupra climatului,
fiind o componentă esenŃială pentru documentarea studiilor referitoare la
încălzirea globală. Acest centru trimite periodic rapoarte şi seturi de date la alte
I. Sîrbu - Modelarea proceselor ecologice (2010) 37
A. Reducerea datelor
Este o activitate larg răspândită, mai ales în cazul proceselor cu desfăşurare
sau cu monitorizare continuă, care necesită agregarea datelor sau descrierea lor
prin parametri sintetici ai dinamicii proceselor particulare. Cei mai cunoscuŃi sunt
parametri cantitativi ai seriilor de timp. De exemplu vom calcula temperaturi
medii zilnice, lunare sau anuale, respectiv vom raporta un fenomen la suma
precipitaŃiilor /mm (sau l/m2) pentru a defini variabile independente, cum ar fi
într-o analiză de regresie.
B. Transformarea datelor
Se realizează cel mai frecvent pentru a creşte semnificaŃia acestora. Nu
vom raporta densitatea unei populaŃii la dimensiunea aparatului de colectare a
probelor, ci, prin transformare cu regula de trei simplă, vom reda numărul de
indivizi sau biomasa acestora raportată - de exemplu - la un litru sau la metru
pătrat (deci o expresie standard sau cu semnificaŃie mai generală). Multe
conversii sunt necesare pentru a standardiza scările de reprezentare ale valorilor
variabilelor ecologice şi ale mediului, pentru a creşte semnificaŃia lor şi a permite
comparaŃii cu alte studii. O serie de alte transformări se realizează pentru a aplica
unele teste sau prelucrări statistice, pentru a reprezenta grafic valori care variază
pe scări de magnitudine diferită, sau pentru standardizarea domeniului de variaŃie
I. Sîrbu - Modelarea proceselor ecologice (2010) 39
(de exemplu prin logaritmare, extragerea radicalului, sau formule mai complexe
de standardizare). Unele transformări sunt complicate, realizându-se în mai mulŃi
paşi, fapt care necesită menŃinerea unor bune metadate şi legende asupra acestora,
astfel încât să poată fi reconstituite datele primare pentru analize viitoare.
C. Analiza grafică
“Un desen spune mai mult decât o mie de cuvinte” este o expresie perfect
valabilă şi în ecologie. MulŃimea şi heterogenitatea datelor nu au nici o relevanŃă
dacă nu sunt, sau nu pot fi, reprezentate grafic şi interpretate (inclusiv) pe această
cale. Ele facilitează înŃelegerea rezultatelor, permit sesizarea semnificaŃiei
fenomenelor, indică modele în structura şi valorile datelor, permit la un anumit
nivel identificarea valorilor aberante şi a erorilor etc. Cele mai multe lucrări de
ecologie, chiar şi în prezent, se realizează în primul rând pe seama reprezentării
grafice a datelor, sau mai degrabă a parametrilor statistici ai şirurilor de date, şi a
interpretării modelelor astfel evidenŃiate. Identificarea modelelor şi a
semnificaŃiei datelor, pe seama interpretării reprezentării grafice a lor, se numeşte
analiză exploratorie a datelor şi este una dintre tehnicile de bază ale cercetării
ecologice, inclusiv ale modelării. Există o mare varietate de clase de grafice,
fiecare adresându-se unui anumit tip de seturi de date. Modul în care se
construiesc graficele se bazează pe reguli stricte (a se vedea Sîrbu şi Benedek,
2004, pp. 73 - 79)
E. Modelarea ecologică
Modelul este o reprezentare a unei entităŃi reale, a unui lucru, idei sau
condiŃii. Procesul de modelare este un şir de etape, care trebuie parcurse, pentru
a converti o idee, mai întâi într-un model conceptual şi apoi într-o reprezentare
cantitativă. Modelarea în ecologie permite descrierea, sinteza, caracterizarea şi
experimentarea în spaŃiu virtual, a proceselor şi sistemelor ecologice. Ea
facilitează explicarea cauzalităŃii fenomenelor, permite alegerea şi implementarea
măsurilor de management şi asistă luarea deciziilor de mediu.
ToŃi ecologii practicieni şi majoritatea teoreticienilor, cel puŃin la un
anumit moment, pe parcursul unui studiu, trebuie să reprezinte imaginativ ideile,
elementele observate, datele investigaŃiei, relaŃiile dintre acestea, să reprezinte
grafic structura sau dinamica unui sistem etc. În toate aceste activităŃi,
reprezentările, conceptualizările, adesea formule şi ecuaŃii sunt implicate în mod
necesar.
Modelele pot fi definite în mod grafic, informal (fără ecuaŃii: de
exemplu un mod alternativ, preliminar, este definirea verbală a modelului urmat
de reprezentarea sa grafică sau schematică) sau formal, prin expresiile
matematice corespunzătoare şi programe de calculator.
sunt logice, posibile, îndeplinesc sau nu ceea ce ne-am putea aştepta de la modelul
realizat, precum şi dacă le-am interpretat corect. Dacă modelul nu trece de acest
examen, este necesară întoarcerea la o etapă anterioară a algoritmului, şi reluarea
procesului ori de câte ori este necesar. Există o deosebire certă între verificare şi
validare: primul termen semnifică testarea logicii interne a modelului, constând
mai ales dintr-o evaluare subiectivă a modului în care s-a alcătuit şi cum se
comportă acesta (uneori se vorbeşte în jargonul de specialitate şi de depanarea
modelului). Validarea se realizează prin compararea rezultatelor modelului cu
datele reale, care rezultă din analiza directă a sistemului analizat.
Un model bun (validat) va fi cel care oferă rezultate, ce se potrivesc cu
fenomenele şi valorile proceselor reale, şi care au o logică ştiinŃifică.
Adesea se realizează şi analiza senzitivităŃii, care investighează cum s-ar
modifica concluziile dacă parametrii, datele iniŃiale şi/sau ecuaŃiile ar fi diferite.
Această analiză este utilizată pentru investigarea robusteŃii modelului, dar şi
pentru a ghida cercetarea viitoare, respectiv pentru a sesiza importanŃa diferitelor
elemente constituente ale modelului în ceea ce priveşte contribuŃia la rezultate.
Am amintit anterior două mituri false ale modelării: relaŃia dintre valoarea
modelului şi complexitatea acestuia, precum şi absenŃa legăturii dintre scara de
raportare a sistemului sau procesului şi complexitate.
Un alt mit este cel al relaŃiei absolute între utilitate şi adevăr. Este bine de
ştiut că un model poate să nu fie absolut adevărat (deci valabil în toate condiŃiile)
şi totuşi să fie extrem de util. De exemplu, legile lui Newton au fost multă vreme
considerate infailibile, până în 1905, odată cu apariŃia teoriei lui Einstein, când au
fost contestate. Teoriile newtoniene sunt astăzi recunoscute ca fiind valabile
numai pentru obiecte care se mişcă încet şi cu energie redusă, dar sunt în
continuare mai mult utilizate în viaŃa practică decât teoriile lui Einstein.
În schema algoritmului de modelare (Fig. 5.1) am ales numai etapele
principale care se referă la categorii de modele ce implică şi formule, respectiv
care pot fi transpuse pe calculator. Este evident că alte categorii (modelele
grafice, multe modele statistice care presupun operarea cu ajutorul unui program
prestabilit etc.) nu includ în mod obligatoriu unele etape ale acestui algoritm, iar
altele necesită secvenŃe suplimentare, inclusiv ramificaŃii condiŃionate de
rezultatele intermediare (de exemplu la modelele stocastice). Dar unele etape,
cum ar fi: definirea problemei, crearea imaginii acesteia, evaluarea calităŃii
datelor existente, verificarea modelului şi validarea rezultatelor fac parte din
aproape toate procesele de modelare.
Modelarea este un proces iterativ. Dacă un model a fost validat,
nu înseamnă că va fi abandonat. Date noi, idei, includerea altor variabile,
redeschid de fiecare dată problema dezvoltării şi conduc la modificarea perpetuă
şi evoluŃia oricărui model. Un model mai bun înseamnă o simulare mai realistă,
prognoze mai bune, acurateŃe sporită a rezultatelor, uneori includerea mai multor
detalii şi tendinŃa spre o cât mai bună apropiere de fenomenele naturale.
Jørgensen (1988) susŃine însă că pentru un interval dat de timp, resursele limitate
vor opri mai devreme sau mai târziu evoluŃia oricărui model.
I. Sîrbu - Modelarea proceselor ecologice (2010) 46
Definirea problemei
Ipoteze
Model conceptual
Model cantitativ
Prognoze
Rulare şi verificare
Validare
Analiza de senzitivitate
Valorificare
Modelele trebuie să fie folositoare, adică să fie prea rar un scop în sine.
Ele sunt construite pentru a testa, verifica, simula sau prognoza, respectiv pentru
a ne ajuta să înŃelegem mai bine modul în care funcŃionează sistemele, şi se
desfăşoară procesele ecologice. Modelarea nu este pasul final al unui program
experimental, ci este o parte integrată în munca de cercetare.
Valorificarea modelului îmbracă numeroase aspecte, similare cu cele care
decurg din utilizarea rezultatelor cercetării. Unele modele sunt construite ca
aparat ştiinŃific, ne ajută să înŃelegem şi să explicăm, iar valorificarea poate
însemna publicarea şi popularizarea rezultatelor. Altele sunt dezvoltate ca unelte
I. Sîrbu - Modelarea proceselor ecologice (2010) 47
♦ Ce software utilizăm?
Este întrebarea care apare mai devreme sau mai târziu în orice studiu cu
pretenŃii, precum şi în evoluŃia capacităŃilor cercetătorului. Este bine să
subliniem, că nu există şi nu poate exista un singur răspuns la aceasta, deoarece
sunt cel puŃin două categorii de motivaŃii: de ordin subiectiv şi obiectiv. Cele
subiective sunt legate de reguli ale cercetării ecologice, care afirmă că: “cel mai
bun software este cel pe care îl cunoşti”, apoi “cea mai bună tehnică de calcul
este cea la care ai acces nelimitat”, precum şi “este preferabil ca un ecolog să
înveŃe să opereze decât să programeze” (Sîrbu şi Benedek, 2004). Este evident că
un limbaj sau program pe care nimeni din echipă nu-l ştie, nu are nici o şansă să
rezolve problema, indiferent cât este de nou sau sofisticat. Snobismul modei
dezvoltării neîncetate a calculatorului personal, veşnica vânare a unui echipament
mai performant, programe mai diverse şi mai noi, a avea permanent ultima placă
video etc., sunt fără îndoială utile unui informatician sau unui pasionat al
jocurilor, dar sunt preocupări prea puŃin potrivite unui ecolog practicant. Pe lângă
confuzia între scop şi mijloace, implică şi pierdere de timp şi alocarea
nejustificată a resurselor. Mult mai folositoare este alocarea de timp pentru
cunoaşterea aprofundată a modului de utilizare corectă a acelor programe, care
într-adevăr ne ajută să progresăm în cercetare şi în folosirea rezultatelor, precum
şi actualizarea lor şi a echipamentului hard atunci când este necesar şi oportun.
Apelarea la un informatician sau (în funcŃie de natura problemei) un
matematician, poate da uneori rezultate, dar atenŃie la bariera de comunicare şi
de reprezentare a intenŃiilor. Includerea unui specialist din alt domeniu este
benefică pentru echipă, numai dacă există dorinŃa de comunicare bidirecŃională şi
traducerea tuturor etapelor în entităŃi cu semnificaŃie similară pentru ambele părŃi.
Un alt element care trebuie Ńinut sub control, este faptul că înŃelegem prea puŃin
despre oamenii implicaŃi în alte specialităŃi. Orice biolog sau ecolog ar trebui să
ştie ce înseamnă specializare în cadrul domeniului (deşi ecologii, mai ales
teoreticienii holişti, tind uneori să uite spre paguba lor aceasta), dar consideră alte
discipline ca fiind omogene. Şi matematicienii, respectiv informaticienii, sunt
specializaŃi, ceea ce nu înseamnă că ştiu neapărat multe despre puŃin, ci faptul că
ştiu mult mai mult despre unele lucruri şi semnificativ mai puŃin despre oricare
altele. Este o mare deosebire între calitatea/cantitatea informaŃiilor pe care o
persoană le deŃine şi potenŃialul acesteia de a selecta informaŃia relevantă într-un
anumit context (marea problemă a celor care predau la alte specializări).
De aceea pentru un program de cercetare includerea într-o echipă de
biologi (ecologi) a unui oarecare matematician este la fel de inutilă, precum
I. Sîrbu - Modelarea proceselor ecologice (2010) 48
includerea în structura unei instituŃii ştiinŃifice a unui biolog, sau într-un institut
de cercetare a unui specialist în bentos. ExcepŃia o constituie acele instituŃii (nu
neapărat cu pretenŃii ştiinŃifice) care antrenează dialogul dintre domenii, în care
intervine individul de altă specialitate în buna desfăşurare a activităŃii generale.
Există şi argumente obiective pe care le avem în vedere atunci când
selectăm software-ul. Când suntem puşi în situaŃia de a alege, ne confruntăm cu o
plajă mărginită de două extreme. Astfel, pe de o parte există limbaje de
programare generală (de tipul C ++, Visual Basic, Pascal etc.) care permit
individului un control complet asupra procesului de modelare, dar care reclamă
cunoştinŃe apreciabile de informatică şi matematică. La cealaltă extremă sunt
programele grafice de tipul STELLA, Simulink sau ModelMaker, care permit
utilizatorului să selecteze din meniuri şi galerii de icoane elementele necesare
construirii modelului, lăsând calculatorul să se ocupe de toate detaliile. La acestea
dezavantajele sunt legate de limitarea potenŃialului de modelare, a opŃiunilor
utilizatorului, lipsa de elasticitate a procesului şi constrângerea la ceea ce este
deja preprogramat. Calea de mijloc (pe care de altfel o adoptăm în studiul
modelării la catedra noastră) o constituie sistemele de programe care includ
funcŃii şi proceduri (inclusiv grafice) care permit evitarea multor detalii de ordin
informatic şi matematic, dar care lasă o gamă largă de posibilităŃi alternative
cercetătorului. Printre variantele de acest gen, flexibile şi facil de studiat,
amintesc sistemele de programe de tipul Systat, SPSS sau Statistica (pentru
modelare statistică) şi Mathcad pentru o serie largă de categorii de modele
matematice.
I. Sîrbu - Modelarea proceselor ecologice (2010) 49
b. Variabile de stare
c. EcuaŃii matematice
d. Parametrii
sunt deduşi din ecuaŃii empirice construite pe baza datelor reale (de exemplu
ecuaŃii de regresie).
e. Constante universale
Sunt valori deduse din legi ale naturii, fixe, imuabile, care apar adesea şi în
multe modele ecologice. Amintim aici numărul π, e (baza logaritmului natural,
numărul lui Euler), constanta lui Avogadro, constanta solară, masele atomice ale
elementelor chimice etc.
salinitate, umiditate etc.), caz în care vorbim de modele distributive, care sunt
definite frecvent prin ecuaŃii diferenŃiale parŃiale. Analiza dinamicii temporale nu
trebuie neapărat realizată prin ecuaŃii deterministe. De exemplu, există
posibilitatea descrierii şi caracterizării dinamicii fenomenelor prin analiza
seriilor de timp, domeniu al statisticii matematice.
Modelele integrate urmăresc dinamica proceselor sau a sistemelor pe o
perioadă mai lungă (de exemplu un an sau un deceniu), iar variabilele sunt
reprezentate prin valori medii pe intervale finite de timp. Ele sunt utilizate în
special la construirea de modele energetice, ale bugetului trofic, cele climatice, de
productivitate şi altele.
Dacă procesul se poate descrie sub forma unei ecuaŃii de gradul I (polinom
de gradul I), modelele se numesc liniare, iar dacă cel puŃin o relaŃie nu este în
această formă, definim modele neliniare.
Modelele pot fi cauzale (sau de tip cutie albă) dacă datele de intrare,
stările sistemului şi rezultatele sunt relaŃionate prin legături de tip cauză - efect,
sau pot fi modele de tip cutie neagră (necauzale) dacă se iau în considerare
numai datele de intrare şi cele de ieşire, fără a fi analizat mecanismul intim al
sistemului.
Utilizând criteriul naturii componentelor definite ca variabile de stare,
putem alcătui o altă clasificare. Astfel, dacă sistemul este descris în termeni de
număr de indivizi conspecifici, modelul este de tip populaŃional (câteodată se
utilizează şi cuvântul biodemografic). Un model care descrie şi caracterizează
comunitatea sau ecosistemul va fi definit ca atare (modele cenotice sau
ecosistemice), referitor la nivelul de organizare inclus în analiză, un model al
fluxului energetic este considerat bioenergetic, iar dacă se referă la circulaŃia
materiei în natură, definim modele biogeochimice.
Modele bazate pe indivizi (MBI) implică o abordare diferită de cele
expuse anterior. Acestea urmăresc dezvoltarea sau funcŃionarea sistemului prin
analiza comportamentului indivizilor constituenŃi, şi nu prin acordarea unor
valori medii, care exprimă contribuŃia tuturor, aşa cum o fac cele mai multe
categorii. Se realizează simulări, care evaluează consecinŃele la nivelul întregului
sistem a interacŃiunilor locale ale elementelor constituente. Elementele pot fi
indivizi biologici (plante, animale), dar şi autovehicule în trafic, populaŃii sau
specii care interacŃionează etc. Sunt tehnici de modelare care necesită mult calcul
matematic, se realizează exclusiv pe calculator şi se bazează pe teoria
automatelor celulare. Asemenea modele sunt alcătuite din mediul în care se
desfăşoară interacŃiunea, un număr oarecare de indivizi în sens larg (nu în mod
necesar biologici), care la rândul lor sunt definiŃi în termeni de comportament
(reguli procedurale) şi parametri caracteristici. Însuşirile şi efectele acŃiunilor
fiecărui individ sunt urmărite în timp. Unele MBI sunt explicit spaŃiale, în sensul
că indivizii sunt asociaŃi cu locaŃii şi deplasări în spaŃiul geometric. Alte modele
sunt pur funcŃionale sau reflectă efectul interacŃiunilor între grupuri de elemente
definite după anumite criterii.
I. Sîrbu - Modelarea proceselor ecologice (2010) 52
• Modele verbale
Semnifică descrierea verbală a structurii unui model, a componentelor şi
legăturilor dintre acestea. Se utilizează mai frecvent la procese simple.
• Scheme şi desene
Foarte des folosite în toate domeniile ecologiei, atât ca metodă ştiinŃifică,
cât şi pentru expunere didactică sau popularizare. Există o mare varietate de
grafice, scheme, desene care includ o serie de detalii, reprezentări ale unor
structuri şi funcŃii particulare etc. În ştiinŃă desenul se utilizează pentru ilustrarea
sintetică a caracteristicilor realităŃii investigate, pentru a reliefa şi reprezenta
semnificaŃia datelor experimentale, a evidenŃia tendinŃe şi dinamici repetitive etc.
• Modelele matriciale
Se indică prin algebră matricială legătura dintre elementele constituente ale
unui sistem. Cea mai simplă formă de expresie este reprezentarea unei legături,
fără a se preciza nici valoarea acesteia (intensitatea sau evaluarea cantitativă de
orice fel), şi nici direcŃia (cine asupra cui acŃionează). O variantă este simpla
construcŃie cu valori de tip 1 şi 0, unde 1 semnifică existenŃa relaŃiei iar 0 absenŃa
acesteia. În exemplul de mai jos considerăm 4 elemente (să presupunem că
acestea ar fi populaŃii ale unei comunităŃi), între care există (1) sau nu (0) relaŃii
de competiŃie:
A B C D
A 1
B 1 1
C 0 1 0
D 0 0 1 1
B C
Un alt model ne indică cine asupra cui acŃionează, caz în care matricea nu
trebuie să fie simetrică, iar reprezentarea va fi de tipul unui digraf orientat. De
exemplu, fie o comunitate în care valorile de 1 indică cine cu cine se hrăneşte
(cine prădează pe cine), iar într-un caz întâlnim şi fenomene de canibalism:
de la (prădează pe...):
A B C D
A 1 0 0 0
către: B 1 0 1 0
(este C 0 0 0 1
prădat) D 0 1 1 0
B C
1.)C = a * P
b*P
2.)C =
1+ c*P
3.)C = d * P * e −f *P
Modelul 1:
15
12.03
10
C( P )
5
0.03 0
0 1 2 3 4
0.01 P 4
Modelul 2:
0.4
C( P )
0.2
0
0 1 2 3 4
P
I. Sîrbu - Modelarea proceselor ecologice (2010) 58
Modelul 3:
0.5
C( P )
0
0 1 2 3 4
P
xt+1 = f(xt)
d
g (t ) = e t + 1.8
dt
Case GT PA
1 0 6
2 0 7
3 12 5
4 145 23
5 23 0
6 0 0
7 0 1
8 0 14
9 0 12
10 58 14
11 0 85
12 0 26
13 0 23
14 58 25
15 0 14
16 12 12
17 0 8
18 12 5
19 56 0
20 8 0
21 4 5
22 56 15
23 52 21
24 84 37
25 57 19
26 51 36
27 85 18
28 26 12
29 24 29
30 12 24
31 23 31
32 0 15
I. Sîrbu - Modelarea proceselor ecologice (2010) 63
33 0 21
34 0 0
35 25 63
36 84 23
37 61 21
38 186 25
39 245 12
40 368 2
Operatori şi semnificaŃii
+ sumă
- diferenŃă
* înmulŃire
/ divizare
^ exponent
< mai mic decât
> mai mare decât
= egal
<> diferit de
I. Sîrbu - Modelarea proceselor ecologice (2010) 64
Două sau mai multe fişiere pot fi unite (alipite) pe orizontală. Pentru
aceasta se selectează Data → Merge → (selecŃie fişiere şi selecŃie variabile) →
Save file (nume fişier nou).
Expresia generală este:
MERGE fişier1 (listă 1 variabile) fişier2 (listă 2 variabile)
Dacă există variabile comune celor două fişiere, se vor înscrie datele variabilei
corespunzătoare din cel de-al doilea fişier. Dacă dorim potrivirea articolelor după
un anumit protocol se poate opta pentru o variabilă cheie anume.
I. Sîrbu - Modelarea proceselor ecologice (2010) 66
Prin comanda:
MERGE fişier (listă variabile)
putem obŃine un nou fişier care va conŃine numai anumite variabile din cel
vechi, într-o nouă ordine.
O altă opŃiune este să unim două fişiere pe verticală. În acest caz este
necesar ca fişierele să aibă aceleaşi variabile, situate în aceeaşi ordine. Se
selectează Data → Append → (nume fişiere)
Expresia generală este:
APPEND fişier1 fişier2
articolele din fişier 2 vor fi adăugate după ultimul articol din fişier 1. Nu
uitaŃi să selectaŃi opŃiunea Save file pentru a păstra în memorie fişierul nou.
TranspoziŃia fişierului (transformarea liniilor în coloane) este adesea
necesară, cum ar fi în analize de corelaŃii sau de clasificare ierarhică, fapt care se
execută cu comanda TRANSPOSE nume fişier, sau selecŃia din meniurile
corespunzătoare:
Data → Transpose → (selecŃie variabile) → Save file → (nume fişier
nou).
> STATS
> USE LAC
> STATISTICS /ALL
va avea ca efect apariŃia următoarelor rezultate (o selecŃie din cele care apar
efectiv):
GT PA
N OF CASES 40 40
MINIMUM 0.000 0.000
MAXIMUM 368.000 85.000
RANGE 368.000 85.000
MEAN 45.675 17.725
VARIANCE 5585.251 282.922
STANDARD DEV 74.735 16.820
STD. ERROR 11.817 2.660
SKEWNESS(G1) 2.717 2.014
KURTOSIS(G2) 7.906 5.462
SUM 1827.000 709.000
C.V. 1.636 0.949
Tabelul de mai jos conŃine date biometrice ale speciei Unio crassus,
exemplarele fiind colectate din două staŃii de pe Crişul Alb, şi anume de la Ineu şi
Chişineu -Criş (au fost selectate la întâmplare câte 50 de exemplare măsurate în
fiecare dintre staŃii). Etichetele variabilelor au următoarele semnificaŃii: GFA -
masa scoicii, fără apă în cavitatea paleală, L - lungimea maximă, H - înălŃimea în
dreptul umbonelui, LAT - lăŃimea, S - codul numeric al staŃiei (S=1 pentru Ineu şi
S=2 pentru Chişineu-Criş).
I. Sîrbu - Modelarea proceselor ecologice (2010) 68
GFA L H LAT S
Group N Mean SD
37.77 10.20
1 50
15.64 7.43
2 50
Group N Mean SD
71.17 6.93
1 50
51.33 9.42
2 50
Rezultatele sunt redate explicit pentru cele două variabile şi staŃii, cea mai
importantă valoare în context, este cea redată prin abrevierea PROB situată în
I. Sîrbu - Modelarea proceselor ecologice (2010) 71
dreapta - jos. Valori mai mari de nivelul de semnificaŃie ales (de obicei 0.05)
semnifică diferenŃe nesemnificative între medii. Mai sus observăm că în ambele
cazuri mediile diferă semnificativ. Prin urmare bivalvele prezintă medii
semnificativ mai mari atât în ceea ce priveşte masa cât şi lungimea, la staŃia
situată în amonte (la Ineu).
Interpretarea probabilităŃii testelor. Prin comparaŃie cu testele pe care
le-am studiat la ecologie, rezultatele celor aplicate în Systat redau (pe lângă multe
alte rezultate intermediare, pe care le putem ignora de altfel) direct probabilitatea
(Prob) ca ipoteza nulă să fie adevărată. Prin urmare, pentru a le interpreta, trebuie
să ne reamintim care este ipoteza nulă. Regula de aur este că aceasta implică
întotdeauna o egalitate, adică afirmă că practic nu se întâmplă nimic (mediile nu
diferă, distribuŃiile sunt egale, tratamentul nu are efect etc.), motiv pentru care se
mai numeşte şi ipoteza de repaus. Când vedem o probabilitate mică
(convenŃional sub 0.05) concluzionăm că este o şansă mult prea redusă de a
susŃine această ipoteză, motiv pentru care negăm ipoteza nulă.
Testul t se poate apela în diferite variante şi din meniuri, astfel:
Statistics → t-test → two groups → (selecŃie variabile şi variabila de grupare
cu două valori)
produce un test t independent sau pentru două probe (valorile unei
variabile separate în două pe baza unei variabile de grupare);
Statistics → t-test → paired ... → (selecŃie variabile, fără variabila de
grupare)
produce un test t dependent pentru mediile a două variabile care descriu
acelaşi grup;
Statistics → t-test → One Sample ... → (selecŃie variabile şi redare
valoare prognozată)
pentru a realiza un test t pentru o probă, între valoarea medie a unei
variabile şi o valoare presupusă sau prognozată pentru aceasta.
Pentru a afla dacă există diferenŃe semnificative între medii (cu alte
cuvinte, dacă substanŃa are sau nu un efect asupra creşterii plantulelor) se
tastează:
> NPAR
> USE PLANTULE
> KRUSKAL P * T
iar rezultatul va fi următorul ecran:
I. Sîrbu - Modelarea proceselor ecologice (2010) 73
DEPENDENT VARIABLE IS P
GROUPING VARIABLE IS T
1.000 7 79.000
2.000 9 57.000
8.6. Grafice
unde PLOT are ca efect crearea unui grafic bidimensional de tip nor de puncte.
65
55
45
35
GFA
25
15
-5
25 35 45 55 65 75 85 95
> CORR
> USE XX
> SAVE (nume fişier nou)
> PEARSON L, LAT, H / PROB
În seriile de comenzi de mai sus, am intrat în modulul de corelaŃii, am
încărcat fişierul XX.sys şi am accesat o analiză de corelaŃii de tip Pearson pentru
cele trei variabile precizate prin etichetele lor (despărŃite de virgulă), după care
am cerut şi o analiză de semnificaŃie (/ PROB) care va crea o a doua matrice de
probabilităŃi. CoeficienŃii semnificativi vor avea probabilităŃi mai mici de 0,05
(reamintesc că sub această probabilitate vom respinge ipoteza nulă care statutează
că fiecare coeficient este nesemnificativ, adică nu diferă semnificativ de zero).
PEARSON CORRELATION MATRIX
L H LAT
L 1.000
H 0.976 1.000
LAT 0.971 0.956 1.000
MATRIX OF PROBABILITIES
L H LAT
L 0.000
H 0.000 0.000
LAT 0.000 0.000 0.000
Modulul pentru modele de regresie liniare (MGLH) este printre cele mai
utile în procesul de modelare a fenomenelor ecologice. Acest modul realizează
analize ale unor regresii de tip Y = a + bX. Dacă relaŃia îmbracă forma unei curbe
exponenŃiale sau logaritmice, acest lucru se poate rezolva prin schimbarea scării
variabilelor.
De exemplu, dacă dorim să realizăm o analiză de regresie între variabila
GFA şi L din fişierul XX. sys, simpla observaŃie a aranjării datelor în figura de
tip PLOT realizată mai sus, ne informează că este inutilă căutarea unui model de
tip liniar pe date originale. Acest lucru se corectează prin dubla logaritmare a
ambelor variabile, ceea ce se poate face fie în modulul DATA, fie în EDIT. În
ultimul caz procedăm astfel:
> USE XX
I. Sîrbu - Modelarea proceselor ecologice (2010) 76
ANALYSIS OF VARIANCE
mai mare), eroarea standard a estimării (să fie cât mai mică), precum şi prin
probabilităŃile de semnificaŃie ale parametrilor ecuaŃiei de regresie (care trebuie
să fie cât mai mici, în orice caz sub valoarea critică aleasă de obicei la 0.05; dacă
rezultă valori mai mari căutăm un alt tip de model).
Calculatorul estimează orice tip de model conceput de utilizator. Dacă, de
exemplu, am logaritmat şi variabilele H, respectiv LAT, am putea căuta modele
mai bune decât cel obŃinut anterior, prin diferite expresii, care vor fi urmate
(fiecare în parte) de comanda ESTIMATE:
> MODEL GFA = CONSTANT + L + LAT
este un model bivariat, de tip aditiv
> MODEL GFA = CONSTANT + L*LAT
model bivariat în care se înmulŃesc variabilele independente, sau
> MODEL GFA = L * LAT * H
care este un model trivariat de tip multiplicativ, fără constantă (în cazul de faŃă,
se va dovedi cel mai bun model!).
Ori de câte ori realizăm o analiză de acest tip, să nu uităm să precizăm sub
ecuaŃie valoarea coeficientului de determinare (r2), a erorii standard şi a
probabilităŃii de semnificaŃie.
Pentru a analiza cum se situează, prin comparaŃie, cele 5 loturi de indivizi, putem
construi dendrograma pe baza distanŃelor euclidiene. Pentru aceasta se accesează
modulul de clasificare se tastează comanda:
> CLUSTER
> USE CHEST
> JOIN / COLS
care va afişa pe ecran:
SINGLE LINKAGE METHOD (NEAREST NEIGHBOR)
TREE DIAGRAM
DISSIMILARITIES
-100.000 0.000
B --------------------------------------------------+
+----+
A ----------------+ ¦ ¦
+---------------------------------+ ¦
E ----------------+ ¦
++
C -------------------------------------------------------+¦
+---
D --------------------------------------------------------+
unde liniile reprezintă anumite specii (în total 15 identificate), iar coloanele
structura specifică (pe baza prezenŃei =1 sau absenŃei =0) a acestora, se
construieşte o matrice de similitudine printr-un indice dichotomic (de exemplu
Jaccard) în modulul de corelaŃii (CORR). Presupunem că fişierul de mai sus este
salvat sub denumirea de COM.sys. Atunci calcularea matricii de similitudine pe
baza indicelui Jaccard (S3) se realizează prin secvenŃa:
> CORR
> USE COM
> SAVE COM1
> S3
prin care matricea corespunzătoare a fost salvată sub denumirea de COM1.
Aceasta va avea expresia:
S1 S2 S3 S4
CASE 1 1.000 . . .
CASE 2 0.444 1.000 . .
CASE 3 0.000 0.067 1.000 .
CASE 4 0.375 0.333 0.273 1.000
S3
S2
S1
S4
SP = ∑( xi − X )( yi − Y )
SSX = ∑( xi − X )2
SSY = ∑( yi − Y )2
SP 2
r =
2
SSX * SSY
Dacă valoarea t calculată este mai mare decât valoarea critică din tabelul
testului t-Student, la nivelul α= 0.05 şi (n-2) grade de libertate, respingem ipoteza
nulă, fapt care semnifică o regresie semnificativă.
g. Determinarea limitelor de confidenŃă ale coeficientului de regresie se
realizează prin intermediul expresiei:
β = b ± t ∗ sb
I. Sîrbu - Modelarea proceselor ecologice (2010) 86
În termenii cei mai generali, modelarea statistică va evalua relaŃii între una
sau mai multe variabile independente şi o variabilă dependentă, în mod similar cu
cele expuse la analiza de regresie. În fapt, modelarea neliniară este o generalizare
a metodei regresiilor multiple. Deosebirea constă în faptul că prima lasă libertatea
cercetătorului de a defini natura şi forma relaŃiei între cele două categorii de
variabile; “neliniar” implică orice formă a funcŃiei care exprimă aceste relaŃii. Un
model general, multivariat, are forma:
considerării unui număr mult mai redus de variabile decât cel care determină un
proces, cauze legate de erori de măsură etc.).
În majoritatea cazurilor va exista o diferenŃă între valorile observate, reale,
ale variabilei dependente şi cele deduse sau prognozate de model. DiferenŃa
dintre valoarea reală (observată) şi cea prognozată (teoretică) este eroarea
estimării, fiind cunoscută şi ca "deviaŃie" sau - mai frecvent - "reziduală".
Putem astfel distinge un alt mod de a discrimina între modelele valabile, şi anume
un model este cu atât mai "bun" cu cât suma rezidualelor este mai mică.
Un obiectiv esenŃial al analizei de regresie este determinarea valorilor
parametrilor care minimizează suma acestor reziduale pentru un set de observaŃii
(experimente). Acest deziderat se poate realiza printr-o varietate de tehnici, poate
cea mai simplă şi frecvent aplicată fiind metoda pătratelor minime (utilizate şi în
exemplul anterior, la regresia liniară univariată).
După tipul de expresie matematică distingem modele liniare sau neliniare
(care îmbracă oricare altă formă decât cea a polinoamelor de gradul I, sau a
combinaŃiilor liniare ale acestora); respectiv distingem modele uni- sau
multivariate.
Astfel o ecuaŃie de regresie liniară, generală, multivariată, poate lua forma:
unde: a este constanta sau intercepŃia ordonatei (valoarea lui Y atunci când
toate variabilele independente sunt 0), b1...bn sunt coeficienŃii de regresie, în
număr egal cu variabilele independente. Altfel spus coeficienŃii b explică cu cât
se modifică variabila Y, atunci când cele independente variază cu o unitate.
Analiza de regresie presupune în primul rând evaluarea acestor parametri,
precum şi a gradului (a proporŃiei) în care variabilele independente explică
variaŃia variabilei dependente, fapt ilustrat - din nou - prin parametrul r2
(coeficientul de determinare). Repet faptul că un prim criteriu, extrem de
important, când alegem dintre diferitele modele, este cel de maximalizare a r2 (cu
cât r2 este mai aproape de 1, cu atât modelul este mai valabil, într-o primă
abordare).
În expresia matematică descrisă anterior, pentru ecuaŃia liniară
multivariată, se observă că fiecare variabilă independentă acŃionează aditiv,
independent de celelalte, în explicarea variaŃiei variabilei dependente. Acestea
sunt modele fără interacŃiuni, în ceea ce priveşte variabilele independente,
cunoscute şi ca modele de efecte principale.
Unele modele (şi implicit ecuaŃii) includ şi combinaŃii ale variabilelor
independente, cum ar fi de exemplu:
♦ Modele polinomiale
concentraŃii ale unui insecticid (CON), putem obŃine într-un studiu de caz
următoarele valori:
MORT=0.0685+0.0021*CON-0.0000012*CON 2
1.2
1.0
0.8
0.6
0.4
MORT
0.2
0.0
-0.2
-0.4
-0.6
-200 0 200 400 600 800 1000 1200
CON
I. Sîrbu - Modelarea proceselor ecologice (2010) 90
MORT=-0.0034+0.0036*CON-0.0000075*CON 2+0.0000000048*CON 3
2.0
1.5
1.0
0.5
MORT
0.0
-0.5
-1.0
-1.5
-200 0 200 400 600 800 1000 1200
CON
• Modele exponenŃiale
C V
1 1.000 .500
2 .800 1.000
3 .600 2.500
4 .700 4.500
5 .600 6.000
6 .500 8.000
7 .400 12.000
8 .200 15.000
9 .100 18.000
10 .050 25.000
C = a * e ( b1*V )
în care a şi b sunt coeficienŃii ecuaŃiei, iar numărul e este baza logaritmilor
naturali (numărul lui Euler). Rezultatul va arăta astfel:
C = 0.949*e-0.013*V
1.2
1.0
0.8
0.6
C
0.4
0.2
0.0
-2 0 2 4 6 8 10 12 14 16 18 20 22 24 26
V
Unitate 1 Unitate2
NR. A QI NR. A QI
1 1.000 .890 1 1.000 .590
2 1.000 .910 2 1.000 .890
3 1.000 .780 3 1.000 .580
4 0.000 .230 4 0.000 .120
5 0.000 .150 5 0.000 .780
6 0.000 .840 6 0.000 .910
7 0.000 .730 7 0.000 .260
8 0.000 .610 8 0.000 .530
9 1.000 .840 9 1.000 .480
10 1.000 .790 10 1.000 .910
11 0.000 .360 11 0.000 .260
12 0.000 .210 12 0.000 .580
13 0.000 .150 13 0.000 .730
14 0.000 .150 14 0.000 .610
15 0.000 .200 15 0.000 .450
16 0.000 .160 16 0.000 .910
17 1.000 .790 17 1.000 .820
18 1.000 .990 18 1.000 .460
19 1.000 .890 19 1.000 .480
20 1.000 .730 20 1.000 .660
exp(b 0 + b1 x 1 + ... + b n x n )
y=
1 + exp(b 0 + b1 x 1 + ... + b n x n )
1.0
0.8
0.6
A
0.4
0.2
0.0
-0.2
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
QI
1.0
0.8
0.6
A
0.4
0.2
0.0
-0.2
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
QI
I. Sîrbu - Modelarea proceselor ecologice (2010) 95
b0
y=
1 + b1 exp(b 2 x )
P1 d
I. Sîrbu - Modelarea proceselor ecologice (2010) 96
P0 d
1
Pierdere = (Observat − Pr ognozat ) 2 * 2
x
0.9
0.7
Valori Obsevrate
0.5
0.3
0.1
-0.1
0.0 0.2 0.4 0.6 0.8 1.0
Valori Prognozate
∏x
i
i
i,#,x produs după valorile indicelui i de x
11.1. CALCULE
2 ⋅ 12
⋅ 100 = 32
36 + 39
la 32%. Aceeaşi prelucrare se poate reda prin definirea unor parametri, în felul
următor:
c := 12
a := 36
b := 39
2⋅c
Is := ⋅ 100
a+b
Is = 32
n := 31
i := 1, 2 .. 31
x :=
i
12
0
5
7
0
0
6
0
8
14
15
24
23
62
150
42
58
78
53
21
0
25
26
84
36
45
82
5
36
74
4
unde: valorile variabilei xi sunt rezultate în urma numărării indivizilor din probele
colectate.
Să presupunem că dorim acum să calculăm media aritmetică a densităŃii,
varianŃa şi abaterea standard a şirului xi. Există posibilitatea de a scrie în mod
explicit ecuaŃiile (ca în partea teoretică), sau de a cere apelarea unor funcŃii
implicite ale programului. În cel de-al doilea caz, vom tasta şi solicita afişarea,
prin:
mean (x) = 31.09
var (x) = 1153.96
stdev (x) = 33.97
I. Sîrbu - Modelarea proceselor ecologice (2010) 104
var(x )
Err :=
n
Err
D :=
mean( x )
var(x )
ID :=
mean ( x )
Err = 6.10
D = 0.196
ID = 37.11
11.2. GRAFICE
x := 12.1.. 86.9
2
f ( x) := 2.4 + 0.04⋅ x
300
200
f ( x)
100
20 40 60 80
x
Pentru a afla oricare estimată a variabilei dependente din funcŃia de
regresie, utilizatorul tastează o valoare oarecare din domeniul de variaŃie al lui x,
în cadrul expresiei funcŃiei f(x). De exemplu pentru a estima valoarea variabilei
dependente la x = 59.65, se tastează:
f (59.65) =
care va returna automat rezultatul, astfel că pe ecran apare:
f (59.65) = 144.725
Pentru a modifica parametri graficului (dimensiune, marcarea norului de
puncte, culoarea graficului funcŃiei etc.) în versiunile inferioare se poziŃionează
cursorul în interiorul graficului şi se tastează f, iar în versiunile superioare se
execută “dublu - clic” cu tasta stângă a mouse-ului, după care se operează în
interiorul meniurilor oferite.
În cazul unei regresii duble se apelează fereastra pentru grafice în spaŃiul
3D, din meniul corespunzător.
Exemplu:
2 3
f ( x, y ) := 0.13 + 0.06⋅ x + 0.1⋅ y
i := 0 .. 78
j := 2 .. 40
x := 12 + i
i
y := 0 + j
j
M
i, j ( i j)
:= f x , y
M
De asemenea, prin accesarea meniurilor se pot modifica numeroşi
parametri ai graficului (se poate roti în toate dimensiunile, mări sau micşora,
schimba axele, scările etc.).
Pi ( x) = c 0i + c i ( x − x i ) + c 2i ( x − x i ) 2 + c 3i ( x − x i ) 3
ORIGIN ≡ 1 n := 8
În calculele de mai jos:
i := 1 .. n n = numãrul de noduri (puncte în care s-au mãsurat adâncimile),
vx := vy := vx = distanta în sectiune transversalã, fatã de un mal
i i
(pozitia nodului in metri, fata de punctul de referinta)
0.0 0 vy = adâncimea mãsuratã în nodul definit prin vx
5.0 .45 f(x) = functia de interpolare
8.3 1.0 g = aria sectiunii transversale de râu
9.2 1.20 h = lungimea graficului (a albiei in sectiune transversalã)
v = viteza medie a apei la un anumit moment
10.4 1.50
12.8 .80
18.7 .56
22.9 0
s := lspline( vx, vy )
f ( x) := interp ( s , vx, vy , x)
x := 0.0, 0.1.. 22.9
f ( x)
x
22.9 22.9
⌠ ⌠
g := f ( x) dx 2
⌡ h :=
d
1 + f ( x) dx
0
⌡ dx
0
v := 1.3
p := g ⋅ v
f ( 10) = 1.435 Posibilitatea evaluãrii valorii functiei de interpolare intr-un punct care nu apartine
retelei de noduri; în acest caz adâncimea estimatã la distanta de 10 m = 1.435 m
I. Sîrbu - Modelarea proceselor ecologice (2010) 108
ORIGIN ≡ 1
S semnificã numãrul de specii, X este variabila sir care contine numãrul
S := 10 de indivizi prin care este reprezentatã fiecare specie în probe,
i := 1 .. S N = numarul total de indivizi din probe.
X :=
i
Înurmãtoarele formule d1 = indicele Margalef, d2 = indicele Menhinick
15
H = Shannon-Wiener, E = echitabilitate, simp = Simpson
11
3870
În aceste formule s-a utilizat fie logaritmul zecimal, fie în baza 2 pentru
101
6
ilustrarea modului de schimbare a bazei
41
148
129
9
1885
N := ∑ Xi p :=
i
X
i
i N
S−1 d2 :=
S
d1 :=
log( N) N
log( p i)
H := − ∑ p ⋅
i log ( 2)
∑ Xi⋅( Xi − 1)
i
log( S) i
l2 := simp :=
log( 2) N⋅ ( N − 1)
H
E :=
l2
2. În tabelul de mai jos sunt sunt redate valorile medii ale diversităŃii specifice
(calculate prin indicele Simpson, codificat prin vy) pentru comunităŃile bentonice dintr-
un râu. StaŃiile (de la S1 la S8) sunt poziŃionate prin distanŃa vx faŃă de izvor (în km). Să
se traseze graficul funcŃiei spline de interpolare a diversităŃii în relaŃie cu distanŃa faŃă
de izvor, şi să se estimeze diversitatea la distanŃele de 10, 20, 30, 40, 50 şi 60 km.
S1 S2 S3 S4 S5 S6 S7 S8
vx 0,01 12 25 31 45 55 60 79
vy 0,02 0,12 0,10 0,45 0,58 0,40 0,65 0,79
ORIGIN ≡ 1
n := 8
i := 1 .. n
vy := vx :=
i i
0.02 0.01
0.12 12
0.10 25
0.45 31
0.58 45
0.40 55
0.65 60
0.79 79
s := lspline( vx, vy )
f ( x) := interp ( s , vx, vy , x)
x := 0.0, 0.01.. 79 Variatia indicelui Simpson
f ( x)
x, vx
f ( 10) = 0.13 f ( 20) = 0.017 f ( 30) = 0.391
a := 48 b := 23
c := 19 d := 22
n := a + b + c + d
2
n ⋅ a⋅ d − b ⋅ c −
n
hip :=
2
( a + c) ⋅ ( b + d ) ⋅ ( a + b ) ⋅ ( c + d )
Valoarea critica a testului la nivelul de asigurare de 0,05 este de 3,84: asocierea este semnificativa
numai daca valoarea calculata hip este mai mare!
hip = 4.045
hip
CCM :=
n + hip
2. C1, 2, 3 = coeficientii lui Cole si erorile standard: Daca ad >=bc atunci C1, e1
a⋅ d − b ⋅ c
C1 :=
( a + b ) ⋅ ( b + d)
( a + c) ⋅ ( c + d )
e1 :=
n⋅ (a + b)⋅ (b + d)
( b + d) ⋅ ( c + d )
e2 :=
n ⋅ ( a + b ) ⋅ ( a + c)
( a + b ) ⋅ ( a + c)
e3 :=
n⋅ (b + d)⋅ ( c + d)
I. Sîrbu - Modelarea proceselor ecologice (2010) 111
na := a + c nb := a + b
2⋅ a
iab :=
na + nb
( na + nb ) ⋅ ( 2⋅ a − 1)
tt := − 1 ⋅ na + nb − 1
2⋅ na ⋅ nb
t := tt
gl := na + nb − 2
************************************************************************************************
Rezultate - pentru tabelul de contingenta
3
hip = 4.045 a⋅ d = 1.056 × 10 b⋅ c = 437
CCM = 0.187 d = 22 a = 48
Daca t calculat este mai mare decat valoarea critica la nivelul de asigurare ales
si gl grade de libertate, afinitatea este semnificativa.
************************************************************************************************
I. Sîrbu - Modelarea proceselor ecologice (2010) 112
ORIGIN ≡ 1 n := 7 k := 5
j := 1 .. n i := 1 .. k h := 1 .. k
0.15 0.05 0.12 0.43 0.17 0.08 0
0 0 0.94 0.06 0 0 0
a :=
p := 0.41 0.16 0.10 0.05 0.05 0 0.23 j
0 0.48 0.02 0 0 0.5 0 0.05
0.07
0.01 0.02 0.01 0 0.24 0.31 0.41
0.01
0.12
0.29
0.14
p = 0.15 accesarea unui termen al matricii
1, 1 0.32
S :=
i ∑ pi , j verificarea sumei pe linii a matricii de resurse
j
1
1
S = 1
1
1
I. Sîrbu - Modelarea proceselor ecologice (2010) 113
B −1
i
BA := Indicele Levins - B standardizat
i n−1
FT :=
i ∑ p ⋅a
i, j j
Indicele Smith
j
REZULTATE:
B = BA = FT =
i i i
3.852 0.475 0.735
1.127 0.021 0.182
3.823 0.47 0.75
2.08 0.18 0.462
3.102 0.35 0.904
Indicele Pianka
∑ p i , j⋅ p h , j
j
O :=
i, h
∑ (p i , j) ∑ (p h , j)
2
⋅
2
j j
Indicele standardizat HS
∑ (a j⋅ p ⋅p
i, j h , j )
j
HS :=
∑ (a j⋅ p i , j) ⋅ ∑ (a j⋅ p h , j)
i, h
j j
Nt = Nt-1 + B + I - M - E
I. Sîrbu - Modelarea proceselor ecologice (2010) 115
x ax lx dx qx Fx mx l xm x
Ouă (0) 44000 1.000 0.920 0.92 - - -
Stadiul 1 3513 0.080 0.022 0.28 - - -
Stadiul 2 2529 0.058 0.014 0.24 - - -
Stadiul 3 1922 0.044 0.011 0.25 - - -
Stadiul 4 1461 0.033 0.003 0.11 - - -
AdulŃi 1300 0.030 0.030 1.00 22617 17 0.51
În acest tabel stadiul, vârsta sau intervalul de timp, este codificat prin x, iar
variabilele specifice de stadiu prin indicele subscript x (de exemplu ax sau l x).
Variabilele din acest tabel au următoarea semnificaŃie:
ax = numărul de indivizi în viaŃă la începutul fiecărui stadiu. Aceste valori sunt
specifice fiecărei populaŃii şi an, făcând comparaŃiile directe imposibile. De
aceea se lucrează cu valori standard, care se trec în coloana următoare, şi
anume:
l x = proporŃia de indivizi din stadiul iniŃial care au supravieŃuit la începutul
stadiului x:
lx = ax / ao
d x = proporŃia de indivizi eliminaŃi din populaŃie în fiecare stadiu, adică:
(l x - l x+1)
I. Sîrbu - Modelarea proceselor ecologice (2010) 116
Nt+1 = RtNt
3
Nmax
0 N
Fig. 12.1. Trei modele potenŃiale de dependenŃă între fracŃia indivizilor care
supravieŃuiesc într-o unitate de timp (s) şi densitatea sau abundenŃa populaŃiei (N); după
Gillman şi Hails, 1997.
Cel mai simplu model evidenŃiat de Fig. 12.1 este relaŃia liniară dintre
fracŃia de supravieŃuire s şi abundenŃă N (modelul 2). Reamintim că ecuaŃia
generală a dreptei este:
f(x) = a + bx
s = 1 - mN
s = 1 - (1 / Nmax) N
s = 1 - N / Nmax
Nt
N t +1 = N t λ1 −
N max
N
N t +1 = λN t 1 − t
K
respectiv:
I. Sîrbu - Modelarea proceselor ecologice (2010) 120
λN 2t
N t +1 = λN t (1 − αN t ) = λN t −
K
unde n este un număr natural; n ≥ 0. Ordinul sau gradul acestui model este cea
mai mare putere a lui x în expresia funcŃiei.
Având ecuaŃia dinamicii populaŃionale dependente de densitate, putem
realiza numeroase simulări pe calculator (în programul MathCAD de exemplu) ,
dând valori parametrilor λ, K şi Nt, respectiv urmărind modul în care aceştia se
reflectă în variaŃiile valorii aşteptate Nt+1.
K1 := 100 K2 := 200 λ := 2 t := 1 .. 20
N1 := 30 D1 := 30
Nt Dt
Nt+1 := λ ⋅Nt ⋅ 1 − Dt+1 := λ ⋅Dt ⋅ 1 −
K1 K2
120
120
100
Nt
80
Dt
60
40
30
0 5 10 15 20
0 t 21
150
150
Nt 100
Dt
50
30
0 5 10 15 20
0 t 21
200
200
150
Nt
Dt
100
50
30
0 5 10 15 20
0 t 21
210 200
150
Nt
Dt 100
50
0 0
0 5 10 15 20
0 t 21
s = e-aN
1
1
s1 N
s2 N
0.5
s3 N
0 0
0 100 200 300 400 500
0 N 500
Nt+1 = λNte-aNt
N t +1 N
= λe −aN t ⇔ ln t +1 = ln(λ ) − aN t
Nt Nt
Prin urmare, datele demografice experimentale se pot reprezenta sub forma
unei drepte de regresie de tipul ecuaŃiei de mai sus, după care estimăm ln(λ) din
intercepŃia ordonatei de către dreapta de regresie (lnλ) iar panta dreptei sau
coeficientul de regresie va fi egal cu parametrul a.
Pînă în acest moment am considerat populaŃia ca având generaŃii discrete,
sau că procesul de reproducere se desfăşoară în mod discret în cadrul unor
populaŃii cu generaŃii suprapuse. În natură însă, aceste trăsături acoperă doar o
parte din posibilităŃi: numeroase specii nu îşi sincronizează reproducerea, care
poate fi astfel considerată ca un proces continuu. Evident modelele de tip recurent
nu mai sunt valabile în acest caz; noul model pe care îl căutăm va trebui să se
raporteze la un timp continuu, şi astfel vom dezvolta modelele diferenŃiale, pe
care le vom studia la masterat.
Problema 1.
În tabelul de mai jos sunt redate valorile unor parametri fizico-chimici şi ai
biodiversităŃii comunităŃilor acvatice din 9 staŃii de prelevare a probelor,
amplasate de-a lungul râului Cibin (după A. Bănăduc, 2005).
Codurile utilizate au următoarele semnificaŃii:
RF = reziduu fix, DO = deficit de oxigen, CBO5 = consum chimic de oxigen
după 5 zile, CMN = consum chimic de oxigen prin metoda permanganatului de
potasiu, MA = indicele Margalef, ISIM = indicele Simpson inversat.
SemnificaŃiile codurilor staŃiilor: S1 - Râu Mare amonte de confluenŃa cu
Dăneasa; S2 - Cheile Cibinului, S3 - amonte lacul Gura Râului, S4 - aval baraj
Gura Râului, S5 - aval Orlat, S6 - amonte Sibiu, S7 - aval Sibiu, S8 - aval Mohu,
S9 - amonte vărsare în Olt.
RF DO CBO5 CMN MA ISIM
CerinŃele problemei:
1. Să se discute posibilităŃile de reprezentare grafică a acestor valori.
2. Să se discute posibilităŃile de prelucrare a datelor.
3. Să se efectueze analiza de corelaŃie între valorile celor doi indici de
biodiversitate, şi o analiză similară între parametrii CBO5 şi CMN.
4. Să se efectueze analiza de regresie între CBO5 şi MA, şi o analiză similară
între CMN şi ISIM.
5. Să se calculeze matricea cu valorile standardizate ale variabilelor.
6. Pe baza matricii cu valori standardizate să se calculeze matricea de distanŃe
euclidiene între staŃiile de colectare a probelor (S1, S2 ... S9).
7. Să se reprezinte grafic matricea de distanŃe euclidiene printr-o dendrogramă,
utilizând metoda de grupare la distanŃă medie.
Taxon / StaŃie S1 S2 S3 S4 S5 S6 S7 S8
Hydroidea 0,00 0,00 0,00 0,00 0,45 0,00 0,45 0,10
Plathelminthes 3,46 0,00 0,00 0,00 0,00 0,00 0,00 0,10
Nemathelminthes 0,00 0,00 0,28 0,45 0,18 0,04 0,57 4,47
Oligochaeta 19,04 9,46 3,50 63,29 18,89 63,29 53,31 14,94
Hirudinea 0,00 0,00 0,00 0,34 0,00 0,00 0,00 0,00
Mollusca 0,58 0,17 1,83 0,68 0,36 0,00 0,00 0,10
Amphipoda 56,35 57,54 0,08 0,00 0,00 0,00 0,00 0,00
Hydracarina 0,19 0,62 2,87 0,00 0,09 0,00 0,00 0,00
Collembola 0,00 0,17 0,00 0,00 0,00 0,00 0,06 0,00
Ephemeroptera 4,61 8,77 3,82 7,87 6,83 5,24 2,93 0,81
Odonata 0,00 0,00 0,00 0,00 0,18 0,08 0,06 0,00
Plecoptera 1,54 1,99 0,12 0,34 0,00 0,00 0,00 0,00
Trichoptera 0,19 1,16 33,24 0,00 2,61 0,60 2,99 0,51
Coleoptera 9,81 13,43 0,72 0,00 0,00 0,04 0,00 0,00
Chironomidae 3,65 6,07 51,47 27,03 68,71 30,27 38,80 78,77
Diptera 0,58 0,62 2,07 0,00 1,71 0,44 0,82 0,20
S1 S2 S3 S4
V$ C_GRAD C_VRANI N_SASCA L_TRIK
SMPA 23.070 24.560 8.600 1.660
CPA 3.840 24.560 3.220 3.320
LPA 17.290 3.510 0.000 1.660
SMSUA 44.200 29.820 54.840 1.660
CSUA 1.910 3.510 19.350 0.000
SMMUA 5.750 5.260 19.350 0.000
CMUA 3.830 10.520 58.060 0.000
LXMUA 17.290 5.260 3.220 3.320
LINUA 28.830 26.310 36.560 0.000
INFLUA 0.000 1.750 7.520 6.660
SFSUP 84.610 59.650 89.240 1.660
SFMED 80.750 43.860 87.100 3.320
SFINF 28.830 26.310 36.560 0.000
NEMORN 5.760 33.330 6.450 91.670
E3 9.610 5.260 11.830 100.000
I3 1.920 5.260 6.450 100.000
E2 40.380 10.520 51.610 0.000
I2 55.760 17.540 65.590 0.000
E1 3.850 0.000 0.000 0.000
I1 7.690 0.000 1.070 0.000
NDB 32.700 77.190 17.200 0.000
n
1
2
∑
− R
1 i =1 ri
var(Dˆ H ) ≈ Dˆ H +
2
n R n(n − 1)
2
ES ( Dˆ H ) = var(Dˆ H )
iar limitele de confidenŃă (L1,2) ale densităŃii medii se calculează după expresiile:
L1, 2 = Dˆ H ± tα ES ( Dˆ H )
unde: tα = valoarea critică din tabelul t-Student la nivelul de asigurare ales (uzual
0.05) şi (n-1) grade de libertate = 1,64.
x f(x)
1 14.8
4 160.0
9 1689.0
15 7775
42 170400
50 287500
Problema 9. În tabelul de mai jos x este variabila independentă iar f este cea dependentă. Care
dintre următoarele modele este cel mai adecvat descrierii fenomenului?
a. f=a+bx
b. f=a+bx3
c. f=a*bx
d. f=a*ex - asta este!
x f(x)
1 0.815
4 16.379
9 2431
15 980700
Problema 10. În tabelul de mai jos x şi y sunt variabile independente, iar f este funcŃia
bivariată f(x,y).
x y f(x, y)
1 1 0.665
5 5 1.923
9 9 -0.218
12 12 0.164
24 24 1.045
28 28 -7.777
32 32 -1.458
42 42 3.954
50 50 1.952
care dintre următoarele modele neliniare, aproximează cel mai bine această relaŃie?
2. Andrei, T., Stancu, S., Pele, D.T., 2002 - Statistică. Teorie şi aplicaŃii. Ed.
Economică, Bucureşti.
4. Botnariuc, N., Vădineanu, A., 1982 - Ecologie. Ed. did. şi ped., Bucureşti.
10. Dobson, A.P., Bradshaw, A.D., Baker, A.J.M., 1997 - Hopes for the Future:
Restoration Ecology and Conservation Biology. Science, 277 (5325): 515 - 522.
11. Drăgulescu, C., Sîrbu, I., 1997 - Practicum de Fitocenologie, Ed. Univ. "Lucian
Blaga" Sibiu.
13. Gomoiu, M.T., Skolka, M., 2001 - Ecologie; Metodologii pentru studii
ecologice. Ovidius University Press, ConstanŃa.
14. Hair, J.F., Anderson, R.E., Tatham, R.L., Black, W.C., 1998 - Multivariate
Data Analysis. Prentice Hall, New Jersey.
19. Kanji, G.K., 1993 - 100 Statistical Tests. Sage Publications, London, Newbury
Park, New Delhi.
20. Krebs, C.J., 1989 - Ecological Methodology. Harper Collins Publishers, New
York.
21. Mangel, M., Fiksen, Øyvind, F., Giske, J., 2001 - Theoretical and Statistical
Models in Natural Resource Management and Research. Shenk, T.M., Franklin,
A.B., (Editors) - Modeling in Natural Resource Management. Development,
Interpretation, and Application. Island Press, Washington, Covelo, London: 57 -
73.
22. Michener, W.K., 2000 – (1) Research Design: translating ideas to data. (5)
Metadata. (7) Transforming data into information and knowledge. (8) Ecological
knowledge and future data challenges. Ecolgical Data: Design, Management and
Processing. Eds. W.K. Michener, J.W. Brunt. Methods in Ecology, Blackwell
Science, Oxford, Northampton: 1 – 24, 92 – 116, 142 – 174.
24. Olson, R.J., McCord, R.A., 2000 – Archiving Ecological Data and
Information. Ecolgical Data: Design, Management and Processing. Eds. W.K.
Michener, J.W. Brunt. Methods in Ecology, Blackwell Science, Oxford,
Northampton: 117 – 141.
I. Sîrbu - Modelarea proceselor ecologice (2010) 132
26. Ricklefs, R.E., 1993 - The Economy of Nature. ed. III, W.H. Freeman, New
York.
27. Saporta, G., Ştefănescu, V., 1996 - Analiza datelor şi informatică. Ed.
Economică, Bucureşti.
28. Silvert, W., 2001 - Modelling as a Discipline. Int. J. General Systems, 30 (3):
261 - 282.
29. Sinclair, A.R.E., Fryxell, J.M., Caughley, G., 2006 – Wildlife Ecology,
Conservation and Management (Second Edition), Blackwell Publishing.
30. Sîrbu, I., Benedek, A.M., 2004 - Ecologie practică. Editura UniversităŃii
"Lucian Blaga", Sibiu. (ediŃia a 2-a, 2009)
31. Sîrbu, I., 2009 - Ecologia comunităŃilor. Editura UniversităŃii "Lucian Blaga",
Sibiu.
32. Smith, R.L., 1986 - Elements of Ecology (second edition). Harper & Row,
Publishers, New-York.
33. Smith, R.L., 1990 - Ecology and Field Biology. Harper & Row, Publishers,
New York, Grand Rapids, Philadelphia, St. Louis, San Francisco, London,
Sydney, Tokyo.
34. Stugren, B., 1982 - Bazele ecologiei generale. Ed. Şt. şi Ped., Bucureşti.
36. White, G.C., 2001 - Statistical Models: Keys to Understanding the Natural
World. Shenk, T.M., Franklin, A.B., (Editors) - Modeling in Natural Resource
Management. Development, Interpretation, and Application. Island Press,
Washington, Covelo, London: 35 - 56.