Улучшение качества моделирования квазистационарных природных систем, медленно изменяющих вид статистических распределений, является одной из наиболее актуальных задач современной науки. Таким свойством обладает абсолютное большинство сложных природных систем и наиболее ярко оно проявляется в атмосферных, а особенно в биосферных процессах. Любой прогресс в улучшении отображения свойства динамической устойчивости атмосферы и биосферы обещает не только значительное повышение точности климатических, метеорологических и экологических прогнозов, но и улучшение понимания законов функционирования, самоорганизации и взаимодействия сложнейших природных комплексов, формирующих устойчивое существование жизни на нашей планете. Решающее значение в понимании и моделировании свойств биосферы и атмосферы играет информация, получаемая от искусственных спутников Земли в результате длительного зондирования. Однако огромные объемы и сложность поступающих данных затрудняют работу с ней традиционными математическими методами. Чрезвычайно гибким и эффективным инструментом здесь оказываются динамические нейронные сети, разрабатываемые в рамках Концепции адаптивной самоорганизации сложных систем (КАС). Работа посвящена исследованию их возможностей по моделированию квазистационарных динамик температурного поля и чистой первичной продукции растений.
Improvement of quality of modelling quasi-stationary natural systems slowly varying a kind of statistical distributions, is one of the most actual problems of a modern science. Such property the overwhelming majority of complex natural systems has and most brightly it is shown in atmospheric, and is especial in biospheric processes. Any progress in improvement of display of property of dynamic stability of atmosphere and biosphere promises not only substantial increase of accuracy climatic, meteorological and ecological forecasts, but also improvement of understanding of laws of functioning, self-organizing and interaction complicated the natural complexes forming stable existence of life on our planet. Crucial importance in understanding and modelling of properties of biosphere and atmosphere is played with the information received from artificial satellites of the Earth as a result of long sounding{probing}. However huge volumes and complexity of acting{going} data complicate activity with it{her} conventional mathematical methods. Extremely flexible and effective tool here appear the dynamic neural nets developed within the framework of the Concept of adaptive self-organizing of complex systems (CAS). Activity is devoted to research of their capabilities on modelling quasi-stationary of dynamics a temperature field and net primary productivity of plants.
1. Ланкин Ю.П., Басканова Т.Ф., Лобова Т.И. Нейросетевой анализ сложноорганизованных экологических данных // Современные проблемы науки и образования. - 2012. - № 4. - URL: http://www.science-education.ru/104-6754 (дата обращения: 24.07.2012).
2. Ланкин Ю.П., Иванова Н.С. Общий подход к моделированию разнообразия экосистем биосферы на основе фундаментальных свойств живых систем // Современные проблемы науки и образования. - 2011. - № 6. - URL: http://www.science-education.ru/100-4883 (дата обращения: 09.11.2011).
3. Ланкин Ю.П., Иванова Н.С., Басканова Т.Ф. Основы теории моделирования разнообразия экосистем биосферы на основе фундаментальных свойств живых систем // Современные проблемы науки и образования. - 2012. - № 1. - URL: http://www.science-education.ru/101-5144 (дата обращения: 10.01.2012).
4. Ланкин Ю.П., Хлебопрос Р.Г. Самоадаптирующиеся нейронные сети при решении экологических задач (возможности реализации поискового поведения) // Инженерная экология. - 1998. - № 4. - С. 2-11.
5. Ланкин Ю.П., Хлебопрос Р.Г. Экологические основания концепции самоадаптирующихся сетей и систем с поисковым поведением // Инженерная экология. - 2001. - № 2. - С. 2-26.
6. Медоуз Д., Рандерс Й., Медоуз Д. Пределы роста. 30 лет спустя / пер. с англ. - М. : ИКЦ «Академкнига», 2008. - 342 с.
7. Сакаш И.Ю. [и др.] Адаптивное моделирование природных систем // XVII Международный симпозиум «Оптика атмосферы и океана. Физика атмосферы» : сб. науч. тр. / Томск : Изд-во ИОА СО РАН, 2011. - С. 176-178.
8. Форрестер Дж. мировая динамика / пер. с англ. - М. : Наука. Гл. ред. физ.-мат. лит., 1978. - 168 с.
9. Churkina G., Colinet G., Collatz J. et al. IGBP/GAIM report series report #5 net primary productivity model intercomparison activity (NPP) // http://gaim.unh.edu/Products/Reports/Report_5/report5.pdf.
10. Ichii K., Hashimoto H., Nemani R., White M. Modeling the interannual variability and trends in gross and net primary productivity of tropical forests from 1982 to 1999 // Global and Planetary Change. - 2005. - 48. - P. 274-286.
11. Kashkin V.B., Lankin J.P., Sakash I.Yu. Adaptive forecasting dynamics of the ozone layer // SPIE, 2002. - Vol. 4678. - P. 630-641.
12. Lankin J.P., Baskanova T.F. Algorithms of self-adaptation for atmospheric model designing // SPIE, 2004. - Vol. 5397. - P. 260-270.
13. Wagner R.W., Stacey M., Brown L.R., Dettinger M., Statistical Models of Temperature in the Sacramento-San Joaquin Delta Under Climate-Change Scenarios and Ecological Implications // http://tenaya.ucsd.edu/~dettinge/wagner_delta_temps.pdf.