Информационно-статистический метод В.А. Климанов

  В основе определения количественных характеристик климата позднеледниковья и голоцена лежит математическая связь субфоссильных споровопыльцевых спектров (СПС) с современными климатическими условиями. Для нахождения этой связи использовался информационно-логический анализ [Пузаченко, 1971; Климанов, 1976].
Материал по субфоссильным СПС собирался, в основном, из литературных источников. Кроме того, субфоссильные пробы были отобраны из 220 точек, расположенных на равнинных территориях Европейской части России и Сибири. Информационным методом было обработано 777 субфоссильных проб.
Несмотря на огромное количество опубликованных работ по субфоссильным СПС, выбор материала для проведенных исследований представил значительные затруднения, т.к. во многих работах, особенно прошлых десятилетий, определение пыльцы велось на родовом уровне (например, далеко не всегда имеются определения пыльцы карликовой березы). Недостаточность видовых определений пыльцы позволила производить исследования только на родовом уровне, выделяя лишь пыльцу видов Betula папа и Pinus sibirica. Довольно мало описано спорово-пыльцевых спектров с пыльцой таких широколиственных пород, как бук, граб, вяз, которые в обилии произрастают в основном за пределами нашей страны. Поэтому таблицы связи между пыльцой этих пород и климатическими характеристиками менее детальны. Пыльца некоторых пород из-за малого объема статистического материала не была включена в обработку методом информационного анализа, например, пыльца Corylus, Acer и др. В математическую обработку была включена пыльца следующих древесных пород: дуба, липы, бука, граба, вяза, ольхи, березы, карликовой березы, ивы, лиственницы, кедра, кедрового стланика, пихты, ели, сосны, а также сумма пыльцы широколиственных пород (дуб + липа + вяз).
Содержание пыльцы каждой конкретной породы в спектрах, находящееся в интервале от 0 до 100%, разбивалось на несколько градаций - от 2 до 10, в зависимости от количества образцов с пыльцой данной древесной породы во всей выборке, изменчивости ее процентного содержания и оценки достоверности данных по критерию у2.
В качестве климатических характеристик мы взяли наиболее традиционные климатические показатели, используемые при палеоклиматических реконструкциях: средние годовые температуры, средние температуры июля и января, сумму средних годовых осадков. Все необходимые климатические данные по точкам сняты с карт из работы С.П. Хромова [1983] и «Климатического атласа» [1960] масштаба 1:12 500 000. Климатические показатели разбивались на 9-11 градаций, что определялось размерностью выборки. Выяснялась также связь состава древесной пыльцы и общего состава пыльцы и спор с зональностью и генетическим типом осадков.
В результате информационно-логического анализа получены следующие характеристики, которые используются нами при восстановлении количественных характеристик климата прошлого: Определена мера зависимости (сопряженности) между климатическими характеристиками и составом пыльцы в СПС, или значимость пыльцы каждой древесной породы в суждении о каждой климатической характеристике. Определена величина связи между каж
дой конкретной градацией содержания пыльцы в спектре и климатическими характеристиками, или значимость содержания данной пыльцы в спектре в суждении о каждой климатической характеристике.              :i Установлено, какие именно состояния климатических показателей характерны для данных градаций содержания пыльцы в спектре (направления связи). Установлено состояние климатических показателей, наиболее характерных для данных градаций содержания пыльцы в спектре.
В результате обработки материала по субфоссильным СПС информационным анализом было получено по 16 однофакторных таблиц, где показана структура связи пыльцы каждой древесной породы и общего состава пыльцы в спектре с ландшафтными зонами, средними годовыми температурами, средними температурами января и июля, со среднегодовыми осадками и с генетическим типом отложений.
В соответствии с величиной зависимости (сопряженности) между климатическими характеристиками и составом пыльцы в спектрах пыльцу древесных пород можно разделить на высокозначимую, среднезначимую и слабозначимую для определения климатических характеристик. Так, в суждении о ландшафтной зональности высокозначимой будет пыльца дуба, липы, лиственницы, бука, граба, карликовой березы; среднезначимой - пыльца кедра и кедрового стланика, вяза, ели, пихты; слабозначимой - ольхи, сосны, березы, ивы.
Если в СПС, при малом количестве родов пыльцы древесных пород, присутствует высокозначимая пыльца, то с большей определенностью можно судить о климатической характеристике по этому спектру, чем по спектру, в котором присутствовала бы только пыльца слабозначимых пород.
Очевидно, что к малозначимой пыльце относится пыльца тех древесных пород, которые имеют большой ареал или интразональны.
Информационно-логический анализ показал, что чем выше содержание пыльцы высокозначимых пород в СПС, тем с большей определенностью можно судить о климатических характеристиках. У пыльцы слабозначимых пород эта зависимость выражена хуже или совсем не выражена.
Полученные количественные расчеты подтверждают качественные данные многих авторов о зависимости количественного содержания и качественного (видового) состава пыльцы от климатических условий и растительного покрова.
Таблицы, раскрывающие структуру связи общего состава пыльцы и состава пыльцы древесных пород с климатическими характеристиками, значимость пыльцы и значимость ее процентного содержания в суждении о климатических характеристиках, позволяют количественно определять параметры климата голоцена и плейстоцена.
Пыльца каждой древесной породы содержит информацию о климатических условиях, искажаемую «шумами» (занос пыльцы, переотложение и др.). При суммировании этой информации от всех компонентов СПС полезная информация будет накапливаться быстрее, чем таковая, обусловленная «шумами». Благодаря этому можно выделить полезную информацию и, следовательно, с большей достоверностью судить о климатических характеристиках по СПС.
Реконструкция климатических характеристик по данному СПС производится путем суммирования направлений связи от пыльцы каждой древесной породы и общего состава пыльцы в этом спектре к состояниям климатических характеристик с учетом значимости пыльцы и значимости ее процентного содержания.

В целом методика палеоклиматических реконструкций, основанная на информационном анализе, тесно связана с теорией распознавания образов [Барабаш и др., 1967; Горелик, Скрыпник, 1974; и др.]. На основе установленной зависимости между субфоссильными СПС и климатическими показателями конкретные ископаемые СПС соотносятся с определенными состояниями климата прошлого.
Проверка результатов проводилась по современным спорово-пыльцевым спектрам. Для этого из выборки случайным образом отбирались спектры и по ним производилась «реконструкция» климатических показателей.
При контрольной реконструкции современной ландшафтной зональности было проанализировано 180 СПС, из них неверный результат получился по анализам 36 образцов, причем для 32 образцов из них реконструированные значения были граничные. А так как значения всех климатических характеристик дискретны и современные спектры могли быть взяты на границе или рядом с границей градаций, то такие расхождения не играют существенной роли. Расхождения на одну градацию и более при реконструкции ландшафтной зональности (существенные расхождения) составили 2,2%. При реконструкции среднегодовых температур было проанализировано 210 образцов, из них неверный результат был получен при анализе 56 образцов, из которых существенные расхождения (на 2 и более градаций) составили 6,7% (14 образцов). При реконструкции средних температур июля из 190 образцов неверный результат получился при анализе 42 образцов и существенные расхождения составили 6,3 % (14 образцов). Для средних температур января из 170 проанализированных образцов существенные расхождения составили 8,2% (14 образцов). При реконструкции средней годовой суммы осадков было проанализировано 200 образцов, из них расхождения на одну градацию и более составили 7% (14 образцов).
Приведенные цифры неверных ответов дают нам представление о вероятности ошибок при реконструкции рассматриваемых климатических характеристик. При уровне достоверности палеогеографических реконструкций, равном 0,80 [Лурье, 1967; Карпухин, 1973; Евдокимов, Карпухин, 1975], надежность работы данной реконструирующей (распознающей) системы можно считать удовлетворительной.
Нами также была проведена оценка среднестатистической ошибки реконструкций, которая вычислялась по 50 современным СПС. Для средней годовой температуры она составила ±0,6°, для средней температуры июля - ±0,6°, для средней температуры января - ±1°С, для среднегодовой суммы осадков - ±25 мм. Необходимо отметить, что при палеоклиматических реконструкциях достоверность и точность результатов, по сравнению с контрольными «реконструкциями» по современным СПС, естественно, снижается из-за изменения СПС при их захоронении. Вероятность ошибки увеличивается, но выявить и оценить эту ошибку пока невозможно.
Отметим, что наибольшие ошибки при реконструкциях возникают по спорово-пыльцевым спектрам, где состав пыльцы беден и в спектрах присутствует пыльца только слабоинформативных пород (сосна, береза, ольха, ива).
Несколько усовершенствованная методика была применена при расчетах такого важного для состояния растительного покрова фактора, как продолжительность безморозного периода.
Методика определения количественных характеристик климата прошлого, предложенная нами ранее [Климанов, 1976], не позволяет напрямую реконструировать данный параметр климата, она позволяет определять только средние температуры января, июля, года и среднегодовую сумму осадков. Поэтому мы решили, используя температурные параметры, с помощью регрессионного анализа построить модель для реконструкции продолжительности безморозного периода. Перед построением модели был произведен корреляционный анализ связи современной продолжительности безморозного периода с современными средними температурами января и июля. Для этого из Климатического атласа СССР [1960] методом экстраполяции в узлах географической сетки 5x5° снимались значения средних температур июля и января с карт масштаба 1: 12 500 000 и средней продолжительности безморозного периода на открытом ровном месте или на склоне в горах с карты масштаба 1: 25 000 000. В результате получилась выборка объемом n=81. По стандартной программе из статистического пакета программ «Мезозавр» находилась связь между ними. Корреляционный анализ показал хорошую достоверную парную корреляцию. Коэффициент корреляции продолжительности безморозного периода со средними температурами января равен 0,81, а со средними температурами июля - 0,86. Множественная корреляция продолжительности безморозного периода сразу с двумя температурными параметрами оказалась еще выше - коэффициент корреляции равен 0,93. Такая высокая связь позволяет построить множественную регрессионную модель (уравнение регрессии), описывающую продолжительность безморозного периода по температурным параметрам. В результате расчетов по стандартной программе было получено следующее уравнение регрессии:
ПБП= 73,115 + 1,9669 *т, + 4.6052 х Т7,
где ПБП - продолжительность безморозного периода, Т, - средняя температура января, Т? - средняя температура июля. Оценка уравнения регрессии обычно производится по множественному коэффициенту в квадрате, который равен в нашем случае 0,86. Это означает, что наше уравнение регрессии описывает продолжительность безморозного периода на 86%. Соответственно уравнение регрессии для реконструкции отклонений значений продолжительности безморозного периода от современных значений будет следующим:
ДПБП = 1,9669 х ДТ, + 4,6052 х ДТ?,
где ДПБП, ДТр ДТ7 - отклонения соответствующих климатических характеристик от их современных значений.
С помощью вышеприведенных формул для территории Северной Евразии была рассчитана продолжительность безморозного периода по реконструированным температурным параметрам на оптимум голоцена [Климанов, 2005]. />

<< | >>
Источник: А.А. Величко. Климаты и ландшафты Северной Евразии в условиях глобального потепления. Ретроспективный анализ и сценарии.. 2010

Еще по теме Информационно-статистический метод В.А. Климанов:

  1. Статистические методы
  2. Статистический анализ как метод получения выводов
  3. 3. Применение статистических методов и средств формализации в психолого-педагогическом исследовании
  4. Результаты применения метода эмпирико-статистического выявления традиционного и инновационного на основе повторных исследований
  5. Методы формирования и распространения информационных ресурсов
  6. 5.2. Основные методы и средства информационного воздействия на человека
  7. Информационные методы исследования искусства
  8. 51. СТАТИСТИЧЕСКИЙ И СЦЕНАРНЫЙ АНАЛИЗ. МОДЕЛИРОВАНИЕ УСЛОВИЙ, РАСЧЕТ И ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ СТАТИСТИЧЕСКОГО И СЦЕНАРНОГО АНАЛИЗА В СИСТЕМЕ PROJECT EXPERT
  9. Доктрина информационной безопасности РФ о состоянии и совершенствовании правовых отношений в информационной сфере
  10. 4.1. Конституция РФ и Доктрина информационной безопасности РФ о правовом обеспечении информационной сферы