Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

MODELLEZÉS, MODELLHASZNÁLAT A MEZŐGAZDASÁGI KUTATÁSBAN ÉS GYAKORLATBAN Dr. Rajkai Kálmán MTA Talajtani és Agrokémiai Kutató Intézete, Budapest.

Hasonló előadás


Az előadások a következő témára: "MODELLEZÉS, MODELLHASZNÁLAT A MEZŐGAZDASÁGI KUTATÁSBAN ÉS GYAKORLATBAN Dr. Rajkai Kálmán MTA Talajtani és Agrokémiai Kutató Intézete, Budapest."— Előadás másolata:

1 MODELLEZÉS, MODELLHASZNÁLAT A MEZŐGAZDASÁGI KUTATÁSBAN ÉS GYAKORLATBAN Dr. Rajkai Kálmán MTA Talajtani és Agrokémiai Kutató Intézete, Budapest

2 Mi a modell? A modell összetett, bonyolult természeti képződmények, objektumok működésének megismerésére létrehozott „egyszerűsített helyettesítő”. Modell típusok Mechanikus analóg-, elektromos analóg-, és matematikai-, fizikai-, kémiai modellek, stb.

3 A számítógépes modell „Minden modell egy szakmai szükséglet és egy matematikai lehetőség találkozási pontján jöhet létre.” Juhász-Nagy Pál

4 A számítógépes modell 2. A fizika, a kémia, a biológia, stb. folyamatait a matematika formanyelvén egyenletek, egyenletrendszerek írják le. Megoldásuk valamely kezdeti értékről indulóan adja a folyamatot leíró modellezés eredményét. Bonyolult folyamatleírás differenciálegyenletekkel történik. Megoldásuk általában numerikus, ezért alkalmazásukhoz a számítástechnika fejlődésére volt szükség. A modell-módszer ma a tudományos kutatás és megismerés eszköze. Kísérlet - a szabadföldi kísérletek mellett - a modell- módszerrel is végezhető.

5 Modellalkalmazás indokai a kutatásban - A formalizált, az átadható ismeretek kidolgozásának a kényszere miatt; - Az ismeretek rendszerezésének kényszere miatt; - A részfolyamatok összekapcsolásának - szintézisének kényszere miatt; - Mennyiségi ismeretek, a kvantifikálás szükségessége miatt; - Az elvi vagy a kísérleti eredmények ellenőrzésének a szükségessége miatt;

6 Modell „kellékek” és eredmények - Modellparaméterek számértéke (dimenziója) - Nem mérhető paraméterek értéke (dimenziója) - Predikció, előrejelzés adása - Modelleredmények megjelenítése (térkép, felület) - Eredményérték és valószínűség - Tanulás, tanítás és optimalizálás

7 Modellek a mezőgazdasági kutatásban 1. - Fekete-doboz modellek (bemenet-, kimenet-kapcsolt modellek) - Folyamat-modellek (fizikai, kémiai, biológiai, stb.) - Transzport modellek (víz- és hőtranszport, áramlás) - Növekedés modellek (növényi növekedés) - Transzformációs modellek (szervesanyag-lebomlás) - Anyagforgalom modellek (nitrogén-körforgalom) - Egyensúlyi modellek - Tömegegyensúly modellek - Energiaegyensúly modellek - Dinamikus modellek - Kapacitív modellek (egyszerűsített folyamat-modellek)

8 - Determinisztikus modellek (egyenletek, egyenlet rendszerek) - Mechanisztikus modellek (aktuális ismeretszinten) - Sztochasztikus modellek (statisztikai eredmény) - Kvalitatív modellek (verbális ismeretek beépítése) - Szakértői rendszerek (tudásbázis) - Vegyes modellek (determinisztikus modell + tudásbázis) - Konceptuális modellek (a modellezett rendszer elemei és kapcsolódásai) Modell típusok a mezőgazdasági kutatásban 2.

9 Számítógépes matematikai modellek 1. Determinisztikus a) Mechanisztikus(sebesség-paraméterek) b) Működési (funkcionális)(kapacitív-paraméterek) 2. Sztochasztikus (valószínűségi változók) a) Mechanisztikus(eloszlásfüggvény-paraméterek) b) Nem-mechanisztikus(sűrűségfüggvény-paraméterek) Más szempontú felosztás: Cél, Összetettség (komplexitás), Rugalmasság (flexibilitás), Átvihetőség (transzferabilitás) szerint, továbbá: Kvalitatív vagy kvantitatív jelleg Hierarchikus felépítés, vagy Információs szintek szerint. Addiscott és Wagenet (1985) Hoosebeek és Bryant (1992) nyomán

10 Szerkezet szerinti modell-felosztás Funkcionális (működési) és mechani(szti)kus (működést leképező) modellek Funkcionális: pl. a regressziós egyenletekkel működő, talajvízmozgás modell Mechanikus, pl. a Richard’s egyenlettel működő talajvízmozgás modell A két modell bonyolultsága különbözik. A bonyolult mechanikus modell számítási ideje, - differenciálegyenleteinek numerikus megoldása miatt - lényegesen hosszabb.

11 A modellek a modellezett folyamat szerveződési szintje szerint hierarchikus (egymásra épülő) rendszerbe foglalhatók. Egy szerveződési szint modellje egyben a magasabb szint alrendszerének a modellje, és ugyanakkor az alacsonyabb szint modelljeinek a szintézise. A modellek léptéke

12 A talajmodellek lépték szerinti felosztása

13 Kérdés: Milyen feltételezések (hipotézisek) rendelhetők a különböző (i) szintekre vonatkozó, azonos talajfolyamatot leíró modellekhez? Példa a víz- vagy az oldatmozgás! Válasz: A táblázatban szereplő léptékek mindegyikéhez meghatározott tér- és időskála rendelhető. Nem tanácsos ezért az adott létékre kidolgozott modellt más tér- és időléptékben alkalmazni! Léptékváltás esetében az alkalmazott összefüggések és hipotézisek vizsgálata szükséges. Eldöntendő, hogy megtartható-e a modellben szereplő összefüggés és hipotézis?

14 A legfőbb modelljellemzők A szakmai ismeret (formula) és a kapcsolt hipotézis(ek). Eredmény: a formulák összekapcsolásának módja és sorrendje. Modellellenőrzés: mód és lehetőség. Annak megítélése, hogy a számítógépes modell eredményei tekinthetők-e a modellezett rendszer válaszának. Kalibrálás és validálás: a modellel szimulált értékek összehasonlítása a valós rendszeren mért értékekkel.

15 A talajfolyamat-modellezés jósága A modellezés kellően pontos ha, a szabadföldön vagy a laboratóriumban mért talajjellemző értékek, és a talajjellemzőre számított szimulációs eredmények egybeesnek.

16 A modelljóság statisztikai feltétele A mért értékek minimálisan mérési hibával, esetenként mintavételi és mérési hibával terheltek. A szimuláció jó, ha a szimulált és a mért értékek eltérése kisebb, mint a mért értékek szórásából, – a mérési és a mintavételi hibából – adódó eltérés (Whitmore, 1991).

17 Mért és modellezett értékek különbsége kifejezhető a mért és szimulált értékek páronkénti korrelációjával (R), és/vagy az átlagos eltéréssel (M): N M = (1/N)  (y i – x i ) i=1 ahol: y i az i-ik mért érték, x i pedig az i-ik szimulációs érték Ha y i – x i különbség legalább 90 %-a kisebb, mint a megállapított elfogadható érték, a szimuláció megfelelő. További jóság megállapítási lehetőség az un. reziduális hiba elemzése: az eltérés hibanégyzet-összeget a teljes mérési hibanégyzet-összeghez viszonyítják.

18 Kellő ismétlésszámú mért adat esetén a Student-féle t-próba használható: _ _ t = (y – x ) / SE = d / SE _ _ ahol: y a mért átlag; d az átlagos eltérés a szimulált és a mért átlagos értékek között SE a mérés standard hibája A t-próba csupán kellő számú mérés esetén alkalmazható, amikor a minta szabadságfoka kellően nagy.

19 A mért és a szimulált értékek véletlen (random) és a nem véletlen (szisztematikus) eltérésének statisztikai elemzése: A szisztematikus hiba illesztetlenséget fejez ki. A mért értékek és a szimulált értékek eltéréseinek négyzetösszegét (RSS) a véletlen hibát kifejező hiba-négyzetösszegre (SSE), és az illesztetlenséget kifejező eltérés-négyzetösszegre (LOFIT) bontják fel. A négyzetösszeg értékeket a szabadságfokkal elosztva az átlagos négyzetes eltérés (MSE), vagy variancia (MSLOFIT) számítható.

20 A hiba (MSE)- és az illesztetlenségi variancia (MSLOFIT) F- statisztikával elemezhető (pl. Teng, 1981). Ha az illesztetlenségi hiba nagyobb, mint a véletlen hiba a modellen javítani szükséges! Az RSS minimumával a modell-paraméterek optimális értéke kereshető, ami egyben a modell mérési adatokra történő illesztését jelenti. A bemutatott statisztika a modellbecslés jóságát jellemzi, összehasonlítható általa a különböző modellek becslési jósága, és segítségével a legalkalmasabb modell választható ki.

21 Talajtulajdonságok változatossága és modellezési hatásai. A modell alkalmazók a talajtulajdonságok változatosságának a mértékét kell, hogy ismerjék. A következő táblázatban azonos térképezési egységbe tartozó, azonos talajtípus, azonos genetikai szintjeiből vett minták átlagértéke és szórása szerepel (Upchurch, 1988).

22

23 Talajtulajdonság-változatosság a mintaméret függvényében.

24 Modell-bemeneti információk: paraméterek és adatok Mi a paraméter és mi az adat? Paraméter: mennyiségi állandó, adott esetre. Értéke esetről esetre változhat. A talajnedvesség-tartalom értéke adott nedvességpotenciál mellett a talajra jellemző, de talajonként változó. Adat: időspecifikus, de nem helyspecifikus érték, pl. a csapadék mennyisége, ami nem köthető a talajhoz.

25 A talajmodellekben a paraméterek jelentőségét az adja, hogy értékük táblán belül is pontról-pontra jelentősen különbözhet. Figyelembe kell venni ezért a paraméterek változatosságát, vagyis az átlagértéken kívül a szórást. A talajmodellek talajparaméterekre mutatott érzékenységét, előzetesen érzékenységi elemzéssel (sensitivity analysis) szükséges megállapítani. Így kiválaszthatók azok a paraméterek, amelyekre a modell a leginkább érzékeny és amelynek értékadása nagyobb gondosságot tesz szükségessé.

26 ÉRZÉKENYSÉG-ELEMZÉS Paraméterérték-változás és a modellválaszok alakulása: a. abszolút értékben b. relatív értékben

27 ÉRZÉKENYSÉG-ELEMZÉS Paraméterérték-változás és a modellválaszok alakulása: a. abszolút értékben b. relatív értékben

28 Megválaszolandó kérdések október Megítélése szerint a növényi növekedést a csapadék, a talajtulajdonságok és az agrotechnika függvényében leíró modell milyen „i-ik” modell-léptékben alkalmazható? 2.Milyen módon állapítja meg, hogy mely modellparamétert szükséges mért érték alapján megadni, és melyiket elégséges becsült értékkel?

29 De Vries et al. (1989) a termés-modellek négy típusát különíti el: 1.típus: A növekedési sebesség csak a fejlődési állapottól (fenofázistól) és az időjárástól (elsősorban a napsugárzástól és hőmérséklettől) függ, s a termőhelynek nincs víz- és tápanyaghiánya. 2.típus: A növekedési sebességet csak a vízellátottság (felvehetőség) limitálja, a növekedési ciklus egy részében, az 1. típus időjárási tényezői és optimális tápanyagellátás mellett. 3.típus: A növekedési sebességet nitrogénhiány limitálja, a növekedési ciklus egy részében, míg a továbbiakban korlátozhatja a vízhiány, illetve a kedvezőtlen időjárás is. 4.típus: A növekedési sebességet a növekedési ciklus egy részében stressztényezők, tápanyaghiány (pl. elégtelen foszforellátottság, vagy más tápanyag hiánya), valamint egyéb károsító tényezők is alakítják.

30 A termésszimulációs modellek alkalmazhatók: - eddig nem művelt területek termékenységének becslésére (CERES, MACROS, EUROACCESS); -új növényfajta adott helyen termeszthetőségének becslésére (MACROS); - a klímaváltozás hatásainak felmérésére (CERES, EUROACCESS, SOILN); - termés-előrejelzésre (CERES, EPIC, EUROACCESS, SOILN); - új agrotechnikai eljárások (öntözési, műtrágyázási változatok) felmérésére (CERES, EPIC, EUROACCESS, MACROS, SOILN); - a talajszerkezet romlásának becslésére (EPIC, SOILN); - az erózió, a rovarkárok, a gyomosodás, a betegségek hatásainak becslésére (EPIBLAST, WEEDSIM); - energiaerdők hozamának felmérésére (SOIL; SOILN); - nemesítési programokban; - profit optimalizáló modellel összekapcsolva, gazdaságossági elemzésekben.

31 Állapotváltozók: a modellalkotó elemek (növényi szervek, talajjellemzők, stb.) állapotát leíró mennyiségek. Időben akkor változnak, amikor a modellalkotó elem kölcsönhatásba lép a környezettel. A termés-modellekben például a talajnedvesség- tartalom és a növényi biomassza két szokásos állapotváltozó. Folyamatok: a modellalkotó elemek kapcsolatának időbeni változása különböző folyamatok eredménye. A termés-modell matematikai függvényekkel leírt összefüggések sorozata. A matematikai függvények az állapotváltozókban a különböző folyamatok eredményeként bekövetkező változásokat is tartalmazzák. A modelleket, amelyekben a folyamatok leírása a hangsúlyos, folyamat-modelleknek nevezik. A termés-modellekben az állapotváltozók időben lassan, folytonosan változnak, azaz folytonos modellek. A diszkrét modellekben az állapotváltozók diszkrét, egész értékkel változnak.


Letölteni ppt "MODELLEZÉS, MODELLHASZNÁLAT A MEZŐGAZDASÁGI KUTATÁSBAN ÉS GYAKORLATBAN Dr. Rajkai Kálmán MTA Talajtani és Agrokémiai Kutató Intézete, Budapest."

Hasonló előadás


Google Hirdetések