19. Ландшафт, его определение, типы ландшафтов

Слово «ландшафт», давшее название целой от-ли геогр науки, первонач употреблялось для обознач-я общей идеи о взаимосвяз сочетании различных явлений на земной пов-ти. По Исаченко, Л-т - генетически единая геосистема, однородная (неделимая) по зональным и азональным признакам и закл-щая в себе специфич набор сопряженных локальных геосистем. По Солнцеву, для обособления самост л-та необх условия: 1) тер-рия должна иметь однородный геолог фундамент; 2) после образования фундамента последующая история развития л-та на всем прост-ве должна протекать одинаково (в единый л-т нельзя объединять два участка, из к-рых один покрывался ледником, а другой нет, или один подвергался морской трансгрессии, а др нет); 3) климат одинаков на всем прост-ве л-та и при любых сменах климатич условий он остаётся однообразным (внутри л-та набл-ся лишь изменение местных климатов - по урочищам и микроклиматов - по фациям). Тип л-тов - это объед-е л-тов, имеющих общие зонально-секторные черты в стр-ре, функционир-и и динамике. Во многих типах л-тов выявляются три подтипа - северный, средний и южный. По увлажненности – гумидные, семигумид, семиарид, аридные, экстраарид. По теплообеспеч-ти: аркт (антаркт), субаркт, бореальные, суббор, тропич, субэкват, экват. По континентальности: приокеанич, континент. Классы л-тов – равнинный (подклассы: низм, возвыш) и горный (низко, сред, высоко). Зональные группы типов л-тов получаются при сочетании увлажнения и теплообеспеч-ти (напр, широколиств леса – суббор гумид л-ты, степь – суббор семиарид л-ты).

20. Математико-картографическое моделирование

МКМ. Мат-кгр моделир-е - это органическое комплексирование мат и кгр моделей в системе «создание – исп-ние карт» для конструир-я или анализа темат содерж-я карт. Исх данные + мат модель = рез-т моделир-я. Карта- э то уже мат модель, т.к. стр-ся на законах мат картогографии, но К визуализирует террит конкретность. Мат-ка уже давно исп-ся в кгр-ии: это картограммы, картодиаграммы, точечный и изолин способ. Классиф-ция элементарных мат-кгр моделей: A. Модели стр-ры явлений: I. Модели стр-ры пространств хар-к явлений. II. Модели стр-ры содержат хар-к явлений. B. Модели взаимосвязей явлений: I. Модели взаимосвязей пространств хар-к явлений. II. Модели взаимосвязей содержат хар-к явлений. C. Модели динамики распростр-я (развития) явлений: I.Модели динамики пространств распростр-я явлений. II. Модели динамики содержат развития явлений. В моделях содержат хар-к хоть и не исп-ся пространств коор-ты, они наносятся на карту, т.е. все равно закрепляются в прост-ве. Поэтапное комбинир-е методов приводит к постр-ю сложных мат-кгр моделей: цепочкообразное (итог одного этапа моделир-ся в след этапе); сетевое (параллельно реализ-ся ряд алгоритмов); древовидное (на основе одной мат модели созд-ся серия карт одной тематики). Способы МКМ: А-I – модели простр размещ-я точечных объектов, гравитац модели (потенциал поля расселения), модели аппроксимации пов-тей; А-II – модели сниж-я размерности многомерных геогр данных, моделир-е типологич синтет хар-к, модели оценочных синтет хар-к. В-I – информац модели, корреляцион модели; В-II – корреляц модели, таксономич модели, можели по кач пок-лям. С-I – Гравитац, стохастич, диффузионные модели; С-II – Марковские модели, регрессионные модели. Отдельно стоят анаморфир-е модели. Один из осн этапов - оценка надежности мат алгоритмов: метод сравнения алгоритмов; метод экспертных оценок.

Формализованное картографическое изображение хорошо при­способлено для математического анализа. В принципе почти все разделы математики применимы для обработки и анализа картографического изображения. Проблема лишь в том, чтобы точно подобрать математическую модель и, главное, дать надежное содержательное истолкование результатам моделирования. Достаточно прочно в картографический анализ вошли некоторые разделы численного анализа, многомерной ста­тистики, теории вероятностей и теории информации. Аппроксимации. Под аппроксимациями в математике понимают замену (приближение) сложных или неизвестных функций другими, более простыми функциями, свойства которых известны. Любую слож­ную поверхность (поле), изображенную на изолинейной карте, можно аппроксимировать, т.е. приближенно представить в виде некой аппроксимирующая функции, с каким-то остатком, не поддающимся аппроксимации. Функцию можно далее раз­ложить в ряд, представив уравнение поверхности с компонентами разложения, которые предстоит опреде- лить. В общем случае для этого с аппроксимируемой карты снимают ряд значений г., после чего составляют систему уравнений, решае­мых совместно по способу наименьших Существуют разные способы аппроксимации. Это обычные ал­гебраические многочлены, ортогональные многочлены Чебышева и Лежандра, которые определенным образом упрощают вычисле­ния, сплайн-функции и др. Не останавливаясь на особенностях математического аппарата, отметим, что во всех случаях задача сводится к тому, чтобы аппроксимирующее уравнение наилучшим образом описывало исходную поверхность, а сумма квадратов от­клонений была бы минимальна. Тригонометрические функции позволяют описывать сложные, сильно расчлененные поверхности, а сферические функции при­меняют, если при вычислениях нельзя пренебречь кривизной зем­ной поверхности. В исследовательской практике аппроксимации используют для аналитического описания поверхностей (полей), изображенных на картах, и выполнения с ними различных действий: суммиро­вания, вычитания, интегрирования и дифференцирования, для подсчета объемов тел, ограниченных этими поверхностями, и ре­шения множества других задач. Одно из направлений использова­ния аппроксимаций — разложение поверхностей на составляю­щие, что позволяет выделять и анализировать нормальные и ано­мальные факторы развития и пространственного размещения явлений. Приемы математической статистики. Эта группа приемов мате-матико-картографического моделирования предназначена для изу­чения по картам пространственных и временных статистических совокупностей и образуемых ими статистических поверхностей. Статистический анализ картографического изображения пре­следует главным образом три цели: а) изучение характеристик и функций распределения явления; б) изучение формы и тесноты связей между явлениями; в) оценка степени влияния отдельных факторов на изучаемое явление и выделение ведущих факторов. В основу всякого статистического исследования кладется вы-борка, т.е. некоторое подмножество однородных величин, сня­тых с карты по регулярной сетке точек (систематическая выбор­ка), в случайно расположенных точках (случайная выборка), на ключевых участках (ключевая выборка) или по районам (райони­рованная выборка). Выборочные данные группируют по интервалам, составляют гистограммы распределения и затем вычисляют раз­личные статистики — количественные показатели, характеризу­ющие пространственное распределение изучаемого явления. Наи­более употребительные показатели — среднее арифметическое, среднее взвешенное арифметическое, среднее квадратическое, дис- Персия, вариация и др. Кроме того, с помощью специальных по­казателей (критериев согласия) можно оценить соответствие дан­ного конкретного распределения тому или иному теоретическому закону распределения. Другая типичная исследовательская задача — оценка взаимо­связи между явлениями — решается с помощью хорошо разрабо­танного в математической статистике аппарата теории корреляции. Для этого необходимо иметь выборки по сравниваемым явлени­ям, показанным на картах разной тематики (например, А и В). Значения а. и Ь. берут в одних и тех же точках, т.е. строго скоор­динировано, и затем строят график поля корреляции. Если поле корреляции может быть аппроксимировано прямой, которая называется линией регрессии, то приступают к вычисле­нию коэффициента парной корреляции(r). Его числовые значения заключены в интервале от минус одного до плюс одного. При r равном +1 или —1 существует функциональная прямая или обратная связь. Если r близок к 0, то связь между явлениями отсутствует, а при r = модулю 0.7 связь считается существенной. Для оценки взаимосвязи явлений в случаях, когда трудно или невозможно получить большие выборки, используют другой по­казатель — ранговый коэффициент корреляции фи. По смыслу у аналогичен коэффициенту парной корреляции. При этом не требуется больших объемов выборки. К тому же не нужны точные количественные значения а. и Ь_п достаточно знать их ранги. Все это удобно для работы с картог­раммами, где используются интервальные шкалы, а объем выбор­ки ограничен числом административных районов. Аппарат теории корреляции достаточно разнообразен, в нем есть показатели, удобные для анализа взаимосвязей по картам аре­алов (где явления характеризуются только двумя состояниями: «есть» и «нет»), по картам качественного фона (где каждое явле­ние имеет много состояний, но не охарактеризовано количествен­но). Существуют коэффициенты для расчета криволинейных зави­симостей и связей между тремя явлениями (коэффициенты мно­жественной корреляции) и т.п. Расчет корреляций дает основу для более сложных видов ана­лиза: регрессионного, дисперсионного, факторного и др. Часто при исследованиях ставится задача выделить основные факторы, опре­деляющие развитие и размещение того или иного явления. Эту задачу решает многомерный факторный анализ. Он позволяет све­сти к минимуму (к трем-четырем главным факторам) большие совокупности исходных показателей, характеризующих сложное явление. Приемы теории информации. Эти приемы используют для оцен­ки степени однородности и взаимного соответствия явлений, изу­чаемых по картам. Речь идет об основной функции теории информации — энтро­пии. В термодинамике энтропия характеризует степень беспорядка в физической системе, в теории связи — степень неопределенности передаваемых сообщений, а в картографическом анализе эта функ­ция оказалась довольно удобной для оценки степени однородности неоднородности (разнообразия) картографического изображения.

Энтропией некоторой системы называется сумма про­изведений вероятностей различных состояний этой системы на логарифмы вероятностей, взятая с обратным знаком. В теории информации принято брать логарифмы вероятностей при основании 2, что связано с двоичной системой счисления. Смысл функции не изменится, если пользоваться десятичными или натуральными логарифмами. Функция остается неотри­цательной, она обращается в нуль, когда на карте изображен только один контур или выдел (т.е. изображение совершенно однородно), и монотонно возрастает с увеличением числа контуров п. Это свой­ство функции энтропии позволяет количественно характеризовать неоднородность картографического изображения, по­нимаемую как разнообразие контуров и неравномерность их рас­пространения по площади. Кроме того, информационные функции используют для оценки степени взаимного соответствия (совпадения) контуров на разных картах. В этом случае они выполняют роль своеобразных показателей взаимосвязи явлений наподобие коэффициентов корреляции.