Помощью регулярных биоиндикационных сетей

Регулярные биоиндикационные сети являются наиболее простым и понятным способом организации отбора модельных деревьев с некоторой заданной территории по строгим и однозначным правилам. Выполнение таких правил позволяет считать осуществленную по ним выборку случайной и, в том случае если деревьев отобрано достаточное количество, полученные выводы о состоянии лесов на данной территории будут статистически обоснованными (Глотов и др., 1982; Животовский, 1991).

Первый теоретический вопрос, который возникает при организации наземного мониторинга лесов посредством регулярной биоиндикационной сети заключается в обосновании и выборе формы ячейки такой сети. Покрыть плоскую поверхность, на которой расположены изучаемые леса, можно правильными фигурами только трех видов - треугольниками, квадратами или шестиугольниками (Саати, 1973). Если мы возьмем конгруэнтные многоугольники (с одинаковым радиусом вписанной окружности) указанных типов с радиусом вписанной окружности равным единице, то их площади будут соответственно 1,181 - у треугольника, 1 - у квадрата и 0,866 - у шестиугольника. Когда речь идет о мониторинге лесов и пробные площади расположены в узлах сети, площадь ячейки регулярной сети представляет собой не контролируемую системой мониторинга территорию. Из приведенных цифр видно, что она минимальная у шестиугольной ячейки и максимальная у треугольной, причем разница площадей более 30%. Поэтому наиболее эффективной для мониторинга является регулярная биоиндикационная сеть с шестиугольной формой ячейки. Такая ячейка является базовой, например, в американской программе мониторинга состояния окружающей среды (EMAP), к которой был привязан и лесной мониторинг (Brooks et al., 1991). Однако у шестиугольной ячейки есть и недостатки, во-первых, в этом случае требуется закладка большего числа пробных площадей, во-вторых, значительно возрастают требования к точности геодезического обеспечения системы мониторинга. Обе эти причины могут существенно повысить стоимость проведения работ, наверное, поэтому в качестве основной ячейки регулярной биоиндикационной сети при проведении лесного мониторинга в Европе был выбран квадрат.

Таким образом, основными параметрами биоиндикационной сети для наземного мониторинга лесов некоторой заданной территории являются следующие величины: общее число модельных деревьев - N, располагающихся по 24 на каждом постоянном пункте учета (ППУ), число ППУ - n, располагающихся в узлах сети, и шаг сети - h, от которого зависит ее густота. Все эти величины связаны между собой.

Прежде всего нужно обосновать необходимое для достоверных выводов о состоянии лесов заданной территории число модельных деревьев. Так как повреждение деревьев в результате антропогенных воздействий, в частности, загрязнения атмосферы видоспецифично, то приводимые ниже оценки относятся к каждой породе отдельно.

Предположим, что целью мониторинга является достоверное определение среднего класса повреждения деревьев на заданной территории. Как показано выше в главе 4, распределение деревьев по классам повреждения может быть одного из трех классов, и априори трудно определить вид такого распределения. В этих условиях невозможно воспользоваться обычно применяемым для оценки необходимого числа модельных деревьев законом нормального распределения. Поэтому для их оценки нужно применить неравенство Чебышева, которое справедливо для любых распределений деревьев по классам повреждения:

P (çx - x^*ç> a) < s²/ a² N,

где x - средний класс повреждения деревьев, определенный по N моделям в результате мониторинга, x^* - истинный средний класс повреждения деревьев на заданной территории, a - допустимая погрешность определения среднего класса повреждения, s² - дисперсия распределения деревьев по классам повреждения, P - вероятность уклонения истинного значения среднего балла повреждения деревьев от рассчитанного по N моделям более чем на a. Из неравенства Чебышева получаем следующую оценку необходимого числа модельных деревьев в системе мониторинга:

N = s²/ a² P.

Для расчета по этой формуле нужно задать значения величин, стоящих в его правой части. Допустимую погрешность определения среднего класса повреждения (а) целесообразно положить равной 0.1, а вероятность ошибки P = 0.05. Задание дисперсии s² должно опираться на некоторые предположения относительно распределения деревьев по классам повреждения. Учитывая тот факт, что проектируемая биоиндикационная сеть должна иметь некоторый запас модельных деревьев, так как при ее закладке некоторые ППУ могут попасть на непокрытую лесом площадь, оценку дисперсии целесообразно взять соответствующей равномерному распределению деревьев по классам повреждения. Равномерное распределение является частным случаем теоретически обоснованных в предыдущей главе экспоненциального и мономодального распределений и имеет максимальную среди них дисперсию s² от 1.25 при 4-бальной шкале состояний, до 2.0 при 5-бальной шкале. В этом случае необходимое число модельных деревьев N=2500-4000 шт. Приблизительно такой же результат получается при оценке необходимого числа модельных деревьев для определения долей (частот, встречаемости) поврежденных в разной степени деревьев по формуле (Животовский, 1991):

N = P(1-P)t²/a²,

здесь Р- ожидаемая встречаемость поврежденных в определенной степени деревьев, t - статистика Стьюдента, t=1.96 при доверительной вероятности 95%. При Р=0.5 и а=0.015-0.02 N=2400 - 4268 шт.

Оценки необходимого для статистической достоверности определения жизненного состояния насаждений числа модельных деревьев для эталонного (экспоненциального) и равномерного распределения деревьев по классам повреждения приведены в табл.8. Оценка с помощью эталонного (экспоненциального) распределения может рассматриваться в качестве нижней границы необходимого числа модельных деревьев, оценка с помощью равномерного распределения, имеющего максимальную дисперсию, в качестве верхней.

Таблица 8

Поиск по сайту: