III. ГЕОМОРФОМЕТРИЯ И СОВРЕМЕННЫЕ ПОДХОДЫ К ЛАНДШАФТНОМУ СИНТЕЗУ


16. ИЗОКЛАСТЕРНЫЙ АНАЛИЗ КЛИМАТИЧЕСКИХ ПЕРЕМЕННЫХ ДЛЯ ДЕЛИМИТАЦИИ ПРОТОТИПОВ ПРИРОДНО-ЛАНДШАФТНЫХ ЗОН

16.1. Проблемы моделирования дифференциации биосферы на глобальном уровне 16.2. Исходные данные и выбор факторных переменных 16.3. Моделирование с помощью неконтролируемой классификации изокластера 16.4. Сравнение полученной модели с традиционной схемой экологических зон мира 16.5. Возможности локализации модели изокластерного анализа

III. ГЕОМОРФОМЕТРИЯ И СОВРЕМЕННЫЕ ПОДХОДЫ К ЛАНДШАФТНОМУ СИНТЕЗУ

16. ИЗОКЛАСТЕРНЫЙ АНАЛИЗ КЛИМАТИЧЕСКИХ ПЕРЕМЕННЫХ ДЛЯ ДЕЛИМИТАЦИИ ПРОТОТИПОВ ПРИРОДНО-ЛАНДШАФТНЫХ ЗОН

16.1. Проблемы моделирования дифференциации биосферы на глобальном уровне

Попытки выявления структуры глобальных оболочек Земли – биосферы и/или географической оболочки имеют длинную историю и вызваны (помимо интереса к пониманию общей картины дифференциации планеты) все возрастающей необходимостью прогнозировать возможные тренды трансформации геосистем - физико-географических регионов и провинций, экозон и биомов - под влиянием масштабных изменений климата.

Общепризнанно, что основной причиной дифференциации географической оболочки являются факторы макроклимата, точнее - сочетание тепла и влаги, определяемое широтой, континентальностью и/или океаничностью положения и абсолютной высотой. Возникающие при этом «поясные» зоны макроклимата генерируются различиями в количестве солнечной радиации, поступающей на земную поверхность, при этом фактическое размещение разделенных морем массивов суши формирует более сложное "секторное" (от побережий внутрь континентов) распределение значений температур и влажности. В свою очередь, температурные градиенты образуют границы распространение самых общих типов растительности. Указанные глобальные закономерности осложняются неравномерным распределением континентальных массивов и океанов, а также сложностью формы береговой линий материков.

Различия в природных комплексах, вызванные распределением тепла и влаги по земной поверхности анализировались выдающимися естествоиспытателями прошлого – Ч.Дарвиным, А.Уоллесом; идея широтных поясов развивалась А. Гумбольдтом. Предложенная В.В.Докучаевым (1899) концепция «зон природы» как сложных комплексов, объединяющих климатические условия с типами почв и растительных сообществ, получила международное признание и детально разрабатывалась многими исследователями на протяжении всего XX века. Представление о природных зонах было безусловным достижением естественно-научной мысли прошлого, поскольку являло собой одно из первых толкований сложно устроенных биогенно-абиогенных систем (еще до появления самого понятия «система»). В зависимости от профессиональных пристрастий, страновых научных школ и решаемых задач специалисты вкладывали различное содержание в представление о природных зонах.

Первые создаваемые в середине XX в. глобальные карты по преимуществу представляли собой результат климатического зонирования, в то время как более поздние карты отображали комплексные биогеографические различия [Bailey, 2009], проистекавшие из принципиально иной концепции о дифференциации земной поверхности на крупные относительно гомогенные по почвенно-растительным условиям ареалы - биомы (biomes); концепции, предложенной Дж. Клементсом и В. Шелфордом [Clements, Shelford, 1939] и разработанной впоследствии Д. Брауном с соавторами [Brown, Reichenbacher, Franson, 1998].

Биомы рассматривались как сущности второго порядка, вложенные в пояса, что позволяло Г. Вальтеру трактовать их как zonobiomes(зонобиомы) [Walter, 1984]. Несколько позже в связи с развитием экологии как синтетической науки об окружающей среде возникает параллельное понятие экозон и/или экорегионов как объектов глобального экологического мониторинга [Cleveland, 2011] и менеджмента [Loveland, 2004].

Несмотря на некоторые различия между всеми перечисленными понятиями существует значительное (и значимое) сходство. Идея биомов первоначально была задумана для определения областей, имеющих один и тот же (или схожий) набор климаксных серий для основных биотообразующих видов доминантной древесной растительности [Bailey, 1998]. Далее, чтобы не зависеть от сукцессионных стадий в определении границ были введены понятия климата для отдельно взятой растительной формации, затем - для серии коренных формаций; в этом смысле биом может быть позиционирован как типологическая и кластеризуемая сущность, границы которой задаются климатическими переменными.

Разработка пространственных концептов регионального и локального уровней в рамках ландшафтоведения (в СССР) и ландшафтной экологии (за рубежом) привела к появлению других альтернативных представлений, которые, так или иначе, детализировали представление о природных и/или экологических зонах, демонстрировали их внутреннюю структуру и различия, а также определяли возможные методы делимитации. К наиболее распространенным концептам такого рода можно отнести:

Перечисленные концепты различаются иерархией, соподчиненностью вложенных форм и типологией «нижней» (локальной) ступени классификации, при этом все они схожи по алгоритму учета глобальных и макро-климатических характеристик, что позволяет использовать последние для их дифференциации и делимитации.

Определение границ реальных природных зон – сложная проблема, которая решалась по-разному на различных этапах развития науки. Существующие подходы - а их не так мало, можно разделить на мануальные и ГИС-моделирование. Между этими подходами нет (как это может показаться) непреодолимой границы и прежде всего потому, что гис-модели, особенно на начальном этапе разработки методов гис-моделирования во-многом повторяли (воспроизводили) подходы экспертно-мануального картографирования. Так или иначе попытки картографирования природных зон во многом схожи с попытками картографирования ландшафтов и могут быть определены следующим образом:

  1. Экспертно-интуитивные с мануальным конфигурированием границ,
  2. Гибридные экспертные с воспроизведением мануальных подходов в ГИС-среде,
  3. Послойный тематический оверлей (наложение карт) в ГИС,
  4. Многомерная кластеризация средствами ГИС.

Особенности интуитивного и гибридно-экспертного подходов мы уже обсуждали в разделе, посвященном моделированию ландшафтов.

Гибридные экспертные походы выявили весьма важную (для дальнейшего развития методологии) особенность: использование в качестве входных данных оцифровок существующих мануальных карт вместе с современными Большими Данными резко снижает достоверность получаемых результатов. В этом смысле несмотря на «соблазн» использования готовых тематических (но – рисованных когда-то вручную) карт предпочтительнее использовать покомпонентные «тематики» Больших Данных, т.е., условно говоря, вместо карт «типов климатов» загружать в модель современные растры параметров осадков и температур поверхности Земли, вместо карт «типов растительности» загружать варианты различным образом дешифрированных растров Land Cover и т.д..

Кластерный анализ используется как способ полуавтоматического моделирования и классификации многофакторных сущностей и применялся для решения данной задачи рядом авторов [Hargrove, Hoffman, 2005]. М. Метцгер с коллегами впервые использовали ISODATA - Iterative Self Organizing Data Analysis (неконтролируемый метод классификации) для делимитации экологических зон земного шара по набору климатических переменных [Metzger et al., 2013] таким образом, чтобы каждая выделяемая "экологическая зона" имела характерный «спектр» по совокупности использованных выходных переменных (характеристик), с близкими значениями по любой из конкретных климатических переменных и относительно малыми стандартным отклонением и дисперсией. Как и в других полуавтоматических методах кластеризации данный подход оставляет за экспертным знанием несколько функций, важнейших из которых является выбор значимых переменных.


16.2. Исходные данные и выбор факторных переменных

Как и все другие методы неконтролируемой классификации алгоритм ISODATA-кластеризации чувствителен к следующим характеристикам входных данных:

Очевидно, что в этом перечне важнейшим является собственно выбор показателей – характеристик, которые служат входным данными для классификации. Здесь следует остановиться на двух обстоятельствах. Первоначально авторы идеи «глобального зонирования» и первых зональных карт предполагали, что природно-ландшафтные зоны - это результат сочетания среднегодовых температур с годовым количеством осадков. Потом оказалось что это не совсем так, ибо лимитирующими (т.е., определяющими дискретность самого феномена и «прорисовывающими» границы) являются более сложные факторы, производные от первичного "поля" температур и осадков, тем или иным образом выражающие сочетание тепла и влаги на фоне внутригодового климатического цикла, например, количество осадков в теплый и холодный период года, индексы аридности и влажности, и т.п..

На сегодняшний день в распоряжении исследователей имеется несколько наборов данных, различающихся по составу и характеру обработки переменных. Наиболее известными и широко используемыми являются:

- база «биоклиматических переменных» Bioclimatic variables,
- база предоставленная университетом Эдинбурга по проекту Global Environmental Stratification (GEnS).

Обе базы представляют собой результат интерполяции фактических (фиксируемых метеорологическими станциями мира) данных.

В базе «Биоклиматических переменных» представлены 19 показателей, рассчитанных из месячных значений температуры и количества осадков с естественными (натуральными) значениями, представляющих собой среднегодовые параметры (средняя годовая температура, годовой объем осадков), сезонность (сезонные показатели и диапазоны температур и осадков) и экстремальные или ограничивающие факторы окружающей среды (например, температура самого холодного и самого теплого месяца, а также осадки влажных и сухих кварталов).


Рис. 16.1 Скриншот веб-портала WorldClim со списком слоев "Bioclimatic variables"

Данные, выложенные на сайте Эдинбургского университета, содержат 42 переменных и отличаются от вышеописанных не только значительно большим набором показателей (здесь рассчитаны дополнительные производные факторы), но и тем, что все переменные (за исключением переменной №42 – абсолютная высота) подверглись либо нормализации (с использованием диапазона значений), либо стандартизации (с использованием стандартных отклонений).


Рис. 16.2 Скриншот портала DataShare университета Эдинбурга с описанием и перечнем слоев, представленных по проекту Gens

Теоретически для многомерной делимитации природно-ландшафтных зон на глобальном уровне могут использоваться и «сырые» данные Bioclimatic variables. Однако специфика кластерного анализа как метода классификации заключается в том, что это, по сути, «геометрический» путь решения сложной логической задачи, основанный на расстоянии между значениями параметров, характеризующих объекты. В данном случае это диапазон значений по некоему фактору между любыми двумя точками на поверхности Земли. Если X и Y переменные, выраженные в натуральных значениях (например, температура и осадки), то «дельты» между положением точек в пространстве ординации могут быть слишком разными – от полутора десятков градусов до полутора тысяч миллиметров, и тогда значимость фактора осадков будет по умолчанию «довлеть» над значимостью фактора температуры. Поэтому для кластерного анализа целесообразнее использовать стандартизированные и нормализованные данные базы университета Эдинбурга по проекту Global Environmental Stratification.

Полный список 42 климатических параметров приведен на сайте университета (GEnS): строго говоря к климату относится 41 параметр, 42-й - это глобальная ЦМР, которая учитывалась при экстраполяции первичных данных метеостанций мира, поэтому мы можем исключить ее из дальнейшего анализа, полагая, что фактор высоты места уже "отработал" в процессе преобразования первичных данных. Исходя из наших представлений о биоклиматических зонах выберем 15 наиболее значимых переменных (Таблица 16. 1)


Таблица 16.1 Первоначальный набор переменных, отображающий факторы, способные оказывать виляние на конфигурацию природно-ландшафтных зон
№ Наименование Значение показателя
1 Annual mean T Среднегодовая температура
2 Temperature Seasonality Сезонность ежемесячных средних температур: стандартное отклонение месячных значений температуры от среднегодовой, умноженное на 100
3 Annual T range Годовая амплитуда температур: максимальная температура самого теплого месяца минус минимальная температура самого холодного месяца
4 Growing degree-days on 0°C base Годовая сумма среднесуточных температур более 0°C
5 Mean T of the coldest month Средняя температура самого холодного месяца
6 Mean T of the warmest month Средняя температура самого теплого месяца
7 Number of months with mean T > 10°C Количество месяцев со средней температурой выше 10°C
8 Annual precipitation Годовое количество осадков
9 Precipitation seasonality Годовая сезонность осадков: соотношение осадков влажного периода к общему количеству осадков в %
10 Total precipitation for months with a monthly T is above 0°C Количество осадков за месяцы со среднемесячной температурой выше 0°C
11 Aridity Index Индекс аридности: отношение годовых осадков к годовой потенциальной эвапотранспирации (ПЭТ)
12 PET seasonality Сезонность потенциальной эвапотранспирации: Стандартное отклонение среднемесячных значений ПЭТ
13 Thornthwaite humidity index Индекс влажности Торна: 100s/n, s = сумма значений разности между количеством осадков и ПЭТ для тех месяцев, когда осадков больше, чем ПЭТ, n = сумма значений ПЭТ для месяцев с избытком увлажнения
14 Thornthwaite aridity index Индекс аридности Торна: 100d/n, d = сумма значений разности между количеством осадков и ПЭТ для тех месяцев, когда осадков меньше, чем ПЭТ, n = сумма значений ПЭТ для месяцев с дефицитом увлажнения
15 Emberger’s pluviothermic quotient Ембергер плювиометрика: Q = 2000 P / (M + m + 546.4) (M - m), Р = среднемноголетнее годовое количество осадков, М = средняя максимальная температура самого теплого месяца, m = средняя минимальная температура самого холодного месяца

Для определения вклада 15-ти факторов-переменных в делимитацию природно-ландшафтных зон, а также для выявления потенциальной взаимосвязи между переменными используем инструмент Principal Components|Метод главных компонент пакета ArcMAP10.x, который преобразует данные в стеке из входного многомерного атрибутивного пространства в многоканальный растр, где количество каналов равняется заданному числу компонент (один канал на ось или компонента в новом многомерном пространстве). Первая главная компонента будет характеризоваться наибольшей дисперсией, вторая - будет соответствовать второму по величине значению дисперсии, не охарактеризованному первой главной компонентой, и так далее. В большинстве случаев, первые три или четыре растра результирующего многоканального растра, полученного в результате инструмента Principal Components, описывают более 95% дисперсии. Остальные индивидуальные каналы растра (т.е., переменные) могут быть отброшены.

Одним из результатов PCA является построение матрицы корреляции (CORRELATION MATRIX), показывающее возможные взаимосвязи между привлеченными переменными. Для выбранных 15 переменных матрица выглядит следующим образом (см. Таблицу 16.2). Как и следовало ожидать параметры, послужившие основой для расчета других показателей, оказались связанными с ними и показали коэффициент ковариации выше 0,85.


Рис. 16.3 Скриншот матрицы корреляции для 15-ти первичных переменных: желтым фоном подсвечены значения, превышающие 0,80

Среди таких параметров с количеством связей более чем одной переменной (Рис. 16.4):

  • Среднегодовая температура и Количество месяцев со средней температурой выше 10 °C (4 взаимосвязанных показателя),
  • Средняя температура самого холодного месяца, Средняя температура самого теплого месяца, Годовое количество осадков, Ембергер плювиометрика (3 взаимосвязанных показателя),
  • Годовая сумма среднесуточных температур более 0°C, Количество осадков за месяцы со среднемесячными температурами выше 0°C, Индекс аридности (по 2 взаимосвязанных показателя).

Независимыми, не обнаруживающими связей ни с одной или только с единственной переменной оказались (в скобках - номера и обозначения показателей в базе Эдинбургского университета и в базе Bioclimate):

  • Сезонность ежемесячных средних температур (var 4 / bio 4),
  • Годовая амплитуда температур (var 7 / bio 7),
  • Годовая сезонность осадков (var 23 / bio 15),
  • Сезонность потенциальной эвапотранспирации (var 37),
  • Индекс влажности (var 38).

Рис. 16.4 Диаграмма зависимости 15-ти биоклиматических переменных

По итогам анализа выберем пять выявленных независимых переменных, добавим к ним Индекс аридности Торнтвейта (var 39). Прежде чем приступать к моделированию имеет смысл оценить экспертно возможную роль того или иного признака в дифференциации природных зон. Несколько обобщая сложную картину распределения значений, можно утверждать, что одни параметры «ответственны» за широтную дифференциацию, другие - в большей степени за секторную (от океанических до центрально-материковых, и от западных до восточных секторов). Для удобства дальнейшего моделирования проведем классификацию данных на 10 таксонов методом естественные границы.


Рис. 16.5 Годовая амплитуда температур, стандартизированные значения, 10 классов Natural Breaks (Jenks)

Так, показатель Годовая амплитуда температур (Рис. 16.5) маркирует рубежи экваториального и субэкваториального поясов с наименьшими амплитудами, а также хорошо отражает смену секторов в умеренном и субтропическом поясах (от западно-приокеанических до резко-континентальных), особенно на огромном пространстве Евразии. Зоны со значительными амплитудами соответствуют континентальным секторам на всех материках.


Рис. 16.6 Годовая сумма среднесуточных температур выше 0°C, стандартизированные значения, 10 классов Natural Breaks (Jenks)

Показатель Годовая сумма среднесуточных температур более 0°C (Рис. 16.6) дифференцирует «жаркие» пояса Земли на всех континентах (за исключением Австралии) отчасти в соответствии с крупными морфоскульптурами суши. Австралия, которая в других термических индикаторах выглядит почти однородной, по данному показателю напротив разделяется на несколько почти правильных широтных зон. Отчетливо выделяются прибрежные и горные сектора обеих Америк и крупных островов.


Рис. 16.7 Годовая сезонность осадков, стандартизированные значения, 10 классов Natural Breaks (Jenks)

Параметр Годовая сезонность осадков имеет чрезвычайно сложное распределение, отражающее как секторные, так и поясные (широтные) закономерности. Отчетливо выделяется (Рис. 16.7) восточно-приокеанический сектор в умеренном и субтропических поясах Северной Америки (равномерно обеспеченный как зимними фронтальными, так и летними муссонными осадками), а также смена гумидного климата атлантического типа в Западной Европе субгумидным, характерным для умеренно-континентального сектора. Выделяется также восточно-приокеанический сектор в тропическом поясе Южной Америки. В то же время на карте обнаруживается и широтная смена климатических условий: увеличение сезонности осадков с широтой местности четко проявляется в Сахаро-Сахельской зоне, на северо-западе Индийского субконтинента, где в этом направлении увеличивается продолжительность сухого сезона.


Рис. 16.8 Сезонность потенциальной эвапотранспирации, стандартизированные значения, 10 классов Natural Breaks (Jenks)

Сезонность потенциальной эвапотранспирации (Рис. 16.8), отражающая внутригодовое соотношение режимов тепла (поскольку фактическая эвапотранспирация в любой точке определяется температурой) и влаги, конфигурирует как широтно-зональные, так и секторные закономерности, маркируя крупные характерные континентальные сектора во внутренних частях материков. В то же время дифференцирующая роль этого показателя более значительна в аридных и семиаридных областях переходных и континентальных секторов, чем в гумидных и семигумидных.

Таким образом, каждый из выбранных для кластеризации параметров обладает собственным специфическим влиянием на потенциальную картину дифференциации природно-ландшафтных зон.


16.3. Моделирование с помощью неконтролируемой классификации изокластера

Выбранные переменные используем далее в процедуре неконтролируемой классификации изокластера (Iso Cluster Unsupervised Classification) пакета ArcMAP10.x.

На входе указываем шесть выбранных выше растров переменных:

  1. Годовая сезонность осадков,
  2. Сезонность потенциальной эвапотранспирации,
  3. Сезонность ежемесячных средних температур,
  4. Годовая амплитуда температур,
  5. Индекс влажности,
  6. Индекс аридности.

Инструмент имеет три опции, влияющие на результат:

Number of classes|Число кластеров,
Minimum class size (optional)|Минимальное число ячеек в кластере,
Sample interval (optional)|Интервал между «посеянными» образцами.

В диалоговом окне присутствуют дефолтные значения, однако имеет смысл подобрать оптимальные значения всех трех опций методом «проб и ошибок»; так выявлено, что увеличение размера минимальных ареалов и дистанции между точками «посева» заметно обобщает итоговую мозаику растра кластеров. Однако решающее значение для результата имеет число кластеров; при прогнозируемом (в соответствии с «классическими» картами природных зон) общем числе зон в диапазоне 18-22 для инструмента неконтролируемой классификации изокластера укажем значение 22.

В SAGA GIS аналогичный инструмент ISODATA Clustering for Grids из набора Imagery (автор - O.Conrad, 2016) основан на реализации алгоритма Isodata Х. Иосифидиса [Memarsadeghi et al., 2007].

Полученный растр для избавления от «информационного шума» подвергаем обычной генерализации с использованием инструментов Focal statistic|Фокальная статистика (опция Majority) и Boundary Clean|Удаление границ (опция Descent). Далее, для выявления физических значений полученных ареалов растр природных зон трансформируем в векторную форму с попутным избавлением (инструмент Eliminate) от мелких полигонов площадью менее 6 км2 Процедурой Dissolve соединяем все полигоны одного типа (класса), т.е., все множество превращаем в 22 полигона (Рис. 16.9).


Рис. 16.9 Результат неконтролируемой классификации изокластера - 22 зоны

16.4. Сравнение полученной модели с традиционной схемой экологических зон мира

Для верификации полученного результата сравним полученную модель (Рис. 16.8) с зональными границами на мировых и материковых картах, составленных ранее с использованием различных методических подходов, например - с существующей картой «экозон» М.Метцгера с соавторами (Рис. 16.10) [Metzger et al., 2013].


Рис. 16.10 Карта биоклиматических экологических зон (Metzger M.J с соавторами)

Для более корректной интерпретации результатов рассмотрим вкратце дифференциацию биоклиматических экозон и зон изокластера по отдельным материкам.

Для Северной Америки (Рис. 16.11) сходство карты экозон и полученной модели изокластерного анализа модели может считаться достаточно высоким: совпало число широтных зон в равнинном (западном) секторе континента, в высокой степени согласуются общая конфигурация западного (тихоокеанско-горного) сектора. Различия, в основном, проявляются в очертаниях границ. Разделение на сектора в умеренной (равнинной зоне) на карте экозон выглядит более резким и обобщенным (четко выраженная зона умеренных степей).


Рис. 16.11 Природная зональность Северной Америки: a) карта биоклиматических экологических зон, b) зоны, полученные изокластерным анализом по шести переменным

Модель изокластеров Северной Америки содержит в равнинной части дополнительную подзону, расположившуюся между влажными субтропическими лесами и лесами умеренного пояса. Обширный восточный сектор Канады, напротив, в нашей модели представлен единым ареалом, а на карте М.Метцгера содержит две зоны – зону бореальных хвойных лесов и зону (подзону) лесотундры. Остальные различия, касающиеся прежде всего зон высотной поясности на Западе Северо-Американского континента, можно объяснить более высокой точностью моделирования, в результате чего границы зон на карте выглядят в модели локально дифференцированными по рельефу.


Рис. 16.12 Природная зональность Южной Америки: a) карта биоклиматических экологических зон, b) зоны, полученные изокластерным анализом по шести переменным

Южная Америка Рис. 16.12 также демонстрирует неплохое «попадание» в набор и взаиморасположение основных зон. Набор высотной поясности Анд в модели изокластера представлен более точно «посаженными на рельеф» и континуальными ареалами, причем дифференциация выявлена по обе стороны центральных хребтов. Ареал экваториальных дождевых лесов в чуть сдвинут к северу, занимает меньшую площадь и разорван «вторжением» контуров тропического влажного лиственного леса. Более сложно дифференцирована по рельефу и зона тропических сухих лесов (Tropical dry forest).


Рис. 16.13 Природная зональность Африки: a) карта биоклиматических экологических зон, b) зоны, полученные изокластерным анализом по шести переменным

Различия в зональной дифференциации Африки существенны Рис. 16.13: на классической карте экозон присутствуют выраженные зоны влажных экваториальных и субэкваториальных лесов, а также симметричная относительно экватора зона сухих тропических лесов. В нашей модели зона дождевых лесов (экваториальных) занимает всю чашу Конго; остальные зоны распределились к северу и к югу от экватора ассиметрично: обширная северная субэкваториальная (скорее – тропическая зона) и очень крупная зона сухих тропиков к югу. И напротив монолитная зона тропических пустынь (Сахара), на карте экозон имеющая разрывы только в ареалах крупнейших эргов и рэгов, в пределах модели разделилась на две «подзоны», сконфигурированные согласно расстоянию от Средиземного моря.


Рис. 16.14 Природная зональность Европы: a) карта биоклиматических экологических зон, b) зоны, полученные изокластерным анализом по шести переменным

Природные зоны Европы в варианте изокластерной модели Рис. 16.14 выглядит ближе к схеме, принятой в отечественной географии (восточный сектор разделен на три крупные зоны (условная «тайга», хвойно-широколиственные леса и степи). В Центральной Европе лесная зона модели в большей степени дифференцирована высотной зональностью Альп и Карпат, при этом интересно, что дифференциация крупных полуостровов и островов Европы практически идентична на обеих картах.

Положение северной границы субтропиков совпадает с рубежом на карте экологического районирования Европы М. Метцгера [Metzger et al., 2005], особенно в пределах Паданской равнины и приморских районов Франции; четко выделяются термофильные типы ландшафтов на юге субтропического пояса на Пиренейском полуострове и востоке Балкан. Детально отразилась высотная зональность высоко- (Альпы, Пиренеи) и среднегорий (Карпаты, Шотландское нагорье). В то же самое время есть и некоторые расхождения с составленными ранее поясно-зональными схемами. Так, территория к югу от Луары, соответствующая зоне термофильных дубово-широколиственных лесов, попала в ту же биоклиматическую зону, что и широколиственные лесостепи и степи Придунайских равнин; запад Аквитании и Галисия оказались в условиях субтропического или переходного к нему климата; заметим, что на карте экологических зон Европы они выделяются в виде особой Лузитанской экозоны. Такого рода несоответствия отмечаются и в др. работах [Ergüner еt al., 2019], что рассматривается авторами как стандартная ошибка.

Таким образом, полученные в результате кластеризации климатических переменных границы носят отчетливый поясно-зональный характер, в целом выявляют основные закономерности природно-климатической дифференциации Европы и могут служить для дальнейшей типологии ландшафтов с помощью геопространственного моделирования.


16.5. Возможности локализации модели изокластерного анализа

Каким образом могут быть оптимизированы результаты классификации по набору переменных, полученные с помощью изокластерного анализа? По крайней мере одна из траекторий возможной оптимизации очевидна - локализация модели. Построенная модель изокластеров (природных зон) отражает распределение совокупности выбранных признаков по всем материкам. Хорошо известно, что даже в пределах одной природной зоны (если говорить об общепринятой природно-ландшафтной зональности) разброс критических важных параметров тепла и влаги может быть достаточно большим. Но насколько этот разброс значителен в пределах условных зон, полученных в нашей модели?

Для ответа на этот вопрос необходимо извлечь значения шести использованных биоклиматических параметров в полигоны шейпфайла полученных зон. Проще всего это сделать с помощью инструмента Grid Statistics for Polygons|Статистика растра в полигоны» набора Shapes Grid Tools группы Shapes SAGA GIS, извлекающего статистики, среди которых нас могут интересовать: Mean|среднее значение, Min|минимальное значение, Max |максимальное значение, Range|диапазон значений, Variance|дисперсия (разброс). На выходе процедуры - таблица атрибутов слоя с рассчитанными характеристиками.

.
Рис. 16.15 Скриншот атрибутивной таблицы шейпа изокластерных зон после операции Grid Statistics for Polygons

Таблица слоя с данными биоклиматических переменных делает возможным две аналитические операции: во-первых, мы можем оценить значения переменных для каждой "зоны", причем включая не только те признаки, по которым проводился анализ, но и любые другие из базы данных Bioclimatic variables (где значения представлены в их "первозданном" физическом виде). Это позволяет соотнести полученные зоны с традиционными природно-ландшафтными зонами.


Рис. 16.16 Графики некоторых биоклиматических параметров для 22 зон изокластеров (сверху вниз, слева направо): a) годовая амплитуда температур, b) среднегодовое количество осадков, c) сезонность температур, d) годовая сезонность осадков

Анализ графиков и модели позволяет (более-менее "правдоподобно") сопоставить полученные зоны с традиционными:


зона 20 - субэкваториальные влажные листопадные леса,
зона 17 - пустыни и полупустыни субтропического и тропического пояса
зона 16 - редколесья летнесухие и субтропические степи
зона 13 - субтропические хвойные и жестколистные леса и редколесья
зона 8 - лесостепи и степи
зона 7 - тайга и смешанные леса, и т.д.

Другие, интересующие нас характеристики также содержатся в таблице статистик - это разброс (Range) и дисперсия (Variance) значений внутри отдельных зон по разным параметрам. Рассмотрим два базовых значения - среднегодовые значения температур и годовое количество осадков (Рис. 16.17)


Рис. 16.17 Графики дисперсии (Variance) для 22 зон изокластеров (сверху вниз, слева направо): a) среднегодовые температуры, b) годовое количество осадков, c) изотермальность, d) сезонность осадков

Как можно убедиться в пределах "континентальных" (поскольку речь идет только о территории материков - без океанов) условных природных зон разброс значений весьма различен. Некоторые зоны по отдельным параметрам достаточно гомогенны, таковыми выглядят, например, зона тайги умеренного пояса северного полушария по параметру годового количества осадков, в то время как другие, например, лесостепи "выдают" существенный разброс значений. В общем случае можно заметить, что большим разбросом отличаются так называемые "переходные" (т.е., экотонные - в классическом смысле) зоны. Так в зоне 9 - переходной от сухих степей к полупустыням - можно видеть большой разброс по среднегодовым температурам. Для лучшего понимания можно построить scatterplot|диаграмму рассеяния по любым двум значимым признакам, например, среднегодовой температуре и годовому количеству осадков.


Рис. 16.18 Разброс значений в пределах зон по двум переменным - среднегодовая температура и годовое количество осадков

График разброса по двум значениям хорошо иллюстрирует суть изокластерной классификации: алгоритм "примиряет" различия значений двух факторов настолько, насколько это вообще возможно, но при этом выделяются зоны с явным вылетом значений, являющихся "жертвой глобализации" всего подхода. Будет логичным предположить, что способом избавления от подобных несовершенств является локализация модели, т.е., использование на входе не общепланетарных гридов биоклиматических переменных, а фрагментов, ограниченных контуром конкретного ареала, например - одной части света. Попытаемся проверить это положение на примере Европы.

Для реализации идеи вырежем исходные данные (6 выбранных биоклиматических переменных) маской границ Европы - в ArcMAP10.x инструмент Clip Data Managment Tools>>Raster>>Radter Ppocessing с опцией Use Input Features for Clipping Geometry.


Рис. 16.19 Растр биоклиматических показателей для Европы (классификация на 10 таксонов Natural Breaks): a) годовой амплитуды температур, b) годовой сезонности осадков

Обращаем внимание на сужение диапазона значений: так если для мира диапазон годовой амплитуды температур 72,8°, то для Европы - 41°, аналогично для мира диапазон годовой сезонности осадков - 235 мм, для Европы - 97 мм. Далее запускаем процедуру изокластерного анализа с ориентировочным числом природных зон - 15.


Рис. 16.20 Изокластерные зоны по локализованным параметрам для Европы

Полученный результат (Рис. 16.20) явно детальнее, чем общепринятые природно-ландшафтные зоны, и здесь мы неизбежно сталкиваемся со сложностями интерпретации. Чем более локализована модель, тем большей точности можно достигать в отношении очертаний границ природных зон, а также в выделении так называемых «подзон», являющихся по сути, переходными полосами между «основными» зонами. Локализованные модели даже в большей степени чем глобальная «склонны» реагировать на детали мезорельефа гор, плато и возвышенных равнин, вследствие чего конфигурация самой границы между зонами усложняется.

Это обстоятельство открывает возможность делимитации единиц дифференциации различной размерности - физико-географических районов, групп ландшафтов и т.д. (вопрос о том, что это за единицы остается дискуссионным, поскольку в парадигме моделирования размерность получаемых матриц достаточно условна). Однако следует отметить, что и при традиционном (экспертном) выделении геосистем существовала скорее неопределенная «линейка» объектов различной размерностей (со страновыми традициями и особенностями научных школ), чем строгая иерархическая классификация, поскольку очевидно, что в разных странах и географических школах иерархия «системных геоэкологических сущностей» различались как по общему числу вложенных категорий, так и по их масштабу.


Таблица 16.3 Страновые различия пространственной иерархии системных «экологических сущностей»
Россия (ранее в пределах СССР и союзных республиках) США Великобритания Канада Австралия
Природные зоны Ecozone Ecozone
Domain Land Zone Ecoprovince
Провинция Province Land Region Ecoregion
Section Land District Eco-district
Ландшафт
Местность District Land System Eco-section Land System
Урочище Landtype Association Land Type Ecosite
Land Unit
Landtype Land Phase Land Type
Landtype Phase Eco-element Site
Фация Landscape Site

В этом смысле очень непросто найти аналог следующему (за природно-ландшафтными) зонами уровню экосистем - понятие экопровинций или экодоменов не соответствует вполне понятию подзоны, с другой стороны, понятию природный ландшафт в классическом «размерном» толковании российских географов вообще чрезвычайно сложно найти соответствие в мировой науке.

Однако различаются не только иерархия но и алгоритмы дифференциации, что привело к путанице концепций и невозможности прямого сравнения отображаемых объектов. Была поставлена специальная задача разработки общего алгоритма картирования экосистем и создания своего рода всемирной компиляции экологических сущностей The Global Earth Observations Ecosystem Mapping.

Для программы ЮНЕСКО "Человек и биосфера» была разработана Стратификация биогеографических провинций мира, в рамках которой различаются восемь уровней экологических сущностей, начиная от самого общепланетарных и заканчивая локальными:

  1. eco-zone/экозона,
  2. eco-province/экопровинция,
  3. eco-region/экорегион,
  4. eco-district/экорайон,
  5. eco-section/экосекция,
  6. eco-site/экоузел,
  7. eco-tope/экоэтоп,
  8. eco-element/экоэлемент.

Прагматическое применение экосистемных концепций ориентировано на то, что экосистемы являются географически дискретными образованиями, и что их размерность более-менее совпадают с уровнями, на которых обычно происходит деятельность человека и реализуются процедуры управления. В рамках рассматриваемой модели нас интересовала возможность «выхода» на уровень, который примерно соответствовал бы уровню экорегиона или экосекции (т.е., 4-5 уровень данной классификации).

Итак, локализация модели, т.е., ограничение пространства моделирования означает уменьшение диапазона разброса значений вовлеченных характеристик. С другой стороны, «заказ» (при реализации модели) большего числа конечных классов при условии меньшего расстояния между посеянными образцами предполагает обнаружение на выходе модели неких более крупномасштабных географических сущностей. В качестве примера приведем результат изокластерной классификации территории Европы для 72 таксонов (Рис. 16.21).


Рис. 16.21 Изокластерная классификация на 72 класса по локализованным параметрам для Европы

Результаты такого моделирования, безусловно, требуют внимательного анализа и интерпретации. Тем не менее определенные закономерности могут быть выявлены уже на данном этапе.

1. Локализация с увеличением числа классов неплохо «работает» на территориях с явной дифференциацией форм мезорельефа и разделением экосистем соответствующего уровня (при том, что собственно растр рельефа не использован в модели); таковы в частности полученные ареалы в пределах территории Англии, Франции, отчасти – внутренней Испании

2. В горных областях увеличение числа классов приводит к дроблению привычных очертаний поясов высотной поясности, но можно предположить, что при «ручном» рисовании они безосновательно подвергаются генерализации.

3. На территории «великих равнин» локализация приводит к выделению целого набора «подзон», которым, на первый взгляд, сложно дать интерпретацию, но общее количество не представляется столь уж избыточным, если вспомнить, что в пределах Русской равнины зона тайги делится на три-четыре подзоны.

4. Модель в целом обнаруживает неплохое соответствие с европейской классификацией ландшафтов.