Журнал общей биологии, 2023, T. 84, № 2, стр. 114-126
Тринадцать лет мониторинга ценопопуляции Eritrichium caucasicum: стохастическая скорость роста в условиях репродуктивной неопределенности
Д. О. Логофет 1, *, Л. Л. Голубятников 1, Е. С. Казанцева 1, Н. Г. Уланова 2, **, М. И. Хомутовский 1, 2, Д. К. Текеев 3
1 Институт физики атмосферы им. А.М. Обухова РАН, лаборатория математической экологии
119017 Москва, Пыжевский пер., 3, Россия
2 Московский государственный университет им. М.В. Ломоносова, биологический факультет,
кафедра экологии и географии растений
119234 Москва, Ленинские горы, 1, Россия
3 ФГБУ “Тебердинский национальный парк”
369210 Теберда, Бадукский пер., 1, КЧР, Россия
* E-mail: danilal@postman.ru
** E-mail: nulanova@mail.ru
Поступила в редакцию 30.09.2022
После доработки 05.11.2022
Принята к публикации 23.03.2023
- EDN: RAJPJI
- DOI: 10.31857/S0044459623020045
Аннотация
Стадийную структуру ценопопуляции незабудочника кавказского Eritrichium caucasicum наблюдали на постоянных площадках в альпийском поясе Северо-Западного Кавказа ежегодно в течение 13 лет (2009–2021 гг.), накапливая данные типа “идентифицированные особи от неизвестных родителей”. Последнее обстоятельство предопределило то, что называется репродуктивной неопределенностью в терминологии матричных моделей динамики популяций с дискретной структурой – невозможность однозначно калибровать коэффициенты годичного пополнения, присущие группам генеративных растений и генеративных последнего цветения. В результате вместо годичных значений асимптотической скорости роста модель дает лишь определенные, изменяющиеся год от года диапазоны их значений, отвечающие данным, и это привносит не только технические сложности, но и делает неопределенным прогноз жизнеспособности на основе асимптотической скорости роста. Известный альтернативный подход состоит в оценке стохастической скорости роста λS, однако в литературе предлагались лишь искусственные модели случайности, участвующие в расчетах λS. Наша реалистичная модель случайности связана с вариациями погодных и микроклиматических условий местообитания и восстановлена по достаточно длинному (60 лет) временнóму ряду погодного показателя. Ее использование в расчетах λS методом Монте-Карло обеспечивает более надежную и точную оценку стохастической скорости роста.
Когда рассматривается вопрос об оценке жизнеспособности ценопопуляции растений по данным многолетнего мониторинга ее структуры, традиционный для отечественной школы ботаники подход через определение различных морфологических индексов (критику и ссылки см. в работе Логофет и др., 2019) уступает место новой парадигме популяционного исследования – построению и анализу матричных моделей динамики популяций с дискретной структурой (Логофет, Уланова, 2021). В этой парадигме 13 лет мониторинга стадийной структуры ценопопуляции обеспечивают данные для калибровки 12 проекционных матриц популяции (ПМП) – главного инструмента дальнейшего анализа модели (Логофет, Уланова, 2021), причем каждая пара последовательных лет дает свою годичную ПМП.
Среди многих, связанных с матричными моделями концепций, понятие стохастической скорости роста популяции (Cohen, 1979; Tuljapurkar, 1986, 1990; Caswell, 2001; Sanz, 2019) отличается и привлекательным термином, и элегантностью формализма. Суть понятия состоит в том, что “популяция развивается в случайно изменяющейся среде и каждая годичная ПМП считается опосредованным выражением того комплекса условий среды, под действием которого определенный набор демографических параметров – элементов этой матрицы – сформировался к моменту очередного наблюдения” (Логофет, Уланова, 2021, с. 251). Тогда “случайная среда”, изменяющаяся в долгой череде лет, эквивалентна смене матриц в столь же длинной последовательности, а случайно меняющаяся среда эквивалентна случайному выбору матрицы из доступного набора годичных ПМП на каждом шаге этой последовательности (Логофет и др., 2019).
Этот случайный выбор, точнее заключенная в нем модель случайности, составляет главную проблему в деле практического применения концепции стохастической скорости роста с целью оценить жизнеспособность популяции и дать долгосрочный прогноз ее динамики. Понятно, что такая модель должна быть связана с вариациями условий конкретного местообитания, и возможный способ такой связи был предложен нами для мониторинга ценопопуляций альпийских малолетников Androsace albana (Logofet et al., 2020b) и Eritrichium caucasicum (Logofet et al., 2021) на более коротких отрезках времени, причем дал обнадеживающие результаты в обоих случаях.
Репродуктивная неопределенность (reproductive uncertainty) – это термин, введенный (Логофет, 2010) для обозначения объективной особенности жизненного цикла особей и соответствующих ему данных по структуре популяции, которые не позволяют однозначно определить статус-специфические коэффициенты пополнения популяции. У незабудочника E. caucasicum такая особенность есть (Логофет и др., 2016б) и “в данных объективно присутствует неопределенность, не позволяющая вычислить статусноспецифические коэффициенты репродукции столь же просто и непосредственно, как прочие демографические параметры” (Логофет, 2010, с. 31).
В настоящей работе стохастическая скорость роста ценопопуляции E. caucasicum в альпийском местообитании оценивается по данным более длинного, 13-летнего мониторинга ее стадийной структуры. После описания объекта исследования и характера данных в Разделе 1, в Разделе 2 мы предлагаем краткий экскурс в формализм матричных моделей и излагаем концепцию стохастической скорости роста на данном примере E. caucasicum. В Разделе 3 представлен наш оригинальный метод построения модели случайности, которая “связана с вариациями условий конкретного местообитания” (альпийской пустоши) и используется нами в оценке стохастической скорости роста. Раздел 4 посвящен изложению полученных результатов, которые комментируются и обсуждаются в Разделе 5.
1. ОБЪЕКТ ИССЛЕДОВАНИЯ И ХАРАКТЕР ДАННЫХ
Незабудочник кавказский Eritrichium caucasicum (Albov) Grossh. – травянистый дву- или малолетний полурозеточный поликарпик (Попов, 1953; Зернов, 2006, 2015; Ахметжанова и др., 2009). Этот светолюбивый вид произрастает на лугах и скалах в субальпийском, альпийском и субнивальном поясах на высоте 2000−3000 м (Попов, 1953; Гроссгейм, 1967; Цепкова, 1987; Зернов, 2006). Очень медленно восстанавливается после нарушений, так как его семенная продукция невысока, а вегетативное размножение отсутствует (Батчаева, 2005).
Исследование ценопопуляции E. caucasicum проводили в Карачаево-Черкесской Республике на территории Тебердинского национального парка на горе Малая Хатипара, высота над уровнем моря 2800 м. Наблюдения проводили по общепринятой методике изучения ценопопуляций в естественной среде обитания на постоянных площадях (Работнов, 1950а, б; Полевая геоботаника, 1960; Программа и методика…, 1986; Современные подходы…, 2008). В 2009 г. в пределах одного фитоценоза (альпийская лишайниковая пустошь) были заложены постоянные площадки размером 0.25 × 0.25 м, общей площадью 0.625 м2. Признавая мозаичность пространственного распределения альпийского фитоценоза (Onipchenko, 2002; Казанцева, 2016) фактором сохранения изучаемых популяций, в полевой сезон 2020 г. дополнительно были заложены еще постоянные площадки в пределах того же фитоценоза – две трансекты размером 1.5 × 0.25 м.
Сбор данных по картированию маркированных особей, или мониторинг, проводили ежегодно в августе, отмечая обновленные онтогенетические стадии закартированных ранее особей и пополнение популяции молодыми растениями согласно известной шкале онтогенеза (Казанцева, 2016; Логофет и др., 2016б) (рис. 1).
Все стадии онтогенеза имеют определенные морфологические признаки как в надземной, так и в подземной части, и 13 лет мониторинга структуры ценопопуляции соответствующим образом дополнили историю ее изменений (табл. 1).
Таблица 1.
Стадия | Численность стадийных групп в год наблюдения | ||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
2009 | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | |
j | 149 | 31 | 150 | 211 | 119 | 99 | 49 | 73 | 13 | 49 | 72 | 7 | 19 |
v | 80 | 136 | 129 | 181 | 296 | 166 | 128 | 103 | 75 | 66 | 42 | 45 | 28 |
g | 10 | 9 | 10 | 9 | 6 | 11 | 17 | 1 | 5 | 3 | 1 | 13 | 15 |
gt | 4 | 1 | 3 | 7 | 1 | 4 | 8 | 1 | 1 | 1 | 1 | 2 | 3 |
Всего за 13 лет наблюдений с 2009 по 2021 г. для E. caucasicum было маркировано 1313 особей, из которых 76 особей были впервые закартированы на новых площадках 2020 г. В 2021 г. на новых площадках были впервые прослежены онтогенетические переходы и отмечено пополнение из 19 ювенильных особей.
В данных мониторинга прослеживается развитие каждого растения данного вида по стадиям онтогенеза, однако определению не поддается то, в какой стадии (g или gt) находилось родительское растение каждой особи пополнения. Это обстоятельство уточняет характер данных мониторинга как “идентифицированные особи с неопределенными родителями” (Логофет, 2010, с. 30), после чего и возникает понятие “репродуктивная неопределенность” (Логофет и др., 2016б, с. 111), формализация которого представлена в следующем разделе.
2. ОСНОВНЫЕ ПОНЯТИЯ ФОРМАЛИЗМА МАТРИЧНОЙ МОДЕЛИ ПОПУЛЯЦИИ
2.1. Граф жизненного цикла E. caucasicum
Граф жизненного цикла (ГЖЦ) особей определенного вида – это краткое графическое представление наших знаний о том, как особи развиваются от рождения до смерти и когда производят потомство. ГЖЦ согласован со шкалой онтогенеза и строго соответствует структуре рассматриваемой популяции: его вершины (или узлы) соответствуют компонентам вектора структуры, а направленные ребра (или дуги) показывают переходы, которые особи совершают (или могли бы совершить) между структурными группами за фиксированный промежуток времени Δt, называемый временны́м шагом.
На рис. 2 показан ГЖЦ E. caucasicum, который согласован со стадийной структурой ценопопуляции, ежегодно наблюдаемой в поле.
Поскольку стадию проростка и ювенильную растение проходит за один сезон, их объединили в одну стадию j. Направленные в нее дуги ГЖЦ следует понимать как виртуальное пополнение. Параметры семенного размножения весьма неопределенны в полевых условиях, и потому стадия семени сознательно исключена из модельного жизненного цикла. Возможность и корректность такого исключения при калибровке модели по данным типа “идентифицированные особи” была доказана математически (Логофет и др., 2016б, Приложение А; Logofet et al., 2020a), а для данных типа “идентифицированные особи от неизвестных родителей” детально обсуждается в Разделе 5.
По общей направленности развития особи ГЖЦ воспроизводит шкалу онтогенеза, однако наличие в жизненном цикле нетривиальных задержек $ \circlearrowleft $ на стадиях v и g, возврата v ← g, а также ускоренного перехода v gt есть проявление поливариантности онтогенеза (Жукова, 1983, 1986; Жукова, Комаров, 1990) E. caucasicum в условиях альпийского пояса Северо-Западного Кавказа (Логофет и др., 2016б). Смысл параметров a, b, …, k, l, приписанных дугам ГЖЦ, разъясняется в следующем разделе.
2.2. Основное модельное уравнение
Заданный ГЖЦ (рис. 2) и соответствующую ему ПМП (L) связывает фундаментальное соотношение, давно установленное между ориентированным графом и ассоциированной с ним матрицей (Harary et al., 1965; Логофет, Уланова, 2018), в результате чего L имеет следующее строение (pattern):
(1)
$L = \left[ {\begin{array}{*{20}{c}} {\begin{array}{*{20}{c}} 0&0 \\ c&d \end{array}}&{\begin{array}{*{20}{c}} a&b \\ e&0 \end{array}} \\ {\begin{array}{*{20}{c}} 0&f \\ 0&k \end{array}}&{\begin{array}{*{20}{c}} h&0 \\ l&0 \end{array}} \end{array}} \right];\,\,\,\,a,\,\,b,\,\, \ldots ,\,\,k,\,\,l \geqslant 0.$Неотрицательные элементы матрицы L называются демографическими параметрами, или vital rates (Caswell, 2001). Их количественные значения априори не известны, однако данные наблюдений двух последовательных лет позволяют однозначно вычислить (калибровать) все из них, кроме a и b – параметров пополнения, – как частоты соответствующих событий перехода, зафиксированных в наблюдениях (Logofet et al., 2021, Table 2). Если g(t) и gt(t) суть численности генеративных и терминально генеративных, а j(t + 1) – ювенильных растений, наблюдаемых в последовательные годы t и t + 1, то значения a и b связаны очевидным соотношением, вытекающим из строения ГЖЦ:
которое можно назвать уравнением пополнения. Оно выражает формальный смысл репродуктивной неопределенности: неопределенные параметры пополнения определены с точностью до определенного линейного соотношения (2).Таблица 2.
t j = t – 2008 |
Матрица L(a; t) = Lj(a) | Уравнение пополнения {значения a} a°, λ1(a°)1) |
Диапазон λ1(L(t)) | |
---|---|---|---|---|
λ1min | ${{\lambda }}_{1}^{{\max }}$ | |||
2009 1 |
$\left[ {\begin{array}{*{20}{c}} 0&0&a&{{\raise0.7ex\hbox{${(31 - 10a)}$} \!\mathord{\left/ {\vphantom {{(31 - 10a)} 4}}\right.\kern-0em} \!\lower0.7ex\hbox{$4$}}} \\ {{\raise0.7ex\hbox{${68}$} \!\mathord{\left/ {\vphantom {{68} {149}}}\right.\kern-0em} \!\lower0.7ex\hbox{${149}$}}}&{{\raise0.7ex\hbox{${63}$} \!\mathord{\left/ {\vphantom {{63} {80}}}\right.\kern-0em} \!\lower0.7ex\hbox{${80}$}}}&{{\raise0.7ex\hbox{$5$} \!\mathord{\left/ {\vphantom {5 {10}}}\right.\kern-0em} \!\lower0.7ex\hbox{${10}$}}}&0 \\ 0&{{\raise0.7ex\hbox{$6$} \!\mathord{\left/ {\vphantom {6 {80}}}\right.\kern-0em} \!\lower0.7ex\hbox{${80}$}}}&{{\raise0.7ex\hbox{$3$} \!\mathord{\left/ {\vphantom {3 {10}}}\right.\kern-0em} \!\lower0.7ex\hbox{${10}$}}}&0 \\ 0&{{\raise0.7ex\hbox{$0$} \!\mathord{\left/ {\vphantom {0 {80}}}\right.\kern-0em} \!\lower0.7ex\hbox{${80}$}}}&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 {10}}}\right.\kern-0em} \!\lower0.7ex\hbox{${10}$}}}&0 \end{array}} \right]$ | $\begin{gathered} 10a + 4b = 31; \\ \left\{ {0,\,\,\frac{1}{{10}},\,\,\frac{2}{{10}},\,\, \ldots ,\,\,\frac{{31}}{{10}}} \right\} \\ \frac{{14}}{{10}},\,\,0.948257 \\ \end{gathered} $ | 0.903487 | 0.994929 |
2010 2 |
$\left[ {\begin{array}{*{20}{c}} 0&0&a&{{\raise0.7ex\hbox{${(150 - 9a)}$} \!\mathord{\left/ {\vphantom {{(150 - 9a)} 1}}\right.\kern-0em} \!\lower0.7ex\hbox{$1$}}} \\ {{\raise0.7ex\hbox{${17}$} \!\mathord{\left/ {\vphantom {{17} {31}}}\right.\kern-0em} \!\lower0.7ex\hbox{${31}$}}}&{{\raise0.7ex\hbox{${106}$} \!\mathord{\left/ {\vphantom {{106} {136}}}\right.\kern-0em} \!\lower0.7ex\hbox{${136}$}}}&{{\raise0.7ex\hbox{$6$} \!\mathord{\left/ {\vphantom {6 {10}}}\right.\kern-0em} \!\lower0.7ex\hbox{${10}$}}}&0 \\ 0&{{\raise0.7ex\hbox{$9$} \!\mathord{\left/ {\vphantom {9 {136}}}\right.\kern-0em} \!\lower0.7ex\hbox{${136}$}}}&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 9}}\right.\kern-0em} \!\lower0.7ex\hbox{$9$}}}&0 \\ 0&{{\raise0.7ex\hbox{$2$} \!\mathord{\left/ {\vphantom {2 {136}}}\right.\kern-0em} \!\lower0.7ex\hbox{${136}$}}}&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 9}}\right.\kern-0em} \!\lower0.7ex\hbox{$9$}}}&0 \end{array}} \right]$ | $\begin{gathered} 9a + b = 150; \\ \left\{ {0,\,\,\frac{1}{9},\,\,\frac{2}{9},\,\, \ldots ,\,\,\frac{{150}}{9}} \right\} \\ \frac{{87}}{9},\,\,1.383299 \\ \end{gathered} $ | 1.246008 | 1.520056 |
2011 3 |
$\left[ {\begin{array}{*{20}{c}} 0&0&a&{{\raise0.7ex\hbox{${(211 - 10a)}$} \!\mathord{\left/ {\vphantom {{(211 - 10a)} 3}}\right.\kern-0em} \!\lower0.7ex\hbox{$3$}}} \\ {{\raise0.7ex\hbox{${76}$} \!\mathord{\left/ {\vphantom {{76} {150}}}\right.\kern-0em} \!\lower0.7ex\hbox{${150}$}}}&{{\raise0.7ex\hbox{${101}$} \!\mathord{\left/ {\vphantom {{101} {129}}}\right.\kern-0em} \!\lower0.7ex\hbox{${129}$}}}&{{\raise0.7ex\hbox{$4$} \!\mathord{\left/ {\vphantom {4 {10}}}\right.\kern-0em} \!\lower0.7ex\hbox{${10}$}}}&0 \\ 0&{{\raise0.7ex\hbox{$7$} \!\mathord{\left/ {\vphantom {7 {129}}}\right.\kern-0em} \!\lower0.7ex\hbox{${129}$}}}&{{\raise0.7ex\hbox{$2$} \!\mathord{\left/ {\vphantom {2 {10}}}\right.\kern-0em} \!\lower0.7ex\hbox{${10}$}}}&0 \\ 0&{{\raise0.7ex\hbox{$4$} \!\mathord{\left/ {\vphantom {4 {129}}}\right.\kern-0em} \!\lower0.7ex\hbox{${129}$}}}&{{\raise0.7ex\hbox{$3$} \!\mathord{\left/ {\vphantom {3 {10}}}\right.\kern-0em} \!\lower0.7ex\hbox{${10}$}}}&0 \end{array}} \right]$ | $\begin{gathered} 10a + 3b = 211; \\ \left\{ {0,\,\,\frac{1}{{10}},\,\,\frac{2}{{10}},\,\, \ldots ,\,\,\frac{{211}}{{10}}} \right\} \\ \frac{{121}}{{10}},\,\,1.371439 \\ \end{gathered} $ | 1.247556 | 1.494775 |
2012 4 |
$\left[ {\begin{array}{*{20}{c}} 0&0&a&{{\raise0.7ex\hbox{${(119 - 9a)}$} \!\mathord{\left/ {\vphantom {{(119 - 9a)} 7}}\right.\kern-0em} \!\lower0.7ex\hbox{$7$}}} \\ {{\raise0.7ex\hbox{${137}$} \!\mathord{\left/ {\vphantom {{137} {211}}}\right.\kern-0em} \!\lower0.7ex\hbox{${211}$}}}&{{\raise0.7ex\hbox{${153}$} \!\mathord{\left/ {\vphantom {{153} {181}}}\right.\kern-0em} \!\lower0.7ex\hbox{${181}$}}}&{{\raise0.7ex\hbox{$6$} \!\mathord{\left/ {\vphantom {6 9}}\right.\kern-0em} \!\lower0.7ex\hbox{$9$}}}&0 \\ 0&{{\raise0.7ex\hbox{$6$} \!\mathord{\left/ {\vphantom {6 {181}}}\right.\kern-0em} \!\lower0.7ex\hbox{${181}$}}}&{{\raise0.7ex\hbox{$0$} \!\mathord{\left/ {\vphantom {0 9}}\right.\kern-0em} \!\lower0.7ex\hbox{$9$}}}&0 \\ 0&0&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 9}}\right.\kern-0em} \!\lower0.7ex\hbox{$9$}}}&0 \end{array}} \right]$ | $\begin{gathered} 9a + 7b = 119; \\ \left\{ {0,\,\,\frac{1}{9},\,\,\frac{2}{9},\,\, \ldots ,\,\,\frac{{119}}{9}} \right\} \\ \frac{{52}}{9},\,\,1.010985 \\ \end{gathered} $ | 0.921284 | 1.100408 |
2013 5 |
$\left[ {\begin{array}{*{20}{c}} 0&0&a&{{\raise0.7ex\hbox{${(99 - 6a)}$} \!\mathord{\left/ {\vphantom {{(99 - 6a)} 7}}\right.\kern-0em} \!\lower0.7ex\hbox{$7$}}} \\ {{\raise0.7ex\hbox{${23}$} \!\mathord{\left/ {\vphantom {{23} {119}}}\right.\kern-0em} \!\lower0.7ex\hbox{${119}$}}}&{{\raise0.7ex\hbox{${129}$} \!\mathord{\left/ {\vphantom {{129} {296}}}\right.\kern-0em} \!\lower0.7ex\hbox{${296}$}}}&{{\raise0.7ex\hbox{$4$} \!\mathord{\left/ {\vphantom {4 6}}\right.\kern-0em} \!\lower0.7ex\hbox{$6$}}}&0 \\ 0&{{\raise0.7ex\hbox{$9$} \!\mathord{\left/ {\vphantom {9 {296}}}\right.\kern-0em} \!\lower0.7ex\hbox{${296}$}}}&{{\raise0.7ex\hbox{$2$} \!\mathord{\left/ {\vphantom {2 6}}\right.\kern-0em} \!\lower0.7ex\hbox{$6$}}}&0 \\ 0&{{\raise0.7ex\hbox{$4$} \!\mathord{\left/ {\vphantom {4 {296}}}\right.\kern-0em} \!\lower0.7ex\hbox{${296}$}}}&{{\raise0.7ex\hbox{$0$} \!\mathord{\left/ {\vphantom {0 6}}\right.\kern-0em} \!\lower0.7ex\hbox{$6$}}}&0 \end{array}} \right]$ | $\begin{gathered} 6a + b = 99; \\ \left\{ {0,\,\,\frac{1}{6},\,\,\frac{2}{6},\,\, \ldots ,\,\,\frac{{99}}{6}} \right\} \\ \frac{{49}}{6},\,\,0.822941 \\ \end{gathered} $ | 0.786419 | 0.858779 |
2014 6 |
$\left[ {\begin{array}{*{20}{c}} 0&0&a&{{\raise0.7ex\hbox{${(49 - 11a)}$} \!\mathord{\left/ {\vphantom {{(49 - 11a)} 4}}\right.\kern-0em} \!\lower0.7ex\hbox{$4$}}} \\ {{\raise0.7ex\hbox{${22}$} \!\mathord{\left/ {\vphantom {{22} {99}}}\right.\kern-0em} \!\lower0.7ex\hbox{${99}$}}}&{{\raise0.7ex\hbox{${103}$} \!\mathord{\left/ {\vphantom {{103} {166}}}\right.\kern-0em} \!\lower0.7ex\hbox{${166}$}}}&{{\raise0.7ex\hbox{$3$} \!\mathord{\left/ {\vphantom {3 {11}}}\right.\kern-0em} \!\lower0.7ex\hbox{${11}$}}}&0 \\ 0&{{\raise0.7ex\hbox{${14}$} \!\mathord{\left/ {\vphantom {{14} {166}}}\right.\kern-0em} \!\lower0.7ex\hbox{${166}$}}}&{{\raise0.7ex\hbox{$3$} \!\mathord{\left/ {\vphantom {3 {11}}}\right.\kern-0em} \!\lower0.7ex\hbox{${11}$}}}&0 \\ 0&{{\raise0.7ex\hbox{$3$} \!\mathord{\left/ {\vphantom {3 {166}}}\right.\kern-0em} \!\lower0.7ex\hbox{${166}$}}}&{{\raise0.7ex\hbox{$5$} \!\mathord{\left/ {\vphantom {5 {11}}}\right.\kern-0em} \!\lower0.7ex\hbox{${11}$}}}&0 \end{array}} \right]$ | $\begin{gathered} 11a + 4b = 49; \\ \left\{ {0,\,\,\frac{1}{{11}},\,\,\frac{2}{{11}},\,\, \ldots ,\,\,\frac{{49}}{{11}}} \right\} \\ \frac{{28}}{9},\,\,0.874279 \\ \end{gathered} $ | 0.837632 | 0.911936 |
2015 7 |
$\left[ {\begin{array}{*{20}{c}} 0&0&a&{{\raise0.7ex\hbox{${(73 - 17a)}$} \!\mathord{\left/ {\vphantom {{(73 - 17a)} 8}}\right.\kern-0em} \!\lower0.7ex\hbox{$8$}}} \\ {{\raise0.7ex\hbox{$9$} \!\mathord{\left/ {\vphantom {9 {49}}}\right.\kern-0em} \!\lower0.7ex\hbox{${49}$}}}&{{\raise0.7ex\hbox{${86}$} \!\mathord{\left/ {\vphantom {{86} {128}}}\right.\kern-0em} \!\lower0.7ex\hbox{${128}$}}}&{{\raise0.7ex\hbox{$8$} \!\mathord{\left/ {\vphantom {8 {17}}}\right.\kern-0em} \!\lower0.7ex\hbox{${17}$}}}&0 \\ 0&{{\raise0.7ex\hbox{$0$} \!\mathord{\left/ {\vphantom {0 {128}}}\right.\kern-0em} \!\lower0.7ex\hbox{${128}$}}}&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 {17}}}\right.\kern-0em} \!\lower0.7ex\hbox{${17}$}}}&0 \\ 0&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 {128}}}\right.\kern-0em} \!\lower0.7ex\hbox{${128}$}}}&{{\raise0.7ex\hbox{$0$} \!\mathord{\left/ {\vphantom {0 {17}}}\right.\kern-0em} \!\lower0.7ex\hbox{${17}$}}}&0 \end{array}} \right]$ | $\begin{gathered} 17a + 8b = 73; \\ \left\{ {0,\,\,\frac{1}{{17}},\,\,\frac{2}{{17}},\,\, \ldots ,\,\,\frac{{73}}{{17}}} \right\} \\ \frac{{38}}{9},\,\,0.685245 \\ \end{gathered} $ | 0.671875 | 0.698697 |
2016 8 |
$\left[ {\begin{array}{*{20}{c}} 0&0&a&{{\raise0.7ex\hbox{${(13 - a)}$} \!\mathord{\left/ {\vphantom {{(13 - a)} 1}}\right.\kern-0em} \!\lower0.7ex\hbox{$1$}}} \\ {{\raise0.7ex\hbox{${15}$} \!\mathord{\left/ {\vphantom {{15} {73}}}\right.\kern-0em} \!\lower0.7ex\hbox{${73}$}}}&{{\raise0.7ex\hbox{${60}$} \!\mathord{\left/ {\vphantom {{60} {103}}}\right.\kern-0em} \!\lower0.7ex\hbox{${103}$}}}&{{\raise0.7ex\hbox{$0$} \!\mathord{\left/ {\vphantom {0 1}}\right.\kern-0em} \!\lower0.7ex\hbox{$1$}}}&0 \\ 0&{{\raise0.7ex\hbox{$5$} \!\mathord{\left/ {\vphantom {5 {103}}}\right.\kern-0em} \!\lower0.7ex\hbox{${103}$}}}&{{\raise0.7ex\hbox{$0$} \!\mathord{\left/ {\vphantom {0 1}}\right.\kern-0em} \!\lower0.7ex\hbox{$1$}}}&0 \\ 0&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 {103}}}\right.\kern-0em} \!\lower0.7ex\hbox{${103}$}}}&{{\raise0.7ex\hbox{$0$} \!\mathord{\left/ {\vphantom {0 1}}\right.\kern-0em} \!\lower0.7ex\hbox{$1$}}}&0 \end{array}} \right]$ | $\begin{gathered} a + b = 13; \\ \left\{ {0,\,\,1,\,\,2,\,\, \ldots ,\,\,13} \right\} \\ 5,\,\,0.712283 \\ \end{gathered} $ | 0.644885 | 0.790195 |
2017 9 |
$\left[ {\begin{array}{*{20}{c}} 0&0&a&{{\raise0.7ex\hbox{${(49 - 5a)}$} \!\mathord{\left/ {\vphantom {{(49 - 5a)} 1}}\right.\kern-0em} \!\lower0.7ex\hbox{$1$}}} \\ {{\raise0.7ex\hbox{$5$} \!\mathord{\left/ {\vphantom {5 {13}}}\right.\kern-0em} \!\lower0.7ex\hbox{${13}$}}}&{{\raise0.7ex\hbox{${58}$} \!\mathord{\left/ {\vphantom {{58} {75}}}\right.\kern-0em} \!\lower0.7ex\hbox{${75}$}}}&{{\raise0.7ex\hbox{$3$} \!\mathord{\left/ {\vphantom {3 5}}\right.\kern-0em} \!\lower0.7ex\hbox{$5$}}}&0 \\ 0&{{\raise0.7ex\hbox{$2$} \!\mathord{\left/ {\vphantom {2 {75}}}\right.\kern-0em} \!\lower0.7ex\hbox{${75}$}}}&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 5}}\right.\kern-0em} \!\lower0.7ex\hbox{$5$}}}&0 \\ 0&{{\raise0.7ex\hbox{$0$} \!\mathord{\left/ {\vphantom {0 {75}}}\right.\kern-0em} \!\lower0.7ex\hbox{${75}$}}}&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 5}}\right.\kern-0em} \!\lower0.7ex\hbox{$5$}}}&0 \end{array}} \right]$ | $\begin{gathered} 5a + b = 49; \\ \left\{ {0,\,\,\frac{1}{5},\,\,\frac{2}{5},\,\, \ldots ,\,\,\frac{{494}}{5}} \right\} \\ \frac{{26}}{5},\,\,0.942585 \\ \end{gathered} $ | 0.939603 | 0.945573 |
2018 10 |
$\left[ {\begin{array}{*{20}{c}} 0&0&a&{{\raise0.7ex\hbox{${(72 - 3a)}$} \!\mathord{\left/ {\vphantom {{(72 - 3a)} 1}}\right.\kern-0em} \!\lower0.7ex\hbox{$1$}}} \\ {{\raise0.7ex\hbox{$2$} \!\mathord{\left/ {\vphantom {2 {49}}}\right.\kern-0em} \!\lower0.7ex\hbox{${49}$}}}&{{\raise0.7ex\hbox{${40}$} \!\mathord{\left/ {\vphantom {{40} {66}}}\right.\kern-0em} \!\lower0.7ex\hbox{${66}$}}}&0&0 \\ 0&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 {66}}}\right.\kern-0em} \!\lower0.7ex\hbox{${66}$}}}&0&0 \\ 0&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 {66}}}\right.\kern-0em} \!\lower0.7ex\hbox{${66}$}}}&0&0 \end{array}} \right]$ | $\begin{gathered} 3a + b = 72; \\ \left\{ {0,\,\,\frac{1}{3},\,\,\frac{2}{3},\,\, \ldots ,\,\,\frac{{72}}{3}} \right\} \\ \frac{{39}}{3},\,\,0.669523 \\ \end{gathered} $ | 0.642064 | 0.697567 |
2019 11 |
$\left[ {\begin{array}{*{20}{c}} 0&0&a&{{\raise0.7ex\hbox{${(7 - a)}$} \!\mathord{\left/ {\vphantom {{(7 - a)} 1}}\right.\kern-0em} \!\lower0.7ex\hbox{$1$}}} \\ {{\raise0.7ex\hbox{${31}$} \!\mathord{\left/ {\vphantom {{31} {72}}}\right.\kern-0em} \!\lower0.7ex\hbox{${72}$}}}&{{\raise0.7ex\hbox{${14}$} \!\mathord{\left/ {\vphantom {{14} {42}}}\right.\kern-0em} \!\lower0.7ex\hbox{${42}$}}}&{{\raise0.7ex\hbox{$0$} \!\mathord{\left/ {\vphantom {0 1}}\right.\kern-0em} \!\lower0.7ex\hbox{$1$}}}&0 \\ 0&{{\raise0.7ex\hbox{${12}$} \!\mathord{\left/ {\vphantom {{12} {42}}}\right.\kern-0em} \!\lower0.7ex\hbox{${42}$}}}&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 1}}\right.\kern-0em} \!\lower0.7ex\hbox{$1$}}}&0 \\ 0&{{\raise0.7ex\hbox{$2$} \!\mathord{\left/ {\vphantom {2 {42}}}\right.\kern-0em} \!\lower0.7ex\hbox{${42}$}}}&{{\raise0.7ex\hbox{$0$} \!\mathord{\left/ {\vphantom {0 1}}\right.\kern-0em} \!\lower0.7ex\hbox{$1$}}}&0 \end{array}} \right]$ | $\begin{gathered} a + b = 7; \\ \left\{ {0,\,\,1,\,\,2,\,\, \ldots ,\,\,7} \right\} \\ 2,\,\,1.237478 \\ \end{gathered} $ | 1.000000 | 1.495474 |
2020 12 |
$\left[ {\begin{array}{*{20}{c}} 0&0&a&{{\raise0.7ex\hbox{${(19 - 13a)}$} \!\mathord{\left/ {\vphantom {{(19 - 13a)} 2}}\right.\kern-0em} \!\lower0.7ex\hbox{$2$}}} \\ {{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 7}}\right.\kern-0em} \!\lower0.7ex\hbox{$7$}}}&{{\raise0.7ex\hbox{${26}$} \!\mathord{\left/ {\vphantom {{26} {45}}}\right.\kern-0em} \!\lower0.7ex\hbox{${45}$}}}&{{\raise0.7ex\hbox{$1$} \!\mathord{\left/ {\vphantom {1 {13}}}\right.\kern-0em} \!\lower0.7ex\hbox{${13}$}}}&0 \\ 0&{{\raise0.7ex\hbox{$9$} \!\mathord{\left/ {\vphantom {9 {45}}}\right.\kern-0em} \!\lower0.7ex\hbox{${45}$}}}&{{\raise0.7ex\hbox{$6$} \!\mathord{\left/ {\vphantom {6 {13}}}\right.\kern-0em} \!\lower0.7ex\hbox{${13}$}}}&0 \\ 0&0&{{\raise0.7ex\hbox{$3$} \!\mathord{\left/ {\vphantom {3 {13}}}\right.\kern-0em} \!\lower0.7ex\hbox{${13}$}}}&0 \end{array}} \right]$ | $\begin{gathered} 13a + 2b = 19; \\ \left\{ {0,\,\,\frac{1}{{13}},\,\,\frac{2}{{13}},\,\, \ldots ,\,\,\frac{{19}}{{13}}} \right\} \\ \frac{{11}}{{13}},\,\,0.816248 \\ \end{gathered} $ | 0.787582 | 0.845745 |
В уравнении (2) неизвестными выступают параметры a и b, а коэффициенты при них и левая часть уравнения суть целые числа, известные из наблюдений. Поэтому оно имеет конечное число решений, равное числу способов, какими известное количество особей пополнения можно составить из вкладов двух родительских групп. Если один из вкладов может быть нулевым, то это число равно j(t + 1) + 1.
Если через x(t) = [j(t), $v$(t), g(t), gt(t)]T обозначить вектор (-столбец) стадийной структуры, наблюдаемой в год t, то из ГЖЦ аналогичным образом следует основное модельное уравнение в векторно-матричной форме:
где годичная (annual) ПМП L(t) имеет строение (1) (примеры в табл. 3 из Логофет и др., 2016б). В силу репродуктивной неопределенности, уравнение (3) выполняется не для одной, а для целого (конечного) набора {L(t)} годичных матриц.Таблица 3.
Куда переход | Исходящие состояния | Вектор ss*, % | |||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | ||
2010 | 0 | 1/5 | 0 | 0 | 0 | 0 | 0 | 2/8 | 0 | 0 | 0 | 2/18 | 8.44 |
2011 | 2/6 | 0 | 0 | 0 | 0 | 0 | 1/6 | 0 | 0 | 0 | 0 | 2/18 | 7.98 |
2012 | 0 | 1/5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1.60 |
2013 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 2/4 | 0 | 0 | 0 | 4.71 |
2014 | 0 | 0 | 0 | 1/3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1.57 |
2015 | 1/6 | 0 | 0 | 0 | 1 | 1/6 | 1/6 | 1/8 | 0 | 0 | 0 | 1/18 | 9.71 |
2016 | 0 | 1/5 | 0 | 0 | 0 | 1/6 | 0 | 0 | 0 | 0 | 0 | 4/18 | 10.16 |
2017 | 0 | 0 | 0 | 0 | 0 | 0 | 3/6 | 0 | 1/4 | 1/2 | 0 | 3/18 | 13.47 |
2018 | 1/6 | 0 | 0 | 2/3 | 0 | 0 | 0 | 1/8 | 0 | 0 | 0 | 0 | 6.23 |
2019 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1/8 | 1/4 | 0 | 0 | 0 | 3.24 |
2020 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1/2 | 0 | 0 | 1.62 |
2021 | 2/6 | 2/5 | 0 | 0 | 0 | 4/6 | 1/6 | 3/8 | 0 | 0 | 1 | 6/18 | 31.27 |
2.3. Асимптотическая скорость роста, λ1
Очевидным решением уравнения (3), когда матрица L остается постоянной во времени, выступает траектория
которая и описывает модельную динамику популяции. Важное следствие из классической теоремы Перрона–Фробениуса для неотрицательных матриц (Гантмахер, 1967, с. 355), давно и многократно установленное в разных источниках, касается асимптотического поведения траекторий (4). Точнее, справедливо предельное соотношение: где x* > 0 есть собственный вектор, отвечающий доминантному собственному числу λ1(L) > 0, с нормой, зависящей от начального вектора x(0) (Логофет, Уланова, 2018, с. 124). Отсюда следует, что(6)
$\mathop {\lim }\limits_{t \to \infty } x\left( t \right) = \left\{ {\begin{array}{*{20}{c}} {\infty ,~\,\,{\text{если}}~\,\,{{\lambda }_{1}} > 1,} \\ {x{\kern 1pt} *,\,\,{\text{если}}~\,\,{{{{\lambda }}}_{1}} = 1,} \\ {0,\,\,{\text{если}}~\,\,{{{{\lambda }}}_{1}} < 1,} \end{array}} \right.$Если матрица L задана в численном виде, то ее доминантное собственное число и соответствующий собственный вектор вычисляются рутинным образом в любой современной системе математического обеспечения, такой как MatLab® (MathWorks, 2022), но в случае репродуктивной неопределенности, выраженной условием (2), результатом может быть лишь определенный интервал (диапазон) значений λ1, задающий количественные “границы приспособленности” вида в местных условиях (На земле…, 2015). Судить о жизнеспособности ценопопуляции в будущем на основании (6) можно, только если диапазон значений λ1 целиком находился бы по одну сторону от 1 для каждого набора {L(t)} годичных ПМП, но в действительности это не так: расположение диапазона λ1 меняется от года к году, и наблюдался даже случай, когда значение λ1 = 1 оказалось внутри диапазона (Логофет и др., 2016б, табл. 3). Известный подход к оценке жизнеспособности в подобных ситуациях представлен в следующем разделе.
2.4. Стохастическая скорость роста, λS
Концепция стохастической скорости роста (λS) (Caswell, 2001) полагает, что популяция развивается в условиях, которые меняются от года к году каким-то случайным образом, и тогда каждая годичная ПМП, – а в нашем случае весь диапазон {L(t)}, – считается опосредованным выражением того комплекса условий среды, под действием которого определенный набор демографических параметров сформировался к моменту очередного наблюдения (Pollard, 1966; Tuljapurkar, 1986, 1990). Совокупность всех годичных наборов {L(t)}, полученная в результате длительного мониторинга структуры популяции, отражает тогда весь диапазон случайных вариаций среды, реализованный за годы мониторинга. Судьба популяции в долговременной перспективе – это результат применения к начальному вектору структуры x(0) бесконечной последовательности ПМП, выбранных случайным образом из доступных наборов годичных ПМП на каждом шаге последовательности. Математически установлено, что у такой последовательности существует конечный предел (Furstenberg, Kesten, 1960; Оселедец, 1968; Cohen, 1976), и он позволяет определить величину λS как
(7)
$\log {{\lambda }_{S}} = \mathop {\lim }\limits_{\tau \to \infty } \frac{1}{\tau }\log N(\tau ) = \mathop {\lim }\limits_{\tau \to \infty } \frac{1}{\tau }\log {{\left\| {{{L}_{{\tau - 1}}} \ldots {{L}_{0}}x(0)} \right\|}_{1}},$Известно, что предел последовательности можно аппроксимировать ее конечным членом, причем тем точнее, чем дальше отстоит этот член от начала (Мир математики, 2022). Далекий конечный член можно вычислить методом Монте-Карло, если задано правило случайного выбора годичной ПМП из их доступной совокупности на каждом шаге последовательности. Правда, в этом случае в качестве оценки получаем не число, а определенный диапазон чисел: от минимального до максимального значения среди результатов случайных реализаций конечной последовательности; чем больше реализаций, тем закономерно шире диапазон оценок (Logofet et al., 2021, Tabl. 4).
Самое простое (и популярное в литературе) правило состоит в независимом (от предыдущего шага) выборе с неизменной (от шага к шагу) вероятностью каждой из данных матриц. Такая модель случайной среды была названа iid (independent, identically distributed) матрицами (Cohen, 1979; Caswell, 2001; Buckley et al., 2010). С учетом вышесказанного, в серии имитаций методом Монте-Карло наилучшей оценкой λS будет диапазон, полученный при максимальном числе случайных реализаций последовательности ПМП максимальной длины.
Однако правило iid слишком просто и вряд ли приемлемо в деле оценки жизнеспособности реальных популяций. Усложнение правила iid – это признание зависимости текущего шага от результата предыдущего, т.е. случайный выбор как реализация некоторой марковской цепи переходов между заданными ПМП (Caswell, 2001). Известные примеры марковских цепей как моделей случайной среды разнообразны – от простых, как, например, переключение между “плохой” и “хорошей” средой (Sanz, 2019), до весьма продвинутых (Morris et al., 2006; Rees, Ellner, 2009; Ozgul et al., 2010; Williams et al., 2015), но по-прежнему искусственных конструкций, изобретенных авторами, а не природой. То, каким образом случайный выбор матриц в последовательности (7) можно сделать реалистичным, связанным с вариациями условий среды, излагается в следующем разделе.
3. РЕАЛИСТИЧНАЯ МОДЕЛЬ СЛУЧАЙНОСТИ В ОЦЕНКЕ λS
Тринадцать лет мониторинга ценопопуляции E. caucasicum и соответствующие им 12 наборов годичных ПМП {L(t)}, t = 2009, 2010, …, 2020 определяют (неявно) спектр вариаций условий среды, повлиявших на динамику ценопопуляции, и дают временнóй ряд соответствующих значений асимптотической скорости роста λ1(t). Очевидно, этот ряд представляет собой реализацию некоторого случайного процесса смены условий, и если найти параметры этого процесса и использовать их при случайном выборе ПМП в ходе построения длинной последовательности (7), то именно такой выбор и будет соответствовать гораздо более реалистичной модели случайности, нежели выбор iid матриц.
Поиск параметров случайного процесса осуществляли (для 12 лет мониторинга; Logofet et al., 2021) по следующей схеме: сначала искали корреляции ряда из 11 (медианных в своем наборе) значений λ1(t), t = 2009, 2010, …, 2019, c аналогичными рядами 29 погодных и микроклиматических показателей, а затем среди найденных “зависимых переменных” выбирали те, для которых имеются более длинные (порядка 60 лет) продолжающиеся ряды наблюдений на ближайшей к альпийскому местообитанию метеостанции (Теберда). Для 12 лет мониторинга наилучшим показателем оказался температурный индекс θ(t) – минимальная за май–июнь температура воздуха (Logofet et al., 2021), – а добавление данных за 2021 г., т.е. еще одного значения λ1(2020), оставило этот выбор прежним.
Далее, ряд из 12 справочных значений θ(t), t = = 2010, …, 2021 рассматриваем как короткую реализацию дискретной цепи Маркова из 12 состояний и каждому из более длинного ряда значений θ присваиваем ближайшее справочное. Таким образом получаем длинную реализацию марковской цепи блужданий по 12 состояниям, и она оказалась достаточно длинной, чтобы восстановить по ней переходную матрицу этой цепи, что и обеспечило реалистичную модель случайного выбора из 12 наборов {L(t)} в машинных экспериментах Монте-Карло для оценки стохастической скорости роста.
Как только выбор годичного набора сделан, возникает вопрос о выборе одной ПМП из этого набора, т.е. одного из допустимых значений параметра a. Два простых решения – это выбор согласно дискретному аналогу нормального распределения на соответствующем отрезке значений и равновероятный выбор из заданного набора. Интуиция подсказывает, что в первом случае диапазоны оценок λS должны быть уже, чем во втором.
4. РЕЗУЛЬТАТЫ
Двенадцать наборов {L(t)} годичных ПМП, калиброванных по данным 13-летнего мониторинга стадийной структуры ценопопуляции E. caucasicum, представлены в табл. 2. Количество пар значений репродуктивных параметров a и b в каждом годичном наборе ограничено условием (2), причем значение b (элемент (1, 4) матрицы L(a; t)) выражено через параметр a, все допустимые значения которого {a} показаны в явном виде. Среди них всегда существует такое a°, которое дает “медианное” значение λ1(a°), наиболее близкое к среднему (см. сноску к табл. 2). По расположению диапазонов λ1(L(t)) относительно λ1 = 1 можно судить, был ли прошедший год благоприятным для ценопопуляции или нет (если только 1 не попадает внутрь диапазона, как в случае t = 2012), но о долгосрочной перспективе можно лишь строить догадки, сравнивая количество благоприятных и неблагоприятных лет.
Наша реалистичная модель случайности в изменениях условий местообитания представляет собой дискретную (с шагом в один год) цепь Маркова с 12 состояниями, отождествленными с годами мониторинга с 2010-го по 2021-й. Восстановленная по длинному ряду погодного показателя, переходная матрица цепи размера 12 × 12 показана в табл. 3. Несложно убедиться, что матрица является стохастической (все суммы по столбцам равны 1), неразложимой (irreducible; Horn, Johnson, 1990) и примитивной (Логофет, Уланова, 2018). Отсюда следует существование устойчивого предельного распределения ss* и сходимость к нему из любого начального распределения (Kemeny, Snell, 1976). Оно также использовано в расчетах λS по модели iid сравнения ради.
Оценки стохастической скорости роста ценопопуляции E. caucasicum по реалистичной модели случайности (табл. 3) представлены в табл. 4. В целях сравнения использован прежний план экспериментов Монте-Карло (Logofet et al., 2021) по длине последовательности (7) и количеству повторностей, но вместо равновероятных iid матриц (несостоятельность которых в условиях полевого эксперимента больше не вызывает никаких сомнений) мы провели эксперимент с равновероятным выбором ПМП из годичного набора, предписанного марковской моделью случайности.
Таблица 4.
Длина последовательности | Число реализаций | Диапазон вариаций в оценке λS и ширина диапазона в сравнении моделей случайности: |
|||
---|---|---|---|---|---|
марковская цепь с выбором a | iid согласно распределению ss* | ||||
N | E | N | E | ||
1 × 105 | 13 | [0.890852, 0.892989] 0.002138 | [0.890630, 0.893340] 0.002710 | [0.916810, 0.919247] 0.002437 | [0.916902, 0.920165] 0.003263 |
33 | [0.890341, 0.893604] 0.003264 | [0.890630, 0.893340] 0.002710 | [0.916661, 0.919247] 0.002586 | [0.916541, 0.920165] 0.003624 | |
100 | [0.890180, 0.894242] 0.004061 | [0.889854, 0.893666] 0.003812 | [0.916035, 0.919658] 0.003623 | [0.916225, 0.920165] 0.003940 | |
2 × 105 | 13 | [0.890911, 0.892261] 0.001350 | [0.891160, 0.892940] 0.001780 | [0.917045, 0.918649] 0.001604 | [0.916634, 0.918694] 0.002060 |
33 | [0.890911, 0.893310] 0.002400 | [0.890970, 0.892940] 0.001970 | [0.917045, 0.919493] 0.002449 | [0.916634, 0.919043] 0.002409 | |
100 | [0.890737, 0.893310] 0.002574 | [0.890688, 0.893288] 0.002601 | [0.916994, 0.919493] 0.002500 | [0.916634, 0.919250] 0.002616 | |
3 × 105 | 13 | [0.890883, 0.892783] 0.001901 | [0.891113, 0.893014] 0.001900 | [0.917039, 0.918669] 0.001630 | [0.917050, 0.918624] 0.001573 |
33 | [0.890869, 0.892951] 0.002082 | [0.891036, 0.893014] 0.001978 | [0.916878, 0.919015] 0.002136 | [0.917050, 0.918762] 0.001712 | |
100 | [0.890869, 0.892952] 0.002084 | [0.890981, 0.893019] 0.002038 | [0.916878, 0.919026] 0.002148 | [0.916991, 0.919028] 0.002037 | |
5 × 105 | 13 | [0.891396, 0.892481] 0.001085 | [0.891486, 0.892546] 0.001059 | [0.917502, 0.918566] 0.001063 | [0.917194, 0.918360] 0.001166 |
33 | [0.891396, 0.892481] 0.001085 | [0.891249, 0.892571] 0.001322 | [0.917502, 0.918714] 0.001212 | [0.917194, 0.918394] 0.001200 | |
100 | [0.891396, 0.892839] 0.001443 | [0.891188, 0.892575] 0.001387 | [0.917502, 0.918840] 0.001338 | [0.917130, 0.918853] 0.001723 | |
1 × 106 | 13 | [0.891592, 0.892428] 0.000837 | [0.891479, 0.892275] 0.000796 | [0.917744, 0.918451] 0.000707 | [0.917700, 0.918157] 0.000457 |
33 | [0.891592, 0.892439] 0.000847 | [0.891479, 0.892375] 0.000896 | [0.917744, 0.918559] 0.000815 | [0.917481, 0.918390] 0.000909 | |
100 | [0.891592, 0.892655] 0.001063 | [0.891437, 0.892592] 0.001156 | [0.917686, 0.918602] 0.000916 | [0.917159, 0.918686] 0.001527 | |
1000 | [0.891496, 0.892851] 0.001355 | [0.891386, 0.892729] 0.001343 | [0.917548, 0.918952] 0.001405 | [0.917022, 0.918716] 0.001694 |
Численные результаты подтверждают априорные ожидания: при любой фиксированной длине последовательности диапазон оценок расширяется с ростом числа реализаций и длины последовательности, а наиболее надежная оценка достигается при максимальной длине. Результаты при нормальном и равновероятном выборе ПМП из реализованного годичного набора различаются незначительно (в 4–5-м знаке), а искусственная модель случайности завышает оценку λS по сравнению с реалистичной.
5. ОБСУЖДЕНИЕ
Как показано в табл. 2, репродуктивная неопределенность в данных мониторинга заставляет оперировать наборами ПМП вместо отдельных матриц, а соответствующие диапазоны значений асимптотической скорости роста вместо отдельных значений λ1(t) привносят не только технические сложности в расчеты стохастической скорости роста λS, но и неопределенность прогноза (как в случае t = 2012; табл. 2). Закономерно поэтому желание избавиться от репродуктивной неопределенности путем дополнительных (искусственных) допущений матричной модели (см. обзор Logofet, 2008) или более радикально, путем объединения (агрегации) нескольких (двух в случае E. caucasicum) репродуктивных групп в одну, что снижает размерность модели и делает единственный коэффициент пополнения вполне определенным. Однако такое изменение модели – а в сущности, самого ГЖЦ – может, как оказалось (Logofet, 2017), принципиально изменить характер асимптотической динамики – с заметного экспоненциального убывания на определенный рост (Logofet, 2017, Tabl. 2, 3, t = 2013), и потому неприемлемо в адекватном моделировании изучаемого объекта.
Можно было бы избавиться от неопределенности без искажения ГЖЦ как формального выражения биологических знаний об изучаемом объекте, если воспользоваться принципом оптимальности, т.е. принять гипотезу, что вклады репродуктивных групп в пополнение популяции обеспечивают максимально возможное значение скорости роста λ1 (Логофет, 2010). Сам поиск этого значения потребовал определенных математических усилий в доказательстве существования решения у соответствующей нелинейной задачи максимизации с нужными ограничениями, и оно было доказано в классической постановке оптимальных задач (Logofet, 2013), т.е. когда неизвестные a и b в условии (2) суть просто неотрицательные числа. Тот факт, что все данные мониторинга изначально представляют собой числа целые, никак не учитывался в традиционном формализме матричных моделей (Caswell, 2001), а оказалось, что целочисленный формализм, т.е. выражение векторов структуры в целых, а всех демографических параметров – в рациональных числах, таит в себе дополнительные возможности.
Например, если неизвестные a и b действительные неотрицательные, то невозможно отследить все их значения, ограниченные уравнением (2). А если a и b только целые, то лишь конечное число всех допустимых значений и их последовательный перебор (порученный компьютеру) позволяют выяснить нужные свойства всего набора. На этом, в частности, основан метод сравнительного анализа моделей, включающих стадию семени и исключающих ее из ГЖЦ (Logofet et al., 2020a), который положил конец довольно бурной дискуссии о роли “скрытых” (cryptic) стадий жизненного цикла в построении адекватной модели (Kendall et al., 2019; Nguyen et al., 2019; Che-Castaldo et al., 2020). Используя математический факт линейности так называемого индикатора потенциального роста R1(L) (Логофет, 2012) относительно неопределенных параметров пополнения (Protasov, Logofet, 2014), мы доказали (Logofet et al., 2020a), что в пределах известных ограничений на неопределенные параметры семенного размножения Androsace albana – другого альпийского малолетника – исключение стадии семени из модельного жизненного цикла не способно изменить качественно картину динамики популяции, т.е. с убыли на рост или наоборот. Тем самым доказана корректность ГЖЦ с “виртуальным” пополнением (рис. 2) вместо реального семенного.
Возвращаясь к гипотезе оптимальности, отметим, что она не получила подтверждения в прямых экспериментах с иным объектом – вейником Calamagrostis epigeios (Логофет и др., 2016а), что не дает оснований надеяться на ее справедливость и для E. caucasicum.
Все вышесказанное убеждает в том, что репродуктивная неопределенность объективно существует и нужно работать с диапазонами скоростей роста E. caucasicum, а не с отдельными ее значениями, как, например, у Androsace albana (Логофет и др., 2019, 2020). И формализм матричной модели, как показывают полученные нами результаты, такую возможность предоставляет – иллюстрируя в очередной раз методическую эффективность матричной модели, которая продемонстрирована и в сотнях иных приложений матричных моделей к видам растений (https://compadre-db.org/Data/Compadre) и животных (https://compadre-db.org/Data/Comadre).
6. ЗАКЛЮЧЕНИЕ
Тринадцатый год (2020–2021) мониторинга ценопопуляции E. caucasicum оказался неблагоприятным расширением совокупности условий местообитания, наблюдавшихся в течение 12 лет, поскольку диапазон [λ1min, λ$_{1}^{{\max }}$] допустимых значений асимптотической скорости роста (табл. 2) оказался заметно левее критического значения λ1 = 1. Соответственно, и стохастическая скорость роста отреагировала на такое ухудшение условий смещением диапазона оценок влево от 12-летнего диапазона [0.921158, 0.922505] (Logofet et al., 2021, Tabl. 4). Полученный с помощью реалистичной модели случайности, этот диапазон оказывается уже, чем по искусственной модели iid, т.е. дает более точную оценку. Таким образом, стохастическая скорость роста ценопопуляции E. caucasicum, вычисленная по результатам 13-летннего мониторинга ее структуры с помощью реалистичной модели случайности, подтверждает прежний вывод о нестабильном состоянии ценопопуляции в данной точке локального местообитания. А целочисленный формализм матричной модели популяции доказал в очередной раз свою эффективность.
Список литературы
Ахметжанова А.А., Онипченко В.Г., Семенова Е.В., Елумеева Т.Г., Герасимова М.А., 2009. Атлас сосудистых растений альпийского стационара Тебердинского заповедника. М.: б.и. 117 с.
Батчаева О.М., 2005. Восстановительная динамика и горизонтальная структура альпийских фитоценозов Северо-Западного Кавказа (на примере Тебердинского заповедника). Автореф. дис. ... канд. биол. наук. Ставрополь: Ставропольский гос. ун-т. 23 с.
Гантмахер Ф.Р., 1967. Теория матриц. М.: Наука. 576 с.
Гроссгейм А.А., 1967. Флора Кавказа. Т. VII. Л.: Наука. 894 с.
Жукова Л.А., 1983. Онтогенезы и циклы воспроизведения растений // Журн. общ. биологии. Т. 44. № 3. С. 361–374.
Жукова Л.А., 1986. Поливариантность луговых растений // Жизненные формы в экологии и систематике растений. М.: Изд-во МГПИ. С. 104–114.
Жукова Л.А., Комаров А.С., 1990. Поливариантность онтогенеза и динамика ценопопуляций растений // Журн. общ. биологии. Т. 51. № 4. С. 450–461.
Зернов А.С., 2006. Флора Северо-Западного Кавказа. М.: Т-во науч. изд. КМК. 664 с.
Зернов А.С., 2015. Определитель сосудистых растений Карачаево-Черкесской Республики. М.: Т-во науч. изд. КМК. 454 с.
Казанцева Е.С., 2016. Популяционная динамика и семенная продуктивность малолетних альпийских растений северо-западного Кавказа. Дис. ... канд. биол. наук. М.: МГУ. 165 с.
Логофет Д.О., 2010. Свирежевский принцип замещения и матричные модели динамики популяций со сложной структурой // Журн. общ. биологии. Т. 71. № 1. С. 30–40.
Логофет Д.О., 2012. Еще раз о проекционных матрицах: индикатор потенциального роста и польза индикации // Фунд. и прикл. математика. Т. 17. № 6. С. 41–63.
Логофет Д.О., Уланова Н.Г., 2018. Матричные модели в популяционной биологии. Уч. пособие, 2-е изд. M.: МАКС Пресс. 128 с. https://elibrary.ru/item.asp?id=32701104
Логофет Д.О., Уланова Н.Г., 2021. От мониторинга популяции к математической модели: Новая парадигма популяционного исследования // Журн. общ. биологии. Т. 82. № 4. С. 243–269. https://doi.org/10.31857/S0044459621040035
Логофет Д.О., Уланова Н.Г., Белова И.Н., 2016а. От неопределенности к числу: развитие метода оценки приспособленности клонального вида с поливариантным онтогенезом // Журн. общ. биологии. Т. 77. № 5. С. 379–396.
Логофет Д.О., Белова И.Н., Казанцева Е.С., Онипченко В.Г., 2016б. Ценопопуляция незабудочника кавказского (Eritrichium caucasicum) как объект математического моделирования. I. Граф жизненного цикла и неавтономная матричная модель // Журн. общ. биологии. Т. 77. № 2. С. 106–121.
Логофет Д.О., Казанцева Е.С., Белова И.Н., Онипченко В.Г., 2018. Ценопопуляция незабудочника кавказского (Eritrichium caucasicum) как объект математического моделирования. III. Рост популяции в случайной среде // Журн. общ. биологии. Т. 79. № 4. С. 249–261.
Логофет Д.О., Казанцева Е.С., Белова И.Н., Онипченко В.Г., 2019. Неутешительный прогноз выживания ценопопуляции Androsace albana в случайно меняющейся среде // Журн. общ. биологии. Т. 80. № 3. С. 200–213.
Логофет Д.О., Казанцева Е.С., Белова И.Н., Онипченко В.Г., 2020. Обратный прогноз подтверждает вывод о жизнеспособности ценопопуляции растений // Журн. общ. биологии. Т. 81. № 4. С. 257–271.
Мир математики, 2022. https://matworld.ru/posledovatelnosti/chislovye-posledovatelnosti.php
На земле и под землей: границы приспособленности для ценопопуляции клонального растения с поливариантным онтогенезом, 2015. Итоговый научный отчет по проекту РФФИ № 13-04-01836-а. https://istina.msu.ru/projects/8473479/
Оселедец В.И., 1968. Мультипликативная эргодическая теорема. Характеристические показатели Ляпунова динамических систем // Тр. ММО. Т. 19. С. 179–210.
Полевая геоботаника, 1960 / Под ред. Лавренко Е.М., Корчагина А.А. М.; Л.: Изд-во АН СССР. Т. 2. 500 с.
Попов М.Г., 1953. Сем. Boraginaceae // Флора СССР. Т. 19 / Под ред. Шишкина Б.К. М.; Л.: Изд-во АН СССР. 752 с.
Программа и методика наблюдений за ценопопуляциями видов растений Красной книги СССР, 1986 / Под ред. Денисова Л.В., Никитина С.В., Заугольнова Л.Б. М.: ВАСХНИЛ. 45 с.
Работнов Т.А., 1950a. Жизненный цикл многолетних травянистых растений в луговых ценозах // Тр. БИН АН СССР. Сер. 3. Геоботаника. Вып. 6. С. 7–204.
Работнов Т.А., 1950б. Вопросы изучения состава популяции для целей фитоценологии // Проблемы ботаники. Вып. 1. С. 465–483.
Современные подходы к описанию структуры растения, 2008 / Под ред. Савиных Н.П., Боброва Ю.А. Киров: Вятский гос. ун-т. 355 с.
Цепкова Н.Л., 1987. К синтаксономии пастбищных сообществ высокогорных лугов Центрального Кавказа // Тр. Высокогорного геофиз. ин-та. Вып. 68. С. 82–96.
Buckley Y.M., Ramula S., Blomberg S.P., Burns J.H., Crone E.E. et al., 2010. Causes and consequences of variation in plant population growth rate: A synthesis of matrix population models in a phylogenetic context // Ecol. Lett. V. 13. P. 1182–1197. https://doi.org/10.1111/j.1461-0248.2010.01506.x
Caswell H., 2001. Matrix Population Models: Construction, Analysis, and Interpretation. 2nd ed. Sunderland: Sinauer. 722 p.
Che-Castaldo J., Jones O., Kendall B.E., Burns J.H., Childs D.Z. et al., 2020. Comments to “Persistent problems in the construction of matrix population models” // Ecol. Model. V. 416. https://doi.org/10.1016/j.ecolmodel.2019.108913
Cohen J.E., 1976. Ergodicity of age structure in populations with Markovian vital rates, I: Countable states // J. Am. Stat. Assoc. V. 71. P. 335–339.
Cohen J.E., 1979. Comparative statics and stochastic dynamics of age-structured populations // Theor. Popul. Biol. V. 16. № 2. P. 159–171. https://doi.org/10.1016/0040-5809(79)90011-X
Furstenberg H., Kesten H., 1960. Products of random matrices // Ann. Math. Stat. V. 31. P. 457–469.
Harary F., Norman R.Z., Cartwright D., 1965. Structural Models: An Introduction to the Theory of Directed Graphs. N.-Y.: Wiley. 415 p.
Horn R.A., Johnson C.R., 1990. Matrix Analysis. Cambridge: Cambridge Univ. Press. 561 p.
Kemeny J.G., Snell J.L., 1976. Finite Markov Chains. N.-Y.: Springer. 238 p. (На русском языке: Кемени Дж., Снелл Дж., 1970. Конечные цепи Маркова. М.: Наука. 271 с.).
Kendall B.E., Fujiwara M., Diaz-Lopez J., Schneider S., Vo-igt J., Wiesner S., 2019. Persistent problems in the construction of matrix population models // Ecol. Model. V. 406. P. 33–43.
Logofet D.O., 2008. Convexity in projection matrices: projection to a calibration problem // Ecol. Model. V. 216. № 2. P. 217–228.
Logofet D.O., 2013. Calamagrostis model revisited: Matrix calibration as a constraint maximization problem // Ecol. Model. V. 254. P. 71–79.
Logofet D.O., 2017. Aggregation may or may not eliminate reproductive uncertainty // Ecol. Model. V. 363. P. 187–191.
Logofet D.O., Kazantseva E.S., Onipchenko V.G., 2020a. Seed bank as a persistent problem in matrix population models: From uncertainty to certain bounds // Ecol. Model. V. 438. https://doi.org/10.1016/j.ecolmodel.2020.109284
Logofet D.O., Golubyatnikov L.L., Kazantseva E.S., Ulanova N.G., 2020b. Realistic choice of annual matrices contracts the range of λS estimates // Mathematics. V. 8. № 12. https://doi.org/10.3390/math8122252
Logofet D.O., Golubyatnikov L.L., Kazantseva E.S., Ulanova N.G., 2021. “Realistic choice of annual matrices contracts the range of λS estimates” under reproductive uncertainty too // Mathematics. V. 9. № 23. https://doi.org/10.3390/math9233007
MathWorks, 2022. https://www.mathworks.com/help/matlab/ref/eig.html
Morris W.F., Tuljapurkar S., Haridas C.V., Menges E.S., Horvitz C.C., Pfister C.A., 2006. Sensitivity of the population growth rate to demographic variability within and between phases of the disturbance cycle // Ecol. Lett. V. 9. P. 1331–1341.
Nguyen V., Buckley Y.M., Salguero-Gomez R., Wardle G.M., 2019. Consequences of neglecting cryptic life stages from demographic models // Ecol. Model. V. 408. https://doi.org/10.1016/j.ecolmodel.2019.108723
Onipchenko V.G., 2002. Alpine Vegetation of the Teberda Reserve, the Northwest Caucasus. Zürich: Veröffentlichungen des Geobotanischen Institutes der Eidgenössische Technische Hochschule, Stiftung Rübel. 168 p.
Ozgul A., Childs D.Z., Oli M.K., Armitage K.B., Blumstein D.T. et al., 2010. Coupled dynamics of body mass and population growth in response to environmental change // Nature. V. 466. P. 482–485.
Pollard J.H., 1966. On the use of the direct matrix product in analysing certain stochastic population models // Biometrika. V. 53. P. 397–415.
Protasov V.Yu., Logofet D.O., 2014. Rank-one corrections of nonnegative matrices, with an application to matrix population models // SIAM J. Matrix Anal. Appl. V. 35. № 2. P. 749–764.
Rees M., Ellner S.P., 2009. Integral projection models for populations in temporally varying environments // Ecol. Monogr. V. 79. P. 575–594.
Sanz L., 2019. Conditions for growth and extinction in matrix models with environmental stochasticity // Ecol. Model. V. 411. https://doi.org/10.1016/j.ecolmodel.2019.108797
Tuljapurkar S.D., 1986. Demography in stochastic environments. II. Growth and convergence rates // J. Math. Biol. V. 24. P. 569–581.
Tuljapurkar S.D., 1990. Population Dynamics in Variable Environments. N.-Y.: Springer. 154 p.
Williams H.J., Jacquemyn H., Ochocki B.M., Brys R., Miller T.E.X., 2015. Life history evolution under climate change and its influence on the population dynamics of a long-lived plant // J. Ecol. V. 103. P. 798–808.
Дополнительные материалы отсутствуют.
Инструменты
Журнал общей биологии