Моделирование морских экосистем: опыт, современные подходы, направления развития (обзор). Часть 2. Модели популяций и трофодинамики

С. В. Бердников1,✉, В. В. Селютин1, Ф. А. Сурков2, Ю. В. Тютюнов1

1 Федеральный исследовательский центр Южный научный центр Российской академии наук (ЮНЦ РАН), Ростов-на-Дону, Россия

2 Южный федеральный университет (ЮФУ), Ростов-на-Дону, Россия

✉ e-mail: berdnikovsv@yandex.ru

Аннотация

Цель. В статье представлена вторая часть обзора публикаций, посвященных вопросам моделирования водных экосистем. В этой части основное внимание уделено современным подходам к управлению морскими биоресурсами, реализующим экосистемные принципы моделирования и мониторинга пространственно-временно́й динамики водных объектов.

Методы и результаты. Статья включает три раздела. В первом разделе рассмотрены модели прогнозирования динамики эксплуатируемых популяций и оптимизации промысла. Во втором разделе рассматриваются модели трофодинамики, применяемые для изучения структуры, продуктивности и функциональной роли морской биоты, взаимодействующей друг с другом и окружающей средой на различных трофических уровнях. Модели трофодинамики используются как для оценки влияния рыболовства на морские экосистемы, так и для анализа влияния факторов, прямо или косвенно связанных с климатической изменчивостью и антропогенной деятельностью (эвтрофирование, соленость, изменение среды обитания). Третий раздел посвящен сравнительно недавно появившемуся направлению в моделировании морских экосистем, основанному на применении географических информационных систем. Развитие геоинфомационных технологий, позволяющих связывать данные как натурных наблюдений, так и результатов модельных экспериментов с их геолокацией, оказало влияние на достижения в области экологического моделирования.

Выводы. В ближайшие годы роль математического моделирования в исследовании и управлении морскими экосистемами будет возрастать. Наиболее важными представляются такие направления исследований, как совершенствование модельного описания первичных звеньев трофической сети морских экосистем (NPZD-модели), потоков вещества и энергии в морских пищевых цепях, эвтрофирования и кислородного режима морских заливов, распространения и трансформации загрязняющих веществ и их влияния на экосистемы, функционирования морских заповедников, способов учета климатических факторов в моделях экосистем, использование данных космического мониторинга для идентификации и верификации отдельных компонентов экосистем (хлорофилл, нефтяные пятна, взвеси).

Ключевые слова

морские экосистемы, модели трофодинамики, модели промысловых популяций, информационные технологии, географические информационные системы

Благодарности

Публикация подготовлена в рамках ГЗ ЮНЦ РАН на 2022 г. по темам № 122013100131-9 и № 122020100349-6.

Для цитирования

Моделирование морских экосистем: опыт, современные подходы, направления развития (обзор). Часть 2. Модели популяций и трофодинамики / С. В. Бердников [и др.] // Морской гидрофизический журнал. 2022. Т. 38, № 2. С. 196–217. EDN RUYVXO. doi:10.22449/0233-7584-2022-2-196-217

Berdnikov, S.V., Selyutin, V.V., Surkov, F.A. and Tyutyunov, Yu.V., 2022. Modeling of Marine Ecosystems: Experience, Modern Approaches, Directions of Development (Review). Part 2. Population and Trophodynamic Models. Physical Oceanography, 29(2), pp. 182-203. doi:10.22449/1573-160X-2022-2-182-203

DOI

10.22449/0233-7584-2022-2-196-217

Список литературы

  1. Опыт оценки риска квазивымирания промысловых рыб на основе долгосрочного модельного прогноза популяционной динамики / Ю. В. Тютюнов [и др.] // Труды Южного научного центра Российской академии наук. 2020. Т. 8. С. 181–198. doi:10.23885/1993-6621-2020-8-181-198
  2. Домбровский Ю. А., Обущенко Н. И., Тютюнов Ю. В. Рыбные популяции в стохастической среде: модели управления и выживаемости. Ростов н/Д : Изд-во Рост. ун-та, 1991. 155 с.
  3. Modelling Fluctuation and Optimal Harvesting in Perch Population / Yu. Tyutyunov [et al.] // Ecological Modelling. 1993. Vol. 69, iss. 1–2. P. 19–42. https://doi.org/10.1016/0304-3800(93)90046-U
  4. Beverton R. J. H., Holt S. J. On the Dynamics of Exploited Fish Populations. London : Her Majesty's Stationery Office, 1957. 533 p. (Fishery investigations ; Series II ; Vol. 19).
  5. Clark C. W. Mathematical Bioeconomics: The Optimal Management of Renewable Resources. New York : Wiley, 1976. 352 p.
  6. Senina I., Tyutyunov Yu., Arditi R. Extinction risk assessment and optimal harvesting of anchovy and sprat in the Azov Sea // Journal of Applied Ecology. 1999. Vol. 36, iss. 2. P. 297–306. https://doi.org/10.1046/j.1365-2664.1999.00399.x
  7. Abakumov A., Izrailsky Yu. Optimal harvest problem for fish population – structural stabilization // Mathematics. 2022. Vol. 10, iss. 6. 986. https://doi.org/10.3390/math10060986
  8. Модели оценки риска сокращения численности промысловых популяций рыб / Ю. В. Тютюнов [и др.] // Среда, биота и моделирование экологических процессов в Азовском море. Апатиты : Кол. науч. центр РАН, 2001. Раздел 2.5. С. 380–396.
  9. Risk Assessment of the Harvested Pike-Perch Population of the Azov Sea / Yu. Tyutyunov [et al.] // Ecological Modelling. 2002. Vol. 149, iss. 3. P. 297–311. https://doi.org/10.1016/S0304-3800(01)00478-1
  10. Задача оптимального управления промыслом конкурирующих рыбных популяций Азовского моря / И. И. Ворович [и др.] // Доклады АН СССР. 1989. Т. 305, № 4. C. 790–793. URL: http://www.mathnet.ru/links/0253fd3240fa62333608ed17c0d950dc/dan7179.pdf (дата обращения: 20.03.2022).
  11. Trophodynamic model of the Black and Azov Sea pelagic ecosystem: consequences of the comb jelly, Mnemiopsis leydei, invasion / S. V. Berdnikov [et al.] // Fisheries Research. 1999. Vol. 42, iss. 3. P. 261–289. https://doi.org/10.1016/S0165-7836(99)00049-1
  12. Закономерности экосистемных процессов в Азовском море / Г. Г. Матишов [и др.]. М. : Наука, 2006. 304 c. URL: https://www.ssc-ras.ru/ru/page595.html/ (дата обращения: 26.02.2022).
  13. Луц Г. И. Условия существования, особенности формирования запасов и промысел азовской тюльки. Ростов-на-Дону : ФГУП «АзНИИРХ», 2009. 118 с. URL: http://dspace.vniro.ru/handle/123456789/1655 (дата обращения: 26.02.2022).
  14. Дроздов В. В. Особенности многолетней динамики экосистемы Азовского моря под влиянием климатических и антропогенных факторов // Ученые записки Российского государственного гидрометеорологического университета. 2010. Вып. 15. С. 155–176. URL: http://elib.rshu.ru/files_books/pdf/15-15.pdf (дата обращения: 26.02.2022).
  15. Рациональное использование водных ресурсов бассейна Азовского моря: Математические модели / И. И. Ворович [и др]. М. : Наука, 1981. 359 с.
  16. Ricker W. E. Stock and recruitment // Journal of the Fisheries Research Board of Canada. 1954. Vol. 11, no. 5. P. 559–623. https://doi.org/10.1139/f54-039
  17. May R. M. Biological populations obeying difference equations: Stable points, stable cycles, and chaos // Journal of Theoretical Biology. 1975. Vol. 51, iss. 2. P. 511–524. https://doi.org/10.1016/0022-5193(75)90078-8
  18. Frisman E. Y., Neverova G. P., Revutskaya O. L. Complex dynamics of the population with a simple age structure // Ecological Modelling. 2011. Vol. 222, iss. 12. P. 1943–1950. https://doi.org/10.1016/j.ecolmodel.2011.03.043
  19. Горстко А. Б., Домбровский Ю. А., Сурков Ф. А. Модели управления эколого-экономическими системами. М. : Наука, 1984. 119 с.
  20. Ильичев В. Г. Устойчивость, адаптация и управление в экологических системах. М. : Физматлит, 2009. 192 с.
  21. Mathematical modeling of population dynamics based on recurrent equations: results and prospects. Part I. / E. Ya. Frisman [et al.] // Biology Bulletin. 2021. Vol. 48, iss. 1. P. 1–15. https://doi.org/10.1134/S1062359021010064
  22. Неверова Г. П., Абакумов А. И., Фрисман Е. Я. Режимы динамики лимитированной структурированной популяции при избирательном промысле // Математическая биология и биоинформатика. 2017. Т. 12, № 2. С. 327–342. doi:10.17537/2017.12.327
  23. Использование математической модели экосистемы Азовского моря для исследования закономерностей функционирования и структуры системы / И. И. Ворович [и др.] // Доклады АН СССР. 1981. Т. 259, № 2. С. 302–306. URL: http://www.mathnet.ru/links/14e3ec07e6816a672f972e5beefd4323/dan44590.pdf (дата обращения: 26.02.2022).
  24. Beddington J. R., Taylor D. B. 356. Note: Optimum age specific harvesting of a population // Biometrics. 1973. Vol. 29, no. 4. P. 801–809. https://doi.org/10.2307/2529145
  25. Домбровский Ю. А. Оптимальный сбор урожая в модели популяции с перекрывающимися поколениями // Вопросы кибернетики / Под ред. Ю. М. Свирежева. М., 1979. Вып. 52. С. 48–59.
  26. Меншуткин В. В. Математическое моделирование популяций и сообществ водных животных. Л. : Наука, 1971. 196 с.
  27. Getz W. M., Haight R. G. Population harvesting: Demographic models of fish, forest, and animal resources. Princeton : Princeton University Press, 1989. 391 p. (Monographs in Population Biology ; Vol. 27).
  28. Arditi R., Dacorogna B. Maximum sustainable yield of populations with continuous age-structure // Mathematical Biosciences. 1992. Vol. 110, iss. 2. P. 253–270. https://doi.org/10.1016/0025-5564(92)90040-4
  29. Dacorogna B., Weissbaum F., Arditi R. Maximum sustainable yield with continuous age structure and density-dependent recruitment // Mathematical Biosciences. 1994. Vol. 120, iss. 1. P. 99–126. https://doi.org/10.1016/0025-5564(94)90039-6
  30. Frisman E. Ya., Last E. V., Skaletskaya E. I. Population dynamics of harvested species with complex age structure (for Pacific salmons fish stocks as an example) // Ecological Modelling. 2006. Vol. 198, iss. 3–4. P. 463–472. https://doi.org/10.1016/j.ecolmodel.2006.05.019
  31. Егорова А. В., Родина Л. И. Об оптимальной добыче возобновляемого ресурса из структурированной популяции // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. 2019. Т. 29, вып. 4. С. 501–517. https://doi.org/10.20537/vm190403
  32. Основные направления и обзор современного состояния исследований динамики структурированных и взаимодействующих популяций / Е. Я. Фрисман [и др.] // Компьютерные исследования и моделирование. 2019. Т. 11, № 1. С. 119–151. https://doi.org/10.20537/2076-7633-2019-11-1-119-151
  33. Абакумов А. И. Управление и оптимизация в моделях эксплуатируемых популяций. Владивосток : Дальнаука, 1993. 129 с.
  34. Абакумов А. И., Израильский Ю. Г. Стабилизирующая роль структуры рыбной популяции в условиях промысла при случайных воздействиях среды обитания // Компьютерные исследования и моделирование. 2017. Т. 9, № 4. С. 609–620. https://doi.org/10.20537/2076-7633-2017-9-4-609-620
  35. Дерендяева Т. М. Вероятностные модели в теории прогнозирования запасов промысловых рыб // Теория и практика современной науки. 2016. № 6 (12). Часть 1. С. 345–348.
  36. Оправдался ли долгосрочный прогноз риска вымирания азовского судака? / Ю. В. Тютюнов [и др.] // Биофизика. 2020. Т. 65, № 2. С. 390–401. https://doi.org/10.31857/S0006302920020234
  37. Тютюнов Ю. В., Домбровский Ю. А., Обущенко Н. И. Оптимальное управление эксплуатируемой популяцией при минимизации риска ее вымирания в условиях стохастичности среды обитания // Обозрение прикладной и промышленной математики. 1996. Т. 3, вып. 3. С. 412–433.
  38. Сенина И. Н. Математическое моделирование миграций рыбных популяций в приложении к оптимизации промысла и прогнозированию запасов тунцовых // Системный анализ и математическое моделирование сложных экологических и экономических систем. Теоретические основы и приложения / Отв. ред. Ф. А. Сурков, В. В. Селютин. Ростов-на-Дону : Изд-во Южного федерального университета, 2015. Глава 3. С. 57–80.
  39. Баранов Ф. И. Избранные труды. Т. 3 : Теория рыболовства. М. : Пищ. промышленность, 1971. 304 с.
  40. Шибаев С. В. Формальная теория жизни рыб Ф.И. Баранова и ее значение в развитии рыбохозяйственной науки // Труды ВНИРО. 2015. Т. 157. С. 127–142.
  41. Abakumov A. I., Il’in O. I., Ivanko N. S. Game problems of harvesting in a biological community // Automation and Remote Control. 2016. Vol. 77, iss. 4. P. 697–707. https://doi.org/10.1134/S0005117916040135
  42. Modelling multi-species interactions in the Barents Sea ecosystem with special emphasis on minke whales and their interactions with cod, herring and capelin / U. Lindstrøm [et al.] // Deep Sea Research Part II: Topical Studies in Oceanography. 2009. Vol. 56, iss. 21–22. P. 2068–2079. https://doi.org/10.1016/j.dsr2.2008.11.017
  43. Dynamic of the Flemish Cap commercial stocks: use of a Gadget multispecies model to determine the relevance and synergies among predation, recruitment, and fishing / A. Pérez-Rodríguez [et al.] // Canadian Journal of Fisheries and Aquatic Sciences. 2017. Vol. 74, no. 4. P. 582–597. https://doi.org/10.1139/cjfas-2016-0111
  44. Unquantifiable uncertainty in projecting stock response to climate change: Example from North East Arctic cod / D. Howell [et al.] // Marine Biology Research. 2013. Vol. 9, iss. 9 : thematic issue 7 : Climate Effects on the Barents Sea Marine Living Resources. P. 920–931. https://doi.org/10.1080/17451000.2013.775452
  45. Howell D., Filin A. A. Modelling the likely impacts of climate-driven changes in cod-capelin overlap in the Barents Sea // ICES Journal of Marine Science. 2014. Vol. 71, iss. 1. P. 72–80. doi:10.1093/icesjms/fst172
  46. Fournier D. A., Hampton J., Sibert J. R. MULTIFAN-CL: a length-based, age-structured model for fisheries stock assessment, with application to South Pacific albacore, Thunnus alalunga // Canadian Journal of Fisheries and Aquatic Sciences. 1998. Vol. 55, no. 9. P. 2105–2116. https://doi.org/10.1139/f98-100
  47. Lehodey P., Senina I., Murtugudde R. A Spatial ecosystem and populations dynamics model (SEAPODYM) – Modeling of tuna and tuna-like populations // Progress in Oceanography. 2008. Vol. 78, iss. 4. P. 304–318. https://doi.org/10.1016/j.pocean.2008.06.004
  48. Modelling the impact of climate change on Pacific skipjack tuna population and fisheries / P. Lehodey [et al.] // Climatic Change. 2013. Vol. 119, iss. 1. P. 95–109. https://doi.org/10.1007/s10584-012-0595-1
  49. Optimization of a micronekton model with acoustic data / P. Lehodey [et al.] // ICES Journal of Marine Science. 2015. Vol. 72, iss. 5. P. 1399–1412. https://doi.org/10.1093/icesjms/fsu233
  50. Integrating tagging and fisheries data into a spatial population dynamics model to improve its predictive skills / I. Senina [et al.] // Canadian Journal of Fisheries and Aquatic Sciences. 2020. Vol. 77, no. 3. P. 576–593. https://doi.org/10.1139/cjfas-2018-0470
  51. Quantitative modelling of the spatial dynamics of South Pacific and Atlantic albacore tuna populations / I. Senina [et al.] // Deep Sea Research Part II: Topical Studies in Oceanography. 2020. Vol. 175. 104667. https://doi.org/10.1016/j.dsr2.2019.104667
  52. Senina I., Borderies M., Lehodey P. A spatio-temporal model of tuna population dynamics and its sensitivity to the environmental forcing data // Applied Discrete Mathematics and Heuristic Algorithms. 2015. Vol. 1, no. 3. P. 5–20. URL: https://disk.yandex.ru/i/rhmtyzcjGdz2nw (дата обращения: 26.02.2022).
  53. An ecosystem modeling approach to predicting cod recruitment / E. Svendsen [et al.] // Deep Sea Research Part II: Topical Studies in Oceanography. 2007. Vol. 54, iss. 23–26. P. 2810–2821. https://doi.org/10.1016/j.dsr2.2007.07.033
  54. Modelling ocean acidification in the Nordic and Barents seas in present and future climate / M. D. Skogen [et al.] // Journal of Marine Systems. 2014. Vol. 131. P. 10–20. https://doi.org/10.1016/j.jmarsys.2013.10.005
  55. One-dimensional ecosystem model of the equatorial Pacific upwelling system. Part I: model development and silicon and nitrogen cycle / F. Chai [et al.] // Deep Sea Research Part II: Topical Studies in Oceanography. 2002. Vol. 49, iss. 13–14. P. 2713–2745. https://doi.org/10.1016/S0967-0645(02)00055-3
  56. Interdecadal variation of the transition zone chlorophyll front: A physical-biological model simulation between 1960 and 1990 / F. Chai [et al.] // Journal of Oceanography. 2003. Vol. 59, iss. 4. P. 461–475. https://doi.org/10.1023/A:1025540632491
  57. PISCES-v2: an ocean biogeochemical model for carbon and ecosystem studies / O. Aumont [et al.] // Geoscientific Model Development. 2015. Vol. 8, iss. 8. P. 2465–2513. doi:10.5194/gmd-8-2465-2015
  58. McAllister M. K., Kirkwood G. P. Bayesian stock assessment: a review and example application using the logistic model // ICES Journal of Marine Science. 1998. Vol. 55, iss. 6. P. 1031–1060. https://doi.org/10.1006/jmsc.1998.0425
  59. McAllister M. K. Using bayes factors to evaluate the credibility of stock-recruitment relationships for western Atlantic Bluefin tuna // ICCAT Collective Volume of Scientific Papers. 2013. Vol. 69, no. 2. P. 913–937. URL: https://iccat.int/Documents/CVSP/CV069_2013/n_2/CV069020913.pdf (дата обращения: 26.02.2022).
  60. Estimating natural mortality within a fisheries stock assessment model: An evaluation using simulation analysis based on twelve stock assessments / H.-H. Lee [et al.] // Fisheries Research. 2011. Vol. 109, iss. 1. P. 89–94. https://doi.org/10.1016/j.fishres.2011.01.021
  61. Can steepness of the stock–recruitment relationship be estimated in fishery stock assessment models? / H.-H. Lee [et al.] // Fisheries Research. 2012. Vol. 125–126. P. 254–261. https://doi.org/10.1016/j.fishres.2012.03.001
  62. Simulation of methods of dealing with age-based movement in PBF stock assessment : working paper / H.-H. Lee [et al.] // Pacific Bluefin Tuna Working Group Intersessional Workshop : ISC 16 Report. Kaohsiung, Chinese Taipei, 2015. Annex 4. P. 13. URL: https://meetings.wcpfc.int/file/5091/download (дата обращения: 26.02.2022).
  63. Лисунова Н. С., Бердников С. В. Применение математической модели ShareFish 2.0 для анализа факторов, влияющих на запас северо-восточной арктической трески // Изучение и освоение морских и наземных экосистем в условиях арктического и аридного климата: материалы международной научной конференции, Ростов-на-Дону, 6–11 июня 2011 г. Ростов-на-Дону : Изд-во ЮНЦ РАН, 2011. С. 414–417.
  64. Булатов О. А. К вопросу о методологии прогнозирования запасов и стратегии промысла минтая // Труды ВНИРО. 2015. Т. 157. С. 45–70. URL: http://vniro.ru/files/trydi_vniro/archive/tv_2015_t_157_article_4.pdf (дата обращения: 26.02.2022).
  65. Современное состояние запасов трески Баренцева моря и прогноз ОДУ на 2008 г. / О. А. Булатов [и др.] // Рыбное хозяйство. 2007. № 5. С. 61–65. URL: http://dspace.vniro.ru/bitstream/handle/123456789/4806/17.Булатов.pdf?sequence=19 (дата обращения: 26.02.2022).
  66. Васильев Д. А., Булгакова Т. И. Альтернативная оценка запаса баренцевоморской трески с использованием модели TISVPA // Рыбное хозяйство. 2007. № 5. С. 54–60.
  67. Васильев Д. А., Булатов О. А. Оценка запасов северо-восточных арктической трески и пикши с помощью модели TISVPA // Вопросы рыболовства. 2015. Т. 16, № 4. С. 497–505. URL: http://www.vniro.ru/files/voprosy_rybolovstva/archive/vr_2015_t16_4_article_11.pdf (дата обращения: 26.02.2022).
  68. Булгакова Т. И. Сценарное моделирование, направленное на тестирование правила регулирования промысла северо-восточной арктической трески // Рыбное хозяйство. 2009. № 4. С. 77–80.
  69. Борисов В. М., Котенев Б. Н., Борисов А. И. Российские переловы баренцевоморской трески в море и в норвежских отчетах // Рыбное хозяйство. 2006. № 5. С. 6–9.
  70. Жичкин А. П. Пространственно-временная изменчивость промысловой значимости различных районов рыбного лова в Баренцевом море // Вестник МГТУ. 2014. Т. 17, № 3. С. 465–473. URL: http://vestnik.mstu.edu.ru/v17_3_n58/465_473_zhich.pdf (дата обращения: 26.02.2022).
  71. Оценка запасов трески Баренцева моря / Б. Н. Котенев [и др.] // Рыбное хозяйство. 2007. № 5. С. 51–53.
  72. Шунтов В. П., Темных О. С. Иллюзии и реалии экосистемного подхода к изучению и управлению морскими и океаническими биологическими ресурсами // Известия ТИНРО. 2013. Т. 173. С. 3–29.
  73. Эффекты современных изменений климата в распределении промысловых скоплений северо-восточной арктической трески в период нагула / В. А. Боровков [и др.] // Вопросы промысловой океанологии. 2014. Вып. 11. С. 61–75.
  74. Бердников С. В., Дашкевич Л. В., Селютин В. В. Морские охраняемые территории как метод защиты эксплуатируемых популяций (на примере лофотено-баренцевоморской трески Gadus morhua morhua) // Известия высших учебных заведений. Северо-Кавказский регион. Серия: Естественные науки. 2002. № 4. С. 68–73.
  75. Жичкин А. П. Атлас российского промысла трески в Баренцевом море (1977–2006 гг.). Мурманск : Радица, 2009. 212 c.
  76. Проектирование территориальных мер охраны морской среды с использованием математических моделей и правовые аспекты управления (на примере лофотено-баренцевоморской трески Gadus morhua morhua L.) / С. В. Бердников [и др.] // Рыбное хозяйство. 2010. № 6. С. 58–66.
  77. Интегрированная математическая модель большой морской экосистемы Баренцева и Белого морей – инструмент для оценки природных рисков и эффективного использования биологических ресурсов / С. В. Бердников [и др.] // Доклады Академии наук. 2019. Т. 487, № 5. С. 566–572. https://doi.org/10.31857/S0869-56524875566-572
  78. A protocol for the intercomparison of marine fishery and ecosystem models: Fish-MIP v1.0 / D. P. Tittensor [et al.] // Geoscientific Model Development. 2018. Vol. 11, iss. 4. P. 1421–1442. https://doi.org/10.5194/gmd-11-1421-2018
  79. Fulton E. A., Link J. S. Modeling approaches for marine ecosystem-based management // Marine Ecosystem-Based Management / M. J. Fogarty, J. J. McCarthy (Eds.). Harvard : Harvard University Press, 2014. 568 p. (The Sea: Ideas and Observations on Progress in the Study of the Seas ; Vol. 16).
  80. Projecting changes in the distribution and productivity of living marine resources: A critical review of the suite of modelling approaches used in the large European project VECTORS / M. A. Peck [et al.] // Estuarine, Coastal and Shelf Science. 2018. Vol. 201. P. 40–55. https://doi.org/10.1016/j.ecss.2016.05.019
  81. Integrated ecological-economic fisheries models – Evaluation, review and challenges for implementation / J. R. Nielsen [et al.] // Fish and Fisheries. 2018. Vol. 19, iss. 1. P. 1–29. https://doi.org/10.1111/faf.12232
  82. Christensen V., Walters C. J. Ecopath with Ecosim: methods, capabilities and limitations // Ecological Modelling. 2004. Vol. 172, iss. 2–4. P. 109–139. https://doi.org/10.1016/j.ecolmodel.2003.09.003
  83. Polovina J. J. Model of a coral reef ecosystem. 1. The ECOPATH model and its application to French Frigate Shoals // Coral Reefs. 1984. Vol. 3, iss. 1. P. 1–11. https://doi.org/10.1007/BF00306135
  84. Pauly D., Christensen V., Walters C. Ecopath, Ecosim, and Ecospace as tools for evaluating ecosystem impact of fisheries // ICES Journal of Marine Science. 2000. Vol. 57, iss. 3. P. 697–706. https://doi.org/10.1006/jmsc.2000.0726
  85. The global ocean is an ecosystem: simulating marine life and fisheries / V. Christensen [et al.] // Global Ecology and Biogeography. 2015. Vol. 24, iss. 5. P. 507–517. https://doi.org/10.1111/geb.12281
  86. Combined effects of global climate change and regional ecosystem drivers on an exploited marine food web / S. Niiranen [et al.] // Global Change Biology. 2013. Vol. 19, iss. 11. P. 3327–3342. https://doi.org/10.1111/gcb.12309
  87. Using the Ecopath with Ecosim modeling approach to understand the effects of watershed-based management actions in coastal ecosystems / J. M. Vasslides [et al.] // Coastal Management. 2017. Vol. 45, iss. 1. P. 44–55. http://dx.doi.org/10.1080/08920753.2017.1237241
  88. Database-driven models of the world's Large Marine Ecosystems / V. Christensen [et al.] // Ecological Modelling. 2009. Vol. 220, iss. 17. P. 1984–1996. https://doi.org/10.1016/j.ecolmodel.2009.04.041
  89. Representing variable habitat quality in a spatial food web model / V. Christensen [et al.] // Ecosystems. 2014. Vol. 17, iss. 8. P. 1397–1412. https://doi.org/10.1007/s10021-014-9803-3
  90. Global overview of the applications of the Ecopath with Ecosim modeling approach using the EcoBase models repository / M. Colleter [et al.] // Ecological Modelling. 2015. Vol. 302. P. 42–53. https://doi.org/10.1016/j.ecolmodel.2015.01.025
  91. Best practice in Ecopath with Ecosim food-web models for ecosystem-based management / J. J. Heymans [et al.] // Ecological Modelling. 2016. Vol. 331. P. 173–184. https://doi.org/10.1016/j.ecolmodel.2015.12.007
  92. Walters C., Pauly D., Christensen V. Ecospace: prediction of mesoscale spatial patterns in trophic relationships of exploited ecosystems, with emphasis on the impacts of Marine Protected Areas // Ecosystems. 1999. Vol. 2, iss. 6. P. 539–554. https://doi.org/10.1007/s100219900101
  93. Representation of multistanza life histories in Ecospace models for spatial organization of ecosystem trophic interaction patterns / C. Walters [et al.] // Bulletin of Marine Science. 2010. Vol. 86, no. 2. P. 439–459. URL: https://www.ingentaconnect.com/contentone/umrsmas/bullmar/2010/00000086/00000002/art00017 (дата обращения: 26.02.2022).
  94. Using the Ecopath with Ecosim modeling approach to understand the effects of watershed-based management actions in coastal ecosystems / J. M. Vasslides [et al.] // Coastal Management. Vol. 45, iss. 1. P. 44–55. https://doi.org/10.1080/08920753.2017.1237241
  95. Bridging the gap between ecosystem modeling tools and geographic information systems: Driving a food web model with external spatial–temporal data / J. Steenbeek [et al.] // Ecological Modelling. 2013. Vol. 263. P. 139–151. https://doi.org/10.1016/j.ecolmodel.2013.04.027
  96. Whitehouse G. A., Aydin K. Y. Assessing the sensitivity of three Alaska marine food webs to perturbations: an example of Ecosim simulations using Rpath // Ecological Modelling. 2020. Vol. 429. 109074. https://doi.org/10.1016/j.ecolmodel.2020.109074
  97. Бердников С. В., Сорокина В. В. Результаты применения EwE подхода для оценки допустимого промыслового воздействия на популяции рыб Баренцева, Охотского, Берингова, Каспийского и Черного морей // Экология. Экономика. Информатика. ХL конференция «Математическое моделирование в проблемах рационального природопользования»: материалы конференции. Ростов-на-Дону : Изд-во Южного федерального университета, 2012. С. 35–39.
  98. Радченко В. И. Характеристика экосистемы Охотского моря по результатам моделирования // Труды ВНИРО. 2015. Т. 155. С. 79–111. URL: http://vniro.ru/files/trydi_vniro/archive/tv_2015_t_155_article_7.pdf (дата обращения: 26.02.2022).
  99. Заволокин А. В., Радченко В. И., Кулик В. В. Динамика трофической структуры эпипелагического сообщества западной части Берингова моря // Труды ТИНРО. 2014. Т. 179. C. 204–219. https://doi.org/10.26428/1606-9919-2014-179-204-219
  100. Shin Y.-J., Cury P. Exploring fish community dynamics through size-dependent trophic interactions using a spatialized individual-based model // Aquatic Living Resources. 2001. Vol. 14, iss. 2. P. 65–80. https://doi.org/10.1016/S0990-7440(01)01106-8
  101. Two-way coupling versus one-way forcing of plankton and fish models to predict ecosystem changes in the Benguela / M. Travers [et al.] // Ecological Modelling. 2009. Vol. 220, iss. 21. P. 3089–3099. https://doi.org/10.1016/j.ecolmodel.2009.08.016
  102. Yemane D., Shin Y.-J., Field J. Exploring the effect of marine protected areas on the dynamics of fish communities in the southern Benguela: an Individual-based modelling approach // ICES Journal of Marine Science. 2009. Vol. 66, iss. 2. P. 378–387. https://doi.org/10.1093/icesjms/fsn171
  103. Making modelling count – increasing the contribution of shelf-seas community and ecosystem models to policy development and management / K. Hyder [et al.] // Marine Policy. 2015. Vol. 61. P. 291–302. https://doi.org/10.1016/j.marpol.2015.07.015
  104. Trophodynamic model of the Black and Azov Sea pelagic ecosystem: consequences of the comb jelly, Mnemiopsis leydei, invasion / S. V. Berdnikov [et al.] / Fisheries Research. 1999. Vol. 42, iss. 3. P. 261–289. https://doi.org/10.1016/S0165-7836(99)00049-1
  105. Дашкевич Л. В., Бердников С. В., Голубев В. А. Применение модели трофодинамики Баренцева моря для анализа динамики промысловых популяций и оценки допустимых нагрузок на экосистему // Комплексные исследования процессов, характеристик и ресурсов российских морей Северо-Европейского бассейна. Апатиты : КНЦ РАН, 2007. Вып. 2. Глава 3. С. 64–103.
  106. Climatic Atlas of the Sea of Azov 2006 / G. Matishov, S. Levitus (eds.). Washington, D.C. : U.S. Government Printing Office, 103 p. (NOAA Atlas NESDIS 59). 1 electronic optical disc (CD-ROM).
  107. Levitus S. Climatic atlas of the Sea of Azov 2008 : Dataset. NOAA National Centers for Environmental Information, 2013. 1 disc set. (NODC Standard Product: International ocean atlas ; Volume 11). URL: https://www.ncei.noaa.gov/archive/accession/0098574 (date of access: 26.02.2022).
  108. Atlas of climatic changes in nine large marine ecosystems of the Northern Hemisphere (1827-2013) / G. G. Matishov [et al.] ; G. G. Matishov, K. Sherman, S. Levitus (Eds.). 2014. 131 p. (NOAA Atlas NESDIS 78). doi:10.7289/V5Q52MK5
  109. World Seas: an Environmental Evaluation. Volume I : Europe, The Americas and West Africa / Ch. Sheppard (Ed.). 2nd Edition. Academic Press, 2019. 912 p. https://doi.org/10.1016/C2015-0-04330-1
  110. World Seas: an Environmental Evaluation. Volume II : the Indian Ocean to the Pacific / Ch. Sheppard (Ed.). 2nd Edition. Academic Press, 2019. 932 p. https://doi.org/10.1016/C2015-0-04332-5
  111. World Seas: an Environmental Evaluation. Volume III : Ecological Issues and Environmental Impacts / Ch. Sheppard (Ed.). 2nd Edition Academic Press, 2019. 666 p. https://doi.org/10.1016/C2015-0-04336-2
  112. The power of geographic information systems (GIS) for oceanography: Implications for spatio-temporal modelling of mid-ocean ridge evolution : conference paper / D. J. Wright [et al.] // Proceedings of The Oceanography Society Pacific Basin Meeting. Honolulu, Hawaii, 1994. P. 66.
  113. Ouellette W., Getinet W. Remote sensing for Marine Spatial Planning and Integrated Coastal Areas Management: Achievements, challenges, opportunities and future prospects // Remote Sensing Applications: Society and Environment. 2016. Vol. 4. P. 138–157. https://doi.org/10.1016/j.rsase.2016.07.003
  114. Fingas M. Remote sensing for marine management // World Seas: an Environmental Evaluation. Volume III : Ecological Issues and Environmental Impacts. / Ch. Sheppard (Ed.). 2nd Edition Academic Press, 2019. Chapter 5. P. 103–119. https://doi.org/10.1016/B978-0-12-805052-1.00005-X
  115. Anderson T. R. Progress in marine ecosystem modelling and the “unreasonable effectiveness of mathematics” // Journal of Marine Systems. 2010. Vol. 81, iss. 1–2. P. 4–11. https://doi.org/10.1016/j.jmarsys.2009.12.015
  116. Robson B. J. When do aquatic systems models provide useful predictions, what is changing, and what is next? // Environmental Modelling & Software. 2014. Vol. 61. P. 287–296. https://doi.org/10.1016/j.envsoft.2014.01.009
  117. Тютюнов Ю. В., Титова Л. И. От Лотки–Вольтерра к Ардити–Гинзбургу: 90 лет эволюции трофических функций // Журнал общей биологии. 2018. Т. 79, № 6. С. 428–448. doi:10.1134/S004445961806009X
  118. Prieß M., Koziel S., Slawig T. Marine ecosystem model calibration with real data using enhanced surrogate-based optimization // Journal of Computational Science. 2013. Vol. 4, iss. 5. P. 423–437. https://doi.org/10.1016/j.jocs.2013.04.001

Скачать статью в PDF-формате