Грод І., Кравець Н., Шевчик Л. [grazhdar@ukr.net]
Тернопільський національний педагогічний університет, Тернопільський державний медичний університет, Україна
Download in PDF: http://fmo-journal.fizmatsspu.sumy.ua/journals/2018-v4-18/2018_4-18-Hrod_Kravets_Shevchik_FMO.pdf

ПРОГНОЗУВАННЯ ЗМІНИ ЧИСЕЛЬНОСТІ КОМАХ-ЗАПИЛЮВАЧІВ
В ЗАЛЕЖНОСТІ ВІД КІЛЬКОСТІ ГРУП РОСЛИН ВИДІЛЕНОЇ ТЕРИТОРІЇ

Анотація. У програмах екологічного моніторингу важливе місце відводиться розробці методів моделювання динаміки популяцій, вивченню можливостей оцінювати стан екосистем, угруповань і популяцій. Найбільш доступною інтегральною характеристикою популяцій є чисельність, з якою тісно пов’язано багато інших параметрів. Тому в теоретичній і практичній екології питанням вивчення динаміки чисельності приділяється першорядне значення.
Саме тому за умови постійного моніторингу за станом розвитку і динамікою змін та контролю за нормою вилучення особин популяції, а також за умови правильно здійсненого прогнозу популяція може існувати довгий час і зберігати свою продуктивність.

В роботі зроблено спробу спрогнозувати чисельність популяції в умовах нерівномірного розподілу видів і ресурсів, а також провести чисельне дослідження можливих сценаріїв існування виду у заданому інтервалі часу.

Метою роботи є дослідження зміни чисельності комах-запилювачів в залежності від кількості груп рослин виділеної території методами математичного моделювання.
В статті розглядається розробка модифікованої моделі і відповідного їй методу прогнозування кількості особин популяції залежно від певного часового інтервалу. Використані методи математичного моделювання, аналізу часових рядів, регресійного аналізу, методи алгоритмізації і програмування.
Для побудови прогнозу чисельності популяції квіткозапилюючих комах використано вхідні дані про співвідношення різних груп запилювачів Західного Поділля (а також частку в % від загальної кількості зареєстрованих комах на різних групах рослин ( за подібністю будови квітів і суцвіть), надані кафедрою ботаніки та зоології Тернопільського національного педагогічного університету імені Володимира Гнатюка.
У роботі описано отримані результати: модель прогнозування часових рядів для побудови прогнозу чисельності окремої популяції, що відноситься до класу авторегресійних моделей, та результати прогнозування часових рядів чисельності популяцій окремої екологічної зони.
Ключові слова: модель, прогноз, популяція, генерування, стохастичний розподіл, екологічний моніторинг, прогнозування.

OF FORECASTING OF NUMBERS INSECTS FOR POLLINATE DEPENDING ON QUANTITY GROUPS PLANTS OF SEPARATE ECOLOGICAL ZONE

Inna Hrod
Ternopil V. Hnatiuk National Pedagogical University, Ternopil, Ukraine
Natalia Kravets
Ternopil State Medical Academy named after IY Gorbachevsky, Ukraine
Lyuba Shevchik
Ternopil V. Hnatiuk National Pedagogical University, Ternopil, Ukraine

Abstract. In environmental monitoring programs an important place is devoted to development methods of modeling population dynamics, opportunities to study and assess the state of ecosystems, groups and populations. Numbers are an accessible integral characteristic of populations, with which many other parameters are closely linked. Therefore, in theoretical and practical ecology the question of studying the dynamics of the number the paramount importance is given.
That is why, under constant control development and dynamics of change quantities Species of the population and on condition correctly implemented forecast the population may exist for a long time and keep your productivity.
An attempt was made to predict the population size in conditions of uneven distribution of species and resources, to conduct a numerical study of possible scenarios of species existence in a given time interval.
The purpose of the work is study of the change in the number of insect pollinators depending on the number groups of plants of the allocated territory methods of mathematical modeling.
The article is considered development of a modified model and forecasting method number of population of the depending on a certain time interval. Methods of mathematical modeling, time series analysis, regression analysis, methods of algorithmization and programming are used.
For building forecast about population quantities insects, for pollinate plants, data about correlation of different groups of pollinators of the West Podillya provided by the Department of Botany and Zoology of V. Hnatiuk Ternopil National Pedagogical University were used.
The work is described the results: obtained model of forecasting of time series to build a forecast of the size of a separate population and results of forecasting of time series number of populations separate ecological zone.
Keywords: model, forecast, population, generation, stochastic distribution, environmental monitoring, prognostication.

Список використаних джерел

1. Collantes—Duarte J., Rivas—Echeverriat F. Time  Series Forecasting using ARIMA, Neural Networks and Neo Fuzzy Neurons. WSEAS International Conference on Neural Networks and Applications. Switzerland. 2002. URL: www.wseas.us/e-library/conferences/
2. Day-Ahead Electricity Price Forecasting Using the Wavelet Transform and ARIMA Models / A.J. Conejo [at al.]. IEEE transaction on power systems. 2005. Vol. 20. No. 2. P. 1035 – 1042.
3. Draper N., Smith H. Applied regression analysis. New York: Wiley, In press, 1981. 693 p.
4. Extrapolation. The free encyclopedia «Wikipedia». URL: http://en.wikipedia.org/wiki/Extrapolation
5. Fogler H.R. A pattern recognition model for forecasting. Management science. 1974. No.8. P. 1178 – 1189.
6. Hannes Y.Y., Webb P. Classification and regression trees: A User Manual for IdentifyingIndicators of Vulnerability  to Famine and Chronic Food Insecurity. International Food Policy Research Institute. 1999. 59 p. URL: http://www.fao.org/sd/erp/toolkit/BOOKS/classification
7.  Morariu N., Iancu E., Vlad S. A neural network model for time series forecasting. Romanian Journal of Economic Forecasting. 2009. No. 4. P. 213 – 223.
8. Nogales F.J., Conejo A.J. Electricity price forecasting through transferfunction models. Journal of the Operational Reserch Society. 2006. Vol. 57. No. 4. P. 350 – 356.
9. Norizan M., Maizah Hura A., Zuhaimy I. Short Term Load Forecasting Using Double Seasonal ARIMA Model. Regional Conference on Statistical Sciences. Malaysia, Kelantan. 2010. P. 57 – 73.
10. Pradhan R.P., Kumar R. Forecasting Exchange Rate in India: An Application of Artificial Neural Network Model. Journal of Mathematics Research. 2010. Vol 2. No. 4. P. 111 – 117.
11. Zhu J., Hong J., Hughes J.G. Using Markov Chains for Link Prediction in Adaptive Web Sites. 1st International Conference on Computing in an Imperfect World. UK, London, 2002. P. 60 – 73.
12. Бокс Дж., Дженкінс Г.М. Аналіз часових рядів, прогноз і управлінння. М.: Мир, 1974. 406 с.
13. Грод І.М., Постумент С.В. Побудова моделі ARIMA для прогнозування динаміки чисельності популяції. Тези міжнародної наукової інтернет-конференції «Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення» 15 травня 2018 року.
14. Методи прогнозування / С.А. Чернецов [і ін.]. Наука і освіта. 2009. №9. URL: http://technomag.edu.ru/
15. Нормативні системи в прогнозуванні розвитку / Л.І. Муратова [і ін.]. Управління системами. 2009. №20. URL: http://uecs.mcnip.ru/modules.php?name=News&file=print&sid=145