BAB 4.

Epidemi di Sistem Kelautan

Dalam bab ini Anda akan belajar bagaimana:
Memisahkan populasi ke dalam individu sub-populasi yang berinteraksi dengan satu sama
lain;
Menggunakan Konveyor untuk membangun urutan spesifik acara untuk individu di
subpopulasi yang berbeda;
Model penyebaran penyakit di antara anggota populasi;
Melakukan analisis sensitivitas untuk model; dan
Mengeksplor implikasi dari struktur model alternatif.
Manusia mempengaruhi ekosistem laut dalam banyak cara. Dampak langsung antropogenik
pada sumber daya laut termasuk penghapusan organisme seperti karang, ikan, dan
mamalia dan penghancuran habitat, misalnya, dengan pengeboran minyak pada daerah offshore off-shore, peledakan senjata eksperimental, penggunaan racun dan bahan peledak
untuk setrum dan membunuh ikan, rilis insidental dari racun, run-off nutrisi, dan dampak dari
alat tangkap di habitat dasar laut. Peningkatan dampak antropogenik pada ekosistem dapat
memicu efek tidak langsung seperti insiden seperti peningkatan penyakit. Misalnya,
pelepasan nutrisi dari peternakan atau tanaman limbah dapat meningkatkan konsentrasi
hara di wilayah pesisir dan backwaters pasang surut ke mana yang mendorong mekar
ganggang dan pertumbuhan mikroba. Di hadapan konsentrasi cukup tinggi dari kotoran,
beberapa zoospora, seperti Pfiesteria piscicida, diinduksi untuk menjadi beracun. The racun
akan tidak hanya mempengaruhi perilaku ikan, misalnya dengan membuat mereka lesu,
namun dapat langsung melukai kulit mereka, mendorong pendarahan dan perdarahan, dan
berdampak keseimbangan garam mereka.
Ganggang dapat menjadi racun bagi ikan dan mamalia, merangsang stres untuk mereka
populasi, membuat mereka lebih rentan terhadap penyakit dan / atau mengangkat mereka
tingkat kematian. tingkat kematian yang tinggi dari manatee CTrichechus manatus
latirostris), misalnya, telah dikaitkan tidak hanya untuk tabrakan dengan kapal, tetapi juga
untuk alga mekar disebabkan oleh tingkat gizi yang tinggi. individu menekankan lebih rentan
tertular penyakit, dan lebih mungkin untuk menderita dari kondisi cuaca yang tidak
menguntungkan, seperti lebih dingin dari musim dingin normal.
Meskipun bab ini tidak secara eksplisit berurusan dengan penyebab antropogenik stres,
tidak memberikan kerangka untuk model penyebaran penyakit dalam suatu populasi dan
untuk melacak dampak penyakit pada dinamika populasi. Lingkungan fisik dan biotik tetap
konstan. Kemudian bab berurusan dengan lingkungan yang bervariasi, dan kami
mendorong Anda untuk meninjau kembali berikut epidemi model untuk mencakup dampak
lingkungan variabilitas pada sub-populasi yang berbeda dari yang rentan, terinfeksi dan
kekebalan tubuh individu.
4.1. Model dasar
Mari kita mempertimbangkan kasus disederhanakan di mana tingkat reproduksi dari
populasi adalah sama dengan angka kematian alami. Dengan asumsi ini kita memiliki
ukuran populasi mapan. Kita sekarang dapat fokus pada efek epidemi sendiri pada populasi
tanpa harus model "Normal" dinamika-orang penduduk dinamika yang akan menang jika
Penyakit tidak hadir. Namun, jika beberapa individu terjangkit penyakit ini , Populasi dapat
mengalami tingkat kematian yang tinggi. Mari kita membedakan tiga kelompok individu
dalam populasi. Pertama termasuk individu yang rentan terhadap penyakit. Kelompok kedua
berisi individu yang sudah terinfeksi dengan penyakit ini. interaksi mereka dengan anggota
susceptibles mengarah ke penyebaran penyakit. Kelompok ketiga berisi individu-individu
yang telah terinfeksi penyakit, Tetapi sementara menjadi kebal. Kami tidak perlu model

individu yang terjangkit penyakit ini namun meninggal karena mereka meninggalkan sistem
dan akibatnya tidak mempengaruhi dinamika.
Karena kita membedakan dalam model kami tiga subpopulasi, kita perlu tiga Saham yang
berbeda untuk melacak nasib masing-masing. Tata letak model dengan pertama
mengidentifikasi saham individu RENTAN, TERINFEKSI dan KEKEBALAN, dan kemudian
membuat hubungan antara mereka seperti yang ditunjukkan pada Gambar 4.1. The individu
yang rentan menjadi sakit, maka kekebalan tubuh, maka rentan lagi.

Berikutnya menganggap ada sebuah awal 1990 individu yang rentan, 10 terinfeksi satu dan
tidak ada yang kebal dalam populasi. Juga menganggap bahwa dibutuhkan 3 minggu untuk
orang sakit untuk menjadi kebal, dan sekali kekebalan tubuh mereka tetap kekebalan tubuh
selama 20 minggu. Tentukan nilai awal untuk saham RENTAN seperti yang telah kita
lakukan dalam bab-bab sebelumnya. Kemudian klik dua kali pada saham yang menangkap
bagian TERINFEKSI penduduk, dan tentukan sebagai conveyor dengan mencentang kotak
yang sesuai pada kotak dialog (Gambar 4.2). SEBUAH fungsi conveyor seperti conveyor
unit belt-masing mendapatkan ditempatkan pada conveyor dan kemudian bergerak untuk
waktu tertentu sebelum mereka keluar itu lagi. Tentukan "Waktu transit" dari 3 untuk
conveyor dan nilai awal l0-ini adalah 10 orang yang terinfeksi, dan mereka tetap terinfeksi,
seperti orang lain yang masuk conveyor, selama 3 minggu. Keluar dari kotak dialog dengan
mengklik OK, dan perhatikan dua perubahan dalam model Anda: penampilan simbol untuk
stok TERINFEKSI berubah, dan tanda tanya di outflow RECOVERY dari saham yang
terinfeksi menghilang. Hilangnya dari tanda tanya adalah hasil dari logika yang melekat
dalam spesifikasi conveyor. Seorang individu memasuki conveyor setiap mingg bergerak
satu slot depan dan keluar setelah 3 minggu.

Tentukan saham KEKEBALAN dengan cara yang sama, memilih waktu transfer 20.
Sekarang model Anda akan terlihat seperti pada Gambar 4.3. Untuk model tingkat di mana
penyakit ini akan diteruskan dari yang terinfeksi ke individu yang rentan, kita mengadopsi
hukum aksi massa dari kimia. Saat menghitung konsentrasi produk kimia yang dihasilkan
oleh dua reaktan, ahli kimia tidak model nasib setiap atom individu atau molekul, tapi
perbanyak konsentrasi reaktan satu sama lain dan dengan beberapa konstanta laju reaksi.
Tetapan laju reaksi secara empiris ditentukan, dan perkalian tingkat yang dengan
konsentrasi telah terbukti menjadi cara yang sangat kuat memprediksi konsentrasi akhir
produk kimia. Dengan analogi, ahli epidemiologi kalikan populasi dari rentan dan terinfeksi
individu oleh RATE KONTAK untuk menghitung jumlah orang yang baru terinfeksi '. Jumlah
yang baru terinfeksi individu per minggu adalah
CONTACT RATE*SUSCEPTIBLE*INFECTED

Untuk model kami, kita asumsikan tingkat kontrak 0,0002. Kami juga menganggap bahwa
angka kematian penyakit yang disebabkan adalah 10%. Model jumlah kematian akibat yang
TERINFEKSI sebagai arus keluar disebut KEMATIAN dan menghubungkan converter untuk
ANGKA KEMATIAN untuk keluar itu. Kemudian membuka aliran KEMATIAN. Dalam dialog
kotak, Anda akan diminta untuk menentukan fraksi kebocoran. Fraksi kebocoran adalah
fraksi inflow ke conveyor yang "bocor" dari itu. dalam kami kasus, fraksi kebocoran adalah
ANGKA KEMATIAN. Perhatikan bahwa Anda dapat juga menentukan zona larangan
kebocoran. Dengan menentukan ini zona larangan-kebocoran seperti 2, Anda menganggap
bahwa penyakit membunuh dari TERINFEKSI setelah 2 periode perjalanan mereka melalui
conveyor, yaitu setelah 2 minggu. Dengan kebocoran di tempat, simbol untuk keluar dari
conveyor akan berubah.
Model lengkap dari penyebaran penyakit yang ditunjukkan pada Gambar 4.4.
Menjalankan model ini lebih dari 400 minggu dengan DT = 1.

Hasil model ditunjukkan pada Gambar 4.5. Saham awalnya besar rentan dan populasi
kekebalan menghasilkan gelombang awal epidemi. Akibatnya, stok paku TERINFEKSI, dan
dengan 3 minggu menunda saham dari KEKEBALAN surge dan kemudian dataran tinggi
selama 30 minggu. Kematian 10% dari TERINFEKSI kontribusi terhadap pengurangan
jangka panjang dari saham RENTAN dan mengarah ke jumlah yang terus menurun ukuran
populasi.

Untuk menghitung ukuran total populasi, Anda harus menambahkan ketiga saham. Anda
hanya dapat menghasilkan converter baru, sebut saja TOTAL PENDUDUK, dan
menentukan sebagai "Summer" dengan mencentang kotak masing-masing di window dialog
(Gambar 4.6). Kemudian pilih masing-masing dari tiga saham, dan STELLA otomatis akan
menambah nilai-nilai mereka. Fungsi musim panas memungkinkan Anda untuk mudah
menghitung jumlah itu tanpa harus menggambar panah informasi untuk konverter. Hasilnya
ditampilkan untuk epidemi pada Gambar 4.7. Dengan masing-masing gelombang epidemi,
ukuran total populasi menurun, dan maka tetap relatif konstan sampai wabah berikutnya.
Perhatikan bahwa model kami mengasumsikan bahwa 10 orang awalnya terinfeksi sama
sama tersebar di conveyor-dengan sepertiga dari mereka di minggu pertama memiliki
penyakit, sepertiga dari mereka pada minggu kedua dan sisanya ketiga dalam pekan lalu.
Untuk menentukan entri untuk nilai awal masing-masing slot pada conveyor TERINFEKSI,
memisahkan entri dengan koma. Sebagai contoh,
INFECTED = 10,0,0
mengasumsikan bahwa semua 10 orang awalnya terinfeksi adalah pada minggu pertama
memiliki penyakit . Untuk mengkonfirmasi hal ini, gunakan QUELEM built-in fungsi dalam
STELLA. Fungsi ini mengambil nilai dari slot tertentu conveyor. Sebagai contoh,
TERINFEKSI ONE = QUELEM (TERINFEKSI, l)
menghasilkan nilai pada slot pertama dari conveyor bernama TERINFEKSI. Mempersiapkan
konverter serupa untuk slot kedua, dan ketiga. Plot nilai-nilai baru konverter pada Tabel dan
melihat bagaimana kelompok individu bergerak melalui conveyor. Perhatikan juga bahwa
beberapa individu menghilang dari conveyor karena mereka "kebocoran" melalui pipa
KEMATIAN aliran.

Model kami sekarang tampak seperti Gambar 4.8. Menjalankan model dan Anda akan
melihat bahwa hasilnya adalah hampir tidak berubah selama kasus di mana awal
TERINFEKSI penduduk merata di seluruh interval waktu 3 minggu lebih yang mereka dapat
lulus pada penyakit. Ini seharusnya tidak mengejutkan karena tingkat infeksi baru tergantung
pada ukuran total saham dari TERINFEKSI, tidak pada kelompok tunggal dalam saham itu.
Namun, mungkin menjadi kasus yang orang yang baru terinfeksi lebih rentan untuk datang
ke dalam kontak dengan rentan individu daripada dengan orang-orang yang membawa
penyakit selama lebih dari satu Minggu, karena yang terakhir mungkin melemah, kurang
bergerak dan dengan demikian telah mengurangi interaksi dengan orang lain. Jika hal ini
terjadi, maka Anda akan perlu untuk menentukan. Tingkat kontak terpisah untuk setiap
kelompok antara TERINFEKSI dan menggunakan tingkat kontak dan ukuran kelompok
untuk menentukan INFEKSI.

4.2. Analisis sensitivitas

4.2.1. Nilai parameter dan Kondisi Awal
Bagaimana sensitif adalah LTS Model resu dari bagian sebelumnya untuk alternatif asumsi
tentang kondisi awal dan nilai parameter s? Untuk exp Lore yang sensitivitas model, kita cou
ld bervariasi-satu di asumsi waktu-model, menjalankan model, dan membandingkan
hasilnya dengan berjalan sebelumnya. Jika kita ingin memilih berbagai nilai parameter
alternatif s, maka kita perlu menjalankan model berkali-kali. Analisis sensitivitas bisa menjadi
membosankan kalau bukan untuk kemampuan STELLA untuk mengotomatisasi proses ini
sampai batas tertentu. Sebagai contoh, jika kita ingin expl bijih bagaimana keparahan dan
frekuensi penyakit Wabah berbeda untuk tiga tingkat kontak yang berbeda, kita dapat
memilih "Sensi Specs" dari menu Run pull-down dan pilih RATE KONTAK sebagai
parameter yang kami ingin melakukan analisis sensitivitas. Tentukan nomor dari berjalan
sebagai 3, kemudian klik pada RATE KONTAK dan menentukan awal dan akhir nilai untuk
satu set "Tambahan" perubahan dalam tingkat tindakan cont dari lari ke menjalankan. Jika
Anda menetapkan nilai mulai dari .OOO5 - nilai Dur dari model sebelumnya menjalankandan nilai akhir dari 0,0010, maka STELLA akan memilih tambahan nilai antara kedua untuk
membuat total tiga kali. Untuk "Incremental" sen analisis sensitifitas, sama-spasi antara
penilai s) akan dipilih. Selanjutnya, klik pada "Grafik" dan pilih TERINFEKSI sebagai variabel
yang akan diplot untuk tiga kali sensitivitas.
Perhatikan bahwa ketika Anda ingin menjalankan model menu sekarang menunjukkan
"SRun," bukannya "Run" dalam menu pull-down. Ketika Anda menjalankan model, hasil
untuk tiga asumsi yang berbeda diplot di halaman yang sama dari sensitivitas grafik.
Hasilnya ditunjukkan pada Gambar 4.9.

Perhatikan bahwa untuk pilihan kami untuk parameter perilaku penyakit ini relatif sama wabah terjadi di sekitar waktu yang sama dan dengan sekitar intensitas yang sama,
meskipun tarif kontak dua kali lipat dari pertama yang menjalankan ketiga. Akan hasil ini
terus, pada prinsipnya, untuk kontak lebih tinggi tarif? Bagaimana sensitif adalah hasil model
perubahan kondisi awal? Bagaimana periodici ty dan besarnya wabah penyakit akan
berubah jika panjang kekebalan sementara adalah setengah dari panjang atau dua kali
selama dimodelkan sini? Percobaan dengan analisis sensitivitas STELLA ini fitur untuk
menemukan jawaban pertanyaan-pertanyaan ini.
Opsi tambahan untuk analisis sensitivitas memungkinkan Anda untuk beragam kondisi awal
dan nilai-nilai parameter seperti yang mereka didefinisikan secara acak atau ditentukan AD
hoc. Jika Anda ingin membiarkan mereka bervariasi dari run untuk menjalankan bersama
normal distribusi dengan mean dikenal dan standar deviasi, memilih "Distribusi" option
bukan "Tambahan" (Gambar 4.10). Jika Anda spec ify "Benih" sebagai bilangan bulat positif,
yo u e ns ure th e kemampuan untuk meniru ar urut nomor acak particul sensitivitas berjalan
berikutnya. Jika Anda tidak menentukan benih, kemudian berjalan berikutnya dari model
Anda akan cenderung berbeda karena setiap kali seri yang berbeda dari nomor acak
digunakan untuk perhitungan. Yang membuat perbandingan dari model hasil yang sulit-itu
tidak segera jelas apakah perbedaan antara model yang berjalan berbeda karena pilihan
parameter lain atau kondisi awal, atau apakah perbedaan yang adalah karena penggunaan
nomor acak yang berbeda.

Jika Anda tidak ingin memanfaatkan distribusi normal dari angka acak digunakan dalam
analisis sensitivitas, dick pada tombol bel-kurva. tombol ini akan mengubah penampilan
kurva ini, dan sekarang Anda perlu menentukan minimum, maksimum, dan benih untuk
analisis sensitivitas Anda (Gambar 4.11).
Pilihan lain untuk spesifikasi sensitivitas berjalan tidak menggunakan Perubahan yang
ditentukan STELLA di parameter dalam interval inkremental atau bersama distribusi. Anda
dapat menentukan nilai ad hoc untuk masing-masing berturut-turut berjalan.
Analisis sensitivitas dapat dilakukan untuk satu parameter atau kondisi awal di waktu, atau
alternatifnya Anda dapat memilih satu set parameter dan kondisi awal, dan masing-masing
memberikan jangkauan mereka sendiri lebih dari yang bervariasi. Pilihan ini harus
menyediakan Anda dengan fleksibilitas yang cukup dalam penilaian dari sensitivitas model
terhadap nilai-nilai numerik dan kondisi awal dengan yang Anda tentukan model. Sering
menggunakan sensitivitas berjalan; mereka akan membantu Anda untuk lebih memahami
model dan kehandalan.
4.2.2. Struktur Model
Hasil model biasanya berubah dengan perubahan nilai parameter dan awal kondisi, seperti
yang kita lihat di bagian sebelumnya. Kadang-kadang, kecil Perubahan dapat memiliki
implikasi signifikan bagi perilaku sistem. Di Sebaliknya, mengubah nilai parameter atau
kondisi awal mungkin tidak memiliki dampak yang nyata pada hasil-model baik kualitatif
maupun kuantitatif. Mengetahui parameter penting untuk jenis hasil membantu
menghasilkan kepercayaan dalam kinerja model dan dapat membantu pengumpulan data
panduan. Jika di bawah berbagai asumsi satu nilai parameter tidak memiliki dampak yang
signifikan terhadap hasil model, maka kita dapat menghemat waktu dan usaha dalam
melacak informasi spesifik tentang parameter itu. Sebenarnya, kita mungkin bahkan
mengubah model kita agar tidak menggunakan parameter yang sama sekali. Namun, kami
Model ini sangat sensitif terhadap pilihan beberapa parameter atau kondisi awal, maka kita
harus melakukan yang terbaik untuk menemukan data yang dapat diandalkan dan
melaporkan sensitivitas yang ketika kami menyajikan atau mendiskusikan model.

Sebuah model yang baik hanya memiliki satu elemen penting untuk deskripsi sistem, dan
presentasi yang baik dari model mencakup pembahasan yang kepekaan terhadap asumsi
alternatif tentang kondisi awal dan parameter nilai-nilai. hasil model jelas juga dipengaruhi
oleh struktur model. Begitu, agar dapat mengatakan bahwa model kami adalah representasi
yang baik dari sistem bunga, kita perlu mempelajari bagaimana perubahan dalam struktur
model yang terkait dengan perubahan dalam hasil model. Ambil, misalnya, model epidemi
dibahas dalam Bagian 4.1. Asumsi kunci dari model yang adalah bahwa natural tingkat
kelahiran dan kematian yang sama satu sama lain. Asumsi ini memungkinkan kita
berkonsentrasi pada efek dari penyakit pada dinamika populasi. tapi dengan demikian
belum kita terbatas diri untuk satu set kecil driver di belakang penyebaran penyakit? Jika
individu yang terinfeksi dengan penyakit terlalu sakit untuk mereproduksi, maka pasti kita
dapat berharap bahwa dinamika populasi akan terpengaruh oleh wabah penyakit.
Model Gambar 4.12 eksplisit termasuk kelahiran alami dan kematian proses, dan efek
bahwa penyakit mungkin memiliki aktivitas reproduksi individu yang sakit. Dalam model
yang kita telah mendefinisikan kelahiran internet sebagai

Jika Anda mengatur NET KELAHIRAN RATE = 0, maka dinamika model ini identik dengan
yang di Bagian 4.1. Hal ini dalam pengertian ini bahwa analisis sensitivitas model hasil
sehubungan dengan struktur model mungkin dianggap sebagai kasus lain dari analisis
sensitivitas terhadap pilihan dari parameter.

Mengatur tingkat kelahiran bersih 0,02. Sebelum Anda menjalankan model, membuat
terdidik menebak untuk hasil. Di sini kita memiliki kasus di mana populasi meningkat menuju
maksimum 4000 jika tidak ada penyakit yang hadir. Memastikan pengamatan ini dengan
menetapkan nilai awal TERINFEKSI ke nol. Namun, jika penyakit hadir dalam populasi,
jumlah kelahiran diturunkan pada saat-saat di mana individu yang sakit. Selama wabah

penyakit, tingkat kelahiran bersih berkurang, dan mengikuti wabah meningkatkan lagi.
Akibatnya, kita akan berharap bahwa fluktuasi dalam ukuran populasi ikuti penyebaran
penyakit. Dan sebaliknya, dengan aliran individu yang rentan memasuki sistem, penyakit ini
diabadikan, bukannya menghilang dari populasi. Gambar 4.13 menegaskan ini harapan.

Apakah kita mendapatkan sesuatu yang baru dari eksplisit induding kelahiran alami dan
kematian proses ke dalam model kita? Kami telah memperkenalkan fitur lain ke dalam
model, dan dalam menanggapi hasil kami berbeda-penyakit terus muncul pada interval
periodik dalam populasi. Apakah akan menyertakan alami proses kelahiran dan kematian
tergantung pada apakah ada perbedaan tingkat kelahiran dan kematian di antara subpopulasi dari RENTAN, TERINFEKSI dan individu KEKEBALAN. Jika perbedaan tersebut
ada di populasi Anda berurusan dengan, maka mereka harus tercermin dalam model Anda.
Itu Model Seksi 4.1 yang mengecualikan proses ini adalah kasus khusus dari salah satu
yang dikembangkan di sini, dan hasilnya sepenuhnya konsisten dengan yang ditemukan
setelah introdu cing proses kelahiran dan kematian alami, model untuk memilih ujung
sepenuhnya dep pada pertanyaan yang ingin Anda alamat, dan sistem di tangan.
Tidak ada kriteria tunggal yang memberitahu Anda untuk berhenti termasuk fitur baru ke
dalam model. Aturan umum, meskipun, adalah mengupayakan model yang sederhana
cukup untuk menangkap semua aspek yang relevan dari sistem sambil menghindari
kesalahan pengecualian, namun cukup kaya untuk menghasilkan pertanyaan baru dan
menemukan jawaban baru sambil menghindari kesalahan inklusi. Model Seksi 4.1 pasti
memenuhi persyaratan itu.

4.3. membuat submodels

Model bagian sebelumnya terdiri, pada dasarnya, tiga set perhitungan: penentuan kelahiran
bersih karena proses terkait Nondisease, perhitungan penyebaran penyakit, dan penentuan
diseaserelated kematian. Mari kita memisahkan tiga set ini perhitungan, dan dalam Proses
belajar fitur lain dari STELLA-fitur submodel.
Dalam STELLA, sebuah submodel dapat diwakili oleh ikon dan bisa terpisah mengandung
dalam ikon yang sejumlah hubungan saham-aliran. Untuk membuat submodel sebuah , Pilih
ikon untuk saham (waduk), letakkan di diagram STELLA, nama itu-untuk tujuan kita
"PENYAKIT" - kemudian membukanya, klik "Conveyor" pilihan dan memeriksa "Subrnodel"
kotak (Lihat Gambar 4.14). Selanjutnya, klik OK untuk menutup jendela untuk menentukan
submodel tersebut.

Diagram STELLA sekarang harus terlihat seperti Gambar 4.15. Sebuah bidang baru di yang
menentukan submodel yang muncul di bawah ikon submodel. Disini, Anda dapat layout
struktur submodel dan menentukan komponen-komponennya. Gunakan spesifikasi yang
sama seperti pada bagian sebelumnya dari bab ini untuk tiba di model seperti pada Gambar
4.16. Runtuh struktur Submodel ke icon submodel dengan mengklik panah menunjuk ke

atas. Kemudian membuat arus masuk dan arus keluar ke dan dari submodel seperti pada
Gambar 4.17. Perhatikan bahwa Anda tidak dapat membuat arus ini selama Submodel
masih terbuka.

Pada Gambar 4.17, variabel tidak TERINFEKSI hanyalah jumlah dari saham RENTAN dan
Kekebalan, dan KELAHIRAN NET aliran ditentukan seperti sebelumnya, tetapi
menggunakan TIDAK TERINFEKSI dan PENYAKIT sebagai masukan. Yang terakhir adalah
jumlah dari saham di submodel, dan dengan demikian sesuai dengan jumlah penduduk.

Sementara Submodel ditutup, klik pada pipa KEMATIAN aliran dan Anda akan melihat
bahwa itu daftar sebagai masukan yang diijinkan "Noname 2" aliran submodel tersebut
(Lihat juga Gambar 4.16). Pilih untuk menentukan kematian karena penyakit.
Buka submodel Anda dengan mengklik dua kali pada ikon submodel. Melihat bahwa aliran
sebelumnya disebut "Noname 2" telah KEMATIAN namanya 'untuk menunjukkan bahwa itu

ditentukan atas dasar aliran KEMATIAN luar submodel tersebut. Sementara Submodel
terbuka, tentukan "Noname 3" aliran dengan memilih yang "Allowable Input" KELAHIRAN
NET. Klik OK dan perhatikan bahwa aliran dalam submodel yang telah diubah namanya
NETBIRTHS '. Model Anda harus sekarang terlihat seperti Gambar 4.18.

Membuat grafik dari variabel keadaan sistem ini, membuat terdidik kira dinamika sistem,
menjalankan model untuk 400 periode di DT = 1, dan mengamati hasil. Gambar 4.19
menunjukkan apa yang harus Anda dapatkan. Hasil dalam gambar yang sama dengan yang
di bagian sebelumnya dari bab ini.

Kami akan menghadapi fitur submodel lagi pada Bab 9. Ketika Anda mengembangkan
model sendiri dengan submodels, petunjuk berikut ini mungkin berguna. Ketika Anda
membuka submodel, mungkin tumpang tindih dengan model komponen lainnya dan
diagram STELLA mungkin sulit untuk dibaca. Anda harus mengatur ulang sisa model Anda
sehingga perluasan submodel yang tidak kompromi kejelasan dan model transparansi.
Untuk mengatur ulang komponen di luar model submodel, tahan Command Key (untuk
Macintosh) atau Control Key (pada Windows) untuk mengakses komponen di luar model.
memindahkan mereka ke mana Anda ingin mereka menjadi ketika Submodel terbuka.
Perhatikan bahwa mereka tetap pada posisi semula saat Submodel ditutup

BAB 5. Dampak Tekanan Penangkapan pada rata-rata Panjang Ikan

Dalam bab ini Anda akan:
Mempelajari cara untuk memisahkan penduduk menurut kelompok umur dan panjang;
Menentukan Recruiment kedalam kelas panjang individu sebagai proses acak;
Memperkenalkan tingkat kematian penangkapan berbeda untuk usia dan kelas berbeda
panjang ikan dan menyelidiki dampak jangka panjang selektif penangkapan terhadap
populasi;
Memanfaatkan fitur array STELLA untuk mempertahankan transparansi model diagram.
5.1. Tiga-Age-Cohort Model dan Perikanan
Dalam Bab 2 dan 3 kita berurusan dengan masing-masing populasi spesies dalam cukup
cara agregat. Ada satu variabel negara yang mewakili stok Paus, dan satu untuk tombak
pasir. Bahwa tingkat disagregasi sudah cukup untuk menangkap fitur utama dari sistem kitainteraksi antara predator dan mangsa. Dalam Bab 4 kita memperlakukan remaja dan
dewasa anggota populasi sama dan tidak membedakan perbedaan dalam kecenderungan
mereka untuk kontrak penyakit. Sebaliknya, dalam bab ini kita ingin membedakan dalam
setiap populasi antara orang-orang yang memiliki fitur yang berbeda, seperti usia yang
berbeda, panjang yang berbeda, dan tingkat yang berbeda dari reproduksi. Dengan model
seperti di tangan kita dapat menyelidiki, misalnya, betapa berbedanya tekanan lingkungan
atau antropogenik dapat mempengaruhi nasib suatu subkelompok individu dari populasi.
Secara khusus, kami aka memodelkan sini bagaimana usia dan distribusi panjang dalam
populasi ikan Perubahan memancing selektif target individu yang lebih tua dan lebih besar.
Ada banyak faktor, lingkungan dan antropogenik, pengaruh yang panjang ikan. Primer
antara faktor lingkungan variasi suhu air, ketersediaan pangan, dan predasi usia tertentu,
yang semuanya mengerahkan pengaruh pada panjang ikan di seluruh ikan riwayat hidup
(Cushing 1968). Itu Panjang setiap individu ikan pada setiap usia tertentu ditentukan oleh
faktor-faktor ini (Pitcher dan Hart 1982) serta oleh ikan genetik make-up.
Memancing-faktor antropogenik yang dominan di banyak systemsexerts laut tekanan selektif
pada kelompok tertentu individu dalam suatu populasi melalui pilihan nelayan dari ukuran
jaring khusus dan minimum persyaratan panjang untuk pendaratan. selektivitas ini bervariasi
antara jenis gigi. Misalnya, jerat alat tangkap mobile, seperti bawah dan berang-berang
pukat, dan jaring pukat, umumnya akan mempertahankan ikan yang ketebalan lebih besar
dari lingkar pembukaan. Winger et al. (999) menemukan bahwa menggiring para efisiensi
trawl dasar untuk plaice Amerika (Hippoglossoides platessoides) sangat tergantung pada
ukuran ikan dan suhu air, sedangkan jaring insang akan menangkap hanya ikan-ikan yang
ketebalan dan bentuk memungkinkan mereka untuk menjadi terjerat dalam mesh.
Sebaliknya, kait cenderung memilih untuk lebih kecil ikan, karena ikan yang lebih besar
dapat membebaskan (Royce 1972). Selektivitas masing-masing jenis gigi ini juga akan
berbeda karena perbedaan hari / malam dalam perilaku. Misalnya, Korsbekke dan Nakken
(999) menunjukkan bahwa tangkapan Atlantic cod (Gadus morhua) dan haddock
(Melanogrammus aeglefinus) meningkatkan pada siang hari dan menurun pada malam hari.
Peningkatan tekanan memancing sering tidak proporsional mempengaruhi mortalitas yang
lebih tua dan ikan yang lebih besar. Sisa ikan muda dan lebih pendek cenderung
menghasilkan keturunan yang sendiri pendek. Dengan demikian, nelayan tidak hanya
menghapus lebih tua dan ikan yang lebih besar, tapi condong ukuran rata-rata generasi
berikutnya terhadapikan kecil. Mari kita mengembangkan model yang menangkap dinamika

ini. Asumsikan ada tiga kelompok umur ikan: lama nol sampai satu tahun, satu untuk berusia
dua tahun, dan berusia dua sampai tiga tahun. Asumsikan juga bahwa setiap kelompok usia
memiliki anggota yang baik jangka pendek, menengah atau panjang. Dengan demikian, kita
perlu enam negara variabel untuk menangkap setiap kelompok individu ikan dalam populasi
kita. Mulailah dengan meletakkan model untuk tiga kelompok umur ikan pendek ditunjukkan
pada Gambar 5.1.
Tentukan saham awal dari nol ke satu-year-olds, satu sampai dua yearoIds, dan dua sampai
tiga-year-olds 100, 76, dan 67, masing-masing. Tentukan kematian ikan pendek di nol untuk
kohort satu tahun sebagai:

dan menggunakan definisi analog atas kematian satu-untuk dua-yearoids. Jika kita
mengasumsikan hanya ada tiga kelompok umur, maka

Individu dalam dua kelompok pertama yang tidak mati akan berpindah ke menjadi anggota
dalam kohort berikutnya yang lebih tinggi. Sebagai contoh:

Untuk menentukan jumlah kelahiran ikan pendek di setiap periode, kita perlu tahu tidak
hanya berapa banyak ikan singkat melahirkan ikan pendek, tetapi juga bagaimana banyak
ikan menengah dan panjang akan melakukannya. Oleh karena itu, sebelum kita bisa
tentukan inflow ke dalam AGE SHORT 0 1 saham, kita perlu mengidentifikasi Saham lain
pertama. Demikian pula, tingkat kematian untuk setiap kelompok harus tergantung pada
ukuran total populasi-sepotong informasi kita tidak belum memiliki. Apa yang telah kami
kembangkan sejauh ini, bagaimanapun, adalah struktur dasar model usia kohort yang juga
merupakan hubungan saham-aliran untuk menengah dan ikan panjang. Semua yang perlu
kita lakukan adalah menduplikasi model yang ada Gambar 5.1 dan mengubah nama saham,
arus dan konverter tepat. Klik di daerah kiri dan atas model yang ada, tahan tombol mouse

dan tarik "tangan" di model yang ada untuk memilihnya. Lalu pergi ke edit menu pull-down,
pilih "Copy," dan paste seleksi dalam ruang kosong di layar Anda. Ulangi proses paste, dan
Anda sekarang akan memiliki tiga modul, masing-masing terdiri dari tiga kelompok umur.
Mengubah nama saham, arus, dan konverter dalam dua modul baru untuk Repre mengirim
menengah dan ikan panjang di tiga kelompok umur yang berbeda. Model Anda harus
kemudian terlihat seperti Gambar 5.2. Perhatikan bahwa kondisi awal dan bentuk fungsional
dalam dua modul baru identik dengan yang di modul untuk ikan singkat.

Mari kita selanjutnya menghitung total populasi ikan pendek, menengah dan panjang. Kami
menggunakan angka-angka untuk menghitung ukuran total populasi, dan dari itu
menghitung tingkat kematian density-dependent. Buat converter disebut TOTAL SHORT
POP, klik dua kali dan tentukan sebagai "Summer." maka cukup pilih setiap kelompok dari
populasi ikan singkat, satu per satu, dan STELLA akan jumlah mereka:

Lanjutkan analog untuk menghitung total untuk kelas panjang lainnya dan maka jumlah
masing-masing total mereka untuk menghasilkan grand total di semua kelompok umur dari

semua panjang ikan. Kemudian menghitung fraksi pendek, menengah dan panjang ikan
dalam populasi.

Dan

Dengan spesifikasi persamaan (5) melalui (0), angka kematian menunjukkan peningkatan Sberbentuk dengan jumlah ukuran populasi yang lebih tinggi.
Satu-satunya bagian utama dari model masih ditentukan adalah kelahiran. Menganggap
hanya satu sampai dua-year-olds dan dua sampai tiga-year-olds mereproduksi saat lahir
tingkat 0,6 dan 0,8, masing-masing, dan bahwa tingkat mereka adalah sama di tiga kelas
panjang. Lebih lanjut mengasumsikan bahwa itu lebih mungkin bahwa ikan singkat
menghasilkan keturunan yang pendek, dan semakin kecil kemungkinan mereka hasilkan
menengah dan keturunan panjang. Demikian pula, menengah-panjang ikan lebih mungkin
untuk memiliki keturunan yang tumbuh menjadi menengah, dan kemungkinan lebih rendah
yang keturunan mereka baik pendek atau panjang. Namun, kemungkinan untuk anak ikan
berukuran sedang menjadi panjang atau pendek diasumsikan sama. Sebaliknya, ikan
panjang yang paling mungkin untuk memiliki keturunan yang tumbuh menjadi panjang,
kurang mungkin sedang, dan bahkan cenderung pendek. Untuk model kemungkinan untuk
hasil acak dalam penentuan panjang keturunan, kita menggunakan STELLA built-in fungsi
RANDOM, yang mengharuskan kita untuk menentukan minimum dan maksimum antara
yang nomor acak harus jatuh. Jika kita menentukan minimum dan maksimum sebagai 0 dan
1, masing-masing, maka rata-rata jumlah random akan mengambil nilai 0,5, tetapi juga akan
sama-sama mungkin menjadi nomor apapun (antara 0 dan 1) di atas atau di bawah itu.
Selain itu, kita dapat menentukan "Benih" untuk setiap nomor acak yang akan memastikan
bahwa untuk berjalan berikutnya yang Model akan menggunakan string yang sama dari
nomor acak. Jadi, misalnya:
RAND SHORT12 = RANDOM(0,1 ,5)
RAND SHORT23 =RANDOM(0,1,6)

(11)
(12)

RAND MED 1 2 =RANDOM(0,1,3)

(13)
RAND MED 2 3 = RANDOM(0,1,4)
(14)
RAND LONG 1 2 = RANDOM(0,1,1)
(15)
RAND LONG 23 = RANDOM(0,1,2)
(16)
masing-masing akan menghasilkan pada setiap periode waktu angka acak antara 0 dan 1
yang mungkin berbeda satu sama lain dan dari waktu langkah lain, tapi karena kita
ditentukan biji string yang sama dari angka acak akan digunakan dalam berjalan berikutnya.
Menentukan biji disarankan jika Anda ingin membandingkan Model yang berbeda berjalan
dengan satu sama lain-jika Anda membuat perubahan dalam parameter dan jalankan
kembali model, tetapi belum ditetapkan benih mungkin sulit untuk melihat apakah hasil
berubah karena parameter yang berubah, atau hanya bahwa satu set yang berbeda dari

nomor acak digunakan. Kami menggunakan angka-angka acak untuk menghitung fraksi
kelahiran dari setiap subpopulasi yang menambah itu dan ke sub-populasi lain:

SHORT BIRTHS =
SHORT BIRTH RATE 1 2 * RAND SHORT 1 2 *SHORT YEAR 1 2
+SHORT BIRTH RATE 2 3*RAND SHORT 2 3*SHORT YEAR 2 3
+ MED BIRTH RATE 1 2*SO-RAND MED 1 2)*MED YEAR 1 2
+MED BIRTH RATE 2 3*SO-RAND MED 2 3)*MED YEAR 2 3
+ LONG BIRTH RATE 1 2*(/3)*0-RAND LONG 1 2)*LONG YEAR 1 2
+ LONG BIRTH RATE 2 3*(/3)*(l-RAND LONG 2 3)*LONG YEAR 23. (17)
Dalam persamaan (7) rata-rata 50% dari kelahiran oleh ikan pendek akan menghasilkan
pendek ikan. Rata-rata 50% dari ikan menengah akan menghasilkan ikan menengah dan
satu-setengah dari keturunan dari ikan menengah yang ternyata tidak panjang menengah
akan ikan singkat. Demikian pula, rata-rata 50% dari ikan panjang akan memiliki keturunan
yang tumbuh menjadi panjang, dan sepertiga sisanya akan pendek. persamaan (8) dan (9)
menunjukkan kelahiran untuk sub-populasi lainnya.
MED BIRTHS =
MED BIRTH RATE 1 2 * RAND MED 1 2 * MED YEAR 1 2
+ MED BIRTH RATE 2 3 * RAND MED 2 3 * MED YEAR 2 3
+ SHORT BIRTH RATE 1 2 * (2/3) * O-RAND SHORT 1 2)
* SHORT YEAR 1 2
+ SHORT BIRTH RATE 2 3 * (2/3) * O-RAND SHORT 23)
* SHORT YEAR 2 3
+ LONG BIRTH RATE 1 2 * (2/3)*0-RAND LONG 1 2) * LONG YEAR 1 2
+ LONG BIRTH RATE 2 3 * (2/3) * O-RAND LONG 2 3)
* LONG YEAR 2 3; (8)
LONG BIRTHS =
LONG BIRTH RATE 1 2 * RAND LONG 1 2 * LONG YEAR 1 2
+ LONG BIRTH RATE 2 3 * RAND LONG 2 3 * LONG YEAR 2 3
+ SHORT BIRTH RATE 1 2 *(1/3) * O-RAND SHORT 1 2)
* SHORT YEAR 1 2+SHORT BIRTH RATE 2 3 (1/3) (I-RAND SHORT 2 3)
SHORT YEAR 2 3
+ MED BIRTH RATE 1 2 .5 (I-RAND MED 1 2) MED YEAR 1 2
+ MED BIRTH RATE 2 3 .5 (I-RAND MED 23) MED YEAR 2 3. (19)
Mari kita asumsikan pertama bahwa tidak ada ikan. Dalam hal ini, kita memiliki semua
model komponen yang relevan ditentukan. Kami memperkenalkan memancing-diinduksi
meningkat angka kematian di bawah ini. Sebelum Anda menjalankan model, tanyakan pada
diri sendiri: Apa yang saya harapkan akan terjadi dengan ukuran populasi dari waktu ke
waktu? Apakah akan mencapai maksimum dan tingkat keluar, atau akan menunjukkan
jangka panjang yang signifikan fluktuasi? Akan salah satu kelompok umur atau subpopulasi
datang untuk mendominasi? Jika begitu, yang dari mereka akan menstabilkan, dan
mengapa? Memberikan jawaban kualitatif untuk pertanyaan Anda untuk meningkatkan
kemampuan Anda untuk lebih memahami sistem dinamis, dan untuk membantu Anda lebih
memahami Anda model. Jika Anda belum hati-hati berpikir tentang perilaku model yang
sebelumnya Anda menjalankan model, Anda mungkin akan mudah terombang-ambing
percaya hasil, dan mungkin mungkin tidak menyadari beberapa anomali perilaku-perilaku
yang mungkin telah disebabkan oleh asumsi yang tidak pantas, kesalahan dalam
menguraikan Model, atau kesalahan spesifikasi dari keterkaitan antara bagian-bagian yang
berbeda.

Gambar 5.3 menunjukkan hasil kami untuk jumlah total pendek, menengah dan ikan
panjang, dan untuk populasi secara keseluruhan. Perhatikan bahwa jumlah pendduk adalah
diplot lebih skala yang berbeda dari yang untuk sub-populasi individu. Meskipun total
populasi mencapai kondisi mapan, sub-populasi individu cenderung berfluktuasi dari waktu
ke waktu, dengan akuntansi ikan menengah untuk bagian terbesar dari total populasi.
Gambar 5.4 menunjukkan distribusi usia antara ikan singkat. Perhatikan bagaimana
kelompok ikan muda berfluktuasi lebih luas daripada kohort yang lebih tua. Hal ini karena
keacakan langsung mempengaruhi tingkat kelahiran, dan karena tingkat kematian memiliki
efek redaman yang diberikannya sendiri lebih lama ikan hidup.
Bereksperimen dengan model dengan Choo ing kondisi awal yang berbeda, atau asumsi
yang berbeda tentang tingkat kelahiran dan kematian. Lanjutkan bereksperimen sampai
Anda merasa bahwa Anda memahami model dan perilakunya. Kemudian memperkenalkan
perubahan dalam strukturnya. Perubahan yang kita paling tertarik sini menyangkut
penggabungan memancing.

Asumsikan bahwa efek dari memancing pada dinamika asi popul mengungkapkan diri
dalam tingkat kematian tinggi. Lebih lanjut mengasumsikan bahwa tidak ada Ikan singkat
dipengaruhi oleh nelayan. Misalnya, bahkan ikan pendek tertua mungkin terlalu kecil untuk

ditangkap dengan jaring dari ukuran mata digunakan dalam perikanan kita. Satu-satunya
ikan yang terpengaruh adalah menengah dan panjang ikan.
Memperkenalkan parameter baru MED & PANJANG FISHING MORTALITI dan
menambahkan untuk tingkat kematian ikan menengah dan panjang. Perhatikan bahwa kita
perlu memastikan bahwa jumlah kematian alami dan kematian ikan-induced tidak melebihi
100%. STELLA dibangun di MIN-fungsi akan menghitung terkecil dari satu set nomor.
Misalnya, dalam kasus kami
MED TOTAL MORTALITI 0 1 = MIN(MED MORTALITI 0 1
+ MED&LONG FISHING MORTALITI, 1) (20)
tidak akan menganggap nilai lebih besar dari 1, dan 1 jika jumlah dari dua kematian melebihi
1. Model lengkap sekarang terdiri dari modul yang ditunjukkan pada Gambar 5.5-5.8.

Mari kita mengatur kematian ikan-diinduksi untuk berjalan berikutnya pertama yang 0%
(untuk memberi kita referensi terhadap yang kami dapat membandingkan hasil saat
memancing berlangsung), kemudian ke 5%, 10%, 15% dan akhirnya 20%. Bagaimana ini
mempengaruhi dinamika penduduk, usia dan distribusi ukuran?
Membuat grafik perbandingan dari total populasi dan pangsa kecil ikan dalam populasi.
Anda dapat membuat ini grafik perbandingan dengan memilih "Perbandingan" ketika Anda
menentukan grafik baru. Dengan melakukan ini, hanya perilaku satu variabel diplot dalam
grafik, dan dapat dengan mudah dibandingkan terhadap dirinya sendiri di berbagai model
yang berjalan.
Hasil untuk lima model yang berjalan ditunjukkan pada Gambar 5.9 dan 5.10. Seperti yang
kita harapkan, ukuran total populasi menurun dengan peningkatan tekanan memancing, dan
bagian relatif ikan kecil dalam populasi meningkat. Tapi melihat juga bahwa dengan
meningkatkan angka kematian medium yang lebih tua dan panjang ikan kita meningkatkan
pangsa orang-orang muda dalam populasi mereka. Hasil dari, ukuran total populasi semakin
rentan terhadap fluktuasi. Dan bahkan meskipun model kami sangat sederhana, temuan ini
poin ke penting Implikasi untuk konservasi laut: memperkenalkan keterbatasan mesh ukuran
mungkin, dengan sendirinya, mengakibatkan fluktuasi interannual lebih tinggi pada populasi
ikan.

Pangsa relatif ikan singkat dalam populasi kami meningkatkan melalui waktu. Kurva pada
Gambar 5.10 berfluktuasi dengan cara yang sama setiap kali dijalankan karena kami
menggunakan benih untuk menentukan berbagai nomor acak yang mendefinisikan tingkat
kelahiran. Fluktuasi ini membuat agak sulit untuk membandingkan tren dalam model. Untuk
"filter" beberapa variasi tahun-demi-tahun karena untuk keacakan ini, Anda dapat
menggunakan built-in fungsi smoothing STELLA ini. Misalnya, parameter SMOOTHSHORT
SAHAM pada Gambar 5.11 menggunakan orde ketiga fungsi smoothing yang memerlukan
masukan dan averaging waktu untuk spesifikasinya:
SMOOTHSHORT SHARE = SMTH3(SHARE SHORT,20) (21)

berturut-turut menghitung nilai merapikan pangsa ikan pendek lebih dari 20 tahun. Hasil dari
fungsi ini ditunjukkan pada Gambar 5.12. Di sini, tren dalam ukuran relatif berubah ikan
menjadi lebih jelas. kematian lebih tinggi tarif membuat diri mereka paling terasa setelah
beberapa tahun.

5.2. Array dalam Model Penduduk Cohort

Apakah kita berhadapan dengan ikan pendek, menengah atau panjang dalam populasi
Model kohort bagian sebelumnya, struktur model ini, di Intinya, sama untuk semua dari
mereka. Kita bisa memanfaatkan pengamatan ini dan membuat model kami lebih kompak
karena fitur berbagai STELLA ini memungkinkan kita untuk melakukannya. Untuk
memanfaatkan fitur array, sketsa saham dan arus yang mendasari model kita seperti yang
ditunjukkan pada Gambar 5.13. Ini saham dan arus akan akhirnya mewakili subpopulasi
pendek, menengah, dan ikan panjang. Selanjutnya, klik dua kali pada TAHUN 0 1 saham
dan klik pada kotak "Array" di bagian kiri atas kotak dialog. Ini akan menentukan model Anda
sebagai satu, atau array dua dimensi. Sebuah satu dimensi (I-D) array dapat dianggap
sebagai satu baris saham, arus, dan konverter (Gambar 5.14). Dalam kasus kami, setiap
baris sesuai dengan model masing-masing tiga sub-populasi. Sebuah dua dimensi (2-D)
array yang memiliki beberapa baris dan kolom dari saham yang terhubung satu sama lain
dengan gerakan dalam dua dimensi. Di model kami, kami bisa menafsirkan setiap kolom
sebagai kelompok usia, dan dalam hal ini cara mewakili dinamika tiga subpopulasi,
kelompok tiga-usia Model Bagian 5.1 sebagai array 2-D. Tapi untuk saat ini, mari kita tetap
ke array 1-D representasi dari dinamika dalam Bagian 5.1.

Setelah Anda spe cified TAHUN 0 1 sebagai array 1-D, pergi ke Editor dan menentukan
dimensi sebagai "Panjang." Hal ini memungkinkan STELLA mengidentifikasi setiap baris
array dengan panjang yang berbeda dari ikan. Buat tiga unsur dalam ini Array: ketik
"Pendek" sebagai nama elemen pertama, kemudian gunakan navigasi panah dalam editor
array untuk menavigasi ke entri baru, menyebutnya "Med" untuk ikan berukuran sedang,
dan arahkan ke elemen baru yang lain, yang Anda harus memanggil "Long." Klik OK dan
memberikan nilai awal dari 100. Cuti yang "Terapkan untuk Semua" kotak diklik, sehingga
masing-masing dari nilai awal dari saham dari nol untuk ikan satu tahun yang siap untuk

100. Klik OK, dan kemudian lanjutkan untuk menentukan sisa saham sebagai array.
Memberi mereka awal yang sama nilai-nilai seperti pada bagian sebelumnya. Perhatikan
bahwa, seperti yang Anda lakukan ini, editor array yang sudah diatur untuk mengenali
nama-nama dimensi dan unsur-unsurnya seperti yang telah kita ditentukan mereka.
Sekarang model Anda harus melihat seperti pada Gambar 5.15

Selanjutnya, menghitung ukuran total populasi. Ini adalah jumlah dari semua elemen dalam
setiap array di semua array. The ARRAY SUM fungsi built-in memungkinkan Anda untuk
jumlah elemen dalam array yang diberikan. Pilih kelompok umur individu sebagai argumen
dari fungsi ARRAYSUM:
TOTAL POP = ARRAYSUM(YEAR_O_l[*])
+ ARRAYSUM(YEAR_1_2[*]) + ARRAYSUM(YEAR_2_3[*]). (22)
Tanda bintang menunjukkan bahwa kita menjumlahkan seluruh elemen.
Berikutnya, tentukan tingkat kematian alami untuk setiap kelompok, seperti yang kita
lakukan di Bagian 5.1. Sekali lagi, biarkan "Apply to All" tombol diklik sebagai spesifikasi
diasumsikan sama di semua kelas panjang. Buat konverter untuk FISHING KEMATIAN dan
unclick "Terapkan untuk Semua" tombol, karena sekarang kematian ikan-diinduksi untuk nol
satu-year-olds selalu 0, sedangkan untuk kelompok usia lainnya mungkin lebih besar dari 0.
Ketika Anda unclick "Terapkan untuk Semua" tombol, Anda dapat menavigasi di antara
unsur-unsur array untuk menentukan mereka secara individu. Untuk saat ini, menentukan
semua memancing tingkat kematian sebagai 0, dan mengubah nilai-nilai untuk dua
kelompok usia yang lebih tua kemudian ketika kami memperkenalkan memancing.
Dengan tingkat kematian alami dan memancing-diinduksi didefinisikan, kita bisa tentukan
jumlah kematian analog dengan cara kita telah melakukan ini sebelumnya di persamaan
(20). Sekarang, persamaan kami berlaku untuk semua kelas panjang, tapi berbeda antara
kelompok umur:
TOTAL MORTALITY 01 = MIN(1,MORTALITY_0_1[LENGTH]
+FISHING_MORTALITY[LENGTH]); (23)
TOTAL MORTALITY 1 2 =MIN(1,MORTALITY_1_2[LENGTH]
+FISHING_MORTALITY[LENGTH]). (24)
Model Anda sekarang harus seperti pada Gambar 5.16.

Mari kita selanjutnya memperkenalkan angka acak dan tingkat kelahiran yang dibutuhkan
untuk menentukan jumlah kelahiran. Masing-masing adalah array, dan nilai-nilai mereka
berbeda antara kelas panjang ikan. Untuk memastikan bahwa angka acak dapat berbeda
antara kelas panjang, memberikan masing-masing dari mereka benih yang berbeda.
Kemudian menentukan aliran kelahiran, kelas satu panjang pada suatu waktu. Misalnya,
pertama elemen dalam array KELAHIRAN adalah:
BIRTHS[SHORT] =
BIRTH_RATE_1_2[SHORT]*RAND_1_2[SHORT]*YEAR_1_2[SHORT]+
BIRTH_RATE_2_3[SHORT]*RAND_2_3[SHORT]*YEAR_2_3[SHORT]+
BIRTH_RATE_1_2[MED]*.5*(1-RAND_1_2[MED])*YEAR_1_2[MED]+
BIRTH_RATE_2_3[MED]*.5*(1-RAND_2_3[MED])*YEAR_2_3[MED]+
BIRTH_RATE_1_2[LONG]*(1/3)*(1-RAND_1_2[LONG])*YEAR_1_2[LONG]+
BIRTH_RATE_2_3[LONG]*(1/3)*(1-RAND_2_3[LONG])*YEAR_2_3[LONG].

(25)

Akhirnya, tentukan arus yang tersisa dan memperkenalkan konverter HALUS FRAC untuk
menghitung nilai merapikan orde ketiga dari fraksi pendek, menengah dan ikan panjang.
Sekarang model Anda harus seperti pada Gambar 5.17, dan harus menghasilkan hasil yang
sama dengan yang di Angka 5.18 dan 5.19 untuk fishing induced Angka kematian berkisar
antara 0 dan 0,20 untuk menengah dan ikan panjang. (Perhatikan bahwa perbedaan hasil
dibandingkan dengan mereka dalam Bagian 5.1 seharusnya hanya karena string dari angka
acak berbeda dari yang digunakan dalam model sebelumnya.)
Hasil model sesuai dengan temuan kami dari bagian-sebagai sebelumnya mereka harus!
Perbedaan utama antara model bagian ini dan bahwa dalam Bagian 5.1 adalah cara di
mana kita telah runtuh beberapa informasi ke dalam struktur array. Model ini sekarang
sedikit lebih terorganisir dan kompak, dan sebagai hasilnya penampilan sederhana. Untuk
mencapai visual yang kesederhanaan struktur model, kami harus melupakan transparansi di
jalan di mana masing-masing komponen saling berhubungan. Sekarang, banyak dari yang
sebenarnya struktur model tertanam dalam setiap saham, aliran dan konverter ikon. Tapi
tanpa mengklik pada setiap ikon dan menggunakan editor untuk memeriksa spesifikasi dari
unsur-unsur dari array, sulit untuk melihat apa yang sedang terjadidalam model.

Menyadari trade-off ini sebagai Anda mengembangkan ls modus Anda sendiri. Mencapai
transparansi pada satu tingkat dapat berarti mengorbankan transpare ncy yang lain.
Membuat pilihan Anda sadar, dengan tujuan model dan potensi Audie beras dalam pikiran.

BAB 6. Model Spasial Perikanan

Dalam bab ini Anda akan:
Mempelajari bagaimana secara cara spasial memisahkan populasi dan model pergerakan
di ruang;
Menjelajahi implikasi dari perubahan usaha penangkapan dalam ruang dan waktu untuk
dinamika populasi;
Menemukan kondisi untuk batas dari siklus stabil, teredam dan eksplosif osilasi;
Menyelidiki implikasi dari cadangan untuk perikanan; dan
Mempelajari bagaimana mengembangkan interface pengguna untuk model Anda untuk
meningkatkan kegunaannya untuk non-pemodel.
Dalam bab sebelumnya, kita menjelajahi satu jenis pengaruh langsung yang aktivitas
manusia terhadap dinamika populasi laut. Kami dimodelkan perubahan memancingdiinduksi usia dan ukuran struktur populasi ikan . Alih-alih disaggregating penduduk menurut
kelompok umur dan ukuran, di bab ini kita memisahkan penduduk berdasarkan wilayah
untuk menyelidiki konsekuensi bahwa alokasi usaha penangkapan dalam ruang dan waktu
memiliki untuk dinamika populasi.
6.1. Model dasar
Mari kita membedakan antara empat daerah (i = 1, 2, 3, 4) di dalam laut, masing-masing
dengan kapasitas yang sama tercatat (K) dan ukuran populasi awal (N) dari ikan. Kami
sewenang-wenang mengatur saya \ = 20.000 dan ~ = 5.000. Dengan tidak adanya gerakan
ikan antar daerah, dinamika populasi dalam masing-masing daerah adalah fungsi dari
tingkat kenaikan alamiah R, dan penghapusan memancing diinduksi individu dari wilayah itu:

Sisi kanan dari persamaan (1) terdiri dari dua komponen-main tingkat pertumbuhan alami
penduduk

dan penghapusan memancing-diinduksi ikan. Yang terakhir adalah sebanding dengan

efisiensi Tong yang ikan nelayan menangkap, upaya E, yang dialokasikan untuk bahwa
daerah, dan stok ikan di wilayah itu. Untuk mempermudah, kita mengasumsikan yang
memancing sama mudah di semua wilayah. Mari kita lebih lanjut mengasumsikan nelayan
yang teknologi tidak berubah melalui waktu, dan bahwa koefisien catchability independen
dari kepadatan populasi ikan. Sebagai konsekuensinya, kami dapat mengobati koefisien
catchability V sebagai konstan.
nelayan Misalkan memutuskan untuk mengubah jumlah usaha penangkapan mereka E di
setiap periode berdasarkan keuntungan yang mereka buat dari hasil tangkapannya di masa
itu. Total menangkap dalam periode adalah

Jika harga pasar per unit menangkap adalah P dan biaya per unit upaya ini], maka laba
pada periode yang

Mari kita memperkenalkan tingkat ALPHA di mana perubahan dalam upaya berlangsung:

Asumsikan ALPHA bervariasi dalam kisaran 0ALPHA51.

Semua yang tersisa sekarang untuk spesifikasi model kami adalah aturan keputusan
dimana upaya keseluruhan akan dialokasikan di antara empat daerah. salah satu
kemungkinan untuk aturan tersebut adalah untuk menyebarkan usaha penangkapan antar
daerah berdasarkan mereka populasi kepadatan Di, Dengan daerah yang paling padat
penduduknya menerima Upaya yang paling:

Karena dalam model kita semua daerah adalah identik, usaha yang sama dialokasikan
untuk mereka. Dalam variasi kemudian dari model, namun, kami akan mengasumsikan
populasi yang ukuran di setiap daerah bisa berbeda. Dalam hal ini, persamaan 6 akan
menjadi lebih bermakna. Model persamaan (1) - (6) ditunjukkan pada Gambar 6.1. Saham
~, mengalir N DOT, dan konverter E. D, K, dan R. ditetapkan sebagai satu-r I,, t, array
dimensi yang spesifikasinya diterapkan untuk semua elemen dalam array itu. Menjalankan
model lebih dari 1000 periode dengan DT = 0,125. Hasil dalam Angka 6.2 dan 6.3 yang
untuk Rt =.6 (i =1, .. . 4), P =2.9,]=.22 dan ALPHA =.6.

Perubahan ukuran populasi mengikuti osilasi teredam, yaitu puncak yang ukuran populasi N
meningkat menjadi lebih rendah untuk periode kemudian. perilaku yang cocok erat dengan
perubahan total upaya E. Sejak empat wilayah kami identik, populasi di masing-masing
daerah dan usaha yang dialokasikan untuk masing-masing daerah menunjukkan perilaku
yang sama (Gambar 6.3). Pada dasarnya, ini adalah model predator-mangsa mirip dengan
yang dibahas di Bab 3. Di sini, predator adalah manusia, tapi bukannya pemodelan populasi
mereka Dinamika kita model usaha penangkapan mereka. Anda mungkin berpikir, dengan
analogi, dari usaha seperti yang diukur dalam "jumlah hari kapal" (yang berarti jumlah aktual
hari mereka berada di kapal mereka aktif memancing) dan menafsirkan perubahan dalam
upaya perubahan dalam jumlah hari kapal, seperti populasi ikan paus dalam Bab 3
mengalami kenaikan dan penurunan karena predasi.
Percobaan dengan nilai yang berbeda untuk ALPHA. Ingat, meskipun, untuk membuat
tebakan untuk implikasi kemungkinan untuk model hasil setiap waktu sebelum Anda
menjalankan model dengan pilihan yang berbeda untuk ALPHA. Kamu harus menemukan
bahwa nilai-nilai yang lebih kecil dari ALPHA menyebabkan lebih redaman. nilai yang lebih
tinggi untuk ALPHA dapat memindahkan sistem dari osilasi teredam untuk peledak osilasiosilasi yang amplitudo meningkat.
Harus ada nilai perantara untuk ALPHA di mana osilasi yang tidak teredam atau ledakan.
perilaku sistem berosilasi seperti itu dikenal sebagai siklus batas stabil. Anda bisa

menemukan nilai ALPHA bahwa hasil siklus batas stabil? Apakah Anda perlu mengubah nilai
bahwa jika Anda mengubah Rt?
Ada beberapa kesimpulan penting yang bisa kita tarik dari pengamatan Model sensitivitas
tinggi terhadap pilihan ALPHA. Jika model kita akurat mencerminkan aturan pengambilan
keputusan bahwa nelayan berlaku untuk mereka pilihan usaha, dan jika nilai-nilai ALPHAdiperkirakan dari dataare empiris di sekitar nilai yang menghasilkan siklus batas stabil, maka
hampir mustahil untuk mengetahui di mana arah sistem akan bergerak karena adalah tidak
mungkin bahwa data yang dikumpulkan dari sistem nyata akan cukup tepat untuk membuat
prediksi yang akurat. Bahkan deviasi terkecil dari nilai-nilai untuk ALPHA yang menyebabkan
siklus batas stabil akan menghasilkan baik di teredam atau meledak osilasi.
Sebaliknya, jika perkiraan ALPHA yang sufficientlysmall dibandingkan dengan nilai yang
menghasilkan siklus batas stabil, maka kita tahu bahwa osilasi harus teredam dan mapan
pada akhirnya akan tercapai. Kita dapat kemudian menggunakan model (atau teknik
analisis) untuk mengidentifikasi kondisi mapan usaha dan sesuai ukuran populasi. Mereka
kemudian dapat digunakan untuk mengatur usaha tingkatan dalam perikanan melalui
intervensi kebijakan atau rencana manajemen.
Jika ALPHA relatif besar, sehingga kita bisa mengharapkan osilasi peledak, dan jika kita
menganggap osilasi seperti merugikan perikanan, maka kita mungkin ingin menerapkan
kebijakan untuk mengurangi ALPHA. Sederhana namun efektif pendekatan akan
memperkenalkan pajak keuntungan. Sejak perubahan ALPHA adalah sebanding dengan
keuntungan,

maka jika LABA akan dikenakan pajak pada tingkat q, untuk 0<q1

pajak tersebut akan berlaku lebih rendah ALPHA, dan mungkin mendorong teredam osilasi
terkemuka akhirnya ke kondisi mapan

6.2. Model dasar dengan Gerakan Tata Ruang

Sekarang mari kita memungkinkan ikan dari bagian sebelumnya untuk secara bebas
bergerak dari satu daerah ke salah satu daerah lain. gerakan yang mungkin, sampai batas
tertentu, menjadi acak. Untuk menangkap keacakan, memperkenalkan converter RAND
baru, dan mendefinisikannya sebagai, array satu dimensi baru dengan 12 elemen. Gunakan
Array Editor untuk melakukannya. Masing-masing elemen harus nomor acak antara 0 dan 1,
untuk menangkap peluang ikan bergerak, misalnya, dari wilayah 1 ke daerah 2, dari daerah
1 ke wilayah 3, dari daerah 1 ke wilayah 4, dan seterusnya. Gunakan 12 biji yang berbeda
dalam spesifikasi dari nomor acak, sehingga masing-masing mungkin berbeda, tetapi dapat
repl icated dari Model menjalankan model run.
Sejak masing-masing nomor acak untuk ification spec gerakan tarif didefinisikan secara
independen, kita perlu memastikan bahwa kita tidak memungkinkan lebih ikan untuk
bergerak keluar dari daerah orang dari ada ikan di wilayah itu. Satu metode yang mudah
untuk menjamin bahwa kondisi ini terpenuhi adalah untuk menormalkan nomor acak yang
dihasilkan untuk emigrasi ikan dari masing-masing daerah. Kami pertama jumlah semua
nomor acak yang dihasilkan untuk gerakan dari masing-masing daerah:

Berikutnya, kita mendefinisikan tingkat gerakan M, untuk ikan di masing-masing daerah. Ini
akan menjadi tingkat dasar di mana ikan bergerak keluar dari wilayah i (i = 1, ... 4).
Mengingat gerakan Tingkat M; variasi acak di sekitar angka itu, dan total populasi ikan N, di
wilayah saya, kita dapat menghitung jumlah total ikan pindah ke daerah dengan
menjumlahkan semua imigran dari daerah lain untuk i daerah dan mengurangkan semua
emigran dari daerah i. Misalnya, gerakan bersih antara wilayah 1 dan sisanya dari sistem ini

Dalam persamaan (11) nomor acak yang ditetapkan untuk gerakan dari masing-masing
daerah untuk wilayah lain yang dinormalisasi dengan jumlah dari angka acak digunakan

untuk menentukan gerakan dari setiap wilayah tertentu untuk tiga lainnya daerah. Mengatur
arus migrasi bersih, M, sebagai array dan menentukan migrasi bersih untuk daerah yang
tersisa analog ke persamaan (11). Jumlah migrasi bersih adalah

Demikian pula

adalah perubahan total dalam N, yang terjadi pada sistem pada titik waktu.
Model lengkap ditunjukkan pada Gambar 6.4. Sebelum Anda menjalankan model itu, set M,
= 0 untuk semua i = 1,. . . 4. Ini akan memungkinkan Anda untuk membandingkan model
Gambar 6.4 dengan salah satu bagian sebelumnya dan menemukan kesalahan Anda
mungkin telah dibuat dalam mengadopsi model yang. Kemudian mengatur M, = 0,8 untuk
semua i = 1,. . . 4, dan ALPHA = 0,64, dan semua nilai-nilai lain seperti pada bagian
sebelumnya.

Seperti yang dapat Anda lihat dari Gambar 6.5 dan 6.6, untuk pilihan kami untuk parameter
sistem yang lebih atau kurang terus berosilasi dengan amplitudo yang sama dan periodicityitu tidak menetap untuk beberapa jangka panjang mapan, juga tidak menunjukkan perilaku
ledakan. Sadarilah bahwa pernyataan ini tidak sangat tepat satu-nya validitas untuk setiap
model spesifik run tergantung pada pilihan acak angka. Kenali juga bahwa meskipun untuk
sistem agregat ada (roughl y) beberapa perilaku yang seragam, observasi yang tidak tahan
di tingkat regional, seperti Gambar 6.7 menunjukkan. Ini harus terjadi karena, pada tingkat
agregat, net-migrasi harus nol (ada tanpa meninggalkan ikan atau memasuki sistem kami).
Di tingkat regional, sebaliknya, migrasi tidak terjadi (Gambar 6.8) dan kemungkinan berbeda
dari daerah ke daerah.

perubahan Plot dalam ukuran asi popul (N DOT) terhadap populasi (N), dan ukuran populasi
(N) terhadap upaya (E). Untuk melakukannya, pilih "Scatter Plot" sebagai Grafik Type. Kami
telah melakukannya di Angka 6,9 dan 6,10. Gambar 6.9 memberikan perilaku N di faseruang. Ini menunjukkan bagaimana fluktuasi saham yang berkaitan dengan ukuran saham
itu sendiri. Seperti yang Anda lihat, fluktuasi ini jatuh dalam baik didefinisikan berbagai, dan
cukup seragam dari osilasi osilasi dengan pengecualian dari penyimpangan kecil karena
gerakan acak antara daerah. Demikian pula, Gambar 6.10 memberikan wawasan ke dalam
hubungan antara dua saham. Sekali lagi, mereka hubungan yang lebih seragam, seperti
yang kita akan harapkan jika kita memiliki osilasi stabil. Bagaimana grafik pada Gambar 6.9
dan 6.10 perubahan nilai-nilai yang lebih tinggi atau lebih rendah dari ALPHA? Gambar 6.11
dan 6.12 menunjukkan diagram fase untuk ALPHA = 0,4 dan ALPHA = 0,8, masing-masing.
Di kasus Gambar 6.11, kita memiliki kasus di mana jangka panjang mapan adalah
mendekati; dalam jangka panjang, N DOT = 0 dan N> O. Dalam kasus Gambar 6.12,
ledakan osilasi menyebabkan nilai yang lebih besar lagi untuk N.

Model dan model hasil bagian ini menggambarkan bagaimana pilihan parameter perilaku
waktu-invariant, seperti ALPHA, dapat menentukan lintasan jangka panjang dari sistem ini.
Bagian berikut akan menggambarkan bagaimana kendala pada perilaku dalam ruang dan
waktu mempengaruhi dinamika sistem ini.

6.3. perikanan Cadangan

Apa efek pada ukuran populasi dan usaha jika kita menutup bagian dari daerah untuk
memancing? Untuk mempermudah, asumsikan bahwa kita membatasi memancing untuk
hanya mengambil menempatkan di Wilayah 1, 2, dan 3. Tidak ada upaya akan dialokasikan
untuk Region 4, dan semua usaha yang akan digunakan di Kawasan 4 akan didistribusikan
ke daerah lain. Untuk menghitung upaya-redistribusi di hadapan cadangan, kita perlu
mengubah model kita seperti yang ditunjukkan pada Gambar 6.13. Kami menghitung ukuran
populasi di luar cadangan (N dikurangi N), menggunakan ukuran populasi untuk
menentukan populasi kepadatan D, di luar cadangan, mengatur D4 = 0, dan kemudian
menghitung E, = Dj * ~ 'analog dengan cara yang telah kita lakukan sebelumnya.

Atur Mj = 0 untuk semua empat wilayah, pilih ALPHA = 0,8, dan meninggalkan semua
parameter lainnya dan kondisi awal seperti sebelumnya. Membuat gues berpendidikan s,
dan kemudian menjalankan model. Apakah hasil bertepatan dengan harapan Anda? Jika
tidak, mengapa tidak? Pada Gambar 6.14 merupakan hasil untuk model kita jalankan.
Cadangan menjamin ukuran populasi minimum, dan fluktuasi luar cadangan disebabkan
oleh perubahan dalam ukuran populasi, yang pada gilirannya adalah hasilnya penyesuaian
dalam upaya. Bahkan pada ALPHA = 0,8 - nilai yang sebelumnya disebabkan ledakan
osilasi-perikanan dengan pameran cadangan teredam osilasi dan pada akhirnya akan
mencapai kondisi mapan. Jadi, pengenalan cadangan adalah cara lain untuk menstabilkan
perikanan.

Menghitung ukuran hasil tangkapan dan keuntungan nelayan 's dalam kasus cadangan dan
membandingkannya dengan model tanpa reserve. apa manajemen kesimpulan dapat Anda
menarik dari temuan Anda?
Sekarang memungkinkan untuk gerakan antara cadangan dan tiga daerah lainnya. Untuk
berjalan berikutnya berasumsi, misalnya, M. =. 2, M. =. 4, dan M. =. 6 (i = I I I 1,. . . 4). Hasil
untuk tiga asumsi ini ditunjukkan pada Gambar 6.15. Di semua tiga kasus, jangka panjang
hasil tingkat populasi yang relatif stabil yang baik diatas nol. Namun, semakin tinggi tingkat
gerakan, semakin kecil ultimate ukuran populasi adalah karena pada tingkat gerakan yang
lebih tinggi menjadi semakin kemungkinan bahwa individu melarikan diri cadangan dan
tertangkap setelah melakukannya.

Perhatikan bahwa kehadiran cadangan dan gerakan di seluruh candangan perikanan yang
batas tidak berarti stabilisasi dinamika populasi di semua kasus. Gambar 6.16 menunjukkan
kasus ekstrim di mana persediaan cadangan individu dengan lingkungannya tetapi tidak ada
ikan di perikanan mengunjungi cadangan, yaitu M; = M2 = M3 = 0 dan M4 = 0,8. Dalam hal
ini, penduduk mulai perlahan-lahan memperluas-dan terus melakukannya dalam jangka
panjang-setelah itu telah menetap ke tingkat yang jauh lebih rendah dari titik awal.
Bereksperimen dengan model ini. Memilih gerakan yang berbeda untuk ikan di berbagai
daerah dan daya dukung yang berbeda (unclick "Terapkan untuk Semua" tombol di array
untuk M; dan K), dan menganggap nilai yang berbeda untuk ALPHA. Setiap kali sebelum
Anda menjalankan model, berpikir apa hasilnya mungkin, dan maka hati-hati
mengeksplorasi mengapa hasil cocok (atau tidak cocok) Anda harapan.

6.4. Pengembangan User Interface

Pada kali, Anda mungkin menemukan diri Anda berharap untuk memiliki orang lain
menggunakan model Anda tanpa mereka harus memahami semua fitur grafis STELLA ini
digunakan program model. Jika demikian, Anda mungkin ingin menambahkan user interface
yang membuatnya mudah bagi orang lain untuk memilih kondisi awal mereka sendiri dan
parameter nilai-nilai tanpa harus langsung memanipulasi saham dan konverter.
Klik pada segitiga atas-menunjuk pada pendatang kiri atas layar (Gambar 6.17). Ini
membawa Anda ke lapisan lain STELLA Anda Model-satu yang dirancang untuk membuat
antarmuka pengguna. Perhatikan bagian atas layar yang muncul dari banyak simbol-simbol,
seperti untuk grafik dan tabel, bahwa kita telah digunakan sebelumnya. Buat pad grafik di
yang plot pada satu halaman E dan N, dan pada dua halaman lebih E dan N secara terpisah
sebagai grafik perbandingan. Selanjutnya klik pada "pin" di kiri atas sudut grafik untuk pin
pad grafik untuk user interface (Gambar 6.18). Sekarang grafik tidak akan dipindahkan ke
latar belakang saat Anda atau pengguna Model lainnya klik di tempat lain di layar. Itu tetap
ada untuk menjadi melihat sementara perubahan lainnya yang dibuat. Jika pin ini berwarna
abu-abu-out, memindahkan grafik sedikit ke samping, atas atau bawah, sampai hitam dan
merespon saat Anda klik di atasnya.

Berikutnya memilih beberapa perangkat input yang diberikan oleh STELLA untuk
menentukan alternatif nilai parameter. Salah satunya adalah "Daftar perangkat input"
ditampilkan di Gambar 6.19 (ikon keenam dari kiri). Hal ini memungkinkan Anda dan model
lainnya pengguna untuk memasukkan pilihan parameter lain atau kondisi awal. Mereka
kemudian digunakan untuk menimpa spesifikasi yang dibuat di lapisan modeling. Sekali
perangkat input ditetapkan untuk menentukan melalui nilai-nilai parameter antarmuka dan
kondisi awal, yang sesuai ikon di lapisan pemodelan STELLA ini mengubah penampilan
mereka.
Kami sarankan Anda membuat perangkat daftar masukan di mana parameter M, dan Rj
terdaftar untuk masing-masing empat daerah, dan satu halaman yang berisi awal kondisi
untuk f \ dan pilihan untuk K, Tentukan rentang bermakna di yang masing-masing dari
kondisi awal dan nilai-nilai parameter yang boleh berubah. Setelah Anda membuat tabel,
Anda dapat melihat pada tabel default nilai-nilai yang digunakan pada lapisan pemodelan,
dan sekarang Anda dapat mengklik ini nilai-nilai dan menimpa mereka.
perangkat input lain adalah "slider" - ikon ketujuh dari kiri di Gambar 6.19. Ini memungkinkan
untuk bervariasi parameter tunggal pada setiap titik menjalankan model. Klik pada slider,
letakkan di layar dan double-klik di atasnya. Pilih ALPHA sebagai parameter yang akan
bervariasi, mengatur jangkauan antara 0 dan 1, pada ketepatan 0,01, dan klik kotak untuk
menunjukkan nilai-nilai slider ini, navigasi panah dan nama (lihat Gambar 6.20). Navigasi
panah, misalnya, memungkinkan Anda untuk navigasi cepat ke bagian model dalam Lapisan
modeling di mana parameter, yang diubah melalui penggunaan slider, ditentukan. Selain
output dalam bentuk grafik, Anda juga dapat membuat display numerik (ikon ketiga dari
kanan pada Gambar 6.19) yang menunjukkan nilai-nilai dari saham, aliran atau converter
pada satu titik waktu.

antarmuka pengguna kami pada Gambar 6.21 dan 6.22 menunjukkan juga berbagai tombol
(Kedua ikon dari kiri pada Gambar 6.19) yang memungkinkan untuk arahkan ke bagian lain
dari model, untuk dengan mudah memulai dan menghentikan model, atau untuk menghapus
semua grafik dan me-reset perangkat input. Untuk membuat tombol, klik ikon tombol,
letakkan di layar, double-klik di atasnya, dan kemudian pilih a "Tombol Purpose." Jika Anda
memilih "Arahkan" dan kemudian "Tentukan Navigasi" Anda akan mendapatkan kamera
kecil yang Anda bisa mengarahkan dan klik di bagian lain dari model. Setelah menekan
tombol, pengguna kemudian akan berakhir dengan tampilan itu bagian dari model yang
telah Anda pilih dengan kamera Anda. Atau kamu mungkin ingin memilih "Menu" dan

kemudian RUN sebagai tujuan tombol. Jika kamu ingin memberikan tombol Anda nama,
ketik di bidang yang disorot dan secara default mengatakan "Button." Selanjutnya, klik pada
"Picture Impor" dan menentukan font dan ukuran font untuk nama tombol Anda, kemudian
klik OK. Perhatikan bahwa ada banyak cara yang tombol dapat digunakan, dan Anda harus
bereksperimen dengan mereka, dan menggunakannya sesuai kebutuhan.

Juga termasuk dalam antarmuka pengguna kami Gambar 6.21 dan 6.22 adalah kotak teks
(Dibuat dengan ikon kedua dari kanan pada Gambar 6.19). Anda harus memanfaatkan
banyak dari mereka untuk memberikan instruksi kepada pengguna, menjelaskan asumsi
model, unit pengukuran parameter, dan hal lain yang dapat memfasilitasi pemahaman
mereka tentang model, kemampuan mereka untuk berinteraksi dengan dan menafsirkan
hasil-hasilnya.
Gunakan model dan antarmuka dari bagian ini sebagai titik awal untuk lebih presentasi yang
rumit dan rinci dari Model Tata Ruang Perikanan dengan Cadangan. Jika Anda memilih di

Run pull-down menu Waktu Spec "Penerbangan Sim "pilihan, maka pengguna dapat
mengubah nilai parameter melalui slider sebagai model berjalan. Jika tidak, model jeda
setelah setiap perubahan, dan hanya resume yang dijalankan jika Anda memilih Lanjutkan
dari menu pull-down atau melalui tombol didefinisikan untuk tujuan itu. simulator
penerbangan dapat menjadi alat yang sangat efektif untuk cepat mengeksplorasi respon
Model asumsi alternatif, dan untuk berkomunikasi model Anda dan temuan kepada orang
lain. Melalui komunikasi ini, komponen dinamis lain dapat ditambahkan ke proses
pemodelan: model mungkin telah dimulai perdebatan di kalangan pengguna, dan mungkin
telah mendorong revisi penting dari Model, yang tidak akan telah dibuat, memiliki model
tidak pernah mudah diakses kepada mereka.

BAB 7. Pemodelan Interaksi Atmosphere-Ocean dan Produktivitas Primer

Dalam bab ini Anda akan:

Mengekspose hubungan antara interaksi atmosfer-laut dan produktifitas primer ;
Bersikap sensitif terhadap pentingnya zat besi dalam geokimia laut dan peran sentral nya
dalam fisiologi produsen primer laut; dan
Mempelajari cara menggunakan persamaan stochiometric dalam model STELLA, dan cara
melacak unsur kimia seperti kohort dari population-melalui berbagai tahap.
7.1. pengantar
Anggaran panas, dan karenanya iklim Bumi, sensitif terhadap perubahan dalam komposisi
gas rumah kaca di atmosfer. Di samping uap air, karbon dioksida CCO) adalah gas rumah
kaca di atmosfer yang paling penting yang mempengaruhi keseimbangan radiasi bumi. gas
rumah kaca meningkatkan suhu rata-rata Bumi dengan menyerap dan menjebak radiasi
gelombang panjang dari permukaan planet yang lain akan hilang ke angkasa.
Pemanasan global adalah ungkapan yang telah menjadi sangat populer di kedua media dan
kalangan lingkungan sejak ditemukan bahwa, mulai dengan Revolusi Industri abad ke-19,
bahan bakar fosil antropogenik penggunaan telah meningkat CCO atmosfer) 280-360 ppm
dan menghangatkan Bumi sekitar 0,4 c. Perubahan konsentrasi CO2 di atmosfer
mempengaruhi, dan dipengaruhi oleh, interaksi antara atmosfer dan laut, dengan potensi
implikasi yang luas untuk laut dan kehidupan di darat. paham efek peningkatan CO2 pada
iklim, siklus biogeokimia, laut dan produktivitas tanaman terestrial telah menjadi fokus dari
banyak ilmiah penelitian.
Tujuan bab ini adalah untuk menunjukkan hubungan antara CO2system atmosfer-laut dan
produktivitas primer laut seperti yang diatur oleh pasokan dari dua nutrisi penting: nitrogen
(paling penting dalam bentuk nitrat, N03-) dan besi (Fe). Model yang dikembangkan dalam
hal ini bab mengacu pada konsep-konsep dari berbagai aspek oseanografi. Hal ini
didasarkan pada konsep dasar dalam kesetimbangan kimia (sistem karbonat), biologi dan
ekologi (kinetika nutrisi dan produksi primer). Model adalah heuristik dan tidak perkiraan
kuantitatif dampak antropogenik meningkat CO2 dan Fe pembatasan produktivitas primer.
Sebaliknya, Tujuan utama Model 's adalah untuk menunjukkan kopling antara parsial
Tekanan CO2 [PCO) di atmosp di sini, kimia laut dan biologi, dan untuk mengeksplorasi
perubahan atmosfer [pCO2]
7.2. Gas Rumah Kaca dan Perubahan Iklim
pemahaman saat kami dari sistem laut-atmosfer dan bagaimana antropogenik Kegiatan
akan mempengaruhi perubahan iklim di masa depan sangat bergantung pada kami
pemahaman gangguan masa lalu iklim global terdeteksi di geologi record. Pengukuran
ntrations conce CO2 di gelembung udara terperangkap di inti es kutub telah menunjukkan
bahwa fluktuasi CO2 di atmosfer dari sekitar 80 ppm (Petit et al. 1999) disertai fluktuasi suhu
selama Kuarter transisi glasial-interglasial terbaru (12, 000 tahun yang lalu) pada skala
waktu tahun 103_104. Apakah kenaikan hadir di atmosfer CO2 akan mengakibatkan
perubahan sama drastis pada iklim global membutuhkan pengetahuan yang lebih besar
untuk apa gelar laut, waduk terbesar karbon anorganik, akan bertindak untuk penyangga
meningkat atmosfer. Karena sebagian besar anorganik atmosfer-laut gabungan pool karbon
berada di laut bawah permukaan (Sarmiento & Orr 1991), fluktuasi di CO2concentrations
atmosfer dan pergeseran yang dihasilkan di dunia iklim diperkirakan akan dipaksa oleh

perubahan dalam siklus karbon kelautan (Sundquist & Broecker 1985). Hari ini,
CO2concentrations permukaan laut yang dalam kesetimbangan dengan atmosfer,
sedangkan laut dalam mengandung lebih CO2 kemudian dapat hasil dari pertukaran gas
udara-laut saja (Broecker, Peng & Engh 1980). The surp lus dari CO2in laut dalam dikelola
oleh mekanisme disebut sebagai pompa biologis (Sarmiento & Bender 1994). Itu pompa
biologis disekap CO2 dari atmosfer melalui pengurangan CO2 oleh organisme
fotoautotropik. Di perairan permukaan lautan, organisme ini memperbaiki karbon anorganik
(bersama dengan nutrisi lainnya) menjadi molekul organik menurut persamaan untuk
fotosintesis:

Sebuah fraksi redu CED carbo n dihapus dari komunikasi dengan suasana ketika tenggelam
dari permukaan air di bawah pengaruh gravitasi, dan Remin eralized di laut dalam.
Stoikiometri dari Reaksi mewakili, rata-rata, kompos ition dari biogenik tenggelam bahan.
Rasio nutrisi anorganik utama dalam interior laut yang ditetapkan oleh hasil bersih dari
reaksi redoks carbo n fiksasi dan remineralisasi.
Stoikiometri konstan produksi ekspor laut, sering disebut rasio Redfield, digunakan untuk
memperkirakan fluks karbon dari perubahan air permukaan konsentrasi hara (Redfield et al.
1963). Di laut modem, hasil dari reaksi umum ini diduga dibatasi oleh pasokan N (dalam
bentuk N03 -) Ke zona eufotik karena upwelled N-tonutrient rasio yang rata-rata di bawah
nilai Redfield (Anderson & Sarmiento 1994; Falkowski 1997). Meskipun tertentu
menyebabkan variasi CO2 di atmosfer pada glasial-interglasial skala waktu tetap tidak
diketahui, salah satu cara untuk menjelaskan kenaikan glasial dari persediaan karbon anic
oce dan pengurangan yang dihasilkan dari tingkat CO2 di atmosfer adalah melalui
peningkatan memompa biologis karbon (peningkatan produksi ekspor) ke laut dalam (Martin
1990).
7.3. Tinggi Gizi, Low-Klorofil (HNLC) Daerah
Di daerah-daerah tertentu dari ocea n hari ini, seperti Samudra Selatan dan Khatulistiwa
Pasifik, kehadiran nutrisi permukaan kelebihan dan virtual tidak adanya biomassa
fitoplankton menyiratkan bahwa pompa biologis tidak operasi secara maksimal (Martin
1990). Daerah ini disebut sebagai tinggi nutrisi rendah klorofil (HNLC) daerah. Sebagian dari
penurunan di glasial CO2 di atmosfer bisa dipertanggungjawabkan jika pompa biologis
mampu menarik ke bawah ini kelebihan gizi dan Associa ted anorganik karbon dari HNLC.
Bahkan, karbon organik diawetkan dalam sedimen menunjukkan bahwa produksi ekspor
dari air permukaan HNLC telah covaried dengan tingkat CO2 di atmosfer selama ary
Quatern (Berger et al. 1989). Salah satu cara untuk meningkatkan efisiensi pompa biologis
(expo produksi rt) akan meningkatkan tingkat lokal produksi primer.
Hipotesis besi maju dalam rangka mengatasi mengapa dan bagaimana produktivitas di
daerah HNLC bisa increa sed begitu sangat selama glaciation terakhir. Martin (990)
mengusulkan bahwa ksi redu dari atmosfer CO2 selama acara glaciation terakhir
disebabkan oleh peningkatan biologis produ ksi karena grea ter pasokan Aeolian dari Fe ke
permukaan laut air . Selama glaciation terakhir, Fe fluks ke permukaan laut kira-kira 50 kali
lebih tinggi dari fluks kini, dan ada yang baik ndence correspo antara pasokan Fe dan CO2
atmosfer disimpulkan dari catatan inti es (Petit et al. 1999). hipotesis mengasumsikan bahwa
dalam daerah HNLC tertentu dari masa kini laut, fiksasi fotosintesis karbon anorganik
dibatasi oleh ambient rendah konsentrasi Fe. asumsi lain adalah bahwa peningkatan lian
aeo Fe pasokan bisa bersantai keterbatasan ini dan memungkinkan kelebihan gizi

permukaan yang akan dimanfaatkan. Bukti yang mendukung kedua asumsi ini berasal dari
laboratorium rece nt dan percobaan lapangan skala besar (Coale et al 199Gb;. Martin et al
1994;. Martin et al 1989;. Morel, Rueter & Harga 1991b; Sunda & Huntsman 1997).
Pentingnya besi dalam marine geoc hemistry dari C dan N berasal dari peran sentral dalam
fisiologi kelautan perwira produ utama.
Besi merupakan elemen penting untuk semua organisme hidup (Williams 1981).
Fotoautotropik fisiologi membutuhkan Fe untuk produksi klorofil, sitokrom dan untuk fiksasi
dan metabolisme nitrogen sebagai komponen metalloenzymes spesifik. Meskipun Fe
diperlukan dalam jumlah jejak dibandingkan dengan nutrisi mineral utama lainnya, itu adalah
sebagian besar larut dalam beroksigen air laut. konsentrasi permukaan air larut, biologis
tersedia Fe adalah sangat rendah 1 x 10-9 mol L- 1) di laut terbuka dan profil kedalaman
mirip dengan nutrisi tanaman utama lainnya (Bruland 1983; Martin & Gordon 1988; Martin et
al. 1989). Transportasi Fe ke zona eufotik seperti yang diperkirakan dari yang sederhana
adveksi model / difusi rs APPEA saja tidak cukup untuk memungkinkan phototrophs laut
untuk menguras macronutrients ambient seperti nitrat dan phosph makan (Martin 1990).
Tanpa sumber tambahan Fe, seperti deposisi Aeolian, daerah HNLC APPEA r untuk
ekosistem Fe terbatas dengan tingkat rendah fitoplankton biomassa, utama productivity dan
ekspor produksi.
7.4. Interaksi Model Suasana-Ocean
model adalah, model kotak satu dimensi tergantung waktu yang melacak Gerakan karbon,
nitrogen (N03-), Dan Fe melalui dikonseptualisasikan ekosistem laut terbuka. Dengan
pengecualian N0 3-, Nutrisi diizinkan untuk siklus melalui empat waduk utama: atmosfer,
permukaan laut, laut dalam dan sedimen. Kami berasumsi bahwa anorganik atmosfer
deposisi nitrogen tidak signifikan dibandingkan dengan fluks nitrogen upwelled ke reservoir
permukaan laut. fluks partikel vertikal dari permukaan ke laut dalam di hasil model dari
tenggelamnya fitoplankton sel (diatom terutama dan organisme kalsit pembentuk). Sebelum
kita membahas struktur dan fungsi dari model, penting untuk menjelaskan proses biologi
dan kimia yang membentuk jantung persamaan model. Melacak berbagai mata uang di
model-C, N dan fe- dibuat sederhana dengan menggunakan STELLA dan Pc. Namun,
penting konsep dalam karbonat kimia dan nutrisi kinetika mendasari tugas akuntansi untuk
fluks dari C, N, dan Fe, dan perubahan kimia mereka menjalani. Jelas memahami prinsip
prinsip berikut akan membuat menerapkan dan menafsirkan model lebih mudah.
Ketika proses fotosintesis dan respirasi yang seimbang dalam biosfer konsentrasi CO2 di
atmosfer diatur oleh equilibrium dengan air permukaan laut [PCO). Keseimbangan antara
atmosfer dan permukaan air [C02) Dicapai melalui pertukaran karbon dioksida seluruh
antarmuka udara-laut dan diatur oleh perbedaan parsial tekanan antara atmosfer dan
permukaan laut perairan dan piston kecepatan (r) -a ukuran difusivitas CO2 dan air
permukaan pencampuran:

Meskipun perubahan dalam konsentrasi CO2 (atmJ relatif mudah Model, konsentrasi CO2
(AQ) adalah fungsi dari kimia karbonat dari air laut. Kelarutan CO2 dalam air laut melebihi
untuk inert lainnya gas karena dapat eksis sebagai tiga spesies yang berbeda, sesuai
dengan berikut ini hubungan termodinamika:

Jumlah spesies karbon anorganik terlarut ini ditunjuk CI dan didefinisikan sebagai

Dalam rangka untuk memecahkan salah satu spesies karbon anorganik, dua dari berikut
empat parameter harus diketahui: pH, PC02 CI (Aq) dan TA (alkalinitas total). TA
didefinisikan sebagai jumlah dari semua basis yang dapat menerima proton di endpoint
H2C03:

Ketika mencirikan sistem dalam hal CO2 saja, alkalinitas dapat disederhanakan dengan total
alkalinitas karbonat (CA):

Sebelum konsentrasi CO2 (aq) dapat diketahui, kita harus menghitung pH (pH = -log [H + j)
dari sistem. Untuk membatasi kompleksitas perhitungan, kita asumsikan bahwa dalam
kisaran pH 7,8-8,5 hubungan adalah linear Fungsi C /:
Setelah memecahkan untuk pH diberikan Ct dan CA, sekarang kita dapat menghitung
konsentrasi CO2 (aq) menggunakan parameter ionisasi fraksionasi (iklan dan hubungan
dimana

Memecahkan persamaan (2) di setiap langkah waktu ena bles kita untuk menentukan fluks
CO2 dari atmosfer ke laut (dan di arah sebaliknya jika tanda negatif). Konsentrasi CO2
dalam volume tertentu atmosfer (Ppm / v) dengan mudah dapat dihitung dari jumlah molar
total CO2. Perhitungan yang sesuai dilakukan dalam modul CO2 ditunjukkan pada Gambar
7.1. Dalam modul itu, partikulat C terkait dengan tenggelam N adalah dihitung dengan
menggunakan rasio CIN rata-rata plankton laut dari 6,6 mol mol (Redfield et al. 1963). Difusi
CO2 ke dalam dan keluar dari permukaan laut dari dan ke atmosfer diatur oleh gradien
konsentrasi CO2 antara atmosfer dan lautan. Perhitungan permukaan p CO2 dan pH
ditunjukkan pada Gambar 7.2. Perhatikan bahwa di dunia nyata ao juga merupakan fungsi
dari suhu dan kekuatan ionik dari air laut.

7.4.2. Peraturan nutrisi Fitoplankton Carbon Fixation

Pertumbuhan dan tenggelamnya fitoplankton laut merupakan penting saluran melalui mana
CO2 di atmosfer bisa masuk, dan diasingkan di, laut dalam. Pertumbuhan fitoplankton laut
requ Ires kehadiran banyak nutrisi. penelitian laboratorium dan lapangan terbaru
menunjukkan N dan Fe menjadi sangat penting (Coale et al 1996b;. Harga et al 1994.).
Nitrogen dalam bentuk amonium merupakan komponen penting dari amino asam, blok
bangunan protein. Oleh karena itu pembatasan Nitrogen hasil dalam sejumlah masalah di
tingkat biokimia dan biofisika, menyebabkan berkurangnya fiksasi CO2 dan akhirnya
mengurangi pertumbuhan. Dalam modem oxyge terkontaminasi laut, bentuk termodinamika
stabil N adalah nitrat (N03 -). Sebelum nitrat dapat dimasukkan ke dalam asam amino,
misalnya, harus dikurangi untuk NH3 -. penggabungan ini dicapai dengan dua ironcontaining
enzim, nitrit dan nitrat reduktase.
Besi merupakan bagian penting dari aparat fotosintesis. Iron batasan menyebabkan
penurunan efisiensi percakapan energi cahaya untuk mengurangi agen (Greene et al 1991;..

Greene et al 1992). Di daerah laut dengan N03 tinggi - Konsentrasi tapi klorofil rendah dan
produktivitas yang rendah, penambahan besi merangsang penyerapan N0 3 - Oleh
fitoplankton laut, yang disertai dengan hasil imbang-down dari PC02 atmosfer (Cooper et al.
1996).
Penyerapan nitrat setelah penambahan besi dapat didekati (Coale et al. 1996) dengan
sederhana fungsi Michaelis-Menten kecepatan penyerapan (VN03J sebagai fungsi dari
konsentrasi substrat (Fe), kecepatan penyerapan maksimum (VMA) dan konsentrasi Fe
mendukung penyerapan setengah jenuh (K) mana = VN03 '1/2 Vmax:

Persamaan (3) digunakan dalam Gambar 7.3, untuk menghitung N03 - Serapan, atau
konversi terlarut N anorganik untuk partikulat N yang kemudian dipindahkan ke dalam air. K,
diatur untuk SpM dan VmaxNto 0,11 mol per tahun.

Struktur modul Fe dari model ini mengikuti bahwa dari Nand C modul dan ditunjukkan pada
Gambar 7.4. Analog dengan Gambar 7.3, modul ini menggunakan fungsi Michaelis-Menten
untuk menghitung partikel Fe fluks ke laut dalam, menggunakan Fe rata-rata: rasio N. Nilai
untuk Fe: rasio N diterapkan dalam model O.65e-4 mol mol ") telah ditentukan untuk spesies
fitoplankton laut dipertahankan dalam budaya laboratorium (Morel & Hudson 1984).

Dalam model, fluks partikel utama karbon dari air permukaan untuk laut dalam dan sedimen
terjadi dalam bentuk CaC03 pemakaman. Kita menggabungkan dalam model fluks latar
belakang konstan (yaitu independen Fe ketersediaan) dari C, N dan Fe dari organisme kalsit
pembentuk (Broecker & Peng 1982). Menghitung fluks partikel ke bawah C, N, dan Fe
dalam hal ini cara mengasumsikan bahwa:
(A) nutrisi laut inventorie s tetap konstan;
(B) fluks ke bawah hasil bahan partikulat sebagian besar dari pertumbuhan dan
tenggelamnya diatom (Goldman 1993);
(C) rasio unsur relatif C: N: Fe di tenggelam bahan biogenik adalah konstan selama skala
waktu dipertimbangkan dalam model;
(D) fluks bawah bahan biogenik atau produksi ekspor di ini Model diatur oleh masukan dari
Fe ke permukaan laut;
(E) ketika konsentrasi Fe yang cukup untuk N03 maksimum - Serapan yang fluks ke bawah
dari partikulat C dan, karena itu, konsentrasi CO2 di atmosfer dikendalikan oleh, dan sama
dengan, fluks upwelling dari N03 Dari air dalam ke permukaan laut.
Ini juga merupakan definisi baru produksi (Dugdale & Goering 1967; Eppley & Peterson
1979). Selain itu, model mengasumsikan bahwa: CD downwelling dan upwelling fluks

spesies kimia terlarut dihitung berdasarkan konsentrasi spesies (mol) dan berarti tarif
downwelling laut dan upwelling dari 0,39 m (hari) l (Broecker & Peng 1982); (G) pemakaman
partikulat sama dengan 1% dari fluks partikulat ke laut dalam; (H) remineralisasi partikel
terjadi pada skala waktu dari laut pencampuran -3000 tahun (Broecker & Peng 1982). Ini
berarti bahwa pada Waktu ini timbangan tidak ada pelestarian bahan organik (yaitu, steady
state).
Asumsi (a) - (h) link C, N dan Fe bagian dari model. Meskipun hubungan tetap antara
penggabungan C, N dan Fe dalam partikulat masalah penarikan relatif karbon dari atmosfer
dan permukaan laut ke laut dalam adalah fungsi dari konsentrasi dua tanaman utama akan
gizi N dan Fe. Mengubah baik rasio C: N: Fe di partikel atau penyerapan mutlak N (mol yr ")
tidak mengubah Fungsi-itu model hanya akan mengubah penarikan relatif atau akumulasi
CO2 di atmosfer dan permukaan laut. Fluks terlarut C, N dan Fe dalam dan keluar dari
permukaan dan air bawah adalah fungsi dari gradien konsentrasi gizi dan kecepatan fluks
(diukur di m hari "). Karena remineralisasi deep-laut dari partikulat materi, konsentrasi C, N
dan Fe lebih tinggi di laut dalam dari pada permukaan . Hal ini menghasilkan fluks positif
nutrisi ke dalam air permukaan. Perubahan pola sirkulasi laut terjadi lebih dari skala waktu
geologi lebih dari mungkin mengubah besarnya fluks ini (Boyle 1988).
7.5. Hasil Model dan Diskusi
Untuk menjalankan model, kita inisialisasi dengan data untuk konsentrasi nutrisi dan CO2
atmosfer yang mencerminkan tingkat modern. Kami berasumsi konsentrasi CO2 awal dari
suasana 10,9 ~ M m ", dan [PC02] atmosfer dari 345 uatm. Kami menetapkan Ct untuk
permukaan dan air bawah ke 2.19 mM (= 219mol / 100 m-3) dan 2,31 mM (= 7854 mol /
3400 m-3), masing-masing. Awal [Fe] di permukaan dan bawah air yang ditetapkan pada
12:26 (= 2,6 10-8 mol / toilet m-3) dan 13:02 (= 4,08 10-8 mol / 3400 m-3), masing-masing.
awal N03 konsentrasi di permukaan dan dasar perairan yang 12,0 ~ M (= 1,2 mol / 100m-3)
dan 30 ~ M = 002 mol / 3400 m-3).
Hasil skenario pertama berasal untuk Fe fluks Aeolian dari 2.048835 10-7 mol / tnom? per
tahun dan akan ditampilkan sebagai Grafik 1 di Angka 7.5 dan 7.6. Pada gambar ini juga
diplot hasil model berjalan yang berasumsi, masing-masing, dua kali lipat (Grafik 2), empat
kali lipat (Grafik 3), delapan kali lipat (Grafik 4) dan enam belas kali lipat (Grafik 5)
peningkatan fluks Aeolian dari Fe.

Grafik 1 di Angka 7,5 dan 7,6 mengasumsikan bahwa di daerah HNLC primer produktivitas,
dan jumlah CO2 yang dapat dihapus dari atmosfer, ditetapkan oleh fluks Fe gabungan dari
upwelling dan deposisi Aeolian. Peningkatan total fluks Fe ke dalam air permukaan (Grafik
2-5 pada Gambar 7.5 dan 7.6) akan mengubah istry Kimia kompleks besi di air laut.
Fitoplankton diperkirakan hanya mengakses ion bebas dari Fe untuk Pertumbuhan (Hudson

& Morel 1993; Morel, Rueter & Harga 1991; Sunda 1994). Konsentrasi bebas ion Fe dalam
larutan adalah fungsi dari kelarutan, derajat kompleksasi oleh ligan organik, penyerapan /
scaveng ing dan Reaksi foto-reduksi / oksidasi di permukaan dan laut dalam (Iohnson,
Gordon & Coale 1997). Oleh karena itu, model yang realistis dari interaksi besi / nitrat harus
mencakup komponen yang menghitung berbagai kolam besi, baik bioavailable dan tahan
api. Pada skala waktu lagi dianggap di model ini, kita asumsikan bahwa aktivitas bebas ion
Fe adalah linear, meningkatkan Fungsi total Fe dalam sistem, sehingga setiap kenaikan
ambient Fe akan menyebabkan peningkatan produksi. Meningkatkan kompleksitas model
dengan respe ct untuk Fe spesiasi tidak mengubah perilaku kualitatif.
Karena daerah HNLC yang jauh dari sumber terestrial dari Fe dan sedimen benua-rak, fluks
Fe sungai dan masukan Fe adveksi ke permukaan air yang sangat rendah. Oleh karena itu,
masukan utama Fe diperlukan untuk mempromosikan fotosintesis pada ekosistem ini harus
datang dari salah upwelled air, atau fluks Aeolian (Coale et al 1996a;. Martin 1990).
Sebagaimana dimaksud di atas, Fe sangat tidak larut dalam air laut oksigen yang
mengakibatkan jumlah yang sangat rendah bioavailable Fe (tersedia untuk penyerapan oleh
fitoplankton). Bahkan, bioavailable Fe di daerah HNLC di bawah perkiraan terbaik dari K. (Di
mana Fe serapan adalah setengah jenuh) untuk diatom laut. Hal ini menunjukkan bahwa Fe
serapan mungkin difusi terbatas untuk semua tapi fitoplankton terkecil (Hudson & Morel
1993).
Gambar 7.5 menunjukkan bahwa fluks Fe Aeolian lebih tinggi mengurangi mapan tingkat
atmosfer [PCO), dengan peningkatan empat kali lipat sehingga sama jangka panjang [PCO)
yang hampir sama dengan kondisi awal. Gambar 7.6 menunjukkan penyesuaian ke bawah
sementara di Permukaan Ct dan kenaikan tertinggi ke tingkat steady state yang menyertai
tingkat awalnya tinggi di permukaan Fe. Pengecualian adalah kasus di mana ada
peningkatan enam belas kali lipat Fe, dan pengurangan terus-menerus dari permukaan C ;.
Sebuah penyederhanaan dari model ini adalah bahwa struktur ukuran fitoplankton
masyarakat tidak dianggap, yang dapat memiliki implikasi penting untuk bersepeda
biogeokimia karbon dan produktivitas ekosistem. Sebuah ciri daerah HNLC adalah tidak
adanya fitoplankton besar (> 5 guci) dan dominasi produsen primer kecil (Chavez 1989;
Harga et al 1994.). Namun, setelah bantuan pembatasan besi (Dan penghalang difusi),
diatom yang lebih besar dengan cepat dapat mendominasi biomassa dari produsen primer
(Harga et al 1994;. Harga et al 1991.). pergeseran ukuran produsen utama ini
mempengaruhi baik kinetika nutrisi uptakelargely melalui perubahan rasio permukaandaerah-to-volume (Morel et al. 1991a) -dan jumlah produksi ekspor dari ekosistem
(penghapusan CO2 dari permukaan ke dalam air).
Sehubungan Aconstant diasumsikan antara air permukaan [Fe] dan tingkat penyerapan dari
N03 - Dalam model yang merupakan karakteristik dari besar, berkembang pesat
fitoplankton. Di daerah HNLC, di mana konsentrasi Fe membatasi, sel-sel kecilmendominasi
yang memiliki Ks rendah 'VmaxNo3' dan tingkat pertumbuhan absolut dari diatom yang lebih
besar. Di bawah Fe-membatasi kondisi, komunitas fitoplankton tidak dapat menghapus
semua N0 upwelled 3- Dan surplu s diamati ada di air permukaan. Setiap mol yang tidak
digunakan dari N03- Merupakan 6.6moles potensi atmosfer CO2 penarikan jika pompa
biologis beroperasi secara efisien. Ketika Fe ditambahkan ke berproliferasi sistem
fitoplankton besar dan menguras N0 3 - Dengan penarikan bersamaan CO2 di atmosfer,
Karena model meremehkan pemanfaatan nutrisi (C dan N) di bawah Felimiting kondisi,
perbedaan konsentrasi CO2 di atmosfer antara Fe menguras dan skenario penuh adalah
perkiraan yang konservatif.

Selama skala waktu geologi dari model, penyederhanaan untuk homogen populasi
fitoplankton masih enab les kami untuk mewakili sistem ini. Model menunjukkan bahwa di
bawah kondisi awal pasokan N03- / Fe ke ocea permukaan n secara signifikan lebih tinggi
dibandingkan dengan Redfield rasio partikel, yang menunjukkan keterbatasan besi (Gambar
7.5). Jumlah Fe masukan ke permukaan hanya dapat mendukung fluks ke bawah karbon
partikulat yang sama dengan 5% dari potensi yang diberikan N0 3 - Masukan. Dibawah
kondisi ini laut merupakan sumber CO2 ke atmosfer. Ini Fenomena khas dari sistem
upwelling air hangat di mana high-Ct, kaya nutrisi air bawah mencapai permukaan,
dihangatkan, mengurangi kelarutan CO2 dalam air, dan berdifusi ke dalam atmosp sini
(Cooper et al. 1996).

7.6. kesimpulan
Model ini Repre sents proses fisik yang sangat sederhana: pertukaran panas tidak cetak
ulang esented, tarif pencampuran adalah konstan, dan dalam model satu dimensi ada
adveksi lateral yang terjadi. Suhu air permukaan memiliki mendalam berpengaruh pada
kelarutan CO2 dan konsentrasi kesetimbangan yang dihasilkan CO2 terlarut (Millero 1995).
Karena air dingin memegang banyak lebih CO2 , Lintang tinggi daerah HNLC (Subarctic
Pasifik dan Southern Laut) lebih mungkin untuk bertindak sebagai sink untuk CO2 atmosfer
meskipun tidak efisien pemanfaatan permukaan-hara. Selain itu, Samudra Selatan adalah
penting bidang formasi mana air permukaan dingin dan anorganik deepwater dan karbon
organik secara efektif dan cepat berkomunikasi dengan ocea n interior. model regional
khusus yang menggabungkan temperaturedep endent konstanta kesetimbangan untuk
sistem karbonat memungkinkan untuk lebih perhitungan Accura te fluks CO2. Kami
berharap bahwa kesetimbangan konstanta yang digunakan untuk model ini (20 C)
menyebabkan perkiraan konservatif dari Airsea pertukaran CO2. Termasuk perairan dingin
dengan peningkatan ksi produ dalam menanggapi penambahan Fe harus mengarah pada
efek yang jauh lebih besar pada atmosfer PC02.
penyederhanaan lainnya dalam model ini yang lain akan berkontribusi remineralisasi s
nutrisi dan fluks ekspor di ekosistem laut yang pengecualian pemakan rumput tropik-tingkat
yang lebih tinggi dan loop mikroba.
Ini tingkat tropik mempengaruhi daur ulang nutrisi dalam air permukaan, dan Oleh karena itu
jumlah produksi ekspor. Namun, kita mengasumsikan bahwa produksi keseluruhan di
perairan oligotrophic (dan karenanya, maksimal yang penarikan CO2) Diatur oleh fluks
upwelling dari N0 3- Dan, lebih penting dalam HNLC, upwelling gabungan dan aeo masukan
lian dari Fe. Oleh karena itu, dampak dari proses al tahunan dan antar-annu adalah minimal
dibandingkan dengan pengetahuan apriori keterbatasan besi di ini sistem.
Karena model ini adalah dalam kondisi mapan, sumber dan istilah wastafel konstan; pada
skala waktu geologi, ini tidak benar. Model ini dapat dengan mudah dimodifikasi untuk
menggabungkan perubahan N03 - Persediaan didorong oleh ketersediaan Fe dengan
menambahkan wastafel dan sumber jangka sensitif terhadap permukaan konsentrasi Fe.
Meningkatkan fluks Fe ke permukaan air memiliki potensi untuk mempengaruhi tarif relatif
fiksasi nitrogen dan denitrifikasi. interaksi ini telah dihipotesiskan untuk mengatur persediaan
kelautan nitrogen teroksidasi pada skala waktu geologi (Falkowski 1997). Pada intinya,
peningkatan Fe dan seiring bertambahnya fiksasi nitrogen akan memiliki akhirnya efek
meningkatkan konsentrasi upwelling dari N03 - Di dunia lautan. Hal ini menciptakan umpan
balik positif lain yang potensial antara suplai besi dan produksi primer. Jika, di sisi lain, rasio
relatif nitrogen fiksasi / denitrifikasi menurun, N03 - Dikonsumsi dan maksimal
potensi utama penurunan produksi.

The parameterizations model menyederhanakan kompleksitas dari beberapa kimia skala

kecil dan proses ekologi, dan membatasi penerapan model lebih dari skala temporal dan
spasial yang besar. Sebagai konsekuensinya, Model hanya mendekati dinamika karbon
atmosfer-laut siklus dan perilaku biogeokimia dari N dan Fe dalam laut oligotrophic
ekosistem pada skala waktu geologi (10,000-100,000). model mungkin berfungsi sebagai
alat untuk memahami siklus karbon laut dan efeknya pada mengatur pe0l atmosfer 'Model
menunjukkan dalam bentuk sederhana regulasi penyerapan karbon ke laut dalam dengan
N03- Dan Fe, dan menunjukkan perubahan peo2 alternatif dalam menanggapi perubahan
fluks Fe.