11.8 Обсуждение и выводы

Аквапоника — это сложные технические и биологические системы. Например, возможными объяснениями для рыб, которые не растут должным образом, могут быть небольшие продовольственные пайки, неблагоприятное качество воды, технические проблемы, вызывающие стресс, и т.д. Из-за по своей сути медленной биологии научные исследования обоснованности этих объяснений будут утомительными и потребуют проведения нескольких экспериментальных испытаний для получить все важные факторы и их взаимодействия, требуя много возможностей, опыта, времени исследований и финансовых активов. Поэтому в настоящей главе рассматривается вопрос о моделировании аквапонных систем. В области аквапоники моделирование требуется для достижения различных целей: i) исследования/понимания, ii) анализа, iii) оценки и iv) управления и контроля. Для всех этих целей требуются соответствующие модели. Например, для достижения целей ii) и iii) можно использовать эмпирический подход, предусматривающий использование статистических моделей для анализа данных предыдущих экспериментальных испытаний с целью извлечения как можно большего объема информации без проведения новых экспериментов. Статистические модели позволяют выявить наиболее важные факторы, влияющие на рыбоводство и растениеводство в аквапонных системах. Будущие эксперименты могли бы быть сосредоточены на этих факторах, что позволило бы повысить эффективность использования дорогостоящих исследовательских ресурсов.

Сложность аквапонных систем, обусловленная их обратным характером и взаимодействием между РАС и гидропонной системой, водоочисткой и ростом рыбы, предполагает, что для достижения целей i) и iv), т.е. понимания или оптимизации растения (конфигурация, размер, рыба, корм, потоки и т.д.) с точки зрения к стоимости, стабильности, надежности и качества воды, нетривиальные теоретические модели большинства компонентов системы, описанных в этой главе, необходимы. Преимущество представленных теоретических моделей перед статистическими моделями заключается в их более сильной способности анализировать процесс, лежащий в основе аквапоники, и возможности моделирования временного аспекта (динамики). Статистические модели просто подтверждают или опровергают гипотезу и в какой степени переменные коварируют, но не дают доказательств лежащих в основе процессов. С другой стороны, теоретические модели позволяют моделировать процессы в соответствии с гипотезой, сравнивать смоделированные с наблюдаемыми данными, оценивать как гипотезу, так и модель и вносить коррективы. Действительность статистических моделей может не выходить за пределы оперативного диапазона, для которого они были обучены, тогда как теоретические модели могут быть определены и использованы для широкого круга сред при условии, что модели проверяются для этих диапазонов до их применения. Например, множественная регрессионная модель, используемая для оценки взаимосвязей между ростом рыбы с Oreochromis niloticus в качестве вида рыб и экологическими переменными в аквапонике в Германии, не может быть легко применена к Испании с использованием Cyprinus carpio, тогда как теоретическая модель, описывающая лежащие в основе (например, поведение рыб, аквакультура, пресноводная экология) в качестве математических уравнений можно относительно легко скорректировать, поскольку рыба и экологический процесс, лежащий в основе этой модели, в основном одинаковы для двух участков.

Тем не менее теоретические модели также требуют определения некоторых параметров, таких как константы реакции и скорость оседания вещества в отстойнике. Это обычно достигается на основе эмпирического исследования одного объекта или очень небольшого числа объектов или в большинстве случаев на основе ранее опубликованных исследований (вторичных источников). Исследования, основанные на вторичных источниках, имеют ограничения, обусловленные данной структурой и объемом имеющихся данных, которых не существует, когда данные поступают из экспериментальной установки, разработанной специально для исследования. Однако оценка параметров модели с использованием экспериментальных данных только одного объекта аквапоники может иметь проблемы с обобщением и тиражированием результатов в связи с конкретными условиями, присутствующими в исследовании. Нехватка данных иногда налагает серьезные ограничения на модели, которые ограничивают их практичность. Разработка исследований для оценки параметров с использованием первичных данных, использующих большее число объектов аквапоники по сравнению с предыдущими исследованиями, помогает преодолеть существующие ограничения и обеспечить лучшие и надежные результаты. Это, однако, непростая задача для исследователей аквапоники.

Моделирование аквапоники с помощью математических моделей в широком спектре условий управления позволит улучшить понимание аквапоники, проверить различные конфигурации аквапоники и указать путь к наиболее перспективным стратегиям совершенствования объектов аквапоники. Опять же, это может привести к более эффективному способу проведения экспериментов.

В этой главе также были представлены некоторые инструменты моделирования. Традиционно для понимания процессов в качестве вспомогательных инструментов количественного анализа использовались схемы запасов и потоков (SFD). Они используются для понимания потока и потоков количеств, но не имеют возможности проиллюстрировать информацию, связанную с потоком и потоками. Причинно-циклическая диаграмма (CLD) может быть использована для передачи сложной системы SFD в понятные упрощенные структуры обратной связи. Вместе SFD и CLD полностью определяют систему дифференциальных уравнений. Если требуется только простое качественное понимание системы, то CLD и SFD может быть достаточно, но если ответ требует числовой точности, то проблема может быть дополнительно исследована с помощью системных динамических инструментальных диаграмм (SDTD) и впоследствии смоделирована в программном инструменте для численного моделирования.