A modellezés eredményét felhasználó intézmények:

  • MTA Ökológiai Kutatóközpont, Ökológiai és Botanikai Intézet
  • Budapesti Corvinus Egyetem, Tájépítészeti Kar
  • Magyar Földtani és Geofizikai Intézet, Nemzeti Alkalmazkodási Központ

Hazánk potenciális vegetációjának modellezése a SZTAKI számítási felhőjében Hazánk potenciális vegetációjának modellezése a SZTAKI számítási felhőjében

Megfelelően átgondolt természetvédelmi beavatkozásokhoz nagy szükség van olyan – szakértői dőntések és/vagy modelleredmények alapján adható – információkra, melyek egy adott földrajzi hely optimális természetközeli élőhelyéről nyilatkoznak. Az ökológiai modellek futtatásából származó potenciálisvegetáció-térkép alkalmas lehet e feladat betöltésére, ezért is vállalkoztunk e nagyszabású, és nagy számítási erőforrást igénylő modell felépítésére és futtatására, melyhez számítási kapacitást az MTA SZTAKI felhője biztosít.

A kutatás megfigyelt éghajlati, domborzati, vízrajzi, talajvíztani és talajtani adatok, valamint regionális klímamodellek (több modell és több predikciós időszak) felhasználásával, ezen adatok megfelelő felbontásúvá alakítása (leskálázása) és feldolgozása után a 21. századi klímaváltozás természetes vegetációra kifejtett (várható) hatását vizsgálja elterjedési modell építése, futtatása, validálása, térképi megjelenítése és az eredmények elemzése által. A kutatás az adatelőkészítésen túl a nagy adat- és számításikapacitás-igényű statisztikai modellezést (R statisztikai környezet) és az eredmények térinformatikai feldolgozását (ArcGIS szoftver) foglalja magában. A modell kimenete (eredménye) egyrészt Magyarország jelenlegi (modellezési referencia-időszakbeli) potenciális természetes vegetációja, másrészt hazánk jövőbeli (2021-2050, valamint 2071-2100 közötti célidőszakokra vonatkozó) potenciális vegetációja, mely kettős eredmény segíti a különféle természetvégelmi beavatkozások rövid- és hosszútávú tervezését egyeránt. A modell alapját Magyarország Élőhelyeinek Térképi Adatbázisából (MÉTA) származó klimax és szubklimax élőhelyek megfigyelt jelenlét-/hiányadatai adják, a modellezés segédváltozóit (prediktorok, mint pl. aszályindexek, bioklimatikus változók) pedig a leskálázott bemeneti adatokból képezzük. Az eredmények várhatóan nagy nemzetközi érdeklődést válthatnak ki, mivel a kutatási irány napjainkban igen aktívan referált, ugyanakkor hasonló felbontású, minőségű (értsd: bemeneti adatok és modellezési módszer részletei) és kiterjedésű modelleket még csak elvétve publikáltak a nemzetközi folyóiratokban. Mindemellett publikációink hazai citálására mindenképpen számítunk az eredmények nagy jelentősége és átfogó, az ökológia és természetvédelem számos részdiszciplínáját megszólítani szándékozó közlése révén.

A kutatás két nagy erőforrásigényű szakasza közül az első az adatelőkészítés során szükséges statisztikai leskálázás regressziós krigelés módszerével, mely az input éghajlati adatokat alakítja 10 km-es horizontális (síkbeli) felbontású raszterállományról 100 m-es felbontásúra a domborzat (tszf. magasság), földrajzi szélesség és földrajzi hosszúság mint független változók segítségével. Havi adatokkal dolgozunk, így 12 hónapot kell leskálázni, 4 éghajlati változót vizsgálunk (P, Tmin, Tmax, Tmean), és 1 referencia-időszakbeli, valamint 2×2 (2 időszak × 2 modell) predikciós időszakbeli éghajlati adatsorunk van. Így összesen 12×4×5=240 futtatás szükséges, melyek egymástól függetlenek, párhuzamosan is indíthatók. Egy futás bemenete 1 GB adat, kimenete 0,5-2 GB adat, a szkript erősen memóriaigényes, 20-30 GB RAM szükséges hozzá. Asztali gépen, nagyrészt swap-memóriát használva 1,5 hétig tart egy futás.

A másik, az előzőnél kisebb erőforrásigényű szakasz maga a modellezés, mely kb. 50 élőhelyre élőhelyenként 3 futást jelent. Ezek szintén párhuzamosan indíthatóak. Input-output-igényük 1-2 GB, memóriaigényük 10-20 GB, egy élőhely modellezési időtartama virtuális memóriát használó PC-n kb. 3 nap.

A fentiekből látható, hogy a modell felépítéséhez és futtatásához asztali gépen nem állna rendelkezésre kellő mennyiségű memória, vagy kellő türelem, mely az amúgy párhuzamosan is indítható szálak egymás után sorolt indítása esetén lenne szükséges a hónapokig elhúzódó munkafolyamat során. A feladat megoldásához így optimális környezetet biztosít a SZTAKI felhője.

Forrás: Bede-Fazekas Ákos (2015.02.26.)

© Copyright 2014, MTA SZTAKI, Hungary. All rights reserved.