однозначно убеждает, что при этом полностью сохраняется творческое начало экспериментатора. Имитационное модели- рование облегчает проверку ‘рабочих гипотез, способствует упорядочению исходных данных и генерализации эмпирически установленных зависимостей. Внедрение машинных экспери- ментов в агропочвоведение может идти по многим направ- лениям. Они помогут количественно оценить различные варианты (траектории) повышения плодородия отдельных почв. Можно, например, предусмотреть целевой функцией достижение задан- ного уровня почвенных показателей при разных сочетаниях ресурсов (органических и минеральных удобрений и т. п.). Такие модели существенно облегчают оценку альтернативных ва- риантов и наряду с этим могут расширить и конкретизировать исходные предпосылки и указать на вероятность нежелатель- ных явлений. Однако нельзя не видеть очень серьезных трудностей ими- тационного моделирования применительно к нашим объектам, хотя их математический аппарат не является лимитирующим вследствие универсальности кибернетических принципов и методов. В минимуме находятся чисто почвенные стороны моделирования: описательный характер наших представлений и соответственно сложность их перевода на машинные языки, неполнота и фрагментарность имеющихся данных о почвенных параметрах и особенно об их взаимосвязях, поведение почвы во времени, т. е. недостаточная структуризация и формализация базы знаний. ` Поэтому было бы наивным считать, что имитационное моделирование в скором будущем сможет ”автоматизировать” принятие решений по управлению плодородием, сузить значе- ние творческого начала специалистов. Для этого наши объекты слишком сложны в структурно-функциональном отношении, причем им присуща способность к адаптации, а подобные зада- чи пока с трудом решаются методами классической кибер- нетики. Систематизация моделей возможна и на основе многих других принципов, а не только по форме представления инфор- мации и способу ее реализации. В последующих параграфах будут рассмотрены, например, различия между детерминиро- ванными и стохастическими, статическими и динамическими, линейными и нелинейными моделями, но этот список нетрудно расширить за счет иных классификационных признаков. Применительно к плодородию почв А. С. Фрид (1985) предло- жил более конкретную классификацию (рис. 4.2). На верхнем иерархическом уровне они подразделяются на модели управле- ния и информационные. Последние, в свою очередь, делятся на модели состояния плодородия (статические) и модели прогноза 127