Univerza	
v Ljubljani	
	Fakulteta za
	gradbeništvo in
	geodezijo
r.ni ^/rt
i iTill i ill iTT|
PODIPLOMSKI ŠTUDIJ GRADBENIŠTVA
DOKTORSKI ŠTUDIJ
Kandidatka:
NATAŠA SIRNIK, univ. dipl. inž. grad.
MODELIRANJE HIDRODINAMIČNIH, OCEANOGRAFSKIH IN OKOLJSKIH SPREMENLJIVK TER KONCENTRACIJ ŽIVEGA SREBRA V MORSKEM OKOLJU
Doktorska disertacija štev.: 213
MODELLING THE HYDRODINAMIC, OCEANOGRAPHIC AND ENVIRONMENTAL VARIABLES IN MARINE ENVIRONMENT WITH EMPHASIS ON MERCURY CONCENTRATIONS
Doctoral thesis No.: 213
Soglasje k temi doktorske disertacije je dal Senat Univerze v Ljubljani na 16. seji dne 4. julija 2007 in za mentorja imenoval doc. dr. Dušana Žagarja, za somentorja pa prof. dr. Matjaža Četino.
Ljubljana, 2. junij 2011
Univerza	
v Ljubljani	
	Fakulteta za
	gradbeništvo in
	geodezijo
i iTill i ill iTT| lllTTiiilTTTTl
Komisijo za oceno ustreznosti teme doktorske disertacije v sestavi:
-	prof. dr. Matjaž Četina
-	doc. dr. Dušan Žagar
-	prof. dr. Boris Kompare
-	izr. prof. dr. Milena Horvat, IJS.
je imenoval Senat Fakultete za gradbeništvo in geodezijo na 6. redni seji
dne 28. marca 2007.
Komisijo za oceno doktorske disertacije v sestavi:
-	prof. dr. Rudi Rajar
-	prof. dr. Boris Kompare
-	izr. prof. dr. Milena Horvat, IJS
je imenoval Senat Fakultete za gradbeništvo in geodezijo na 19. redni seji
dne 30. marca 2011.
Komisijo za zagovor doktorske disertacije v sestavi:
-	prof. dr. Matjaž Mikoš, dekan UL FGG, predsednik,
-	doc. dr. Dušan Žagar,
-	prof. dr. Matjaž Četina,
-	prof. dr. Rudi Rajar
-	prof. dr. Boris Kompare
-	izr. prof. dr. Milena Horvat, IJS
je imenoval Senat Fakultete za gradbeništvo in geodezijo na 21. redni seji
dne 25. maja 2011.
Univerza	
v Ljubljani	
	Fakulteta za
	gradbeništvo in
	geodezijo
i iTill i ill iTT| lllTTiiilTTTTl
IZJAVA O AVTORSTVU
Podpisana NATAŠA SIRNIK, univ. dipl. inž. grad., izjavljam, da sem avtorica doktorske disertacije z naslovom: »MODELIRANJE HIDRODINAMIČNIH, OCEANOGRAFSKIH IN OKOLJSKIH SPREMENLJIVK TER KONCENTRACIJ ŽIVEGA SREBRA V MORSKEM OKOLJU «.
Izjavljam, da je elektronska različica v vsem enaka tiskani različici. Izjavljam, da dovoljujem objavo elektronske različice v repozitoriju UL FGG.
Ljubljana, 2. junij 2011
Nataša Sirnik
(podpis)
BIBLIOGRAFSKO-DOKUMENTACIJSKA STRAN IN IZVLEČEK
UDK:	519.87:504.054:532.5(262.3)(043.3)
Avtor:	Natasa Sirnik
Mentor:	doc. dr. Dusan Žagar
Somentor:	prof. dr. Matjaž Cetina
Naslov:	Modeliranje hidrodinamiCnih, oceanografskih in okoljskih
spremenljivk ter koncentracij živega srebra v morskem okolju Obseg in oprema: 309 str., 40 pregl., 150 sl., 326 en.
Kljucne besede: Oceanografija, ekolosko modeliranje, živo srebro, nižji del
prehranjevalne verige, valovi, matematicni model PCFLOW3D, Sredozemsko morje, Tržaski zaliv
Izvlecek
Onesnaženost voda velja za enega ključnih ekoloskih problemov danasnjega casa. V Sloveniji in Sredozemlju je v rekah in morju poleg običajnih onesnaževal v visokih koncentracijah prisotno tudi živo srebro. Kot del resevanja problema onesnaženosti voda pri nas in v svetu razvijamo matematicne modele, s katerimi je mozno dolociti obseg onesnazenja in moznosti sanacije. Model PCFLOW3D je 3D baroklini matematicni model, ki ponuja moznost modeliranja hidro-dinamicnih in nekaterih okoljskih spremenljivk v realnem casu. V okviru disertacije smo model PCFLOW3D nadgradili z dvema konceptualnima pelagicnima modeloma za nizji del prehranjevalne verige, s konceptualnim bentoskim modelom mineralizacije organske snovi v sedimentih, z empiricnim modelom valovanja za Trzaski zaliv in z empiricnimi modeli za dolocanje skalarnih polj nekaterih okoljskih spremenljivk ter zvrsti zivega srebra v Sredozemskem morju. Pri razvoju konceptualnih modelov smo se opirali predvsem na deli Crispi in sod. (2002) in Fennel in sod. (2006), pri razvoju empiricnih modelov pa smo uporabili metodi modelnih dreves (program Weka) in ANFIS kombinacijo mehke logike in nevronskih mrez (program Matlab Fuzzy Logic Toolbox).
Nadgrajeni model PCFLOW3D ponuja moznost kvantitativnega modeliranja fosfatov, nitratov, amoniaka, kisika, zooplanktona, koncentracije klorofila-a in dveh velikostnih razredov fitoplanktona in detrita. Med procesi v vodnem stolpcu uposteva mineralizacijo detrita, nitrifikacijo, agre-gacijo manjsih delcev v vecje ter izmenjavo kisika med vodo in atmosfero. Bentoski model je namenjen dolocanju vpliva procesov mineralizacije organske snovi v sedimentih (aerobne res-piracije, nitrifikacije in denitrifikacije) na vrednosti spremenljivk v vodnem stolpcu. Kombinirani bentosko-pelagicni model omogoca ekolosko modeliranje odprtih in priobalnih morij ter celinskih voda, z nekaj popravki pa ga lahko uporabljamo tudi za modeliranje krozenja ogljika ali drugih elementov.
Empiricni model valovanja za Trzaski zaliv ponuja moznost napovedi povprecne in vrsne periode valov, povprecne in maksimalne visine valov, srednje smeri potovanja valov in razprsenosti valov pri vrsni periodi. Vhodne spremenljivke so pretekle vrednosti hitrosti in smeri vetra, sunkov vetra, privetrisca ter hitrosti in smeri tokov v vrhnjem sloju morja; iz meteoroloske napovedi vhodnih spremenljivk lahko znacilne vrednosti valov napovemo za poljubno stevilo ur vnaprej. Rezultati modela so primerljivi z rezultati fizikalnih modelov valovanja, ce jih uporabimo v priobalnih obmocjih s kompleksnimi hidrodinamicnimi in meteoroloskimi pogoji. Model valovanja lahko v prihodnje uporabimo za modeliranje vpliva valovanja na resuspenzijo sedimentov z dna ter s tem povezanih sprememb koncentracije na delce vezanih onesnazeval v vodnem stolpcu in v sedimentih Trzaskega zaliva.
Empiricni modeli za dolocanje skalarnih polj konduktivnosti, transmisije in kisika v Sredozemskem morju so zelo dobro ocenjeni (r « 1.0); primarno so namenjeni natancnejsemu dolocanju koncentracije zvrsti zivega srebra, ki je od njih odvisna. Empiricni modeli za dolocanje skalarnih polj celokupnega, elementarnega, reaktivnega, monometil in dimetil zivega srebra v Sredozemskem morju so slabse ocenjeni, iz strukture modelov pa lahko zakljucimo, da na koncentracijo zvrsti zivega srebra v Sredozemskem morju najbolj vplivajo koncentracija kisika, prisotnost delcev organske snovi in intenziteta svetlobe. Podobni empiricni modeli za dolocanje koncentracije zivega srebra v vodnem okolju, ki jih v prihodnje lahko razvijemo z orodji mehkega racunanja ali z drugimi naprednejsimi metodami umetne inteligence, ponujajo v kombinaciji s konceptualnim bentosko-pelagicnim modelom in ostalimi moduli modela PCFLOW3D moznost dolocitve skalarnih polj zvrsti zivega srebra v Sredozemskem morju ali na drugih obmocjih s podobno problematiko.
BIBLIOGRAPHIC-DOCUMENTALISTIC INFORMATION
519.87:504.054:532.5(262.3)(043.3) Natasa Sirnik
Asist. Prof. Dušan Žagar, Ph.D. Prof. Matjaž Cetina, Ph.D.
Modelling the hydrodinamic, oceanographic and environmental variables and the concentrations of mercury in marine environment
309 p., 40 tab., 150 fig., 326 eq.
Oceanography, ecological modelling, mercury, lower trophic level, waves, mathematical model PCFLOW3D, Mediterranean Sea, the Gulf of Trieste
Today, water pollution is considered to be one of the major ecological problems. In Slovenia and the Mediterranean, mercury, among other pollutants, is present in high concentrations. One of the ways to tackle the problem of water pollution is to use mathematical models that can help in determining the level of pollution and the possible ways of sanitation. The PCFLOW3D model is a 3D baroclinic mathematical model, which enables us to model hydrodynamic and some environmental variables in real time. In the dissertation, the PCFLOW3D model was upgraded with two conceptual pelagic models for the lower trophic level, with a conceptual benthic model of organic matter mineralization in sediments, with an empirical wave model for the Gulf of Trieste and with empirical models for scalar fields of certain environmental variables and of the concentrations of mercury species in the Mediterranean region. The two lower trophic level models were based primarily on Crispi et al. (2002) and Fennel et al. (2006). The empirical models were generated using two artificial intelligence tools, namely model trees (Weka software) and the ANFIS combination of fuzzy systems and neural networks (Matlab Fuzzy Logic Toolbox software).
With the upgraded PCFLOW3D model it is possible to quantitatively model the concentration of phosphates, nitrates, ammonium, dissolved oxygen, zooplankton, chlorophyll-a and two size classes of phytoplankton and detritus. Among the processes in the water column it takes into account the mineralization of detritus, nitrification, aggregation of smaller organic particles into larger ones and the exchange of oxygen between water and atmosphere. The benthic model is designed to determine the impact of aerobic mineralization, nitrification, and denitrification in sediments on the concentration of environmental variables in the water column. The combined benthic-pelagic model enables us to simulate the biogeochemical cycling of the listed variables in open oceans, on continental margins and in continental waters, and, with only little additional upgrade, it can be used to model the carbon cycle or the cycle of other important elements or complexes.
The empirical wave model for the Gulf of Trieste forecasts average and peak wave period, average and maximum wave height, mean direction of wave propagation and spread at peak period. The input variables are: past values of wind speed and direction, fetch, speed, and direction of currents in the top water layer; from the meteorological forecast of the input variables waves can be forecasted even 72 hours ahead. The results of modelling are comparable with those of physical wind-wave models, if used in near shore sites with complex hydrodynamic and meteorological conditions; above all the forecast of wave height can be used well with r « 0.95. In future, the model can be used to quantify the impact of waves on the resuspension of sediments and the consecutive change in concentration of mercury species in the water column of the Gulf of Trieste.
Empirical models for scalar fields of conductivity, transmission and dissolved oxygen concentration in the Mediterranean Sea are very well correlated with measurements (r « 1.0). These models can be used for a more accurate determination of concentrations of mercury species in the water column which depends on them. The empirical models for scalar fields of total, elementary, reactive, monomethyl and dimethyl mercury in the Mediterranean Sea are estimated as worse, but from the structure of the model trees it can be concluded that the concentration of mercury species in the Mediterranean Sea is most influenced by the concentration of dissolved oxygen, the concentration of organic matter and light intensity. In future, similar empirical models for the determination of mercury species concentration in water compartments can be generated with other artificial intelligence tools, among which the methods which combine induction and deduction seem most suitable. The combination of such models and the benthic-pelagic conceptual PCFLOW3D model can be used to determine the scalar fields of mercury species in the Mediterranean Sea or in other water compartments with similar pollution problems.
UDC:
Author:
Supervisor:
Co-supervisor:
Title:
Notes: Key words:
Abstract
Zahvale
Zahvaljujem se mentorju doc. dr. Dusanu Žagarju in somentorju prof. dr. Matjažu Cetini za pomoc in vodstvo.
Iskrena hvala dragemu Gregorju in ostalim domačim za vso spodbudo in neizmerno veliko pomoc pri delu in skrbi za malo Gajo.
Posebna zahvala pa gre izr. prof. dr. Mileni Horvat z Instituta Jozef Stefan za podatke o koncentracijah zvrsti zivega srebra v Sredozemskem morju ter izr. prof. dr. Vladu Malacicu z Morske bioloske postaje Piran za podatke z oceanografske boje.
KAZALO VSEBINE
1	UVOD	1
1.1	Cilji naloge..............................................................................2
1.2	Pregled poglavij..........................................................................4
2	PREGLED LITERATURE	5
3	BIOGEOKEMICNO KROŽENJE SNOVI V OCEANIH	11
3.1	Modeliranje koncentracije snovi v oceanih............................................11
3.1.1	Dotok snovi z rekami............................................................12
3.1.2	Profil koncentracije kemijskih elementov po globini..........................13
3.2	Vpliv fizikalnih procesov na koncentracijo snovi......................................14
3.2.1 Cirkulacija vode................................................................14
3.2.1.1	Ekmanov transport in geostrofske enacbe..........................17
3.2.1.2	Gibanje vodnih mas v vertikalni smeri..............................19
3.3	Sinteza organske snovi..................................................................25
3.3.1	Osnovni pojmi..................................................................26
3.3.1.1	Stehiometrija..........................................................27
3.3.1.2	Vpliv zunanjih dejavnikov na fotosintezo..........................29
3.3.1.3	Oligotrofna, evtrofna, HNLC obmocja..............................32
3.3.1.4	Nova in regenerirana produkcija....................................34
3.3.1.5	Struktura ekosistema................................................36
3.3.2	Modeliranje morskih ekosistemov..............................................38
3.3.2.1	Hranila................................................................38
3.3.2.2	Fitoplankton..........................................................41
3.3.2.3	Modeliranje fitoplanktona ............................................47
3.3.2.4	Zooplankton ..........................................................57
3.3.2.5	Bakterije..............................................................59
3.3.2.6	Detrit..................................................................60
3.3.2.7	Tipi modelov za nizji del prehranjevalne verige....................61
3.4	Izvoz in mineralizacija organske snovi ................................................75
3.4.1	Enačbe mineralizacije..........................................................75
3.4.2	POM in DOM ..................................................................78
3.4.2.1	POM..................................................................79
3.4.2.2	DOM ..................................................................83
3.5	Izmenjava snovi na stiku vode z atmosfero ............................................84
3.5.1	Henryjev zakon..................................................................84
3.5.2	Dolocanje topnosti plinov v vodi..............................................85
3.5.3	Modeliranje izmenjave plinov med vodo in atmosfero........................89
3.6	Izmenjava snovi na stiku vode z dnom ................................................98
3.6.1	Sedimenti........................................................................99
3.6.2	Mineralizacija OM v sedimentih ..............................................103
3.6.2.1 Procesi mineralizacije OM v sedimentih ............................103
3.6.3	Masna bilanca organske snovi v oceanih ......................................110
3.7	Biogeokemicno krozenje zivega srebra ........................113
4	VALOVI	119
4.1	Vodni valovi.......................................122
4.1.1	Klasifikacija vodnih valov...........................122
4.1.2	Teorije vodnih valov..............................125
4.2	Matematicni zapis valovanja..............................128
4.2.1	Hitrost potovanja valov............................129
4.2.2	Energija valov .................................130
4.2.3	Vpliv nelinearnosti...............................133
4.3	Modeliranje valovanja.................................137
4.3.1	Metode ..........................................................................137
4.3.2	Spektri ..........................................................................139
4.3.3	Ekstremni pojavi................................143
5	MODELIRANJE BIOGEOKEMICNEGA KROŽENJA SNOVI V OCEANIH
Z MODELOM PCFLOW3D	147
5.1 MODEL PCFLOW3D.................................147
5.1.1	Hidrodinamicni modul.............................147
5.1.2	Transportno-disperzijski modul........................150
5.1.3	Sedimentacijski modul.............................151
5.1.4	Biogeokemicni modul .............................151
5.2 Nadgradnja modela PCFLOW3D...........................152
5.2.1	Metode.....................................158
5.2.1.1	Strojno ucenje............................158
5.2.1.2	Mehko racunanje...........................160
5.2.2	Konceptualni model za nizji del prehranjevalne verige v vodnem okolju . .	165
5.2.2.1	Pelagicni model ...........................166
5.2.2.2	Bentoski model............................176
5.2.2.3	Vrednosti parametrov v modelih..................178
5.2.2.4	Robni in zacetni pogoji ter izbira numericne metode.......184
5.2.3	Empiricni model valovanja za Trzaski zaliv .................187
5.2.4	Empiricni modeli za dolocanje skalarnih polj konduktivnosti, transmisije, kisika in fluorescence..............................192
5.2.5	Modeli za dolocanje koncentracije zvrsti zivega srebra v Sredozemskem morju......................................196
6 UPORABA NADGRAJENEGA MODELA PCFLOW3D	205
6.1	Sredozemsko morje...................................205
6.1.1	Znacilnosti Sredozemlja............................205
6.1.2	Modeliranje Sredozemlja............................209
6.1.3	Rezultati konceptualnega modela za nizji del prehranjevalne verige ....	210
6.1.4	Rezultati induktivnih modelov za dolocanje koncentracije zvrsti zivega srebra ............................................................................220
6.1.4.1	Ocene modelov ........................................................220
6.1.4.2	Izbira atributov ...........................224
6.1.4.3	Uporaba modelov..........................224
6.2	Trzaski zaliv ......................................229
6.2.1	Znacilnosti obmocja..............................229
6.2.2	Modeliranje Trzaskega zaliva.........................230
6.2.3	Rezultati modela valovanja..........................232
6.2.3.1	Ocene modelov............................235
6.2.3.2	Uporaba modelov..........................240
6.2.3.3 Modeliranje valovanja po enacbah v literaturi...........248
7	ZAKLJUČKI	249
8	POVZETEK	255
9	SUMMARY	259
10	ANGLEŽKO-SLOVENSKI SLOVAR	263 VIRI	271 PRILOGA 1	297
KAZALO PREGLEDNIC
3.1	Stehiometricno razmerje med elementi v biomasi fitoplanktona in kolicina nastalega (fotosinteza) oz. porabljenega (mineralizacija) kisika (povzeto po Sarmiento in Gruber, 2006)...................................... 27
3.2	Velikostni razredi fitoplanktona v vecrazrednem modelu Armstrong (1994). ... 74
3.3	Koncentracija plinov v morski vodi pri saturaciji. Vrednosti veljajo za slanost 35.0 psu in so dolocene po enacbi [A] = Sa • V^oist (povzeto po Sarmiento and Gruber, 2006)...................................... 86
3.4	Koeficienti za dolocitev Schmidtovega stevila po enacbi Sc = A—BT+CT2 — DT3 (povzeto po Sarmiento and Gruber, 2006)....................... 93
3.5	Najpopularnejse enacbe za dolocitev prenosne hitrosti kw (povzeto po Sarmiento
in Gruber, 2006)..................................... 95
3.6	Prispevek razlicnih procesov mineralizacije organske snovi v sedimentih h globalni vrednosti stopnje oksidacije ogljika (povzeto po Sarmiento in Gruber, 2006). . . . 105
3.7	Relativni prispevek razlicnih reakcij mineralizacije k totalni vrednosti kolicine mineralizirane snovi (povzeto po Sarmiento in Gruber, 2006)............ 108
3.8	Globalna masna bilanca POC, relativni doprinos obmocij kontinentalnih robov in globokega oceana (povzeto po Dunne in sod., 2005c).................111
3.9	Biotske in abiotske pretvorbe razlicnih zvrsti zivega srebra (povzeto po Koron, 2008)........................................... 116
4.1	Klasifikacija vodnih valov (povzeto po Pinet, 2000).................. 123
4.2	Valovi v razvitih morjih v odvisnosti od hitrosti vetra (povzeto po Thurman in Trujillo, 2004)...................................... 141
4.3	Napoved znacilne visine valov Hs v odvisnosti od hitrosti vetra, minimalnega trajanja delovanja vetra in minimalne vrednosti privetrisca (povzeto po Ippen, 1966)........................................... 142
5.1	Mesecna povprecja maksimalnih dnevnih vrednosti soncnega sevanja za obmocje Sredozemlja........................................172
5.2	Vrednosti parametrov po Crispi in sod. (2002).................... 181
5.3	Vrednosti parametrov po Crise in sod. (1998)..........................................182
5.4	Vrednosti parametrov po Fennel in sod. (2006)........................................182
5.5	Vrednosti parametrov po Fasham in sod. (1990)......................................183
5.6	Ocene empiricnih modelov za konduktivnost, transmisijo, kisik in fluorescenco. .	196
5.7	Povprecne vrednosti meritev zivega srebra v posameznih predelih Sredozemskega morja...........................................197
5.8	Okvirne vrednosti izmerjenih koncentracij zivega srebra, povprecje pomladnih in poletnih meritev (Mercyms)..............................198
6.1	Vertikalno integrirane vrednosti koncentracije ultraplanktona, netplanktona in zooplanktona v Sredozemskem morju (povzeto po Crispi in sod., 2002)............208
6.2	Vrednosti letne primarne in sekundarne produkcije v Sredozemskem morju (povzeto
po Crispi in sod., 2002)..................................................................208
6.3	Sloji v Sredozemskem morju pri racunu z modelom PCFLOW3D..........211
6.4	Povprecne ocene empiricnih modelov za zvrsti zivega srebra.............220
6.5	Atributi, ki jih program izbere kot najpomembnejse za nastanek posameznih zvrsti zivega srebra. ....................................................................224
6.6	Sloji v Trzaskem zalivu pri racunu z modelom PCFLOW3D.............233
6.7	Znacilne vrednosti tipicnih vetrov v Trzaskem zalivu, kakrsne smo uporabili pri modeliranju valov....................................233
6.8	Ocene modela valovanja za Trzaski zaliv........................236
10.1	Parametri vhodnih pripadnostnih funkcij fin za povprecno periodo valov.....298
10.2	Parametri izhodnih pripadnostnih funkcij fout za za povprecno periodo valov. . .	299
10.3	Parametri vhodnih pripadnostnih funkcij fin za vrsno periodo valov........300
10.4	Parametri izhodnih pripadnostnih funkcij fout za vrsno periodo valov.......301
10.5	Parametri vhodnih pripadnostnih funkcij fin za povprecno visino valov......302
10.6	Parametri izhodnih pripadnostnih funkcij fout za povprecno visino valov......303
10.7	Parametri vhodnih pripadnostnih funkcij fin za maksimalno visino valov.....304
10.8	Parametri izhodnih pripadnostnih funkcij fout za maksimalno visino valov.....305
10.9	Parametri vhodnih pripadnostnih funkcij fin za srednjo smer potovanja valov. . .	306
10.10Parametri izhodnih pripadnostnih funkcij fout za srednjo smer potovanja valov. .	307
10.11Parametri vhodnih pripadnostnih funkcij fin za razprsenost valov pri vrsni periodi.308
10.12Parametri izhodnih pripadnostnih funkcij fout za za razprsenost valov pri vrsni
periodi..........................................309
LIST OF TABLES
3.1	Stoichiometric ratios of phytoplankton organic matter and oxygen released during synthesis of the organic matter or consumed during mineralization (adapted from Sarmiento and Gruber, 2006).............................. 27
3.2	Phytoplankton values in multiple size class model of Armstrong (1994)...... 74
3.3	Saturation concentration of gases in seawater at a salinity of 35.0 calculated from
[A] = S a • p^voist (adapted from Sarmiento and Gruber, 2006)............ 86
3.4	Coefficients for the calculation of the Schmidt number with equation Sc = A —
BT + CT2 — DT3 (adapted from Sarmiento and Gruber, 2006)........... 93
3.5	Gas transfer velocity formulations (adapted from Sarmiento and Gruber, 2006). . 95
3.6	Contribution of various sediment mineralization processes to global carbon oxidation rate (adapted from Sarmiento and Gruber, 2006)............... 105
3.7	The relative contribution of various oxidants to organic matter mineralization at representative sites (adapted from Sarmiento in Gruber, 2006)........... 108
3.8	The global ocean POC budget partitioned into continental margin and open ocean components (adapted from Dunne et al., 2005c)...................111
3.9	Biotic and abiotic transformations of mercury species (adapted from Koron, 2008).116
4.1	Classification of water waves (adapted from Pinet, 2000).............. 123
4.2	Characteristics of waves in fully developed seas, in relation to wind speed (adapted from Thurman and Trujillo, 2004)........................... 141
4.3	Significant wave height Hs as a function of windspeed, minimum wind duration
and minimum fetch (adapted from Ippen, 1966)................... 142
5.1	Monthly averaged values of maximum daily solar radiation in the Mediterranean region...........................................172
5.2	Parameter values after Crispi et al. (2002)............................................181
5.3	Parameter values after Crise et al. (1998)..............................................182
5.4	Parameter values after Fennel et al. (2006)............................................182
5.5	Parameter values after Fasham et al. (1990)..........................................183
5.6	Evaluations of empirical models for conductivity, transmission, oxygen and fluorescence..........................................196
5.7	Average data values of mercury species in different parts of the Mediterranean Sea. 197
5.8	Average values of mercury concentrations measured by IJS and LCABIE during both MERCYMS cruises................................198
6.1	Vertically integrated values of the concentrations of ultraplankton, netplankton
and zooplankton in the Mediterranean Sea (adapted from Crispi et al., 2002). . .	208
6.2	Yearly averaged primary and secondary production in the Mediterranean Sea (adapted from Crispi et al., 2002)......................................................208
6.3	Layers in the Mediterranean Sea which were used for modelling with the PCFLOW3D model......................................................................................211
6.4	Average evaluations of empirical models for mercury species............220
6.5	Attributes which, according to M5, are important for the formation of various mercury species. ........................................................................224
6.6	Layers in the Gulf of Trieste which were used for modelling with the PCFLOW3D model......................................................................................233
6.7	Values of wind mean and maximum speed and the direction of wind during typical winds in the Gulf of Trieste: bora, sirocco and maestral...............233
6.8	Evaluations of the wave model for the Gulf of Trieste................236
10.1	Parameters of input membership functions fin for mean wave period........298
10.2	Parameters of output membership functions fout for mean wave period......299
10.3	Parameters of input membership functions fin for peak wave period........300
10.4	Parameters of output membership functions fout for peak wave period.......301
10.5	Parameters of input membership functions fin for mean wave height........302
10.6	Parameters of output membership functions fout for mean wave height......303
10.7	Parameters of input membership functions fin for maximum wave height.....304
10.8	Parameters of output membership functions fout for maximum wave height. . . .	305
10.9	Parameters of input membership functions fin for mean wave direction......306
10.10Parameters of output membership functions fout for mean wave direction.....307
10.11Parameters of input membership functions fin for wave spread at peak wave period.308
10.12Parameters of output membership functions fout for wave spread at peak wave
period...........................................309
KAZALO SLIK
3.1	Shematicni prikaz krozenja ogljika v oceanih, prikazani so tudi procesi v sedimen-
tih (povzeto po Sarmiento in Gruber, 2006)...................... 12
3.2	Koordinatni sistem, kakrsnega uporabljamo v oceanografiji (povzeto po Dyke, 2007)........................................... 15
3.3	Ekmanova spirala (povzeto po Pinet, 2000)...................... 18
3.4	Ekmanov transport ter dvig in spust vode (povzeto po Thurman, 1990)...... 19
3.5	Nastanek ciklona na severni polobli.......................... 20
3.6	Nastanek anticiklona na severni polobli........................ 21
3.7	Ciklonski in anticiklonski vrtinci na severni in juzni polobli............. 21
3.8	Shematicni prikaz povezanega nastajanja ciklonov in anticiklonov......... 21
3.9	Termoklina, haloklina, piknoklina (povzeto po Pinet, 2000)............. 23
3.10	Nastanek prodorov (povzeto po Pinet, 2000)..................... 23
3.11	Spreminjanje termokline v odvisnosti od letnih casov (povzeto po Sarmiento in Gruber, 2006)...................................... 24
3.12	Spreminjanje globine premesanega sloja v odvisnosti od letnih casov (povzeto po Sarmiento in Gruber, 2006)............................... 25
3.13	Shematicni prikaz najpomembnejsih dejavnikov v procesu sinteze organske snovi (povzeto po Sarimento in Gruber, 2006)........................ 30
3.14	Obicajno sezonsko nihanje osnovnih kolicin ekosistema v povrsinskem sloju vode v (a) HNLC in (b) evtrofnih predelih oceanov (povzeto po Steele and Henderson (1992)........................................... 33
3.15	ef-kolicnik kot funkcija obsega primarne produkcije in temperature vode (povzeto
po Laws in sod., 2000).................................. 35
3.16	Shema regeneracijskega in izvoznega ekosistema (povzeto po Sarmiento in Gruber, 2006)........................................... 37
3.17	Dusikov krog v oceanih (povzeto po Sarmiento in Gruber, 2006).......... 39
3.18	Razvrstitveno drevo za fitoplankton (povzeto po Sarmiento in Gruber, 2006). . . 45
3.19	Saturacijska (oz. Monodova, Michaelis-Mentenova, Michaelis-Menten-Henryjeva) krivulja (povzeto po Dring, 1982)........................... 49
3.20	Planetarna karta povprecne dnevne vrednosti soncnega sevanja na vrhu atmosfere (povzeto po Hartmann, 1994).............................. 52
3.21	Shematicni prikaz kompenzacijske in kriticne globine po Sverdrup (1953) (povzeto
po Sarmiento in Gruber, 2006)............................. 53
3.22	Absorbcija svetlobe na odprtem morju (povzeto po Pinet, 2000).......... 54
3.23	Graf upadanja intenzitete svetlobe z globino (povzeto po Parsons in sod., 1984). 55
3.24	P-I krivulja (povzeto po Sarmiento in Gruber, 2006)................. 56
3.25	P-I krivulje za nekaj vecjih skupin fitoplanktonskih organizmov (povzeto po Parsons in sod., 1984).................................... 57
3.26	Shema dvokomponentnega modela: N so nitrati, P je fitoplankton (povzeto po Sarmiento in Gruber, 2006)............................... 62
3.27	Shema trikomponentnega modela: N so nitrati, P je fitoplankton, Z je zooplankton (povzeto po Sarmiento in Gruber, 2006)..................... 63
3.28	Kumulativa dusika v N, P, Z sistemu (povzeto po Sarmiento in Gruber, 2006). . 64
3.29	Shema ekosistema po Fasham in sod. (1990)..................... 66
3.30	Porazdelitev dusika med komponentami sistema (povzeto po Fasham in sod., 1990). 71
3.31	Velikostni razredi fitoplanktona v Sredozemskem morju (povzeto po Chisholm, 1992)........................................... 72
3.32	Primeri razlicnih moznosti interakcije med velikostnimi razredi fito- in zooplank-tona (povzeto po Davis in Steele, 1994)........................ 73
3.33	Grafa koncentracije nitratov (a) in kisika (b) v odvisnosti od koncentracije fosfatov (povzeto po Sarmiento in Gruber, 2006)........................ 76
3.34	Osnovne transformacije dusika v oceanih (povzeto po Sarmiento in Gruber, 2006). 77
3.35	Graf log(N>D) v odvisnosti od premera delcev D (povzeto po Clegg in Whitfield, 1990)........................................... 80
3.36	Fluks suspendirane organske snovi v odvisnosti od globine morja (povzeto po podatkih iz sedimentnih pasti v Martin in sod., 1987)................ 82
3.37	Shema krozenja DOC v oceanih (povzeto po Kirchman in sod., 1993)....... 83
3.38	Graf topnosti razlicnih plinov v odvisnosti od temperature vode (povzeto po Sarmiento in Gruber, 2006)............................... 87
3.39	Topnost kisika v morski vodi v odvisnosti od temperature (povzeto po Sarmiento
in Gruber, 2006)..................................... 88
3.40	Shematicni prikaz modela mirujoce plasti (povzeto po Sarmiento in Gruber). . . 91
3.41	Graf prenosne hitrosti kw v odvisnosti od hitrosti vetra U oz. strizne hitrosti u*w (povzeto po Liss in Merlivat, 1986)........................... 94
3.42	Obicajen profil upadanja poroznosti z narascanjem globine sedmentov (povzeto
po Reimers in sod., 1992)................................................................99
3.43	Tipicni grafi vsebnosti organskega ogljika v sedimentih in kisika v porni vodi; primerjava med kontinentalnim robom in globokim oceanom (povzeto po Rabouille
in Gaillard, 1991)....................................100
3.44	Vertikalni profil koncentracije kisika v vrhnji plasti sedimentov, ki nazorno kaze difuzivno mejno plast (povzeto po Gundersen in Jorgensen, 1990)..................101
3.45	Profil koncentracije kemijskih elementov in spojin v sedimentih, ki odrazajo potek razlicnih reakcij mineralizacije v tleh (povzeto po Sarmiento in Gruber, 2006). . .	104
3.46	Obicajen profil koncentracije raztopljenega organskega ogljika v anoksicnih in oksicnih sedimentih (povzeto po Burdige, 2002)......................................106
3.47	Maksimalna koncentracija DOC v zgornjih 20-30 cm sedimentov v odvisnosti od totalne stopnje oksidacije v sedimentih (povzeto po Burdige, 2002)..................109
3.48	(a) Delez aerobne respiracije glede na totalno respiracijo (podatki Hartnett and Devol, 2003). (b) Spreminjanje obsega mineralizacije organske snovi z oddaljenostjo od obale (podatki Jahnke and Shimmield, 1995)..................................110
3.49	Globalna bilanca krozenja POC v oceanu (povzeto po Sarmiento in Gruber, 2006.) 112
3.50	Procesi pretvorb zivega srebra (Monperrus in sod., 2007; Whalin in sod., 2007). .	113
3.51	Najpomembnejse zvrsti zivega srebra v vodnem okolju: THg, DGM, RHg, MMHg, DMHg (osebni vir: prof. dr. Milena Horvat).....................114
3.52	Shema biogeokemijskega krozenja Hg v okolju (Koron, 2008)........................115
4.1	Nihanje na vzmet pritrjene utezi (povzeto po Dyke, 2007)............................119
4.2	Shematicni prikaz valovanja z oznacenimi osnovni pojmi...............120
4.3	Obicajen zapis nihanja gladine v casu.........................121
4.4	Tipi valov (povzeto po Pinet, 2000)....................................................123
4.5	Kaoticni, mrtvi in rusilni valovi (povzeto po Pinet, 2000)............................123
4.6	Spreminjanje valov med priblizevanjem obali (povzeto po Pinet, 2000)..............124
4.7	Trajektorije delcev v globoki vodi (povzeto po Pinet, 2000)..........................126
4.8	Trajektorije delcev v plitvi vodi (povzeto po Pinet, 2000)............................127
4.9	Tipi valov, kot jih predpostavljajo glavne teorije valovanja: linearna, Stokesova, knoidalna in teorija solitarnega vala (povzeto po U.S.A.C.E., 2008)................127
4.10	Sinusni linearni val (povzeto po Dyke, 2007)..........................................129
4.11	Valovanje kot superpozicija nihanj razlicnih valovnih dolzin (povzeto po Pinet, 2000)......................................................................................132
4.12	Osnovni in bitni val (povzeto po Dyke, 2007)..........................................132
4.13	Stokesov tok (povzeto po Pinet, 2000)..................................................134
4.14	Tok vzporedno z obalo.................................135
4.15	PM spekter (povzeto po Stewart, 2008)................................................139
4.16	JONSWAP spekter (povzeto po Stewart, 2008)........................................140
4.17	Graf verjetnosti nastopa valov z znacilno visino Hs (povzeto po Dyke, 2007). . .	145
5.1	Biogeokemicni modul modela PCFLOW3D......................152
5.2	Diagram poteka matematicnegea modela PCFLOW3D - 1. del...........153
5.3	Diagram poteka matematicnegea modela PCFLOW3D - 2. del...........154
5.4	Diagram poteka matematicnegea modela PCFLOW3D - 3. del...........155
5.5	Diagram poteka matematicnegea modela PCFLOW3D - 4. del...........156
5.6	Diagram poteka matematicnegea modela PCFLOW3D - 5. del...........157
5.7	Modelno drevo za DGM iz podatkov IJS.......................159
5.8	Pripadnostne funkcije (povzeto po Tsoukalas in Uhrig, 1997)........................162
5.9	Trinivojska nevronska mreza (povzeto po Tsoukalas in Uhrig, 1997)................163
5.10	Uporaba mehkih sistemov in nevronskih mrez (povzeto po Tsoukalas in Uhrig, 1997)......................................................................................164
5.11	Shema modela za nizji del prehranjevalne verige po Crispi in sod. (2002)..........169
5.12	Shema modela za nizji del prehranjevalne verige po Fennel in sod. (2006)..........173
5.13	Odvisnost koeficienta zmanjsanja svetlobe kz [cm-1] od zemljepisne dolzine v Sredozemskem morju (povzeto po Crispi in sod., 2002)..............................179
5.14	Profili zacetnih vrednosti nitratov v razlicnih predelih Sredozemskega morja (povzeto po Crispi in sod, 2002)..................................................................186
5.15	Roza vetrov: pogostost smeri vetra in histogram hitrosti vetra...........188
5.16	Roza tokov: pogostost smeri toka in roza valov: pogostost smeri potovanja valov.	188
5.17	Histograma horizontalne in vertikalnevkomponente hitrosti tokov za povrsinski
sloj morja.........................................189
5.18	Histograma visine in periode valov...........................189
5.19	Osnovna shema modela ANFIS za valove v Trzaskem zalivu............191
5.20	Tocke vzorcenja med terenskimi meritvami zivega srebra in drugih ekoloskih spremenljivk v Sredozemskem morju: projekt MERCYMS, avgust 2003 in marec 2004.193
5.21	Modelno drevo za dolocanje vrednosti transmisije v Sredozemskem morju.....194
5.22	Modelno drevo za dolocanje koncentracije kisika v Sredozemskem morju......194
5.23	Modelno drevo za dolocanje vrednosti fluorescence klorofila-a v Sredozemskem morju...........................................195
5.24	Modelno drevo za THg iz podatkov IJS........................199
5.25	Modelno drevo za DGM iz podatkov IJS.......................200
5.26	Modelno drevo za DGM iz podatkov LCABIE....................200
5.27	Modelno drevo za THg iz podatkov IJS........................201
5.28	Modelno drevo za MMHg iz podatkov IJS.......................202
5.29	Modelno drevo za MMHg iz podatkov LCABIE...................202
5.30	Modelno drevo za DMHg iz podatkov IJS.......................203
5.31	Modelno drevo za DMHg iz podatkov LCABIE....................203
6.1	Karta Sredozemskega morja (vir: Google Maps)...................206
6.2	Zimsko hitrostno polje v povrsinskem sloju Sredozemskega morja..........207
6.3	Stiriletna simulacija nihanja spremenljivk v Sredozemskem morju: primerjava med vzhodnim in zahodnim Sredozemljem......................212
6.4	Primerjava dinamike nitratov, fitoplanktona in zooplanktona v zahodnem Sredozemlju.........................................213
6.5	Primerjava dinamike nitratov, fitoplanktona in zooplanktona v vzhodnem Sredozemlju.........................................213
6.6	Fazni diagram trajektorije sistema nitrati - fitoplankton - zooplankton; primerjava med vzhodnim in zahodnim Sredozemljem......................214
6.7	Koncentracija klorofila-a (CHL) v foticni coni Sredozemskega morja: 20. sloj, 90.
dan simulacije......................................215
6.8	Koncentracija klorofila-a (CHL) v foticni coni Sredozemskega morja: 18. sloj, 90.
dan simulacije......................................215
6.9	Koncentracija klorofila-a (CHL) v foticni coni Sredozemskega morja: 19. sloj, 90.
dan simulacije......................................216
6.10	Koncentracija klorofila-a (CHL) v foticni coni Sredozemskega morja: 19. sloj,
135. dan simulacije. .................................. 216
6.11	Koncentracija zooplanktona (ZOO) v foticni coni Sredozemskega morja: 20. sloj,
135. dan simulacije. .................................. 217
6.12	Koncentracija zooplanktona (ZOO) v foticni coni Sredozemskega morja: 18. sloj,
135. dan simulacije. .................................. 217
6.13	Koncentracija detrita (DEC) v foticni coni Sredozemskega morja: 20. sloj, 135.
dan simulacije......................................218
6.14	Koncentracija detrita (DEC) v foticni coni Sredozemskega morja: 16. sloj, 135.
dan simulacije......................................218
6.15	Koncentracija detrita (DEC) v foticni coni Sredozemskega morja: 18. sloj, 135.
dan simulacije......................................219
6.16	Koncentracija detrita (DEC) v foticni coni Sredozemskega morja: 18. sloj, 180.
dan simulacije......................................219
6.17	Primerjava merjenih in modeliranih vrednosti THg..................221
6.18	Primerjava merjenih in modeliranih vrednosti DGM.................222
6.19	Primerjava merjenih in modeliranih vrednosti RHg..................222
6.20	Primerjava merjenih in modeliranih vrednosti MMHg................223
6.21	Primerjava merjenih in modeliranih vrednosti DMHg................223
6.22	Koncentracija THg v foticni coni Sredozemskega morja: 18. sloj, avgust......226
6.23	Koncentracija DGM v foticni coni Sredozemskega morja: 18. sloj, avgust.....226
6.24	Koncentracija RHg v foticni coni Sredozemskega morja: 20. sloj, avgust......227
6.25	Koncentracija MMHg v foticni coni Sredozemskega morja: 18. sloj, avgust. . . .	227
6.26	Koncentracija DMHg v foticni coni Sredozemskega morja: 18. sloj, avgust. . . .	228
6.27	Obmocje Trzaskega zaliva z oznacenimi obicajnimi tockami vzorcenja (povzeto
po Hace, 2010)............................................................................229
6.28	Zimsko hitrostno polje v Trzaskem zalivu.......................234
6.29	Poletno hitrostno polje v Trzaskem zalivu.......................234
6.30	Koordinatni sistem, kakrsnega uporabljamo pri modeliranju Trzaskega zaliva z modelom PCFLOW3D.................................235
6.31	Primerjava merjenih in modeliranih vrednosti povprecne periode valov pri napovedi
za tri ure vnaprej....................................236
6.32	Primerjava merjenih in modeliranih vrednosti vrsne periode valov pri napovedi
za tri ure vnaprej....................................237
6.33	Primerjava merjenih in modeliranih vrednosti povprecne visine valov pri napovedi
za tri ure vnaprej....................................237
6.34	Primerjava merjenih in modeliranih vrednosti maksimalne visine valov pri napovedi
za tri ure vnaprej....................................238
6.35	Primerjava merjenih in modeliranih vrednosti povprecne smeri potovanja valov
pri napovedi za tri ure vnaprej.............................238
6.36	Primerjava merjenih in modeliranih vrednosti povprecne razprsenosti valov pri vrsni periodi pri napovedi za tri ure vnaprej.....................239
6.37	Karta vrednosti privetrisca za burjo..........................240
6.38	Karta vrednosti privetrisca za jugo...........................241
6.39	Karta vrednosti privetrisca za maestral........................242
6.40	2D polje pricakovane visine valov pri burji iz smeri ENE s povprecno jakostjo 13
m/s in sunki do 25 m/s.................................242
6.41	2D polje pricakovane periode valov pri burji iz smeri ENE s povprecno jakostjo
13 m/s in sunki do 25 m/s...............................243
6.42	2D polje pricakovane smeri potovanja valov pri burji iz smeri ENE s povprecno jakostjo 13 m/s in sunki do 25 m/s..........................243
6.43	2D polje pricakovane visine valov pri jugu iz smeri ESE s povprecno jakostjo 9
m/s in sunki do 15 m/s.................................244
6.44	2D polje pricakovane periode valov pri jugu iz smeri ESE s povprecno jakostjo 9
m/s in sunki do 15 m/s.................................244
6.45	2D polje pricakovane smeri potovanja valov pri jugu iz smeri ESE s povprecno jakostjo 9 m/s in sunki do 15 m/s...........................245
6.46	2D polje pricakovane visine valov pri maestralu iz smeri WNW s povprecno jakostjo 4 m/s in sunki do 9 m/s............................245
6.47	2D polje pricakovane periode valov pri maestralu iz smeri WNW s povprecno jakostjo 4 m/s in sunki do 9 m/s............................246
6.48	2D polje pricakovane smeri potovanja valov pri maestralu iz smeri WNW s povprecno jakostjo 4 m/s in sunki do 9 m/s............................246
6.49	2D polje maksimalne pricakovane visine valov zaradi mocne burje iz smeri ENE
s povprecno jakostjo 15 m/s in sunki do 40 m/s...................247
6.50	2D polje pricakovane vrsne vrednosti periode valov zaradi mocne burje iz smeri ENE s povprecno jakostjo 15 m/s in sunki do 40 m/s................247
LIST OF FIGURES
3.1	Schematic illustration of the organic carbon cycle including sediment processes. (adapted from Sarimento and Gruber, 2006) ..................... 12
3.2	Co-ordinate system which is used in oceanography (adapted from Dyke, 2007). . 15
3.3	Ekman spiral (adapted from Pinet, 2000)....................... 18
3.4	Ekman transport and associated upwelling and downwelling (adapted from Thur-man, 1990)........................................ 19
3.5	Formation of a cyclonic eddy on the Northern hemisphere.............. 20
3.6	Formation of an anticyclonic eddy on the Northern hemisphere........... 21
3.7	Cyclonic and anticyclonic eddies on the Northern and Southern hemispheres. . . 21
3.8	Schematic presentation of the combined formation of cyclonic and anticyclonic eddies........................................... 21
3.9	Thermocline, halocline, pycnocline (adapted from Pinet, 2000)........... 23
3.10	The formation of outcrops (adapted from Pinet, 2000)................ 23
3.11	The change of thermocline with respect to seasonal variations (adapted from Sarmiento and Gruber, 2006).............................. 24
3.12	Change in mixed layer depth with respect to seasonal variations (adapted from Sarmiento and Gruber, 2006).............................. 25
3.13	Schematic diagram representing the primary processes that influence primary production (adapted from Sarmiento and Gruber, 2006)............... 30
3.14	Schematic of typical seasonal behaviour in the upper ocean ecosystem in (a) HNLC and in (b) eutrophic parts of the world ocean (adapted from Steele and Henderson, 1992).................................... 33
3.15	ef-ratio as a function of primary production and temperature (adapted from Laws
et al., 2000)........................................ 35
3.16	Schematic illustration of the regeneration loop and the export pathway (adapted from Sarmiento and Gruber, 2006)........................... 37
3.17	The cycling of nitrogen in the oceans (adapted from Sarmiento and Gruber, 2006). 39
3.18	The phytoplankton allocation tree (adapted from Sarmiento and Gruber, 2006). . 45
3.19	Saturation (or Monod, Michaelis-Menten, Michaelis-Menten-Henry) curve (adapted from Dring, 1982).................................... 49
3.20	World map of mean daily irradiance at the top of the atmosphere (adapted from Hartmann, 1994)..................................... 52
3.21	Schematic representation of the compensation and critical depth concepts as in Sverdrup (1953) (adapted from Sarmiento and Gruber, 2006)............ 53
3.22	Light absorbtion in the open ocean (adapted from Pinet, 2000)........... 54
3.23	The light intensity vs. depth (adapted from Parsons et al., 1984).......... 55
3.24	P-I curve (adapted from Sarmiento and Gruber, 2006)................ 56
3.25	Schematic P-I curvers for various major phytoplankton groups (adapted from Parsons et al., 1984)................................... 57
3.26	A schematic illustration of a nitrate-phytoplankton model (adapted from Sarmiento and Gruber, 2006).................................... 62
3.27	A schematic illustration of a nitrate-phytoplankton-zooplankton model (adapted from Sarmiento and Gruber, 2006)........................... 63
3.28	Cumulative of nitrogen in N, P,Z system (adapted from Sarmiento and Gruber, 2006)........................................... 64
3.29	Scheme of the ecosystem model of Fasham et al. (1990)............... 66
3.30	Nitrogen distribution in the ecosystem model of Fasham et al. (1990)....... 71
3.31	Size distribution of phytoplankton in the Mediterranean Sea (adapted from Chisholm, 1992)........................................... 72
3.32	An illustration of various ways that various size classes of phytoplankton and zooplankton may interact with each other (adapted from Davis and Steele, 1994). 73
3.33	Plots of (a) nitrate and (b) oxygen versus phosphate (adapted from Sarmiento
and Gruber, 2006).................................... 76
3.34	Transformation pathways of nitrogen in the ocean (adapted from Sarmiento and Gruber, 2006)...................................... 77
3.35	Schematic presentation of log(N>D) as a function of particle diameter D (adapted from Clegg and Whitfield, 1990)............................ 80
3.36	Particulate organic matter flux as a function of depth (from the sediment trap measurements of Martin et al., 1987)......................... 82
3.37	Schematic DOC cycling diagram (adapted from Kirchman et al., 1993)...... 83
3.38	Plot of the solubility of various gases as a function of temperature (adapted from Sarmiento and Gruber, 2006).............................. 87
3.39	Plot of the solubility of oxygen as a function of temperature (adapted from Sarmiento and Gruber, 2006).............................. 88
3.40	Schematic description of the stagnant film model (adapted from Sarmiento and Gruber, 2006)...................................... 91
3.41	Plot of transfer velocity kw vs. wind velocity U or friction velocity u*w (adapted from Liss and Merlivat, 1986).............................. 94
3.42	A typical vertical profile of porosity (adapted from Reimers et al., 1992)...... 99
3.43	Vertical profiles of percent dry weight organic carbon content in sediments, and oxygen concentration in pore water (adapted from Rabouille and Gaillard, 1991). 100
3.44	A vertical profile of oxygen at the sediment-water interface, showing diffusive boundary layer (adapted from Gundersen and Jorgensen, 1990)........... 101
3.45	Schematic vertical profiles of reactants and products of mineralization reactions
in sediments (adapted from Sarmiento and Gruber, 2006).............. 104
3.46	Typical observations of vertical dissolved organic carbon profiles in anoxic and
oxic sediments (adapted from Burdige, 2002)..................... 106
3.47	The maximum DOC concentration in the top 20 to 30 cm of sediments vs. the total oxidation rate in sediments (adapted from Burdige, 2002)........... 109
3.48	(a) The fractional contribution of aerobic respiration vs. total respiration (data are from Hartnett and Devol, 2003). (b) Organic carbon mineralization vs. distance from the shelf break (data are from Jahnke and Shimmield, 1995)...... 110
3.49	The global ocean POC budget (adapted from Sarmiento in Gruber, 2006)..... 112
3.50	Chemical reactions between the most important mercury species (Monperrus et
al., 2007; Whalin et al., 2007).............................. 113
3.51	Major mercury species in aquatic environment: THg, DGM, RHg, MMHg, DMHg (from: personal communication with prof. dr. Milena Horvat)...........114
3.52	Schematic presentation of the biogeochemical cycle of mercury in the environment (Koron, 2008)...................................... 115
4.1	Oscillations of a mass connected to a spring (adapted from Dyke, 2007)............119
4.2	Schematic presentation of water waves oscillations with key terms denoted. . . .	120
4.3	A time series, typical of a wave record.........................121
4.4	Types of waves (adapted from Pinet, 2000)............................................123
4.5	Chaotic, swell and breaking waves (adapted from Pinet, 2000)......................123
4.6	Shallow-water waves in profile (adapted from Pinet, 2000)............................124
4.7	Oscillations of water particles in deep water (adapted from Pinet, 2000)............126
4.8	Oscillations of water particles in shallow water (adapted from Pinet, 2000). . . .	127
4.9	Types of waves according to different wave theories: linear, Stokes, cnoidal and solitary wave theory (adapted from U.S.A.C.E., 2008)................ 127
4.10	The sinusoidal linear wave (adapted from Dyke, 2007)................ 129
4.11	Waves as superposition of oscillations of different wavelengths (adapted from Pinet, 2000)....................................... 132
4.12	Basic and beat waves (adapted from Dyke, 2007)................... 132
4.13	Stokes drift (adapted from Pinet, 2000)................................................134
4.14	Longshore drift......................................135
4.15	PM spectrum (adapted from Stewart, 2008)............................................139
4.16	JONSWAP spectrum (adapted from Stewart, 2008)..................................140
4.17	A wave height extrapolation plot (adapted from Dyke, 2007)........................145
5.1	Biogeochemical module of the PCFLOW3D model..................152
5.2	Flow chart of the PCFLOW3D mathematical model - Part 1............153
5.3	Flow chart of the PCFLOW3D mathematical model - Part 2............154
5.4	Flow chart of the PCFLOW3D mathematical model - Part 3............155
5.5	Flow chart of the PCFLOW3D mathematical model - Part 4............156
5.6	Flow chart of the PCFLOW3D mathematical model - Part 5............157
5.7	Model tree for DGM from IJS data..........................159
5.8	Membership functions (adapted from Tsoukalas and Uhrig, 1997)..................162
5.9	Three-layer neural network (adapted from Tsoukalas and Uhrig, 1997)..............163
5.10	When to use fuzzy systems and neural networks (adapted from Tsoukalas and Uhrig, 1997)..............................................................................164
5.11	Schematic presentation of the lower trophic level model from Crispi et al. (2002).	169
5.12	Schematic presentation of the lower trophic level model from Fennel et al., 2006.	173
5.13	Light extinction coefficient kz [cm-1] vs. longitude in the Mediterranean Sea (adapted from Crispi et al., 2002)......................................................179
5.14	Nitrate initial profiles in different areas of the Mediterranean Sea (adapted from Crispi et al., 2002.)......................................................................186
5.15	Rose of winds: frequency of various wind directions and histogram for wind speed. 188
5.16	Rose of currents: frequency of direction of horizontal currents' component and
rose of waves: frequency of direction of wave propagation..............188
5.17	Histograms for horizontal and vertical components of current speed........189
5.18	Histograms for wave height and wave period.....................189
5.19	Schematic presentation of ANFIS model for wave forecast in the Gulf of Trieste.	191
5.20	Locations of mercury sampling during both MERCYMS cruises in the Mediterranean Sea: August 2003, March 2004..................................................193
5.21	Model tree for transmission in the Mediterranean Sea................194
5.22	Model tree for oxygen in the Mediterranean Sea...................194
5.23	Model tree for fluorescence in the Mediterranean Sea................195
5.24	Model tree for THg from IJS data...........................199
5.25	Model tree for DGM from IJS data..........................200
5.26	Model tree for DGM from LCABIE data.......................200
5.27	Model tree for RHg from IJS data...........................201
5.28	Model tree for MMHg from IJS data..........................202
5.29	Model tree for MMHg from LCABIE data. ..........................................202
5.30	Model tree for DMHg from IJS data..........................203
5.31	Model tree for DMHg from LCABIE data.......................203
6.1	The map of the Mediterranean Sea (source: Google Maps).............206
6.2	Velocity field for the surface layer of the Mediterranean Sea.............207
6.3	A four-year simulation of oscillations of environmental variables in the Mediterranean Sea: comparison between the Eastern and the Western Mediterranean. . . 212
6.4	Comparison of dynamics of nitrates, phytoplankton and zooplankton in the Western Mediterranean.................................... 213
6.5	Comparison of dynamics of nitrates, phytoplankton and zooplankton in the Eastern Mediterranean.................................... 213
6.6	Phase diagram of the system nitrates - phytoplankton - zooplankton; comparison between the Eastern and the Western Mediterranean. ............... 214
6.7	Chlorophyll-a concentration (CHL) in the photic zone of the Mediterranean Sea: layer No. 20, Julian day No. 90............................215
6.8	Chlorophyll-a concentration (CHL) in the photic zone of the Mediterranean Sea: layer No. 18, Julian day No. 90............................215
6.9	Chlorophyll-a concentration (CHL) in the photic zone of the Mediterranean Sea: layer No. 19, Julian day No. 90............................216
6.10	Chlorophyll-a concentration (CHL) in the photic zone of the Mediterranean Sea: layer No. 19, Julian day No. 135............................216
6.11	Zooplankton concentration (ZOO) in the photic zone of the Mediterranean Sea: layer No. 20, Julian day No. 135............................217
6.12	Zooplankton concentration (ZOO) in the photic zone of the Mediterranean Sea: layer No. 18, Julian day No. 135............................217
6.13	Detritus carbon concentration (DEC) in the photic zone of the Mediterranean
Sea: layer No. 20, Julian day No. 135.........................218
6.14	Detritus carbon concentration (DEC) in the photic zone of the Mediterranean
Sea: layer No. 16, Julian day No. 135.........................218
6.15	Detritus carbon concentration (DEC) in the photic zone of the Mediterranean
Sea: layer No. 18, Julian day No. 135.........................219
6.16	Detritus carbon concentration (DEC) in the photic zone of the Mediterranean
Sea: layer No. 18, Julian day No. 180.........................219
6.17	Graphical comparison between measured and modelled values of THg.......221
6.18	Graphical comparison between measured and modelled values of DGM......222
6.19	Graphical comparison between measured and modelled values of RHg.......222
6.20	Graphical comparison between measured and modelled values of MMHg......223
6.21	Graphical comparison between measured and modelled values of DMHg......223
6.22	Concentration of THg in the photic zone of the Mediterranean Sea: layer No. 18, august...........................................226
6.23	Concentration of DGM in the photic zone of the Mediterranean Sea: layer No.
18, august........................................226
6.24	Concentration of RHg in the photic zone of the Mediterranean Sea: layer No. 20, august...........................................227
6.25	Concentration of MMHg in the photic zone of the Mediterranean Sea: layer No.
18, august........................................227
6.26	Concentration of DMHg in the photic zone of the Mediterranean Sea: layer No.
18, august........................................228
6.27	Map of the Gulf of Trieste with general sampling points denoted (adapted from Hace, 2010)........................................ 229
6.28	Winter velocity field in the Gulf of Trieste......................234
6.29	Summer velocity field in the Gulf of Trieste......................234
6.30	Coordinate system which is used for the Gulf of Trieste modelling with the PCFLOW3D model...................................235
6.31	Graphical comparison between measured and modelled values of mean wave period forecasted three hours ahead...........................236
6.32	Graphical comparison between measured and modelled values of peak wave period forecasted three hours ahead..............................237
6.33	Graphical comparison between measured and modelled values of mean wave height forecasted three hours ahead..............................237
6.34	Graphical comparison between measured and modelled values of maximum wave height forecasted three hours ahead..........................238
6.35	Graphical comparison between measured and modelled values of mean wave direction forecasted three hours ahead.......................... 238
6.36	Graphical comparison between measured and modelled values of mean spread of wave direction forecasted three hours ahead......................239
6.37	Map of fetch during bora wind.............................240
6.38	Map of fetch during sirocco wind............................241
6.39	Map of fetch during maestral wind...........................242
6.40	The expected map of wave height during bora wind from ENE direction with mean speed of 13 m/s and maximum speed of 25 m/s................242
6.41	The expected map of wave period during bora wind from ENE direction with mean speed of 13 m/s and maximum speed of 25 m/s................243
6.42	The expected map of wave direction propagation during bora wind from ENE direction with mean speed of 13 m/s and maximum speed of 25 m/s........243
6.43	The expected map of wave height during sirocco wind from ESE direction with mean speed of 9 m/s and maximum speed of 15 m/s.................244
6.44	The expected map of wave period during sirocco wind from ESE direction with mean speed of 9 m/s and maximum speed of 15 m/s.................244
6.45	The expected map of wave direction propagation during sirocco wind from ESE direction with mean speed of 9 m/s and maximum speed of 15 m/s........245
6.46	The expected map of wave height during maestral wind from WNW direction with mean speed of 4 m/s and maximum speed of 9 m/s. ............. 245
6.47	The expected map of wave period during maestral wind from WNW direction with mean speed of 4 m/s and maximum speed of 9 m/s. ............. 246
6.48	The expected map of wave direction propagation during maestral wind from WNW direction with mean speed of 4 m/s and maximum speed of 9 m/s.....246
6.49	Map of maximum wave height which can be expected at strong bora wind from ENE direction with mean speed of 15 m/s and maximum speed of 40 m/s.....247
6.50	Map of peak wave period which can be expected at strong bora wind from ENE direction with mean speed of 15 m/s and maximum speed of 40 m/s........247
1 UVOD
Oceanografija je interdisciplinarna veda, ki zdruzuje vec podrocij znanosti: fiziko, geologijo, biologijo, kemijo, gradbenistvo, meteorologijo, matematiko, statistiko, racunalnistvo, pa tudi pravo, sociologijo in ekonomijo. Ceprav je po svetu odprtih ze nekaj studijskih programov oceanografije, so oceanografi najpogosteje strokovnjaki ene izmed nastetih ved. Delo na podrocju oceanografije zato od strokovnjakov zahteva veliko sodelovanja in vsaj delno poznavanje vec izmed nastetih podrocij. Problemi v oceanografiji kljub izjemni kompleksnosti zahtevajo celostno obravnavo. Interdisciplinarnost obvladujemo s siroko paleto znanja ter s kombiniranjem razlicnih metod modeliranja: tako eno kot drugo pomeni vecjo fleksibilnost pri resevanju problemov. Pri delu so nam v pomoc tako konceptualne metode kot tudi empiricni modeli, statistika in naprednejse metode umetne inteligence.
Naloge oceanografije so zbiranje in analiza podatkov, modeliranje priobalnih in globokomorskih obmocij, napoved prihodnjih stanj sistemov, dimenzioniranje in racun sil na konstrukcije, idr. Posebno mesto v oceanografiji zavzema ekologija morja, saj je v zadnjih nekaj desetletjih vecina nalog tako ali drugace povezana s kakovostjo voda. Kljub dolgoletnim raziskavam zaenkrat velja, da je vecina ekoloskih procesov v oceanih se slabo raziskanih.V zadnjem casu je velik del raziskav usmerjen v dolocitev obsega in posledic globalnega segrevanja ter v razvoj primernih nacinov modeliranja le-tega. Visja vsebnost energije sistema in posledicno vec neurij, visje povprecne temperature, visje povprecne hitrosti vetra, visji valovi, dvig gladine morja, na drugi strani pa vecja gostota naseljenosti prebivalstva vodijo do hudih posledic tsunamijev, orkanov, monsunskih dezevij, ipd. Med naloge oceanografije tako v danasnjem casu spada tudi razvoj alarmnih sistemov za pravocasno opozarjanje ljudi na nevarnosti.
Globalni problemi se odrazajo tudi v nasi neposredni okolici. Prica smo tako klimatskim spremembam kot tudi spremembam v rezimu in kakovosti celinskih in morskih voda. Poleg onesnazenosti z industrijskimi odplakami in ostalimi produkti civiliziranega sveta se pri nas srecujemo se s prekomerno onesnazenostjo okolja z zivim srebrom (Hg). Območje Sredozemlja spada med s Hg najbolj onesnazena obmocja sveta, zaradi pritoka Hg z reko Soco pa so koncentracije visoke tudi v Trzaskem zalivu. Rudnik Hg je v Idriji obratoval kar 500 let, z dejavnostjo so dokoncno prenehali sele leta 1995. Mocno je onesnazil okolje predvsem zaradi neucinkovitega postopka taljenja rude in zaradi odlaganja odpadkov iz topilnice v okolje. Po nekaterih podatkih naj bi se na ta nacin v okolje sprostila kar cetrtina vsega izkopanega Hg, kar pomeni okoli 40.000 ton (Mlakar, 1974; Miklavcic, 1999). Se danes se zaradi erozijskih procesov v Idrijco in z njo povezane ekosisteme transportirajo nezmanjsane kolicine Hg. V poplavnih ravnicah reke Idrijce naj bi se nahajalo okoli 2000 ton Hg (Zibret in Gosar, 2006).
Resitev problema tudi v primeru onesnazenosti voda z zivim srebrom zahteva celosten pristop:
pri razvoju modela krozenja Hg je potrebno upostevati fizikalne, bioloske, kemijske in geoloske procese, ki vplivajo na koncentracijo zivega srebra v vodnem stolpcu, v sedimentih in v organizmih. Izkusnje in raziskave kazejo, da so za pravilno modeliranje koncentracije zivega srebra v Sredozemskem morju in v Trzaskem zalivu primarno pomembni povsem drugi dejavniki:
•	na koncentracijo zivega srebra v Sredozemskem morju najbolj vplivajo procesi, ki se odvijajo v foticni coni. Zaradi visokih temperatur in mocnega soncnega sevanja imajo procesi na povrsini vode velik vpliv na biogeokemicno krozenje snovi (Saliot, 2005). Zakljucki predhodnih raziskav katedre za mehaniko tekocin UL FGG nakazujejo, da na pretvorbe zivega srebra v Sredozemskem morju najbolj vplivajo intenziteta svetlobe, koncentracija raztopljenega kisika in prisotnost delcev organske snovi (suspendirana in raztopljena organska snov ter fitoplankton);
•	na koncetracijo zivega srebra v vodi Trzaskega zaliva pa najbolj vplivajo fizikalni procesi: > 95% zivega srebra, ki z reko Soco priteka v zaliv, je vezanega na sedimente (Sirca, 1996). Ti se usedajo na dno, v vodni stolpec pa zatem prehajajo z difuzijo in s premescanjem sedimentov. Resuspenzija sedimentov z dna je posledica advekcije, zaradi plitvosti zaliva pa tudi vetra in valov (povprecna globina Trzaskega zaliva znasa 16 m, najgloblja tocka pa se nahaja na 37 m; Ekmanov sloj torej poteka po celotni globini zaliva).
Za pravilno modeliranje koncentracij zivega srebra v Sredozemskem morju torej potrebujemo kakovosten model za nizji del prehranjevalne verige (imenujemo ga tudi model primarne produkcije ali model sinteze organske snovi), medtem ko za pravilno dolocitev koncentracij zivega srebra v Trzaskem zalivu potrebujemo model, ki cim bolj natancno opisuje fizikalne procese v plitvih priobalnih obmocjih.
1.1 Cilji naloge
Doslej smo na Katedri za mehaniko tekocin Fakultete za gradbenistvo in geodezijo Univerze v Ljubljani oceanografske probleme resevali s 3D matematicnim modelom PCFLOW3D. Ta zaenkrat vsebuje transportno-disperzijski, sedimentacijski in preprost biogeokemicni modul za dolocanje koncentracij nekaterih zvrsti zivega srebra v morskem okolju. Namen pricujocega dela je za model PCFLOW3D razviti dodatne module, s katerimi bi natancneje modelirali krozenje zivega srebra v morskem okolju, uporabni pa bi bili tudi za modeliranje biogeokemicnega krozenja ostalih snovi v morskih in celinskih vodah. Cilji doktorata so tako:
•	razviti model za nizji del prehranjevalne verige, s katerim bi bilo mogoce obravnavati tako ekoloske procese v priobalnih morjih in v globokem oceanu kot tudi v celinskih vodah,
•	razviti model valovanj a za Trzaski zaliv,
•	razviti empiricne modele za napoved koncentracij posameznih zvrsti zivega srebra v Sredozemskem morju: celokupno (THg), elementarno (Hg0), nemetilirano (HgII), monometil (CH3Hg+) in dimetil ((CH3)2Hg) zivo srebro,
•	nove modele vgraditi v obstojeci matematicni model PCFLOW3D.
Zaradi izjemno sirokih moznosti uporabe smo se primarno produkcijo odlocili modelirati konceptualno. Teoreticno je model za nizji del prehranjevalne verige del sirsega modela za biogeokemicno krozenje snovi v oceanih. Deli slednjega med seboj povezujejo procese v oceanih, v ozracju in na kopnem, ki vplivajo na koncentracijo modelirane snovi. Model za biogeokemicno krozenje snovi v oceanih obicajno obsega:
1.	model cirkulacije vode,
2.	model sinteze organske snovi v povrsinskem sloju vode,
3.	model transporta in mineralizacije suspendirane (POM) in raztopljene (DOM) organske snovi v globokem oceanu,
4.	model izmenjave plinov med vodo in atmosfero,
5.	model izmenjave snovi med vodo in sedimenti,
6.	podatke o stehiometricnih razmerjih v organski snovi, s katerimi povezemo krozenje kisika in hranil.
Najpreprostejsi modeli za nizji del prehranjevalne verige vsebujejo samo tocki 2. in 6., kom-pleksnejsi modeli pa vsebujejo se eno ali vec izmed ostalih tock. Model PCFLOW3D seveda ze vsebuje model cirkulacije vode pod tocko 1. (Cetina, 1992), delno sta reseni tudi tocki 4. (Ramsak, 2006) in 5. (Zagar, 1999). Tocke 2., 3. in 6. smo v modelu PCFLOW3D v celoti vkljucili v okviru naloge, dopolnili pa smo tudi dela 4. in 5., da lahko z njima modeliramo izmenjavo kisika med vodo in atmosfero (4.) ter mineralizacijo organske snovi na dnu in zatem difuzijo anorganskih gradnikov iz sedimentov v vodo (6.).
Konceptualni modeli valovanja so obicajno izjemno kompleksni in racunsko potratni. V primerih, ko nas primarno zanimajo ekoloski procesi, se zato razvoj konceptualnega modela valovanja redko splaca. Namesto tega smo se odlocili razviti preprost model, ki bo zadostoval za nase potrebe: z metodami mehkega racunanja smo ga razvili iz podatkov, ki jih na oceanografski boji belezi Morska bioloska postaja Piran. Tako razviti model valovanja za Trzaski zaliv je enostaven (zahteva kratek racunski cas, za razvoj in verifikacijo pa potrebujemo samo podatke in znanje za presojo rezultatov), uporaben (valove v tem primeru napovemo neposredno iz hitrostnega polja vetra in tokov v povrsinskem sloju morja) in dovolj natancen (potrebujemo ga za napoved koncentracij zvrsti zivega srebra oz. splosneje za napoved vrednosti ekoloskih spremenljivk).
Modeliranje biogeokemicnega krozenja zivega srebra v vodnem okolju predstavlja poseben problem, saj je teoreticno v veliki meri se nerazjasnjeno. Reakcije med osnovnimi zvrstmi zivega srebra sicer poznamo (oksidacija, redukcija, metilacija, demetilacija), a premalo vemo o vplivih okolja na biogeokemicne pretvorbe med posameznimi zvrstmi. Dodaten problem predstavlja izredno visoka cena terenskih meritev koncentracij zivega srebra, zaradi cesar so kakovostni podatki celo v svetovnem merilu redki. Zaradi omejenih moznosti uporabe konceptualnih metod smo se odlocili zivo srebro v vodnem okolju modelirati z orodji strojnega ucenja. Pridobili smo podatke o koncentracijah osnovnih zvrsti zivega srebra v Sredozemskem morju (podatkovna baza je nastala v okviru mednarodnega projekta Mercyms med leti 2002-2005), z algoritmi strojnega ucenja pa smo nato poiskali korelacije med zvrstmi zivega srebra in okoljskimi spremenljivkami. S tovrstnimi modeli lahko koncentracijo zivega srebra v Sredozemskem morju dolocimo
neposredno iz vektorskih in skalarnih polj okoljskih spremenljivk, t.j. neposredno iz rezultatov hidrodinamicnih in ekoloskih modelov.
Predvsem za modeliranje nizjega dela prehranjevalne verige in za napoved znacilnih vrednosti valov je danes v svetu razvitih ze mnogo modelov; pregled najpomembnejsih med njimi podajamo v 2. poglavju. Pri tem se poraja vprasanje, cemu razvijati svoje modele in ne uporabljati obstojecih. Odgovor je na dlani: pri razvoju in uporabi lastnih modelov so moznosti izbire spremenljivk in parametrov neprimerno vecje, s tem pa narasca tudi obseg moznosti uporabe modela. Vsak model ima svoje omejitve: temelji na skupku predpostavk, od katerih je odvisno njegovo obnasanje, prav tako je vnaprej doloceno stevilo spremenljivk in parametrov. Predvsem uporabnost empiricnih in polempiricnih modelov je omejena tudi prostorsko in casovno: tako izbira parametrizacije kot tudi vrednosti parametrov odsevajo znacilnosti obmocja, za katera so bili modeli primarno razviti. Razvoj lastnega modela pa avtorjem nenazadnje ponuja tudi nestevne moznosti ucenja.
1.2 Pregled poglavij
Zacenjamo s pregledom del na podrocju ekoloskega modeliranja oceanov pri nas in po svetu (2. poglavje). Na kratko podajamo tudi pregled del o modeliranju valov in koncentracijah zivega srebra v vodnem okolju.
Sledi obsezno poglavje, v katerem opisujemo teoreticno ozadje modeliranih procesov. V 3.1 zacenjamo z modeliranjem koncentracije snovi v vodnem okolju, v 3.2 nadaljujemo z opisom fizikalnih pojavov, ki opazno vplivajo na koncentracijo snovi v vodnem stolpcu, v 3.3 sledi opis sinteze organske snovi v povrsinskem sloju morja in zatem v 3.4 opis izvoza organske snovi iz povrsinskega sloja ter mineralizacije v globokem oceanu. V 3.5 opisujemo izmenjavo snovi med oceani in atmosfero, v 3.6 pa izmenjavo snovi med vodo in sedimenti na dnu. Poglavje zakljucujemo s strnjenim opisom biogeokemicnega krozenja zivega srebra v 3.7.
V	4. poglavju obravnavamo teoreticno ozadje valovanja: v 4.1 opisujemo tipe vodnih valov, v 4.2 navajamo enacbe, ki jih potrebujemo pri modeliranju, v 4.3 pa opisujemo nacine modeliranja vodnih valov.
5. poglavje je namenjeno opisu modela PCFLOW3D. V 5.1 na kratko opisujemo osnovni model, v 5.2 pa podajamo opis nadgradnje modela: v 5.2.1 so opisane metode dela, v 5.2.2 oba konceptualna modela za nizji del prehranjevalne verige, v 5.2.3 model valovanja, v 5.2.4 empiricni modeli za dolocanje skalarnih polj nekaterih ekoloskih spremenljivk in v 5.2.5 empiricni modeli za dolocanje koncentracije zvrsti zivega srebra v Sredozemskem morju.
V	6. poglavju opisujemo uporabo nadgrajenega modela PCFLOW3D v praksi: v 6.1 podajamo rezultate modela za Sredozemsko morje, v 6.2 pa za Trzaski zaliv.
Sledi 7. poglavje, v katerem navajamo pregled opravljenega dela v disertaciji, zakljucke in napotke za nadaljnje delo.
V	8. poglavju povzemamo glavne tocke disertacije, v 9. poglavju sledi povzetek dela v angleskem jeziku.
Disertacijo zakljucujemo z anglesko-slovenskim slovarjem uporabljenih strokovnih izrazov v 10. poglavju.
2 PREGLED LITERATURE
Modeliranje biogeokemiCnega kroženja snovi v oceanih. Modeli za biogeokemicno krozenje snovi v oceanih se zelo razlikujejo po kompleksnosti in glede na vrsto aplikacije, za katero so bili primarno razviti (modeliranje primarne produkcije, mineralizacije v globokem oceanu, strukture ekosistema, klimatskih sprememb, biolosko-fizikalnih interakcij, idr). Nekateri modeli se osredotocajo na globalno krozenje snovi, veliko pa je tudi lokalnih poskusov povezave fizikalnih, ekoloskih in biogeokemicnih procesov. Tako poznamo vse od preprostih oddelcnih modelov (ang. box models) pa do kompleksnih 4-dimenzionalnih fizikalno-biogeokemicnih modelov.
Oddelcni modeli se v oceanografiji uporabljajo pogosteje, kot bi pricakovali; nekaj primerov aplikacij najdemo v Sarmineto in Gruber (2006). Pogosti so tudi 1-dimenzinalni modeli v smeri z (spremenljivka je globina premesanega vrhnjega sloja). Vecdimenzionalni modeli za krozenje biogeokemicnih snovi v oceanih obicajno vsebujejo:
•	enacbe plitvih vod (ang. shallow water equations): dobimo jih ob predpostavki, da so vertikalne hitrosti majhne v primerjavi s horizontalnimi (za komponente hitrostiu, v, w v smereh x, y, z velja w << u in w << v - hidrostaticna aproksimacija) ali
•	geostrofske enacbe (ang. geostrophic equations): upostevamo, da je pospesek v vseh treh smereh enak nic (du/dt = dv/dt = dw/dt = 0), hidrostaticno aproksimacijo (w << u, w << v) in zanemarimo trenje, kot edino zunanjo silo pa upostevamo gravitacijo; geostrofske enacbe izrazajo ravnotezje Coriolisove sile in sile zaradi gradienta tlaka.
Vecina globalnih biogeokemicnih modelov ima za osnovo bolj grobe hidrodinamicne modele (ang. ocean general circulation models ali OGCMs), saj je pri globalnem modeliranju zaradi dolgih retencijskih casov enacbe vcasih potrebno integrirati tudi preko vec tisoc let. Pri modeliranju moramo upostevati variabilnost procesov v razlicnih merilih: majhnih, srednjih in velikih. V splosnem velja, da so za ekoloske procese v oceanih najpomembnejse strukture toka, ki se odvijajo v srednje velikih merilih (ang. mesoscale processes), zato je pomembno, da z ustrezno parametrizacijo dovolj natancno opisemo predvsem vrtince tega velikostnega reda (Sarmiento in Gruber, 2006).
Za prvi ekoloski model za oceane steje delo Sverdrup (1955); prvi modeli so bili predvsem hidrodinamicni. Sledijo prvi pravi, a zelo enostavni ekoloski modeli: razvili so jih Williams (1981), Pace in sod. (1984), Evans in Parslow (1985), Fasham (1985), Moloney in sod. (1986), Parsons in Kessler (1987). Ta dela predstavljajo osnovo kasnejsim kompleksnejsim modelom; pomemben je predvsem doprinos Williamsa v (1981), ki predstavlja konceptualno osnovo. Enega
izmed prvih pravih modelov za biogeokemicno krozenje snovi v oceanih so razvili Sarmiento in sod. v (1988a), sledili so jim Bacastow in Maier-Reimer z (1990) ter Najjar in sod. z (1992), zatem pa se je usul pravi plaz bolj in manj kompleksnih modelov. Razvoj je potekal v dveh vejah:
1.	v prvo skupino sodijo ekoloski modeli, ki imajo za osnovo hidrodinamicni model. Ti modeli se vseskozi razvijajo, vsebujejo vedno vec spremenljivk in postajajo vse bolj natancni in kompleksni. Primeri teh modelov so opisani npr. v Fasham in sod. (1990, 1993), Fennel (2006), Blackford in sod. (2004), za Sredozemlje pa npr. v Crise in sod. (1998) ter Crispi in sod. (2002);
2.	modeli v drugi skupini so preprostejsi: procesi so parametrizirani, hidrodinamika pa je obicajno tipa oddelcnih modelov. Prednosti tovrstnih modelov so preprosta uporaba, kratek racunski cas, itd, kot taki pa so nadvse primerni za vgradnjo v bolj interdisciplinarne oceanografske modele. Zaradi preprostosti pa ti modeli zal niso najbolj primerni za dinamicno modeliranje sistemov. Primera teh modelov sta npr. deli Bacastow in Maier-Reimer (1990) ter Sarmiento in sod. (1988b): slednji je zelo preprost in velja za model, ki so ga doslej najveckrat vgradili v kompleksnejse modele globalnega segrevanja ozracja in krozenja ogljika.
Seznam pomembnejsih modelov za modeliranje morskih ekosistemov ter primerjavo med njimi opisujejo Robinson in sod. (2005), Doney in sod. pa v (2001) podajajo pregled modeliranja biogeokemicnega krozenja snovi v oceanih s poudarkom na krozenju ogljika. V nalogi se glede na nase potrebe osredotocamo predvsem na modele v prvi skupini, za primerjavo pa je v podpoglavju 3.3.2.7 na kratko opisan se implicitni model po Sarmiento in sod. (1988b).
Eppley in Peterson sta v (1979) postavila hipotezo, da je v velikih merilih nova produkcija enaka izvozu (eksportu) organske snovi iz povrsinskega sloja. Ta hipoteza zdruzuje dognanja iz laboratorijev in s terena: funkcijsko odvisnost med kolicino hranil in koncentracijo fitoplanktona povezuje z biogeokemicnim krozenjem snovi v velikih merilih. K danasnjemu razumevanju dinamike morskih ekosistemov so pripomogli tako mikrobiologija kot satelitski posnetki. Med modeli, ki zdruzujejo dognanja v mikro in makro merilih, posebno mesto zaseda Fashamov model (Fasham in sod., 1990): kot prvi namrec sintezo in razgradnjo organske snovi modelira na osnovi krozenja dusika ter loci med novo in regenerirano produkcijo. Primarno so ga razvili za dolocanje vpliva bioloskih procesov v oceanih na kolicino atmosferskega CO2, z raznimi dopolnitvami pa ga danes raziskovalci po vsem svetu uporabljajo za malone vse probleme sodobne oceanske in globalne ekologije. Napisan je v Fortranu, kodo se zlahka spremeni in prilagodi. Osnovni Fashamov model ima 7 spremenljivk: fitoplankton, zooplankton, bakterije, nitrate, amoniak, raztopljeno organsko snov, detrit. Rezultat modeliranja so letno nihanje povrsinske neto primarne produkcije (NPP), povprecna letna NPP, kolicina nove in izvozene produkcije.
Danes so modeli za biogeokemicno krozenje snovi v oceanih ze zelo razviti. Vkljucujejo metode asimilacije podatkov, napovedi pogosto potekajo v realnem casu. Med modeli s siroko paleto uporabe gotovo prednjacita ROMS (Regional Ocean Modelling System, nastaja v sodelovanju Institute of Marine and Coastal Sciences, Rutgers University, ZDA in Institute of Geophysics and Planetary Physics, University of California Los Angeles, ZDA) in ERSEM (the European Reagional Seas Ecosystem Model, nastal je v okviru projekta MAST (Marine Science and Technology) med leti 1991-1997):
•	ROMS (celotno zbirko publikacij najdemo na http://www.myroms.org/) vsebuje hidro-dinamicni, sedimentacijski in biogeokemicni modul. Povezan je z atmosferskim in z ra-zlicnimi ekoloskimi modeli, uposteva pa tudi vpliv taljenja ledu na hidrodinamiko in krozenje snovi. Z novejsimi verzijami biogeokemicnega modula lahko modeliramo celotno prehranjevalno verigo ter procese na dnu (nitrifikacija, denitrifikacija, idr.) in na povrsini morja (fiksacija N2, izmenjava plinov, itd.);
•	ERSEM (publikacije in opis modela najdemo na http://www.meece.eu/library/ersem.html) je v osnovi tipa N — P — Z — D (kratica prihaja iz anglescine in pomeni Nutrients-Phytoplankton-Zooplankton-Detrit), vendar vsebuje se mnoge druge spremenljivke, kijih modeli redko obsegajo: npr. 4 velikostne razrede fitoplanktona in 3 velikostne razrede zooplanktona, med hranili pa poleg nitratov in amoniaka se silikate. Z njim je mogoce izredno natancno modelirati tako pelagicne kot tudi bentos ke ekosisteme, primeren pa je tudi za obmocja z zelo kompleksno ekologijo (priobalna morja, ustja rek).
Modeliranje valov. Prvi primeri napovedovanja morskih valov segajo v cas druge svetovne vojne. Razvili sta se dve metodi: Pierson-Neumann-James (PNJ) metoda in Sverdrup-Munk-Bretschneider (SMB) metoda. Metodi sta si v marsicem podobni, vendar je PNJ bolj prakticna, zato je bila sprva pogosteje v uporabi. Po PNJ vsaka vrednost hitrosti vetra ustvari dolocen interval vrednosti period z natancno definiranim maksimumom; interval nara sca z narascanjem hitrosti vetra in skladno z narascanjem energije znotraj spektra valov. Vrednosti (maksimalna vi s ina idr) se odcitavajo z grafov. Z razvojem racunalnistva je postajala PNJ vse manj primerna za uporabo, namesto tega pa se je pospeseno razvijala manj empiricna SMB. SMB temelji na teoriji vodnih valov zaradi vetra (ti. modeli vetrnih valov ali ang. wind-wave models), rezultat SMB pa sta spekter valov in kolicina energije, ki usteza posamezni frekvenci vala.
Se danes velik del modeliranja valov predstavljajo statistika in empiricne enacbe, s pomocjo katerih iz znacilnih vrednosti vetra in geografije obmocja napovemo znacilne vrednosti valov (znacilno vi s ino Hs, maksimalno vi s ino Hmax in periodo Ts, ki ustreza znacilni vi s ini). Med statisticnimi metodami najpogosteje uporabljamo Gumbelovo in Weibullovo. Pri empiricnem modeliranju si pomagamo z valovimi spektri, tj. z grafi odvisnosti spektralne gostote valov od hitrosti vetra oz. od privetrisca. V praksi sta najpogosteje v uporabi PM spekter za razvito in JONSWAP spekter za nerazvito morje. Problem empiricnih metod je predvsem v tem, da temeljijo na preteklem nizu podatkov, ki je obicajno prekratek in vsebuje premalo zapisov ekstremnih pojavov za kakovostno napoved, obenem pa je s preteklimi podatki tezko zajeti posledice podnebnih sprememb, ki smo jim prica v zadnjem casu (Dyke, 2007).
Locimo ti. modele vetrnih valov prve, druge in tretje generacije. V modelih prve generacije so procesi med spremenljivkami opisani samo s preprostimi linearnimi enacbami; zaradi izrazite nelinearnosti procesa valovanja so bili rezultati modelov prve generacije pogosto nerealni. Modeli druge generacije, ki so se pojavili v 1980. letih, so poenostavljeno ze upostevali nelinearnost procesov med spremenljivkami, in sicer predvsem z raznimi oblikami parametrizacije. Za modele tretje generacije pa stejemo tiste, ki upostevajo fizikalno ozadje razvoja valov ter zmorejo natancno opisati nelinearno nihanje gladine v dveh dimenzijah (Komen, 2004).
V zadnjem casu se najvec uporablja kombinacija spektralne analize in numericnih modelov, med katerimi so najpogosteje v uporabi modeli koncnih razlik. Podobno kot pri modeliranju ekolos kih spremenljivk tudi za napoved valov danes velja, da izracuni pogosto potekajo v realnem casu, rezultati pa se sproti preverjajo in popravljajo s pomocjo satelitov in radarjev
(Synthetic Aperture Radar, SAR). Primer takega modela je npr. WAM (WAve Modeling) iz leta 1994 (Komen in sod., 1994), ki steje za zacetek pravega nelinearnega modeliranja valov in se danes velja za najvec, kar lahko naredimo s trenutnim znanjem. WAM uposteva fiziko razvoja valov v dveh dimenzijah in vsebuje zelo dobro advekcijsko shemo, s pomocjo katere zmore natancno napovedati tudi propagacijo dolgovalovnih mrtvih valov. Poseben poudarek je na pravilnem modeliranju propagacije valov v globalnem merilu (sfericne koordinate), uposteva pa tudi razlicne interakcije med valovi in drugimi nelinearnimi fizikalnimi pojavi, npr. Stokesov tok, interakcijo valov s sedimenti, disipacijo energije zaradi rusenja valov, idr. Za razliko od predhodnih modelov je WAM zmozen hitrega prilagajanja spremembam vhodnih spremenljivk, med ostalim s spreminjanjem oblike spektra, najpomembnejsa razlika v primerjavi z ostalimi modeli pa je, da WAM kot eden redkih dobro napoveduje tudi ekstremne pojave. Rezultati WAM-a se validirajo s pomocjo satelitskih podatkov in SAR-a. Zaenkrat se WAM uporablja predvsem za napoved valov v srednje velikih merilih na odprtem morju, razvija pa se ze tudi model za napoved valov v priobalnih obmocjih. (Pri pregledu literature moramo biti pozorni na kratico WAM, ki se uporablja tudi za model Wave Adriatic Model.)
Valove v priobalnem obmocju je neprimerno tezje napovedati kot valove na odprtem morju. V priobalnem obmocju je morje nerazvito, valovi so kaoticni, refrakcija valov od obale ustvarja zapleten vzorec nihanja gladine. V polodprtih zalivih z zapleteno geografijo obmocja in topografijo dna je valove se posebej tezko napovedati. V takih primerih se dobro obnesejo samo dovolj kompleksni fizikalni modeli, za kakovostno napoved pa potrebujemo se dovolj natancno napoved meteoroloskih pogojev. Med modeli, ki se (naceloma) dobro obnesejo tudi pri napovedi valov v priobalnih obmocjih, je najpogosteje v uporabi SWAN (Delft University of Technology, Nizozemska). SWAN je model tretje generacije, primarno so ga razvili za napoved valov v plitvi vodi (Holthuijsen in sod., 1989; Booij in sod., 1999; Ris in sod., 1999; podroben opis modela najdemo na http://www.swan.ct.tudelft.nl). SWAN uposteva fiziko razvoja valov v dveh dimenzijah, valovni spekter se prilagaja spremembam vrednosti vhodnih spremenljivk. V fizikalnih enacbah so zajeti tudi spreminjanje profila valov med priblizevanjem obali, disipacija energije valov zaradi tvorjenja pene, rusenje valov in trenje na dnu, med nelinearnimi interakcijami pa SWAN uposteva Stokesov tok, interakcije med valovi in vpliv tokov na valove.
Modeliranje biogeokemicnega kroženja živega srebra v vodnem okolju. Modele za transport in reakcije med zvrstmi zivega srebra v ozracju so v zadnjem casu uspeli precej razviti (Kallos in sod., 2001; Pirrone in Hedgecock, 2001; Pirrone in sod., 2003; Voudouri in Kallos, 2004). Nasprotno zmorejo danasnji modeli za krozenje zivega srebra v vodnem okolju modelirati samo poenostavljen krog zivega srebra in so vecinoma omejeni na 0D in 1D celinske vode (Harris, 1991; Tetra-Tech inc, 1999; Carroll in sod., 2000; Carroll in Warwick, 2001; Knap, 2004; Zagar in sod., 2006; Brown in sod., 2007).
Po Sirci in sod. (1999) je tezje simulirati transport in pretvorbe Hg v priobalnih morjih kot v sladkovodnih sistemih, saj so tako biogeokemijski kot tudi hidrodinamicni pogoji v priobalnih morjih izredno kompleksni. Prvi model na Katedri za mehaniko tekocin, namenjen simulaciji transporta metiliranih in nemetiliranih zvrsti zivega srebra v Trzaskem zalivu, je model 2D STATRIM (STAtionary TRIeste Mercury) (Sirca, 1996; Sirca in sod., 1999). Iz njega je bil kasneje razvit biogeokemicni modul modela PCFLOW3D za simulacijo transporta in pretvorb Hg v vodnem okolju v treh dimenzijah (Rajar in sod., 2000; Zagar, 1999; Zagar in sod., 2007). Za modeliranje koncentracij zivega srebra v obmocjih z izrazito 3D hidrodinamiko, kakrsno je tudi Sredozemsko morje, potrebujemo nestalni 3D hidrodinamicni model z moznostjo upostevanja
razlicnih robnih pogojev (Zagar in sod., 2007).
Model PCFLOW3D je zaenkrat v svetovnem merilu edini 3D hidrodinamicni model z dodatnim biogeokemicnim modulom za racun koncentracij zivega srebra. Z biogeokemicnim modulom dolocamo vrednost izvorno-ponornega clena v advekcijsko-difuzijski enacbi in robne pogoje, ki pomembno vplivajo na koncentracijo zivega srebra v vodnem stolpcu (izmenjavo zivega srebra med vodo in atmosfero na povrsini ter vodo in sedimenti na dnu). Za natancnejse dolocanje robnega pogoja na povrsini so model PCFLOW3D za obmocje Sredozemlja povezali z atmosferskim modelom RAMS-Hg (Kallos in sod., 2001; Voudouri in Kallos, 2004, 2007; Zagar in sod., 2007). Z modelom PCFLOW3D so doslej simulirali transport in procese pretvorb zivega srebra v priobalnih morjih (Horvat in sod., 1999; Sirca in sod., 1999; Rajar in sod., 1997, 2000, 2004), delo s podatki projekta MERCYMS (poglavji 4.2.4 in 4.2.5) pa je prvi poskus modeliranja koncentracij zivega srebra v globokomorskem okolju (Kotnik in sod., 2007; Zagar in sod., 2007).
V disertaciji smo biogeokemicno krozenje zivega srebra v vodnem okolju poskusili modelirati s kombinacijo modela PCFLOW3D in orodij umetne inteligence. Pregled dosedanjega dela na podrocju ekoloskega modeliranja pokaze, da so dosedanji (uspesni) poskusi modeliranja krozenja zivega srebra z orodji umetne inteligence zelo redki (Veiga in Meech, 1995; DeLong, 2006; Sirnik in sod., 2006; Re, 2007; Zagar in sod., 2007). Pomanjkljivo teoreticno znanje in skopa podatkovna baza omejujeta uporabo tako deduktivnih kot tudi induktivnih metod. Glede na kompleksnost in interdisciplinarnost obravnavanega problema in ker razpolozljivo teoreticno znanje zaenkrat se ne dopusca gradnje zanesljivih konceptualnih modelov, pa je poskus modeliranja krozenja zivega srebra z orodji umetne inteligence smiseln.
3 BIOGEOKEMICNO KROŽENJE SNOVI V OCEANIH
Na sliki 3.1 je prikazano krozenje organske snovi v oceanih. Vodni stolpec je razdeljen na dve obmocji, v katerih se odvijajo povsem razlicni procesi. V foticni coni, ki je omejena na zgornjih ~ 100 m oceana, poteka predvsem sinteza organske snovi (obravnavamo jo v podpoglavju 3.3), v afoticni coni pod njo pa sta najpomembnej s a procesa izvoz in mineralizacija organske snovi (obravnavamo ju v podpoglavju 3.4). Za foticni sloj se je v terminologiji ekolo s kega modeliranja oceanov uveljavil izraz površinski sloj (ang. surface ocean), za afoticno cono pa izraz globoki ocean (ang. deep ocean); oba izraza dosledno uporabljamo tudi v pricujocem delu. Pri modeliranju krozenja snovi je potrebno upostevati se izmenjavo plinov na stiku vode z atmosfero (podpoglavje 3.5) in izmenjavo snovi med vodo in sedimenti na dnu oceana (podpoglavje 3.6). Poglavje zakljucujemo z opisom biogeokemicnega krozenja zivega srebra v in med ekosistemi (podpoglavje 3.7). Zacenjamo pa s kratkim opisom modeliranja koncentracije snovi v vodnem okolju (podpoglavje 3.1) in z opisom fizikalnih procesov, ki opazno vplivajo na koncentracijo snovi v oceanih (podpoglavje 3.2). Glavni vir informacij, ki jih podajamo v 3. poglavju, predstavlja delo Sarmiento in Gruber (2006).
3.1 Modeliranje koncentracije snovi v oceanih
Koncentracijo snovi v oceanih obicajno podajamo v [ß mol m-3] oz. [mmol m-3]. Ti dve enoti sta uporabni predvsem takrat, ko v hidrodinamicnih modelih predpostavljamo V = volumen = konst. V nasprotnih primerih pa je primernej s a enota [ß mol kg-1] (v primeru, ko upostevamo stisljivost vode in velja V = f(T,p), se namesto volumna ohranja masa). Je pa to enoto v modelih tezje uporabljati, ker za maso potrebujemo tudi gostoto in njene odvode. Enoto [ß mol m-3] pretvorimo v [ß mol kg-1] tako, da vrednost delimo z gostoto v [kg m-310-3].
Koncentracijo snovi v hidrodinamicnih modelih modeliramo z advekcijsko-difuzijsko enacbo (Patankar, 1980):
dC ~dt dC ~dt
dt + dc + ss (C)
dt adv dt dif
d(Cu) d (Cv) d(Cw)

+
dx
dy
dz
+
(3.1)
(3.2)
A (u + D) + JL (u + D) + d
dx \ x dx) dy\ y dy J dz
C + Dz) f
+ SS(C)
Slika 3.1: Shematicni prikaz krozenja ogljika v oceanih, prikazani so tudi procesi v sedimentih (povzeto po Sarmiento in Gruber, 2006).
Figure 3.1: Schematic illustration of the organic carbon cycle including sediment processes. (adapted from Sarimento and Gruber, 2006)
U = hitrostni vektor = (u, v,w), SS (C) = izvorno-ponorni clen, e [m2 s-1] = koeficient molekularne difuzije, Di [m2 s-1] = koeficient turbulentne difuzije.
Zaradi x,y ^ z je turbulentna difuzija v horizontalni smeri veliko vecja od kot v vertikalni smeri. Molekularna difuzija je nakljucna in zato enaka v vseh smereh (Cetina, 1992).
3.1.1 Dotok snovi z rekami
Pri modeliranju vpliva dotoka rek na koncentracijo snovi v morjih in oceanih nam najpogosteje prideta prav naslednji dve enacbi (Sarmiento in Gruber, 2006):
• ce se koncentracija snovi v reki v casu t = t0 hipno povisa, dolocimo odziv oceana na
spremenjeni dotok snovi z reko po
Coc(t) = COC™ + (COf - Ck°On) • e-k(t-t0) ,	(3.3)
CZCc = C pred povisanjem koncentracije, COkCOn = C po povisanju koncentracije;
ce se koncentracija snovi v reki ciklicno spreminja, pa dobimo
Coc(t) = V
ab	, ,,
t +--,	• smlut +
k Vu2 + k2 V 0
(3.4)
a = povprecna koncentracija snovi v reki, b = amplituda spremembe koncentracije, enota [molyr-1], u = frekvenca = 2n/T, T = perioda oscilacije,
tan 0 = u/k = fazni zamik med dvigom koncentracije snovi v oceanih in predhodnim dvigom koncentracije snovi v reki.
Glede na tan 0 locimo dva ekstremna primera: pri k ^ u se koncentracija snovi v oceanih neposredno odziva na spremembo koncentracije snovi v reki, pri k ^ u pa sprememba koncentracija snovi v reki zelo malo vpliva na koncentracijo snovi v oceanu.
3.1.2 Profil koncentracije kemijskih elementov po globini
Nekateri elementi ostajajo po globini priblizno konstantni, profil drugih pa se spreminja. Konstantni so npr. Mg, Ca, Rb, Cl, S, Br, Na, K; ti elementi predstavljajo vecino raztopljenih snovi v oceanu. Zanje velja k ^ u oz. sprememba koncentracije teh snovi zaradi zunanjih vplivov poteka pocasneje, kot znasa retencijski cas oceana (je cas, v katerem se vsebina oceana popolnoma premesa, obicajno ga ocenjujemo na ~ 1000 let; ang. retention time). Do manjsih sprememb v koncentraciji teh snovi pride samo zaradi izhlapevanja, padavin in cirkulacije vode.
Profil vecine kemijskih elementov pa se po globini spreminja. Vecina teh ima v povrsinskem sloju nizjo koncentracijo kot v globini (izjema sta npr. kobalt, Co in svinec, Pb). Na vse te elemente mocno vplivajo procesi, ki so kratkotrajni v primerjavi z retencijskim casom oceana: bioloski, kemicni, geoloski, fizikalni procesi. Nizja koncentracija na povrsini je obicajno v veliki meri posledica bioloskih procesov, ce je koncentracija na povrsini visja, pa je to obicajno posledica atmosferske depozicije.
Ker so za koncentracijo elementov v oceanu najpomembnejsi bioloski procesi, kemijske elemente obicajno delimo glede na njihovo vlogo v teh procesih. Locimo ti. limitne (ang. biolimiting), interlimitne (ang. biointerlimiting) in nelimitne (ang. biounlimited) elemente (Broecker and Peng, 1982):
• limitni so elementi, katerih koncentracija je v vrhnjem sloju mocno odvisna od bioloskih procesov; obicajno je njihova koncentracija v foticni coni zelo nizka. To so predvsem dusik v obliki nitrata (NO-), fosfor v obliki fosfata (PO3-) in silicij v obliki silicijeve kisline
(to je splosno ime druzine kemijskih spojin, ki so sestavljene iz silicija, vodika in kisika, splosna formula se glasi [SiOx(OH)4 — 2 x]n);
•	interlimitni so elementi, ki so povezani z bioloskimi procesi, vendar ne omejujejo njihovega poteka. Koncentracija teh elementov je v vrhnjem sloju nizja, ni pa tako nizka kot koncentracija limitnih elementov. Taka elementa sta npr. ogljik (C) in barij (Ba);
•	nelimitne pa imenujemo elemente, ki ne sodelujejo v bioloskih procesih, njihova koncentracija je po globini bolj ali manj konstantna.
Slanost pomeni totalno koncentracijo kemijskih snovi v oceanu. Dolocamo jo na osnovi konduk-tivnosti (konduktivnost je mera za elektricno prevodnost snovi, enota Siemens na meter [Si m-; ang. conductivity). Enota slanosti je [gsoli / kg morske vode] oz. [psu] oz. %%. Obicajno se vrednost giblje okrog 35 psu (razpon znasa 32 — 37 psu, globalno povprecje znasa 34.7 psu). Elementi, ki najvec doprinesejo k slanosti oceanov: kationi Na+, Mg2+, Ca2+, K+, anioni Cl—, SO2- (Sarmiento in Gruber, 2006).
Biogeokemijske reakcije spreminjajo pH vode. Obicajni pH morske vode znasa med 7.5 — 8.4 (v Trzaskem zalivu okoli 8.2 (MOP, 2008)) in pada z globino. pH v foticni coni dnevno niha: zaradi porabe CO2 med fotosintezo je najvisji zvecer in najnizji zjutraj. Zaradi bazicnega pH je vecina raztopljenega anorganskega ogljika v morju v obliki HCO— in ne CO2, zaradi globalnega segrevanja pa se koncentracija CO2 v morju zvisuje in povzroca postopno zakisanje morja.
3.2 Vpliv fizikalnih procesov na koncentracijo snovi
Koncentracijo hranil v povrsinskem sloju ter biolosko produkcijo pogojuje predvsem transport, t.j. advekcija in difuzija nutrientov znotraj oceana, sele na drugem mestu so biogeokemicni procesi. Pri globalnem modeliranju biogeokemicnega krozenja snovi v oceanih med fizikalnimi vplivi pogosto upostevamo samo Ekmanov transport, ki je posledica vrtenja Zemlje in delovanja vetra. V priobalnih obmocjih na transport snovi poleg ostalih fizikalnih dejavnikov opazno vplivajo tudi valovi. Ker je razvoj modela valovanja eden izmed ciljev disertacije, teoreticno ozadje valovanja ter interakcijo valov z ostalimi procesi v vodnem stolpcu natancneje opisujemo v 4. poglavju. Pri modeliranju oceanov uporabljamo koordinatni sistem z osmi x = east, y = north, z = upward (slika 3.2).
3.2.1 Cirkulacija vode
Med fizikalnimi procesi na spremembo koncentracije snovi v oceanih najbolj vplivajo veter, gostotni tokovi in srednje velike strukture toka. Casovno pa je najpomembnejsa sezonska in nekajletna variabilnost procesov. Na bilanco organske snovi v oceanih najbolj vplivajo procesi v vrhnjem sloju vode.
Enacbe gibanja vode temeljijo na 2. Newtonovem zakonu. Obicajno upostevamo hidrostaticno aproksimacijo in predpostavko o nestisljivosti vode, zatem pa upostevamo ravnotezje vseh sil (voda se giblje enakomerno oz. a = F/(pV) = 0). Pri modeliranju vecjih obmocij med silami obicajno upostevamo veter, vrtenje Zemlje (Coriolisov pospesek), gradient tlaka in gravitacijo. Pri modeliranju obmocij z manjso globino vode in kompleksnejso hidrodinamiko pa moramo upostevati tudi a = 0.
Slika 3.2: Koordinatni sistem, kakršnega uporabljamo v oceanografiji (povzeto po Dyke, 2007). Figure 3.2: Co-ordinate system which is used in oceanography (adapted from Dyke, 2007).
Veter. Ceprav je njegov vpliv omejen najvec na zgornjih 1000 m morja, predstavlja veter glavno gibalo vode v oceanih (Sarmiento in Gruber, 2006). Veter deluje na vrednosti okoljskih spremenljivk na vec nacinov: neposredno preko valovanja ter posredno preko vpliva na hitrostno polje vode (advekcija) in preko mesanja vrhnjega sloja vode (difuzija). Za modeliranje ekoloskih procesov obicajno zadostujejo povprecna mesecna hitrostna polja, v novejsem casu pa je zaradi možnosti, ki jih ponujajo satelitski posnetki, casovna resolucija neredko tudi mnogo manjsa.
Vpliv vetra seze do 10-100 m, izjemoma do nekaj sto metrov globine vode. Opisemo ga kot povrsinsko napetost t o; enota [kg m-1 s-2] = [Nm-2]. Lahko ga dolocimo empirično kot funkcijo hitrosti vetra U (Sarmiento in Gruber, 2006):
to = Cd • P • u2o	(3.5)
Cd = brezdimenzijski koeficient trenja; odvisen je od hitrosti vetra U in znasa od 10-3 (pri U = 2 m/s) do 4 • 10-3 (pri U = 50 m/s),
P = gostota vode,
U10 = hitrost vetra na nominalni visini 10 m nad gladino morja.
Silo vetra na delce vode dobimo z mnozenjem vertikalnega gradienta to z volumnom vode V (ce potrebujemo pospesek, nastalo silo delimo z maso pV).
Coriolisov pospešek. Coriolisov pospesek deluje v smeri, pravokotni na tok vode: velja torej aconohs = f (vy), a<yonohs = f (vx). Vrednost Coriolisovega pospeska dolocimo kot (glej sliko 3.2) (Sarmiento in Gruber, 2006):
aCoriolis = f ^ y	(3.6)
aCoriolis = f ^	,	(3.7)
pri cemer sta
u, v = komponenti hitrosti vode v x oz. y smeri, f = Coriolisov parameter oz. Coriolisova frekvenca; enota [s-1]. f dolocimo po
f = 2Q sin d .	(3.8)
Q = 7.3 x 10-5 s-1 = kotna hitrost Zemlje v [rad s-1],
d = geografska sirina: d = — |rad na juznem tecaju, d = 0 rad na ekvatorju, d = 2rad na severnem tecaju.
Na severni polobli je f = pozitiven in Coriolisova sila kaze desno v pravokotni smeri glede na tok vode. Na juzni polobli pa je f = negativen in Coriolisova sila kaze levo v pravokotni smeri glede na tok vode. f in posledicno Coriolisov pospesek sta najvecja na polih, na Ekvatorju pa padeta na 0.
Vpliv Coriolisovega pospes ka na vrednosti hidrodinamicnih kolicin je odvisen tudi od velikosti modeliranega obmocja. Na obmocjih, ki se raztezajo preko nekaj km ali manj, je njegov vpliv na rezultate obicajno zanemarljiv. Nasprotno pa je pri modeliranju obmocij, ki se v naravi raztezajo preko vec 100 km, njegov vpliv znaten; predvsem pri velikih dimenzijah obmocja v smeri sever-jug je pogosto treba upostevati tudi spreminjanje f z zemljepisno s irino (osebni vir: prof. dr. Rudolf Rajar).
Vpliv variabilnosti. Ceprav pri ekoloskem modeliranju oceanov neredko predpostavljamo ravnotezno stanje (racunamo s casovno povprecnimi hitrostnimi in skalarnimi polji spremenljivk oz. upos tevamo T,Fi = 0, Tai = 0), pa je za natancno modeliranje oceanov in podnebja kljucno upo stevati prostorsko in casovno spremenljivost procesov. Danes je mogoce upo stevati ze variabilnost v vseh prostorskih in casovnih merilih.
V splos nem velja, daje vpliv vodnih vrtincev na ekoloske procese zanemarljiv, ko se karakteristi-cni cas in dolzina razlikujeta za vec velikostnih redov (Crise in sod., 1998). Na dinamiko eko-sistemov, ki se odvija v majhnih merilih, tako vplivajo predvsem turbulentni, manj pa viskozni pojavi. Karakteristicni cas za procese v zgornjem sloju vode znas a po Crise in sod. (1998)
t> = jVf ,	(3.9)
pri tem sta
Lk = karakteristicna dolzina,
|v| = karakteristicna horizontalna hitrost.
Fasham v (1990) podaja casovna merila nekaterih osnovnih procesov, ki sodelujejo v bio-geokemicnem krozenju snovi. Razpad organizmov v detrit npr. potece v nekaj tednih (O [teden]), vecina ostalih procesov pa potece se hitreje.
Za pravilno modeliranje ekolos kih procesov v oceanih je najpomembneje dovolj natancno opisati procese, ki se odvijajo v srednje velikih merilih, tako prostorskih kot casovnih. Satelitski posnetki temperature povrsinskega sloja vode in klorofila-a kazejo, da se prostorsko procesi z najvec energije odvijajo v obmocju od 10 do nekaj 100 km, casovno pa v intervalu od nekaj dni do nekaj tednov. Seveda pa ni univerzalnega pravila, pogosto so pomembni lokalni vplivi v manj s ih merilih ali pa je potrebno upo stevati spremembe ekosistema, ki potekajo v vecletnih ciklih (npr.
El Nino, ang. El Nino Southern Oscillation, ENSO). Velikost teh ti. srednje velikih vrtincev je odvisna od obmocja in znas a nekaj 100 km v tropih, okoli 100 km v subtropskem pasu in le nekaj 10 km v polarnih območjih (Chelton in sod. 1998). Delujejo predvsem kot mes alniki: izenacujejo gradiente in vis ajo entropijo sistema. Pomembni so zato, ker se ta velikost najraje formira prav v nestabilnih tokovih in ker se tovrstne strukture v toku ohranije dlje kot druge turbulentne strukture. Razlog za njihovo razmeroma dolgo življenjsko dobo je geostrofsko ravnotežje: za te vrtince velja, da sta znotraj njih sila zaradi gradienta tlaka in Coriolisova sila uravnotezeni.
Srednje veliki vrtinci lahko povsem spremenijo porazdelitev snovi in organizmov ter dinamiko morskih ekosistemov (Denman, 1976). Variabilnost na srednje velikih skalah je pomembna predvsem za pravilno modeliranje primarne produkcije. Pregled del o vplivu srednje velikih struktur toka na porazdelitev bioloske produkcije v oceanih podajata Mann in Lazier v (1991). Ti vrtinci so npr. med najpomembnej simi dejavniki za raznolikost zdruzbe fitoplanktona v oceanih (Doney in sod., 2003), opazno pa vplivajo tudi na obseg biolo s ke produkcije, predvsem z dvigom vode zaradi vrtenja v ciklonski smeri (Falkowski in sod., 1991; McGillicuddy in sod., 1998; Oschlies in Garon, 1998; Abraham in sod., 2000).
3.2.1.1 Ekmanov transport in geostrofske enačbe
Pri vecdimenzionalnem modeliranju biogeokemicnih procesov v oceanih kot osnovo najpogosteje uporabljamo hidrodinamicne modele, ki temeljijo na enacbah plitvih vod ali na geostrofskih enacbah. Na tem mestu natancneje opisujemo samo slednje, saj so enacbe plitvih vod podrobno razlozene ze v Cetina (1992).
Na povrs ini, kjer je vpliv vetra velik, so sile zaradi gradientov tlaka in gravitacije zanemarljive v primerjavi s silami zaradi vetra in Coriolisovega pospeska. Tok vrhnjega sloja oceanov, ki ga povzrocata veter in vrtenje Zemlje, imenujemo Ekmanov transport. Zaradi vetra so hitrosti vode najvisje v vrhnjih 10-100 m vode; ta sloj imenujemo Ekmanov sloj (ang. Ekman layer). Ce v enacbah cirkulacije vode upo s tevamo samo sile, ki povzrocajo Ekmanov transport, dobimo geostrofske enačbe (v meteorologiji se pogosteje uporablja besedna zveza geostrofski veter); ravnovesju sile gradienta tlaka in Coriolisove sile pravimo geostrofsko ravnovesje. Izhajamo iz osnovnih enacb gibanja vode (Sarmiento in Gruber, 2006):
1 dp	1 drx
= 0 = "T TL + fv + T ^	(3.10)
1 dp	1 dry
= 0 = — / " fu + - —	(3.11) pdy p dz
= 0 = "1 dp " g	(3.12)
a
X
ay
a
z
Cleni v prvih dveh enacbah po vrsti izrazajo vpliv gradienta tlaka, Coriolisovega pospes ka in vetra, v tretji enacbi pa na koncu nastopa se clen, ki izraza vpliv gravitacije. Geostrofski enacbi (tok je v tem primeru dvodimenzijski) se glasita
1 drx
0 = fv + p — ,	(3.13)
p dz
1 dr y
0 = "fu + - — .	(3.14)
p dz
Ce ju integriramo po globini Ekmanovega sloja (h = 10 — 100 m), dobimo Ekmanov transport. Pisemo:
'-h
—fvP
f° drx 1
-h dz r0 dry
h
fup = ——dz .
J-h dz
Za člen, ki izraza vpliv vetra, pisemo:
f° 8rx l-h dz f° 8ry_
l-h d z
T X T 0
0
Definiramo Ekmanov transport M EK:
M
EK
M
EK
dz dz
0 Ty
(pu)dz = ,
-h f 0 Tx
(pv)dz = — T0 . hf
(3.15)
(3.16)
(3.17)
(3.18)
(3.19)
(3.20)
0
0
Slika 3.3: Ekmanova spirala: neto transport vode poteka za 90 stopinj levo ali desno glede na smer vetra, dejansko pa se voda pri tem giblje po spirali. Slika velja za severno poloblo (povzeto po Pinet, 2000).
Figure 3.3: Ekman spiral: the net water transport moves at an angle of 90 degrees to the right or left of the generating wind. The picture is valid for the Northern hemisphere (adapted from Pinet, 2000).
MEK opredelimo kot integral produkta pv po globini h, na kateri deluje veter. Določamo ga v enotah [kg m-1 s-1], pomeni pa maso vode, ki vsako sekundo preteče skozi sirinski meter globine h. Iz enačb vidimo, da je MEK na severni polobli (f = +) vedno usmerjen za 90° v desno glede
na smer vetra, na juzni polobli (f = —) pa za 90° v levo glede na smer vetra. Voda se pri tem giblje po spirali (Ekmanova spirala, glej sliko 3.3): hitrost vode v spirali se z globino zmanjsuje, na povrs ini pa je tok vode usmerjen za 45° desno oz. levo glede na smer vetra. MEK je največji, kjer je hitrost vetra največja. Vrednost MEK pogojuje obseg dviganja (ang. upwelling) oz. spu sčanja (ang. downwelling) vode, ki pomembno vplivata na stopnjo primarne produkcije. Na sliki 3.4 sta prikazana dvig in spust vode ob obalah (slika velja za juzno poloblo, na severni polobli je obratno).
Slika 3.4: Ekmanov transport ter dvig in spust vode, ki nastanejo zaradi vetra, ki piha vzporedno z obalo. Slika velja za juzno poloblo (povzeto po Thurman, 1990).
Figure 3.4: Ekman transport and associated upwelling and downwelling resulting from wind blowing parallel to shore. Picture is valid for the Southern hemisphere (adapted from Thurman, 1990).
3.2.1.2 Gibanje vodnih mas v vertikalni smeri
Zaradi ohranitve mase mora vodo, ki odtece z MEK, nadomestiti druga:
•	z lateralnim transportom od drugod,
•	z vodo z dna: pojav imenujemo divergenca (raztekanje) ali Ekmanov podtlak (ang. Ekman suction),
•	z vodo s povrsine: konvergenca (stekanje) ali Ekmanov nadtlak (ang. Ekman pumping).
O divergenci oz. konvergenci odloca predznak vertikalne komponente hitrosti w na dnu Ekma-novega sloja, ki jo dobimo z integracijo enacbe za ohranitev mase po globini od z = 0 do z = —h. Pri tem predpostavljamo ravnotezno stanje in wz=0 = 0 (Sarmiento in Gruber, 2006):
0
Wz=-h =
dMx dMy
dx
+
dy
d
+ P (Wz=0 — Wz=-h)
d
dx\f) dy V f
(3.21)
(3.22)
y
0
Posledica Ekmanovega transporta so tudi veliki horizontalni gradienti gladine vode, ker vodo nekje nariva in drugod spodriva. Posledica gradientov vi s ine so gradienti tlaka, ti pa v kombinaciji z vrtenjem Zemlje ustvarjajo vrtince. Proces je znacilen predvsem za zgornjih 500 m oceana.
Ciklonski vrtinec (slika 3.5): nastane okrog depresije tlaka. Divergenca tokov ustvari na sredi nizji tlak, zaradi cesar se zacne voda stekati proti centru. Zaradi Coriolisove sile se tok zasuka za 90° in nastane vrtinec. Tok vode v ciklonskem vrtincu je na severni polobli usmerjen v obratni smeri urinega kazalca, na juzni polobli pa je seveda obratno. Pojav je tipicen predvsem za tropski in subpolarni pas. Za ciklonski vrtinec je znacilen dvig vode iz globljih plasti na povrsje (divergenca), cikloni zato povisujejo biolosko produkcijo.
Anticiklonski vrtinec (slika 3.6): nastane okrog visokega tlaka. Konvergenca tokov ustvari na sredi nadtlak: voda zatem potuje stran od centra, Coriolis pa jo zasuka v smeri urinega kazalca (na severni polobli). Posledica konvergence je spust vode, kar pomeni, da vpliv anticiklonov na biolos ko produkcijo ni zelo velik. Anticikloni so tipicni za subtropski pas.
Shematicni prikaz nastajanja ciklonov in anticiklonov prikazujemo na sliki 3.8. Obicajno smer vrtenja ciklonov in anticiklonov na severni in juzni polobli prikazuje slika 3.7.
Slika 3.5: Nastanek ciklona na severni polobli. Depresija tlaka na sredini povzroci, da se voda steka proti centru, zaradi Coriolisovega pospeska pa se pri tem zasuka in nastane vrtinec. Podtlak na sredini sesa vodo iz globljih plasti, posledici pa sta dotok hranil iz globine in divergenca tokov na povrsju. Oznaki 6200 m in 5400 m predstavljata mozno globino vode.
Figure 3.5: Formation of a cyclonic eddy on the Northern hemisphere. Depression makes the water run to the centre of the cyclon, while the Coriolis force creates a vortice. Negative pressure in the middle sucks the water from the underlying layers, and the consequences are influx of nutrients and divergent currents in the surface layer. Labels 6200 m in 5400 m denote the possible depth of ocean water.
6200 m
5400 m
Slika 3.6: Nastanek anticiklona na severni polobli. Zaradi nadtlaka na sredini voda potuje stran od centra, pri tem pa se zaradi Coriolisovega pospeska zasuka in nastane anticikonski vrtinec. Nadtlak na sredini potiska vodo navzdol, posledici na povrsju sta zmanjsanje kolicine hranil in stekanje vode proti centru. Oznaki 6200 m in 5400 m predstavljata mozno globino vode. Figure 3.6: Formation of an anticyclonic eddy on the Northern hemisphere. High pressure makes the water run out of the centre of the anticyclon, while the Coriolis force creates a vortice. Positive pressure in the middle pushes the water from the surface to the underlying layers, and the consequences are outflow of nutrients and convergent currents in the surface layer. Labels 6200 m in 5400 m denote the possible depth of ocean water.
Slika 3.7: Ciklonski (a) in anticiklonski (b) vrtinci na severni in juzni polobli. Figure 3.7: Cyclonic (a) and anticyclonic (b) eddies on the Northern and Southern hemispheres.
b)
CIKLONI
ANTICIKLONI
DIVERGENCA
KONVERGENCA +
DVIG
SPUST
KONVERGENCA
DIVERGENCA
Slika 3.8: Shematicni prikaz povezanega nastajanja ciklonov in anticiklonov. Figure 3.8: Schematic presentation of the combined formation of cyclonic and anticyclonic eddies.
Stratifikacija. Stratifikacija predvsem na obmocjih z nizko vsebnostjo hranil opazno vpliva na obseg primarne produkcije, saj znatno vpliva na dotok hranil iz globljih plasti vode v povrs inski sloj. Po Crispi in sod. (2002) lahko stopnjo stratifikacije obmocja dolocimo preko notranjega vzgona. Notranji vzgon (ang. buoyancy content) predstavlja skupni ucinek procesov, ki vplivajo na vertikalno porazdelitev gostote vode v zgornjem sloju oceana: advekcije, difuzije, dinamicnih procesov v premes anem sloju, rusenja valov na povrs ini, idr.
Po definiciji je notranji vzgon enak kolicini dela, ki je potrebna, da 'razbijemo' stratifikacijo zgornjega sloja vode; enota je [cm2 s-2]. To delo je enako potencialni energiji vode od povrs ine do globine zo, do koder sega stratificirani zgornji sloj:
Vecji je notranji vzgon, vec dela potrebujemo za homogeniziranje vodnega stolpca oz. mocnejsa je stratifikacija. Vrednost notranjega vzgona nam pri modeliranju primarne produkcije pove, kdaj in kako stratifikacija omejuje dotok hranil iz nizjih plasti vode v foticno cono.
Izopikne, izoterme, izohaline, prodori. V oceanografiji gostoto vode obicajno podajamo kot a = p — 1000 (npr. za p = 1027 kg/m3 dobimo a = 27 kg/m3). V splo s nem je p = p(T,s,p). Vpliv AT in As na Ap je lahko izredno velik: npr. zaradi AT = 0 — 30°C in As = 33 — 38 psu se gostota morske vode spremeni za Ap = 20 — 30 kg/m3! Velja priblizek, da se a povisa za 1 kg/m3, ko se T povi s a za 5°C oz. ko se s povis a za 1 psu oz. ko se p povis a za 20 bar (= 200 m VS) (Sarmiento in Gruber, 2006). Tolik s ne spremembe gostote pa imajo velik vpliv na cirkulacijo vode. Tokovi znotraj oceana praviloma potekajo znotraj plasti s konstantno gostoto vode.
Potencialna gostota a©: izmerjeno a preracunamo na a, ki nastopi pri enakih T in s, vendar pri referencnem tlaku. Za referencni tlak obicajno vzamemo p = 1 atm (1,013 bar), tj. tlak na povrsini oceana. Povrs ine s a© = konst imenujemo izopikne (ang. isopycnal surfaces ali isopycnals).
Potencialna temperatura 0: dejansko T preracunamo na T pri referencnem tlaku p = 1 atm. Pojem je zelo uporaben, ker stratifikacija vecinoma nastopi zaradi AT. Povrsine s 0 = konst imenujemo izoterme (ang. isothermal surfaces ali isothermals).
Poznamo s e izohaline (ang, isohaline surfaces ali isohalines), ki spajajo tocke s konstantno slanostjo.
S pojmom termoklina (ang. termocline) oznacujemo zgornji sloj oceana, v katerem se zaradi razlicnih vplivov temperatura vode po globini mocno spreminja. Sorodna pojma sta piknoklina (ang. picnocline) in haloklina (ang. halocline), z njimi pa sta povezana tudi nutriklina (ali vcasih nitriklina; ang. nutricline, nitricline) in klorofilni maksimum (ang. deep chlorophyll maximum; v literaturi se uporablja kratica DCM). Slednji oznacuje vi s ek koncentracije klorofila, ki se pojavi globlje v foticni coni; pojav je znacilen predvsem za toplej s a morja (in jezera), kjer se fitoplankton zaradi previsokih temperatur in prevec intenzivnega mes anja vode (veter, valovi) ne razraste neposredno pod gladino vode, temvec globlje v nekoliko temnej s ih in hladnej s ih predelih oceanov. Termoklina, piknoklina in haloklina so prikazane na sliki 3.9.
(3.23)
Temperatura _Slanost _Gostota
Slika 3.9: Termoklina, haloklina, piknoklina (povzeto po Pinet, 2000). Figure 3.9: Thermocline, halocline, pycnocline (adapted from Pinet, 2000).
■u
o
»»
S i
60° N 30° N	0°
Geografska širina
30° S
60° S
Slika 3.10: Prodori nastanejo, kjer izopikne prihajajo na povrsje (povzeto po Pinet, 2000). Figure 3.10: The outcrops form, where isopycnal surfaces reach the surface of the sea (adapted from Pinet, 2000).
Kjer izoterme prihajajo na površje, dobimo ti. prodore (ang. outcrops) (slika 3.10). Pojem je pomemben, ker ravno skozi prodore voda vstopa v termoklino. Transport znotraj oceana poteka predvsem po izopiknah: voda mora namrec premagati mocan vzgon, ce naj vstopi v vodo z drugacno gostoto, nizjo ali visjo. Najlažje penetrira, ce spremeni gostoto, to pa se dogaja ravno v prodorih. Pojav imenujemo ventilacija (ang. ventilation) in lahko opazno vpliva na cirkulacijo vode ter na vrednost primarne produkcije. Gostota vode se sicer spreminja tudi z mesanjem vode razlicnih gostot, torej z mesanjem posameznih stratificiranih slojev, vendar je energije, ki je na razpolago za tovrstno mesanje, zelo malo. Na sliko tokov vplivajo poleg prodorov se drugi povrsinski pojavi, zaradi katerih se spreminja gostota zgornjega sloja vode: npr. sprememba temperature zaradi delovanja soncne energije ali sprememba slanosti zaradi izhlapevanja, padavin, vtokov rek, topljenja ledu, idr. (Sarmiento in Gruber, 2006).
temperatura [°C]
Slika 3.11: V zmernem pasu se termoklina z letnimi casi spreminja. Zgornji del termokline oz. ti. sezonska termoklina postane v zimskem casu del premesanega sloja. Spodnji del termokline oz. ti. permanentna ali osnovna termoklina pa se v casu ne spreminja (povzeto po Sarmiento in Gruber, 2006).
Figure 3.11: The change of thermocline with respect to seasonal variations. In wintertime the upper part of thermocline (the seasonal thermocline) becomes part of mixed part, while the lower part of thermocline (the permanent thermocline) remains the same all year long (adapted from Sarmiento and Gruber, 2006).
Za vse oceane velja, da je temperatura pod globino h = 1 — 2 km priblizno konstantna, medtem ko je temperaturni profil v zgornjih 2000 m odvisen od obmocja (sliki 3.11 in 3.12) (Sarmiento in Gruber, 2006):
•	polarni pas: na vrhu je T vode enaka temperaturi globoke vode,
•	srednji in tropski pas: v vrhnjem sloju (h = 50 — 100 m) je voda povsem premesana (premesani sloj) in T w konst, zatem pa tenperatura vode skorajda linearno pada vse do globine, kjer ponovno velja T w konst.
Pojem premešanega sloja (ang. mixed layer) je zelo pomemben, pogosto ga kot spremenljivko uporabljajo tudi v modelih primarne produkcije (npr. Fasham in sod., 1990). Zanj so značilni mešanje vode, velik vpliv vetra, višja slanost zaradi izhlapevanja, spreminjanje gostote vode zaradi segrevanja in ohlajanja. Globina premešanega sloja se spreminja z letnimi časi. Višja je pozimi, ker se zaradi ohlajanja in manjše stratificiranosti voda takrat globlje premeša; v polarnih območjih sega v zimskih mesecih do nekaj sto metrov (Sarmiento in Gruber, 2006).
Slika 3.12: Spreminjanje globine premesanega sloja v odvisnosti od letnih casov (povzeto po Sarmiento in Gruber, 2006).
Figure 3.12: Change in mixed layer depth with respect to seasonal variations (adapted from Sarmiento and Gruber, 2006).
3.3 Sinteza organske snovi
Prehranjevalna veriga se zacne s sintezo organske snovi, ki jo v procesu fotosinteze vrs ijo avto-trofni organizmi. Avtotrofi pri tem porabljajo hranila in ogljik iz povrs inskih vod. Razmerje, v katerem se elementi spajajo v organsko snov, v splosnem velja za konstantno (nekoliko se spreminja samo koncentracija elementov v sledeh) in ga doloca enacba fotosinteze. Organizmi porabljajo anorganske snovi tudi s kemosintezo, pri kateri kot vir energije namesto svetlobe uporabljajo kemicne reakcije. Sintetizirana organska snov pada globlje v termoklino in globoki ocean, kjer se vecina mineralizira. Preostanek pade na sedimente, kjer se vecji del ponovno mineralizira, ostalo pa zakoplje. Pri razgradnji organske snovi sodelujejo predvsem heterotrofne bakterije in pikoplankton. Krog se sklene, ko tok vode prinese anorganske gradnike ponovno na povrsje. Krozenje organske snovi v oceanih je prikazano na sliki 3.1.
V povr s inskem sloju torej fizikalni pojavi zvisujejo (dvig vode), biolos ki procesi pa znizujejo vsebnost hranil (sinteza organske snovi) in totalnega ogljika. V globokem oceanu je obratno: kolicina hranil se zvi s uje zaradi biolos kih procesov (mineralizacija) in niza zaradi fizikalnih procesov (dvig vode). Brez delovanja organizmov bi bila porazdelitev vseh elementov po globini zaradi me s anja vode enakomerna kot pri slanosti. Ce npr. v modelu ne upostevamo vpliva biolos kih procesov na koncentracijo hranil, dobimo v povrs inskem sloju Svetovnega oceana povprecno koncentracijo nitratov « 33 mmol/m3 in fosfatov « 2.1 mmol/m3; koncentracija obeh se v tem primeru spreminja samo za ~ 10%. V resnici pa je koncentracija hranil v vecjem delu povrs inskega sloja oceanov zelo blizu « 0 mmol/m3, z izjemo nekaterih predelov oceanov, kjer so vrednosti visoke (npr. v severnem delu Pacifika in v Juznem oceanu) (Sarmiento in Gruber, 2006).
3.3.1 Osnovni pojmi
Uporabljamo kratice:
•	OM: organska snov (ang. organic matter),
•	POM: suspendirana organska snov (ang. particulate organic matter),
•	DOM: raztopljena organska snov (ang. dissolved organic matter),
•	DIN: raztopljen anorganski du s ik (ang. dissolved inorganic nitrogen),
•	DON: raztopljen organski du sik (ang. dissolved organic nitrogen),
•	DIP: raztopljen anorganski fosfor (ang. dissolved inorganic phosphorus),
•	DOP: raztopljen organski fosfor (ang. dissolved organic phosphorus),
•	DIC: raztopljen anorganski ogljik (ang. dissolved inorganic carbon),
•	DOC: raztopljen organski ogljik (ang. dissolved organic carbon),
•	POC: suspendirani organski ogljik (ang. particulate organic carbon),
•	TOC: totalni organski ogljik (ang. total organic carbon),
•	Corg: organski ogljik (ang. organic carbon),
•	Cinarg: anorganski ogljik (ang. inorganic carbon).
Osnovni gradniki vseh Zemeljskih organizmov so elementi, ki tudi sicer prevladujejo na na sem planetu: vodik H, ogljik C, du s ik N, kisik O, fosfor P. Morski organizmi vsebujejo tudi relativno veliko zvepla S in preko 50 elementov v sledeh (Falkowski in sod., 2003). Nutrienti ali hranila imenujemo kemijske elemente, ki v premajhnih kolicinah omejujejo rast organizmov (v nasem primeru predvsem fitoplanktona). Locimo:
•	makrohranila: N, P (H, C, O ne spadajo med hranila, ker jih je v oceanu vedno dovolj),
•	mikrohranila: nekateri elementi v sledeh.
Srednjo koncentracijo makrohranil podajamo v [mmol m-3], srednjo koncentracijo mikrohranil pa v [ß mol m-3] ali celo v manjsih enotah.
Pri racunalni s kih simulacijah pogosto modeliramo le eno izmed obeh makrohranil, t.j. N ali P (eden redkih modelov v svetovnem merilu, ki eksplicitno modelira tako N kot P, je npr. Crispi in sod., 2002 za Sredozemsko morje). Vecina modelov ima za osnovo du s ikov krog, ker je limitni element obicajno dusik (za sintezo OM je potrebnega 16 x vec du s ika kot fosforja) in ker dusik lahko zavzame vec razlicnih raztopljenih anorganskih kemijskih oblik. Skalarno polje koncentracije fosforja v tem primeru dolocimo neposredno iz stehiometricnega razmerja. V redkih primerih, ko model temelji na krozenju fosforja, pa koncentracijo nitratov dolocimo po
eni izmed naslednjih preprostih enacb, ki veljata v vecjem delu Svetovnega oceana (Sarmiento in Gruber, 2006):
nitrati = 16 x fosfati — 2.9 mmol/m3	(3.24)
, ,	povprečna koncentracija nitratov . ,
porazdelitev nitratov = porazdelitev slanosti x---(3.25)
povprečna slanost
3.3.1.1 Stehiometrija
Sestavo organske snovi, ki nastane s fotosintezo, dolocamo iz meritev sestave fitoplanktona. V splosnem velja, da suho snov OM sestavljajo beljakovine 54,4%, ogljikovi hidrati 25%, lipidi 16,1%, nukleinka kislina 4%. Do nedavno je za pravo razmerje med elementi v OM veljalo Redfieldovo razmerje (Redfield in sod., 1963), ki za fotosintezo predpostavlja enacbo
106 ■ CO2 + 16 ■ HNO3 + H3PO4 + 122 ■ H2O ^ (CH2O)106 (NH3)16 (H3PO4H138 ■ O2 . (3.26)
Razmerje med elementi v OM torej po Redfieldu znasa C:N:P:O2 = 106:16:1:-138. Danes velja, da sta vrednosti za kisik in vodik v razmerju previsoki: za oksidacijo OM je v resnici potrebnega vec kisika. Novo formulo je predlagal Anderson v (1995):
106 ■ CO2 + 16 ■ HNO3 + H3PO4 + 78 ■ H2O ^ C106H175O42N16P + 150 ■ O2 . (3.27)
Po tej enacbi znasa razmerje med elementi v OM C:N:P:O2 = 106:16:1:-150. Podobne vrednosti najdemo tudi v drugih virih (za pregled del glej npr. Sarmiento in Gruber, 2006).
Za stehiometrijo OM v globokem oceanu uporabljamo posebno funkcijo. Po Anderson in Sarmiento (1994) je razmerje med elementi v OM, ki se mineralizira v oceanu pod 400 m globine, zelo podobno Redfieldovemu, samo vsebnost Corg in potreba po kisiku sta nekoliko visji: C:N:P:O2 = 117:16:1:-170.
V preglednici 3.1 povzemamo vrednosti razmerja med elementi v OM, ki se pri modeliranju nizjega dela prehranjevalne verige najpogosteje uporabljajo.
Preglednica 3.1: Stehiometricno razmerje med elementi v biomasi fitoplanktona in kolicina nastalega (fotosinteza) oz. porabljenega (mineralizacija) kisika (povzeto po Sarmiento in Gruber, 2006).
Table 3.1: Stoichiometric ratios of phytoplankton organic matter and oxygen released during synthesis of the organic matter or consumed during mineralization (adapted from Sarmiento and Gruber, 2006).
		Organska snov			Kisik
	C	H O	N	P	O2
Redfield in sod. (1963)	106	263 110	16	1	138
Anderson (1995)	106	164 — 186 26 — 59	16	1	141 — 161
Anderson in Sarmiento (1994)	117 ± 14	--	16 ± 1	1	170 ± 10
Sestava organske snovi je podobno kot sestava morske vode odvisna tudi od geografske sirine. V obmocjih visoke geografske sirine vsebuje OM vec C in H ter manj N in P. Razmerje med O in P je
tako blize -170 kot -150. Veliko je tudi studij lokalnih območij, v katerih avtorji zaključujejo, da je potrebno upostevati spremenljivost stehiometričnih razmerij z globino. Npr. za Arabsko morje velja, da se hranila reciklirajo precej hitreje kot ogljik (Hupe in Karstensen, 2000). Različne stopnje mineralizacije za N, P, C pa se priporoca tudi pri modeliranju Sredozemskega morja (Crispi in sod., 2002). Stehiometricno razmerje je pravzaprav spremenljivka in se v casu lahko celo zelo spreminja. Odvisno je od hitrosti rasti fitoplanktona, vrste fitoplanktona, koncentracije hranil, taksonomije, obsega fiksacije du s ika, obsega cvetenja, idr. (Sarmiento in Gruber, 2006). Nekateri avtorji podajajo za razmerji C:P in N:P mnogo visje vrednosti kot Redfield, drugi mnogo nizje (glej npr. Sarmiento in Gruber, 2006). Pri vsem tem je pomembno tudi prostorsko in casovno merilo, v katerem opazujemo procese: razlicna razmerja so pogosto posledica prevec detajlnih meritev.
Pri dolocanju stehiometrije si pomagamo s ti. fotosintetskim kvocientom PQ (Sarmiento in Gruber, 2006):
sproščeni O2 porabljeni CO 2 '	'
PQ obicajno znasa PQ = 1.1 — 1.8, vrednost je odvisna od kolicine vgrajenega dusika. V svetli fazi fotosinteze pigmenti fitoplanktona absorbirajo fotone in jih spreminjajo v kemicno energijo v obliki molekul ATP in NADPH; pri tem porabljajo vodo in sproscajo kisik. V temni fazi (temna jo imenujemo, ker za njen potek niso potrebni fotoni, se pa prav tako odvija cez dan) pa se ATP in NADPH porabljata za redukcijo CO2 v organski ogljik. Rezultat obeh faz je reakcija CO2 + H2O ^ CH2O + O2. Nekateri produkti svetle faze (O2, ATP, NADPH) se lahko tudi neposredno porabijo za asimilacijo nitratov ali drugih snovi, kar vpliva na vrednost PQ. Ker se pri tvorbi organskega du s ika iz nitratov sprosca kisik, je vrednost PQ odvisna od kolicine vgrajenega dusika: tvorba spojin z malo dusika (npr. ogljikovi hidrati) da nizek PQ, tvorba spojin z veliko dusika (npr. aminokisline) pa da visok PQ.
Med stehiometricnimi razmerji so za modeliranje sinteze in razgradnje OM pomembni predvsem:
ri:p = stehiometricno razmerje med anorganskim ogljikom Cinorg in fosforjem P. Bilanca anorganskega ogljika v vodi je lahko pozitivna ali negativna, odvisna je predvsem od bilance CaCO3 (Cinorg nastaja med raztapljanjem CaCO3 in se porablja pri tvorjenju CaCO3);
rc:p = stehiometircno razmerje med kolicino organskega dusika in fosforja. Razmerje je enako C : P v OM;
Corg : N : P : O2 = (117 ± 14) : (16 ± 1) : (1) : (—170 ± 10) = stehiometricno razmerje med elementi v OM. Sestava mineralizirane OM se z globino zelo malo spreminja, v modelih obicajno upostevamo linearen trend po globini;
Corg : Cinorg = mineralizacijsko razmerje med organskim in anorganskim ogljikom. To razmerje je lahko izrazito nelinearno: Corg : Cinorg zna sa na globini 400 m priblizno 5 — 6, na globini 4000 m pa le se 1 — 2. Razlog je v tem, da mineralizacija poteka vi sje kot raztapljanje CaCO3: med mineralizacijo nastaja Corg, med raztapljanjem CaCO3 pa
Cinorg ;
POMCorg : POMn « konst: razmerje med vsebnostjo organskega ogljika in dusika v POM. Po Schneider in sod. (2003) znasa to razmerje na globini 1000 m POMcorg : POMn = (117 ± 3) : 16, na globini 5000 m pa (129 ± 6) : 16. N v POM se torej pri
usedanju reciklira nekoliko hitreje kot C, vendar so razlike majhne in obicajno zadostuje, da razmerje obravnavamo kot konstantno.
• N : P « konst: razmerje med dusikom in fosforjem v vodi. Za svezo organsko snov velja C : P « konst, O2 : P ~ konst, N : P « konst. Po navedbah Anderson in Sarmiento (1994) pa koncentracija nitrata od globine 1000 m do 3000 m v svetovnem povprečju pade za cetrtino, s tem pa se zmanjsa tudi razmerje N : P. Kot razlog navajajo pretvorbo nitratov v N2 z denitrifikacijo. Predpostavljajo, da se ta proces odvija predvsem v anoksicnih sedimentih (anoksicnost razumemo kot pomanjkanje molekularnega kisika). Anoksicnost v vodnem stolpcu nastopa redko, kljub temu pa je znacilna za nekaj obmocij v svetu (npr. Crno morje).
3.3.1.2 Vpliv zunanjih dejavnikov na fotosintezo
Fotosintezo v oceanih skoraj izkljucno vrsijo enocelicni fitoplanktonski organizmi. Neposredni pokazatelj prisotnosti fitoplanktona je klorofil-a (podajamo ga v enotah [mg m-3]). Prvi pogoj za razvoj biomov je dotok hranil (ang. nutrient supply). Ce je ta pogoj izpolnjen, o razvoju zdruzbe organizmov odlocajo se drugi dejavniki, med katerimi sta najpomembnejsa svetloba (ang. light supply) in moc bioloske crpalke (pod tem izrazom razumemo intenzivnost porabe hranil zaradi rasti fitoplanktona; ang. efficiency of the biological pump). Manj pomembni, a vcasih odlocilni pa so se drugi dejavniki: kolicina mikrohranil (predvsem Si in Fe), fizikalni vplivi, idr. V odvisnosti od koncentracije hranil, kolicine svetlobe in ucinkovitosti bioloske crpalke lahko ekosisteme v grobem klasificiramo v stiri tipe, ki jih prikazuje slika 3.13 (po Sarmiento in Gruber, 2006).
Dotok hranil. Hranila prihajajo v povrsinski sloj vecinoma z dvigom vode iz globokega oceana, dotok z rekami je z izjemo velikih rek zanemarljiv. Med fizikalnimi procesi so za dotok hranil pomembni predvsem dvig vode iz termokline, poglabljanje premesanega sloja v zimskih mesecih in vertikalno mesanje slojev. Opazno lahko vpliva tudi lateralni transport vode iz drugih s hranili bogatih obmocij, lokalno pa je lahko pomembna tudi depozicija dusika iz zraka.
Koliko hranil prihaja v povrsinski sloj iz globokega oceana, najlazje ocenimo iz vertikalnih hitrosti vode in iz grafa spreminjanja globine premesanega sloja. Ocena, ki jo dobimo iz grafov, pomeni potencialni dotok hranil, dejanski dotok hranil pa je odvisen tudi od koncentracije hranil v povrsinskem sloju. Dotok hranil iz spodnjega sloja je najvecji, ko je AC med slojema najvecja, t.j. ko je koncentracija hranil v povrsinskem sloju enaka nic.
Količina svetlobe. Kolicina svetloba se z globino zelo hitro manjsa, sploh v morski vodi. Za proces fotosinteze je svetlobe dovolj samo v povsem vrhnjem sloju vode: debelina tega sloja je odvisna od kolicine svetlobe (dan, noc, posebnosti polarnih obmocij, itd) in cistosti vode. Na odprtem morju je globina foticne cone reda velikosti 100 m, v zelo turbidnih obmocjih pa lahko znasa tudi samo nekaj metrov.
Ko debelina premesanega sloja presega debelino foticne cone (obicajno pozimi), fitoplanktonski organizmi vsaj del dneva prezivijo v temi tudi cez dan, ker so premajhni, da bi se lahko upirali gibanju vode in nadzirali svojo pozicijo v vodnem stolpcu. V tem primeru respiracija preseze njihovo rast. Ce se cas brez svetlobe se podaljsuje, pa ti organizmi umrejo.
- ,. hranil
veliko hranil / nizka stopnja produkcije
ir
D
visok ef-količnik
Južni ocean
veliko hranil / \ nizka stopnja produkcije
tregeneracijski ekosistem nizek ef-količnik
/
J\
severni in ekvatorialni del Pacifika
malo hranil / visoka stopnja produkcije
— izvozni ekosistem visok ef-količnik
priobalna območja z dvigom vode, severni Atlantik
permanentno stratificirani subtropski biom
regeneracijski ekosistem !' nizek ef-količnik
Slika, 3.13: Shematični prikaz najpomembnej sih procesov, od katerih so odvisni koncentracija hranil v povrsinskem sloju, obseg primarne produkcije in izvoza iz povrsinskega sloja ter ucinkovitost regeneriranja ekosistema. V primeru (A) je koncentracija hranil vedno nizka zaradi skromnega dotoka hronil . Za sistem (B) sta znacilni nizka koncentracija hranil in obenem visoka stopnj a primarne produkcije oz. visoka stopnja ucinkovitosti bioloske crpalke. Za sistem (C) sta znaalni visoka koncentracija hranil in nizka ali najvec zmerna stopnja bioloske produkcije oz. učinkovitosti biolos ke produkcije. Za sistem (D) pa je znacilna nizka stopnja ucinkovitosti bioloske produkcije zaradi pomanjkanja svetlobe (povzeto po Sari mento in Gruber, 2006). Figzre 3.13: Schematic diagram representing the primory processes that are thought to determine due surfaco nutrient concentraeion and asaociated production and export of organic matter plus the recycling efficiency of the ecosystem. In case (A) the concentration of nutrients is always low because of low nutrient supply. The charascteristics of case (B) are low nutrient concentration and high values of ^imkry production and biological pump efficiency. The characteristics of case (C) are high concentration of nutrients and low efficiency of the biological pump. In case (D) the efficiency of the biological pump is always low because of poor light supply (adapted from Starmiento and Gruber, 2006).
Ce torej ni dovolj svetlobe za fotosintezo, jo respiracija preseze in dobimo s ibko biolosko crpalko. Koncentracija hranil bo v tem primeru visoka, ker jih fitoplankton ne porablja. Dotok hranil bo zato nizek, ker je AC = 0 (razlika v koncentraciji hranil med povrsinskim in globljimi sloji). Posledicno pa bo tudi izvoz OM iz povrsinskega sloja nizek, saj ta sploh ne nastaja. V tem primeru dobimo torej vejo D na sliki 3.13.
Ce je svetlobe za fotosintezo dovolj (in je dotok hranil dovolj visok), pa dobimo eno izmed vej B ali C na sliki 3.13. Katero, je odvisno od moci biolos ke crpalke.
Moc bioloske crpalke. Vejo B dobimo, ko sta bioloska poraba in izvoz OM iz povrs inskega sloja zelo visoka. Priteka veliko hranil, vendar jih fitoplankton sproti porablja, zato dobimo v povrsinskem sloju nizko vsebnost hranil in visoko stopnjo bioloske produkcije. Pri veji C pa bioloska produkcija ni tako obsezna, hranila pa se zato ne porabljajo sproti. Za vejo C sta
tako znacilni visoka koncentracija hranil v povrsinskem sloju in ne prevec obsezna primarna produkcija. Razlika med vejama B in C je torej predvsem v koncentraciji hranil v povrsinskem sloju.
Učinkovitost bioloske crpalke EBP (ang. efficiency of the biological pump) je mera uspesnosti fitoplanktona pri porabi hranil oz. pri ohranjanju nizke koncentracije hranil v povrsinskem sloju. Ebp ne smemo enaciti z močjo (ang. strength) bioloske crpalke, ki pomeni obseg pretoka (ang. flux) OM v smeri —z. Pokazatelj Ebp je rezidualna koncentracija hranil v povrsinskem sloju: cetudi OM odteka iz povrsinskega sloja, ostaja rezidualna koncentracija hranil visoka, ce jih fitoplankton ne porablja. V tem primeru dobimo mocno, a neucinkovito biolosko crpalko.
Ce ocean po globini razdelimo na dva sloja (na foticno cono in globoki ocean), velja (Sarmiento in Gruber, 2006):
Ebp =	,	(3.29)
Cd
s = indeks oznacuje povrsinski sloj,
d = indeks oznacuje globoki sloj.
Ebp znasa 100%, ce je Cs = 0 in 0%, ce je Cs = Cd.
Obicajno predpostavljamo, da je neto primarna produkcija NPP (ang. neto primary production) proporcionalna koncentraciji hranil v povrsinskem sloju:
NPP = A ■ Cs ;	(3.30)
A = stopnja asimilacije hranil (ang. nutrient assimilation rate); enota [m3].
Neto primarna produkcija pomeni kolicino OM, ki nastane v casovni enoti; enaka je bruto primarni produkciji brez respiracije in ostalih energetskih izgub; enota NPP je [mol s-1]. Stopnja asimilacije hranil pa je po vrednosti ekvivalentna kolicini vode, iz katere fitoplankton v casovni enoti posrka vsa hranila. Parameter A je torej neposredni pokazatelj obsega bioloske produkcije.
NPP razdelimo na izvoz e ■ NPP, 0 < e < 1 (izvoz, eksport oz. izvozena, eksportna produkcija; ang. export production), ki z usedanjem odtece iz povrsinskega sloja ter na preostanek (1 — e) ■ NPP, ki se ze v povrsinskem sloju ponovno mineralizira v hranila. S parametrom e je neposredno povezan ep, ki pomeni delez suspendiranega e (ep je razmerje med izvozom POM in izvozom celotne OM oz. predstavlja delez primarne produkcije, ki kot POM zapusti povrsinski sloj; ang. particle export fraction ali particle export ratio). ep je pomemben predvsem zato, ker ga lahko merimo.
V ravnoteznem stanju je izvoz OM iz povrsinskega sloja v ravnotezju z vertikalnim dotokom hranil iz globokega oceana, ki je posledica AC:
e ■ NPP = e ■ A ■ Cs = v ■ (Cd — Cs) ;	(3.31)
v = pretok vode med slojema (ang. volumetric exchange rate); enota [m3 s-1].
Za Ebp torej dobimo
Ebp = ClC—C = FA+v) ■	<-3-32>
Produkt e ■ A ima dimenzijo pretoka [m 3 s-1] in je v splosnem konstantna vrednost. Parametra e, v, vrednost e ■ A ter razmerje med e ■A in v nam dajo informacije o ucinkovitosti bioloske crpalke:
•	e ■ A » v ^ EBP je visok,
•	vecje je razmerje (e ■ A)/v ^ manj bo hranil v povrsinskem sloju,
•	vecji je e ^ vecji bo EBP.
Moramo pa se zavedati, da so vse to samo modeli. Narava lahko pokaze tudi povsem nasprotne trende (primerjava meritev ep in EBP npr. ponekod po svetu kaze obratno soodvisnost in ne proporcionalnosti: vecji ep ^ manjsi EBP). Sistemi, ki jih tu obravnavamo, so izredno kompleksni. Sezonska nihanja in razlike med leti so lahko velike, v vecletnih ciklih se spreminjajo celo fizikalni vplivi okolja (El Nino). Sezonske spremembe soncnega kota in globine premesanega sloja oz. posledicno kolicine svetlobe povzrocajo velike sezonske spremembe, ki vplivajo na Ebp. Vpliv sezonskih sprememb na ucinkovitost bioloske crpalke ocenjujemo s t.i. analizo kriticne globine (ang. critical depth analysis) po Sverdrup (1953), ki pa je v disertaciji ne bomo podrobneje obravnavali. Ce imamo meritve, lahko vrednost Ebp ocenimo iz primerjave med koncentracijo nitratov v foticni coni (ca 0 — 100 m) in v sloju pod njo (ca 100 — 200 m) (Sarmiento in Gruber, 2006).
3.3.1.3 Oligotrofna, evtrofna, HNLC območja
V vecjem delu Svetovnega oceana je koncentracija hranil v povrsinskem sloju nizka, ta obmocja imenujemo oligotrofna. Obmocja, na katerih je koncenatracija hranil visoka, imenujemo evtrofna. Obmocja z zmerno koncentracijo hranil pa imenujemo mezotrofna. Na nekaterih obmocjih je Ebp nizji od pricakovanega: to so obmocja z dovolj hranili in dovolj svetlobe, a z nizko biolosko produkcijo. Imenujemo jih HNLC obmocja (ang. high nutrient low chlorophyll, HNLC regions).
Za kateri tip obmocja gre, najlaze ugotovimo iz koncentracije klorofila-a, koncentracije hranil in globine premesanega sloja zM.
Oligotrofna območja. Za oligotrofna obmocja je znacilno poglabljanje premesanega sloja pozimi, manjsa sezonska nihanja koncentracije hranil in klorofila ter visje koncentracije teh kolicin pozimi kot poleti. Obicajne vrednosti so: povprecna koncentracija klorofila -a znasa ~ 0.10 mg/m3, nitratov pa ~ 0.0 mmol/kg (Michaels in sod., 1999). Za najvecje in najbolj tipicno oligotrofno obmocje na Zemlji velja permanentno stratificirani subtropski biom (obsega polovico suptropskega anticiklona (ang. subtropical gyre), ki meji na Ekvator). Za to obmocje so znacilni nizek dotok hranil, spust vode, mocna stratifikacija preko celega leta in zgolj minimalno poglabljanje premesanega sloja pozimi. Med velika oligotrofna obmocja spada tudi Sredozemsko morje.
Kljub nizki koncentraciji hranil in klorofila pa je (nova) bioloska produkcija v oligotrofnih obmocjih lahko visoka, kar vidimo iz visokih vrednosti izvoza. Izvoz Corg iz povrsinskega sloja celotnega subtropskega pasu znasa ~ 5 Pg C/yr (1 Pg = 1015 g), kar je priblizno polovica svetovne kolicine (Emerson in sod., 1997). Od tega prispeva permanentno stratificirani subtropski biom s 145.3 x 1012 m2 kar ~ 3.5 Pg C/yr oz. tretjino svetovne kolicine (Sarmiento in Gruber, 2006). Med razlogi za tako obsezno primarno produkcijo so predvsem dodatni viri dusika: fik-sacija N2, depozicija dusika iz zraka z delci prahu, povecan dotok hranil s sporadicnimi obdobji intenzivnega mesanja vode (slednji na izvoz OM iz povrsinskeha sloja vpliva tudi neposredno). Po navedbah Lee in sod. (2002) znasa npr. izvoz zaradi fiksacije dusika v tropskih in subtropskih obmocjih ~ 0.8 Pg C/yr, kar predstavlja 5 — 10% globalne vrednosti.
Evtrofna obmocja. Za evtrofna obmocja je značilno poglabljanje premesanega sloja pozimi, za poletne mesece pa sta znacilna visja koncentracija klorofila in nizja koncentracija hranil. Glede na podatke z oceanografskih postaj (Sarmiento in Gruber, 2006) znasa npr. povprecna koncentracija klorofila med ~ 0.30-0.80 mg/m3, povprecna koncentracija nitratov pa od ~ 5-30 mmol/kg. Debelina premesanega sloja seze pozimi celo do 600 m globine, znacilna pa so tudi vecja sezonska nihanja spremenljivk. Za najznacilnejsega predstavnika velja Severni Atlantik, ki povsem ustreza Sverdrupovemu fenomenu kriticne globine: premesani sloj je pozimi zelo globok, obmocje je preko 4 mesece brez neto produkcije, pomladansko cvetenje potece brez zooplanktona. Obicajno sta koncentracija klorofila in obseg primarne produkcije najvecji v priobalnih delih morij: v blizini ustij vecjih rek, v predelih z dvigom vode ter splosno v plitvejsih delih morja. Vrednosti obeh kolicin se obicajno nizata z oddaljenostjo od obale in z narascanjem globine morja. Pogost pojav na evtrofnih obmocjih je tudi izmenjava rezimov B (poleti) in D (pozimi). Glavni razlog je sezonsko nihanje kolicine svetlobe, menjava rezimov pa lahko nastopi tudi kot posledica mocnih perturbacij sistema, npr. zaradi mocnega dviga vode zaradi dolgotrajnega vetra, idr.
Slika 3.14: Obicajno sezonsko nihanje osnovnih kolicin ekosistema v povrsinskem sloju vode v (a) HNLC in (b) evtrofnih predelih oceanov. N so hranila, P je fitoplankton in Z je zooplankton (povzeto po Steele and Henderson (1992).
Figure 3.14: Schematic of typical seasonal behaviour in the upper ocean ecosystem in (a) HNLC and in (b) eutrophic parts of the world ocean. N is nitrate, P is phytoplankton and Z is zooplankton (adapted from Steele and Henderson, 1992).
HNLC obmocja. Za obmocja z dovolj svetlobe in dovolj hranili je v splosnem znacilen visok Ebp, v poletnih mesecih pa obcasni viski v koncentraciji klorofila-a CHL > 1 mg/m3 ter obcasno izjemno nizke koncentracije NO3 << 5 mmol/m3 (Sarmiento in Gruber, 2006). HNLC obmocja imajo mnogo nizjo koncentracijo klorofila od pricakovane in zelo skromno sezonsko variabilnost procesov. Ta obmocja ustrezajo vejama C oz. D na sliki 3.13. Na HNLC obmocjih je v visok in posledicno Ebp nizek, za razliko od npr. oligotrofnih obmocij, na katerih je v nizek in Ebp visok. Na vprasanje, zakaj fitoplankton v HNLC obmocjih ne razvije pravega viska populacije, danes strokovnjaki se nimajo enotnega odgovora. Najverjetnejse hipoteze pa so: premalo svetolobe v blizini polov, fitoplankton sproti pojejo herbivori, premalo Fe oz. pomanjkanje esencialnih mikronutrientov, kombinacija nastetih faktorjev (Chisholm in Morel, 1991).
Za eno izmed najbolj zanimivih HNLC obmocij velja Severni Pacifik. Populacija fitoplanktona je nizka in se zelo malo spreminja. Mikrozooplankton preko celega leta je mikrofitoplankton, zato se ta nikoli ne razvije dovolj, da bi porabil vsa hranila. Velikega fitoplanktona pa na tem obmocju
ni zaradi pomanjkanja zeleza. Izmenjujeta se rezima B in C. Zanimiv je tudi primer Juznega Oceana: koncentracija hranil v povrsinskem sloju je visoka, vendar je populacija fitoplanktona slabo razvita zaradi pomanjkanja zeleza in svetlobe ter zaradi nizkih temperatur. Juzni Ocean niha med rezimoma C in D (Pondaven in sod., 2000).
Na sliki 3.14 podajamo graficno primerjavo med HNLC in evtrofnimi obmocji: iz slike so razvidne razlike v sezonskem nihanju hranil, fitoplanktona in zooplanktona.
3.3.1.4 Nova in regenerirana produkcija
Sintetizirano OM sestavljata dve komponenti (Dugdale in Goering, 1967; Eppley in Peterson, 1979):
•	nova produkcija (ang. new production): pomeni delez OM, ki jo fitoplanktonski organizmi sintetizirajo iz hranil, ki v povrsinski sloj prispejo s transportom vode od drugod (predvsem iz globokega oceana z dvigom vode in z vertikalnim mesanjem slojev, manj pa se z depozicijo iz zraka ter z rekami),
•	regenerirana produkcija (ang regenerated production): dolocen odstotek OM se mineralizira ze v povrsinskem sloju; regenerirana produkcija imenujemo delez OM, ki se ponovno sintetizira iz tako nastalih gradnikov.
V ravnoteznem stanju morata biti v velikih merilih izvoz OM iz povrsinskega sloja in nova produkcija po velikosti enaka (Eppley in Peterson, 1979). Povedano drugace: kar odtece iz povrsinskega sloja, mora po dolocenem casu tudi priteci nazaj, sicer sistem ni v ravnotezju. Izvoz je glavni mehanizem zmanjsevanja koncentracije hranil v povrsinskem sloju: zaradi izvoza je koncentracija hranil v povrsinskem sloju vedno nizja od koncentracije hranil v globokem oceanu.
Ce ocean ponovno razdelimo na foticno cono in globoki ocean, dobimo po Sarmiento in Gruber (2006) za obseg nove produkcije izraz
nova produkcija = izvožena produkcija = e ■ NPP = e ■ A ■ Cs ,	(3.33)
za obseg regenerirane produkcije pa izraz
regenerirana produkcija = (1 — e) ■ NPP = (1 — e) ■ A ■ Cs .	(3.34)
Pri dolocanju delezev nove in regenerirane produkcije sta nam v pomoc pojma f — količnik in e — količnik. Biološko produkcijo BP razdelimo na novo N, regenerirano R in izvočeno (eksportno) E produkcijo. Nova in regenerirana produkcija skupaj tvorita ti. primarno produkcijo PP. Parametra f — kolicnik in e — kolicnik pomenita:
NBP	NBP	fiksacija N 2 + poraba NO - (brez nitrifikacije)
f = PP = NBP + RBP = fiksacija N 2 + poraba (NO- + NH+) (. )
EBP	fo orn
e = (3-36)
Ce gledamo dovolj globalno, t.j. na dovolj veliki prostorski in casovni skali, lahko pricakujemo e = f in namesto locenih e in f uporabimo zdruzeni ef — količnik. V tem primeru velja
e — količnik = f — količnik = ef — količnik in delitev BP na N, R, E ni vec pomembna - vse skupaj je bioloska produkcija. ef — količnik je povezan s strukturo ekosistema: njegova vrednost narasca skladno z narascanjem primarne produkcije, pri prehodu s klasicne na mikrobno prehranjevalno verigo (glej spodaj) pa dobimo nezveznost. Odvisen je tudi od drugih dejavnikov, med katerimi sta najpomembnejsi temperatura vode in stopnja primarne produkcije oz. poraba hranil (slika 3.15).
Slika 3.15: ef-kolicnik kot funkcija obsega primarne produkcije (ki je definiran s porabo hranil N) in temperature vode (povzeto po Laws in sod., 2000).
Figure 3.15: ef -ratio as a function of primary production (defined as N uptake) and temperature (adapted from Laws et al., 2000).
Primarna produkcija PP oz. NPP pomeni porabo CO2 zaradi rasti fitoplanktona. PP se od celotne ali bruto primarne produkcije (ang. gross primary production; enaka je fotosintezi) razlikuje za vrednost respiracije fitoplanktona:
PP = fotosinteza — respiracija avtotrofov .	(3.37)
Neto skupna produkcija (ang. net comunity production) NC P pa je enaka delezu primarne produkcije, ki se ne porabi za respiracijo heterotrofov:
NCP = PP — respiracija heterotrofov .	(3.38)
Poznamo se pojma učinkovitost izvoza (ang. export efficiency) in učinkovitost regeneriranja ekosistema (ang. recycling efficiency of the ecosystem); indikator obeh je ef — količnik. Pomembna je predvsem ucinkovitost regeneriranja ekosistema, ki jo dolocimo neposredno iz ef — količnika:
učinkovitost rečikliranja ekosistema = 1 — ef .	(3.39)
Predvsem pri modeliranju procesov v globokem oceanu pa nam pogosto prideta prav pojma izvoz suspendirane snovi (ang. particle export flux) in ep, ki smo ga ze omenili. Povezana sta po enacbi
izvoz suspendirane snovi = ep ■ PP .	(3.40)
ep dolocimo empiricno po Dunne in sod. (2005b):
ep = max [0.042; min (0.72; — 0.0078 ■ T + 0.0806 ■ ln(CHL) + 0.433)] ,	(3.41)
pri tem sta
CHL = koncentracija klorofila, T = temperatura vode v povrsinskem sloju.
V splosnem sta tako koncentracija klorifila kot tudi obseg primarne produkcije dobro korelirani s koncentracijo hranil. Za dolocitev koncentracije klorofila in posledicno stopnje primarne produkcije pogosto uporabljamo satelitske podatke, ki podajo povprecno koncentracijo klorofila v zgornjih ~ 10 m vode.
Pri modeliranju nas pogosto zanima izvoz POC v [mol C m-2 yr-1]. V splosnem so te vrednosti zelo dobro korelirane z NPP: kjer je NPP nizka, se vec OM mineralizira ze v povrsinskem sloju in izvoz OM je nizek. Izvoz POC globalno znasa 10 ± 3 Pg C yr-1 (Sarmiento in Gruber, 2006). Ce k temu pristejemo se izvoz DOC, ki v splosnem znasa 20% ± 10% totalnega pretoka ogljika (Hansell, 2002), dobimo izvoz TOC v vrednosti 12 ± 4 Pg C yr-1.
3.3.1.5 Struktura ekosistema
Danes je osnovna razlaga krozenja organske snovi v oceanih dopolnjena z vlogo heterotrofnih bakterij v procesu mineralizacije OM (Pomeroy, 1974; Azam in sod., 1983). Bakterije porabljajo DOM, nitrate in amoniak ter proizvajajo amoniak. Odgovorne so za velik del recikliranja OM v povrsinskem sloju; na ta nacin zmanjsujejo ef — količnik. Bakterije so primarni porabniki DOM, vlogo pa igrajo tudi v produkciji DOM: izlocajo encime, ki razkrajajo POM v manjse topne molekule, da jih lahko pojedo. Z bakterijami se hrani majhen zooplankton (nanoflagelati in majhni ciliati). Ce v modelu upostevamo tudi vpliv bakterij na krozenje snovi oz. ti. mikrobno zanko (ang. microbial loop), sistem imenujemo mikrobna prehranjevalna veriga; v nasprotnem primeru pa govorimo o klasični prehranjevalni verigi (Kukovec, 2006).
Obseg prehranjevalne verige in njen vpliv na kolicino nove in izvozene produkcije ter na koncentracijo hranil v povrsinskem sloju je odvisen predvsem od strukture ekosistema. Locimo re-generacijski (ang. regeneration loop) in izvozni ali eksportni ekosistem (ang. export pathway). Bioloska crpalka z nizko ucinkovitostjo sestoji samo iz regeneracijske zanke, visoko zmogljiva bioloska crpalka pa vsebuje obe zanki (Sarmiento in Gruber, 2006) (glej sliko 3.16).
Regeneracijski ekosistem ima nizek ef — količnik. V splosnem ima tak ekosistem za osnovo pikofitoplankton. Glavni vir dusika je amoniak, ki nastane z recikliranjem OM (mnogi piko-fitoplanktonski organizmi ne morejo porabljati nitratov in nitritov). Rast pikofitoplanktona obicajno nadzira majhen zooplankton (nano- in mikro-). Ker majhni zooplanktonski organizmi hitro rastejo in se hitro odzivajo na perturbacije, s tem onemogocajo razrast fitoplanktona. Regeneracijski ekosistem vedno vsebuje tudi mikrobno zanko: heterotrofne bakterije reciklirajo OM.
Tak ekosistem je v splosnem zelo stabilen, zato ga najdemo povsod, manj se pojavlja samo v hladnejsih vodah. Po perturbacijah se hitro vrne v svoje ravnotezno stanje. Glavni del izvozene produkcije v tem primeru predstavlja DOM (!), ki odteka s transportom v —z smeri, nekaj pa prispeva tudi usedanje vecjih delcev, ki jih proizvede zooplankton.
Slika 3.16: Shema regeneracijskega in izvoznega ekosistema. Bioloska Črpalka z nizko učinkovitostjo vsebuje samo regeneracijsko zanko, pogosto kljub zadostni kolicini hranil in svetlobe. Razlog za to je najpogosteje premajhna kolicina železa za razvoj velikega fitoplanktona. Bioloska crpalka z visoko ucinkovitostjo pa vsebuje tako regeneracijsko kot izvozno zanko. Osnovo izvoznega ekosistema predstavljajo diatomeje, vedno pa vsebuje tudi visje troficne nivoje. V ekosistemu igrajo posebno vlogo virusi, in sicer predvsem pri nastanku DOM (povzeto po Sarmiento in Gruber, 2006).
Figure 3.16: Schematic illustration of the regeneration loop and the export pathway. The biological pump with a low efficiency has just the regeneration loop present despite having both adequate light and high levels of nutrients. This is generally attributed to insufficient iron for large phytoplankton to survive. The high-efficiency biological pump has both the regeneration loop and export pathway. The export pathway is primarily based on diatoms and includes the grazing food chain. Viruses play a significant role in the formation of DOM (adapted from Sarmiento and Gruber, 2006).
Izvozni ekosistem se zacne z velikim fitoplanktonom, sledi pasa (ang. grazing) herbivorov do vedno visjih troficnih nivojev (ang. trophic levels), konca pa se z izvozom OM iz povrsinskega sloja (predvsem v obliki velikih delcev POM, ki se hitro potopijo). Osnova take prehranjevalne verige so ponavadi diatomeje, zooplanktonski organizmi so veliki (npr. ceponozci), pogosto gre do rib. Izvozni ekosistem potrebuje dovolj makrohranil in zeleza.
Tak ekosistem je bolj nestabilen, rezultati racunalniskih simulacij pa kazejo tudi, da se tezko vzpostavi. Obicajno se razvije po vecjem vnosu hranil in/ali ob povecanju kolicine svetlobe (npr. ob pomladnem krcenju premesanega sloja, po mocnem dvigu s hranili bogate vode, po obdobjih obseznejse depozicije dusika iz zraka, idr, ob obalah pa tudi kot posledica gnojenja kmetijskih povrsin). Za izvozni ekosistem je znacilna mocno povisana bioloska produkcija. Kot sistem ni odporen na nihanja: veliki zooplanktonski organizmi, ki se najpogosteje hranijo z diatomejami, imajo (predvsem pri nizkih temperaturah) nizko stopnjo rasti, zato se tezko hitro odzovejo na cvetenje diatomej po vnosu dodatnih hranil. Obicajno sledijo odmiranje velikih fitoplanktonskih organizmov, agregacija skupkov detrita, zatem pa mocno povecan izvoz OM zaradi hitrega usedanja delcev. Izvozni ekosistem se zato razvije samo za kratek cas, ko so
pogoji zanj ugodni, zatem pa ga ponovno zamenja stabilnejsi regeneracijski ekosistem. 3.3.2 Modeliranje morskih ekosistemov
Ekosistem razdelimo na troficne nivoje: avtotrofe, herbivore, karnivore. Vecina ekoloskih modelov za oceane se osredotoca na prvi ali najvec se na drugi troficni nivo. Pelagicni modeli celotne prehranjevalne verige so redki (npr. Fennel, 2006, Blackford in sod., 2004).
Majhne organizme, za katere lahko predpostavimo, da jih nosi tok vode, modeliramo enako kot kemijske spojine, tj. z advekcijsko-difuzijsko enacbo. Poleg advekcije in difuzije moramo pri modeliranju koncentracije snovi v enacbi upostevati tudi izvorno-ponorni clen. Ta izraza vpliv bioloskih, kemijskih in geoloskih procesov na spremembo koncentracije snovi v danem At. Ce imamo n ekoloskih spremenljivk, potrebujemo n advekcijsko-difuzijskih enacb (poleg enacb za konservativne skalarje, kakrsna sta npr. temperatura in slanost). Ekoločki model v tem primeru pomeni sistem n enacb za n izvorno-ponornih clenov: enacbe so tipa
X1 = X1(X 2, X3,..., Xn) ,	(3.42)
Xi = ekoloska spremenljivka (hranila N, fitoplankton P, zooplankton Z, bakterije B, raztopljena organska snov DOM, suspendirana organska snov POM, idr.).
V	najpreprostejsih modelih za nizji del prehranjevalne verige je n = 2 (spremenljivki sta hranila in fitoplankton; N — P model), obicajno stevilo spremenljivk pa se giblje od n = 4 (poleg hranil in fitoplanktona modeliramo se zooplankton in bakterije, N — P — Z — B model) do npr. n = 7 (N — P — Z — B razsirimo z modeliranjem POM, DOM, Si, Fe, z dvema razredoma fito- ali zooplanktona, z vec razredi detrita, idr). Najkompleksnejsi modeli vsebujejo tudi po 15 spremenljivk in vec (npr. ERSEM).
V	nadaljevanju loceno obravnavamo modeliranje vsake izmed komponent ekosistema. 3.3.2.1 Hranila
Limitna hranila. O limitnih hranilih govorimo, ko rast populacije organizmov omejuje kolicina enega ali vec hranil. Kot splosno sprejeto hipotezo za zastoj rasti zdruzbe fitoplanktona obicajno navajamo Leibigov zakon minima (Von Leibig, 1840), ki pravi, da fotosintezo vedno omejuje najsibkejsi dejavnik. Ce govorimo o hranilih, rast fitoplanktona omejuje kolicina tistega hranila (makro- ali mikro-), ki ga najhitreje zmanjka.
Med mikrohranili rast najpogosteje omejuje pomanjkanje zeleza (Martin in Fitzwater, 1988). Zelezo v fitoplanktonskih organizmih sodeluje pri prenasanju elektronov, je pa tudi gradnik nekaterih encimov. Posledica pomanjkanja zeleza je predvsem manj velikih fitoplanktonskih organizmov: za rast je pomembno razmerje med povrsino in volumnom organizmov (manjse je, manj ucinkoviti so organizmi pri pridobivanju potrebnih elementov skozi celicno steno iz okoliske vode). Poleg Fe so pomembne tudi nekatere druge bioaktivne kovine v sledeh: Mn, Co, Ni, Cu, Zn, Cd. Priblizna sestava planktonske OM (Bruland in sod., 1991):
P : Fe : Cu : Mn : Ni : Cd : Zn = 1 : 0.005 : 0.004 : 0.004 : 0.004 : 0.004 : 0.002 . (3.43) Dušikov krog. Dusik lahko zavzame mnogo razlicnih kemijskih oblik. Za vsakega izmed delov
biološke produkcije (nova, regenerirana, izvožena) so značilne druge oblike dusika (slika 3.17). Osnovne reakcije dusikovega kroga (Sarmiento in Gruber, 2006):
•	Fiksacija (ang. fixation): pomeni vezavo dusika z vodikom ali kisikom. V praksi modeliranja biogeokemicnega krozenja snovi v oceanih pod fiksacijo razumemo bogatenje vode s plinastim N2 iz atmosfere oz. sposobnost organizmov, da za sintezo OM namesto nitratov ali amoniaka uporabljajo plinasti N2. Prav zaradi fiksacije N2 ostaja kolicina nitratov v oceanih dolgorocno priblizno konstantna: s fiksacijo se N2 pretvarja v organski dusik, ta pa se spremeni v nitrate, ko OM reagira s kisikom;
•	Nitrifikacija (ang. nitrification): oksidacija amoniaka v dusikovo kislino ali nitrate. Potece kot del procesa mineralizacije OM, vrsijo jo nitifikacijske bakterije;
•	Denitrifikacija (ang. denitrification): nitrifikaciji nasprotna reakcija. Vrsijo jo bakterije, ki nitrat porabljajo kot vir kisika za respiracijo (oksidacijo OM), ko molekularnega kisika zmanjka. Obicajno poteka v anoksicnih pogojih;
•	Mineralizacija (tudi remineralizacija, ang. mineralization, remineralization): OM najprej razpade v amoniak, zatem pa lahko potece se nitrifikacija in nastanejo nitrati.
gladina
nitritifikacija
prehranjevalna veriga -►
t V
NO3
A
globina fotične cone (1% svetlobe)
nova produkcija
* r
_^ B
regenerirana
produkcija
NH4+
t
PON
5b
T
DON
6a
produkcija
6b
3
N
2
Slika 3.17: Dusikov krog v oceanih, kakrsnega obicajno predpostavljamo v modelelih za nizji del prehranjevalne verige (povzeto po Sarmiento in Gruber, 2006).
Figure 3.17: The cycling of nitrogen in the oceans: this kind of representation is normally prescribed in lower trophic level models (adapted from Sarmiento and Gruber, 2006).
Vecina fitoplanktonskih organizmov za fotosintezo porablja nitrat in amoniak, vendar za porabo amoniaka porabijo manj energije, zato ga imajo raje kot nitrate. Življenjska doba amoniaka v morski vodi je zato zelo kratka. Posledicno lahko porabo amoniaka neposredno povezemo s stopnjo regenerirane produkcije, porabo nitratov pa s stopnjo nove produkcije. Porabo nitratov
in amoniaka lahko loceno merimo z vsebnostjo izotopa dusika 15N v fitoplanktonskih organizmih (Dugdale in Goering, 1967).
Ceprav so ti procesi se slabo raziskani, zaenkrat velja, da je vecina amoniaka v povrsinskem sloju rezultat lokalne mineralizacije OM, medtem ko pride vecina nitratov v povrsinski sloj s transportom iz globokega oceana ali z depozicijo iz atmosfere. Vecina strokovnjakov meni, da nastane v povrsinskem sloju v procesu mineralizacije zelo malo nitratov: obseg nitrifikacije v foticni coni je omejen, ker svetloba zavira delovanje nitrifikacijskih bakterij. V zadnjem casu pa je vse vec dokazov za to, da vecina nitrifikacije v celotnem vodnem stoplcu potece v skrajnem spodnjem delu foticne cone z zelo malo svetlobe (Zehr in Ward, 2002).
Ko zmanjka najprej amoniaka in nato nitratov, porabljajo fitoplanktonski organizmi kot vir du s ika s e N2 iz zraka (fiksacija), nitrite (ki jih v modelu obicajno zdruzimo z nitrati) in organske du s ikove spojine (npr. ureo in aminokisline, v modelu jih upo stevamo kot DON). Med temi je lahko lokalno izredno pomembna predvsem fiksacija N2. Organizme, ki vrsijo fiksacijo oz. so sposobni preziveti brez vezanega du s ika, imenujemo diazotrofi (ang. diazotrophs) ali fiksatorji dučika (ang. nitrogen fixers). Fiksacija poteka predvsem v vodah s T ^ 25°C (Karl in sod., 2002; Staal in sod., 2003) in v vodah z nizko koncentracijo ostalih oblik dusika (npr. v tropih). Plinasti dusik predstavlja najvecje skladisce du s ika v oceanih: koncentracija N2 v oceanih znasa ~ 400 mmol/m3, koncentracija nitratov (globalno povprecje) pa le ~ 30 mmol/m3. Kolicina fiksiranega dus ika znas a « 130 Tg N/yr (ce bi se ves ta dus ik porabil za tvorbo OM z razmerjem C : N = 117 : 16 (povprecno razmerje), bi se izvoz OM iz povrs inskega sloja povecal za « 0.8 Pg C/yr) (Sarmiento in Gruber, 2006).
Vloga Železa v ekosistemih. Kolicina zeleza ima velik vpliv na fiziologijo vseh fitoplanktonskih organizmov, najvecji pa je vpliv na velike organizme, kakrs ne so npr. diatomeje. Z laboratorijskimi poskusi so pokazali, da se z dodajanjem zeleza manj sa kolicina nitratov v vodi (Sarmiento in Gruber, 2006).
Krozenje Fe v morskem okolju se ni povsem razjasnjeno. Fe se v morski vodi nahaja kot Fe(II) in Fe(III). Fe(II) je bolj topen in v prisotnosti O2 in H2O2 hitro oksidira v Fe(III). Ko so koncentracije Corg visoke in je torej potreba po kisiku velika, pa pri pomanjkanju O2 poteka tudi redukcija netopnega Fe(III) v topni Fe(II) (Moffett, 2001). Obicajno razmerje koncentracij obeh oblik zna s a okoli Fe(II) : Fe(III) « 1010 (Waite, 2001). Anorgansko Fe(III) se v morski vodi nahaja skoraj izkljucno kot Fe(OH)+ in Fe(OH)-. Velik del Fe v vodni raztopini (kar gre skozi 0,4 jm filter) je vezan na organske spojine (Waite, 2001). Organizmi porabljajo tako nevezano kot vezano obliko Fe. Topnost Fe znasa ~ 0.2 jmol/m3 v povrsinskem sloju in ~ 0.6 jmol/m3 v globokem oceanu. Vrednost se spreminja v odvisnosti od prisotnih alg in drugih spojin in v splosnem narasca z globino (zaradi nizje temperature vode in zaradi visje koncentracije fluorescentne OM, na katero se veze Fe) (Tani in sod., 2003).
Ceprav rezidencni cas Fe v oceanih ocenjujejo na 30 — 150 let, ga v povrsinskem sloju hitro zmanjka zaradi biolos ke porabe in usedanja delcev. Profil koncentracije zeleza v vodnem stolpcu je obicajen za hranila: koncentracija je nizja v povrs inskem sloju in vi sja v globokem oceanu. Kot za ostala hranila tudi za Fe velja, da se ga del po mineralizaciji v globokem oceanu z advekcijo in difuzijo vrne v povrs inski sloj 75% Fe v novi in izvozeni produkciji predstavlja Fe, ki pride v povr s inski sloj iz globokega oceana) (Sarmiento in Gruber, 2006).
Fe v ocean priteka z rekami, vendar se vecina tega Fe porabi ze v ustjih rek in na obmocju kontinentalnih polic (ali s elfov, ang. shelf). Glavna vira Fe na odprtem morju sta depozicija
iz zraka z delci prahu in raztapljanje zeleza iz sedimentov na kontinentalnih robovih. Totalno depozicijo zeleza iz zraka ocenjujejo na 2.5-6.3x 1011 mol Fe/yr (viri podajajo razlicne vrednosti, glej npr. Jickells in Spokes, 2001); iz zraka pride predvsem netopno zelezo, topnega je < 2%. Globalni dotok topnega Fe iz sedimentov kontinentalnih polic pa ocenjujejo na « 9 x 1010 mol Fe/yr (Elrod in sod., 2004). Na obmocjih kontinentalnih robov lahko znasa koncentracija Fe v vodnem stolpcu tudi do 100 /mol Fe/m3 (de Baar in de Jong, 2001).
Kjer je zeleza v vodi malo, znasa razmerje Fe : C v fitoplanktonskih organizmih ~ 2 /mol Fe/mol C, kjer ga je veliko (npr. v priobalnih morjih), pa vrednost naraste celo do ~ 25 /mol Fe/mol C. Za simulacije obseznih predelov se priporoca vrednost ~ 5 /mol Fe/mol C, kar je ekvivalentno Fe : N « 40 /mol Fe/mol N. Za primerjavo navedimo, da fiksatorji dusika (ang. nitrogen fixers) potrebujejo za delovanje nekajkrat toliko Fe. Povprecna koncentracija Fe v Svetovnem oceanu znasa « 0.7 /mol/m3, povprecna koncentracija nitratov pa znasa « 0.30 mmol/m3, kar da povprecno razmerje Fe : N « 20 /mol Fe/mol N. Kljub temu Fe pogosto ni limitni nutrient: svet se ne ravna po povprecjih in dognanja kazejo, da zelezo omejuje fotosintezo samo v Severnem in Ekvatorialnem Pacifiku ter v Juznem Oceanu (Sarmiento in Gruber, 2006).
Vloga silicija v ekosistemih. Silicij se v oceanih nahaja v obliki silikata. Silikati so spojine ali ioni, ki vsebujejo SiO4, bodisi v trdni fazi (v tem primeru dobimo kremen ali siliko, ang. silica) ali v raztopini. V morski vodi so silikati prisotni predvsem v obliki silicijeve kisline kot Si(OH)4 oz. v manjsi meri kot SiO(OH)- (Sarmiento in Gruber, 2006).
Mnogo organizmov v oceanih porablja silicijevo kislino za tvorbo razlicnih struktur, npr. spuzve, mrezevci (radiolaria), silikoflagelati, diatomeje. Med temi so dalec najpomembnejse diatomeje, ki silicijevo kislino (predvsem Si(OH)4) porabljajo za tvorbo celicne stene oz. frustul. Frustule sestojijo iz amorfne silike s formulo SiO2 ■ nH2O, ki jo imenujemo tudi biogena silika ali biogeni opal. Amorfna silika lahko nastane tudi z anorganskimi procesi, v tem primeru jo imenujemo litogena silika ali litogeni opal. Vecina litogenega opala pride v oceane s kopnega (Sarmiento in Gruber, 2006).
Krozenje biogenega opala v oceanih je v marsicem podobno krozenju organske snovi. Biogeni opal nastaja in se reciklira v povrsinskem sloju, z usedanjem in raztapljanjem pa prehaja v globoki ocean. Profil porazdelitve silicijeve kisline po globini je podoben porazdelitvi ostalih hranil: koncentracija v povrsinskem sloju je nizka, v globokem oceanu pa narasca do enakomerne vrednosti. Prav tako je stehiometricno razmerje med elementi v diatomejah bolj ali manj konstantno: ce imajo za rast dovolj svetlobe in hranil, je razmerje med Si in N v diatomejah enako 1 : 1 (Brzezinski, 1985). Med modeli za nizji del prehranjevalne verige, ki vsebujejo tudi tok silicija, je eden boljsih NEMURO (Kishi in sod., 2007).
3.3.2.2 Fitoplankton
Morske organizme razvrscamo glede na (Sarmiento in Gruber, 2006):
•	operativni kriterij (ang. operational criteria): delitev organizmov glede na velikost. Velikosti fitoplanktonskih organizmov se giblje v sirokih mejah in znasa od < /m do reda 10 m;
•	funkcionalni kriterij (ang. functional criteria): delitev glede na vlogo, ki jo imajo organizmi v sistemu. Zanima nas npr. njihov vpliv na biogeokemicno krozenje snovi, troficni
status organizma, njihov zivljenjski cikel, itd. Ker funkcionalni kriterij razvrscanja organizmov obicajno uporabljamo pri modeliranju biogeokemicnega krozenja snovi v oceanih, ga strokovno imenujemo tudi biogeokemični kriterij;
• taksonomski kriterij (ang. taxonomic criteria): delitev glede na vrste.
Operativni kriterij. Med majhnimi vodnimi organizmi locimo plankton in nekton. Med plankton uvrscamo zelo majhne organizme, ki se ne zmorejo upirati toku vode (ceprav se zmorejo nekateri med njimi avtonomno premikati v vertikalni smeri celo po vec sto metrov dnevno; ang. diel vertical migrations). Med nekton pa uvrscamo vecje organizme, ki plavajo in lahko nadzirajo svoj polozaj v morju (npr. lignji, ribe, morski sesalci).
Planktonske organizme glede na velikost razvrscamo v 5 skupin (Omori in Ikeda, 1992):
1.	pikoplankton: 0.2 — 2.0 /m: cianobakterije, bakterije,
2.	nanoplankton: 2.0 — 20 /m: majhne diatomeje, silikoflagelati,
3.	mikroplankton: 20 — 200 /m: vecje diatomeje, dinoflagelati, vecina fitoplanktonskih organizmov,
4.	mezoplankton: 0.2 — 2 mm: majhni zooplanktonski organizmi,
5.	makroplankton: 2 — 20 mm: vecji zooplanktonski organizmi (meduze, vecji raki, idr).
Nekateri avtorji plankton klasificirajo v 7 razredov, a se ta princip pri modeliranju nizjega dela prehranjevalne verige redko uporablja: poleg zgoraj nastetih uporabljajo se razreda femto-planktona (< 0.2 /m) in megaplanktona (> 20 mm). V prvo skupino sodijo predvsem virusi, v drugo pa največji zooplanktonski organizmi (npr. velike meduze, salpe, idr).
Na odprtem morju po tezi biomase prevladuje pikoplankton, v hiperproduktivnih priobalnih morjih pa lahko prevladujejo tudi mikro-, mezo- ali makroplankton. Globalno predstavlja pikoplankton ~ 10% biomase in proizvede ~ 40% primarne produkcije (Agawin in sod., 2000). Delez primarne produkcije pikoplanktona se zvisuje s temperaturo (metabolizem) in znizuje z obsegom primarne produkcije (zaradi pase in hitrega narascanja biomase velikih organizmov): v toplih vodah z nizko produktivnostjo znasa > 50%, v mocno produktivnih polarnih vodah pa < 10% (Sarmiento in Gruber, 2006).
Funkcionalni kriterij. Funkcionalni kriterij temelji na trofičnem statusu organizma (ang. trophic status): troficni status pomeni, kje v ekosistemu se organizem nahaja glede na pretok energije ali pretok snovi. Troficni status organizme razdeli na
•	avtotrofe (ang. autotroph), ki lahko sami proizvajajo svojo OM,
•	heterotrofe (ang. heterotroph), ki energijo in snov dobijo iz ze sintetizirane OM,
•	miksotrofe (ang. mixotroph), ki lahko delujejo kot avtotrofi ali heterotrofi.
Med avtotrofi locimo fotoavtotrofe, ki za svojo rast uporabljajo svetlobno energijo ter kemo-avtotrofe, ki za sintezo OM namesto svetlobne energije uporabljajo energijo snovi (energijo pridobivajo z oksidacijo kemijskih spojin); v splosnem velja, da je kemosinteza v primerjavi s fotosintezo zanemarljiva. Poznamo se ti. bentoške avtotrofe na dnu plitvih priobalnih obmocij (makrofiti in mikroskopske alge). Med heterotrofi locimo herbivore, ki se hranijo z avtotrofi in karnivore, ki se hranijo predvsem z manjsimi heterotrofi.
Funkcionalno avtotrofe delimo se naprej glede na znacilnosti metabolizma (npr. sposobnost fiksacije N2, sposobnost precipitacije SiO2 ali CaCO3, idr), lahko pa jih razdelimo tudi glede na pogoje okolja, ki so potrebni za njihovo optimalno rast (kolicina svetlobe, temperatura morja, kolicina kisika, idr) (Sarmiento in Gruber, 2006).
Taksonomski kriterij. Organizme najpogosteje delimo glede na vrste. Na vprasanje, kaj v naravi omogoca toliksno stevilo rastlinskih in zivalskih vrst, znanstveniki danes se ne znajo enotno odgovoriti. Med razlogi pa v zadnjem casu najpogosteje navajajo prostorsko in casovno variabilnost okolja ter nelinearnost ekoloskih sistemov. Fitoplanktonska zdruzba steje preko 20.000 vrst, od tega pa jih samo nekaj predstavlja vecino v celotnem oceanu. Prevladujoci fototrofni organizmi v vecini vodnih okolij so mikroorganizmi: v oksicnih pogojih so to predvsem cianobak-terije in enocelicne alge, v anoksicnih obmocjih pa anoksigene avtotrofne bakterije (Kukovec, 2006).
Fitoplankton delimo na prokariote (ang. prokaryote; avtotrofne bakterije in arheje) in evkar-ionte (ang. eukaryote; kompleksnejsa celicna organizacija in struktura). Med prokarioti so pomembne predvsem cianobakterije rodov Prochlorococcus in Synechococcus, ki se vecinoma hranijo z amoniakom in ureo (regenerirana produkcija) in zato uspevajo tudi v vodah z manjsim dotokom hranil. Med evkariontskimi mikroorganizmi pa so najpomembnejsi diatomeje, kokolito-foridi, dinoflagelati in silikoflagelati. Najpomembnejse skupine fitoplanktona (Kukovec, 2006; Sarmiento in Gruber, 2006):
•	cianobakterije ali modrozelene cepljivke, modrozelene alge, cianofiti (ang. Cyanobacteria, Cyanophyta): so avtotrofne oksigene bakterije, nekateri med njimi so diazotrofi. Celicna stena je iz hitina. Vrsijo enako fotosintezo kot visje rastline: vsebujejo klorofil-a in fikobiline (pomozna fotosintetska barvila, med katerimi sta najpomembnejsa rdeci fikoeritrin (rdece alge) in modri fikocianin (modrozelene alge)), ne vsebujejo pa klorofila-b. Organizmi so enocelicni, nitasti ali pa se celice med seboj povezejo z zelatinastim ovojem (galerto). Cianobakterije so izredno prilagodljive in (sploh poleti) stevilcno prevladujejo med avtotrofi v morskem okolju.
•	diatomeje ali kremenaste alge (ang. Diatoms): rjavo obarvane enocelicne alge s celicno steno iz silicija in pektina. Poznamo preko 10 000 vrst diatomej. Na Žemelji so ze 185 milijonov let, nahajajo se v vseh tipih ekosistemov: v sladki vodi, v morjih in v zemlji. Ža rast potrebujejo visoko razmerje med koncentracijo silicijeve kisline in koncentracijo hranil v okoliski vodi (najmanj Si : N « 1 : 1); pogoste so predvsem v vodah visoke geografske s irine in ponekod v tropih. Ker so velike in se v casu cvetenja mocno namnozijo, povzrocajo obsezen izvoz in opazno zmanj s ujejo kolicino ogljika v povrsinskem sloju oceana. Po Nelson in sod. (1995) so diatomeje odgovorne za kar tretjino ali celo polovico globalne primarne produkcije. V Jadranskem morju so diatomeje spomladi glavni primarni producenti;
•	kokolitoforidi (ang. Coccolithophorids): so najmanjsi morski protozoji. Poznamo avto-
trofne in heterotrofne kokolitoforide. Uspevajo tudi v oligotrofnih obmocjih z malo hranili, najvecjo rast dosezejo na ~ 10 m globine oz. splosno v predelih z manj svetlobe. Njihovo ogrodje je iz apnenca: med vsemi organizmi najvec prispevajo k izvozu CaCO3 iz povrs inskega sloja ter k vsebnosti CaCO3 v sedimentih. Iz kokolitoforidov so nastali npr. znani White Cliffs of Dover;
•	dinoflagelati (ang. Dinoflagellates): enocelicni bickarji nenavadnih oblik. Zivijo predvsem v toplej s ih morjih. Niso zelo pogosti, a se v ugodnih pogojih zelo hitro delijo in lahko povzrocajo obsezno cvetenje morja (ang. red tides). Lahko fotosintetizirajo, paratizirajo ali so simbionti s koralami; lahko igrajo vlogo avtotrofov, heterotrofov ali miksotrofov;
•	silikoflagelati (ang. Silicoflagellates): enocelicni avtotrofi ali heterotrofi s silikatnim oklepom. Pogostej s i so v hladnej s ih morjih.
Klasifikacija v modelih. V modelih biogeokemicnega krozenja snovi je neprakticno upostevati preveliko stevilo vrst. Namesto taksonomske delitve uporabljamo razvrscanje organizmov glede na funkcionalni (1. delitev) in operativni kriterij (2. delitev) (Falkowski in Raven, 1997; Boyd in Doney, 2002; Sarmiento in Gruber, 2006):
1.	glede na funkcionalni ali biogeokemicni kriterij organizme najprej razvrstimo v skupine s podobnim metabolizmom: presnova pomeni dolocene lastnosti zdruzbe, npr. sposobnost fiksacije plinastega N2, sposobnost precipitacije CaCO3 (kokolitoforidi) ali SiO2 (dia-tomeje), idr.
2.	zatem pa organizme obicajno razdelimo se glede na velikost. Majhni in veliki organizmi igrajo v ekosistemu razlicno vlogo: pikoplankton je ucinkovit v recikliranju OM (daje nizek ef — količnik), velik fitoplankton pa v izvozu OM iz povr s inskega sloja (daje visok ef — količnik). Bolj kakor dejanska velikost organizmov nas zato zanima sposobnost izvoza OM: npr. po velikosti spadajo kokolitoforidi med manj se organizme, vendar jih glede na obseg izvozene produkcije uvrscamo med velik fitoplankton. K izvozu OM najvec prispevajo kokolitoforidi in diatomeje.
Katera skupina organizmov se razvije, dolocajo pogoji okolja. Pri dolocanju verjetnosti razvoja dolocene skupine organizmov si pomagamo z razvrstitvenim drevesom (ang. allocation tree), ki dominantno funkcionalno skupino doloci glede na (slika 3.18) (Falkowski in sod., 2003):
1.	totalno kolicino klorofila na dani lokaciji,
2.	svetlobo in temperaturo, ki dolocata potencialno produkcijo OM, ce je kolicina hranil neomejena,
3.	koncentracijo fosfatov in zeleza,
4.	koncentracijo razlicnih oblik du sika,
5.	prisotnost mikrozooplanktona in mikrohranil,
6.	prisotnost silicijeve kisline,
7. drugo.

klorofil
svetloba, temperatura
potencialna produkcija
prisotnost vezanega dušika, železa, fosfatov
diazotrofi
V .	J V
produkcija na osnovi vezanega N
i /
/

železo, paša
mineralizacija & izvoz, nizek f-količnik, neto prirastek N
majhen fitoplankton	velik fitoplankton
■e
silicijeva kislina
mineralizacija & izvoz,
diatomeje	velik fitoplankton
nizek f-količnik
/
e
neznani dejavniki
mineralizacija & izvoz, visok f-količnik,
kokolitoforidi	ne;kalc,if. veliki
fitopl. org.
neto poraba Si / ✓
mineralizacija & izvoz,	mineralizacija & izvoz
visok f-količnik, neto poraba Ca
Slika 3.188: Razvrstitveno drevo, s katerim napovemo dominantno skupino fitoplanktonskih organizmov pri danih pogocih okolja (povzeto po Sarmiento in Gruber, 2006). Figure 3.18: Schematic diagram showing the allocation of primary production to different phyto-piankton functional groups (adapted from Sarmiento and Gruber, 2006).
Običajno sie v prisotnosti fosforja, N2 in zeleza razvijejo fiksatorji dusika. Ce so poleg nastetih hranil prisotni se nitrati, se razvijep ostali fitoplanktonski organizmi do dolocene velikosti. Kako veliki fitoplanktonski organizmi se razv^o, je odvisno predvsem od prisotnosti mikro-zooplanktona (Iver se hrani z majhnim fitoplanktonom, preprecuje njegovo razrast; hranila zato ostajajo, iz njih pa se lahko razvije velik fitoplankton) in prisotnosti oz. kolicine mikrohranil, predvsem zeleza (ce jih ke mak», nelahko razvije samo majhen fitoplankton). Obicajno se pomladno cvetenje zacne z razrastom diatomej, ko hranil ze zmanjkuje, pa se pojavijo s e kokolitoforidi. Vrsta fitoplanktona je odvisna tudi od kolicine svetlobe: kjer je svetlobe manj, obicajno prevladajo flagelati ali kokolitoforidi, kjer je osvetljenost vecja, pa diatomeje (Parsons in sod., 1984).
Pretvarjanje enot fitoplanktona. Fitoplankton merimo:
•	z vsebnostjo dusika v OM: enota = [mmol N m-3],
•	z vsebnostjo ogljika v OM: enota = [mmol C m-3],
•	s koncentracijo klorofila v celicah: [mg CHL m-3].
Npr. kolicini dusika 0.6 mmol N/m3 ustreza koncentracija klorofila ~ 1 mg CHL/m3. Pri pretvarjanju upostevamo razmerje med vsebnostjo organskega ogljika in klorofila v celicah fitoplanktona v vrednosti
C
CHL = 50 •	(3-44)
razmerje med moli ogljika in dusika v sintetizirani OM v vrednosti
C 117
N 16	(3-45)
ter molsko maso ogljika C = 12 g/mol.
Razmerje med CHL:C v biomasi fitoplanktona lahko dolocimo tudi s statisticnim model Cloern in sod. (1995) (za natancnejsi opis pojmov glej nadaljevanje):
CHL = [0.003 + 0.0154 ■ e0m^T ■ e-0m9^] ■ yp(N) ■ P	(3.46)
CHL = koncentracija klorofila-a v biomasi fitoplanktona v enotah [mgCHLam-1], T = temperatura v [°C],
kz = koeficient zmanjsanja kolicine svetlobe z globino,
I = povprecna dnevna osvetljenost vrhnjega sloja vode; enota I je [mol quanta m- "2 dan-1]), Yp(N) = funkcija odvisnosti rasti avtotrofov od kolicine hranil, P = koncentracija fitoplanktona v enotah [mmol C m-2].
V enacbo 3.46 je potrebno vstaviti vrednosti za fitoplankton P in hranila N, ki smo jih pred tem povprecili po debelini sloja; enota CHL je zato enaka [mgCHLam-1].
Koncentracija klorofila je v majhnih in velikih fitoplanktonskih organizmih razlicna: vrednost CHL:C je naceloma visja za manjse organizme (Eppley in sod., 1977; Glover in sod., 1988; Llewellyn in Gibb, 2000). Ce imamo vecrazredni model, enacbo 3.46 v izvorni obliki uporabimo samo za najvecji razred fitoplanktona (i = 1), za ostale razrede i pa dobljeno vrednost klorofila pomnozimo z ustreznim transformacijskim faktorjem R^
CHLi = CHL1 ■ Ri = [0.003 + 0.0154 ■ ea05^T ■ e-a059^] ■ 7p(N) ■ P ■ R	(3.47)
Npr. za dva velikostna razreda fitoplanktona znasa R po Crispi in sod. (2002) R = 2; v tem primeru torej predpostavljamo, daje koncentracija klorofila v majhnih organizmih 2x visja kot v velikih organizmih.
Za zahodni del Sredozemskega morja lahko enote ogljika pretvorimo v enote klorofila-a tudi po preprosti empiricni zvezi Gould in Weisenburg (1990), ki sta razmerje CHL:C dolocila iz povprecja meritev za zgornji sloj vode v mesecu novembru:
CHL : C = 24 .	(3.48)
3.3.2.3 Modeliranje fitoplanktona
Modeliranje rasti fitoplanktona pomeni modeliranje fotosinteze. Vecinoma temelji na znanju, pridobljenem z laboratorijskimi poskusi. Dejansko dogajanje v oceanu je seveda kompleksnej se: mnogo vrst je sposobnih prilagajanja zelo razlicnim pogojem, upostevati pa moramo tudi, da so procesi v zdruzbi lahko precej drugacni, kot ce vrste osamimo v laboratoriju.
Pri modeliranju fotosinteze upostevamo vpliv svetlobe (ang. irradiance) I v [Wm-2] ali [Einstein m-2 s-1], nutrientov N [mmol m -3], temperature T [° C], pase zooplanktona (ang. grazing) G v [mmol m-3 cas-1] in drugih ponorov (ang. sinks) na koncentracijo fitoplanktona P [mmol N m-3] v kontrolnem volumnu. Splos na enacba za izvorno-ponorni clen v advekcijsko-difuzijski enacbi za fitoplankton P se glasi (Sarmiento in Gruber, 2006):
SS(P) = dP = vp(T) ■ YP(I, N) ■ P - G(P) - sinks .	(3.49)
Posamezni cleni izrazajo:
vp (T) ■ Yp (I, N) ■ P = NPP oz. asimilacija anorganskega dus ika v biomaso fitoplanktona; izrazamo jo v enotah du sika mmol N m-3 ;
vP(T) = vmax = maksimalna stopnja rasti (ang. maximum growth rate); enota [stevilo podvajanj cas-1]. Vmax je odvisna od temperature vode: v nekaterih procesih fotosinteze sodelujejo tudi encimi, njihovo delovanje pa je vedno mocno odvisno od temperature.
Yp(I, N) = brezdimenzijska funkcija, izraza vpliv kolicine svetlobe in hranil na stopnjo rasti fitoplanktona; interval vrednosti je enak [0,1], pri y p (I, N) = 1 sta kolicina svetlobe in hranil optimalni in ne omejujeta fotosinteze, obicajno pa je yp (I, N) < 1;
vp (T)'Y p (I, N) = specificna stopnja rasti (ang. specific growth rate); enota [stevilo podvajanj cas-1] ali [mg O 2(mgCHL)-1 hr-1];
G(P) = ponor P zaradi pase zooplanktona (ta clen podrobneje obravnavamo v podpoglavju o zooplanktonu 3.3.2.4).
Vse dodatne ponore obicajno modeliramo skupaj s funkcijo prvega reda (Sarmiento in Gruber, 2006):
sinks = Ap ■ P ,	(3.50)
enota [cas-1]. Clen vsebuje:
•	odmiranje fitoplanktona zaradi starosti, bolezni, mehanskih napak, ipd,
•	izgube zaradi kemijskih in mikrobiolos kih procesov (npr. eksudacije),
•	usedanje zaradi gravitacije: nekateri avtorji tudi ta clen modelirajo eksplicitno z ■ (dP/dz).
Predvsem v zadnjem casu se za clene, ki ponazarjajo izgubo biomase fitoplanktona (G(P), sinks) namesto linearne funkcije pogosto uporablja kvadratna ali druga nelinearna funkcija. S tem ponazorimo, da je proces spreminjanja biomase funkcija koncentracije fitoplanktona, kar strokovno imenujemo odvisnost od gostote populacije (ang. density-dependent mechanisms of population control). Tako je npr. v primeru smrtnosti zaradi virusnih okuzb ali zaradi pomanjkanja mikrohranil, idr., prav tako pa so od koncentracije organizmov odvisni fizikalni procesi,
kakrsna sta flokulacija in posledicno usedanje fitoplanktona. Parameter Xp v tem primeru nadomesti funkcija Xp ■ P, clen sinks pa dobi obliko (Sarmiento in Gruber, 2006):
sinks = Xp ■ P2 .	(3.51)
Vpliv temperature vode na stopnjo fotosinteze: določitev v p (T). Vpliv temperature vode na maksimalno stopnjo rasti vP(T) obicajno dolocamo po Eppley (1972):
vp(T) = a ■ bc'T .	(3.52)
Vrednosti parametrov znasajo: a = 0.6 dan-1, b = 1.066, c = 1 °C-1. Za AT = 0 — 20°C dobimo razpon vrednosti vp (T) = 0.6 — 2.2/dan. Obseg cvetenja fitoplanktona narasca z narascanjem temperature vode. Iz vrednosti vp(T) lahko dolocimo frekvenco podvojitev: vp(T) delimo z ln(2) in dobimo 0.9 — 3.1 podvojitev/dan.
Ceprav vp(T) najpogosteje dolocamo po enacbi 3.52, najdemo v literaturi tudi precej argumentov proti njeni vsesplos ni uporabi. Frekvenca podvojitev ni odvisna samo od temperature, ampak tudi od vrste fitoplanktona. Po navedbah nekaterih avtorjev je obcutljivost vrst na temperaturo celo manj sa kot obcutljivost vp(T) na vrsto fitoplanktona, saj se organizmi pogosto prilagodijo dolocenemu temperaturnemu intervalu. Poleg tega zveza temelji predvsem na osnovi s tudij diatomej. V Crispi in sod. (2002) npr. odvisnost rasti avtotrofov od temperature dolocijo po Arrheniusovi enacbi:
/T	T\ b(Tmax-Tp )
9 (T) = ( Tmax_y	■ eb(T-Tp)	(3.53)
Vrednosti parametrov Tmax, Tp in b v izrazu 3.53 so odvisne od vrste fitoplanktona in v Crispi in sod. (2002) npr. znas ajo: Tmax = 24 — 30°C, Tp = 16.5 — 19.5°C, b = 0.1157.
Vpliv količine in vrste hranil na stopnjo fotosinteze: določitev Yp(N). Kako blizu maksimalni stopnji rasti vp(T) je dejanska (specificna) stopnja rasti fitoplanktona, dolocajo kolicina svetlobe in kolicina ter vrsta hranil. Pogosto je primarni limitni faktor svetloba (npr. v obmocjih visoke geografske s irine, v zimskih mesecih, v globinah > 100 m, v obmocjih z globokim preme s anim slojem, idr), v povr s inskem sloju velikega dela oceana pa svetloba ne omejuje rasti, ker je je dovolj. Na teh obmocjih so limitni faktor hranila (makro- ali mikrohranila). Obicajno pri modeliranju predpostavljamo, da je faktor yp(I,N) multiplikativen, t.j. da sestoji iz produkta dveh neodvisnih funkcij: iz funkcije kolicine svetlobe in funkcije koncentracije hranil:
yP (I, N) = Y p (I) ■ Yp (N) .	(3.54)
Velja zakon minima, zato
Yp(I, N) = min |7p(I), Yp(N)} .	(3.55)
Bistveno je torej, da pri modeliranju fotosinteze med faktorjema svetlobe in hranil izberemo tistega, ki v danem primeru bolj omejuje rast fitoplanktona. Ce so to hranila, tako teorija kot praksa pravita, da je za yp(N) najbolje uporabiti hiperbolicno funkcijo (Monod, 1949):
Y p <N > = kN+n ;	<3-56>
0.15
čl ,(•
0.05
2	3	4	5	6
nitrati [mmol m-3]
Slika 3.19: Saturacijska (oz. Monodova, Michaelis-Mentenova ali tudi Michaelis-Menten-Henrijeva) krivulja. Oznacuje odvisnost stopnje rasti avtotrofov od kolicine hranil (povzeto po Dring, 1982).
Figure 3.19: Saturation (or Monod, Michaelis-Menten, Michaelis-Menten-Henry) curve, which represents the dependence of phytoplankton growth rate on the amount of nutrients (adapted from Dring, 1982).
Kn = saturacijska ali Michaelisova konstanta, imenujemo jo tudi Monodova konstanta ali koeficient polovicne rasti (ang. growth half-saturation constant),
N = koncentracija hranila N.
Na sliki 3.19 je prikazan graf porabe nitratov v odvisnosti od koncentracije nitratov. Imenujemo ga Monodova krivulja in velja, ce rast omejuje samo kolicina hranil. Vrednost Kn je enaka koncentraciji N, pri kateri znasa stopnja rasti polovico maksimalne vrednosti. Enacbo 3.56 obicajno uporabimo, ce med nutrienti N upostevamo samo nitrate. Vrednosti Kn za nitrate se gibljejo od 0.1 — 3.0 mmol/m3. Upostevati moramo, da v laboratorijskih poskusih obicajno ne merijo neposredno rasti fitoplanktona, temvec porabo hranil. Pod izrazom rast fitoplanktona razumemo asimilacijo hranil v OM fitoplanktona, kar po vrednosti nikoli ne dosega porabe hranil. Npr. Kn = 0.1 mmol/m3 ustreza Kn za porabo hranil v vrednosti od 0.15 — 0.5 mmol/m3 (Eppley in sod., 1969; Morel, 1987; Lipschultz, 2001).
Ce je prisotnih vec oblik dusika, uporabimo enacbo, kakrsna je enacba 3.57 spodaj (Wroblewski, 1977; Fasham, 1992). Obicajno modeliramo porabo nitratov in amoniaka. Ker organizmi za hranjenje z amoniakom porabijo manj energije, njegova prisotnost mocno omeji porabo nitratov (MacIsaac in Dugdale, 1972; Walsh in Dugdale, 1972; MacIsaac, 1978; Glibert in sod., 1982). To v modelih opisemo z dodatno utezno funkcijo:
Yp (N) =
NO-
K
NO-
+ NO
- ■ exp (-0 ■ NH+) +
NH+
K
NH+
+ NH+
(3.57)
Npr. po Fasham in sod. (1992) znasajo vrednosti parametrov: KNO- = KNH+ = 0.5 mmol/m3, 0 = 1.5 (mmol/m3)-1.
Ce je limitnih vec elementov, npr. poleg nitratov in amoniaka se zelezo ali silicijeva kislina,
uporabimo podobne aditivne in multiplikativne funkcije kot v izrazu 3.57. V nasem modelu za nizji del prehranjevalne verige smo npr. poleg nitratov in amoniaka upostevali tudi moznost hranjenja fitoplanktona s fosfati, saj na nekaterih obmocjih v Sredozemlju kot limitni nutrient nastopa fosfor in ne du s ik (Crispi in sod., 2002). Enacba se v tem primeru glasi:
PO3-
Yp (N) =-PO-3' Kpal- + PO3-
NO-	, ,	NH+
- ■ exp (-0 ■ NH+) +-4--
k no- + NO- ^	^ k„„ + + NH4
(3.58)
Poudarimo pa, da tako kompleksnih modelov za modeliranje biogeokemicnega krozenja snovi v oceanih ne uporabljamo prav pogosto. Obicajno vec hranil uporabljamo v kombinaciji z vecrazrednimi modeli za nizji del prehranjevalne verige, ki jih bomo obravnavali v podpoglavju 3.3.2.7.
Vpliv kolicine svetlobe na stopnjo fotosinteze: določitev y p (I). Osonšenost (ang. solar illumination radiation, solar irradiation, solar irradiance) definiramo kot izpostavljenost Soncu. Podamo jo z energijo globalnega in kvaziglobalnega sevanja ali s trajanjem Soncevega obsevanja. Soncna energija je vsota energije neposrednega in difuznega Soncevega obsevanja, odvisna pa je predvsem od vpadnega kota soncnih zarkov (dolocajo ga astronomski parametri), morfologije povr sja in meteoroloskih razmer (Srot, 2007).
Fotokemicni procesi fotosinteze so vezani na soncno sevanje valovne dolzine med 400-740 nm. Ta del spektra imenujemo obmocje fotosintetsko aktivnega sevanja (ang. photosynthetically active radiation, PAR) in priblizno ustreza obmocju vidne svetlobe. PAR kvantificiramo z gostoto fotonskega toka v [ß mol m-2 s-1)].
Pri ekoloskem modeliranju oceanov pogosteje kot osoncenost uporabljamo izraz intenziteta Soncevega obsevanja oz. intenziteta svetlobe I (ang. irradiation, irradiance). Intenziteta svetlobe pomeni kolicino vpadle energije na enoto povrs ine. Podajamo jo v energijskih enotah: [I] = [wm-2] ali [ftevilo kvantov m-2 cas-1] ali [calcm-2 dan-1), med temi najpogosteje uporabljamo W m-2 .
Za racun osoncenosti je najpomembnejsi podatek trajanje Soncevega obsevanja na dani lokaciji, potrebujemo pa se transmisijska koeficienta absorbcije in razpr senosti svetlobe. Nekaj bolj sih enacb za dolocanje trajanja Soncevega obsevanja najdemo v Schoolfield (1982), Brock (1981), Running in Coughlan (1988), Ritchie (1991); pregled del in primerjavo modelov najdemo v Forsythe in sod. (1995). Med nastetimi je najnatancnej s i Schoolfield (1982), zaradi enostavnosti pa pri modeliranju ekolos kih procesov v oceanih najpogosteje uporabljamo model Brock (1981).
Po Schoolfield (1982)	trajanje Soncevega obsevanja (cas od zore do mraka) dolocimo v treh korakih:
9 =	0.2163108 +2 arctan [0.9671396 ■ tan[0.00860 ■ (J - 186)]] (3.59)
0 =	arcsin [0.39795 ■ cos 9] (3.60)
24
D = 24--arccos
n
sin 180 + sin 180 sin 0 cos 180 cos 0
(3.61)
9 = kot, ki ga orisuje Zemlja na poti okrog Sonca (ang. revolution angle), enota [rad], J = zaporedni dan v letu (ang. Julian day),
0 = kot deklinacije Sonca, enota [rad] = kot med Soncem in Ekvatorjem na dan J ob 12:00 (ang. solar noon) glede na subsolarno tocko (ang. subsolar point; oznacuje kraj na Zemlji med povratnikoma, ki je na dan J ob 12:00 najblizje Soncu). Primer: ob ekvinokciju subpolarni tocki ustreza Ekvator, 0 pa v tem primeru znas a 0 rad,
D = cas osoncenosti; definiran je kot cas med vzhodom in zahodom centra Sonca, L = geografska s irina,
p = parameter, enota [°]; v najpreprostej sem primeru je p = 0, najbolj se rezultate pa dobimo s p = 0.833.
Po Brock (1981) pa je postopek naslednji:
( 283 + J\
360--(3.62)
365
hourAngle = arccos [— tan(L) ■ tan(0)]	(3.63)
D = 2hourAngle	(3.64)
15
0 = kot deklinacije Sonca, enota [°], J = zaporedni dan v letu,
hourAngle = kot, za katerega se mora Zemlja zarotirati, ce naj izbrano lokacijo na Zemlji postavi na subsolarno tocko; na severni polobli so vrednosti hourAngle pozitivne, na juzni pa negativne,
L = geografska s irina, D = cas osoncenosti, enota [hr].
Pri dolocanju D po Brock (1981) moramo biti previdni pri uporabi enot: v enacbah namrec oba kota in L nastopajo v stopinjah.
Podajamo se preprost izraz za normalizirano dolzino dneva rf po Unesco (1983). Predpostavljamo neodvisnost od zemljepisne s irine; rf je torej v tem primeru samo funkcija casa:
rf (day) = fi + f2 ■ cos	(3.65)
J = zaporedni dan v letu, uporabljamo samo vrednosti od 1 — 360,
fi = aditivni koeficient trajanja soncevega obsevanja; po UNESCO (1983) znasa f1 = 0.5,
f2 = multiplikativni koeficient trajanja soncevega obsevanja; po UNESCO (1983) znasa f2 = 0.125.
Pri ekoloskem modeliranju soncno energijo pogosto namesto po zgornjih enacbah dolocamo v poenostavljeni obliki, t.j. v ekvivalentu stevila ur sevanja soncne svetlobe. Jasna soncna svetloba ustreza moci ~ 1000 W/m2, kar pomeni, da ena ura soncnega sevanja ustreza kolicini energije 1 kWh/m2. Obsevanje znasa povprecno od ~ 1000 kWh/m2/leto v Severnoevropskih drzavah do ~ 2500 kWh/m2/leto v pu s cavskih obmocjih; za Slovenijo velja podatek ~ 1200 kWh/m2/leto (Srot, 2007).
Pri modeliranju vpliva svetlobe na rast fitoplanktona so nam v pomoc naslednji pojmi (Sarmiento in Gruber, 2006):
Slika 3.20: Povprečna dnevna vrednost solarne radiacije na vrhu atmosfere v Wm-2 v odvisnosti od geografske sirine in časa (povzeto po Hartmann, 1994).
Figure 3.20: Mean daily irradiance at the top of the atmosphere in Wm-2 as a function of latitude and time (adapted from Hartmann, 1994).
•	Kompenzacijska svetloba (ang. compensation irradiance) Ic: pomeni kolicino svetlobe, pri kateri je obseg fotosinteze enak respiraciji populacije fitoplanktona. Pri I < Ic populacija izumre, pri I > Ic pa preživi.
•	Kompenzacijska globina (ang. compensation depth) zc: globina vode, na kateri je I = Ic. V primeru stabilne stratifikacije lahko pricakujemo, da pri z < zc fotosinteza presega respiracijo fitoplanktona (neto fotosinteza je pozitivna), pri z > zc pa respiracija preseze rast in fitoplankton ne prezivi. Globino zc obicajno vzamemo za mejo med foticno in afoticno cono.
•	Kritična globina (ang. critical depth) zcR: pomeni globino, na kateri je povprecna (integrirana po globini) stopnja rasti fitoplanktona dovolj velika, da preseze povprecno stopnjo respiracije. Zaradi premesanega sloja je zcR vedno vecja kot zc: organizmi do dolocene vrednosti globine premesanega sloja zM se vedno dobijo dovolj svetlobe za neto pozitivno rast, ceprav je zM > zc. Razen v zelo turbidnih obmocjih je zato vedno zcR » zc, npr. po Siegel in sod. (2002) je v Severnem Atlantiku zcR « 7 x zc. Ceprav je v splos nem zM lahko vecja ali manj s a kot zc, pri modeliranju obicajno upos tevamo poenostavitev zcR = zM.
•	Globina fotične cone zP (ang. photic depth): globina, do koder seze svetloba. Za zP po definiciji upostevamo globino, na kateri znasa svetloba 1% svetlobe I0 (izraz 3.66) na povr s ini oceana (Morel, 1988).
Za rast populacije fitoplanktona sta torej potrebna dva pogoja: I > Ic in zM < zcR. Pri
modeliranju je potrebno natancno določiti predvsem zCR. Kritična globina zCR in globina premešanega sloja zM sta redko enaki. V splošnem je zCR > zM v tropskem pasu in v zmernem pasu do sirine približno ~ 40°, med ~ 40° in ~ 60° sta približno enaki, od tod dalje pa je zCR < zM (Sarmiento in Gruber, 2006). V obmocjih, kjer je zCR < zM, je limitni faktor svetloba. Problem nastopi predvsem pozimi, ko je premesani sloj globok in je svetlobe manj. Taka so npr. velika obmocja Sev. Atlantika in Južnega Oceana ter nekaj manjsih delov Sev. Pacifika.
50
	100
[m]	150
a	
ni	
ib	
ol gl	200
250
300
fotosinteza
kompenzacijska globina
globinsko povprečna fotosinteza
respiracija
kritična globina
' r _L-l_l_1_l_I_I_I_■ ' » ■ i i I i i i
0.2 0.4 0.6 0.8 stopnja [dan-1]
1.2
Slika 3.21: Shematicni prikaz kompenzacijske in kriticne globine po Sverdrup (1953) (povzeto po Sarmiento in Gruber, 2006).
Figure 3.21: Schematic representation of the compensation and critical depth concepts as in Sverdrup (1953) (adapted from Sarmiento and Gruber, 2006).
Vpliv svetlobe na rast fitoplanktona v modelih dolocamo po vec razlicnih postopkih. Najpogosteje se uporabljajo izrazi in vrednosti parametrov po Brock (1981), Evans in Parslow (1985), Fasham in sod. (1983, 1990), Jerlov (1976), Reed (1977), Smith in Dobson (1984), Steele (1962). V nadaljevanju podajamo postopek po Sarmiento in Gruber (2006), ki zdruzuje izraze, ki so se doslej med nastetimi v praksi izkazali kot najboljsi.
Po Sarmiento in Gruber (2006) kratkovalovno soncno sevanje (ang. irradiance) na površini oceana podamo kot
I0 = fpAR • fcL • fr • In	(3.66)
Pri tem so:
In = lokalno soncno sevanje na povrsini oceana na povsem soncen dan ob 12:00 (oz. sevanje na vrhu atmosfere ob 12:00). In se spreminja z geografsko sirino, letnimi casi, s stopnjo absorbcije soncnega sevanja v obmocju atmosfere, s stopnjo odboja svetlobe od povrsine morja,
fPAR = delez totalnega sevanja, ki ustreza intervalu valovne dolzine fotosintetsko aktivnega sevanja. Fitoplankton se prilagodi tako, da zajame cim vec svetlobne energije: na vrhu se nahajajo zeleni organizmi (odbijajo zeleno svetlobo), globlje v morjih pa najdemo rdece in rjave rastline. Absorbcijo svetlobe na odprtem morju podajamo na sliki 3.22. V vecini primerov zadosca, ce odvisnost kolicine svetlobe od valovne dolzine modeliramo s konstantnim fPAR: ce In podamo v energijskih enotah, znasa fPAR = 0.43 oz. fPAR ~ 0.4,
fcL = brezdimenzijski faktor [0,1], ki izraZa vpliv pokrovnosti oblakov na koliCino svetlobe. Za podatke o pokrovnosti oblakov na obmoCju Sredozemlja glej npr. Castellari in sod. (1990),
fT = brezdimenzijski faktor [0,1], ki pove, kako se radiacija spreminja Cez dan. f (t ) je odvisen od lokacije. Najpogosteje ga podamo s trikotno funkcijo, ker jo je enostavno integrirati (potrebujemo dnevno povprečje), uporabljamo pa tudi sinusno in druge funkcije.
VALOVNA DOLŽINA [rim] 400	500	600	700
GLADINA	I	III
«B^^^B	RDEČA
MODRA «H W
n / zelena
I r
100 m
Slika 3.22: Absorbcija svetlobe na odprtem morju (povzeto po Pinet, 2000). Figure 3.22: Light absorbtion in the open ocean (adapted from Pinet, 2000).
Svetlobo na globini z v oceanu dolocimo po Lambert-Beer-ovem zakonu (Ingle in Crouch, 1988):
I (z) = 1o ■ exp(-K ■ z) .	(3.67)
Upadanje kolicine svetlobe z globino z zaradi absorbcije in razprsenosti zajamemo s koeficientom K (v literaturi je pogosta tudi oznaka kz):
K = kz = kw + kp ■ P + kx .	(3.68)
Pri tem so:
K = totalni koeficient upadanja svetlobe v morju (ang. total attenuation coefficient);
kw = koeficient upadanja kolicine svetlobe z globino v cisti vodi (ang. clear water attenuation coefficient). Obicajno vzamemo kw ~ 0.04/m. Ce za mejo med foticno in afoticno cono vzamemo globino, na kateri je I (z) = 0.01 ■ I0 ter upostevamo kw = 0.04/m, dobimo za debelino foticnega sloja vrednost 115 m (velja za cisto vodo);
kp ■ P = izraza vpliv koncentracije fitoplanktona na penetracijo svetlobe. Enota parametra kp je [m-1], enota koncentracije fitoplanktona P je [mmol N m-3]. Vrednosti kp v literaturi se gibljejo v sirokih mejah, vrednost je med ostalim odvisna od stopnje evtrofnosti modeliranega obmocja. Po navedkih Fasham in sod. (1992) in Sarmiento in sod. (1993) npr. kp znasa okoli
Slika 3.23: Upadanje intenzitete svetlobe z globino v Čistih priobalnih morjih, najčistejših vodah odprtih morij in ob mesečini. Navpične črte označujejo mejne vrednosti intenzitete svetlobe za potek nekaterih bioloskih pročesov (povzeto po Parsons in sod., 1984).
Figure 3.23: The sloping lines depičt the light intensity versus depth for člear čoastal and člearest open očean waters, as well as for moonlight. Also shown on the diagram are vertičal lines depičting the light intensity čutoff for various biologičal pročesses (adapted from Parsons et al., 1984).
kP « 0.03/m. Pri modeliranju predpostavljamo, da sta kP in P po globini konstantna. Ko to ne drzi (ko povrsinski sloj ni povsem premesan), je namesto zmozka bolje uporabiti integral:
1 r
kp ■ P	(kp ■ P) dz ;	(3.69)
z J 0
kx — izraza vpliv končentračije ostale suspendirane in raztopljene snovi na penetračijo svetlobe. kx v modelih pogosto zanemarimo.
Ce za kw, kp in kx uporabimo običajne vrednosti: kw — 0.04/m, kp — 0.03/m, kx — 0/m in upostevamo predpostavko, da sta kP in P po globini konstantna, dobimo za P — 0,6 mmol N/m3 (kar je običajna vrednost končentračije fitoplanktona, če v modelu upostevamo paso zooplanktona) za K vrednost K — kw + kP ■ P + kx — 0.04 + 0.03 ■ 0.6 + 0 — 0.058/m. S toliksnim K dobimo 1% svetlobe na globini z — 79 m.
Za K lahko uporabimo tudi Morelovo enačbo (Morel, 1988):
K — 0,121 ■ CHL°'428	(3.70)
CHL — končentračija klorofila.
Po pretvarjanju enot (za P — 0, 6 mmol N/m3 dobimo končentračijo klorofila v čeličah fitoplanktona CHL « 1 mg CHL/m3, kot smo pokazali v podpoglavju 3.3.2.2) dobimo za K vrednost K — 0,12/m. Globina fotične čone v tem primeru znasa z — 38 m, kar je polovičo manj, kot
Ce K določimo po 3.68. Rezultat po Morel (1988) je primerljiv z rezultati studije Siegel in sod. (2002) za Sev. Atlantik. V priobalnih morjih, kjer je koncentracija klorofila in ostalih delcev lahko zelo visoka, globina foticne cone pogosto znasa tudi < 38 m. Na sliki 3.23 je prikazan graf intenzitete svetlobe v odvisnosti od globine morja.
Slika 3.24: P-I krivulja: specificna stopnja fotosinteze v odvisnosti od stopnje osvetljenosti. Pri mocni osvetljenosti nastopi fotoinhibicija (povzeto po Sarmiento in Gruber, 2006). Figure 3.24: P-I curve: schematic of the specific rate of photosynthesis versus irradiance. Note the drop-off at high irradiance due to photoinhibition. Ic is the compensation irradiance (adapted from Sarmiento and Gruber, 2006).
P — I krivulja (slika 3.24) podaja stopnjo fotosinteze v odvisnosti od intenzitete svetlobe; pri mocnejsi svetlobi nastopi fotoinhibicija. Velja za primer, ko rast fitoplanktona ni omejena (s hranili ali s pa s o zooplanktona). Povedano drugace: P — I krivulja oznacuje specificno stopnjo rasti fitoplanktona, ko je limitni faktor svetloba (ang. nutrient saturated specific growth rate). Vrednosti na krivulji dobimo po vmax ■ yP(I) oz.
vp (T) ■ yp (I, N) za vp (T) = Vmax in y p (N) = 1 .	(3.71)
Za P — I krivuljo oz. za dolocitev Yp (I) obstaja vec analiticnih izrazov:
1.	lahko uporabimo izraz po Monod (1949):
YP« = IKTT •	(3-72)
ki pa ni prav natancen;
2.	natancnej s a je enacba Platt in Jassby (1976), ki jo je vpeljal ze Smith v (1936):
Yp (I) = *- ,	(3.73)
yJ-K +12
po tej enacbi dobimo zacetni naklon a (ang. initial slope) P — I krivulje:
vmax
a = —— .	(3.74)
Ik
Intenziteta svetlobe [W m-2]
Slika 3.25: P-I krivulje za nekaj večjih skupin fitoplanktonskih organizmov (povzeto po Parsons in sod., 1984).
Figure 3.25: Schematic P-I curvers for various major phytoplankton groups (adapted from Parsons et al., 1984).
Parameter a pove, kako hitro narasca stevilo fitoplanktonskih organizmov v odvisnosti od intenzitete svetlobe; enota a je [dan-(Wm-2)] 1. Obicajna vrednost a znasa a = 0.025 [dan -(W / m2) 1, vendar se lahko mocno spreminja v odvisnosti od vrste fitoplanktona. Katera vrsta fitoplanktona prevlada, je odvisno od intenzitete svetlobe: pri manjsi osvetljenosti prevladajo flagelati, pri vecji pa diatomeje (slika 3.25).
3.3.2.4 Zooplankton
Zooplankton ucinkuje na kolicino biomase v povrsinskem sloju predvsem na tri nacine (Sarmiento in Gruber, 2006):
•	herbivori imajo neposreden vpliv na kolicino fitoplanktona,
•	izlocki zooplanktona so del POM in predstavljajo pomemben del izvoza OM,
•	eden izmed produktov metabolizma zooplanktonskih organizmov je amoniak; zooplankton torej povecuje regenerirano produkcijo.
Vpliv zooplanktona na kolicino biomase fitoplanktona je mocno odvisen od vrste zooplanktona.
Dominantni zooplanktonski organizmi. Velikost zooplanktonskih organizmov se razteza v zelo sirokih mejah. V splosnem velja, da vsak korak v prehranjevalni verigi vsebuje vecje organizme kot prejsnji. Prehranjevalne verige, v katerih dominira velik fitoplankton, se lahko razvijejo v velike populacije z velikimi heterotrofi. V verigah, ki se zacnejo z majhnimi algami (kar velja za vecino oceanov), pa ponavadi dominirajo zelo majhni heterotrofi. Visje ravni v
prehranjevalnih verigah (ribe, itd) v splosnem niso pomembne za povprecno kemijsko sestavo snovi v povrsinskem sloju (Sarmiento in Gruber, 2006).
Najmanjsi zooplanktonski organizmi so enocelicne prazivali (ang. Protozoa). Vedno jih je veliko, zato praviloma igrajo pomembno vlogo v ekosistemih. Mednje spadajo: bickarji (ang. Zooflage-llates), migetalkarji (ang. Ciliates), hetero- in miksotrofni dinoflagelati (ang. Dinoflagellates) in lupinaste amebe (ang. shelled amoeba, npr. Acantharia, Foraminifera, Radiolaria). Velikost teh organizmov je reda ~ 1 mm. Primarni porabniki pikofitoplanktona so bickarji, ki se zelo hitro razmnozujejo. Posebnost lupinastih ameb so lepa ogrodja iz SrSO4 (stroncijev sulfat), CaCO3 (kalcijev karbonat), SiO2-nH2O (opal) in simbioza z nekaterimi algami, ki jim omogoca miksotrofijo (Sarmiento in Gruber, 2006).
Vecje zooplanktonske organizme pogosto oznacimo s skupnim izrazom kot mrežni plankton (ang. net plankton), ker predstavljajo vecino organizmov, ki se ujamejo v mreze. Kar 70% mreznega planktona, ki se ujame v mreze ob obalah, predstavljajo ceponozci (ang. Copepod). Druga pomembna skupina rakov je kril (ang. krill, lat. Euphausiids), med katerimi je tudi Antarkticni kril (lat. Euphausia Superba) (Sarmiento in Gruber, 2006).
Modeliranje zooplanktona. Dolociti moramo funkcijo pase G (P) v enacbi 3.49.
Po Ivlev (1945) in Monod (1949) se enacba za rast zooplanktona v odvisnosti od kolicine hrane glasi:
G(P)= g ■ kpTp ■Z	(3J5)
g = maksimalna specificna stopnja pase ali rasti zooplanktona (ang. maximum specific zooplankton grazing rate or growth rate); enota je [stevilo podvojitev cas-1],
Kp = saturacijska konstanta (ang. half saturation constant); enota je [mmol m-3].
Enacbo 3.75 obicajno priredimo tako, da vrednost fitoplanktona P ne more pasti pod 0. Npr. P v stevcu zamenjamo z razliko (P — P0); P0 = mejna vrednost pase (ang. grazing treshold). Pogosteje kot to pa uporabimo kvadratno odvisnost po Moore in sod. (2002b):
G(P )= g
P2
Kp2 + P2
■ Z .	(3.76)
Po enacbi 3.76 pada krivulja bolj strmo, ko kolicina hrane P pade pod vrednost Kp. Ivlev v (1945) podaja se eno enacbo za G(P), ti. funkcijo Ivleva:
G(P) = g ■ [1 — exp(—k ■ P)] ■ Z .	(3.77)
V modelih G(P) pogosto poenostavimo in predpostavimo, da se nahajamo v linearnem delu Monodove krivulje. V tem primeru za funkcijo pase dobimo:
G(P)= g ■ -P ■ Z .	(3.78)
Ce upostevamo se odmiranje zooplanktona in ostale ponore, dobimo izvorno-ponorni clen SS(Z) v advekcijsko-difuzijski enacbi za zooplankton Z v obliki
dZ /	P \
SS (Z) = — = hz ■ g ■ — — AzJ ■ Z .	(3.79)
Yz — faktor učinkovitosti asimilačije OM v biomaso zooplanktona (ang. assimilation effičienčy); Yz znasa med [0,1].
A z — smrtnost zooplanktona (ang. mortality); po Frost in Franzen (1992) je AZ « 0.12 dan-1.
g — običajno reda 1/dan (Fasham in sod. 1992), lahko pa znasa tudi manj ali več. Več znasa, če se veliki zooplanktonski organizmi hranijo z majhnimi fitoplanktonskimi organizmi, v tem primeru je g npr. reda 3/dan (Moore in sod., 2002č). Vrednost g se lahko močno spreminja tudi s tempraturo T. Nekateri avtorji namesto posamezne vrednosti podajajo enačbo odvisnosti g (T). Npr. Huntley in Lopez (1992) na osnovi studije čeponozčev podajata
g — 0.0445 ■ exp(0.111 ■ T) ,	(3.80)
enota T je [°C], enota g je [dan-1]. Po enačbi 3.80 dobimo za g zelo sirok razpon vrednosti: za T — 0°C dobimo g — 0.0445 dan-1, za T — 25°C pa g — 0.714 dan-1, kar je 16-krat več. Tako močna odvisnost g(T) lahko močno vpliva na obnasanje čelotnega modeliranega ekosistema. Drugi avtorji predpostavljajo manjso odvisnost g od T, npr. po Moore in sod. (2002č) se vrednost g pri AT — 0 — 25°C spremeni za 3.4- krat.
3.3.2.5 Bakterije
Biomasa bakterij je v oligotrofnih območjih očeanov primerljiva z biomaso zooplanktona. Bakterije lahko pojedo tudi več kot tretjino vse primarne produkčije oz. čelo do 2x toliko kot zooplankton. V evtrofnih območjih bakterije niso tako dominantne, so pa se vedno zelo pomembne. S stalisča biogeokemičnega krozenja snovi v očeanih so bakterije pomembne predvsem zato, ker tako kot fitoplankton porabljajo raztopljena hranila (fosfate, nitrate, amoniak). Pomembno vlogo pa igrajo tudi v rečikliranju OM: proizvajajo in porabljajo DOM. Del tako nastalega DOM se potopi v globoki očean, kjer se mineralizira (Sarmiento in Gruber, 2006).
Velika večina bakterij v očeanih je prosto zivečih. Pretok OM preko čelične stene bakterij je omejen na molekulsko maso spojin < 500 Dalton (1 Dalton — 1/12 mase 12C), zato glavni vir hrane za heterotrofne bakterije predstavlja DOM. DOM proizvajajo drugi organizmi ali bakterije same z razkrajanjem POM.
Modeliranje bakterij. Pri modeliranju upostevamo porabo DOM in anorganskega dusika ter produkčijo amoniaka. Ce bakterije modeliramo ekspličitno, uporabimo npr. končept iz Fasham in sod. (1992): porabo DOM in hranil opisemo z Monodovo funkčijo, produkčijo amoniaka pa z linearno funkčijo. Ce jih zelimo modelirati impličitno, pa lahko uporabimo npr. model Hurtt in Armstrong (1996) ali Steele (1998).
Ekspličitno po Fasham in sod. (1992):
dB
SS (B) — — — vb (T) ■ Y b (DON, NH+) ■ B — G(B) — sinks	(3.81)
vb (T) — maksimalna stopnja rasti bakterij (ang. maximum bačterial growth rate). Po Fasham in sod. (1992) znasa vb(T) — 2 dan-1, lahko pa uporabimo tudi funkčijo Laws in sod. (2000):
vb (T) — 1.2 ■ exp(0.0633 ■ [T — 25])	(3.82)
Po enačbi 3.82 se vb (T) pri spremembi temperature z 0 — 25°C poveča skoraj za 5x.
Yb(DON, NH+) = vsota dveh hiperbolicnih funkcij za porabo DON in NH+. Razmerje med porabo DON in porabo NH+ je odvisno od razmerja med C:N v OM bakterij in C:N v DOM. Razmerji znasata okoli (C : N)bakt = 5:1 (Fenchel in Blackburn, 1979) in (C : N)dom = (14 ±3) : 1 (Bronk, 2002). Razmerje med porabama DON : NH+ tako znasa DONuptake/NH+ uptake = 0, 36. Razmerje C:N je za rast bakterij zelo pomembno. Bakterije namrec dobijo del svojega du s ika in ves svoj ogljik iz DOM. Preostali del dus ika, ki jim zmanjka do pravega razmerja C:N za tvorbo OM (t.j. C : N = 5 : 1), pa dobijo iz amoniaka.
Paso zooplanktona G(B) obravnavamo enako kot pri fitoplanktonu:
B
G(B) = ® 'KBTB Z	<3-83>
oz.
B
G(B) = 9-j^-Z ,	(3.84)
pri tem so:
g = maksimalna specificna stopnja pase ali rasti zooplanktona (ang. maximum specific zooplankton grazing rate or growth rate); enota je [stevilo podvojitev cas-1] (enota G(B)/Z je [cas-1]),
Kb = saturacijska konstanta za bakterije (ang. half-saturation constant); enota je [mmol m -3],
sinks = izgube; obicajno jih modeliramo z linearno funkcijo Xb ■ B,
XB = smrtnost bakterij (ang. mortality); po Fasham in sod. (1990) je XB = 0.05 dan-1.
3.3.2.6 Detrit
Detrit sta kot dodatno spremenljivko uvedla ze Eppley in Peterson v (1979). Detrit v vecini modelov pomeni POM oz. vso nezivo organsko snov, za katero je hitrost usedanja razlicna od nic: w = 0. Razmejitev OM na zivo in nezivo organsko snov omogoca modeliranje procesov pod foticno cono (sledimo usedanju POM) in natancnej se dolocanje vrednosti nove produkcije. Posredno pa s spreminjanjem parametrov detrita poenostavljeno modeliramo tudi vlogo visjih troficnih nivojev v ekosistemu, ki jih v model ne vkljucimo eksplicitno.
Enacba za detrit je bolj ali manj dolocena ze s cleni v ostalih enacbah: kar zivega odmre, pomeni za detrit rast, kar se nezivega mineralizira, pa pomeni za fitoplankton hrano. Posebnost enacbe za detrit je clen za usedanje; vecina modelov za nizji del prehranjevalne verige ta clen preprosto doloci kot
dD dz
v primerih, ko je vertikalni pretok POM zelo pomemben, pa ga dolocimo npr. po Martin in sod. (1987) ali po Armstrong in sod. (2002) (glej podpoglavje 3.4.2.1).
Kot primer modeliranja detrita podajamo enacbo po Fennel in sod. (2006), katere posebnosti sta upostevanje dveh velikostnih razredov detrita (Ds = majhen detrit, DL = velik detrit) in odvisnost nekaterih procesov od gostote populacije:
dDs dt
= g ■ (1 — ß) ■Z + mz ■Z2 + mp P — t ■ (D s + P) ■ Ds — tds ■ Ds — ws ■
dDs dz
(3.85)
= T ■ (Ds + P)2 - rDL ■ Dl — WL ■	(3.86)
dt	oz
g = stopnja pase zooplanktona, ß = stopnja asimilacije zooplanktona, mZ = stopnja smrtnosti zooplanktona, mP = stopnja smrtnosti fitoplanktona,
t = stopnja agregacije majhnega detrita in fitoplanktona v velik detrit, rDS = stopnja mineralizacije majhnega detrita, rDL = stopnja mineralizacije velikega detrita, wS = stopnja usedanja majhnega detrita, wL = stopnja usedanja velikega detrita.
Nekateri modeli upostevajo tudi razlicno stopnjo mineralizacije C, N, P v detritu (npr. Crispi in sod., 2002).
3.3.2.7 Tipi modelov za niZji del prehranjevalne verige
Modeliranje nizjega dela prehranjevalne verige v splosnem obsega dva koraka. V prvem razvijemo model osončenosti obmocja, s katerim dolocimo, kdaj in kje kolicina svetlobe omejuje fotosintezo. Preprost model za intenziteto svetlobe je npr. I = f (geografska sirina, zaporedni dan v letu, stopnja oblacnosti, globina). V drugem koraku razvijemo model ekosistema, s katerim dolocimo ucinkovitost bioloske crpalke. Med najpomembnejse korake v zasnovi modela sodi presoja, kaj v ekosistemu omejuje rast fitoplanktona (svetloba, makrohranila, mikrohranila, pasa zooplanktona, kombinacija). Locimo dva tipa modelov za nizji del prehranjevalne verige: klasične (N — P, N — P — Z — B, itd) in večrazredne modele (ang. multiple size class ecosystem models), v katerih upostevamo tudi velikost vrst fito- in zooplanktona.
Poudarimo, da v obravnavanih modelih hranila N pomenijo nitrate, iz katerih lahko naknadno preracunamo koncentracijo fosfatov. Modeli, v katerih poleg nitratov modeliramo tudi druge makro- ali mikronutriente, zahtevajo dodatne enacbe za SS, dodatne clene v obstojecih enacbah za SS, drugacne vrednosti parametrov, itd.
N — P model. N — P je najpreprostejsi model za fotosintezo (slika 3.26): DIN in DON modeliramo skupaj, produkcije ne locujemo na novo in regenerirano. Za N — P model pravimo, daje omejen od spodaj (ang. bottom-up limited): fotosintezo omejuje kolicina hranil (Sarmiento in Gruber, 2006). Ker fitoplanktona ne omejuje zooplankton, se lahko vsa hranila porabijo za rast fitoplanktona: koncentracija hranil v povrsinskem sloju je zato ves cas nizka, sistem pa je zelo ucinkovit kot bioloska crpalka. Z N — P modelom lahko npr. razlozimo, zakaj je ponekod v Svetovnem oceanu koncentracija hranil « 0.
Imamo dve komponenti, N in P, in torej dve enacbi za ohranitev mase. V najpreprostejsem modelu upostevamo ravnotezno stanje, usedanje OM zanemarimo, vP(T) = vmax, YP(I) = 1,
N-P MODEL
Slika 3.26: Shema dvokomponentnega modela: N so nitrati, P je fitoplankton (povzeto po Sarmiento in Gruber, 2006).
Figure 3.26: A schematic illustration of a nitrate-phytoplankton model (adapted from Sarmiento and Gruber, 2006).
Yp (N) = KN+N , G(P) = 0, sinks = A p ■ P. Za SS(P) dobimo (Sarmiento in Gruber, 2006)
SS (P) = 0 = P ■ (w ■ KN+N - Ap) .	(3.87)
Za SS(N) pa dobimo
SS(N) = P ■ (-vmax ■ KNN + ßP ' A^ .	(3.88)
ßp = delez Ap ■ P, ki se mineralizira v DIN znotraj površinskega sloja, (1 — ßP) = delez AP ■ P, ki predstavlja izvoz v globoki ocean. Analiticna resitev sistema enacb 3.87 in 3.88:
1. dolocimo ravnotežno koncentracijo hranil N, pri kateri je Prast = Pizgube oz. fotosinteza respiracija + smrtnost:
ap ■ kn
vmax — AP '
Neq = —-^ ,	(3.89)
npr. za KN = 0.1 mmol/m3, vmax = 1.4 dan l, AP = 0.05 dan 1 znasa Neq = 0.0037 mmol/m3 « 0 mmol/m3;
2.	pri koncentraciji hranil N < Neq izgube presegajo rast fitoplanktona: velja vmax ■	< AP, dobimo P = 0;
3.	pri N > Neq pa P linearno narasca v nedogled.
Ce izgube P modeliramo s funkcijo odvisnosti od gostote populacije, dobi S S (P) namesto 3.87 obliko
SS (P) = 0 = P ■ (vmax ■ kNN — Ap ■ P) .	(3.90)
P v tem primeru ne narašča vec v nedogled (namesto zooplanktona rast P nadzira nek drug mehanizem, npr. virus).
N — P — Z model. N — P modelu dodamo zooplankton. V tem primeru rast P omejuje pasa zooplanktona, kar imenujemo omejitev od zgoraj (ang. top-down limitation) (Sarmiento in Gruber, 2006). Ker je P omejen, se lahko koncentracija N v povrsinskem sloju nezadržno visa. Tak sistem je ucinkovit kot bioloska crpalka le, ce je dotok N dovolj nizek; ce dotok N preseze sposobnost porabe hranil P, pa je sistem neucinkovit. Model N — P — Z je prikazan na sliki 3.27.
N-P-Z MODEL
Slika 3.27: Shema trikomponentnega modela: N so nitrati, P je fitoplankton, Z je zooplankton (povzeto po Sarmiento in Gruber, 2006).
Figure 3.27: A schematic illustration of a nitrate-phytoplankton-zooplankton model (adapted from Sarmiento and Gruber, 2006).
Model povzemamo po Armstrong (1994). Upostevamo tudi izvoz iz povrsinskega sloja. Upostevamo ravnotezno stanje, zanemarimo sposobnost plavanja zooplanktona. Paso modeliramo z linearnim delom Monodove enacbe. yz neposredno vpliva na kolicino hranil. OM, ki se ne vgradi v biomaso Z, se bodisi izloci iz telesa (POM, DOM) ali porabi kot vir energije (respiracija). Dobimo:
SS(Z) = 0 = Z ■ (7Z ■ KL . P — .	(3.91)
Dopolnita se tudi enačbi za P in N:
SS (P) = 0 = P ■ [v SS (N) = P ■ (-v
n \ g 7 max ■ Kn + N - Ap - KP ■ Z
(3.92)
max ■ KN+N + ßp ■ Ap) + Z ■ ■ ((1 - Yz ) ■ KL ■ P + \z ) (3.93)
= del izgub Z, ki se znotraj površinskega sloja ponovno mineralizira v DIN (preostali del izgub predstavlja izvoz); merimo ga v enotah dusika.
Imamo torej sistem treh enačb s tremi neznankami (N, P, Z), ki ga lahko resimo analitično. Vrednosti parametrov za P in N so enake kot v N — P modelu, vrednosti parametrov za zooplankton pa povzemamo po Frost in Franzen (1992) (modelirala sta visoko produktivno območje ekvatorialnega Pacifika): g = 1.4 dan-1, Kp = 2.8 mmol/m3, 7z = 0.4, Az = 0.12 dan-1. Kot rezultat dobimo tri rezime:
Nt [mmol m-3]
Slika 3.28: Narascanje vrednosti kumulative dusika v fitoplanktonu, zooplanktonu in nitratih v odvisnosti od totalne vrednosti dusika v sistemu NT. Graf je rezultat trikomponentnega modela Armstrong (1994) (povzeto po Sarmiento in Gruber, 2006).
Figure 3.28: Nitrogen in phytoplankton (P), zooplankton (Z), and nitrate (N) as a function of total nitrogen. These results are from the three-component model of Armstrong (1994). The vertical axis is concentration in each of the components plotted as the cumulative amount (adapted from Sarmiento and Gruber, 2006).
1. N < Neq, P = Z = 0 (za dane vrednosti parametrov znasa Neq = 0.0037 mmol/m3);
2. kolicina hranil zadostuje za prezivetje fitoplanktona, fitoplanktona pa ni dovolj za prezivetje
^z •Kp
Yz •a
zooplanktona. Dobimo Z = 0, P < Peq, Peq =	= 0.60 mmol/m3 (v enotah dusika
v biomasi fitoplanktona; vrednost ustreza ~ 1.0 mg Chl-a/m3). Dokler je P < Peq, fitoplankton narasca in porabi vsa hranila, ki so na voljo;
3. fitoplanktona je dovolj za prezivetje zooplanktona: P > 0.60 mmol/m3. Ko Z enkrat prezivi, P (razen kratkorocno) ne more zrasti preko P = Peq. Izjema je samo primer, ko se s transportom vode in z usedanjem odstrani dovolj zooplanktona iz povrsinskega sloja (dovolj v primerjavi z drugimi cleni: pa s a, smrtnost, itd); v tem primeru se ponovno vzpostavi N — P rezim. V splos nem pa velja: ce se P poveca, dobi Z vec hrane, posledicno se rast Z poveca in P se zmanj s a.
Vrednost Peq = 1.0 mg Chl-a/m3 je primerljiva z meritvami v visokih goegrafskih s irinah Sev. Atlantika in Sev. Pacifika, ni pa primerljiva z obicajno koncentracijo Chl-a v oligotrofnih obmocjih - razlika lahko znas a tudi za cel velikostni red. Ce npr. namesto po Frost in Franzen (1992) parametre izberemo na osnovi Sarmiento in sod. (1993) (za Sev. Atlantik), dobimo: g = 1 dan-1, KP = 1.0 mmol/m3, yZ = 0.75, Xz = 0.05 dan-1, od tod pa Peq = 0.067 mmol N/m3 = 0.11 mg Chl-a/m3.
Po Sarmiento in Gruber (2006) velja za (grobo) oceno, da se nad vrednostjo Nt ~ 2 mmol/m3 novi dusik nalaga le se v N (NT = totalna vsebnost dus ika v sistemu, NT = N + P + Z; glej sliko 3.28). Biolos ka crpalka je v tem primeru neucinkovita, sistem pa je omejen od zgoraj.
N — P — Z — B model. N — P — Z modelu dodamo mikrobno zanko oz. bakterije B kot novo spremenljivko. Podrobneje predstavljamo model Fasham in sod. (1990), ki velja za najpogosteje citiran model za nizji del prehranjevalne verige; na njem temelji vecina danas njih modelov za nizji del prehranjevalne verige. Fashamov model shematicno prikazujemo na sliki 3.29.
Fasham je N — P — Z model raz s iril na 7 spremenljivk: P, Z, B in 4 oblike dusika: nitrati Nn, amoniak Nr, detrit D (POM oz. delci organske snovi, ki so dovolj tezki, da z usedanjem zapustijo povr s inski sloj), raztopljena organska snov DON oz. N^. Taka izbira spremenljivk omogoca razmejitev primarne produkcije na novo in regenerirano produkcijo.V mikrobni zanki sodelujejo B + DON + Nr + Z. Du s ik je razdeljen glede na to, kdo ga porablja:
•	P je Nn in Nr & P izloca D in DON,
•	Z je P, B, D & Z izloca Nr in D,
•	B je Nr in DON & B izloca Nr.
Enacbe so podobne kot v N — P — Z modelu, upo stevamo pa se:
•	fitoplankton ima sedaj dva vira dusika: amoniak in nitrate; upostevamo inhibirano porabo nitratov v prisotnosti amoniaka (eksponentna funkcija),
•	zooplankton ima vec virov hrane: po vrsti ima najraje fitoplankton, bakterije, detrit,
•	bakterije so lahko vir amoniaka (bakterije nazadnje razpadejo v amoniak) ali pa amoniak porabljajo,
Slika 3.29: Shema ekosistema po Fasham in sod. (1990).
Figure 3.29: Scheme of the ecosystem model of Fasham et al. (1990).
•	glavni vir hrane za bakterije je DON, dodatno pa se amoniak,
•	glavni vir amoniaka predstavljajo izlocki in smrtnost zooplanktona,
•	dodan je detrit D, ki predstavlja izlocke fito- in zooplanktona; z D lahko neposredno simuliramo izvoz OM z usedanjem delcev, predstavlja pa tudi vir hrane za bakterije (del D razpade v DON),
•	DON nastane z razpadom D (v prisotnosti bakterij) in z izlocki P in Z,
•	posebno vlogo v modelu igra raztopljena OM oz. DON: DON v tem modelu vsebuje samo labilni DOM (glej podpoglavje 3.4.3.2), ki se hitro razgradi oz. ga organizmi enostavno predelajo. Labilni DOM odteka iz povrsinskega sloja samo v zelo majhnih kolicinah.
Splosna enacba za SS(B) se glasi:
SS (B) = vb (T) ■ yb (DON, NH+) ■ B - G(B) - sinks .	(3.94)
Clen Yb(DON, NH+) je vsota dveh Monodovih enacb za DON in NH+, ki pa ima v primeru bakterij izredno kompleksno funkcijsko obliko: potrebno je namrec upostevati tudi relativna deleza potrebnih DON in NH+, da lahko bakterije sestavijo svojo OM v pravem razmerju C:N. G(B) pomeni paso zooplanktona z bakterijami. Smrtnost najpogosteje modeliramo z linearno funkcijo, obicajno je XB = 0.05 dan-1. Obicajne vrednosti ostalih parametrov: vb(T) = vmax = 2.0 dan-1, K = 0.5 mmol/m3.
Fashamov sistem enacb:
dP	=	(1 — Yi)a(t,M,Nn,Nr )P — Gi — ß,P — (m + ^(t))P	(3.95) dz —
—	=	ßiGi + ß2G2 + ß 3 G3 — ß2Z — ß5Z — h(t) —	(3.96) dt M
f	=	Ui + U2 — G2 — ß3B — (-m+M(m	(3.97)
dD	=	(1 — ßi)Gi + (1 — ß 2)G2 — ß3G3 — ßiD + ßi P — (m + h+(M + V)D	(3.98)
^	=	— J (t, M )Qi(Nn,Nr )P +(m +Mh+(t))(No — Nn)	(3.99)
d^L	=	— J (t, M )Q2(Nr )P — U2 + ß3B + (eß2 + (1 — ^)ß5)Z — (m +Mh+(t)) Nd(3.100)
dNf	=	YiJ (t,M )Q(Nn,Nr )P + ß4D + (1 — e)ß2Z — Ui — (m +Mh+(t)) Nd	(3.101)
Oznake parametrov in spremenljivk so nekoliko drugacne kot v predhodnem besedilu. Spremenljivke opisujemo v nadaljevanju, opis in vrednosti parametrov pa podajamo v preglednici 5.5 v poglavju 5.2.2.4, kjer podajamo tudi vrednosti parametrov za nadgrajeni PCFLOW3D model in za nekatere druge modele.
M = globina premesanega sloja; originalni Fashamov model (Fasham in sod., 1990) je enodimenzionalen v smeri z, spremenljivka je globina premesanega sloja M, ki se sezonsko spreminja,
m = stopnja difuzije snovi preko termokline,
h(t) = dM/dt = casovna sprememba globine premesanega sloja,
h+(t) = max(h(t), 0); pri modeliranju fitoplanktona uporabljamo h+(t), pri modeliranju zooplanktona pa h(t), ker se je slednji zmozen upirati toku vode in zato spremembe njegove koncentracije ne moremo neposredno vezati na spremembo v debelini premesanega sloja (za natancnejso razlago glej Fasham in sod. (1990) ali Evans in Parslow (1985)),
a(t, M, Nn, Nr) = povprecna dnevna specificna stopnja rasti fitoplanktona. a je funkcija svetlobe (ki je funkcija casa, geografske sirine, globine premesanega sloja, absorbcije in razprsitve svetlobe v vodnem stolpcu, parametrov P-I krivulje) in kolicine hranil. Odvisnost zapisemo kot a(t, M, Nn, Nr) = J (t, M) ■ Q(Nn, Nr),
J (t, M) = stopnja zaradi svetlobe omejene rasti fitoplanktona; odvisna je od izbranih vrednosti parametrov a, Vp, kw, kc, t, M in I0(t) oz. In(t),
Q(Nn,Nr) = brezdimenzijski faktor, ki izraza zmanjsanje a zaradi kolicine hranil; razdelimo ga na Q(Nn, Nr) = Qi(Nn, Nr) + Q2(Nr),
Qi(Nn,Nr) = clen, ki izraza porabo nitratov,
Q2(Nr) = clen, ki izraza porabo amoniaka,
Gi = izgube fitoplanktona zaradi pase zooplanktona oz. ekvivalentno povisanje biomase zoo-planktona,
G2 = izgube bakterij zaradi pase zooplanktona oz. ekvivalentno povisanje biomase zooplankto-na,
G3 = izgube detrita zaradi pase zooplanktona oz. ekvivalentno povisanje biomase zooplanktona, Ui = poraba DON zaradi hranjenja bakterij, U2 = poraba amoniaka zaradi hranjenja bakterij, N0 = koncentracija nitratov pod premesanim slojem. Fasham J (t, M) doloci po Evans in Parslow (1985):
1 pT I'M	1 f T !■ M _	_
J (t, M ) = 2^/ F (I)dzdt = 2^/ F |^/o(t) exp-(kw +fccP^J dzdt (3.102)
F (I) = funkcija, ki opisuje obnasanje P-I krivulje, 2t = dolzina dneva,
I0(t) = vrednost PAR na povrsini morja,
kw = koeficient upadanja kolicine svetlobe z globino vode zaradi necistoc; kw = konst z globino,
kc = koeficient upadanja kolicine svetlobe z globino zaradi prisotnosti fitoplanktona (ang. phyto-plankton self-shading parameter).
Vrednosti I0 (t) dobimo iz podatkov osoncenosti obmocja, obliko funkcije F (I) pa izberemo glede na prevladujoco vrsto fitoplanktona v sistemu. Ce za F (I) izberemo enacbo Platt in Jassby (1976), lahko integral v 3.102 dolocimo analiticno:
F (I) = , VpaI =	(3.103)
+ a212)
VP = maksimalna stopnja rasti fitoplanktona (za I —► to),
a = zacetni naklon P-I krivulje,
I0(t) = preko dneva se spreminja po trikotni funkciji.
Namesto I0(t) lahko uporabimo In(t), ki pomeni vrednost PAR na povrsini morja opoldne. Letno nihanje In(t) v odvisnosti od geografske sirine in dneva v letu Fasham doloci po Brock (1981), uposteva pa se pokrovnost oblakov, razmerje med PAR in totalnim soncnim sevanjem ter odboj svetlobe od povrsine morja.
Za dolocitev Q(Nn,Nr) Fasham uporabi Michaelis-Mentenov izraz in parametrizacijo po Wrob-lewski (1977):
N p-^Nr N
Q(Nn, Nr) = Qi(Nn, N) + Q2(N) = " + ' AT	(3.104)
Ki + Nn K 2 + Nr
K1 = koeficient polovicne rasti fitoplanktona za nitrate, K2 = koeficient polovicne rasti fitoplanktona za amoniak, ^ = inhibicijski parameter porabe nitratov zaradi prisotnosti amoniaka. Clene G1, G2 in G3 v izrazu za zooplankton dolocamo po
Gi = (3.105)
oz.
G = _gZP1P 2__(3 106)
1 K3(P1P + P2B + P3D)+ P1P2 + P2B2 + P3D2 ,	(. )
ce upostevamo se, da je izbira hrane za zooplankton funkcija koncentracije posameznih oblik hrane. Za G2 ter G3 so enacbe analogne. Oznake pomenijo:
P1, P2, P3 = koeficienti, s katerimi izrazimo preferenco zooplanktona za razlicne oblike hrane, g = maksimalna specificna stopnja rasti zooplanktona, K3 = koeficient polovicne rasti za zooplankton,
F = totalna kolicina hrane, ki je na voljo zooplanktonu: F = P1P + p2B + P3D. Celotna vrednost pase zooplanktona tako znas a
G = G1 + G2 + G3 =	(3.107)
(K3 + F )
Clena U1 in U2 v enacbi za bakterije dolocimo po
U = KTSTN	(3.108)
U2 = KtB+N
Vb = maksimalna stopnja rasti za bakterije, K4 = koeficient polovicne rasti za bakterije,
S = totalni du s ikov substrat, ki je na voljo bakterijam: S = min(Nr, nNd); ker bakterije za svojo rast potrebujejo tako DON (zaradi ogljika in du s ika) kot amoniak (zaradi dodatnega du s ika), o velikosti populacije bakterij odloca zakon minima obeh oblik substrata.
V izrazu za S nastopa faktor n, ki doloca, kolikokrat vec amoniaka je potrebnega za zdravo rast bakterij v primerjavi s kolicino DON:
n =	— 1	(3.110)
gnRb
Ce je rast uravnotezena, je kolicina potrebnega amoniaka odvisna od razmerja C:N v DON in v biomasi bakterij ter od sposobnosti bakterij za asimilacijo ogljika in dus ika (ang. gross growth efficiency, GGE). Z Rb in Rd oznacimo razmerje C:N v bakterijah in DON, z gc in gn pa GGE bakterij za C in N. Ce z e in d oznacimo s e porabo amoniaka in DON zaradi hranjenja bakterij, lahko dolocimo rast bakterij:
h = gn(e + d)	(3.111)
H = Rbh = gcRdd	(3.112)
h = produkcija bakterij v enotah dus ika, H = produkcija bakterij v enotah ogljika.
Razmerje med porabo amoniaka in DON je v tem primeru enako
e = gcRd - 1	(3.113)
d gnRb
V	enacbi za bakterije nastopa tudi parameter j3, ki izraza specificno stopnjo izlocanja za bakterije. Smrtnosti bakterij ne modeliramo eksplicitno, temvec jo zajamemo v clenu za izlocanje.
Pri modeliranju nitratov predpostavljamo, da je njihova koncentracija pod premesanim slojem konstantna: N0 = konst. V ravnoteznem stanju, kakrsno nastopa npr. med poletno stratifikacijo, izgubo nitratov zaradi nastale nove primarne produkcije (prvi clen v enacbi 3.99) uravnoteza difuzivni pretok nitratov iz termokline. V ostalih delih leta pa pretok nitratov zaradi spremembe v globini premesanega sloja po velikosti mocno presega pretok nitratov zaradi mesanja vode.
Pri modeliranju amoniaka predpostavljamo, da je koncentracija Nr pod premesanim slojem enaka 0. V izrazu za amoniak (enacba 3.100) zasledimo tudi parametra e in Q. Preko e locimo dve obliki izlockov zooplanktona: amoniak (delez e) in DON (delez 1 — e). S pomočjo Q pa poenostavljeno zajamemo vpliv visjih troficnih nivojev, ki jih v modelu ne modeliramo eksplicitno. Sam zooplankton po smrti razpade v detrit in kasneje v DON ter zapusti premesani sloj. Ce zelimo zajeti se vpliv predatorjev zooplanktona, pa moramo upostevati se pretvorbo teh mrtvih organizmov v amoniak in v zelo velike kose detrita, ki se z veliko hitrostjo potopijo v globoki ocean. Z Q uspemo ves proces opisati zelo enostavno: v modelu se delez Q mrtvega zooplanktona hipno izvozi iz povrsinskega sloja, delez (1 — Q) pa se pretvori v amoniak.
V	izrazu za DON prav tako predpostavljamo, da je koncentracija DON pod premesanim slojem enaka 0.
Model predpostavlja tudi, da je koncentracija fitoplanktona pod premesanim slojem enaka nic. To drzi jeseni, pozimi in spomladi, poleti pa je trditev sporna zaradi formiranja DCM. V strati-ficiranih pogojih zato Fashamov model preceni vrednost izvoza fitoplanktona, vcasih pa tudi vrednosti biomase bakterij in kolicine amoniaka.
Od kolicine fitoplanktona, predvsem od velikosti pomladnega viska, sta odvisni kolicina zooplanktona in bakterij ter vsi visji cleni prehranjevalne verige. Rezultati Fashamovega modela pricajo, da pomladni visek fitoplanktona omogoci kombinacija naslednjih faktorjev:
•	poglabljanje premesanega sloja pozimi in posledicni pritok hranil v zgornji sloj oceana,
•	zmanjsanje populacije zooplanktona pozimi,
•	narascanje soncnega sevanja spomladi.
Kasneje se s tanjsanjem piknokline pritok nitratov omeji na difuzijo in regenerirana produkcija preseze novo produkcijo. Nihanje vrednosti f — količnik odraza dinamiko nove in ponovne produkcije: f je najvisji pozimi (0.8-0.9) in najnizji poleti (0.1-0.2), letno povprecje znasa 0.7. Model pravilno prikaze hiperbolicno zvezo med f in primarno produkcijo oz. trajektorijo sistema (primarne produkcije) v f — NPP fazni ravnini.
Tudi za Fashamov model oz. splosno za N — P — Z — D model je uporabno dolociti kumulativo dusika v odvisnosti od totalne vsebnosti dusika NT (slika 3.30 - po Fasham in sod., 1990). Celoten sistem je omejen od zgoraj: P, Z, B nadzira s paso zooplankton.
10 r
totalni dušik [mmol m-3]
Slika 3.30: Porazdelitev dusika v sistemu v ravnotežnem stanju v odvisnosti od totalne vrednosti dusika Nt. Graf je rezultat modela Fasham in sod. (1990). Na sliki je ON = D + DON. Figure 3.30: Steady-state nitrogen distribution as a function of total nitrogen in the components of the ecosystem model of Fasham et al. (1990). The plot shows the cumulative distribution. ON in the picture denotes D + DON.
Prednosti Fashamovega modela pred N — P — Z modelom sta predvsem dve:
1.	ko Nt narasca preko Z = Zeq, se del presežka Nt akumulira v recikliranem amoniaku Nr, del pa v organskem dusiku ON. V N — P — Z modelu pa se presežek NT nalaga v nitratih Nn in zooplanktonu Z;
2.	najpomembnejsi pa je odgovor Fashamovega modela na perturbacije. S tem modelom lahko modeliramo precej bolj specificna stanja ekosistemov. S Fashamovim modelom so npr. uspeli natanko reproducirati sistem sezonskega nihanja populacije fitoplanktona v Sev. Atlantiku. Zacetek pomladnega cvetenja nastopi po tanjsanju debeline premesanega sloja, sprozi ga sprememba v kolicini svetlobe (za razliko od mnogih drugih obmocij, kjer je kljucna sprememba v kolicini hranil ali temperature). Na zacetku organizmi porabljajo predvsem nitrate, kar da izredno visok ef—količnik. Ko pa enkrat nastane dovolj amoniaka (posledica delovanja bakterij), poraba nitratov mocno pade in preostanek cvetenja tece zaradi porabe amoniaka; ef — količnik v tej fazi pade na 0,3 ali manj.
Vecrazredni modeli. Pri vecrazrednih modelih upostevamo, da sta fito- in zooplankton razdeljena na razrede glede na velikost: vsak razred zooplanktona se hrani s fitoplanktonom enega razreda nizje oz. z vec manjsimi razredi fito- ali zooplanktona. Na ta nacin uspemo modelirati kompleksnejse zveze med spremenljivkami: upostevamo npr. lahko, da je ekosistem kot celota omejen od spodaj, medtem ko so posamezni razredi fito- in zooplanktona (razen najvecjega para, ki ga doloca kolicina hranil) omejeni od zgoraj. Z vecrazrednimi modeli pogosto modeliramo tudi krozenje zeleza v ekosistemih oz. vpliv kolicine mikrohranil na velikost prisotnih organizmov.
Vecrazredne modele uporabljamo predvsem za ekolosko bogata območja z mnogo rastlinskimi in zivalskimi vrstami. Mnogi avtorji uporabo večrazrednega modela priporočajo tudi pri modeliranju Sredozemskega morja (npr. Chisholm, 1992; Raimbault in sod., 1988; Crispi in sod., 2002). Običajno v pomladnem cvetenju prevlada en razred fitoplanktona, v jesenskem cvetenju pa drugi; tako je tudi v Sredozemskem morju (Crispi, 2002).
Slika 3.31: Velikostni razredi fitoplanktona v Sredozemskem morju. Vsaka naslednja krivulja koncentracije klorofila-a v sistem doda nov razred fitoplanktona. Mejne vrednosti znasajo: velikost Po znasa < 1^m, velikost P1 znasa med 1 in < 3^m, velikost P3 znasa med 3 in < 10^m (povzeto po Chisholm, 1992).
Figure 3.31: Size distribution of phytoplankton in the Mediterranean Sea. Each successively higher curve has the next larger size class of phytoplankton added on. P0 is < 1^m, Pi is between 1 and < 3^m, and P3 is between 3 and < 10^m (adapted from Chisholm, 1992).
Model povzemamo po Armstrong (1994). Zasnovan je na dveh predpostavkah:
1.	posamezne vrste P omejujejo herbivori, ekosistem kot celota pa je omejen s hranili od spodaj;
2.	iz opazovanj vemo, da je kolicina P (merjena v Chl-a) v kateremkoli velikostnem razredu priblizno konstantna, ce velikostne razrede P razmejimo v logaritmicnih intervalih (Chisholm, 1992; Raimbault in sod., 1988) (slika 3.31).
Modeliranje na osnovi logaritmicne razvrstitve imenujemo alometricno ali velikostno modeliranje (ang. allometric ali size-based modelling approach); osnova sta deli Moloney in Field (1989, 1991). V modelu Armstrong (1994) si velikostni razredi sledijo kot L0 = 1 ^m, L1 = 4 ^m, L2 = 16 ^m, L3 = 64 ^m, itd. Mozne povezave med P in Z so povzete po Davis in Steele (1994) in so prikazane na sliki 3.32. Od predpostavljenih povezav med komponentami sistema je seveda odvisen rezultat modela: pravilna dolocitev povezav vpliva predvsem na vrednost izvoza OM, ki je neposredno odvisen od velikosti fitoplanktona.
Enacbe v vecrazrednih modelih so enake kot v N — P — Z modelu, le da jih uporabimo za vsak velikostni razred posebej. Vrednosti parametrov so za najmanjsi razred enake kot v N — P — Z
velikost [|jm]
I
prehranjevalna veriga
>
	ß)
©	P
©	'P
©	'P
©	/
	i
	
©	(P)
(P3	(Z2j
(P2	(Z0
(Pi	
	2
	
©	/ (z3J
(P3	/ (Z2J
(P2	/ (zi)
(Pi	
	3
	
©	/M
	(z2V
(P2	/ (pi j
(Pi	
	4
Slika 3.32: Primeri razlicnih možnosti interakcije med velikostnimi razredi fito- in zooplanktona (povzeto po Davis in Steele, 1994).
Figure 3.32: An illustration of various ways that various size classes of phytoplankton and zooplankton may interact with each other (adapted from Davis and Steele, 1994).
modelu, za vecje razrede pa se razlikuje samo maksimalna stopnja rasti fitoplanktona vmax. Po Moloney in Field (1991) je vmax za velikostni razred i funkcija stopnje rasti najmanjsega razreda fitoplanktona v0
V0 : max
Li
Lo
-ß
(3.114)
ß = alometricni koeficient (ang. allometric coefficient).
Negativni predznak ß je zato, ker imajo vecji organizmi nizjo stopnjo rasti; vmax z narascanjem velikosti organizmov upada vse pocasneje. Najpogosteje upostevamo ß « konst, ceprav so v splosnem ti procesi zelo kompleksni: npr. vmax ni vedno obcutljiva na velikost organizmov, diatomeje ne sledijo nujno logaritmicnemu pravilu, salpe se izredno hitro delijo, itd.
V splosnem vecja kolicina hranil pomeni razvoj dodatnega (večjega) razreda organizmov. V preglednici 3.2 podajamo mejne vrednosti koncentracije hranil Neq, pri katerih v sistem vstopajo novi razredi fitoplanktona. Minimalno potrebno koncentracijo hranil dolocimo po enacbi 3.89 za N
eq-
0
v
v
Implicitno modeliranje kroženja organske snovi. Doslej smo obravnavali samo eksplicitne modele. V manj zahtevnih primerih, ko dinamika sistema ni zelo pomembna, lahko uporabimo tudi preprostejse implicitne modele. V nadaljevanju na kratko opisujemo implicitni model za biogeokemicno krozenje snovi v oceanih, ki se v svetu najvec uporablja.
Model Sarmiento in sod. (1988b) je zelo preprost. Predpostavlja ravnotezno stanje in ni primeren za dinamicno modeliranje. V primerjavi s Fashamovim modelom, ki temelji na krozenju dusika, Sarmientov model temelji na krozenju fosforja; skalarna polja ostalih elementov dolocimo s stehiometrijo. Sarmientov model sluzi za oceno obsega primarne produkcije in izvoza organskega fosforja iz povrsinskega sloja SSso/t(PO4-).
Preglednica 3.2: Velikostni razredi fitoplanktona v vecrazrednem modelu Armstrong (1994). Table 3.2: Phytoplankton values in multiple size class model of Armstrong (1994).
(Vmax)o(d-1)	1.4	1.4	0.7	0.7
ß	0.75	0.4	1.0	2.0
Velikost	Minimalna potrebna koncentracija nitratov			
(^m)		(mmol m	)	
1	0.004	0.004	0.008	0.008
4	0.011	0.007	0.040	*
16	0.040	0.012	*	*
64	0.421	0.023	*	*
256	*	0.049	*	*
1024	*	0.133	*	*
*Ni podatkov.				
Deluje tako, da v vsakem koraku izracunano koncentracijo fosfatov [PO? 1 . , . , v povrsin-
J	'	L 4 j simulated L
skem sloju primerja z izmerjeno koncentracijo fosfatov [PO?-! , , in izracunano vrednost
jr-j	j	j	L 4 j observed
popravi:
SSsoft(P°l~) = -1 ([PO4-] simulated - [PO4_] observed) ; Z - Zeuphotic	(3.115)
t = modelno casovno merilo (ang. restoring timescale); obicajno reda nekaj tednov do nekaj mesecev,
Zeuphotic = globina foticne cone.
Za [PO? "] simulated > [PO? "] observed doloci SSsoft(PO?-) po enacbi 3.115, sicer pa postavi SSsoft(PO4-) = 0. V ravnotežnem stanju je po enacbi 3.115 izvoz fosfatov iz povrsinskega sloja enak kolicini, ki v foticni sloj prispe s transportom (lateralnim + iz globokega oceana). V modelu fosfate razdelimo na DOP in POP; ves DOP je po predpostavki semilabilen (glej podpoglavje 3.4.2.2). Predpostavljamo, da se v DOP pretvori delez a totalne porabe fosfatov, preostali del pa se pretvori v POP. DOP je podvrzen advekciji, difuziji in mineralizaciji. Kontinuitetna enacba za DOP se tako glasi:
r(DOP) = a ■ SSsoft(PO4-) - kDOP ■ [DOP] ; Z - Zeuphotic	(3.116)
r(DOP) = -kDOP ■ [DOP] ; Z > Zeuphotic	(3.117)
kDOP = konstanta mineralizacije DOP (prvega reda); obicajna vrednost 1/kDOP znasa 1/kDOP = 0.5 yr.
Pretok POP, ki z izvozom zapusti foticni sloj, je enak vertikalnemu integralu dela SSsoft(PO\-), ki se pretvori v POP:
fz — zeuphotic
$POP(Zeuphotie) = (1 - a) ■	SSsoft(PO4")dZ	(3.118)
J z—0
a = delez DOP; (1 — a) = delez POP; obicajna vrednost a = 0.67.
Transport in mineralizacijo POP modeliramo implicitno; pri tem predpostavljamo, da se delci mineralizirajo takoj zatem, ko nastanejo v povrsinskem sloju. Obicajno se za delez mineralizirane snovi POP uporablja funkcija Martin in sod. (1987) (enacba 3.127, podpoglavje 3.4.2.1). Ce upostevamo se to, dobimo za koncentracijo fosfatov DOP in POP v globokem oceanu naslednjo kontinuitetno enacbo:
r(PO3-) =	(zeuphotic) •
POPt
-(1+b)
+ kDOP ■ [DOP ] ; z>z
euphotic
zeuphotic
V povrsinskem sloju pa se kontinuitetna enacba za dolocitev koncentracije fosfatov glasi:
(3.119)
r(PO3-) = — SSSoft(POl-) + kDOP ■ [DOP] ; z < Zeuphotic .

(3.120)
z
b = dolzinsko merilo mineralizacije po Martin in sod. (1987); b « 0.9.
Model ne uposteva izmenjave snovi med vodo in sedimenti. Namesto tega predpostavljamo, da se ves POM, ki pride do dna, mineralizira v plasti vode tik nad dnom.
Enacba 3.119 je dalec najpogosteje uporabljena enacba za mineralizacijo OM v globokem oceanu. Uporablja se predvsem v globalnih studijah. Je zelo preprosta; obicajno novejsi modeli, ki temeljijo na Sarmiento in sod. (1988b), vkljucujejo tudi balastni model Armstrong in sod. (2002) (glej podpoglavje 3.4.2.1). Prednost opisanega modela je prav gotovo ekonomicnost: racunski cas je mnogo krajsi kot pri eksplicitnih modelih za ekologijo morja. Obenem pa je Sarminetov model dovolj natancen za globalno modeliranje biogeokemicnega krozenja snovi v oceanih, saj dokaj natancno doloci kolicino hranil v povrsinskem sloju. Glavna pomankljivost tega modela pa je, da ga ne moremo uporabiti za napoved stanja v primerih, ko se biologija spreminja (npr. kot posledica ENSO ali klimatskih sprememb).
3.4 Izvoz in mineralizacija organske snovi
Procesi v globinah oceana so precej slabse raziskani kot tisti, ki se odvijajo v povrsinskem sloju. mineralizacija OM poteka predvsem v zgornjih nekaj sto metrih termokline, v globoki ocean pade samo majhen delez OM. Mineralizacija OM poteka tako v vodnem stolpcu kot v sedimentih, vrsi pa jo vecina heterotrofnih organizmov. Del OM, ki prispe do dna in se ne mineralizira, lahko z difuzijo ponovno preide v vodni stolpec. Anorganski gradniki s transportom ponovno prispejo v povrsinski sloj oceana.
3.4.1 EnaCbe mineralizacije
Locimo dve osnovni reakciji mineralizacije v vodi (Sarmiento in Gruber, 2006):
•	oksicna mineralizacija: porablja kisik kot oksidant; poteka samo, ko je kisika dovolj,
•	denitrifikacija: ko molekularnega kisika ni dovolj, organizmi kot oksidant porabljajo nitrate.
Mineralizacija mocno vpliva na koncentracijo nitratov in kisika v vodnem stolpcu. Podatki za Svetovni ocean (povprecne vrednosti): nitrati: povrsinski sloj 0 — 10 ^mol/kg, globoki ocean
10 — 45 ^mol/kg, fosfati: površinski sloj 0 — 1.0 ^mol/kg, globoki ocean 1.0 — 3.0 ^mol/kg, kisik: površinski sloj 0 — 320 ^mol/kg, globoki ocean 0 — 320 ^mol/kg. Kisik je izmed teh treh edini z visjo koncentracijo v povrsinskem sloju kot v globokem oceanu. Poraba kisika znasa med 0 — 300 ^mol/kg, s tem, da so vrednosti porabe visje v globokem oceanu (Sarmiento in Gruber, 2006).
Slika 3.33: Grafa koncentracije nitratov (a) in kisika (b) v odvisnosti od koncentracije fosfatov. Ravni liniji oznacujeta pricakovana naklona zaradi fotosinteze in mineralizacije. Podatki so iz treh dolgih prerezov v Atlantskem, Tihem in Indijskem oceanu (povzeto po Sarmiento in Gruber, 2006).
Figure 3.33: Plots of (a) nitrate and (b) oxygen versus phosphate for data from all depths. Lines depict the expected slope between the tracers as a result of photosynthesis and mineralization. Based on data from three long transects in the Atlantic, Pacific and Indian Oceans (adapted from Sarmiento and Gruber, 2006).
Razmerji N: P = 16:1 in O2:P = 170:1 (slika 3.33) bi lahko pricakovali zaradi fotosinteze. Iz tega lahko neposredno sklepamo, da je mineralizacija proces, ki je obraten fotosintezi. Odstopanja so vecja na dolocenih obmocjih: npr. v Atlantiku je razmerje med N in P precej visje od povprecja, v Indijskem oceanu pa je koncentracija nitratov blizu 0. Razlike vecinoma nastajajo zaradi mineralizacije (nitrati nastajajo) in denitrifikacije (nitrati se porabljajo): dejansko razmerje je odvisno predvsem od obsega obeh procesov na dani lokaciji. Vzrok za slabso korelacijo med O2 in P pa je izmenjava plinov med oceani in atmosfero (Sarmiento in Gruber, 2006).
OksiCna mineralizacija. Vecji del mineralizacije v Svetovnem oceanu potece kot inverz reakcije sinteze OM:
C106H175O42N16P + 15002 ^ 106C02 + 16HNO3 + H3PO4 + 78H2O .	(3.121)
Kot smo ze omenili, se stehiometrija C:N:P:O2 pod globino 400 m nekoliko razlikuje od Red-fieldovega razmerja in znasa po Anderson in Sarmiento (1994) Corg : N : P : O2 = (117 ± 14) : (16 ± 1) : (1) : (—170 ± 10). Pri tem vrednost za kisik vsebuje samo kisik, ki je prosto raztopljen v vodi in se v procesu mineralizacije porabi iz vode, ne vsebuje pa kisika, ki je vezan na OM.
Pretvorba dusika iz OM v DIN potece v treh korakih:
Ji
'u
'F.
(D -t-1
O m
v —
J2
iv —
III -.
I +
o -■

NH/
organski dušik
amonifikacija
Slika 3.34: Osnovne transformacije dusika v oceanih (povzeto po Sarmiento in Gruber, 2006). Figure 3.34: Transformation pathways of nitrogen in the ocean (adapted from Sarmiento and Gruber, 2006).
1.	amonifikacija: Norg ^ NH+,
2.	oksidacija amoniaka - predstavlja prvi del nitrifikacije: 2NH+ + 3O2 ^ 2NO- + 4H+ + 2H2O,
3.	oksidacija nitrita - predstavlja drugi del nitrifikacije: 2NO- + O2 ^ 2NO-. Pojma torej pomenita:
•	amonifikacija (ang. ammonification): pretvorba organskega dusika v amonijev ion NH+,
•	nitrifikacija: oksidacija amonijevega iona v nitrat (v dveh korakih). Nitrifikacijske bakterije porabljajo energijo nitrifikacije za sintezo OM (kemoavtotrofi). Proces poteka samo v prisotnosti kisika, svetloba ga zavira (Zehr in Ward, 2002).
Mineralizacijo vrsijo skoraj vsi heterotrofi, tudi zooplankton in ribe - to je torej respiracija; po enacbi 3.121 vrsi razgradnjo OM tudi vecina bakterij. Ker v procesu aerobne respiracije
organizmi dobijo najvec energije, mineralizacija OM obicajno potece do konca. Heterotrofi so vecinoma pravi aerobi in za zivljenje potrebujejo molekularni kisik. Mnoge bakterije pa so bolj fleksibilne in lahko za pridobivanje energije iz OM izkoriscajo tudi druge reakcije.
Mineralizacija v odsotnosti molekularnega kisika. Najpogostejsa reakcija mineralizacije OM v vodi v anoksicnih pogojih (anosksija pomeni odsotnost molekularnega kisika, za razliko od anaerobnosti, ki pomeni odsotnost kisika v vseh oblikah) je denitrifikacija: pri tej reakciji namesto kisika kot oksidant nastopa nitrat, ki se reducira v N2 (v treh korakih). Enacba denitrifikacije:
C106H175O42N16P + 104HNO3 ^ 106CO2 + 60N2 + H3PO4 + 138H2O .	(3.122)
Druga pogosta reakcija v anoksicnih pogojih je anamoks proces (ang. anammox process), t.j. oksidacija amoniaka s pomocjo vezanega kisika. V tem procesu bakterije v anoksicnih pogojih iz amoniaka in nitritov tvorijo N2. Kako velik delez v razgradnji OM igra anamoks proces, zaenkrat se ni znano, kaze pa, da je lahko v anoksicnih pogojih vsaj lokalno zelo pomemben (Kuypers in sod., 2005). S stalisca biogeokemicnega krozenja snovi igrata denitrifikacija in anamoks proces enako vlogo: iz vode odstranjujeta nitrate in proizvajata fosfate.
Majhen del dusika v OM pa se ne spremeni ne v nitrate ne v N2, temvec v dusikov oksid N2O, ki zatem izhlapi v atmosfero. N2O nastane kot stranski produkt med nitrifikacijo in denitrifikacijo. Velik del N2O, ki pride v atmosfero, nastane v globokem oceanu (Sarmiento in Gruber, 2006).
Osnovne transformacije dusika v oceanih so shematicno prikazane na sliki 3.34. 3.4.2 POM in DOM
Koncentraciji POM in DOM v povrsinskem sloju sta povsem razlicni. Ce OM izrazimo npr. z ogljikom, znasa kolicina DOM v celotnem povrsinskem sloju svetovnega oceana DOM « 700 Pg C. Ta vrednost je zelo visoka: za primerjavo navedimo, da je 700 Pg vec, kot je znasala celotna kolicina CO2 v zraku pred industrijsko revolucijo (« 600 Pg C) oz. da je navedena vrednost primerljiva s kolicino celotne Zemeljske biomase. Kolicina DOM v povrsinskem sloju je kar za dva velikostna reda visja od kolicine POM v povrsinskem sloju; slednja znasa samo nekaj Pg C. DOM in POM se mocno razlikujeta tudi glede na rezidencni cas. Ker pa se ta kolicina mocno spreminja tudi znotraj DOM (znasa od nekaj dni do vec stoletij), je DOM in POM na osnovi tega tezko primerjati. Omenimo se, da je zaenkrat vecina DOM kemijsko se vedno nedolocena; vec vemo o krozenju POM (Sarmiento in Gruber, 2006).
S stalisca biogeokemicnega krozenja snovi za pomembnejsega izmed obeh velja POM, razlogov za to pa je vec:
•	POM predstavlja vecino izvoza iz povrsinskega sloja,
•	iz POM, ki se nalaga v sedimentih na dnu oceanov, dolocamo dolgorocni razvoj oceanov, atmosfere, kopnega in klimatskih sprememb.
OM razdelimo na POM in DOM glede na kriterij velikosti delcev: standardni so filtri velikosti 0.45 ^m. Ta kriterij je pomanjkljiv, ker skozi filter navedene velikosti prehajajo tudi bakterije
(ki se odstranijo sele z 0.2 — 0.4 ßm filtri) in koloidni delci (odstranijo se se kasneje, po definiciji so koloidi delci z molsko tezo nad 10.000 in velikostjo pod 0.4 ßm) (Sarmiento in Gruber, 2006). Vcasih namesto delitve na DOM in POM uporabljamo skupni izraz TOM (totalna organska snov, ang. total organic matter):
TOM = DOM + POM .	(3.123)
Na odprtem morju je obicajno POM-a zelo malo in velja DOM « TOM. V priobalnih morjih pa je TOM vedno nujno lociti na DOM in POM.
Pogosteje je uporabnejsi kriterij delitve OM na POM in DOM na osnovi usedanja. DOM predstavlja del OM, ki je premajhen, da bi se sam potopil, na POM pa nasprotno deluje tudi sila teze. Transport DOM torej predstavljata samo advekcija in difuzija, medtem ko advekcijsko-difuzijska enacba za POM vsebuje se dodaten clen za vertikalno advekcijo. Za izvorno-ponorni clen DOC oz. POC torej pisemo (Sarmiento in Gruber, 2006):
SS(DOC) = S Sproduction(DOC) + S Sconsumption (DOC) ,	(3.124)
dPOC
SS(POC) = SSproduction(POC) + SSconsumption(POC) — W sink ■ — , (3.125)
Wgink = hitrost usedanja POM.
3.4.2.1 POM
V povrsinskem sloju 30 — 40% POM sestavlja Corg, v globokem oceanu pa le se < 10%. Preostanek POM sestoji iz CaCO3, silikatov in drugih materialov, ki jih v oceane s kontinentov prinesejo reke in veter. Vsebnost C v POM se z globino torej zmanjsuje: koncentarcija POC v povrsinskem sloju obicajno znasa med 3 — 10 mmol C/m3, v vodi pod foticnim slojem pa ~ 3 mmol C/m3. Vrednost je odvisna od stopnje bioloske produkcije, najvisja je v produktivnih vodah vzhodnega Ekvatorialnega Pacifika in Juznega Oceana (Clegg in Whitfield, 1990).
Razpon velikosti delcev v oceanu je zelo s irok. Spekter je zvezen zaradi neprestanega poteka reakcij, ki delce med seboj spajajo in predvsem razkrajajo. Na sliki 3.35 je prikazano spreminjanje vrednosti N>D v odvisnosti od D.
Pri dolocanju obsega pretoka OM v smeri —z moramo poznati nacela interakcije delcev. Stokesov zakon pravi:
w 2 • g • r2 • (Pi — P2)	(3126)
Wsink = ---(3.126)
r = radij delca (kroglice) v [m], p1 = gostota delca v [kg m-3], p2 = gostota tekocine v [kg m-3],
ß = dinamicna viskoznost tekocine v [Nsm-2]; je mera za notranje trenje, g = 9.81 m/s2.
Hitrost usedanja delcev je torej sorazmerna z r2. Racun po Stokesovem zakonu je le ocena, ker delci v resnici niso okrogli. Enacba 3.126 pravi, da je wsink rezultat ravnotezja med silo teze g ' (P1 — P2) in silo trenja, ki deluje navzgor in je odvisna od povrsine delca (r2) in notranjega
log D [|jm]
Slika 3.35: G raf log(N>D) v odvisnosti od premera delcev D (na osnovi podatkov). N>D je stevilo delcev v cm3 vode, večjih od danega D = 2r (povzeto po Clegg in Whitfield, 1990). Figure 3.35: Schematic presentation of log(N>D) as a function of particle diameter D; based on several measurements. N>d is the number of particles of diameter greater than D (pm) per cm-3 (adapted from Clegg and Whitfield, 1990).
trenja tekocine (mera p). Ker so procesi raztapljanja in mineralizacije OM mnogo hitrejsi kot usedanje delcev, so za pretok OM pomembni samo najvecji delci POM: npr. samo delci premera D > 100 pm (oz. samo 1 delec na vsakih 1010 delcev) se potopijo dovolj hitro, da pomembno vplivajo na izvoz POM iz povrsinskega sloja (Sarmiento in Gruber, 2006).
Velja Pom « Pseawater, ker POM = 1060 kg/m3 in Pseawater = 1027 kg/m3 (Logan in Hunt 1987).
Gostote drugih materialov v oceanih so precej visje: npr. popal = 2100 kg/m3, pCaCO3 = 2710 kg/m3, pnthogenic = 2710 kg/m3 (Klaas in Archer, 2002). Npr. za podatke: r = 50 pm, p(Th2o = 15°C) = 1.25 x 10-3 Ns/m2, pseawater = 1027 kg/m3 dobimo: wsink(OM) = 12 m/dan, wsink (opal) = 400 m/dan, wsink (CaCO3) = wsink (lithogenic) = 600 m/dan. Ce znasa globina morja 4000 m, bi torej delec z r = 50 pm do dna potoval skoraj 1 leto, delec iz CaCO3 pa samo 1 teden! Ce bi polmer delca znasal r = 5 pm, pa bi delec iz OM do dna potreboval kar 100 let, medtem ko bi delec iz CaCO3 za usedanje potreboval nekaj manj kot 2 leti. Za wsink sta torej najpomembnjesi velikost in gostota delcev. Pogosto je pri modeliranju potrebno upostevati tudi poroznost delcev, ki dodatno upocasnjuje hitrost usedanja (Sarmiento in Gruber, 2006).
Veliko vecino mase in povrsine vseh delcev predstavljajo majhni delci, vecino pretoka iz povrsinskega sloja pa predstavljajo veliki delci. Natancnejse modeliranje dinamike delcev tako zahteva vsaj 2 velikostna razreda delcev, enega z wsink ~ 0 in drugega z wsink > 0. Zanimiva je tudi odvisnost velikosti delcev od globine: z globino se povecuje delez velikih delcev. Vecji delci namrec pomenijo visjo wsink in torej prispejo dlje. Podatki iz Arabskega morja in ekvatorialnega Pacifika kazejo, da je povprecna wsink v zgornjem sloju oceanov reda nekaj 10 m/dan, zatem pa z globino narasca in na 1500 m doseze vrednost « 100 — 200 m/dan; v vecjih globinah znasa wsink se vec (Sarmiento in Gruber, 2006).
Omenimo se pojem učinkovitosti pretoka snovi (ang. transfer efficiency), ki pomeni delez izvozene produkcije, ki doseze 2000 m globine.
Pretok POM. Vertikalni pretok (fluks, ang. flux) POM ocenimo na terenu s pomocjo sedi-mentnih pasti (ang. sediment traps). Po mnenju mnogih sicer ta metoda ne pokaze realnega stanja, a se zaenkrat se vedno najpogosteje uporablja. V splos nem velja, da so sedimentne pasti dovolj natancne za kvalitativno analizo sistemov, kvantitativna natancnost pa je vpras ljiva: v globinah pod 1500 m so ocene pretoka POM dokaj tocne, v sloju nad 1500 m pa lahko vrednost podcenijo tudi za 60% (Yu in sod., 2001). Posebej nezanesljivo je merjenje pretoka v zgornjih 1000 m oceana zaradi mocnih lateralnih tokov in stevilcnejse zdruzbe velikih organizmov, ki sproti odna sajo delce iz pasti. Ocene pretoka OM, ki jih dobimo s podatki iz sedimentnih pasti, kazejo izrazito prostorsko in casovno spremenljivost, tako v sezonskih kot vecletnih merilih; obicajno so te razlike neposredna posledica razlik v obsegu primarne produkcije (Sarmiento in Gruber, 2006).
Pretok organskega ogljika se z globino hitro manj s a: ze v zgornjih 100 m vode se vecina POM mineralizira ali razgradi v DOM. Empiricna enacba za pretok organskega ogljika zato predpostavlja, da je pretok POM funkcija globine vode in vrednosti pretoka na globini z0 = 100 m (obicajna globina foticnega sloja) (Martin in sod., 1987):
b
$org (z) = $org (z)
z Zo
(3.127)
z0 = 100 m,
z = globina; pozitivna smer kaze navzdol, $org = vertikalni pretok organske snovi,
b = dolžinsko merilo mineralizacije (ang. mineralization (remineralization) length scale).
b je brezdimenzijski parameter, ki je po Martin in sod. (1987) konstanta in znas a b = 0.858. Npr. po Berelson (2001) pa b ni konstanta, ampak se giblje med b = 0.82 ± 0.16; podobne vrednosti navaja tudi Schlitzer v (2002). Po navedbah avtorjev (glej npr. Berelson, 2001) se podatkom najbolje prilega eksponentna enacba. Vrednost b se lahko v prostoru zelo spreminja: obmocja z vecjim pretokom imajo vecji b, to pa pomeni tudi hitej so mineralizacijo OM. Ker b = konst ne da vedno dobrih rezultatov, nekateri avtorji predlagajo kompleksnej se funkcije. Precej se uporablja dvojna eksponentna funkcija (Lutz in sod., 2002): en eksponent predstavlja labilno OM z nizkim b, drugi pa obstojno OM z vi sjim b.
Na sliki 3.36 je graf enacbe 3.127, ki temelji na podatkih sedimentnih pasti. Vrednost POC, ki usteza obsegu primarne produkcije, se nahaja na osi x nekje od vrednosti 1.5 naprej. Take grafe obicajno dolocimo za vsak vodni stolpec posebej: vsaka krivulja da drugacno vrednost b, iz vec grafov pa zatem dolocimo povprečje za dano obmocje (Berelson, 2001).
V nekaterih modelih (npr. Armstrong in sod., 2002) pretok OM razdelijo na dva dela:
1.	na balastne minerale, ki se ne morejo mineralizirati,
2.	na ostale delce, ki so podvrzeni procesu mineralizacije.
Ti modeli precej natancneje dolocijo vrednost pretoka POM, a presegajo okvir zadane naloge. Vec o tem npr. v Sarmiento in Gruber (2006).
Stopnja mineralizacije POM. Iz enacb za pretok OM lahko dolocimo hitrost razgradnje delcev. Izhajamo iz enacb 3.124. Predpostavimo ravnotezno stanje ter zanemarimo advekcijo
fluks POC [mol C m-2 y-1]
Slika 3.36: Fluks suspendirane organske snovi v odvisnosti od globine morja (povzeto po podatkih iz sedimentnih pasti v Martin in sod., 1987).
Figure 3.36: Particulate organic matter flux as a function of depth (from the sediment trap measurements of Martin et al., 1987).
in difuzijo. Upostevamo, daje gladient pretoka enak —wsink ■ gradient koncentracije (Sarmiento in Gruber, 2006):
d$°rg (z)	dPOC
-- = —Wsink - —J- .	(3.128)
dz	dz
Ce upostevamo, da POM nastaja samo v foticni coni, dobimo
dZ — S Sconsumption(POC) — wsink ' dZ .	(3.129)
Za clen SSconsumption(POC) predpostavimo neko funkcijo, npr. linearno (razgradnja snovi oz. mineralizacija se v tem primeru odvija po linearni funkciji):
SSconsumption(POC) — kremin ' POC .	(3.130)
Ce enacbo 3.130 vstavimo v 3.129 in predpostavimo wsink = konst, dobimo za POC (z) enacbo
POC(z)= POC(zo) ■ exp(—kremin ■ (z — zo)) .	(3.131)
V wsink	/
Ker je $(z) = —wsink ■ POC (z) in $(z0) = —wsink ■ POC (z0), proces mineralizacije pa je prvega reda, dobimo za pretok organske snovi izraz
$org(z)=$org(zo) ■ exp(—kremin ■ (z — zo)) .	(3.132)
V wsink	J
Pretok OM torej eksponentno pada z globino. Hitrost upadanja z globino doloca razmerje krem/m/wsink . Vrednost kremin dobimo na osnovi Armstrong in sod. (2002): npr. za wsink = 10 — 50 m/dan (Berelson, 2001) dobimo za kremin interval vrednosti kremin = 0.02 — 0.1 dan-1.
3.4.2.2 DOM
DOM sestavljajo predvsem DOC, DON in DOP. Najvec vemo o DOC, precej manj pa o DON in DOP. Zelo malo vemo tudi o ostalih spojinah, ki sestavljajo DOM. Koncentracija vseh treh oz. splosno OM je visja v povrsinskem sloju in pada z globino. DOM nastane z izlocki fitoplanktona, z razpadom celic zaradi virusov, pri hranjenju zooplanktona (pri tem delci med grizenjem ostanejo v vodi), z bakterijsko razgradnjo snovi, z razpadom izlockov in drugega detrita, idr. Kolicinsko znasajo izlocki fitoplanktona kar ~ 10 — 30% primarne produkcije (Bronk in sod., 1994). Primarni porabniki DOM so bakterije. Pri modeliranju moramo poznati ucinkovitost pretvarjanja OM v biomaso bakterij ter stopnjo pretvarjanja DOC v DIC. Ucinkovitost asimilacije za bakterije znasa npr. v Sargaskem morju (Atlantik) ~ 14 ± 6% (Carlson in Ducklow, 1996), v Rossovem morju (Juzni ocean) pa med 9 — 38% (Carlson in sod., 1999). Te vrednosti povejo, da se velik del DOM porabi za respiracijo in ne za rast bakterij. Ucinkovitost je visja v priobalnih vodah. Na sliki 3.37 je prikaz krozenja DOC v oceanih po Kirchman in sod. (1993).
Slika 3.37: Shema krozenja DOC v oceanih: povezava in pretvorbe med zelo labilno, semilabilno in obstojno komponento DOM (povzeto po Kirchman in sod., 1993).
Figure 3.37: Schematic DOC cycling diagram. This shows the labile, semi-labile, and refractory components reffered to in the text as well as possible mechanisms for converting from one to the other (adapted from Kirchman et al., 1993).
Obstojnost DOM ocenjujemo posredno preko stopnje bakterijske porabe DOM in preko porazdelitve DOC v oceanu. Glede na obstojnost lahko DOM razvrstimo v tri velike razrede (starost snovi merimo z radioaktivnim ogljikom) (Kirchman in sod., 1993):
• zelo labilna komponenta DOM (ang. highly labile component): bioloska razgradnja te snovi je izredno hitra, njena koncentracija je obicajno zelo nizka: < 5 mmol/m3. Ta komponenta DOM ima izredno kratek rezidencni cas, v oceanu se ohrani samo nekaj ur ali najvec nekaj dni. Delimo jo na DOM z nizko molekulsko maso, LMW (ang. low molecular weight DOM) in DOM z visoko molekulsko maso, HMW (ang. high molecular weight DOM); slednja predstavlja najbolj labilni del DOM;
semilabilna komponenta DOM (ang. semilabile component): koncentracija te komponente
znasa ~ 20 mmol/m3. Semilabilna komponenta se v vodi obdrzi dovolj dolgo, da se lahko transportira globoko v termoklino, preden se mineralizira; rezidencni cas znasa od nekaj mesecev (en letni cas) do ~ 10 let. To komponento povezujemo z izvozom DOM iz povrsinskega sloja;
• obstojna komponenta DOM (ang. refractory component): koncentracija ~ 40 mmol/m3. Bioloska razgradnja tega dela DOM je izredno pocasna, starost obstojne komponente DOM doseze tudi vec 1000 let.
Labilni DOM analiziramo z ultrafiltracijo (ang. ultrafiltration) in z ekstrakcijo (ang. solid phase extraction). Pri ultrafiltraciji uporabljamo filter velikosti ~ 1 nm, ki DOC loci na dve frakciji: LMW in HMW, meja med frakcijama znasa ~ 1000 Da. V povrsinskem sloju DOC sestoji ~ 60% iz LMW in ~ 40% iz HMW. Delez LMW narasca z globino in v globokem oceanu doseze ~ 75 — 80%. Obe frakciji se bistveno razlikujeta: LMW ima nizko razmerje C:N in je sestavljen primarno iz z dusikom bogatih aminokislin, HMW pa ima visoko C:N = 15 — 20 in visoko vsebnost ogljikovih hidratov: 25 — 50%. Bakterije najprej porabijo HMW, sele nato LMW, razlog je energija. Razmerje C:N v HMW znasa ~ 15 v povrsinskih vodah in ~ 20 v globokem oceanu: ti vrednosti sta mnogo visji od obicajnega C:N pri bakterijah, ki znasa 4 — 5. Bakterije torej pri hranjenju s HMW del dusika dobijo iz drugih virov: ko porabljajo HMW, se koncentracija DIN v vodi zniza, ko se hranijo z LMW, pa se povisa (Sarmiento in Gruber, 2006).
3.5 Izmenjava snovi na stiku vode z atmosfero
Bioloski procesi imajo velik vpliv na vse pline v ozracju, razen na zlahtne pline. Za nas so pomembni predvsem O2, CO2, N2O, ki se v biogeokemicnih procesih v oceanih proizvajajo in porabljajo v ogromnih kolicinah. CO2 in N2O spadata med pline, od katerih je odvisna temperatura na povrsju Zemlje (3-atomske molekule zajezijo dolgovalovno radiacijo z Zemlje in ustvarijo efekt tople grede). Kolicina obeh plinov se je mocno povisala v casu po industrijski revoluciji. Problem predstavlja predvsem visanje koncentracije CO2 zaradi izsekavanja gozdov in seziganja fosilnih goriv, ki veljata za najvecja dejavnika v procesu globalnega segrevanja.
3.5.1 Henryjev zakon
Neto pretok plina A med vodo in atmosfero je proporcionalen delni razliki tlakov na obeh straneh sticne povrsine oz. s tem povezani razliki v koncentraciji plina A med vodo in atmosfero (ti. anomalija koncentracije A) (Sarmiento in Gruber, 2006):
ApA = PA — PA ,	(3.133)
A[A] = [A]w — [^equilibrium ,	(3.134)
pA = delni tlak plina v w = vodi oz. a = atmosferi,
[A] = koncentracija plina A, enota mmol m-3 .
Delni tlak definiramo kot tlak posameznega plina v atmosferi. Velja:
S delnih tlakov vseh plinov v atmosferi = totalni zračni tlak .	(3.135)
Henryjev zakon (ang. Henry's law) pravi, da je v termodinamicnem ravnotezju delni tlak plina nad tekocino proporcionalen koncentraciji tega plina v tekocini:
[A] equilibrium = SA ■ pA ;	(3.136)
S a = parameter topnosti (ang. solubility) plina A v tekocini [mmol m 3 atm ; S a je funkcija temperature in slanosti.
Enacbo 3.136 pogosto zapi s emo tako, da iz nje izrazimo delni tlak plina pA:
p = kH ■ [A]
equilibrium
Parameter kH v tem primeru imenujemo Henryjeva konstanta. kH je lastnost plina in pove, kako visok je njegov parni tlak v atmosferi.
Ce ocean in atmosfera nista v termodinamicnem ravnotezju (in obicajno nista), pa velja
[A]w = [A]equilibrium ,	(3.137)
pA = pA .	(3.138)
Glede na termodinamicno (ne)ravnotezje locimo tri primere:
1.	Ce sta ocean in atmosfera v termodinamicnem ravnotezju, pravimo, da je voda nasičena ali saturirana (ang. saturated) s plinom A. V tem primeru velja A [A] = 0.
2.	Ce je delni tlak plina A (oz. koncentracija plina A) v vodi visji kot v zraku, je voda supersaturirana (ang. supersaturated) z A. V tem primeru je A [A] = + v enacbi 3.134 in plin prehaja iz vode v zrak.
3.	Ce je delni tlak plina A (oz. koncentracija plina A) v vodi visji kot v zraku, je voda podsaturirana (ang. undersaturated) z A. V tem primeru je A [A] = —, plin pa prehaja iz zraka v vodo.
Podatki o super- in podsaturaciji plinov v vseh svetovnih morjih so zbrani v World Ocean Atlas 2001 (Conkright in sod., 2002). Za N2, N2O, O2, CO2 so v preglednici 3.3 podane vrednosti koncentracije plinov pri saturaciji za s = 35 psu in T = 0°C ter T = 30°C.
Za dolocanje koncentracije kisika [O2]sat pri saturaciji lahko uporabimo tudi empiricno enacbo Gromiec (1983) (velja pri obicajnem tlaku):
[O2]sat = 457.01 — 11.47 ■ T + 0.14 ■ T2 — 3.02 ■ s + 0.064 ■ T ■ s + 0.0086 ■ s2 (3.139)
T = temperatura v [° C], s = slanost v [psu].
3.5.2 Določanje topnosti plinov v vodi
Za topnost plinov v vodi obstaja nemalo definicij. Najpogosteje uporabljamo Henryjev zakon. Sa v 3.136 je ekvivalenten K' v Warner in Weiss (1985), v literaturi pa zasledimo tudi enacbe
Preglednica 3.3: Koncentracija plinov v morski vodi pri saturaciji. Vrednosti veljajo za slanost 35.0 psu in so določene po enacbi [A] = S a • P^imst (povzeto po Sarmiento and Gruber, 2006). Table 3.3: Saturation concentration of gases in seawater at a salinity of 35.0 calculated from [A] = S a • vLstt (adapted from Sarmiento and Gruber, 2006).
T (°C)	0	5	10	15	20	25	30
	Tlak vodne pare pri saturaciji (^p0					x 100%)	
	0.59%	0.84%	1.19%	1.65%	2.26%	3.07%	4.11%
			Koncentracije v		mmol m-3		
N2 Oa CO2 Ar	635.6 359.1 357.7 23.37 17.44	566.6 316.5 315.9 19.26 15.42	510.5 282.1 282.0 16.09 13.77	464.2 253.9 254.2 13.60 12.41	425.7 230.5 231.1 11.61 11.29	393.3 211.0 211.6 10.00 10.34	365.6 194.4 194.9 8.66 9.53
Koncentracije v ^mol m
-3
N2O	14.84	12.16	10.09	8.46	7.16	6.10	5.23
Ne	8.11	7.76	7.46	7.19	6.94	6.72	6.50
Kr	4.33	3.71	3.22	2.82	2.50	2.23	2.01
CH4	3.44	3.00	2.64	2.35	2.12	1.92	1.76
He	1.81	1.77	1.74	1.72	1.70	1.68	1.67
za dolocanje topnosti preko Bunsenovega koeficienta ß ali funkcije topnosti F (oboje v Weiss, 1974). Potrebno je poudariti, da slednji dve nista ekvivalentni Sa.
Pri dolocanju topnosti plinov v vodi si pomagamo z odvisnostjo topnosti S a od temperature T. Korelacija med Sa in T je za vse pline izredno visoka; stopnja raztapljanja se niza z visanjem temperature. Sa je odvisna tudi od tega, koliko razlicnih elementov sestavlja plin (npr. O2 sestavlja 1 element, CO2 sestavljata 2 elementa, itd). Ce plin sestavlja en sam element, velja, da se topi tem bolje, cim vecja je njegova molekulska masa. Za dva ali vec elementov pa velja, da se topijo se bolje, kot bi pricakovali iz grafa odvisnosti molekulske mase od topnosti (Sarmiento in Gruber, 2006).
Vpliv temperature na topnost plinov v vodi prikazujeta sliki 3.38 in 3.39. Dobro topni so npr. CCl4, CO2, N2O, slabse topni pa Kr, CH4, Ar, O2, N2, Ne, He (Sarmiento in Gruber, 2006). Segrevanje oceana zmanjsuje topnost, ohlajanje jo povisuje; segrevanje vode torej visa pretok plina iz vode v zrak, ohlajanje vode pa povisa pretok plina iz zraka v vodo. To imenujemo termalna komponenta pretoka plina (ang. thermal component). Med ostalimi dejavniki, ki vplivajo na topnost oz. neposredno na pretok plinov med vodo in atmosfero, pa so se:
•	sprememba slanosti (zaradi evaporacije, padavin in vtokov rek),
•	prisotnost filma organske snovi na povrsini morja (ang. surfuctant effect),
•	rusenje valov oz. posledicno prisotnost mehurckov zraka v vodi (ang. bubble effect),
•	nekatere kemijske reakcije (ang. chemical enhancement),
o
C
cp o
toa.ooo
80,000
60,000
10,000
20,000
	)
	
	E
	t
	(U
	m
	o
	m
	m
	(
	-U
	cn
	O
	C
	p
—■—	O
	t
-	
10 15 £0 25
temperatura (°C)
30
1.000
3,000
2.000
1.000
15 2t>
temperatura (°C)
Slika 3.38: Graf topnosti razlicnih plinov v odvisnosti od temperature vode. Topnost vseh plinov se z visanjem temperature vode zmanjsuje, vendar so razlike med posameznimi plini lahko zelo velike. Vecinoma so posledica razlik v molekulski masi med posameznimi plini ter razlicnih interakcij med molekulami vode in plinov (povzeto po Sarmiento in Gruber, 2006). Figure 3.38: Plot of the solubility of various gases as a function of temperature. The solubility of all gases decreases with increasing temperature, but there exist large differences in the solubility of the different gases for a particular temperature. These differences can be understood in terms of their molecular weight (ideal gas) or other factors, such as molecular interactions between the gas and the water (nonideal gas) (adapted from Sarmiento and Gruber, 2006).
•	tanka plast vode z drugacno temperaturo na povrsini morja (ang. cool skin effect),
•	hitrost vetra,
•	za pline, ki nastajajo ali se sproscajo med bioloskimi procesi (npr. O2 in CO2), pa je pomembna se bioloska komponenta (ang. biological component).
Bunsenov koeficient ß. ß z enoto [L(Latm)-1] je definiran v Weiss (1974) kot volumen plina A pri STP (standardni temperaturi (0°C) in tlaku (1 atm)), ki se raztopi v enoti volumna raztopine (voda + A) pri temperaturi T, totalnem tlaku ptot = 1 atm in fugativnosti (ang. fugacity) /a. Dobimo:
ß = V	f .	(3.140)
Vsolution fA
Fugativnost (tudi fugiciteta ali fugasnost) /a je termodinamicna kolicina analogna aktivnosti raztopljene snovi. Z delnim tlakom p a je povezana preko enacbe
/a = p A • exp
P (VA — Videal) RT
(3.141)
P = totalni tlak,
Va = molski volumen A pri STP,
Videal = molski volumen idealnega plina; Videal = 22.4136 L / mol, R = plinska konstanta; R = 0.082053 z enoto [L atm(K mol)-1] ,
temperatura (°C)
Slika 3.39: Topnost kisika v morski vodi v odvisnosti od temperature (povzeto po Sarmiento in Gruber, 2006).
Figure 3.39: Plot of the solubility of oxygen as a function of temperature (adapted from Sarmiento and Gruber, 2006).
T = temperatura v Kelvinih.
Faktor exp [] v enacbi 3.141 predstavlja korekcijo vrednosti pa zaradi neidealnega obnasanja plina.
Topnost je po definiciji enaka
[A] =
oz. ce upostevamo enacbo 3.140
število molov A Va/Va
Vsolution
Vsolution
[A] =
ßA f
lVA ■/A.
x 106
Faktor x106 v enacbi nastopa zaradi enote [mmol m 3]. Za S a tako dobimo
[A] ßA Sa = ^ = =A ■ exp PA Va
P (Va - Vi deal) RT
x 106
Za pline, ki se obnasajo skoraj idealno, velja Va — Videal ~ 0 in zato
Sa « ßA x 106 .
A Va
(3.142)
(3.143)
(3.144)
(3.145)
Pri tem je potrebno opozoriti, da delni tlak plina v zraku obicajno pomeni pAry, tj. delni tlak plina v suhem zraku pri totalnem tlaku P = 1 atm, saj bi sicer morali upostevati zapleteno odvisnost p a od vlaznosti in temperature zraka. Ko dolocamo koncentracijo plina v oceanih, pa
obicajno upostevamo delni tlak plina v vlažnem zraku pm0ist. Velja naslednja zveza med pAry in Pmmst (Sarmiento in Gruber, 2006):
rA
A	A	H O	A	f p	A f pH2°\
Pmoist xdry (P P ) xdry ■ P ( 1 p ) P dry ( 1 p )
(3.146)
Pri tem so:
XA = razmerje mes anice (ang. mixing ratio) = stevilo molov A na mol zraka, P = totalni zracni tlak; obicajno P = 1 atm,
pH2o = delni tlak vodne pare; obicajno predpostavimo, da je zrak v bližini vodne povrsine saturiran z vodo.
V enacbi 3.146 smo upostevali zvezo med delnim tlakom in razmerjem mes anice:
PA = xA ■ P .
(3.147)
Za dolocanje delnega tlaka vodne pare pri saturaciji se je v svetu najbolj uveljavila empiricna enacba Weiss in Price (1980):
P
H2o
P
exp
24.4543 — 67.4509
— I - 4.8489 ■ ln ( — | - 0.000544 ■ s
TJ	V100/
(3.148)
T = absolutna temperatura v Kelvinih, s = slanost.
Vrednost pH2O/P na povrs ini morja se za P = 1 atm giblje od 0.5 — 4.0% . Za pline, ki se obnasajo precej drugace kot idealni plini (npr. CO2, N2O, klorofluoroogljiki...), moramo upostevati se korekcijski faktor exp P(VA-Tfeeai) . Za CO2 npr. znas a korekcija « 0.4% .
Funkcija topnosti F a. Funkcijo topnosti F a je vpeljal Weiss v (1974). Po njem topnost [A] dolocimo kot
[A] = [Fa ■ xAry] x 106 .	(3.149)
Funkcijo topnosti Fa pa dolocimo po izrazu
FA = (P — pH20) ■ ßd ■ exp Va
P (VA — Videal)
RT
enota Fa je [mol L . S a je torej s Fa povezana po enacbi
Sa =
FA
(P — pH20 )
x 106 =
FA
xdry pmoist
106 .
(3.150)
(3.151)
3.5.3 Modeliranje izmenjave plinov med vodo in atmosfero
Modelov za dolocanje pretoka plinov med oceani in atmosfero (ang. gas exchange models) je precej, nekateri med njimi upo s tevajo celo vpliv valov in tokov (stopnjo turbulentnosti, itd) na izmenjavo. Obicajno pa predpostavljamo, da so vertikalna turbulentna gibanja v zraku in vodi v blizini sticne povrsine mocno zmanj sana. V tem primeru lahko pretok plina med vodo in atmosfero dolocimo z enim izmed treh modelov:
1.	model mirujoče plasti (ang. stagnant film model (Liss in Slater, 1974; Liss in Merlivat, 1986)):
najpreprostejsi model. Predpostavlja, da zmanjsanje turbulence v mejni plasti na sticni povrsini med vodo in zrakom ustvari dva stabilna sloja. Preko teh dveh slojev lahko plini prehajajo samo z molekularno difuzijo e;
2.	model meteoroločke mejne plasti (ang. the meteorological boundary layer model (Deacon, 1977)):
kompleksnejsi. Predpostavlja bolj postopen prehod od turbulentnega gibanja v notranjosti do samo molekularne difuzije na sticni povrsini;
3.	model izmenjave plasti (ang. the film replacement model (Danckwerts, 1951; Higbie, 1935)):
se kompleksnejsi. Predpostavlja, da se na povrsini vode periodicno izmenjavata mejna plast in notranjost tekocine, oz. da vpliv gibanja v notranjosti tekocine v periodicnih presledkih seze do povrsine vode.
Vecina modelov za izmenjavo plinov temelji na odvisnosti koeficienta izmenjave plina kw od hitrosti vetra, ker je ta zveza najbolje raziskana: to so ti. modeli na osnovi hitrosti vetra (ang. wind-speed based models); tudi modeli 1.-3. spadajo v to skupino. Obstajajo se npr. modeli na osnovi naklona valov (ang. wave-slope models), ki se se razvijajo. Na osnovi najnovejsih raziskav pa je mogoce pretok plina med vodo in zrakom dolociti tudi neposredno iz terenskih meritev koncentracije plinov in drugih okoljskih spremenljivk (Sarmiento in Gruber, 2006).
Modeli na osnovi hitrosti vetra. Najpogosteje uporabljamo model mirujoce plasti, v katerem predpostavljamo, da se na stiku med obema tekocinama ustvari stabilna mejna plast vode oz. zraka (slika 3.40). V vodi imamo koncentracijo plina [A]w, v zraku pa delni tlak plina pO1. Ker plin skozi mejno plast prehaja samo z difuzijo, se [A]w oz. pA znotraj filma spreminjata linearno do saturacije pri z = 0. V turbulentnem obmocju pa velja, da sta voda oz. zrak povsem premesana in zato [A]w = konst in pA = konst. Cas, ki ga plin potrebuje za prehod, je odvisen od vrste plina. Pretok plina skozi oba filma opisuje Fickov zakon 1. reda:
e • d [A]	,
$ =--(3.152)
dz
e = molekularna difuzija v zraku oz. vodi.
Enota $ je [m2 s-1] • [mmol m-3] • [m-1] = [mmol(m2 s)-1]. Ce znotraj filma ni izvorov in ponorov A, bo gradient koncentracije A v filmu linearen:
$ = - ^.	(3.153)
Henryjev zakon nam omogoca, da enacbo 3.153 izrazimo z delnimi tlaki. Za atmosferski film dobimo
ea • ([A]a - [A]a) ea • Sa • (pa - PA,°)
$a =--^-L =--^-L = -ka • (p° - PA,°) ,	(3.154)
pri cemer je
= [ A]equilibrium Pri Sütumciß	(3.155)
in
ka = ^^	(3.156)
ka = koeficient izmenjave plina za zrak (ang. gas exchange coefficient); enota [ka] = [m2 s-1] • [mmol(m3 atm)-1] • [m-1] = . [ms-1] • [Si].
Za oceanski film pa dobimo
$w = -kw • ([A]W - [A]w)	(3.157)
kw =	(3.158)
kw = koeficient izmenjave plina za vodo; enota [kw] = [ms-1]; ker ima kw dimenzijo hitrosti, ga imenujemo tudi prenosna ali transferna hitrost (ang. t.ranspher velocity ali piston velocity).
Delni tlak
		ß	A,0 a		Turbulentni pretok
				"7 / / S /	Molekularni pretok
ATMOSFERA			s		- o
OCEAN		s s s s f _	s /		Molekularni pretok Turbulentni
			[A]° 1 Jtv		pretok
[A]„	--►
Koncentracija
Slika 3.40: Shematicni prikaz modela mirujoce plasti (povzeto po Sarmiento in Gruber). Figure 3.40: Schematic description of the stagnant film model (adapted from Sarmiento and Gruber, 2006).
Meritve delnih tlakov in koncentracij vedno opravljamo precej nad oz. pod sticno povrsino, nikoli tocno na njej. Zato se poskusamo v enacbah znebiti vrednosti pA0 in [A]W. Upostevamo, da plin prehaja skozi oba filma kontinuirano:
= $w = $ ,	(3.159)
[A]a = [A]W .	(3.160)
Dobimo
$ = -k ■ ([A]a - [A]w)	(3.161)
s koeficientom k
1 = f + SA .	(3.162)
k	kw	ka
Tudi k ima enoto hitrosti. Ker v praksi velja ka/SA kw (ka/SA je reda 1000 cm/h, kw pa reda 10 cm/h), lahko atmosferski film zanemarimo in dobimo:
$ = -kg ■ (PA - PA)	(3.163)
s koeficientom kg
kg = kw ■ Sa .	(3.164)
kg = koeficient izmenjave plina za zrak in vodo; enota [kg] = [ms-) ■ [Sa].
Meritve prenosne hitrosti opravljamo laboratorijsko v tunelih (ang. wind tunnels) in na terenu s sledili. Tako meritve kot teorija pravijo, da je vrednost koeficienta odvisna predvsem od stopnje turbulence v blizini sticne ploskve med zrakom in vodo (Sarmiento in Gruber, 2006). Stopnja turbulence pa je odvisna predvsem od napetosti zaradi vetra na povrsini vode in od Schmidtovega stevila:
S v kinematicna viskoznost vode ;	(3 165)
c e	molekularna difuzija '
Sc = Schmidtovo stevilo; odvisno je od temperature in od vrste plina (preglednica 3.4).
Vpliv najpomembnejsih procesov na kg oz. kw lahko ovrednotimo npr. po Jahne in sod. (1987):
i—n
kw = Y ■ S-n ■ u*w	(3.166)
Y = brezdimenzijska konstanta, ki je enaka za vse pline, Sc = Schmidtovo stevilo,
n = eksponent: n = 1 za model mirujoce plasti, n = 2/3 za model meteoroloske mejne plasti, n = 1/2 za model izmenjave plasti. n lahko dolocimo tudi eksperimentalno, obicajno pa upostevamo n = 1 oz. stabilno mejno plast,
u*w = strizna hitrost v vodi; predstavlja ucinek napetosti zaradi vetra. Namesto u*w lahko uporabimo tudi hitrost vetra U10 10 m nad gladino morja. V nekaterih modelih namesto u*w oz. U10 uporabljamo (u*w)2 oz. (U10)2 ali celo (u*w)3 oz. (U10)3.
Prenosno hitrost kw lahko za razlicne vrednosti Schmidtovega stevila odcitamo z grafa odvisnosti kw(U10) (slika 3.41; povzeto po Liss in Merlivat, 1986). V odvisnosti na sliki 3.41 so zajeti tudi vplivi drugih pomembnih dejavnikov na pretok plina: topnost plinov, tip valov, prisotnost filma OM, idr. Na grafu locimo 3 obmocja:
1.	območje gladke gladine (ang. smooth surface regime): v tem območju velja kw (x Sc 2/3, za dolocitev pretoka plina pa uporabimo model meteoroloske mejne plasti,
1/2
2.	obmocje nagubane gladine (ang. rough surface regime): kw « Sc ' , pretok plina dolocimo z modelom izmenjave plasti,
Preglednica 3.4: Koeficienti za dolocitev Schmidtovega stevila po enacbi Sc = A — BT + CT2 — DT3. Vrednosti veljajo za slanost 35 psu in temperaturo med 0 and 30°C; temperaturo podajamo v °C. Enacba temelji na podatkih Wanninkhof (1992), Keeling in sod. (1998), Zheng in sod. (1998) ter Liss in Merlivat (1986) (povzeto po Sarmiento and Gruber, 2006). Table 3.4: Coefficients for the calculation of the Schmidt number as a function of temperature in seawater of salinity 35 for temperatures between 0 and 30°C. The Schmidt number is calculated as Sc = A — BT + CT2 — DT3, with T in °C. Data are from Wanninkhof (1992), Keeling et al. (1998), Zheng et al. (1998) and Liss and Merlivat (1986) (adapted from Sarmiento and Gruber, 2006).
Gas	A	B	C	D
He	410.14	20.503	0.53175	0.006011
Ne	855.1	46.299	1.254	0.01449
N2	2206.1	144.86	4.5413	0.056988
O2	1638	81.83	1.483	0.008004
Ar	1909.1	125.09	3.9012	0.048953
Kr	2205.0	135.71	3.9549	0.047339
Rn	3412.8	224.30	6.7954	0.08300
CH4	2039.2	120.31	3.4209	0.040437
CO2	2073.1	125.62	3.6276	0.043219
N2O	2301.1	151.1	4.7364	0.059431
CFC-12	3845.4	228.95	6.1908	0.06743
CFC-11	3501.8	210.31	6.1851	0.07513
SF6	3531.6	231.4	7.2168	0.090558
CCl4	4295.8	281.52	8.7826	0.11025
3. obmocje rusenja valov oz. prisotnih mehurckov v vodi (ang. breaking wave/bubble regime): v tem obmocju ni jasnega trenda med kw in Sc, pretok plina pa v tem primeru dolocimo s pomocjo zahtevnejsih modelov, ki upostevajo tudi stopnjo turbulentnosti teko-cine, lastnosti valov, itd.
Modeli na osnovi naklona valov. Velja, da je kw v obmocjih gladke in nagubane gladine dobro korelirana s povprecnim kvadratom naklona valov (s2) (Jahne in sod., 1987). Naklon vala WS je definiran kot:
WS = a ■ k ;	(3.167)
a = amplituda vala (polovica totalne vi s ine vala H), k = valovno s tevilo; enako je 2n/L.
Zveza med kw in (WS2) velja v sirokem obmocju meritev z vetrovnimi tuneli in velja tudi pri visokih koncentracijah organske snovi na povrs ini vode. Ugotovitev je zelo uporabna, ker lahko na ta nacin povprecni naklon valov povezemo z merami za nagubanost morja, t.j. neposredno z meritvami daljinskega zaznavanja (ang. remote sensing) (Glover in sod., 2002). Ti modeli se s e razvijajo.
U, o (m s-1)
Slika 3.41: Graf prenosne hitrosti kw v odvisnosti od hitrosti vetra U oz. strizne hitrosti u*w (povzeto po Liss in Merlivat, 1986).
Figure 3.41: Plot of transfer velocity kw vs. wind velocity U or friction velocity u*w (adapted from Liss and Merlivat, 1986).
Modeli na osnovi terenskih meritev. Pretok plina na stiku med zrakom in vodo je odvisen od mnogih dejavnikov, celoten proces je izredno kompleksen. Vetrovni tuneli so laboratorij in lahko dajo napacne rezultate, zato jih obicajno umerimo z enim izmed terenskih modelov in tako popravimo vrednost kw, ki jo dobimo s teoreticnimi modeli. Pri dolocanju pretoka plinov med zrakom in vodo si najpogosteje pomagamo z meritvami koncentracije radioaktivnega ogljika, z izmerjenimi vrednostmi deficita radona, z raznimi sledili (Sarmiento in Gruber, 2006).
Najpogosteje uporabljene modele (polempiricne enacbe) za dolocanje kw podajamo v preglednici 3.5. Med nastetimi modeli daje po navedbah avtorjev najboljse rezultate Wanninkhof (1992), ki temelji na terenskih meritvah radioaktivnega ogljika. Bistvo modela je, da za odvisnost kw(U) namesto treh linearnih obmocij (slika 3.41) uposteva eno samo kvadratno funkcijo:
kw = a ■ U2 ;	(3.168)
a = konst; dolocimo jo z meritvami.
Wanninkhof pravi, da enacba 3.168 ni fizikalno dokazljiva, vendar je ujemanje z meritvami dobro. Kvadratna zveza med kw in hitrostjo vetra pomeni, da odvisnost kw od Schmidtovega stevila
Preglednica 3.5: Najpopularnej se enacbe za dolocitev prenosne hitrosti kw. Po dogovoru podajamo kw v [cm hr-1], hitrost vetra U pa v [m s-1]. U pomeni vrednost hitrosti vetra na nominalni visini 10 m nad gladino morja (povzeto po Sarmiento in Gruber, 2006).
Table 3.5: Most widely used gas transfer velocity formulations. By convention kw is given in [cm hr-1 ] and the wind speed U in [ms-1]. The equations are for U measured at or interpolated to a nominal height of 10m above sea level (adapted from Sarmiento and Gruber, 2006).
		Globalno povprecje kw
Vir	Enacba	pri Sc = 660 (cm hr-1)
Liss in Merlivat (1986)	kw = 0.17 ■ U ■ (Sc/600)-2/3,	
	U < 3.6 ms-1	
	kw = (U — 3.4) ■ 2.8 ■ (Sc/600)-a5,	11.2
	3.6 < U < 13 ms-1	
	kw = (U — 8.4) ■ 5.9 ■ (Sc/600)-a5,	
	U > 13 ms-1	
Nightingale in sod. (2000)	kw =	14.9
	(0.333-U+0.222-U 2)-(Sc/600)-°.5	
Wanninkhof (1992)	kw = 0.31 ■ U2 ■ (Sc/600)-°.5	20.0
Wanninkhof in McGillis (1999)	kw = 0.0283 ■ U3 ■ (Sc/600)-°.5	18.7
vedno sledi funkciji ^ oz. da velja n = 0, 5 (enacba 3.166):
kw « Sc-1/2 .	(3.169)
Model Wanninkhof (1992) torej ne uposteva obmocja gladke gladine, v katerem je kw (x S-2/3, saj (po besedah avtorja) ta v oceanih skorajda nikoli ne nastopa.
Določitev posameznih komponent pretoka. Na kratko opisujemo se modeliranje posameznih komponent pretoka plina med vodo in atmosfero (po Sarmiento in Gruber, 2006).
Termalna komponenta imenujemo del pretoka, ki je posledica spremembe topnosti plinov zaradi spremembe temperature vode. Pri visji temperaturi vode so plini slabse topni, posledica je visja stopnja izhlapevanja. Termalno komponento dolocimo po spodnji enacbi (predpostavljamo hipen odziv sistema: segrevanje oceana oz. pretok toplote iz atmosfere v ocean takoj povzroci pretok plina iz vode v zrak oz. ravnotezeje med vodo in zrakom):
= — () (Q);	(3-170)
T = temperatura,
Q = pretok toplote; predznak je pozitiven pri segrevanju in negativen pri ohlajanju oceana, cp = sprecificna toplota vode.
Biološko komponento pretoka imajo samo plini, ki sodelujejo v bioloskih procesih ali v njih nastajajo kot stranski produkt. Ko je pretok A posledica bioloskih procesov, sta biolos ka in termalna pogosto edini komponenti, ki ju je potrebno upostevati. Zato biolos ko komponento
pretoka obicajno dolocimo kar kot
$
biological $total $ thermal
(3.171)
Komponenta pretoka zaradi filma organske snovi: predvsem v casu cvetenja se na povrsini morja ustvari film organske (in druge) snovi (ang. surfuctant effect), ki opazno vpliva na pretok plinov med vodo in zrakom (Frew, 1997). Ucinek te plasti na prehajanje plinov je tako velik, da predstavlja mejo med obmocjema gladke in nagubane gladine (slika 3.41). V praksi se zaradi te plasti obcutno zmanjsa kw, in sicer posredno zaradi nizje stopnje turbulence, slabsega razvoja valov in visje stopnje disipacije energije pri majhnih valovih. Ucinek filma se visa z visanjem kolicine organske snovi, zato ga merimo posredno preko koncentracije fitoplanktona.
Komponenta pretoka zaradi rušenja valov oz. mehurčkov: rezultati laboratorijskih poskusov v vetrovnih tunelih kazejo, da ima na vrednost kw izjemno velik vpliv rusenje valov oz. posledicno prisotnost mehurckov zraka v vodi (ang. bubble effect). Prav zaradi mehurckov nastopi druga nezveznost v odvisnosti kw od U10 (slika 3.41), t.j. med obmocjema nagubane gladine in rusenja valov. Zaradi mehurckov ima lahko manj topen plin (npr. O2) celo visji kw kot bolj topen plin (npr. CO2).
Do rusenja valov (ang. wave breaking) pride v tunelih pri hitrostih vetra nad « 10 m/s. Rusenje valov prinese v vodo mehurcke zraka, ki si zatem izmenjujejo pline z vodo (npr. O2). Mehurcki se ali popolnoma raztopijo v vodi ali pa priplavajo na povrsje in se vrnejo v atmosfero. Neto transfer plina zaradi mehurckov je enak razliki med kolicino plina, ki z mehurcki vstopi v vodo in kolicino plina, ki z mehurcki vodo ponovno zapusti; neto transfer je lahko pozitiven ali negativen.
Vpliv mehurckov na kw obicajno razdelimo na dva dela (Keeling, 1993b; Fuchs in sod., 1987):
•	na ucinek mehurckov, ki se v vodi popolnoma raztopijo (ang. bubble collapse or injection),
•	na ucinek mehurckov, ki se ne raztopijo popolnoma; ti mehurcki omogocajo neprestano izmenjavo plinov preko svoje povrsine.
Za pretok $ tako dobimo:
$bubble = - kinjection ■ [A] a - kexchange ■
1 + Af) ■ [A]a - A
(3.172)
Pri dolocanju koncentracije plina A v vodi okrog mehurckov predpostavljamo, da je A v ravno-tezju oz. da plin ne prehaja vec med vodo in mehurcki. V tem primeru je [A]w = [A]a za tlak v zraku P =1 atm. Ker pa za tlak v mehurcku obicajno ne velja P =1 atm, vrednost [A]a se popravimo s faktorjem (1 + AP/P). Tlak v mehurcku je glede na atmosferski tlak P visji za vrednost povrsinske napetosti in hidrostaticnega pritiska.
Velja, da imajo manj topni plini visjo vrednost clena za raztopljene mehurcke v enacbi 3.172. Predstavljajmo si, da zrak z mehurcki oz. z valovi vbrizgujemo v vodo. Stopnja injiciranja
vinjection znasa
volumen zraka
vinjection — ~Z	~ ,	(3.173)
cas x površina
enota [vinjection] = [cmhr-1]. Dolocimo pretok $ plina A z enoto [mol(caspovrsina)-1], ki je posledica tega vbrizgavanja zraka v vodo. Volumen zraka pretvorimo v mole s splosno plinsko
enacbo za idealni plin. Dobimo
'
injection
PA ■ vinjection
RT
(3.174)
V enacbah za prenosno hitrost kw nastopa koncentracija [A] in ne delni tlak p a. Uporabimo se Henryjev zakon in dobimo
'
Od tod sledi, da je
injection
kw =
vinjection
R ■ T ■ S a
vinjection
[A]
(3.175)
(3.176)
R ■ T ■ S a
kar pomeni, da je kw obratno odvisen od Sa. To pa pomeni, da imajo manj topni plini visjo vrednost kw.
Kjer prihaja do vbrizgavanja mehurckov (pri rusenju valov), torej pretok A preko povrsine med zrakom in vodo dolocimo kot
'
total
'
surface
+ '
bubble
(3.177)
-ksurface ■ ([A]a - [A]w) -- kinjection ■ [A] a - kexchange ■
1 +
AP
P
[A]a - A
(ksurface + kexchange) ■ [(1 + Ae) ■ [A]a [A]
w
= -kw ■ [(1 + Ae) ■ [A]a - [A]w]
Pri tem je Ae
Ae =
k
injection + kexchange
AP p
ksurface + kexchange
Ae = ravnotežna supersaturacija plina, ki nastopi pri 'total = 0.
(3.178)
Do na videz nelogicne ravnotezne supersaturacije pride, ko je vnos z mehurcki enak izgubi plina preko povrsine oz. ko z mehurcki v vodo prihaja ravno toliko A, kot se ga izgublja zaradi AC. Na ta nacin lahko razlozimo, zakaj je vecji del Svetovnega oceana supersaturiran s kisikom: vnos mehurckov ohranja supersaturacijo, ceprav AC povzroca pretok plina iz vode v zrak. Poleg tega je Ae visja za manj topne pline, npr. za O2.
Do enake oblike (enacba 3.177) je prisel ze Woolf v (1997). Enacba 3.177 je enaka enacbi 3.161 za pretok plina med vodo in zrakom, le da izraz 3.177 velja tudi pri rusenju valov oz. pri visjih hitrostih vetra (slika 3.41). Za nekatere pline (npr. za Ar, Ne, He, Kr in Xe) je [A]a zanemarljiva (Sarmiento in Gruber, 2006). V tem primeru nam ostane le
' = kw ■ [A]w ,
(3.179)
kjer kw pomeni kombiniran vpliv izmenjave plina preko gladine zaradi AC in preko povrsine mehurckov.
Clen Ae v enacbi 3.177 oz. 3.178 je odvisen tudi od hitrosti vetra. Woolf in Thorpe sta v (1991) podala empiricni izraz za njegovo dolocitev:
AeA = 0,01 x ( —
Ua
U
(3.180)
2
Ua = hitrost vetra, pri kateri znasa supersaturacija s plinom A 1%.
Ua za razlicne pline: UN2 = 7.2 m/s, Uo2 = 9.0 m/s, Uco2 = 49 m/s, Uir = 9.6 m/s. Ce upostevamo globalno povprecno hitrost vetra U = 7.5 m/s, dobimo za AeA majhne vrednosti: AeN = 1.1%, Ae°2 = 0.7%, Aec°2 = 0.02%, Aeir = 0.61%. Mehurcki imajo najmanjsi vpliv na CO2, ki je najbolj topen izmed nastetih plinov. V praksi zaenkrat se ni splosno sprejetega modela za oceno vpliva mehurckov na kw, niti ne na Ae. Modelov je precej, vendar niso konsistentni z meritvami (Sarmiento in Gruber, 2006).
Komponenta pretoka zaradi kemijskih reakcij: zaradi nekaterih kemijskih reakcij v mejni plasti se lahko spremeni tudi obseg prehajanja plinov med zrakom in vodo (ang. chemical enhancement). Z reakcijami se plin v vodi pretvarja v druge snovi, zato se njegova koncentracija niza, posledicno pa se pritok iz atmosfere povisa. Na ta nacin reagirata z vodo npr. tudi CO2 in SO2.
CO2 tvori z vodo med raztapljanjem bikarbonatne in karbonatne ione. Ce encimi niso prisotni, potekajo te reakcije zelo pocasi. Razen pri zelo nizkih hitrostih vetra je zato vrednost komponente pretoka za CO2 zaradi kemijskih reakcij zelo nizka. Boutin in Etcheto v (1995) piseta, da je ta vpliv nezanemarljiv le v ekvatorialnem pasu z nizkimi hitrostmi vetra, globalno pa je dovolj majhen, da ga lahko zanemarimo. Za ovrednotenje dejanskega vpliva so potrebne terenske meritve, v praksi pa vpliv kemijskih reakcij na vrednost pretoka CO2 zanemarimo, ce le ni zagotovo dokazan. Drugace je npr. pri SO2: v tem primeru je potrebno kemijsko komponento pretoka upostevati, ker pri SO2 izredno hitro potece hidratacija. Reakcija potece ze v tr = 10-6 s, kar da kW°2 = 34420 cm/h.
Komponenta pretoka zaradi filma vode z drugačno temperaturo: na povrsini se ustvari tanka plast vode (debeline mm), v kateri je temperatura drugacna kot v okolici, to pa vpliva na topnost plinov (ang. cool skin effect). Ta film nastane, ker se na povrsini toplota iz morja izgublja v zrak. Z nizanjem temperature se topnost plinov v vodi povecuje, kar moramo upostevati tudi v enacbi za pretok:
$ = -kw • [(1+ č)[A]a - [A]w],	(3.181)
£ = Si fAT ;	(3-182)
£ = clen, ki izraza občutljivost Sa na temperaturo, [A]a = koncentracija A v morski vodi pri saturaciji.
3.6 Izmenjava snovi na stiku vode z dnom
Priblizno cetrtina vsega OM se v vodnem stolpcu ne mineralizira, temvec pade na dno oceana, kjer se lahko mineralizira ali pa ostane zakopana. Velja, da se na dnu mineralizira preko 90% OM, samo preostalih < 10% pa ostane zakopane v sedimentih (Sarmiento in Gruber, 2006). Kemijske reakcije mineralizacije na vrhu sedimentov in fizikalni procesi, ki pri tem sodelujejo, so proti pricakovanjem dokaj razjasnjeni, manj pa vemo o procesih, ki se odvijajo globlje v sedimentih. Procesi razgradnje organske snovi v sedimentih izredno pomembno vplivajo na koncentracijo kisika in nitratov v vodnem stolpcu, zato jih je pri modeliranju pogosto nujno upostevati. To je se posebej pomembno pri modeliranju plitvih priobalnih obmocij. Temeljni deli o kemijskih procesih v sedimentih sta Berner (1980) in Boudreau (1997).
3.6.1 Sedimenti
Sedimenti sestojijo iz trdnih delcev, prostor med njimi pa je zapolnjen s porno vodo. Vecina snovi pride na dno z usedanjem iz vodnega stolpca, nekatere pa nastanejo tudi v sedimentih. Običajna vrednost stopnje akumulacije (ang. accumulation rate) za sedimente in porno vodo globokega oceana znasa od 0.1 — 1.0 cm/kyr (1 kyr = 1000 yr) (Sarmiento in Gruber, 2006).
Mera za delez volumna sedimentov, ki ga zapolnjuje voda, je poroznost 0:
0 =
Vl
Vs + vl
(3.183)
VS = volumen trdne faze (S = solid), VL = volumen porne vode (L = liquid).
Poroznost obicajno znasa 0 = 80 — 90%, v slabse konsolidiranih sedimentih blize sticni ploskvi med vodo in sedimenti pa se vec (slika 3.42).
poroznost
0.90 -i—
0.95
1.0 —I
Slika 3.42: Obicajen profil upadanja poroznosti z narascanjem globine sedmentov (povzeto po Reimers in sod., 1992).
Figure 3.42: A typical vertical profile of porosity (adapted from Reimers et al., 1992).
Sestava sedimentov. Delci sestojijo predvsem iz gline, CaCO3, silikatov SiO2 ■ nH2O in organske snovi. Delez organskega ogljika v sedimentih je najvisji v priobalnih morjih, kjer znasa do 2% suhe teze. Pri primerjavi karte vsebnosti organskega ogljika v sedimentih s kartami vsebnosti drugih elementov (karbonati, silikati) ugotovimo, da je ujemanje slabo. V razlicnih pogojih namrec dominirajo razlicni procesi oz. je sestava sedimentov mocno odvisna od pogojev okolja. Karta deleza TOC v sedimentih se s karto izvoza POM ujema le v priobalnih morjih (Sarmiento in Gruber, 2006).
Koncentraciji organskega ogljika in kisika z globino sedimentov padata zaradi mineralizacije. Grafi na sliki 3.43 kazejo velike razlike v vsebnosti organskega ogljika in kisika v sedimentih na kontinentalnih robovih in na odprtem morju. Grafi so tipicni in veljajo za zgornjih ~ 50 mm sedimentov. Ob obalah je delez TOM po globini sedimentov skoraj konstanten, pade samo z 1.7% na povrsini na 1.4% na globini 50 mm. V globokem oceanu je koncentracija TOM v globinah sedimentov precej nizja, na globini 20 mm znasa le se 0.5% in ostaja priblizno konstantna tudi v vecjih globinah. Obratno je s kisikom: ob obalah njegova koncentracija z globino zelo hitro pada, in sicer s 140 mmol/m3 na povrsini sedimentov na 0 mmol/m3 na globini 15 mm. Na odprtem morju pa sedimenti vecinoma ostajajo oksicni tudi v globinah: vsebnost kisika pade s ~ 170 mmol/m3 na povrsini na ~ 120 mmol/m3 na globini 20 mm, pod to globino pa ostaja priblizno konstantna (Rabouille in Gaillard, 1991).
organski ogljik (%)	kisik (mmol m-3)
Slika 3.43: Tipicni grafi vsebnosti organskega ogljika v sedimentih in kisika v porni vodi; primerjava med kontinentalnim robom in globokim oceanom (povzeto po Rabouille in Gaillard, 1991). Figure 3.43: Vertical profiles of percent dry weight organic carbon content in sediments, and oxygen concentration in pore water (adapted from Rabouille and Gaillard, 1991).
Pretok med vodo in sedimenti je najmočnejši za kisik in nitrate, ki sodelujeta v procesu aerobne mineralizacije OM. Koncentracijo kisika v sedimentih doloca koncentracija kisika v vodi, od koder z difuzijo prehaja v sedimente. Z nitrati je obratno: tvorijo se v sedimentih med mineralizacijo, od tam pa z difuzijo prehajajo v vodo. V sedimentih se v vecjih kolicinah nahajajo se mangan, amoniak, železovi in zveplovi ioni, metan; njihova koncentracija je visja globlje v sedimentih. Prisotnost teh snovi v sedimentih omogoca se druge oblike mineralizacije OM, za katere nista potrebna ne kisik in ne nitrati (Sarmiento in Gruber, 2006).
Porna voda. Porna voda je morska voda s spremenjenimi lastnostmi zaradi mineralizacije OM, precipitacije, adsorbcije in desorbcije elementov. Zaradi procesov, ki potekajo v sedimentih, dobimo velike gradiente koncentracije snovi med porno vodo in morsko vodo nad sedimenti. Zaradi gradientov pa poteka difuzija snovi, in sicer tako v vertikalni kot tudi v horizontalni smeri znotraj sedimentov.
Difuzivni pretok snovi iz sedimentov v vodo poteka preko ti. difuzivne mejne plasti (ang. diffusive boundary layer), ki nastane v vodi tik nad dnom zaradi zmanjsane hitrosti vode v tej plasti. Obicajno profil snovi, ki prehaja iz sedimentov v vodo, zgleda podobno kot profil kisika na sliki 3.44.
O2 (mmol m-3) 0 50 100 150 200 250 300
Slika 3.44: Vertikalni profil koncentracije kisika v vrhnji plasti sedimentov, ki nazorno kaze difuzivno mejno plast (povzeto po Gundersen in Jorgensen, 1990).
Figure 3.44: A vertical profile of oxygen at the sediment-water interface, showing diffusive boundary layer (adapted from Gundersen and Jorgensen, 1990).
Velja, da je advekcija porne vode dokaj nepomembna v obmocjih, kjer staro oceansko skorjo prekriva debela plast sedimentov; tako dno je znacilno predvsem za abisalne ravnine (ang. abyssal plains). Gibanje porne vode zaradi advekcije poteka predvsem v vertikalni smeri in je neposredna posledica gibanja vodnih mas nad sedimenti. Advekcijo porne vode v priobalnih morjih povzrocajo (Sarmiento in Gruber, 2006):
• valovi neposredno s kroznim gibanjem delcev vode, ki pridejo v stik z delci na dnu,
•	valovi posredno preko oscilacij tlaka, zaradi katerih se porna voda ponekod giblje v +z in drugod v -z smeri,
•	interakcija plimnih valov in tokov s sedimenti,
•	gradienti tlaka zaradi toka preko ovir na dnu,
•	tokovi zaradi pretoka toplote iz oceanske skorje,
•	organizmi lahko med plavanjem ustvarjajo precej mocne horizontalne in vertikalne tokove; ta vpliv je pomemben predvsem v priobalnih obmocjih,
•	stiskanje sedimentov v globinah, kar povzroca iztiskanje porne vode v visje plasti sedimentov in nazadnje v vodo oceana,
•	ti. virtualna hitrost, ki se pojavi zato, ker postavimo koordinatno izhodisce vedno na sticno ploskev med vodo in sedimenti, cetudi se sedimenti nalagajo ali erodirajo.
Trdni delci. Delci v sedimentih so prav tako kot delci v vodnem stolpcu podvrzeni bioloskim in kemijskim reakcijam (nekonservativnim procesom). Zaradi mineralizacije (aerobne respiracije) se v trdni fazi sedimentov niza vsebnost POM in kisika, visa pa se koncentracija raztopljenih anorganskih elementov. V procesih obarjanja snovi iz porne vode, adsorbcije na delce in bioloske porabe hranil pa raztopljena snov ponovno postaja del trdne faze.
Delci so podvrzeni tudi fizikalnim (konservativnim) procesom, ki so analogni advekciji in difuziji. Med te procese sodijo usedanje delcev na dno (pri tem se nivo sticne ploskve med vodo in sedimenti visa), konsolidacija globljih plasti sedimentov, tanjsanje litosfere pod sedimenti kot posledica ohlajanja zaradi razmikanja srednje-oceanskih grebenov (ang. mid-ocean ridges, MOR), zvijanje skorje pod tezo sedimentov (zaradi teh procesov se nivo sticne ploskve niza). V plitvih vodah ter na strmih pobocjih sta izredno pomembna tudi resupenzija sedimentov z dna in lateralni transport sedimentov zaradi tokov, valov in plimovanja (Sarmiento in Gruber, 2006).
Ker se sticna ploskev med vodo in sedimenti glede na gladino vode pomika v vertikalni smeri, pri modeliranju sedimentov izhodisce koordinate z 'pripnemo' na sticno ploskev med vodo in sedimenti (z narasca z globino sedimentov). Na ta nacin se z visanjem in nizanjem sticne ploskve visa in niza tudi koordinatni sistem. Sedimenti, ki se nalagajo na dno, so scasoma zakopani v globljih plasteh, kar pa pomeni, da lahko akumulacijo delcev razumemo kot vertikalno advekcijo glede na koordinatno izhodisce. V nekaterih primerih vertikalno os tolmacimo kot casovno premico, na kateri so starejse plasti globlje zakopane.
Poseben vpliv na delce v sedimentih ima bioturbacija. Pod tem izrazom razumemo aktivno premikanje delcev zaradi ritja organizmov (posebne skoljke (ang. clams), crvi, ...) po sedimentih. K bioturbaciji spada mnogo procesov, npr. hranjenje, izlocanje, tvorjenje rovov, itd. Veliko organizmov je pri hranjenju in gradnji bivalisc izbircnih, zato mnogi izmed procesov bioturbacije niso naključni. Kljub temu bioturbacijo obicajno modeliramo kot difuzijo, katere rezultat je mesanje sedimentov. Tako meritve kot modeli kazejo, da je vpliv obsega bioturbacije na rezultate modelov precejsen (Sarmiento in Gruber, 2006).
3.6.2 Mineralizacija OM v sedimentih
Pri mineralizaciji OM v sedimentih locimo primere, ko reakcija potece v prisotnosti kisika (oksicni pogoji) ali brez njega (anoksicni in anaerobni pogoji). V vsakem primeru del mineralizacije potece kot transfer e- z reducenta (OM) na oksidant (O2, NO-, Mn(IV), Fe(III), SO2-, OM v primeru fermentacije metana). Pri aerobni respiraciji je oksidant kisik.
3.6.2.1 Procesi mineralizacije OM v sedimentih
Aerobno mineralizacijo poleg bakterij vrsijo tudi veliki organizmi, ker se pri redukciji kisika sprosti najvec energije. Ostale procese mineralizacije OM: denitrifikacijo, redukcijo mangana, zeleza in sulfatov, fermentacijo metana pa vrsijo samo bakterije. Te reakcije ne potekajo kar vsevprek, ampak v zaporedju, ki ga doloca kolicina z reakcijo pridobljene energije. Vecina encimov, ki vrsijo anaerobne procese mineralizacije OM, je aktivnih samo v anoksicnih pogojih. Denitrifikacija in redukcija mangana zato ne steceta, dokler se med aerobno respiracijo ne porabi (skoraj) ves kisik. Redukcija zeleza in sulfatov pa steceta, ko zmanjka nitratov in MnO2 (Froelich in sod., 1979).
Zaporedje reakcij razgradnje OM v osnovne gradnike (za OM predpostavljamo sestavo po Anderson (1995): OM = C106H175O42N16P) (Sarmiento in Gruber, 2006):
1.	aerobna respiracija:
OM + 150O ^ 106-CO2 + 16-HNO3 + H3PO4 + 78-^O
2.	denitrifikacija:
OM + 104-HNO3 ^ 106-CO2 + 60-N2 + H3PO4 + 138-H2O
3.	redukcija mangana (manganovega oksida):
OM + 260-MnO2 + 174-H2O ^ 106-CO2 + 8-N2 + H3PO4 + 260-Mn(OH)2
4.	redukcija zeleza (zelezovega oksida):
OM + 236-Fe2O3 + 410-H2O ^ 106-CO2 + 16-NH3 + H3PO4 + 472-Fe(OH)2
5.	redukcija sulfatov:
OM + 59^SO4 ^ 106^CO2 + 16-NH3 + H3PO4 + 59-^S + 62H2O
6.	fermentacija metana (metanogeneza, ang. methanogenesis): OM + 56^O ^ 47^CO2 + 59-CH4 + 16^NH3 + H3PO4
Vrstni red reakcij odseva tudi vertikalni profil teh snovi v sedimentih (glej sliko 3.45). Aerobna respiracija porablja kisik na vrhu sedimentov in pri tem tvori nitrate: koncentracija kisika je zato na vrhu nizka, koncentracija nitratov pa visoka - del teh nitratov z difuzijo preide globlje v sedimente in visje v vodo nad sedimenti. Globlje v sedimentih koncentracija nitratov pade zaradi denitrifikacije. V prisotnosti kisika se mangan obicajno nahaja kot netopni MnO2. Ko kisika zmanjka, pa bakterije porabljajo kisik iz MnO2 in tvorijo Mn(OH)2. Zato dobimo v porni vodi pod globino, kjer koncentracija O2 pade na 0, porast raztopljenih manganovih ionov Mn2+.
koncentracija
Slika 3.45: Profil koncentracije kemijskih elementov in spojin v sedimentih, ki odrazajo potek razlicnih reakcij mineralizacije v tleh (povzeto po Sarmiento in Gruber, 2006). Figure 3.45: Schematic vertical profiles of reactants and products of mineralization reactions in sediments (adapted from Sarmiento and Gruber, 2006).
Bioturbacija, cirkulacija vode, plimovanje, valovi in drugi fizikalni procesi lahko povisajo stopnjo mineralizacije v sedimentih, tako da (Sarmiento in Gruber, 2006):
•	povisajo stopnjo reoksidacije v sedimentih,
•	(ciklicno) premescajo sedimente in jih s tem izpostavljajo razlicnim pogojem, v katerih potekajo razlicne reakcije,
•	omogocajo izmenjavo snovi (komponent reakcij) med obmocji,
•	staro obstojnejso OM intenzivneje mesajo s svezo OM, ki se useda iz vodnega stolpca.
Vpliv fizikalnih procesov je najvecji v deltah, ustjih rek (estuarjih) in priobalnih morjih. Razgradnja OM v takih obmocjih je izjemno ucinkovita, lahko pa poteka tudi precej drugace kot v sedimentih odprtega morja (druge reakcije, drugi oksidanti, itd).
Po Canfield (1993) je celokupni pretok kisika iz vode v sedimente dobra aproksimacija za totalno stopnjo oksidacije ogljika, in sicer tudi v primerih, ko je vecina oksidacijskih procesov anoksicnih (stopnja oksidacije ogljika pomeni delez ogljika oz. OM, ki se ponovno mineralizira, v prisotnosti molekularnega ali vezanega kisika). Stopnjo oksidacije merimo v [mmol m-2 dan-1], obseg vrednosti pa je enak kot pri mineralizaciji OM: 0,8 npr. pomeni nizko, 5 pa npr. pomeni visoko stopnjo oksidacije. Ce stopnjo oksidacije ogljika ocenjujemo na osnovi obsega pretoka kisika iz vode v sedimente, izpustimo samo dva procesa:
•	del mineralizacije, ki se odvija globlje v sedimentih in je povezan z Mn, Fe in FeS,
•	denitrifikacijo, med katero se tvori N2, ki je plin in uide iz sedimentov, ne da bi se pred tem oksidiral.
Preglednica 3.6: Prispevek razlicnih procesov mineralizacije organske snovi v sedimentih h globalni vrednosti stopnje oksidacije ogljika (povzeto po Sarmiento in Gruber, 2006). Table 3.6: Contribution of various sediment mineralization processes to global carbon oxidation rate (adapted from Sarmiento and Gruber, 2006).
Ocena globalne stopnje oksidacije ogljika
Reakcija mineralizacije	P g C leto-1	%
Aerobna respiracija	1.6	65.0
Denitrifikacija	0.16 ± 0.05	6.5
Redukcija mangana	0.01 — 0.02	- 0.6
Redukcija zeleza	0.003 — 0.010	- 0.3
Redukcija sulfatov	0.44	17.9
Metanogeneza	0.24	9.8
Skupaj	2.5	
Doprinos posameznih reakcij mineralizacije OM h globalni stopnji oksidacije Corg so podane v preglednici 3.6. Dalec najvec doprinese aerobna respiracija: kar 65% vse mineralizacije. Sledijo
redukcija sulfatov in zatem metanogeneza in denitrifikacija. Redukcija mangana in zeleza sta zanemarljivi. Redukcija sulfatov in metanogeneza se odvijata skoraj izkljucno samo na kontinentalnih robovih. 81% denitrifikacije potece v sedimentih z globino vode < 1000 m. V globokem oceanu poteka predvsem aerobna mineralizacija (Sarmiento in Gruber, 2006). Na sliki 3.46 prikazujemo obicajne vrednosti koncentracije Corg v oksicnih in anoksicnih sedimentih.
DOC (mmol m*3) too 300 1200
DOC (mmol m"3) 40D	SOO
J2
CT 'i «
20
24
— —'—"T"»-1-	
1	t \\ \ \ * •
	■
Chesapeake bay, ZDA,	
Atlantik	
DOC (mmol m-3)	
1200
Monterey, Kalifornija, Pacifik
16
DOC (mmol m-3) 400	800
1J00
kontinentalno pobočje Kalifornije, Pacifik
Slika 3.46: Obicajen profil koncentracije raztopljenega organskega ogljika v anoksicnih (zgornji grafi) in oksicnih (spodnji grafi) sedimentih (povzeto po Burdige, 2002).
Figure 3.46: Typical observations of vertical dissolved organic carbon profiles in anoxic (upper panels) and oxic (lower panels) sediments (adapted from Burdige, 2002).
Mineralizacija OM v oksiCnih sedimentih. V oksicnih sedimentih poteka razgradnja snovi s pomocjo aerobne respiracije. Ta reakcija potece izjemno hitro in ce je kisika dovolj, se pri tem porabi ves labilni POM v zgornjih 5 - 10 cm sedimentov. Ohranijo se samo komponente organskega ogljika, ki so zelo odporne na aerobno degradacijo, vse ostalo pa zelo hitro razpade.
Mera uspesnosti mineralizacije OM v sedimentih je po globini integrirana stopnja mineralizacije (enota [mmolm-2 dan-1]); analogna je pretoku snovi. Dolocamo jo neposredno z inkubacijo sedimentov v laboratoriju (ang. sediment incubation cores) (Hartnett in Devol, 2003) ali posredno iz pretoka reaktantov v oz. produktov iz obmocja sedimentov, kjer poteka mineralizacija. Pretok snovi lahko dolocimo racunsko iz meritev vertikalnih gradientov koncentracije snovi
v porni vodi (Fickov 1. zakon) ali neposredno iz meritev z bentoskimi komorami. Z bentoskimi komorami merimo casovno spremembo koncentracije snovi v vodi nad sedimenti. Pretok snovi zatem pretvorimo v stopnjo mineralizacije ogljika s pomocjo stehiometrije, ki ustreza reakcijam mineralizacije OM v sedimentih. Zal so v primerih, ko sta advekcija porne vode ali bioirigacija (ang. bioirrigation; izmenjava porne vode v vodo oceana zaradi delovanja organizmov) znatni, rezultati vprasljivi (Sarmiento in Gruber, 2006).
Pri modeliranju nas zanima, kaksne so posledice dolocene koncentracije kisika za zgornji sloj sedimentov. Pomagamo si z mejno stopnjo mineralizacije OM: nad to vrednostjo je kisika premalo za razgradnjo preostale labilne POM in sedimenti postanejo anoksicni. Anoksicna mineralizacija je sicer manj ucinkovita kot oksicna, vendar je v sedimentih naceloma vedno dovolj oksidantov, da OM ne ostaja v sedimentih; izjema so na mineralizacijo mocno odporne oblike organskega ogljika.
Mera potencialne vloge aerobne respiracije je cas izpostavljenosti kisiku OET (ang. oxygen exposure time; po Hartnett in sod., 1998), ki ga dolocimo tako, da debelino oksicnega sloja sedimentov (ki obicajno znasa samo nekaj mm) delimo s stopnjo sedimentatacije S:
^^^ debelina oksicnega sloja sedimentov
OET =-—-- .	(3.184)
S
Mera ucinkovitosti mineralizacije OM v sedimentih je učinkovitost zakopavanja BE (ang. burial efficiency) in pomeni razmerje med Corg, ki se zakoplje in Corg, ki prispe iz vodnega stolpca do sedimentov (Sarmiento in Gruber, 2006):
BE =	Corg, ki se zakoplje	(3 185)
ves Corg, ki pade na sedimente '	'
Delez OM, ki se mineralizira v sedimentih, je enak 1 — BE. Nizka vrednost BE pomeni visoko stopnjo učinkovitosti mineralizacije. Obicajno imajo sedimenti z nizjim OET (sedimenti, ki so manj casa izpostavljeni ustreznim pogojem za potek oksicne mineralizacije) nizje vrednosti ucinkovitosti mineralizacije.
Mineralizacija OM v anoksicnih sedimentih. Ko zmanjka molekularnega kisika, ostane pa se labilnega Corg, se mineralizacija OM v sedimentih nadaljuje z drugimi oksidanti in drugimi bakterijami. V vecjem delu oceana, kjer so koncentracije kisika v splosnem visoke in je pretok Corg v sedimente relativno majhen, aerobna respiracija predstavlja > 90% mineralizacije, preostanek pa vecinoma odpade na denitrifikacijo. Samo v priobalnih sedimentih imajo tudi ostale anoksicne reakcije opazen delez v celotni mineralizaciji OM (Rabouille in Gaillard, 1991).
Preglednica 3.7 prikazuje relativni doprinos razlicnih oksidantov k mineralizaciji OM v razlicnih sedimentih. Samo v priobalnih sedimentih se vcasih zgodi, da potecejo tudi reakcije mineralizacije po redukciji sulfatov ter v opaznem obsegu poteka metanogeneza. V obmocjih, kjer je vpliv fizikalnih pojavov na sedimente znaten, pa sta dominantna oksidanta lahko tudi zelezo in mangan (Aller in sod., 1996; Hulth in sod., 1999). Na kontinentalnem pobocju (ang. the continental slope and rise; predstavlja del med kontinentalno polico in abisalno ravnino), je doprinos metanogeneze zanemarljiv, majhen je tudi doprinos redukcije mangana in zeleza, veliko pa prispevata denitrifikacija in redukcija sulfatov. Meritve kazejo, da je v obmocjih, kjer se dno oceana nahaja na globini 1500 m ali vec, primarna reakcija mineralizacije aerobna respiracija, medtem ko so v obmocjih z globino < 1500 m dominantne anaerobne oblike razgradnje OM (Sarmiento in Gruber, 2006).
Preglednica 3.7: Relativni prispevek razlicnih reakcij mineralizacije k totalni vrednosti kolicine mineralizirane snovi (povzeto po Sarmiento in Gruber, 2006).
Table 3.7: The relative contribution of various oxidants to organic matter mineralization at representative sites (adapted from Sarmiento in Gruber, 2006).
Delez [%]
Kraj	~Ü2 NO- Mn & Fe	CH4
Priobalni sedimenti
Danska obala	40	3	-	57	-
zaliv Cape Lookout (ZDA)	-	-	-	68	32
Saanich Inlet (CA)	-	-	-	76	24
Kontinentalno pobočje					
	< 1500m				
Centralna Kalifornija (3 vzorci)	29	57	0.8	14	-
Washington (19 vzorcev)a	10	35	-	55	-
SZ Mehika (19 vzorcev)a	10	35	-	55	-
> 1500m					
Centralna Kalifornija (5 vzorcev)	71	17	1.8	10	-
Washington (4 vzorci)a	62	26	-	12	-
SZ Mehika (5 vzorcev)a	60	30	-	9	-
Drugje					
Indijski ocean	87	12	0.3	0.6	-
kontinentalno pobocje Hatterasa (ZDA) 76		8	1.7	14	-
Bermuda	78	12	1.4	9	-
otocje Savu (Indonezija)	61	25	6.5	7.2	-
Globoki ocean					
Manop tocka H (V ekvat. Pacifik)	99	0.8	0.4	-	-
Manop tocka M (V ekvat. Pacifik)	91	6.9	0.4	-	-
abisalna ravnina Hatterasa (ZDA)	96	4	-	-	-
aHartnett in Devol [2003] v raziskavi (Washington, SZ Mehika) predpostavljata, da sta redukcija železa in mangana zanemarljivi.
E
o E E
0
U
anoksični sedimenti
A
O
sedimenti z bioturbacijo/bioirigacijo
0.1
j_i_i_i J..
0.4
10
100
stopnja oksidacije ogljika v sedimentih (mmol m-2 d-1)
Slika 3.47: Maksimalna koncentracija DOC v zgornjih 20-30 cm sedimentov v odvisnosti od totalne stopnje oksidacije v sedimentih. Temni znakci predstavljajo meritve iz anoksicnih sedimentov, beli znakci pa predstavljajo meritve iz obmocij, kjer je v vodi nad dnom dovolj kisika za organizme oz. se v sedimentih odvija bioturbacija in ponekod tudi bioirigacija (povzeto po Burdige, 2002).
Figure 3.47: The maximum DOC concentration in the top 20 to 30 cm of sediments plotted versus the total oxidation rate in sediments. The closed symbols represent data from anoxic sediments, while the open symbols are from sediments that have oxygen in the overlying water and experience bioturbation and, in some cases, bioirrigation (adapted from Burdige, 2002).
Iz slike 3.47 je razvidna razlika med koncentracijo DOC v oksicnih in anoksicnih sedimentih. Na sliki 3.48 a) je prikazan delez aerobne respiracije glede na totalno respiracijo v sedimentih (po Hartnett in Devol, 2003) (podatki so z obmocja oceana, ki se razteza za kontinentalno polico: globina vode presega > 200 m, koncentracija kisika na dnu v splosnem znasa > 5 mmol/m3). Na sliki 3.48 b) pa je prikazana odvisnost obsega mineralizacije od razdalje od obale (po Jahnke in Shimmield, 1995).
Ucinkovitost anaerobnih procesov pri razgradnji OM lahko ocenimo z ucinkovitostjo zakopavanja BE. Obicajna vrednost BE na odprtem morju znasa 1.8% ali nekoliko vec, globalno povprecje pa znasa 7.6 ± 3.7% zaradi doprinosa na kontinentalnih robovih; vse ostalo se mineralizira. Ucinkovitost zakopavanja je neposredno odvisna od kolicine obstojne POC. Ucinkovitost mineralizacije je za vecino priobalnih obmocij kljub vsemu visoka in obicajno znasa 70% ali vec (Sarmiento in Gruber, 2006).
Slika 3.48: (a) Delez aerobne respiracije glede na totalno respiracijo. Podatki so iz obmocij kontinentalnih robov SZ Mehike in okolice Washingtona; meritve so opravljene izven obmocij kontinentalnih polic, t.j. v predelih z globino vode > 200 m in koncentracijo kisika na dnu vodnega stolpca > 5 mmol/m3 (povzeto po Hartnett and Devol, 2003). (b) Spreminjanje obsega mineralizacije organske snovi z oddaljenostjo od obale. Meritve so iz Atlantskega in Tihega oceana (povzeto po Jahnke and Shimmield, 1995).
Figure 3.48: (a) The fractional contribution of aerobic respiration plotted versus total respiration from sediments collected in sections perpendicular to the continental margin off Northwest Mexico and the Washington State. The data are from the study of Hartnett and Devol (2003) and include only measurements in water depths below 200 m, that is to say off the shelf, and where the bottom water oxygen is greater than 5 mmol/m3. (b) Organic carbon mineralization versus distance from the shelf break, from measurements made in the Atlantic and the Pacific. The data are from the compilation of Jahnke and Shimmield (1995).
3.6.3 Masna bilanca organske snovi v oceanih
Poglavje zakljucujemo z globalno sliko krozenja snovi v oceanih. Na sliki 3.49 in v preglednici 3.8 so podane vrednosti masne bilance Corg v svetovnem oceanu z upostevanjem procesov v sedimentih. Ceprav se ocene pretoka Corg med posameznimi predeli oceanov v razlicnih studijah razlikujejo, pa je iz slike razvidna nedvoumna vloga obmocij kontinentalnih robov v teh procesih (glej npr. Rabouille in sod., 2001; De Haas in sod., 2002; Andersson in sod., 2004; Chen, 2004, idr). Pri tem za kontinentalni rob upostevamo predele oceanov z globino vode < 1000 m, za globoki ocean pa predele z globino vode > 1000 m. Globalno se kar cetrtina POC, ki z izvozom zapusti povrsinski sloj, v vodnem stolpcu ne mineralizira, temvec pade na dno oceana; od tega pade kar 90% POC na dno v obmocjih kontinentalnih robov (Sarmiento in Gruber, 2006). Med razlogi za to so:
•	visja vrednost primarne produkcije na enoto povrsine oceana na obmocjih kontinentalnih robov,
•	manjsa globina vode in s tem povezana manjsi obseg mineralizacije OM v vodnem stoplcu ter visji dotok POC na sedimente,
• precej slabsa ucinkovitost recikliranja POC v priobalnih obmocjih v primerjavi z ucinko-vitostjo mineralizacije POC na odprtem morju.
Na obmocjih kontinentalnih robov se zakoplje kar 80% POC, ki se zakoplje v globalnih merilih (Sarmiento in Gruber, 2006). Upostevati pa moramo tudi, daje povrsina dna na enoto povrsine oceana precej visja ob obalah kot na odprtem morju.
Kljub nizkim vrednostim pretoka Corg med vodo in sedimenti pa je ta nezanemarljiv zaradi vloge, ki jo ima v globalnem krozenju ogljika in z njim povezanih snovi, pa tudi zaradi opaznega vpliva na bilanco ogljika v globokem oceanu. Kar ~ 43% POC, ki pade v globoki ocean, namrec prispe do dna, od tega pa se ga v globalnih merilih mineralizira kar ~ 95% (Sarmiento in Gruber, 2006).
Preglednica 3.8: Globalna masna bilanca POC, relativni doprinos obmocij kontinentalnih robov in globokega oceana. Kontinentalni rob je v tem primeru definiran za obmocje z globino vode < 1000 m. Enote so Pg C yr-1 (povzeto po Dunne in sod., 2005c).
Table 3.8: The global ocean POC budget partitioned into continental margin and open ocean components. The 'continental margin' is defined as all regions where the floor of the ocean is < 1000 m deep. Units are Pg C yr-1 (adapted from Dunne et al., 2005c).
	Globoki ocean	Kontinentalni rob	Globalno
Povrsina oceana ( x1014 km2)	3.221 (92%)	0.276 (8%)	3.497
Bilanca POC v vodnem stolpcu			
Produkcija Eksport Mineralizacija Fluks do dna	45 ± 7 (84%) 7.0 ± 2.4 (71%) 6.6 ± 2.4 (91%) 0.34 ± 0.14 (14%)	8.6 ± 0.8 (16%) 2.8 ± 0.9 (29%) 0.63 ± 1.13 (9%) 2.2 ± 0.7 (86%)	53 ± 8 9.8 ± 3.3 7.3 ± 3.4 2.5 ± 0.8
Bilanca POC v sedimentih			
Mineralizacija Zakopavanje	0.24 ± 0.14 (11%) 0.018 ± 0.016 (9%)	1.9 ± 0.7 (89%) 0.174 ± 0.066 (91%)	2.1 ± 1.3 0.19 ± 0.07
Ostali procesi v sedimentih			
Fluks DOC v vodo iz sedimentov Denitrifikacija	0.080 ± 0.033 (40%) 0.032 ± 0.014 (19%)	0.120 ± 0.039 (60%) 0.133 ± 0.043 (81%)	0.20 ± 0.07 0.165 ± 0.054
100 m
1000 m
Slika 3.49: Globalna bilanca krozenja POC v oceanu; vrednosti so dolocene na osnovi preglednice 3.8. Enote so enake Pg C/yr. Vertikalne puscice predstavljajo pretok POC, horizontalne puscice predstavljajo mineralizacijo POC in razgradnjo v DOC. Vrednosti na vrhu diagrama predstavljata oceni obsega primarne produkcije. Razliko med PP in izvozom POC iz povrsinskega sloja predstavlja vrednost ob puscici na desno. Vecina te kolicine POC se mineralizira v povrsinskem sloju, manjsi del pa zapusti povrsinski sloj kot DOC. Po Hansell (2002) znasa globalno izvoz DOC okoli cetrtino vrednosti izvoza POC oz. 20+-10% (povzeto po Sarmiento in Gruber, 2006). Figure 3.49: The global ocean POC budget based on table 3.8. Units are Pg C/yr. Downward arrows represent POC flux and horizontal arrows to the right represent mineralization including DOC generation. The initial numbers at the top of the water column are primary production estimates. The difference between the PP and POC export from the surface ocean is represented by an arrow going off to the right. Most of this is mineralized in the surface ocean, but a fraction is exported as DOC. Hansell (2002) estimates the DOC export as equal to about 20+-10% on a global scale (i.e., DOC export is about 0.25 POC export) (adapted from Sarmiento in Gruber, 2006.)
3.7 Biogeokemično kroženje živega srebra
Danes za enega pomembnejsih ekoloskih problemov velja onesnazenost s toksicnimi kovinami. Te se od toksicnih organskih snovi razlikujejo po tem, da so nerazgradljive in se akumulirajo v okolju (Schroeder in Munthe, 1998). Zaradi mnozicne uporabe in visoke toksicnosti za najpomemb-nejsi izmed toksicnih kovin veljata svinec in zivo srebro, ki prihajata v okolje iz naravnih in antropogenih virov (U.S. EPA, 1997; Mason in Fitzgerald, 1996; Pacyna in Pacyna, 2002; Rajar in sod., 2007; Zagar in sod., 2007). Ceprav se poraba zivega srebra z zakonskimi omejitvami (UNEP, 2002) v svetu znatno zmanjsuje, se ga v okolje iz antropogenih virov se vedno sprosti nekaj tisoc ton letno (Pacyna in Pacyna, 2002; Pacyna in sod., 2006; Lindberg in sod, 2007; Swain s sod, 2007).
Zvrsti živega srebra. Zivo srebro se v naravi nahaja v mnogo oblikah, razlicnih po obstojnosti in toksicnosti (UNEP, 2002; Pirrone s sod., 2002; Drasch s sod., 2004). Z drugimi elementi se veze v organske in anorganske spojine, obstojne v vodnih, zracnih in kopenskih ekosistemih (Mason in sod., 1994; Fitzgerald in Mason, 1996). Zaradi izjemne kompleksnosti in visokih cen terenskih meritev je krozenje zivega srebra v in med ekosistemi v dobrsni meri se nerazjasnjeno, kljub stevilnim raziskavam v zadnjih desetletjih. Slabo je raziskano predvsem biogeokemicno krozenje zivega srebra v vodnem okolju (Cossa in sod., 1996; Mason in Fitzgerald, 1996; Mason in Gill, 2005; Mason in sod., 2005). Ceprav osnovne kemijske reakcije med najpomembnejsimi zvrstmi poznamo (slika 3.50), so pogoji, v katerih se te vrsijo, v veliki meri se nerazjasnjeni.
Pretvorbe med zvrstmi Hg v vodnem okolju potekajo tako v vodnem stolpcu kot tudi v sedimentih. Za najpomembnejso reakcijo velja pretvorba iz anorganske v metilirano obliko, ki predstavlja prvi korak bioakumulacije Hg v vodnih ekosistemih. Z bioakumulacijo in biomagni-fikacijo vzdolz prehranjevalne verige se metilirano Hg zatem akumulira v vodnih organizmih, z uzivanjem morskih organizmov pa vpliva tudi na zdravje ljudi. Kot mutageno, teratogeno in citotoksicno zivo srebro pri ljudeh povzroca moteno delovanje cutil, nevroloske motnje ter fizicno in umsko prizadetost prihodnjih generacij (Schroeder in Munthe, 1998).
Slika 3.50: Kemijske reakcije med najpomembnejsimi zvrstmi zivega srebra: elementarno Hg0, anorgansko Hg+ in Hg2+, obe metilirani obliki CH3Hg+ in (CH3)2Hg (Monperrus in sod., 2007; Whalin in sod., 2007).
Figure 3.50: Chemical reactions between the most important mercury species: elemental Hg0, reactive Hg+ and Hg2+, both methylated forms CH3Hg+ and (CH3)2Hg (Monperrus et al., 2007; Whalin et al., 2007).
Za najpomembnejse zvrsti Hg v vodnem okolju stejejo (slika 3.51):
•	totalno ali celokupno Hg (raztopljeno in suspendirano): Hgtot, THg,
•	raztopljeno elementarno Hg: Hg0, DGM,
•	reaktivne zvrsti Hg: Hg1+, Hg2+, RHg,
Hg° 1
oksidacija
CH3Hg+ ali Hg(CH3)2
redukcija
VODA
izhlapevanje
A
Hg°(g)
depozicija
Hg2-(aq) ^CH3)2Hg<g)
adsorbirana
Hg2+ in MMHg
CH3HgH
usedanje
Slika 3.51: Najpomembnejše zvrsti zivega srebra v vodnem okolju: THg, DGM, RHg, MMHg, DMHg (osebni vir: prof. dr. Milena Horvat).
Figure 3.51: Major mercury species in aquatic environment: THg, DGM, RHg, MMHg, DMHg (from: personal communication with prof. dr. Milena Horvat).
monometilne spojine Hg (raztopljene in suspendirane): CH3Hg+, MMHg, dimetilno Hg: (CHs^Hg, DMHg.
Kroženje živega srebra. Pregled del o kroženju Hg v in med ekosistemi povzemamo po Koron (2008). Proces metilacije zaenkrat se ni povsem razjasnjen. Velja, da sta reakciji metilacije in demetilacije v okolju zelo razsirjeni, kljub temu pa metilirano Hg v vodnih in zracnih eko-sistemih predstavlja samo majhen delez vsega Hg (Hgtot). V jezerih MMHg predstavlja med 1 — 30% Hgtot. Strokovnjaki menijo, da je vecina tega MMHg najbrz povezana z DOC, ceprav je podatkov o tem malo (Martell in sod., 1998). Tiolne skupine (-RSH) mocneje vezejo MMHg v primerjavi z anorganskimi ioni (CN-, Cl-, OH-) in ligandi, ki kot donor e- vsebujejo kisik ali dusik. Spojine z MMHg, ki se nahajajo v povrsinskih tekocih vodah ter v pornih vodah zemljin in v podtalnici, so podobne tistim v jezerih; zanje velja, da so povezane s kolicino in sestavo DOC. DMHg je v povrsinskih vodah redko prisoten v visjih koncentracijah. Koncentracije DMHg so nezanemarljive v globokem oceanu (Horvat in sod., 2003; Cossa in sod., 1994; Vandal in sod., 1998) in obcasno v blatu slanih mocvirij (Weber in sod., 1998). Hg se v morski vodi nahaja predvsem kot Hg2+, ki je vezan na Cl- ione. Koncentracije MMHg so v morjih obicajno nizje kot v jezerih. Hg se v morjih nahaja tudi kot plin v obliki DGM (ang. dissolved gaseous mercury) (Horvat in sod., 2003; Kotnik in sod., 2007). Organske oblike Hg vkljucno z DMHg so prisotne tudi v geotermalnih vodah in plinih (Hirner in sod., 1998).
Vire Hg v okolju razdelimo na naravne in antropogene. Najpomembnejsi naravni viri so vulkani,


Hg(H)<*Hg°
(CH3),Hg
kopno & jezera
<
Hg>, Hg(ll)

površina oceanov
Hg° '
Cx4- Hg° ■ Hg(ll)
oksične vode
H «i .
plankton
CO,, CH, + Hs([]}
H^-Hum
HgCIf"®'
CH,H.5OHI HgCIOH CH3HgCI
(CHj)zHg
Hg-Hum
> I IgSO IS)"
— HgtHS), ■ Hg (S ,) H S
Slika 3.52: Shema biogeokemijskega krozenja Hg v okolju. Temne puscice predstavljajo pretvorbe Hg, svetle puscice pa predstavljajo tok Hg med deli ekosistema (sirina puscice je proporcionalna obsegu procesa (Koron, 2008).
Figure 3.52: Schematic presentation of the biogeochemical cycle of mercury in the environment. Dark arrows represent transformations of various Hg forms, while bright arrows represent the flow of Hg between differente compartments of the ecosystem (the width of the arrow is proportional to the extent of the flow) (Koron, 2008).
geotermalni vrelci, prst, ki je zaradi geoloskih danosti bogata s Hg ali je z njim kontaminirana ter gorenje biomase (gozdov) (Gustin in sod., 2008). Skupno naj bi naravni viri prispevali kar polovico vseh atmosferskih emisij Hg. Druga polovica je posledica clovekove dejavnosti, ki je izrazito aktualna sele od indutrijske revolucije dalje. Hylander in Meili (2003) v svojem preglednem clanku kot najpomembnejse gospodarske dejavnosti, ki prispevajo k atmosferski depoziciji Hg, navajata termoelektrarne (izgorevanje fosilnih goriv), ki delujejo na premog ali plin, pri katerem Hg pred tem ni bilo odstranjeno, dalje pa se industrijo pridobivanja zlata in kovin (zlasti so problematicne topilnice), cementarne, odlagalisca odpadkov (za okolje so obremen-jujoce predvsem sezigalnice), kloralkalno industrijo (pridobivanje Cl2 in NaOH), zelezarsko in jeklarsko industrijo ter se delujoce rudnike Hg. Hg so redno uporabljali tudi v agronomiji kot fungicid in pesticid.
Pri biogeokemijskem krozenju Hg igrajo osrednjo vlogo mikroorganizmi oz. heterotrofne bakterije (Hamdy in Noyes, 1975), cianobakterije (Lefebvre in sod., 2007), kvasovke (Yannai in sod., 1991) in tudi arheje (Pak in Bartha, 1998). Njihova aktivnost obsega oksidacijo Hg0 v Hg2+, redukcijo iz Hg2+ v Hg0, metilacijo Hg v MMHg in demetilacijo MMHg v Hg. Pri zadnjih dveh reakcijah so pomembne predvsem anaerobne bakterije, zlasti sulfat reducirajoce bakterije (SRB),
Preglednica 3.9: Biotske in abiotske pretvorbe razlicnih zvrsti zivega srebra (povzeto po Koron, 2008).
Table 3.9: Biotic and abiotic transformations of mercury species (adapted from Koron, 2008).
Pretvorba	Proces	Mehanizem
metilacija Hg2+	biotski abiotski	sulfat reducirajoce bakterije, zelezo reducirajoce bakterije fulvinske in huminske kisline, karbokisline, metilirane kositrove (Sn) spojine
demetilacija CH3Hg+	biotski abiotski	reduktivna metilacija, nastaneta CH4 in Hg0 oksidativna metilacija, nastanejo CO2 in nedefinirane kolicine razlicnih zvrsti Hg fotodegradacija pri valovnih dolzinah 200 — 400 nm
redukcija Hg2+	biotski abiotski	bakterije, alge fotokemijske reakcije, reakcije v temi, pri katerih sodelujejo organski in anorganski prosti radikali
oksidacija Hg0	biotski abiotski	hidroperoksidaze v mikrobnih, rastlinskih in zivalskih celicah fotooksidacija, ki jo povzrocajo razlicni oksidanti in prosti radikali
ki veljajo za osrednje metilatorje Hg. Omenjene pretvorbe potekajo tudi abiogeno, vendar naj bi bil njihov obseg mnogo manjsi (Ullrich in sod., 2001). Najpomembnejse biotske in abiotske pretvorbe zvrsti zivega srebra podajamo v preglednici 3.9 (po Koron, 2008).
Prve transformacije Hg potekajo ze v atmosferi, od njih pa je odvisen mehanizem odlaganja (suhi ali vlazni procesi odlaganja) (Lin in Pehkonen, 1998). Hg se v atmosferi nahaja v dveh oksidacijskih stanjih, kot Hg0 in Hg2+, pri cemer je Hg0 prevladujoca oblika (po nekaterih podatkih naj bi ta oblika obsegala preko 95% vsega Hg v atmosferi, npr. Sakata in Marumoto, 2005). Glavni reaktanti v atmosferi, ki sodelujejo pri pretvorbah Hg0 v Hg2+ in obratno, so ozon (Munthe, 1992; Hall, 1995), hidroksilni radikali (Lin in Pehkonen, 1997), S(IV) (Munthe in sod., 1991) in hidroperoksilni radikali (Lin in Pehkonen, 1997).
Hg iz zraka prehaja na zemeljsko povrsino oz. v tla, oceane, morja in povrsinske vode. Med vlazne procese stejemo razne padavine, s katerimi se Hg odlaga predvsem v obliki Hg2+. S suhimi procesi pa se odlaga predvsem Hg, ki je vezano na delce in Hg v plinski fazi; pri tem sta najpomembnejsi obliki elementarno Hg0 in reaktivne plinaste oblike Hg (ang. reactive gaseous mercury forms, RGM) (Sakata in Marumoto, 2005). Lamborg in sod. (2001) po vec avtorjih povzemajo, daje najpomembnejsa oblika Hg, ki se sprosca iz atmosphere, prav Hg2+, saj lahko nastopa kot substrat za mikrobne pretvorbe, posebej metilacijo. Ker ima Hg0 visok parni tlak in je v vodnih raztopinah slabo topen (0.6 pg na 100 ml vode pri T = 25°C), zelo lahko hlapi na meji med vodo in zrakom, kar olajsuje njegovo krozenje (Barkay in sod., 2003), hkrati pa se na ta nacin izkljuci iz rezervoarja Hg, ki bi lahko nastopal kot substrat za metilacijo.
V tleh je lahko Hg v povisanih koncentracijah prisotno ze naravno ali pa kot posledica odlaganja atmosferskega Hg. Njegova usoda je odvisna od stevilnih okoljskih dejavnikov. Pomembno vlo-
go igra sestava prsti, od katere je odvisna sposobnost adsorbcije Hg na mineralne ali organske koloide v tleh (Schuster, 1991). Adsorbcija na koloide omejuje dostopnost substata mikroorganizmom, hkrati pa lahko vezava povecuje topnost in olaj s uje transport iz prsti v vodotoke.
Pri krozenju Hg v prsti je en izmed pomembnej s ih dejavnikov svetloba, natancneje UV del spektra. UV svetloba deluje na huminske komponente prsti, prav te pa igrajo eno najpomembnej s ih vlog pri krozenju Hg v tleh. Huminske in fulvinske kisline imajo veliko kapaciteto za vezavo in zadrzevanje Hg, saj imajo ogromno stevilo funkcionalnih skupin (obe vrsti kislin sta naravno prisotni v tleh in v vodnih telesih; nastaneta z razkrajanjem odmrle organske snovi, za obe je znacilna izjemno kompleksna sestava), tako ene kot druge pa naj bi bile sposobne tudi abiotske metilacije (Nagase in sod., 1982, 1984). Po Mauclair in sod. (2008) vsebnost huminskih in ful-vinskih kislin v prsti mocno zmanj s a emisije Hg0 iz prsti, izpostavljenost UV svetlobi pa emisije Hg0 iz prsti mocno povi sa. Pomemben vpliv na redukcijsko sposobnost huminskih in fulvinskih kislin ima tudi pH: po Matthiessen (1998) se redukcijska sposobnost mocno poveca ob prehodu raztopine huminskih kislin iz nevtralnega v alkalno pH obmocje.
Biogeokemija Hg v morskem okolju je se kompleksnej s a in slabse raziskana. Pomembno vlogo igrajo abiotski dejavniki, ki neposredno ali posredno delujejo na prisotne mikroorganizme in njihovo aktivnost. Glavno mesto mikrobnih pretvorb v morskem okolju predstavljajo sedimenti. Najpomembnejsa procesa v morskih sedimentih sta metilacija in demetilacija. Obseg metilacije je v morskem okolju naceloma vecji kot drugod, ker so SRB v morskem okolju stevilcnejse in aktivnej se kot v kopenskem ali sladkovodnem okolju, kjer je sulfata manj. Labilna OM povecuje aktivnost mikrobne zdruzbe. V anaerobnih pogojih poteka tudi mikrobna redukcija Fe3+ v Fe2+, kar povzroca raztapljanje kovinskih oksihidroksidov, na katere je vezano Hg (tudi MMHg). Sledi pretok Hg v vodni stolpec, od koder lahko prehaja v prehranjevalno verigo. Za morsko okolje je znacilna tudi drugacna oblika kompleksov Hg. V primerjavi s sladkovodnimi sistemi je v morski vodi zaradi prisotnih Cl- ionov manj Hg vezanega na organsko snov (Lindberg in Harris, 1974; Barkay in sod., 1997). Prav tako se speciacija Hg spremeni ob visokih koncentracijah S2-. Kadar so vrednosti Eh (redoks potencial) nizke in pH visok, lahko pride do nastanka topnih HgS2- kompleksov (Ullrich in sod., 2001), kar ponovno povzroci pretok Hg v vodni stolpec.
Biolosko metilacijo Hg sta ze leta 1969 opisala Jensen in Jernelov. Leta 1985 sta Compeau in Bartha eksperimentalno pokazala, da so v anaerobnih brakicnih sedimentih SRB odgovorne za nastanek vecine (95%) MMHg. Tako sta negirala takratno prepricanje strokovne javnosti, da so glavni metilatorji Hg metanogene arheje. Novej se raziskave kazejo, da SRB niso edini aktivni metilatorji, temvec so med njimi tudi zelezo-reducirajoce bakterije, ki so evolucijsko sorodne SRB (Kerin in sod., 2006) in so lahko pomembne zlasti v anaerobnih sedimentih sladkovodnih s Fe bogatih sistemov (Fleming in sod., 2006; Kerin in sod., 2006).
Demetilacija MMHg je lahko tako kot metilacija poteka biolos ko ali nebiolos ko. Sposobnost demetilacije MMHg imajo tako aerobne kot anaerobne bakterije in metanogene arheje, vendar aerobnim vrstam pripisujejo vecji pomen. Demetilacija MMHg lahko poteka po reduktivni poti, kjer sta produkta razgradnje metan (CH4) in Hg0, ali po oksidativni poti, kjer glavnino produktov predstavlja CO2, sprosti pa se tudi nekaj CH4. Reduktivna demetilacija je pogostej s a v oksicnih okoljih z visjimi koncentracijami Hg, oksidativna pa prevladuje v anoksicnih in s Hg manj obremenjenih okoljih (Hmeljak, 2006). Pri oksidativni poti ne nastaja Hg0, temvec Hg2+, ki lahko ponovno sluzi kot substrat za metilacijo. Katera pot demetilacije bo prevladovala v ekosistemu, je odvisno od koncentracije sulfata in nitrata (Marvin-Dipasquale in Oremland, 1998). Podatki kazejo, da je reduktivna demetilacija prevladujoca v oksicnem in s Hg mocno
onesnazenem okolju (> 1 ßg Hg / g sedimenta), medtem ko oksidativna demetilacija prevladuje v anoksicnih in s Hg manj onesnazenih okoljih in pa v okoljih s povecanimi koncentracijami SO42- in NO-. Oremland in sod. v (1991) zakljucujejo, da so v anaerobnih razmerah pogojih v ustjih rek kot demetilatorji pomembne predvsem SRB, demetilacija pa poteka po oksidativni poti. Za sladkovodne sisteme ugotavljajo, da demetilacijo vrsijo predvsem metanogenci in SRB. Metanogene arheje demetilacijo MMHg vrsijo po reduktivni poti.
Hitrost metilacije je mocno odvisna od vsebnosti kisika v sedimentih in v vodnem stolpcu. Ceprav metilacija verjetno poteka v sedimentih tudi takrat, ko so pogoji v vodnem stolpcu aerobni, se aktivnost SRB kot osrednjih metilatorjev Hg mocno poveca v anaerobnih pogojih. Prisotnost oz. odsotnost kisika ne deluje le neposredno na aktivnost SRB, temvec tudi na obnasanje in porazdelitev Hg med sedimenti in vodnim stolpcem: v anaerobnih razmerah se pretok Hg iz sedimentov v vodo povisa tudi zaradi ugodnih redoks razmer. Vpliv raztopljenega MMHg na bioakumulacijo je odvisen predvsem od trajanja anoksicnih pogojev, saj daljsa obdobja anaerobioze z razvojem stabilne mikrobne zdruzbe anaerobov pospesujejo metilacijo in zavirajo demetilacijo ter omogocajo hitrejse in obseznejse prehajanje nastalega MMHg iz sedimentov v vodni stolpec. Ob ponovni reoksigenaciji sedimentov in vodnega stolpca prihaja do hitrega in opaznega znizanja koncentracij MMHg in Hgtot v vodnem stolpcu, kar je najverjetneje posledica intenzivnejse demetilacije in readsorbcije Hg na netopne mineralne in organsko snov v sedimentih.
4 VALOVI
V plitvih priobalnih morjih seze vpliv valovanja vse do dna in opazno vpliva na kakovost vode. Visoki valovi povisajo količino resuspendiranih sedimentov v vodi in koncentracijo kisika pri dnu ter vplivajo na procese mineralizacije in izmenjave snovi med vodo in sedimenti, velik pa je tudi njihov vpliv na izmenjavo snovi med vodo in atmosfero. V globalnih studijah valovi nepomembno vplivajo na biogeokemicno krozenje snovi v oceanih in jih ne upostevamo, regionalno pa je lahko njihov vpliv zelo velik. Glavna vira informacij, ki jih podajamo v 4. poglavju, sta Dyke (2007) in Pinet (2000).
ravnotežna točka
U	T
Slika 4.1: Nihanje na vzmet pritrjene utezi (povzeto po Dyke, 2007). Figure 4.1: Oscillations of a mass connected to a spring (adapted from Dyke, 2007).
Oscilacije pri valovih na morski gladini so povsem analogne ostalim oscilacijam, ki jih inzenirji srecujemo pri svojem delu, npr. oscilacijam stavb zaradi delovanja vetra ali oscilacijam utezi na vzmeteh; bistvena lastnost nastetih procesov je nihanje. Ce izhajamo iz sistema na sliki 4.1 (utez z maso m in vzmet s togostjo k), je razdalja od ravnoteznega polozaja do skrajne tocke, ki jo utez doseze med nihanjem, amplituda vibracije oz. oscilacije (A oz. a). Cas, ki ga utez porabi za to, da se s katerekoli tocke vrne na isto mesto, imenujemo perioda (T). Ce vrednost 2n delimo s periodo, dobimo frekvenco oscilacije (w).
Harmonicno (sinusno) nihanje je idealno nihanje (linearno), kar pomeni, da raztezek vzmeti ustreza Hookovem zakonu (raztezek je proporcionalen sili). Enacba nihanja:
Delimo z m in upostevamo w2 = m:
d2x
= —kx	(4.1)
$ = -2x	<4-2>
w = naravna ali kotna frekvenca sistema; enota [w] = [cas-1]. Dolocimo jo tako kot obicajno frekvenco: z 2n/T. S pridevkom 'naravna' zelimo povedati, da gre za nihanje v 'naravnem' stanju sistema. Ce govorimo o plimnih valovih, je naravna frekvenca npr. frekvenca plimovanja oz. frekvenca vsote plimnih valov zaradi Sonca in Lune. Drug primer naravne frekvence je Coriolisova frekvenca oz. Coriolisov parameter f = 2Qsin d, ki se v horizontalni smeri odvija v merilu vec kilometrov (Dyke, 2007).
Enacba 4.2 je diferencialna enacba drugega reda s konstantnimi koeficienti. Resitev 4.2 je
x = A ■ sin(wt) + B cos(wt)
A = konst, B = konst, A in B dolocimo iz podanih x(t = 0) in (t = 0).
Hitrost potovanja vala (c) -►
Valovna dolžina (L)
Vrh
Dno (dolina)
Slika 4.2: Shematicni prikaz valovanja z oznacenimi osnovni pojmi. Figure 4.2: Schematic presentation of water waves oscillations with key terms denoted.
Analogija med vzmetmi in valovi deluje, ce so valovi sinusni. To pogosto drzi, ne pa vedno: npr. v blizini obale so valovi obicajno izjemno nepravilnih oblik. Obicajna pokazatelja nesinu-soidnosti valov sta spreminjanje amplitude in naklona vala. Poznamo pa tudi pojem virtualne sinusoidnosti, ki mu usterzajo npr. plimni valovi (vec o tem npr. v LeBlond in Mysak (1978)).
Pri opisu nelinearnih valov si pomagamo z naslednjimi pojmi (slika 4.2) (Dyke, 2007):
•	totalna višina valov (ang. total height) H: H je vertikalna razdalja med najnizjo in najvisjo tocko v seriji valov (pozorni moramo biti na uporabo simbola H, ki se v literaturi uporablja tudi za totalno visino vode od dna morja do vrha valov);
•	valovna dolšina (ang. wavelength) L oz. A: en nihajni cikel, npr. horizontalna razdalja med zaporednima vrhovoma ali dolinama, L = 2n/k;
•	naklon vala (ang. wave steepness): razmerje H/L;
•	valovno število (ang. wavenumber) k: vrednost k = 2n/L;
•	naravna frekvenca sistema (ang. natural frequency of the system) w: glej zgoraj;
•	hitrost (ang. celerity ali wavespeed ali phase speed) c: hitrost potovanja vala;
•	disperzija (ang. dispersion): lastnost vala, da se mu amplituda med potovanjem zmanjsuje;
•	število prehajanj cez 0 (ang. zero-up crossings): stevilo, ki pove, kolikokrat graf realnega nihanja gladine morja seka casovno os od spodaj,
•	povprečna perioda valov (ang. average period) T: cas merjenja valov delimo s stevilom prehajanj cez 0,
•	vršna frekvenca (ang. peak frequency) wp: frekvenca, ki se v zapisu nihanja gladine najveckrat ponovi; enaka je 2n/T,
•	spekter valov: razpr s enost energije valov po razlicnih frekvencah nihanja; s ir s i je spekter, bolj je nihanje nelinearno,
•	značilna višina valov (ang. significant wave height) Hs: povprecna vi s ina tretjine najvi sjih valov,
•	maksimalna višina (ang. maximum wave height) Hmax: najvisja visina vala v zapisu nihanja gladine,
•	koren povprečnih kvadratov višine valov (ang. root mean squared value of the wave height) Hrms: vse vrednosti visine valov v zapisu nihanja kvadriramo, zatem povprecimo in nazadnje korenimo.
Obicajen zapis nihanja gladine morja zgleda podobno kot na sliki 4.3. Ce prestejemo, kolikokrat graf seka casovno os s spodnje strani, dobimo število prehajanj čez 0 (ang. zero-up crossings) (na sliki 4.3 je takih sekanj 11). To s tevilo je pokazatelj spremenljivosti valov, ki jo strokovno imenujemo tudi valovno podnebje (ang. wave climate). Srednja vrednost tovrstne periode (cas merjenja valov delimo s stevilom prehajanj cez 0) je dobra ocena povprečne periode valov (ang. average period, T), iz nje pa dobimo tudi empiricno vrednost vršne frekvenče (ang. peak frequency, t.j. frekvenca, ki se v spektru frekvenc najveckrat ponovi; enaka je 2n/T). Alternativno lahko povprecno vrednost periode dolocimo tudi na osnovi srednje vrednosti intervala med zaporednimi vrhovi. Ce se obe oceni povprecne periode valov med seboj mocno razlikujeta, je to znak, da so valovi zelo nelinearni. Izraz spekter valov pomeni razprsenost energije valov po razlicnih frekvencah nihanja. Sir s i je spekter, manj sinusno je valovno podnebje. Ce izmed vseh vrhov v zapisu nihanja gladine dolocimo povprecje tretjine najvisjih, dobimo značilno višino valov (ang. significant wave height, Hs), ki jo v kombinaciji z linearno teorijo valovanja v gradbenistvu uporabljamo za racun sil na objekte, ipd. Pogosto nas zanimata tudi maksimalna
višina valov
čas
Slika 4.3: Obicajen zapis nihanja gladine v casu. Figure 4.3: A time series, typical of a wave record.
višina v zapisu valov (ang. maximum wave height, Hmax) in pa koren povprečnih kvadratov višine valov (ang. root mean squared value of the wave height, Hrms) (Dyke, 2007).
Ce med seboj primerjamo vec krajsih zapisov nihanja gladine, kakrsen je ta na sliki 4.3, nam ohranjanje oz. spreminjanje vrednosti statisticnih parametrov znotraj daljsih casovnih obdobij veliko povesta o dinamiki obravnavanega sistema. Ce ostajajo vrednosti razlicnih pokazateljev dejanske periode in visine valov dolgorocno bolj ali manj konstantni, je proces nihanja stacionaren. Ce ostajajo parametri nespremenjeni tudi, ce jih merimo v razlicnih tockah obmocja (npr. z bojami ali podatke deduciramo iz zaporedja satelitskih posnetkov), pa je proces tudi ergodišen (v strogo matematicnem smislu pojem ergodicnosti vsebuje tudi stacionarnost: er-godicnost pomeni nizko stopnjo spremenljivosti statisticnih parametrov v casu in prostoru; v gradbenistvu pa pojma obicajno obravnavamo loceno). V gradbeni praksi lahko v vecini primerov predpostavimo tako stacionarnost kot tudi ergodicnost, vendar pa je pri tem potrebno opredeliti casovna in prostorska merila, znotraj katerih obe predpostavki veljata (npr. pri obravnavi ekstremnih primerov predpostavljamo stacionarnost samo v izredno dolgih casovnih obdobjih) (Dyke, 2007).
4.1 Vodni valovi
4.1.1 Klasifikacija vodnih valov
V oceanografiji najpogosteje obravnavamo tečnostne ali gravitacijske valove v vodi (ang. gravity waves) in zgoščinske valove v zraku (ang. atmospheric waves) (Rajar, 1980). Gravitacijske valove v oceanografiji pogosteje imenujemo vodni valovi (ang. water waves) in jih delimo na (Pinet, 2000):
•	valove na površini (ang. wind generated waves), ki nastanejo predvsem zaradi trenja zracnih plasti ob vodne (veter),
•	notranje valove (ang. internal waves), ki nastanejo zaradi raznih motenj v notranjosti oceanov in zatem potujejo po izopiknih povrsinah; sem spadajo plimni valovi in tsunamiji.
Vodne valove pogosteje kot na povrsinske in na notranje delimo glede na (preglednica 4.1) (Pinet, 2000):
•	periodo (< 0.1 sek do 24 ur),
•	valovno dolzino (od < 2 cm do tisoce km),
•	globino vode, v kateri se razvijejo (plitva, srednje globoka, globoka),
•	oddaljenost od obale (obmocje rusenja valov, obmocje privetrisca, obmocje disperzije),
•	vzrok nastanka (veter, ekstremni vremenski pojavi, motnje v notranjosti oceanov, gravitacijska sila Sonca in Lune).
Preglednica 4.1: Klasifikacija vodnih valov (povzeto po Pinet, 2000). Table 4.1: Classification of water waves (adapted from Pinet, 2000).
Tip valov Perioda
Valovna dolzina Globina vode
Vzrok
kapilarni < 0.1 s	< 2 cm
odsekani	1-10 s	1-10 m
mrtvi	10-30 s	vec 100 m
stojni	10 min-10 h	vec 100 km
tsunami	10-60 min	vec 100 km
plimni	12.4-24.8 h	vec 1000 km
notranji	1 min-1 h	vec 100 m
globoka ali plitva globoka ali plitva globoka ali plitva plitva ali srednje globoka
plitva ali srednje globoka plitva
globoka ali plitva
veter veter nevihta
veter, tsunami, plimna resonanca podvodni potresi gravitacija motnje v piknoklini
Sila, ki ustvarja valovanje
o <
z
Močne nevihte , potresi
0.1 sec I sec
n r 30 sec 5 min
PERIODA VALOVANJA
12 hr 24 hr
Slika 4.4: Tipi valov (povzeto po Pinet, 2000). Figure 4.4: Types of waves (adapted from Pinet, 2000).
Slika 4.5: Po vrsti: kaoticni, mrtvi in rusilni valovi (povzeto po Pinet, 2000). Figure 4.5: Chaotic, swell and breaking waves (adapted from Pinet, 2000).
Povrs inski valovi na gladini jezer, morij in oceanov imajo periodo med 0.3 — 30 sekund (frekvenco 3 — 0.03 Hz). Na valove s kraj s o valovno dolzino deluje tudi sila povrs inske napetosti in jih zato imenujemo gravitačijsko-kapilarni valovi (ang. gravity-capillary waves) oz. samo kapilarni valovi (ang. capillary waves), ce izmed sil prevladuje povrsinska napetost. Kapilarne valove lahko opazimo na sicer gladki gladini, ko ceznjo v manjsih sunkih zapiha veter in rahlo nakodra gladino. Poznamo s e odsekane (ang. chop), stojne (ang. seiche) in mrtve (ang. swell) valove. Odsekani valovi so nizki in neurejeni, nastanejo zaradi sibkega vetra. Stojni valovi so edini tip stojecih valov med nastetimi; nastanejo v zaprtih zalivih kot odziv sistema na zunanje motnje (posamezne sunke vetra, notranje sile, itd) in trajajo, dokler nihanje ne izzveni. Mrtvi valovi so periodicni, kazejo se kot urejeno periodicno nihanje gladine; znacilni so za odprto morje. Shematicni prikaz razlicnih tipov valov prikazuje slika 4.4 (Pinet, 2000).
val v srednje globoki vodi h-
valovna dolžina
^___ val v plitvi vodi
obrežno
območje , območje ^ nelinearnih T porusenih i valov	valov
vertikalno merilo = 20 X
' rušilni val
'A ' ~~
hr
L, > L2 > L3 > L, h[ <h2<h3<h4< hs
hitrost vala se zmanjšuje _
dolžina vala se zmanjšuje -s»
višina vala se povečuje
Slika 4.6: Spreminjanje valov med priblizevanjem obali (povzeto po Pinet, 2000). Figure 4.6: Shallow-water waves in profile (adapted from Pinet, 2000).
Glede na oddaljenost od obale locimo tri tipe povr s inskih valov (slika 4.5). V območju rusenja valov (ang. breaker zone, sestavljata ga obrešno območje nelinearnih valov (ang. surf zone) in območje rusenja valov (ang. swash zone); glej sliko 4.6) se valovi rusijo; valove v tem obmocju imenujemo rušilni valovi (ang. breakers ali breaking waves). V območju privetrisča (ang. fetch zone) je gladina neenakomerno nagubana, valovi so v tem obmocju razlicnih, vecinoma nepravilnih oblik; imenujemo jih kaotični valovi (ang. chaotic waves). Med razlogi za kaoticno nagubano gladino v blizini obale so manj s anje L in vecanje H s priblizevanjem valov obali, odboj valov od obale, vec perturbacij v priobalnem obmocju, idr, posledica vsega tega pa je kompleksna interferenca valov razlicnih valovnih dolzin in vis in. Izven obmocja privetri sca oz. ko se morje do konca razvije (glej podpoglavje 4.3.2), pa se razvijejo mrtvi valovi: zanje je znacilno casovno in prostorsko urejeno periodicno nihanje gladine, ki pa ni nujno sinusno; oblika mrtvih valov je lahko izjemno kompleksna, s kombinacijo bolj in manj turbulentnih struktur. Slednje je območje disperzije (ang. dispersion zone) (Pinet, 2000).
Ko valovi potujejo skozi obmocje privetrisca, je njihova fazna hitrost c odvisna od valovne dolzine L in od periode T. Valovi s kratkima L in T potujejo pocasneje, valovi z daljsima L in T pa potujejo hitreje in zaradi vi sje vsebnosti energije ustvarjajo aperiodicni vzorec nihanja gladine. Ko se valovi (oz. morje) do konca razvijejo, sta v obicajnih pogojih dotok in poraba energije valov v ravnotezju, in L, T, c se ne spreminjajo vec. Valovi z vi sjo c potujejo hitreje in prehitijo valove z nizjo c; posledicno se valovi v prostoru uredijo glede na vrednost c oz. posredno glede na
L in T. Tovrstno locevanje valov zaradi razlicne vsebnosti energije imenujemo disperzija (ang. dispersion). Pokazatelj disperzije je urejeno mrtvo valovanje (Pinet, 2000).
Klasifikacija po Holthuijsen (2007). V svetu se je uveljavila tudi klasifikacija valov po Holthuijsen (2007), po kateri valove razvrscamo glede na prostor in cas. Obseg meril je izredno velik, v prostorskem smislu znasa od sto metrov ali manj do vec tisoc kilometrov ali vec, v casovnem smislu pa od delcev sekunde (ena perioda) pa vse do vec tisoc let (v primeru dolocanja valovnega podnebja). Od prostorskega in casovnega merila valovanja je odvisen nacin modeliranja valov:
a)	v majhnih prostorskih in casovnih merilih (nekaj valovnih dolzin ali period, npr. v priobalnem obmocju rusenja valov ali v kanalih v hidravlicnih laboratorijih) lahko gibanje povrsine morja opisemo zelo detajlno (ang. phase-resolving approach);
b)	v srednje velikih prostorskih in casovnih merilih (od nekaj do nekaj sto valovnih dolzin ali period, kar v naravi ustreza nekaj kilometrom ali ~ 30 minutam) lahko pogoje nastanka valov opisemo s povprecnimi karakteristikami, izmed katerih je najpomembnejsi valovni spekter (ang. wave spectrum). V tem primeru je potrebno predpostaviti konstantne pogoje nastanka valov (stacionarnost, ergodicnost - homogenost v statisticnem smislu);
c)	v velikih prostorskih in casovnih merilih (od nekaj sto do nekaj sto tisoc valovnih dolzin ali period, kar v naravi ustreza velikim podrocjem oceanov ali dolgim priobalnim obmocjem) moramo prostor in cas razdeliti na posamezne segmente, nato pa v vsakem od njih valove opisati z drugim spektrom. Z zaporednim ostevilcenjem segmentov lahko v tem primeru valovni spekter obravnavamo kot prostorsko in casovno spremenljivko;
d)	v klimatskih casovnih merilih (nekaj desetletij ali vec) pa obicajno uporabljamo samo stati-sticne znacilnosti karakteristicne valovne visine (npr. znacilno visino valov).
4.1.2 Teorije vodnih valov
Od klasifikacije valov je odvisna tudi izbira teorije valovanja, ki v danem primeru najbolje opisuje nihanje gladine (Podhorsky in sod., 1997; Dyke, 2007):
•	Linearna teorija ali teorija valov malih amplitud (ang. linear theory ali small-amplitude wave theory) (Airy, 1841): opisuje valove majhne strmine v globoki vodi. Profil vala v tem primeru ustreza sinusni funkciji, delci vode pa se gibljejo po zakljucenih orbitah (v globoki vodi po kroznih, v plitvi vodi pa po elipticnih orbitah; sliki 4.7 in 4.8);
•	Teorija motenj (ang. perturbation theory): predstavlja popravek linearne teorije. Sinusnemu nihanju dodamo brezdimenzijski parameter, ki poenostavljeno zajema vpliv neline-arnosti; obicajno je to naklon vala. Vecina razlicic teorije motenj, ki se uporabljajo za opis vodnih valov, predpostavlja, da je naklon vala ka majhen;
•	Stokesove teorije valov II. do V. reda (ang. Stokes' finite-amplitude wave theories) (Stokes, 1847, 1880): so nadgradnja teorije motenj, pri kateri namesto brezdimenzijskega parametra uporabimo funkcijo II. do V. reda. Profil vala torej v tem primeru opisemo kot vsoto linearne komponente in komponente II. do V. reda, pri cemer vecja strmina vala ustreza visjemu redu Stokesove teorije. Najpomembnejsa posledica upostevanja clenov visjih redov
v enacbah valovanja je ti. Stokesov tok, ki pomeni translatorni premik delcev vode zaradi neharmonicnega nihanja. Stokesove teorije dobro opisujejo predvsem valove vecje strmine v globoki vodi, natancneje pri globinah vode h > 0.01gT2 oz. po navedbah nekaterih
avtorjev valove z RD > 1/8 oz. Ur < 79 (RD = L, Ur = LH. glej spodaj); teorije visjih redov lahko uporabljamo v vodah vseh globin;
Knoidalna teorija I. do III. reda (ang. cnoidal theory) (Korteweg in De Vries, 1895): uporablja se za valove v plitvi vodi: 0.003gT2 < h < 0.016gT2 oz. po navedbah nekaterih avtorjev za valove z vrednostmi parametrov RD < 1/8 oz. UR > 20. Kasneje so razvili tudi knoidalne teorije visjih redov, ki dobro opisujejo tudi valove v globoki vodi. Profil valov na povrsini izrazimo z Jacobijevimi elipticnimi funkcijami (glej npr. Reinhardt in Walker, 2010);
Teorija solitarnega vala (ang. solitary wave theory) (Russell, 1844): to je edina izmed nastetih teorij, ki ne predpostavlja (skoraj) oscilatornega gibanja delcev; namesto tega se celoten val nahaja nad gladino in potuje zaradi translatornega premikanja delcev. Tovrstni valovi sicer v naravi redko nastopajo, a v dolocenih primerih se npr. tsunamiji obnasajo natanko tako, podoben pojav pa dobimo tudi, ko se obicajni oscilatorni val priblizuje obali (amplituda vala se postopno povecuje, vrh se po dolzini skrajsa in postane bolj spicast, dno pa postane daljse in bolj polozno);
Teorije na osnovi tokovnih funkcij (ang. stream function theories) (npr. Dean, 1965, 1974): za globino vode 0.003gT2 < h < 0.016gT2;
Fentonova teorija (ang. Fenton's theory) (Fenton, 1988): temelji na Fourierovi transformaciji. V splosnem je Fentonova teorija natancnejsa in se bolje obnasa kot vecina drugih teorij valovanja, tako za valove v plitvi kot tudi za valove v globoki vodi.
smer potovanja valov
Slika 4.7: Vpliv valov na gibanje vodnih delcev sega do globine L/2. V globoki vodi (h > L/2) se delci vode gibajo po kroznih orbitah, v plitvi vodi (h < L/25 oz. L/20) pa so trajektorije elipticne. Na sliki: trajektorije delcev v globoki vodi (povzeto po Pinet, 2000). Figure 4.7: The impact of waves on particle dynamics is evident in the upper level of L/2 depth. In deep water (h > L/2) particles oscillate in circular orbits, while in shallow water (h < L/25 oz. L/20) their orbits are elliptical. In the picture: oscillations of water particles in deep water (adapted from Pinet, 2000).
Slika 4.8: Trajektorije delcev v plitvi vodi (povzeto po Pinet, 2000). Figure 4.8: Oscillations of water particles in shallow water (adapted from Pinet, 2000).
Med nastetimi teorijami je samo prva linearna, ostale pa so nelinearne. Knoidalna teorija, teorija solitarnega vala in teorije na osnovi tokovnih funkcij spadajo med ti. nelinearne teorije za valove v plitvi vodi (ang. nonlinear shallow-water wave theories). Na sliki 4.9 so prikazane znacilne oblike valov, kakrsne predpostavljajo linearna, Stokesove, knoidalna in teorija solitarnega vala. Natancnejsi opis nastetih in ostalih teorij najdemo npr. v Sleath (1984).
teorija solitarnega vala
Slika 4.9: Tipi valov, kot jih predpostavljajo glavne teorije valovanja: linearna, Stokesova, knoidalna in teorija solitarnega vala (povzeto po U.S.A.C.E., 2008).
Figure 4.9: Types of waves according to different wave theories: linear, Stokes, cnoidal and solitary wave theory (adapted from U.S.A.C.E., 2008).
Pri izbiri teorije sta kljucna dva kriterija (Podhorsky in sod., 1997; Dyke, 2007): 1. razmerje med valovno dolžino in globino vode:
* valove v globoki vodi dobimo, ko h > L/2 - v tem primeru dno ne vpliva na lastnosti valov;
hitrost c in valovna dolzina L sta odvisni le od frekvence u,
*	za prehodno obmocje velja L/25 < h < L/2 - v tem primeru dno ze vpliva na valove; hitrost
c in valovna dolzina L sta odvisni od globine vode h in periode T (spodnja meja znasa po navedbah nekaterih avtorjev L/20; npr. Pinet, 2000):
*	za valove v plitvi vodi pa stejemo predele s h < L/25 (oz. L/20) - v tem primeru je vpliv
dna na valove velik in ga ne moremo zanemariti; hitrost c in valovna dolzina L sta v tem primeru odvisni le se od globine vode h;
2. naklon vala, ki pomeni razmerje med visino vala H in valovno dolzino L:
h
WS = H = ka ; L
k = valovno stevilo, a = amplituda. Naklon vala tako kot ostali parametri v nadaljevanju prica o stopnji nelinearnosti valovanja oz. o ustreznosti uporabe linearne teorije. Naklon vala (velik, majhen) vrednotimo glede na naklon pravih sinusnih valov. Namesto naklona vala nekateri avtorji uporabljajo katerega drugega izmed brezdimenzijskih parametrov:
*	relativna globina vode RD: je razmerje med globino vode in valovno dolzino in je pokazatelj
stopnje disperzije valov:
RD = h, L
*	relativna višina valov r: je razmerje med naklonom valov in relativno globino ter prica o
ustreznosti linearne teorije:
= WS = H
r = RD = ~h ,
*	Ursellovo število UR:
Ur = (L j2 H = L2H
h J h h3 '
ce je UR velik, imamo dolge valove v plitvi vodi, v tem primeru pa je potrebno uporabiti eno izmed nelinearnih teorij.
4.2 Matematični zapis valovanja
Dvodimenzionalne sinusne valove, kakrsni so obicajno valovi na povrsini morja,	imenujemo ravninski valovi (ang. plane waves) in v splosnem ustrezajo enacbi (Tillery, 2005)
n = ao ■ cos(kx + ly — ut + 0)	(4.3)
oz.
n = a ■ ei(fcx+1y-^) .	(4.4)
n = dvig gladine,
k, l = valovni stevili v smeri x oz. y, 0 = konst = faza.
Slika 4.10: Sinusni linearni val (povzeto po Dyke, 2007). Figure 4.10: The sinusoidal linear wave (adapted from Dyke, 2007).
V izrazu 4.4 je a kompleksno stevilo z
a = ao ■ e* ,	(4.5)
pri cemer sta
ao = amplituda (realno s tevilo),
0 = faza (realno s tevilo).
Enacbo pogosto zapi semo v vektorski obliki:
a ■ e^r-K-^) ,	(4.6)
pri tem sta
r = dvodimenzionalni pozicijski vektor: r = xi + yj, K = dvodimenzionalni vektor valovnega s tevila: K = ki + 1j.
Vektorski zapis je se posebej primeren, ko so valovi kompleksnejsi, npr. v priobalnem območju, v obmocju mocne refleksije ali v obmocjih kompleksnej se topografije dna. Iz zapisa 4.6 pa ravninske valove tudi enostavno razsirimo na tri dimenzije.
Od tod dalje se v izpeljavi osredotocamo na eno samo dimenzijo, t.j. na potovanje valov v smeri x; rezultati zato pomenijo vrednosti kolicin na sirinski meter.
4.2.1 Hitrost potovanja valov
Hitrost potovanja vala oznacimo s c (ang. celerity). Za povsem progresivne ali potujoče valove (ang. purely progressive waves) tipa a0 ■ sin(kx — wt) je hitrost c enaka razmerju w/k, ki je obenem enako razmerju med L/T (Dyke, 2007):
c = k = L •	(4-7)
Progresivni so valovi, pri katerih v tlorisni ravnini vidimo, da potujejo. Ceprav gre v praksi za prenos mase in energije, veliko teorij predpostavlja, da se med nihanjem prenas a samo energija, masa pa ne. Delci se v tem primeru gibajo po zakljucenih trajektorijah ter znova in znova prihajajo na isto mesto. Tako je npr. tudi pri nihanju vrvi, ki je na enem koncu vpeta, na drugem koncu pa nanjo delujemo s primerno silo. Val, ki v tem primeru potuje proti vpetemu koncu,
nastane samo zaradi prenosa energije, medtem ko se delci vrvi pomikajo samo gor in dol. Progresivni so tudi valovi na povrsini oceanov, ki nastanejo zaradi delovanja vetra. Neprogresivne valove imenujemo stoječi valovi (ang. standing or stationary waves), pri katerih gre pravzaprav za superpozicijo dveh progresivnih valov, ki potujeta v nasprotnih si smereh. Na tem mestu razlozimo se pojma transverzalno in longitudinalno valovanje. Pri transverzalnem valovanju nihajo delci snovi (oz. polje v primeru elektromagnetnega valovanja) pravokotno na smer sirjenja motnje; zgleda sta elektromagnetno valovanje ter valovanje prozne vrvi. Pri longitudinalnem valovanju pa nihajo delci snovi v smeri s irjenja motnje; zgled je zvok. Valovi na morski gladini so kombinacija obeh tipov valov (Tillery, 2005).
Za ne povsem progresivne valove (ko lahko izlu scimo glavno smer potovanja valov, a se energija v manjsi meri prenasa tudi v drugih smereh) moramo c poiskati drugace. Pomagamo si z disperzijo: za vse vrste valov lahko poiscemo zvezo med valovno dolzino in frekvenco vala. Ob predpostavki, da je globina morja konstantna in enaka h, velja (Dyke, 2007)
c2 = g tanh (kh)	(4.8) k
oz.
w2 = gk tanh (kh) ,	(4.9)
pri cemer je tanh x = COShX = _X. Neposredno iz oblike funkcije tanh(kh) sledi:
1.	ce so valovi kratki ali je voda globoka (oz. c je neodvisen od h) ali drzi oboje, potem je kh >> 1 in tanh x « 1 in velja priblizek
c2 = g ,	(4.10)
k
2.	ce so valovi dolgi ali je voda plitva (oz. c je neodvisen od L in posledicno od k) ali drzi oboje, potem je kh << 1 in tanh x « x in velja priblizek
c2 = gh .	(4.11)
Drugi primer ustreza plimnim valovom in tsunamijem. Izraz 4.11 pa uporabljamo tudi pri simulacijah visokovodnih obratovalnih in porusitvenih valov na rekah, saj je tudi v teh primerih L velika v primerjavi s h (Rajar, 1980).
Izraze 4.8 - 4.11 imenujemo disperzijske enačbe (ang. dispersion relations). Uporabljamo jih za dolocitev valovne dolzine (2n/k) pri dani periodi (2n/w) ali obratno. Veliko nam povejo o lastnostih valov pri razlicnih pogojih, posebno uporabne pa so pri modeliranju priobalnih obmocij. V realnosti imamo namesto pravilnih sinusnih valov v eni dimneziji kompleksno dvodimenzinalno povrs ino z zapletenim vzorcem nihanja, ki pa ga lahko s pomocjo Fourierove analize razstavimo na vsoto posameznih sinusnih valov. Vsak od njih potuje s svojo hitrostjo c, ki jo dolocimo po eni izmed disperzijskih enacb (Dyke, 2007).
4.2.2 Energija valov
Nihanje gladine sestavlja vec nihanj z razlicnimi valovnimi dolzinami (slika 4.11). V praksi pogosto nastopa primer, ko valovi na povrsini sestojijo iz dveh nihanj z enakima amplitudama
in skoraj enakima valovnima dolzinama. Zapis interference valov se v tem primeru glasi (Ippen, 1966; Dyke, 2007):
n = a ■ (cos(kix — uit) + cos(k2x — u2t))	(4.12)
Vsoto dveh cos pretvorimo v produkt:
n = 2a■cos
(ki — k2) _ (ui — U2) _ t'
cos
(ki + k2) _ (ui + U2) _ t
2
2
(4.13)
Zaradi majhne razlike med ki in k2 velja tudi ui « u2, od tod pa sledi, da se vrednosti obeh faktorjev v enacbi 4.13 zelo razlikujeta. Rezultat je 'dvojno' nihanje: osnovno valovanje + ovojnica skupinskega valovanja ali utripalno valovanje (ang. basic wave + envelope or beat wave), kakrsnega vidimo na sliki 4.12. Namesto 4.13 lahko pisemo tudi
A(x, t) = 2a ■ cos
(ki — k2) _ (ui — u2) _ t
Dobimo torej, da se amplituda nihanja spreminja:
n = A(x, t) ■ cos
(ki + k2) _ (ui + u2) _ t
2
2
(4.14)
(4.15)
Utripalni val vedno potuje pocasneje kot oba primarna valova, ki sestavljata osnovni val. Hitrost utripalnega vala dolocimo po enacbi
_ ui — u2
Cg = .
Ce sta si hitrosti primarnih valov ci in c2 zelo podobni (ci hitrost utripalnega vala kar enaka
1
Cg = - c .
(4.16)
c2 « c), lahko dokazemo, da je
(4.17)
Hitrost utripalnega vala strokovno imenujemo skupinska ali grupna hitrost (ang. group velocity) in v splosnem ustreza hitrosti, s katero potuje energija valov. Ponovno poudarimo, da je ta vrednost vedno nizja od hitrosti kateregakoli primarnega vala v skupini. Lahko se celo zgodi, da je smer potovanja energije nasprotna smeri potovanja valov (primer so npr. Rossbyjevi valovi, podroben opis je v Dickinson, 1978).
Valovi imajo potencialno in kineticno energijo (nekaj energije imajo tudi zaradi povrsinske napetosti, vendar ta del obicajno zanemarimo, saj je za morske valove izredno majhen). Obe komponenti energije dobimo tako, da sestejemo posamezne zaloge energije vseh vodnih delcev, ki sestavljajo eno valovno dolzino vala, nato pa dobljeno vrednost delimo z L. Izkaze se, da sta potencialna in kineticna komponenta energije za linearne sinusne valove enaki oz. da linearni val energijo enakomerno razdeli med potencialno in kineticno. Po linearni teoriji znasa totalna potencialna energija vala (Ippen, 1966; Dyke, 2007)
1 fÄ 1
Wp = -pga2 / cos2(kx — ut)dx = -pga2A
2 0 4
(4.18)
a = amplituda vala,
A = valovna dolzina vala.
valovni spekter nihanja gladine
Slika 4.11: Valovanje kot superpozicija nihanj razlicnih valovnih dolzin (povzeto po Pinet, 2000). Figure 4.11: Waves as superposition of oscillations of different wavelengths (adapted from Pinet, 2000).
Slika 4.12: Osnovni in bitni val: osnovno valovanje na sliki sestoji iz 20 valovnih dolzin, bitno valovanje (ovojnica nihanja) pa samo iz dveh (povzeto po Dyke, 2007).
Figure 4.12: Basic and beat waves: while basic waves make 20 wavelengths, beat wave (envelope wave) makes only 2 (adapted from Dyke, 2007).
Potencialna energija na enoto valovne dolzine torej znasa
Wv/A = 1 pga2 = ^pgH2 ,	(4.19)
H = totalna visina vala H (H je v na s em primeru enaka 2a, ni pa nujno tako).
Po nekoliko zahtevnej si izpeljavi (Dyke, 2007) dobimo za kineticno energijo vala enak rezultat:
Wk/A = 1 pga2 = -1 pgH2 .	(4.20)
4	16
Pri dolocanju hitrosti potovanja energije valov si pomagamo s povprecji. Pojem potovanja energije valov oz. skupinske hitrosti uporabljamo pri obravnavi realnih valov, ki sestojijo iz zveznega spektra valovnih dolzin in frekvenc. Povprecna energija vala
Eaverage = Wp + Wk = 2 pga2	(4.21)
je s spremembo energije v casu Df povezana preko hitrosti potovanja energije cg:
DE
— Eaverage ■ cg .	(4.22)
Pri tem je
cg = skupinska hitrost.
Dt
_ c ( 2kh 1 = 2\sinh2kh
+ 1	(4.23)
S primerom interference valov smo ze pokazali, zakaj se hitrost potovanja energije razlikuje od hitrosti potovanja vala. Daje hitrost energije cg vedno nizja od hitrosti vala c, lahko sedaj vidimo tudi neposredno iz izraza 4.23. Vrednost cg je najvisja, ko je produkt kh velik: cg v tem primeru zna sa cg « c/2 (ta enacba ustreza hitrosti potovanja energije v primeru preprostih sinusnih valov, kar je ekvivalentno h ~ ro). Ce je kh zelo majhno, pa velja cg « c; to drzi za valove z zelo velikimi valovnimi dolzinami v primerjavi z globino vode. V to kategorijo spadata dve povsem razlicni vrsti valov: plimni valovi in tsunamiji. Valovne dolzine plimnih valov znas ajo vec sto kilometrov, kar da k reda 10-4. Ce upo s tevamo npr. globino vode na kontinentalni polici ~ 200 m, dobimo kh « 10-2. Glede na podane vrednosti lahko sklepamo, da plimni valovi prena s ajo ogromne kolicine energije (ang. tidal power schemes). Se veliko vec energije pa prenas ajo tsunamiji, ki nastanejo kot posledica podvodnih potresov ali podorov. Ceprav znas a globina oceanov vec tisoc metrov (v povprecju ~ 3700 m), znasajo valovne dolzine tsunamijev tudi po 10h (h = globina vode) in vec, kar pomeni, da se tsunamiji obnasajo podobno kot valovi v plitvi vodi. Hitrost teh valov lahko zato celo presega 500 m/s (c « Vgh) (Dyke, 2007).
4.2.3 Vpliv nelinearnosti
Pod vplivom nelinearnosti razumemo predvsem posledice interakcije valov s tokovi, sedimenti, idr. V praksi med najpomembnej se posledice nelinearnosti sodijo Stokesov tok, tok vzporedno z obalo, erozija materiala z dna in interakcija valov in tokov; na kratko jih opisujemo v nadaljevanju (po Dyke, 2007).
H— tj
ni transporta mase
po eni periodi je trajektorija zaključena
val
transport mase po periodi
trajektorija ni zaključena val
Slika 4.13: Stokesov tok: prenos mase zaradi ne povsem kroznega gibanja delcev (povzeto po Pinet, 2000).
Figure 4.13: Stokes drift: mass transfer is greater than zero, because water particles do not follow exactly circular orbits (adapted from Pinet, 2000).
Stokesov tok. Stokesov tok (ang. Stokes drift) nastane zaradi interakcije vala s samim seboj. Pojav je posledica nelinearnosti: v linearni aproksimaciji valov smo zanemarili nelinearni clen (uV)u, zaradi katerega trajektorije delcev v resnici niso zakljucene. Posledica tega je premik delcev vode, ki v primeru progresivnih valov poteka v smeri propagacije valov (slika 4.13).
Oblika enacbe za Stokesov tok je odvisna od aproksimacije, ki smo jo uporabili za opis valov. Stokesov tok najlaze izpeljemo iz primerjave med Lagrangevim in Eulerjevim opisom gibanja delca (Lagrange: koordinatni sistem se giba skupaj z delcem, Euler: koordinatni sistem je fiksiran; dejanske vrednosti spremenljivk so v primeru Lagrangevega in Eulerjevega opisa gibanja delca enake, razlika je samo v opisu). Velja namrec
Lagrangeov masni transport = Eulerjev masni transport + Stokesov tok (4.24) Ce smemo trenje na dnu in na povrs ini zanemariti, lahko enacbo 4.24 zapi semo kot
_ _ r-
UL(xo,t)= u(®0,č)+ / dt'u(xo,t')—-1x=x0 + ...	(4.25)
Jt0
Clen uL(x0, t) imenujemo masna hitrost ali Lagrangeov masni transport, clen u(x0, t) predstavlja Eulerjev masni transport, zadnji clen v izrazu 4.25 pa je Stokesov tok. Masni transport ima torej dimenzijo hitrosti [ms-) (primerjava z masnim pretokom, ki ima dimenzijo [kgs-)). Za sinusni val oblike n(x,t) = a cos(kx — wt) je vrednost Stokesovega toka enaka
a2 g2 k3
(z) = iOTäöcosh2 k(z +	(4-26)
Ce trenja na povrsini ali na dnu ne moremo zanemariti, pa je potrebno Stokesov tok dolociti po kompleksnej s i teoriji Longuet-Higgins iz leta 1953 (glej npr. Mei, 1989).
Tok vzporedno z obalo. Tok vzporedno z obalo (ang. longshore current ali longshore drift) nastane zaradi kota a med propagacijo valov in obalno crto. Valovi se odbijajo od obale, zaradi
smer toka vzporedno z obalo
Slika 4.14: Tok vzporedno z obalo nastane, ker valovi obicajno ne prispejo na obalo povsem pod pravim kotom.
Figure 4.14: Longshore drift originates from waves not coming to the shore exactly perpendicularly.
a pa se pri tem sedimenti preme s cajo v smeri vzporedno z obalo (glej sliko 4.14). Pojav je pomemben predvsem v primeru rusenja valov, ko je preme scanje sedimentov znatno.
Hitrost toka vzporedno z obalo v\ dolocimo po
v\ = A v/ghb^ sin ab cos ab dx
(4.27)
A = empiricna konstanta, ki zajema vpliv kombinacije razlicnih numericnih faktorjev in koeficienta trenja,
hb = globina vode na obmocju rusenja valov, a = kot med smerjo propagacije valov in obalo, b = indeks, ki oznacuje lokacijo ru s enja valov (ang. breaker position). Zaradi rusenja valov znasa napetost v smeri vzporedno z obalo
Ecg sin a cos a
Sxy —
(4.28)
E = gostota energije valov (ang. wave energy density), t.j. energija valov na enoto volumna; enota je enaka enoti napetosti: [E] = J m-3] = [Nmm-3] = [Nm-2] = [Sxy],
cg = skupinska hitrost valovanja,
c = fazna hitrost valovanja.
Ce linije globine potekajo vzporedno z obalo, trenje na dnu pa je zanemarljivo, zaradi Snellovega zakona velja Sxy = konst. V tem primeru se vsa energija valov porabi za rusenje, sila, ki sicer povzroca tok vode vzporedno z obalo, pa je enaka nic. Ta sila nastane zaradi gradienta Sxy v smeri pravokotno na obalo: gradient dSxy/dx po linearni teoriji znasa

xy
10h2
dh
dx
8h2 + 3a2 Pghdx sin a cos a ;
(4.29)
c
h = globina vode, a = amplituda.
Ker se tako h kot a s priblizevanjem valov obali zmanjsujeta (a zaradi refrakcije), s pri-blizevanjem obali pada proti 0 tudi Sxy. Največje vrednosti pa Sxy doseze v območju rusenja valov (ang. breaker zone). Enacba 4.29 velja samo za obale z naklonom (ne velja npr. za klife), vendar je to ravno primer, ki nas pri modeliranju erozije v praksi najveckrat zanima.
Vpliv valov na erozijo. Za gradbenike (in mnoge druge strokovnjake) je ena izmed naj-pomembnejsih posledic valovanja erozija materiala v priobalnih obmocjih. Med modeli, ki opisujejo gibanje materiala na dnu, so najpogostejsi modeli na osnovi monokromaticnega vala (ang. equivalent monochromatic wave models). Npr. po Soulsby (1997) vpliv valovanja opisemo preko nadomestnega vala s hitrostjo
Uemw — V^2Urms ,	(4.30)
pri tem je
Uemw = hitrost ekvivalentnega monokromaticnega vala,
Urms = RMS vrednost spektra valov oz. standardna deviacija vseh moznih hitrosti valov, ki izhajajo iz intervala vrednosti JONSWAP ali PM spektra (superpozicija vseh orbit, po katerih se gibajo delci vode med valovanjem) (vec o spektrih v poglavju 4.3.2).
Enacba sicer ne velja, ko je povprecna hitrost valovanja izredno nizka, vendar nas taki primeri v praksi ne zanimajo. Vprasljiva je tudi uporaba linearne teorije, posebej se pri obravnavi ekstrem-nih pojavov, ki jih pri modeliranju erozije materiala z dna gotovo moramo upostevati. Obstajajo sicer tudi razlicne alternative enacbi 4.30, vendar ima vsaka od njih dolocene pomanjkljivosti.
Npr. po Stokesovi teoriji II. reda znasa maksimalna hitrost toka pod vrhom monokromaticnega vala	_
3kh H
1 +
Uc = Uw
maksimalna hitrost toka pod dnom vala pa
Utr = UW
1
8sinh3(kh) h 3kh H
(4.31)
(4.32)
8sinh3(kh) h Pri tem so h = globina vode, H = visina vala, k = 2n/L = valovno stevilo.
UW = hitrost osciliranja delcev v valu (ang. wave orbital speed), ki po linearni teoriji znasa
uw = »h) ■	(4-33)
Asimetrija, ki jo izrazata enacbi 4.31 in 4.32, ustvarja silo, ki poriva material na obalo (Soulsby, 1997).
Vpliv tokov na valove. Zaradi vpliva toka vode na valove se spremenita valovna dolzina in hitrost vala, posledica pa je lom valov in zato mocnejsa erozija. Velja tudi, da se daljsi val med
priblizevanjem obali zmanj s a manj kot kratek val, posledici pa sta mocnej s i tok zaradi valov in obseznejsa erozija.
Pomembna posledica interakcije med valovi in tokovi je npr. Langmuirova cirkulacija (ang. Langmuir circulation), poseben krozni tok vode v vertikalnem prerezu, ki med ostalim pomembno vpliva tudi na porazdelitev planktona in posledicno ostale produkcije v oceanih. Natancnej s i opis in modeliranje pojava sta opisana npr. v Craik in Leibovich (1976).
Vecina modelov valovanja je ti. modelov vetrnih valov (ang. wind-wave models) in upostevajo samo vpliv delovanja vetra na valove. Ceprav je veter res odlocilni dejavnik pri nastanku povrsinskih valov, pa ni edini. Nekateri avtorji pri modeliranju upostevajo tudi vpliv tokov na valove, se vec pa je primerov modeliranja valov splosno s stalisca energije sistema. Sem spadajo tudi metode nelinearne dinamike, ki so sicer kompleksne in teoreticno zahtevne, a so povsem deterministicne in sisteme obravnavajo celostno. Vpliv tokov na valove smo se zato odlocili upostevati tudi sami: pri modeliranju valov z orodji mehkega racunanja smo med vhodnimi spremenljivkami upo s tevali tudi lastnosti tokov (poglavje 4.2.3).
4.3 Modeliranje valovanja 4.3.1 Metode
Sverdrup-Munk-Bretschneider ali SMB metoda, ki smo jo omenili ze pri pregledu literature v 2. poglavju, temelji na statistiki meritev povrs inskih valov zaradi vetra. Rezultat sta spekter valov in kolicina energije, ki usteza posamezni frekvenci vala. Pri modeliranju predpostavljamo, da je verjetnost, da visina vala hw presega doloceno mejno vrednost visine vala Hw, enaka (Dyke, 2007)
P = e-2(Hw/Hs)2 ;	(4.34)
Hs = znacilna visina.
Izraz 4.34 predstavlja kumulativno porazdelitev, ta pa je enaka integralu ustezne funkcije gostote verjetnosti:
p(h) = -2^e-(h/Hrms)2 ;	(4.35)
H2
Hrms = koren povprecnih kvadratov visine valov.
Enacba 4.35 ustreza Rayleighovi porazdelitvi. V praksi je stevilo valov koncno (in enako Nw), graf p(h) pa predstavlja model s Hrms = min za dani zapis nihanja gladine. Poznamo nekaj zvez, s pomocjo katerih lahko ob predpostavki, da porazdelitev vi s ine valov sledi Rayleighovi funkciji, ocenimo vrednosti nekaterih statisticnih parametrov. Visino
najvisjega vala Hmax v
obicajnem 20-minutnem zapisu nihanja gladine npr. dolocimo po
(1 \1/2
Hmax = H J 2 ln Nw) « 1.6Hs ,	(4.36)
velja pa tudi
Hs = HrmsV2 .	(4.37)
Zal predpostavka o Rayleighevi porazdelitvi zares velja le za niz (ang. train) linearnih (sinusnih) valov s podobnimi vrednostmi valovnih dolzin. V praksi to pomeni, daje Rayleigh ustrezna izbira
pri modeliranju mrtvih valov, ne obnese pa se npr. v primeru nevihtnih pojavov (ang. storm waves). Meritve namrec kažejo, da za mrtve valove velja Hs « 1.42Hrms (kar se sklada z 4.37), medtem ko za valove ob nevihtah velja Hs « 1.48Hrms (za natancnejsi rezultat bi potrebovali sirsi spekter) (Dyke, 2007).
V zadnjem casu se najvec uporablja kombinacija spektralne analize in numericnih modelov, med katerimi so najpogosteje v uporabi modeli koncnih razlik. Osnovna predpostavka spektralne analize valov pravi, da lahko vso kompleksnost realnega nihanja morske gladine izrazimo z (neskoncno) vsoto razlicnih sinusnih valov. S pomocjo Fourierove analize lahko katerikoli peri-odicni signal razstavimo na vsoto sinusnih signalov z razlicnimi frekvencami. Vsak signal torej sestavlja spekter (obicajno mnogih) frekvenc. Vendar zapis funkcije ni povsem preprost: poleg intenzitete vsake posamezne frekvence moramo upostevati se neskoncnost signalov, kar rado pripelje do problemov v zvezi s konvergenco (Dyke, 2007).
Sinusni val ima obliko
n = a cos(wt + e)	(4.38)
a = amplituda, w = frekvenca, e = faza.
Niz valov pa ima obliko
ro
n = ^ a cos(wnt + en) .	(4.39)
n=0
Neskoncnost v izrazu 4.39 v praksi nadomestimo z zelo velikim celim stevilom. V teoriji desno stran enacbe obicajno razvijemo v Fourierovo vrsto.
Energija sinusnega vala je proporcionalna a2/2:
E = 1 pgH2 , H = 2a .	(4.40)
8
Za niz valov tako dobimo
1 ro
E = ^pg E an ,	(4.41)
n=0
kar je v splos nem neskoncna vrednost. Dimenzija E v izrazu 4.41 je enaka [kg s-2], kar pomeni, da E pravzaprav predstavlja kolicino energije na enoto povrsine morja: [W] = [kg • m2 s-2], [E] = [wm-2]. Problem neskoncnosti obicajno res ujemo s pomocjo avtokovariance ali avtoko-relacije: z avtokovarianco merimo ujemanje dveh delov signala, avtokorelacija pa predstavlja posebno obliko funkcije avtokovariance z normaliziranimi vrednostmi (vec npr. v Hoel, 1984). Ker gre pri tem za mnozenje signala s samim seboj, je oblika obeh funkcij podobna izrazu za energijo 4.41: ce ju pomnozimo z pg, dobimo dimenzijo [kg s-2].
Spekter valov dobimo s Fourierovo dekompozicijo avtokovariance signala. Uporabimo Fourierovo transformacijo (Tillery, 2005): ce je signal x(t) zvezna funkcija casa, je X(iw)
/ro
x(t)e-i^dt	(4.42)
ro
Fourierova transformacija x(t), integral pa zajema obnas anje signala kot funkcije frekvence w. Da se pokazati, da dvakratna uporaba Fourierove transformacije pripelje do Parseval-ovega teorema
(Dyke, 2007):
/OO	-1 fO
[x(t)]2 dt =	[X(iw)]2 dw .	(4.43)
-oo	2n J—oo
Clen JO [x(t)]2 dt v splošnem pomeni energijo, clen [X(iw)]2 pa imenujemo spektralna gostota energije (ang. energy spectral density) signala in pove, v katerem delu spektra je kolicina energije največja. V praksi modeliranja morskih valov pogosteje uporabljamo limitni zapis potencne funkcije:
lim	[x(t)]2 dt .	(4.44)
T —1 J
Spekter te funkcije imenujemo gostota spektra moči (ang. the power spectral density) ali spektralna gostota (ang. the spectral density).
4.3.2 Spektri
Valovni spekter je graf odvisnosti spektralne gostote valov S (ang. wave spectral density) od frekvence w (enota [Hz]). Enota S(w) je [m2 s] = [m2 Hz-1]. Spektre uporabljamo, ce Želimo za dano obmocje dolociti odvisnost visine valov od hitrosti vetra oz. od privetrisca.
Med spektri, ki opisujejo valove na povrsini morja, sta se v praksi izkazala predvsem dva, ki sta se danes najpogosteje v uporabi: Pierson-Moskowitz ali PM spekter in spekter JONSWAP (JOint North Sea WAve Project). Za valove v globoki vodi pa se v zadnjem casu veliko uporablja kompleksnejsi WAM (WAve Model) spekter (Dyke, 2007).
frekvenca (Hz)
Slika 4.15: Valovni spekter PM za povsem razvito morje v odvisnosti od hitrosti vetra po Pierson in Moskowitz (1964) (povzeto po Stewart, 2008).
Figure 4.15: Wave spectrum of a fully developed sea for different wind speeds according to Moskowitz (1964) (adapted from Stewart, 2008).
Valovi na površini morja so posledica delovanja vetra, kako natanko nastanejo, pa zaenkrat ostaja ena izmed neresenih skrivnosti morja. Locimo dva primera: ce veter piha dovolj dolgo z dovolj visoko hitrostjo in je morje dovolj prostrano, nihanje gladine ni omejeno ne casovno (ang. duration limited) ne prostorsko (ang. fetch limited); morje oz. valovi so v tem primeru povsem razviti (ang. fully developed). Ce je razvoj valov omejen z enim ali drugim dejavnikom, pa je morje ne povsem razvito ali kratko nerazvito (ang. not fully developed). PM spekter dobro opisuje razvito morje, JONSWAP spekter pa nerazvito morje (Dyke, 2007).
PM spekter (slika 4.15) dolocimo po enacbi (Pierson in Moskowitz, 1964):
Spm=5(t) 3exp
-4
(4.45)
pri cemer je u = frekvenca,
up = vrsna frekvenca v spektru, Hs = znacilna visina.
s 0.3-
2 0.2
0.3 0.4 frekvenca (Hz)
0.7
Slika 4.16: Valovni spekter JONSWAP za nerazvito morje v odvisnosti od privetrne razdalje, po Hasselmann in sod. (1973) (povzeto po Stewart, 2008).
Figure 4.16: Wave spectra of a developing sea for different fetches measured at JONSWAP, after Hasselmann et al. (1973) (adapted from Stewart, 2008).
Ce morje ni povsem razvito, je spekter precej tezje dolociti. JONSWAP je rezultat dragih raziskav v 70. letih. Enacba JONSWAP spektra (slika 4.16) ima obliko (Hasselmann in sod., 1973):
Sj = 3.29 ( f) 2 U4 exp - 4( £)-4 (3.3)'
(4.46)
kjer sta
r = exp

(u - Up)2
in
ß = 0.07 za u < up in ß = 0.09 za u > u
p
(4.47)
(4.48)
V primerjavi s SPM(u) je zaradi faktorja (3.3)r spekter SJ(u) visji in bolj strm. Faktor je razlicen od ena samo v ozkem intervalu vrednosti okrog up, na ostalem delu pa je JONSWAP povsem podoben PM. Razlike v obliki obeh spektrov izhajata iz namembnosti spektrov: v casovno in/ali prostorsko omejenem morju se energija ne uspe razprsiti po celotnem spektru, v razvitem morju pa ima dovolj casa in prostora za razlicne interakcije, ki pripeljejo do vecje razprsenosti okrog vrsne vrednosti. JONSWAP se redkeje uporablja kot PM, posebej izven meja Evrope. Slabost JOSWAP-a je predvsem vrednost 3.3 na koncu izraza 4.46: v izvorni enacbi gre pravzaprav za interval vrednosti [1, 7], vendar se obicajno uporablja (skoraj povprečje) 3.3. Dodatne komplikacije pri uporabi JONSWAP spektra pa lahko pricakujemo tudi zato, ker je nerazvito morje v splos nem neprimerno tezje modelirati kot razvito. Zal v splos nem velja, da se oba spektra sicer dobro obneseta pri napovedi povprecno velikih valov, pri napovedi ekstremnih pojavov pa so rezultati slabsi (Dyke, 2007).
Preglednica 4.2: Valovi v razvitih morjih v odvisnosti od hitrosti vetra (povzeto po Thurman in Trujillo, 2004).
Table 4.2: Characteristics of waves in fully developed seas, in relation to wind speed (adapted from Thurman and Trujillo, 2004).
Povprecna	Povprecna	Povprecna	Povprecna	Znacilna
hitrost (km/h)	visina (m)	dolzina (m)	perioda (s)	visina (m)
20	0.33	10.6	3.2	0.5
30	0.88	22.2	4.6	1.2
40	1.8	39.7	6.2	2.5
50	3.2	61.8	7.7	4.5
60	5.1	89.2	9.9	7.1
70	7.4	121.4	10.8	10.3
80	10.3	158.6	12.4	14.3
90	13.9	201.6	13.9	19.3
V preglednici 4.2 podajamo značilne vrednosti valov v razvitem morju v odvisnosti od hitrosti vetra (po Thurman in Trujillo, 2004). V preglednici 4.3 podajamo pričakovane vrednosti značilne vis ine valov Hs v odvisnosti od hitrosti vetra, minimalnega trajanja delovanja vetra in minimalne vrednosti privetri sca na obmocju; vrednosti Hs so podane za primere 80%, 90% in 100% razvitosti morja (po Ippen, 1966).
Preglednica 4.3: Napoved znacilne visine valov Hs v odvisnosti od hitrosti vetra, minimalnega trajanja delovanja vetra in minimalne vrednosti privetri s ca (povzeto po Ippen, 1966). Table 4.3: Significant wave height Hs as a function of windspeed, minimum wind duration and minimum fetch (adapted from Ippen, 1966).
Metoda P-N-J	Metoda S-M-B
	Povsem razvito morje			80% razvito		morje
U	Hs	tmin	F ■ F min	Hs	tmin	F F min
m/s	m	h	km	m	h	km
5.1	0.4	2.4	18.5	0.6	10.9	96.3
10.3	2.4	10.0	138.9	2.4	21.9	388.9
15.4	6.6	23.0	518.6	5.5	32.7	870.4
20.6	13.6	42.0	1314.9	9.8	43.7	1555.7
25.7	23.7	69.0	2629.8	15.3	54.5	2426.1
28.8	31.4	88.0	3889.2	19.1	61.1	3037.3
	Metoda S-M-B			Metoda S-M-B		
	90% razvito		morje	100% razvito		morje
U	Hs	tmin	F Fmin	Hs	tmin	F F min
m/s	m	h	km	m	h	km
5.1	0.7	16.9	163.0	0.8	102.0	1611.2
10.3	2.7	33.9	657.5	3.0	205.0	6482.0
15.4	6.3	54.0	1472.3	6.9	307.0	14538.2
20.6	11.0	68.0	2629.8	12.3	410.0	25928.0
25.7	17.2	85.0	4092.9	19.1	512.0	40373.6
28.8	21.5	95.0	4944.8	23.9	572.0	48707.6
Pri modeliranju realnih valov je pomemben se en pojem: vecdimenzionalnost oz. smer potovanja valov (ang. directionality). Razen izjemoma lahko pri pregledu povr s ine morja izluscimo glavno smer propagacije valov. Oba spektra, tako PM kot JONSWAP, opisujeta enodimenzionalne valove, zato ju lahko uporabimo le za modeliranje potovanja valov v glavni smeri. Vendar pa ima hitrost valov tudi komponento v pravokotni smeri glede na glavno smer, kar pomeni, da so valovi na povrs ini morja v osnovi dvodimenzionalni. Pri racunu sil na plavajoce ali staticne objekte v oceanih je dvodimenzionalnost izredno pomembna, ceprav npr. ob obalah odboj od kopnega povzroci, da so valovi dokaj vzporedni z obalo (Snellov zakon). Ko je dvodimenzionalnost potovanja valov pomembna, si pomagamo s posebnimi kotnimi porazdelitvenimi funkcijami (ang. angular distribution functions). Sekundarno smer potovanja valov najpogosteje dolocimo po (Dyke, 2007):
cos 19
(4.49)
s
pri tem sta
d = azimut primarne smeri potovanja valov, d = [0, 2n],
s = parameter, katerega vrednost je odvisna od frekvencnega spektra porazdelitve energije valov po smereh.
s dolocimo po
w
-2.5
sp i — I za w > wp
in
w
— za w < wp wp'
(4.50)
wp = vrsna frekvenca,
sp = 11.5 ■ (wp)
2.5
Za izraza 4.50 se da dokazati, da na odprtem morju ustezata JONSWAP spektru. Vendar pa raziskave kazejo, da so rezultati podobni, ne glede na to, kateri spekter uporabimo. Vec o vecdimenzionalnosti v Mitsuyasu in sod. (1975).
s
s
s
p
4.3.3 Ekstremni pojavi
Za merilo 'ekstremnosti' v gradbeni stroki velja 100-letni val: pri tem 100-letni pomeni, da obstaja majhna verjetnost, daje frekvenca pojavljanja toliksnega vala krajsa od 100 let. Koliksna je v resnici verjetnost, pravzaprav ne vemo, saj je odvisna od izbire statisticne porazdelitve. Pri napovedovanju ekstremnih valov smo torej omejeni s podobnimi problemi kot pri napovedi ostalih naravnih pojavov ekstremnih razseznosti. Dodaten problem pri napovedi visokih valov je njihova odvisnost od ekstremnih vremenskih razmer, ki jih je prav tako tezko z gotovostjo napovedati: npr. odvisnost od visokih hitrosti vetra, izjemnih neviht, dviga gladine morja ob obalah zaradi poplav, idr. Pri tem moramo upostevati se klimatske spremembe: pricakujemo lahko mocnejsa in pogostejsa neurja ter visje povprecne hitrosti vetra, zaradi tega pa tudi visje hitrosti tokov in v zgornjem sloju vode visjo gostoto energije. Naceloma ostaja JONSWAP spekter kljub temu dovolj pravilen za uporabo, ne glede na spremenjene vrednosti parametrov zaradi povisane energije sistema (Dyke, 2007).
Glavni problem pri napovedi ekstemnih pojavov je pomanjkanje podatkov za analizo, modeliranje na osnovi preteklih podatkov pa je vprasljivo tudi zaradi globalnega segrevanja in z njim povezanih lokalnih in globalnih sprememb. Poseben problem pa predstavljajo tudi metode analize podatkov: obicajno statisticne porazdelitve podatkov vsebujejo dvojni eksponent, zato da za graf najboljsega ujemanja s podatki dobimo ravno crto. Posledica tega je popacenje grafa meritev: podatki so strjeni, njihova prava struktura pa je nerazvidna. Vrednosti za ekstremne pojave, ki se na grafih nahajajo na skrajnih robovih, so zato nezanesljive (Dyke, 2007).
Porazdelitev izberemo na osnovi ocen dolocenih parametrov. Obicajno izberemo eno izmed porazdelitev v razredu GEV (ang. general extreme value distributions, GEVs). Glavni problem vseh GEV porazdelitev je, da za dovolj natancno oceno parametrov potrebujemo izredno dolg niz podatkov. Velja, da za napoved dogodka s povratno dobo N let potrebujemo zapis dolzine N/2 let! V praksi pa je ze 25 let... ogromno. Najpogosteje sta v uporabi dve izmed GEV porazdelitev: Gumbelova (Gumbel, 2004) in Weibullova porazdelitev (Weibull, 1951; NIST/SEMATECH, 2010).
Pri napovedi ekstremnih valov uporabljamo znacilno visino valov Hs in periodo Ts, ki ustreza Hs. Naslednje empiricne enacbe povezujejo ti dve kolicini s hitrostjo vetra (Dyke, 2007):
•	v kombinaciji s PM spektrom uporabljamo izraza
Hs « 0.025 ■ Ufo ,	(4.51)
Ts « 0.79 ■ Uio ,	(4.52)
•	v kombinaciji z JONSWAP spektrom pa izraza
Hs « 5.1 ■ 10-4UioF0.5 ,	(4.53)
Ts « 0.059 ■ (UioF)0.33 .	(4.54)
V izrazih 4.51 do 4.54 je
Uio = hitrost vetra 10 m nad morjem; enota [ms-1], F = privetri s ce ali privetrna razdalja (ang. fetch); enota [m].
Ceprav so te enacbe empiricne, dajejo dobre rezultate: razvili so jih inzenirji in obicajno se danes predstavljajo prvo izbiro pri modeliranju valov. Privetri sce F nastopa samo v izrazih za JONSWAP filter, ker vpliva le na valove v ne povsem razvitih morjih. Enacbe za oba spektra dajo podobne vrednosti Hs in Ts sele pri F ~ 1000 km. Npr. v Severnem morju je privetrisce omejeno s sirino morja, ki znas a ~ 450 km. Ce uporabimo enacbi za PM spekter, dobimo za Uio = konst = 20 m/s znacilno visino Hs = 10 m in pripadajoco periodo Ts = 15.8 s. Ce uporabimo enacbi za JONSWAP spekter, pa dobimo pri isti hitrosti vetra vrednosti Hs = 6.8 m in Ts = 12.3 s, kar je mnogo bolj realno. Razmi s ljanje, da razvitost morja lahko razmejimo glede na eno samo vrednost privetrisca (F ~ 1000 km), je seveda zelo poenostavljeno. V resnici je meja med obema rezimoma v veliki meri odvisna od spremenljivosti vetra, vendar pa konstantna sila vetra predstavlja zgornjo mejo tveganja.
Graf na sliki 4.17 je rezultat mnogih meritev visine valov in predstavlja del BS6349 (BS6349 je del Britanskega standarda). Namenjen je napovedi n—letnega vala in temelji na Weibullovi porazdelitvi. Enacba linearne funkcije se glasi:
ln jln j = 0.945 ln {Hs — 0.95} + 0.278 .	(4.55)
p = presezna verjetnost (ang. exceedance probability), t.j. verjetnost, da vrednost obravnavane spremenljivke (v nas em primeru je to obicajno visina valov) presega neko mejno vrednost Xtr.
Obicajna zveza med presezno verjetnostjo p in povratno dobo Tp se glasi:
P = ^ .	(4.56) Tp
V praksi se enacba 4.56 obenese le za zelo visoke vrednosti Tp. Pri modeliranju zato raje uporabljamo
P = TPTT	<4-57>
Slika 4.17: Graf verjetnosti nastopa valov z značilno višino Hs. Odvisnost sledi enacbi 4.55 (povzeto po Dyke, 2007).
Figure 4.17: A wave height extrapolation plot. The line follows equation No. 4.55 (adapted from Dyke, 2007).
oz.
Tp = ^ .	(4.58)
p
Izraz 4.58 pravzaprav pravi, da je povratna doba enaka razmerju med verjetnostjo, da velik val ne nastopi in verjetnostjo, da tak val nastopi. Iz 4.57 za zelo visoke Tp sledi p « T".
Zal so zaradi prekratkih in pomanjkljivih nizov podatkov napake pri napovedi visokih valov lahko zelo velike. Postopek dolocitve p in od tod visine n—letnega vala je kljub temu naslednji. Po pregledu podatkov izlocimo vse valove, za katere velja Hi > Htr, Htr = mejna vrednost. Ce je takih nevihtnih valov npr. 39, znasa presezna verjetnost
Pi = —1— = — ,	(4.59)
1 39 + 1 40'	v ;
pi = 1-letni val.
Presezna verjetnost za 50-letni val je zatem preprosto vrednosti pi:
1 1 1
P50 = 50 ' 40 = 2000 .	(460)
Za 100-letni val pa po enakem sklepanju dobimo
11
Pi00 = 2P50 = 4000 .	(461)
Iz danih vrednosti p s pomocjo grafa (slika 4.17) dolocimo vrednosti visin n—letnih valov. Dobimo npr.: za 1-letni val = 3.9 m, za 50-letni val = 7.3 m in za 100-letni val = 7.9 m.
Na nek nacin je potrebno upostevati se globalno segrevanje ozracja. Vemo npr., da je ena izmed posledic klimatskih sprememb pri nas vecje stevilo mocnih neviht. Ce predpostavimo, da imamo zato vsako leto povprecno namesto 39 npr. 49 valov s H > Htr, dobimo npr. za 1-letni val = 4.1 m, za 50-letni val = 7.5 m in za 100-letni val = 8.1 m. Napake se seveda sestevajo in ce zelimo od tod dolociti se pricakovano energijo valov (ki je proporcionalna kvadratu vi sine valov!), so napake lahko ze zelo velike. Predvsem pri kratkih nizih podatkov so rezultati lahko zelo nerealni.
Problem predstavlja tudi izbira statisticne metode. Nekateri avtorji prisegajo na izbiro bolj sofisticiranih statisticnih metod, npr. metod na osnovi MLE (ang. Maximum Likelihood Estimation) (glej npr. Reeve, Chadwick, Fleming, 2004). Vendar se pri tem pojavi nov problem: kom-pleksenj se metode zahtevajo natancnej so dolocitev stevilnej s ih parametrov, kar pa je v realnosti zaradi prekratkih in pomanjkljivih nizov podatkov prakticno neizvedljivo. Ne glede na izbiro metode pa velja: daljsi je podatkovni niz, bolj zanesljiva je napoved. Statisticni parametri niso ne stacionarni ne ergodicni, kljub temu pa vse navedene statisticne metode (standardni spektri in ekstremna statistika) predpostavljajo, da je valovno polje statisticno stacionarno (statisticne kolicine ostajajo znotraj zelo dolgih casovnih obdobij nespremenjene). Kako torej pri vsem tem upostevati se globalno segrevanje? Problem vpliva klimatskih sprememb zaenkrat se ni standardno resen; pri dimenzioniranju obicajno upostevamo samo vi sji varnostni faktor (Dyke, 2007).
5 MODELIRANJE BIOGEOKEMICNEGA KROŽENJA SNOVI V OCEANIH Z MODELOM PCFLOW3D
Na Katedri za mehaniko tekocin se ze od leta 1985 razvija in v praksi uporablja tridimenzionalni model PCFLOW3D. Uporabili so ga pri stevilnih studijah hidrodinamike toka in transporta ter disperzije onesnaževal, tako pri nas kot v tujini (Rajar, 2000; Rajar in Cetina, 1997a; Rajar in Sirca, 1996, 1998; Rajar in sod., 1997, 2000, 2004a,b,c, 2007; Žagar in sod., 2006, 2007). Po-drobnej s i opis modela in dosedanjega modeliranja z modelom PCFLOW3D najdemo v literaturi. Razvoj modela in primeri simulacij so opisani v Cetina (1992), Cetina in sod. (2000), Kovsca (2007), Rajar in Cetina (1997a, b), Rajar in sod. (1997, 2000, 2004), Žagar in sod. (2007); pregled vseh vgrajenih modelov turbulence z enacbami podaja Doric v (2007a); navodila za uporabo modela so opisana v Cetina in sod. (1999).
5.1 MODEL PCFLOW3D
Model PCFLOW3D je nestalni tridimenzionalni nelinearni baroklini model. Hidrodinamika temelji na enacbah plitvih vod, v smeri z uporabljamo hidrostaticno aproksimacijo. Osnovni model sestoji iz stirih modulov: hidrodinamicnega (HD), transportno-disperzijskega (TD), sedi-mentacijskega (ST) in biogeokemicnega modula (BGC). Med zunanjimi silami, ki vplivajo na vrednosti hidrodinamicnih kolicin, lahko v modelu PCFLOW3D upostevamo: veter, plimovanje, dotoke rek, pretoke preko ozin in notranje sile zaradi gradientov temperature in slanosti ter posledicno gradientov gostote vode. Hidrodinamicni racun poteka po metodi koncnih volumnov, transport in disperzijo onesnazeval pa lahko racunamo z Eulerjevo metodo koncnih razlik ali z Lagrangevo metodo sledenja delcev. Sledi kratek opis posameznih modulov.
5.1.1 Hidrodinamični modul
V vsakem kontrolnem volumnu definicijskega obmocja se na podlagi kontinuitetne in treh di-namicnih enacb ter kinematicnega robnega pogoja za vrhnji sloj izracunajo komponente hitrosti u, v, w, tlak p ter debelina povrs inskega sloja ha. Izracunane komponente hitrosti se v nadaljevanju uporabijo za re sevanje advekcijsko-difuzijske enacbe, ki doloca porazdelitev temperature in slanosti (ter v biogeokemicnem modulu za racun ostalih skalarjev). Neenakomerna porazdelitev temperature in slanosti vpliva na gostoto vode in posredno tudi na hitrostno polje, zato se v naslednji iteraciji pri izracunu komponent hitrosti uposteva spremenjena gostota vode.
Kontinuitetna enačba za posamezni sloj debeline h, z izjemo povrsinskega:
^ + CdP+ wt - wb = 0	(5.1)
dx dy
u = komponenta hitrosti v x smeri, v = komponenta hitrosti v y smeri,
wt = komponenta hitrosti v z smeri na vrhu kontrolnega volumna, Wb = komponenta hitrosti v z smeri na dnu kontrolnega volumna, h = debelina posameznega sloja.
Dinamične enačbe v x, y in z smeri (upostevamo hidrostaticno aproksimacijo):
d(hu) d(hu2) d(huv) d(huw)	„ , hdp 11	,
-W2 +	+	+ a = +fvh -^r + -Twx -- rbx	(5.2)
dt	dx	dy	dz	pdx p	p
d f i „r 9u\ d ( du\ d f du hNh— + — hNh— + — hNv — dx \ dx J dy \ dy J dz \ dz
d(hv) d(huv) d(hv2) d(huw)	„ , hdp 11	,
""+ ^- + ^- + ^- = -fuh -—^ + - rWy -- T by	(5.3)
dt	dx	dy	dz	pdx p p
d „T	d	d	dv\
hNh^~ + hN^— + — hNv — \ dx) dy \ dy J dz \ dz J
rz,
P = Pa + W pdz	(5.4)
z
f = 2Q sin 0 = Coriolisova sila (Q = kotna hitrost Zemlje, 0 = zemljepisna sirina), t = cas,
pa = atmosferski tlak, zs = visina vodne gladine,
Nh = koeficient horizontalne turbulentne viskoznosti, Nv = koeficient vertikalne turbulentne viskoznosti, p = gostota,
twx = strizna napetost na povrsini vrhnjega sloja zaradi vetra v x smeri, twy = strizna napetost na povrsini vrhnjega sloja zaradi vetra v y smeri, tbx = strizna napetost na dnu spodnjega sloja zaradi hrapavosti v x smeri, tby = strizna napetost na dnu spodnjega sloja zaradi hrapavosti v y smeri. Kinematični robni pogoj za povrsinski sloj:
N
dha dt
-E (1x>+ ^	(5.5)
N = stevilo horizontalnih slojev, gledano v z smeri, ha = gladina vode v povrsinskem sloju. Advekcijsko-difuzijski enačbi za temperaturo in slanost:
d(hT) | d(huT) | d(hvT) | d(hwT) _ / D dT\ /	dT\ | /0(hR)\
dt dx	dy	dz dx \ dx j dy \ dy ) dz \ v dz j \ pcpdz J
(5.6)
d (hs) ^ d (hus) ^ d (hvs)^ d(hws) d	(hD	® ( ^jj
dt dx dy dz dx \ dx) dy \ dy) dz\ v dz) \ dt J površje
(5.7)
T = temperatura, enota [° C], s = slanost,
Dh = koeficient horizontalne turbulentne difuzije, Dv = koeficient vertikalne turbulentne difuzije, R = penetracija kratkovalovnega sevanja preko vodne gladine, cp = specificna toplota.
Enačba stanja: gostota je odvisna od porazdelitve temperature T, slanosti s in koncentracije snovi C:
p = p(T,s,C)	(5.8)
Opisane enacbe sestavljajo hidrodinamicni modul modela PCFLOW3D, s katerim lahko simuliramo 3D cirkulacijo v razlicnih pogojih in z upostevanjem razlicnih zunanjih sil (veter, plimovanje, gostotna gibanja zaradi gradientov temperatur in slanosti, gibalna kolicina vtokov, idr). Spremenljiva gostota omogoca tudi simulacije stratificiranega stanja. Rezultati HD modula se lahko uporabljajo tudi kot vhodni podatki za druge modele.
Modeli turbulence. Vpliv turbulence opisemo s koeficienti turbulentne viskoznosti Nh in Nv ter s koeficienti turbulentne difuzije Dh in Dv. Vrednosti koeficientov dolocimo z dodatnimi enacbami, s t.i. modeli turbulence. Koeficienti turbulentne viskoznosti in difuzije so odvisni od lastnosti toka in ne od tekocine, spreminjajo se v casu in prostoru. Za turbulentni transport onesnazevala ali toplote je pomemben predvsem pojav difuzije, ki je posledica mikroturbulence in povzroca, da se koncentracija snovi razprsi po tekocini (Cetina, 1992).
Model PCFLOW3D omogoca poljubno kombinacijo horizontalnega in vertikalnega modela turbulence. Moznosti (Rodi, 1993):
•	model s konstantno viskoznostjo (vertikalno in/ali horizontalno),
•	Smagorinsky horizontalno,
•	Smagorinsky vertikalno,
•	Koutitas vertikalno,
•	Mellor-Yamada vertikalno.
Podrobnej s i opis vseh na s tetih modelov turbulence z enacbami podaja Doric v (2007a).
Numericne sheme. V modelu PCFLOW3D re s ujemo enacbe z metodo koncnih razlik (volumnov) s fiksno pravokotno mrezo v x, y in z smeri. Za diskretizacijo enacb v posamezni smeri uporabimo eno izmed numericnih shem. Zaenkrat sta moznosti dve:
•	QUICK,
•	HIBRIDNA shema.
QUICK (Quadratic Upstream Interpolation Convective Kinematic) (Cetina, 1992) je komplek-snejsa shema tretjega reda tocnosti. Slabe lastnosti QUICK sheme so predvsem zahtevnej se programiranje robnih pogojev in tezave s stabilnostjo, podalj s a pa se tudi racunski cas.
HIBRIDNA shema (Cetina, 1992) je kombinacija centralno-diferencne sheme in sheme gorvodnih razlik (UPWIND). Centralno-diferencna shema je drugega reda tocnosti, a pogosto ni primerna za racunanje konvekcijskih clenov v enacbah. Zato se uporablja v kombinaciji z enostavno interpolacijsko shemo prvega reda tocnosti UPWIND, pri kateri privzamemo, da je interpolirana vrednost vmesne tocke kontrolnega volumna enaka vrednosti v gorvodni tocki. Pri kombinaciji obeh shem se UPWIND uporablja, ko advekcija proti toku prevlada nad difuzijo, sicer pa racun poteka po centralno-diferencni shemi. Hibridna shema se veliko uporablja tudi v primerih z zapletenimi robnimi pogoji in geometrijo, in sicer predvsem zaradi enostavnosti in stabilnosti, njena glavna pomanjkljivost pa je pojav numericne difuzije.
Do numericne difuzije pride zaradi aproksimacije konvekcijskih clenov. Napaka predstavlja dolocen pribitek h koeficientom turbulentne viskoznosti in difuzije, zato se gibalna kolicina ali kontaminant s irita v vecji meri, kot je fizikalno realno. Problem se pojavlja predvsem pri vecdimenzionalnih modelih, ko se smer toka ne ujema s smerjo ene od koordinatnih osi. Napako zaradi numericne difuzije zmanjsamo z zgos cevanjem mreze (Cetina, 1992).
Robni pogoji. Vpliv zunanjih sil na gibanje vode znotraj modeliranega obmocja modeliramo s stirimi vrstami robnih pogojev. Robni pogoj na odprtem robu je pomemben predvsem pri modeliranju odprtih obmocij, kakr s en je tudi Trza s ki zaliv. V modelu PCFLOW3D lahko na odprtem robu uporabimo kontinuitetni ali radiacijski robni pogoj, imamo pa tudi moznost podajanja fiksnih ali spremenljivih hitrosti ter 1D ali 2D plimne krivulje. Vtoke rek v morje modeliramo tako, da definiramo vtocno celico, v kateri predpi semo pritok mase in gibalne kolicine. Podamo komponenti hitrosti vtoka v x in y smeri ter slanost in temperaturo vtocne vode; pretok reke zatem doloci model PCFLOW3D sam iz dimenzij vtocne celice. Na gladini je potrebno podati faktor trenja zaradi vetra, od katerega je odvisno, koliko energije vetra se prenese na povrs inski sloj vode. Vrednost koeficienta znas a npr. za Trzaski zaliv 0.002. Na dnu predpi semo Manningov koeficient trenja med vodo in sedimenti.
5.1.2 Transportno-disperzijski modul
Za nas je pomemben predvsem transportno-disperzijski modul. Za modeliranje biogeokemicnih spremenljivk uporabljamo advekcijsko-difuzijsko enacbo za skalar $ (enacba za ohranitev toplotne energije ali mase tuje snovi; velja tako za laminarne kot za turbulentne tokove). Ta se od
advekcijsko-difuzijskih enacb za temperaturo in slanost razlikuje predvsem po dodatnem izvorno-ponornem clenu ki zajema spremembo mase $ zaradi biogeokemicnih reakcij. Enacba se za sloj debeline h glasi:
d(h$) d(hu$) d(hv$) d(hw$) d / ^ d$\ d / ^ d$\ d / ^	„
dt dx	dy	dz dx \ dx J dy \ dy J dz \ dz
(5.9)
Koeficienta difuzije Dh$ in Dv$ dolocimo z modelom turbulence. Vrednosti so naceloma enake za T, s in vse ostale skalarje. Pri dolocanju vrednosti koeficientov difuzije Di in koeficientov turbulentne viskoznosti Ni si lahko pomagamo tudi s Prandtlovim stevilom:
Dh Prandtlh ,	Prandtlv '	(5.10)
5.1.3 Sedimentacijski modul
S sedimentacijskim modulom dolocamo vrednosti transporta in disperzije nekohezivnih sedi-mentov. Modul je zasnovan podobno kot 3D sedimentacijski model Lin in Falconer (1996), sedimentacijsko hitrost delcev dolocamo empiricno po Van Rijn (1993). V odvisnosti od velikosti strizne napetosti na dnu, ki nastane zaradi kombiniranega vpliva tokov in valov, se v vsakem casovnem koraku dolocita obseg sedimentacije delcev oz. resuspenzije sedimentov z dna. Sedimentacijski modul je natancno opisan v Žagar (1999).
5.1.4 Biogeokemični modul
Ž biogeokemicnim modulom dolocamo koncentracije zvrsti zivega srebra v vodnem stolpcu. Shema modula je podana na sliki 5.1.
Reakcije med zvrstmi (elementarno Hg0, dvovalentno Hg2+ in monometil zivo srebro CH3Hg+) modeliramo s preprostimi enacbami oblike
AMi = Kr ■ Mr ■ At ;	(5.11)
AMi = sprememba mase produkta (Hg0, Hg2+ ali CH3Hg+) v danem At, Mr = masa reaktanta,
Kr = koeficient reakcije med reaktantom in produktom.
Koeficienti reakcij so spremenljivke v prostoru in casu. Izrazajo vpliv zunanjih dejavnikov, biotskih in abiotskih, na procese pretvorb med zvrstmi zivega srebra. Ker so ti vplivi se slabo raziskani, se vrednosti v literaturi (Carroll in sod., 2000; Rolfhuss in Fitzgerald, 2004) gibljejo v s irokih mejah. Pri modeliranju transporta in procesov pretvorb zivega srebra v Sredozemskem morju (Žagar in sod., 2007) smo jih ocenili na osnovi terenskih meritev.
depozicija	izmenjava med vodo in zrakom depozicija
n suspendirani [~| v biomasi planktona [~| plinasti
Slika 5.1: Biogeokemicni modul modela PCFLOW3D.
Figure 5.1: Biogeochemical module of the PCFLOW3D model.
5.2 Nadgradnja modela PCFLOW3D
V okviru disertacije smo model PCFLOW3D nadgradili z naslednjimi moznostmi:
•	z dvema konceptualnim 3D modeloma za nizji del prehranjevalne verige, s katerima lahko modeliramo letno nihanje koncentracije hranil (nitratov, fosfatov, amoniaka), kisika, fitoplanktona, zooplanktona in detrita; oba modela upostevata tudi izmenjavo snovi med vodo in sedimenti, eden izmed modelov pa uposteva tudi izmenjavo snovi med vodo in atmosfero (podpoglavje 4.2.2),
•	z empiricnim modelom valovanja za Trzaski zaliv (podpoglavje 4.2.3),
•	z empiricnimi modeli za dolocanje skalarnih polj konduktivnosti, transmisije, kisika in fluorescence v Sredozemskem morju (podpoglavje 4.2.4),
•	z empiricnimi modeli za dolocanje skalarnih polj najpomembnej s ih zvrsti zivega srebra (THg, DGM, RHg, MMHg in DMHg) v Sredozemskem morju (podpoglavje 4.2.5).
Diagram poteka matematicnega modela PCFLOW3D podajamo na slikah 5.2 - 5.6; novi pod-modeli so oznaceni z rdeco barvo.
BRANJE SEZONSKIH POVPREČIJ U, V, W, AM in SS
INICIALIZACIJA VSEH SPREMENLJIVK (ZGL, U, V, W, DEN, VIS, AM, SS, SD, HG, FA1-FA9, FAA, FAB, FAC) I
INIT
RAČUN GOSTOTE DEN (I,J,K) v odvisnosti od AM, SS, .. RAČUN VISKOZNOSTI VIS (I,J,K) v odvisnosti od AM, SS,
PROPS
T	0
	
	
T = T + DT	
BRANJE, INTERPOLACIJA IN IZPIS SPREMENLJIVIH PODATKOV (PLIMA, VETER, VTOKI, VNOS TOPLOTE IZ ATMOSFERE IN VIROV TOPL. ONESNAŽENJA)			BEGSET		
					
	MODEL TURBULENCE Z UPOŠTEVANJEM STRATIFIKACIJE (Rich, Nv,Dv)			PROPS	
K
A R
KOR
V O
ASO
Č OV
ITERZ = 0
HE
HIDRODINAMICNI MODEL
ITERZ = ITERZ + 1
I
ZA VSAK SLOJ K=1..KGLA RAČUN U(I,J) ZA VSAK SLOJ K=1..KGLA RAČUN V(I,J)
CALCU + PROMU CALCV+PROMV
HKRATNI RAČUN PO VSEH SLOJIH:	
- POPRAVKI HITOSTI	CALCZ
- ROBNI POGOJ NA GLADINI	
- POPRAVLJENE VREDNOSTI U,V,ZGL, H	PROMZ
- RAČUN GLADINE	
- RAČUN W(I,J,K)	
I
ITRAM = 0
ITERACIJE ZNOTRAJ
ITRAM = ITRAM + 1
I
ČASOVNEGA KORAKA DT
RAČUN TEMPERATURE PO VSEH I,J,K AD ENAČBA - POLNA 3D SHEMA
TRANSPORT IN
DISPERZIJA TEMPERATURE IN SLANOSTI V OKVIRU HD MODELA
RAČUN VPLIVA TOPLOTNE POLUCIJE IN SEVANJA
HEATFLOW
ITRSS = 0
ITERACIJE ZNOTRAJ
ITRSS = ITRSS + 1
ČASOVNEGA KORAKA DT
RAČUN SLANOSTI PO VSEH I,J,K AD ENAČBA - POLNA 3D SHEMA
K
A R
KOR
OV
S A Č V O
ČASOVNA INTERPOLACIJA SEZONSKIH POVPREČIJ U, V, W, AM in SS
r
ITRFAi = 0
LU X
w o
CO <
z ^
o
CL
ITRFAi = ITRFAi + 1 I -
RAČUN KONCENTRACIJ EKOLOŠKIH SPREMENLJIVK FAi:
-	model po Crispi s sod. (2002): FAi = nitrati, fosfati, amoniak, kisik, ultraplankton, netplankton, zooplankton, C, N, P v detritusu
-	model po Fennel s sod. (2006): FAi = nitrati, amoniak, klorofil-a, fitoplankton, zooplankton,
velik detritus, majhen detritus
CALCFAi +
PROMFAi
TRANSPORT IN DISPERZIJA EKOLOŠKIH SPREMENLJIVK
A R
O
>
O S A Č
>
O
D
+
ÜS S
1 ü
0	V-
LU o I- *
LU O
zuj
§3 I«
1	t
N
IZRAČUN IZVORNO-PONORNIH ČLENOV EKOLOŠKIH SPREMENLJIVK FAi
PELAGIČNI MODEL PO CRISPI S SOD. (2002):
-	spremenljivke FAi:
nitrati, fosfati, amoniak, kisik, ultraplankton, netplankton, zooplankton, vsebnost elementov C, N, P v detritusu
-	biogeokemični procesi v vodnem stolpcu: fotosinteza, remineralizacija OM, nitrifikacija, izmenjava kisika med vodo in atmosfero
PELAGIČNI MODEL PO FENNEL S SOD. (2006):
-	spremenljivke FAi:
nitrati, amoniak, klorofil, fitoplankton, zooplankton, majhen detritus, velik detritus
-	biogeokemični procesi v vodnem stolpcu: fotosinteza, remineralizacija OM, nitrifikacija, agregacija manjših delcev OM v večje
BENTOŠKI MODEL PO FENNEL S SOD. (2006):
-	določa vpliv remineralizacije OM v sedimentih na vrednosti FAi v vodnem stolpcu,
-	uporabljamo ga lahko v kombinaciji z enim ali drugim pelagičnim modelom,
-	račun z bentoškim modelom je smiseln do globine vode < 250 m;
-	biogeokemični procesi v sedimentih: aerobna respiracija, nitrifikacija, denitrifikacija
MODEL VALOVANJA ZA TRZASKI ZALIV:
-	vhodne spremenljivke:
povprečna hitrost vetra, sunki vetra, smer vetra, privetrišče, horizontalna komponenta hitrosti v vrhnjem sloju morja, vertikalna komponenta hitrosti v vrhnjem sloju morja, horizontalna smer tokov v vrhnjem sloju morja
-	napoved izhodnih spremenljivk za poljubno število ur vnaprej: povprečna perioda, vršna perioda, povprečna višina, maksimalna višina, smer potovanja valov, razpršenost
pri vršni periodi
__		
	RAČUN KOMBINIRANEGA VPLIVA VETRA, TOKOV IN VALOV NA RESUSPENZIJO SEDIMENTOV Z DNA TRŽAŠKEGA ZALIVA	
<
m O
>
O
w <
o >
O
ITRSD = 0
ITRSD = ITRSD + 1 k-
SEDIMENTACIJSKI MODEL
RAČUN PARAMETROV SEDIMENTACIJE
-	Dv Z UPOŠTEVANJEM STRATIFIKACIJE
-	VALOVANJE
-	STRIŽNE NAPETOSTI OB DNU
-	SEDIMENTACIJSKA HITROST
-	ROBNI POGOJI (RESUSPENZIJA OB DNU
RAČUN KONCENTRACIJ SD(I,J,K) AD ENAČBA - POLNA 3D SHEMA
< aR
N LU
<
aR
O <
O
LU
D +
BILANCA SEDIMENTACIJE / RESUSPENZIJE PO VSEH I,J,K
RAČUN DEBELINE EROZIJE /SEDIMENTACIJE PO KONTROLNIH VOLUMNIH OB DNU
RAČUN GOSTOTE DEN (I,J,K) v odvisnosti od AM, SS, ... RAČUN VISKOZNOSTI VIS (I,J,K) v odvisnosti od AM, SS, ...
PROPS
IZPIS ZA IZBRANE SLOJE	
IZPIS ZA IZBRANE PREREZE	
IZPIS ZA PTM	PRINT
IZPIS ZA IZRISE	
IZPIS ZA HOT START	
PREIMENOVANJE SPREMENLJIVK U,V,W,H,ZGL,AM,SS,SD,HG1,HG2,HG3, FA1-FA9,FAA,FAB,FAC U0(I,J,K) = U(I,J,K) V0(I,J,K) = V(I,J,K) itd.
			
			
	RAČUN SEZONSKO POVPREČNIH SKALARNIH POLJ KONDUKTIVNOSTI, TRANSMISIJE, KONCENTRACIJE RAZTOPLJENEGA KISIKA IN FLUORESCENCE KLOROFILA-A -	empirični modeli: modelna drevesa iz podatkov MERCYMS -	vhodne spremenljivke: indeks dneva, indeks ure, globina, skalarni polji T in s -	račun za Sredozemsko morje		
	v		
	RAČUN SEZONSKO POVPREČNIH SKALARNIH POLJ KONCENTRACIJ ZVRSTI Hg: THg, DGM, RHg, MMHg, DMHg -	empirični modeli: modelna drevesa iz podatkov IJS in LCABIE -	vhodne spremenljivke: indeks dneva, indeks ure, globina, skalarna polja T, s, konduktivnosti, transmisije, koncentracije raztopljenega kisika in fluorescence klorofila-a -	račun za Sredozemsko morje		
Slika 5.6: Diagram poteka matematicnegea modela PCFLOW3D - 5. del. Figure 5.6: Flow chart of the PCFLOW3D mathematical model - Part 5.
5.2.1 Metode
Pri nadgradnji smo uporabili vec razlicnih metod, ki jih na kratko opisujemo v nadaljevanju. Najvec dela smo imeli s 3D modelom za nizji del prehranjevalne verige, ki smo ga sprogrami-rali neposredno z raz s iritvijo kode za originalni program PCFLOW3D (Fortran, Matlab); programiranja na tem mestu ne opisujemo natancneje. Empiricne modele za dolocanje vrednosti konduktivnosti, transmisije, kisika, fluorescence in koncetracij zivega srebra smo z orodji strojnega ucenja induktivno razvili neposredno iz podatkov; osnove strojnega ucenja ter uporabljeno metodo modelnih dreves opisujemo v podpoglavju 5.2.1.1. Model valovanja za Trzaski zaliv pa smo se odlocili razviti z orodji mehkega racunanja (s kombinacijo mehke logike in nevronskih mrez), in sicer prav tako neposredno iz podatkov; osnove mehkega racunanja podajamo v podpoglavju 5.2.1.2.
5.2.1.1 Strojno ucenje
Uporaba metod strojnega ucenja (ang. machine learning) v ekoloskem modeliranju je pogosta (Fielding in sod., 1999; Recknagel in sod., 2006). Modeliranje z orodji strojnega ucenja ima pred empiricnimi in konceptualnimi modeli dolocene prednosti (Atanasova in sod., 2006, 2008; Kompare in sod., 1997a,b; Todorovski in sod., 2003):
•	programi za strojno ucenje generirajo novo znanje o obravnavani domeni, in sicer na osnovi samo podatkov (meritev, primerov) ali skupaj z domenskim znanjem,
•	nauceno znanje v kompaktni obliki predstavijo na intuitiven, lahko razumljiv nacin,
•	v primerjavi s klasicnimi postopki potrebujejo za gradnjo modela manj casa,
•	pogosto je celoten proces modeliranja popolnoma avtomatiziran, brez pomoci strokovnjakov,
•	v primerjavi s preprostimi oblikami odvisnosti, ki jih obravnava vecina statisticnih metod, lahko metode umetne inteligence obravnavajo precej bolj zapletene odvisnosti med posameznimi kolicinami, ki vkljucujejo tako numericne kot logicne pogoje,
•	ce razvitih modelov ne uporabimo neposredno, jih se vedno lahko uporabimo posredno, tako da novo odkrito znanje vgradimo v konceptualne modele.
Metode strojnega ucenja so natancno razlozene npr. v Michalski in sod. (1998) in v Kononenko (1997). Podobno kot pri zasnovi konceptualnih modelov lahko tudi pri modeliranju z orodji strojnega ucenja uporabimo oba pristopa, indukcijo in dedukcijo (Fielding, 1999). Za resevanje kompleksnih problemov je najbolje uporabiti kombinacijo, ki zdruzuje prednosti in odpravlja pomanjkljivosti obeh pristopov. Cetudi uporabimo samo indukcijo, pa nastali modeli niso tipa crne skrinjice, kot je to obicajno pri statisticnih metodah, temvec so bolj ali manj transparentni (Kompare, 1995b). Pridobivanje znanja neposredno iz meritev s pomocjo indukcije oz. ti. ucenje iz primerov je posebej primerno pri resevanju nematematicnih, abstraktnih, 'mehkih' problemov, ki so zgolj neformalno opredeljeni ali tezko algoritmicno res ljivi ter v primerih, ko je teoreticno znanje o problemu nepopolno (Michalski in sod., 1998).
Glede na naravo problema (kompleksnost, skopo teoretično predznanje, Časovna razporejenost meritev ne omogoča modeliranja dinamike sistema) smo se odločili koncentracije zvrsti zivega srebra v Sredozemskem modelirati z algoritmom M5 za gradnjo modelnih dreves (Breiman in sod., 1984; Quinlan, 1992; Wang in Witten, 1997; Witten in Frank, 2000a), ki znanje generirajo induktivno in dovoljujejo tudi uporabo zveznih numericnih atributov.
V	terminologiji strojnega ucenja imenujemo atribute neodvisne spremenljivke, razred pa odvisno spremenljivko. Med atributi in razredom predpostavimo linearno funkcijsko odvisnost:
g (V) = wi • vi + W2 • V2 + ... + wa • va + wa+i	(5.12)
W = (w1,..., wa+1) = vektor utezi,
V	= (v1, ...,va) = vektor atributov.
Naloga ucnega algoritma je dolociti vektor utezi, ki iz vektorja atributov pravilno napove vrednost razreda g(V). Medtem ko preprosta linearna regresija racuna eno enacbo (en utezni vektor) za celoten niz podatkov, ti. odsekoma deljena ali drevesno strukturirana regresija podatke razdeli na vec podnizov in za vsakega od njih doloci posebno linearno enacbo. Z drevesno strukturo lahko zato priblizno opišemo tudi neli nearne zveze med razredom in atributi.
Algoritem razdeli podatke v k manjsih podnizov na osnovi ene izmed cenovnih funkcij, ki zmanjsajo entropijo podniza v primerjavi s celotnim nizom ter s tem nezanesljivost napovedane vrednosti razreda. Najpogosteje se med cenovnimi funkcijami uporablja informacijski prispevek (ang. information gain) (Kononenko, 1997). Rezuhtat vnovicnega in vnovicnega deljenja na manjse in manjse podnize je drevesno strukturiran model, podoben temu na sliki 5.7. V zgornjem vozlu ali korenu (na sliki je oznacen z rdeco barvo) se nahaja atribut z najvisjo vrednostjo informacijskega prispevka; glede na njegovo -vrednost se podatki razdelijo na 2 manjsa podatkovna niza. Ta postopek se veckrat ponovi: nazadnje dobimo drevo, kjer se v vozlih (elipse) nahajajo atributi, katerih informacijski prispevek (oz. splosno pomembnost atributov) pada od vrha do dna drevesa. Deljenje na pod nize se zakljuc i, ko informacijski prispevek z nadaljnjim deljenjem ne narasca vec. Takrat algoritem na koncu vsake veje ustvari list (na sliki pravokotnik): k listov predstavlja k podnizov, linearne enacbe v njih pa k vektorjev utezi.
Slika 5.7: Modelno drevo za DGM iz podatkov IJS. Figure 5.7: Model tree for DGM from IJS data.
DGM = -0.0001dan + 0.0006ura + 0.0039sla + 0.001tem + 0.0009kon-
0.0036flu + 0.0156kis - 0.2984 DGM = +0.0006ura + 0.0029sla + 0.0008tem + 0.0011kon - 0.037flu+
0.0156kis - 0.2635 DGM = -0.0002dan + 0.0006ura + 0.0001glo + 0.0029sla + 0.0015tem+
0.0005kon - 0.0036flu - 0.0349kis + 0.1776 DGM = -0.0011dan + 0.0005ura + 0.0025sla + 0.0017tem - 0.0031flu+ 0.0134kis - 0.0473
Obnasanje induktivno zgrajenih modelov moramo preveriti na primerih, ki jih nismo vkljucili v ucenje. Za oceno modela zato primere pred ucenjem razdelimo na ucno in testno mnozico ali uporabimo ti. navzkrizno preverjanje (Sirnik, 2004). Ucna mnozica sluzi za iskanje optimalnega vektorja utezi, s primeri v testni mnozici pa s primerjavo modeliranih in merjenih vrednosti razreda ocenimo model. Pri navzkriznem preverjanju pa program celoten niz podatkov 10-krat razdeli na ucno in testno mnozico in nazadnje vrne povprecno oceno desetih modelov.
Pogosto model dodatno ocenimo se z ucno mnozico. Ta ocena je praviloma nekoliko visja, velika razlika med ocenama z ucno in testno mnozico pa kaze na to, da se je model prilagodil podatkom (ang. overfitting) (Michalski in sod., 1998). V takih primerih model navadno obrečemo (ang. pruning): nizje oz. manj informativne veje odrezemo, model pa s tem posplosimo. Razlicni algoritmi (npr. M5, J48, REPTree, CART) vsebujejo razlicne kriterije rezanja dreves (npr. mero informacije, mero minimiziranja napake, idr.). Kar se tice optimalnega rezanja dreves, za najboljsega med algoritmi velja CART; ostali algoritmi so pri rezanju manj ucinkoviti oz. v splosnem ustvarijo vecje drevo, kot je potrebno. Kot uporabnik lahko vplivamo na velikost zgrajenih dreves tako, da programu dolocimo minimalno stevilo primerov, ki morajo ustrezati vsakemu izmed listov.
Tocnost modelnih dreves je mocno odvisna od kakovosti in kolicine podatkov, ki jih uporabimo v procesu ucenja. Vec ucnih primerov naceloma pomeni vecjo zanesljivost zgrajenih modelov. En ucni primer sestoji iz meritev vseh atributov in razreda v doloceni tocki v casu in prostoru.
Pri delu smo uporabili programski paket WEKA (Witten in Frank 2000b), ki vsebuje vecino popularnih algoritmov za strojno ucenje, vkljucno z M5 za gradnjo modelnih dreves.
5.2.1.2 Mehko računanje
Mehko racunanje (ang. soft computing) je del racunalniskega programiranja, katerega osnovna znacilnost je nediskretno ali mehko obravnavanje spremenljivk. Prvi preprosti poskusi mehkega modeliranja segajo v devetdeseta leta. Danes je mozno z razlicnimi metodami mehkega racunanja obravnavati ze zelo kompleksne sisteme na področju biologije, medicine, inzenirskih znanosti, ekonomije, sociologije, idr. Ozja podrocja mehkega racunanja so mehki sistemi (ang. fuzzy systems), nevronske mreze (ang. neural networks), evolucijsko racunanje (ang. evolutionary computation) (sem spadajo evolucijski ali genetski algoritmi (ang. evolutionary algorithms, genetic algorithms) in iskanje harmonije (ang. harmony search)), kolektivna inteligenca ali inteligenca roja (ang. swarm intelligence), razlicne opredelitve verjetnosti (npr. Bayesove mreze,
EQ1 EQ2 EQ3 EQ4
ang. Bayesian networks) in teorija kaosa (ang. chaos theory). Posamezne metode mehkega racunanja pogosto kombiniramo med seboj; hibridni sistemi so najpogosteje kombinacija mehkih sistemov in nevronskih mrez.
V primerjavi s klasicnimi metodami modeliranja, ki temeljijo na enem izmed formalnih logicnih jezikov, metode mehkega racunanja posnemajo delovanje naravnih (pogosto biolos kih) sistemov. Pri klasicnem re sevanju sistemov tezimo k cim vecji tocnosti, po Zadeh (1968) pa je pretirana natancnost ne le nepotrebna, temvec je lahko celo izvor napake, sploh pri zelo kompleksnih sistemih. Metode mehkega racunanja zato podajajo priblizne re s itve sistema, ki ga zasnujemo zgolj na osnovi pribliznih predpostavk. Z mehkimi metodami sisteme pogosto modeliramo deloma induktivno na osnovi podanih primerov.
Mehki sistemi. Osnova mehkih sistemov je mehka logika (Zadeh, 1965, 1968, 1975, 1978, 1983), ki temelji na teoriji mehkih mnozic (ang. fuzzy set theory) (Zadeh, 1965). Mehka logika je oblika vecvrednostne logike (ang. multi-valued, nonbinary logic), pri kateri lahko spremenljivke zavzamejo katerokoli vrednost v dolocenem obmocju (slika 5.8), za razliko od binarne ali klasicne propozicijske logike, kjer sta mozni vrednosti samo dve oz. druge vecvrednostne logike, kjer je stevilo moznih vrednosti omejeno. Spremenljivke so v matematiki obicajno stevilcne vrednosti, v mehki logiki pa lahko uporabljamo tudi nenumericne jezikovne spremenljivke (Zadeh, 1975). Osnovne jezikovne spremenljvke lahko zavzamejo dve vrednosti (npr. mlad, star), v povezavi z atributi (raz s irjene jezikovne spremenljivke, ang. hedges) pa je moznih vrednosti lahko vec (npr. zelo mlad, mlad, star, zelo star). Vrednosti spremenljivk podajamo s pripadnostnimi funkcijami (ang. membership functions); najpogosteje uporabljamo linearne, trikotne, gaussove in sigmoidne pripadnostne funkcije.
Tudi v mehki logiki uporabljamo obicajne logicne operatorje, ki pa jih v tem primeru imenujemo Zadehovi ali mehki operatorji (ang. Zadeh's or fuzzy operators): in A, ali V, negacija -. Njihova funkcija je enaka kot v klasicni logiki: in = minimum, ali = maksimum, negacija = komplement. Npr. ce imamo mehki spremenjlivki x in y, velja:
V mehki logiki sisteme obicajno opisujemo z odlocitvenimi (ang. if-then) pravili (sistem v tem primeru strokovno imenujemo fuzzy inference system, FIS). Obicajen zapis:
x A y = min(x,y) x V y = max(x, y) - x = (1 — x)
(5.13)
(5.14)
(5.15)
/F spremenljivka /S lastnost THEN posledica
(5.16)
Npr. (Tsoukalas in Uhrig, 1997):
/F	temperatura	/S	zelo hladno THEN stop ventilator
/F	temperatura	/S	hladno THEN zmanjš aj ventilator
/F	temperatura	/S	normalno THEN ne spreminjaj ventilator
/F	temperatura	/S	vroc e THEN pospes i ventilator
(5.17)
V mehki logiki stavka ELSE ne uporabljamo, namesto tega so vse spremenljivke, lastnosti in posledice jasno opredeljene.
Slika 5.8: Pripadnostni funkciji /A in /B, ki opisujeta števili A in B. Spodaj je primer kombiniranja /A in /B z operatorjem ALI (povzeto po Tsoukalas in Uhrig, 1997). Figure 5.8: Membership functions /A and /b for numbers A and B. In the right picture the union (AND) of ja and /B is presented (adapted from Tsoukalas and Uhrig, 1997).
Obicajen postopek modeliranja sistemov s FIS je naslednji. Ker obicajno razpolagamo z nu-mericnimi vrednostmi spremenljivk, jih s pomocjo pripadnostnih funkcij najprej pretvorimo v mehka stevila (fuzifikacija, ang. fuzzification). Sistem na osnovi teoreticnega znanja zakodi-ramo s pomocjo odlocitvenih pravil. Zatem na osnovi znanih vrednosti vhodnih spremenljivk (podatki) in predpostavljenih pripadnostnih funkcij ter sistema odlocitvenih pravil dolocimo vrednosti izhodnih spremenljivk. Ker so pri modeliranju s FIS spremenljivke mehke vrednosti, jih v zadnjem koraku pretvorimo v numericne vrednosti (defuzifikacija, ang. defuzzification).
Nevronske mreže. Nevronske mreze (NN) so poskus simulacije prave nevronske mreze, sestavljene iz velikega stevila med seboj povezanih, a neodvisnih nevronov. Urejeni so v dva ali vec nivojev: prvi nivo je vhodni, zadnji je izhodni, med njima pa je poljubno stevilo skritih nivojev (slika 5.9). Stevilo vhodnih nevronov je enako stevilu vhodnih spremenljivk, stevilo izhodnih nevronov pa stevilu izhodnih spremenljivk. Nevroni na posameznih nivojih so med seboj povezani s sinapsami, po katerih potuje signal. Vsaki sinapsi ustreza vrednost utezi Wj: vsak nivo vse signale s prejsnjega nivoja pomnozi s pripadajocimi utezmi in utezeno vsoto glede na neko pragovno funkcijo transformira v aktivni (1) ali neaktivni (0 ali -1) signal; namesto binarne funkcije se pogosto uporablja sigmoidna zvezna in zvezno odvedljiva funkcija. Naloga
učnega algoritma je ustrezna nastavitev matrike utezi tako, da NN izračunava zeleno funkcijo (Sirnik, 2004).
IZHODNI NIVO
SKRITI NIVO
VHODNI NIVO
x,

*3
Slika 5.9: Trinivojska nevronska mreza (povzeto po Tsoukalas in Uhrig, 1997). Figure 5.9: Three-layer neural network (adapted from Tsoukalas and Uhrig, 1997).
Stopnjo kompleksnosti funkcij, ki jih lahko aproksimiramo z dano NN, dolocata stevilo nivojev in stevilo nevronov v skritih nivojih. Z visanjem obeh parametrov se povecuje kompleksnost funkcij, hkrati pa se povecuje tudi stevilo utezi, ki jih mora algoritem dolociti. S tem se visa stopnja zahtevnosti ucenja, obenem pa tudi verjetnost prevelike prilagoditve ucnim primerom. Najpogosteje se v praksi uporabljajo tri- in stirinivojske NN. Za NN s 4 nivoji so dokazali, da lahko poljubno natancno aproksimirajo poljubno funkcijo. Dvonivojske NN pa lahko uporabljamo za resevanje linearnih regresijskih problemov (Kononenko, 2007).
Nauceno znanje je zakodirano v kompleksni vecdimenzijski matriki utezi in ga je tezko zajeti v transparentni obliki. V splosnem velja, da so NN primerne za uporabo, ko strukture sistema ne razumemo dobro, ker lahko kombinirajo urejene podatke brez pomoci uporabnika. Ko razpolagamo z vec teoreticnega znanja, pa je v splosnem bolje uporabiti metode, ki omogocajo zakodiranje znanih informacij (Fielding, 1999).
Kombinacija mehkih sistemov in nevronskih mrež. Izraz neuro-fuzzy se na podrocju umetne inteligence nanasa na kombinacijo mehkih sistemov in nevronskih mrez (NF sistemi). Bistvena prednost tovrstnih hibridnih sistemov pred ostalimi je vecja prilagodljivost realnim sistemom z netocnimi podatki. FIS in NN sistemi so strukturno razlicni, a so komplementarni glede prednosti in pomanjkljivosti. NN imajo natancno definirane vhode in izhode, mreza med obojimi pa vsebuje zadostno kolicino prostostnih stopenj, da z modelom zajamemo ustrezno stopnjo kompleksnosti in prilagodljivosti sistema. Pri FIS je obratno: vhodne in izhodne spremenljivke
predstavimo z mehkim jezikom, medtem ko imajo povezave med njimi natancno doloceno obliko odlocitvenih pravil.
Vhodne spremenljivke
SISTEM
Izhodne spremenljivke
Ko poznamo sistem -> Uporabimo mehke sisteme
9
■
Ifx = A1 then
y = Bi
9
Ko poznamo vrednosti vhodnih in izhodnih spremenljivk -> Uporabimo nevronske mreže
Vhodne spremenljivke
Izhodne spremenljivke
Slika 5.10: Uporaba mehkih sistemov in nevronskih mrez je odvisna od obsega teoreticnega predznanja in kakovosti razpolozljivih podatkov (povzeto po Tsoukalas in Uhrig, 1997). Figure 5.10: When to use fuzzy systems and neural networks, depends on the extent of theoretical knowledge + quality and quantity of data (adapted from Tsoukalas and Uhrig, 1997).
Obe metodi imata svoje prednosti in pomanjkljivosti. Z NN lahko simuliramo kompleksne nelinearne sisteme, dobro se obnasajo pri problemih klasifikacije. Med pomanjkljivostmi pa so najpomembnejse netransparentnost, dolgotrajno ucenje in v nekaterih primerih omejena stopnja natancnosti, vcasih pa tudi potreba NN po zanesljivih podatkih iz celotnega obmocja moznih vrednosti spremenljivk. Prednost FL sistemov pa je predvsem drugacna opredelitev netocnosti; problem netocnosti na vhodih in izhodih posredno resimo z uporabo mehkih vrednosti in jezikovnih spremenljivk. Ta nacin omogoca tudi vecjo prilagodljivost opisa sistema pri izbrani stopnji natancnosti in vecjo varcnost.
Locimo dva nacina kombinacije nevronskih mrez in mehke logike. V prvo skupino sodijo nevronske mreze, v katerih na vhodih, v vmesnih nivojih in/ali izhodih namesto obicajnih funkcij uporabljamo mehke metode. Fuzifikacijo najpogosteje uporabljamo na vhodu v sistem, obicajen pa je tudi primer uporabe mehkih nevronov v kombinaciji s prilagodljivimi mehkimi relacijami in operatorji. V drugo skupino sodijo mehki sistemi, kijih nadgradimo z nevronskimi mrezami. NN v tem primeru uporabljamo predvsem v postopku ucenja in pri dolocanju strukture odlocitvenih pravil ter oblike pripadnostnih funkcij.
V disertaciji smo uporabili hibridno metodo ANFIS (Adaptive Netwok-based Fuzzy Inference Systems) (Jang, 1992; Jang in Sun, 1995; Jang in Gulley, 1995), ki temelji na FIS tipa Sugeno, NN pa uporablja za ekstrakcijo pravil in za umerjanje modela s podatki. Pripadnostne funkcije sledijo Gaussovi krivulji, izhodne spremenljivke so linearna kombinacija vhodnih spremenljivk.
Metoda Sugeno (ali tudi Takagi- Sugeno oz. Takagi-Sugeno-Kang) (Sugeno, 1985; Takagi in Sugeno, 1985) v primerjavi s pogosteje uporabljano metodo Mamdani (Mamdani in Assilian, 1975) za izhodne spremenljivke predpostavlja linearno funkcijo z = ax + by + c, defuzifikacija pa je tipa ^W,2^. Pri razvoju in verifikaciji modela valovanja smo uporabili program Matlab Fuzzy Logic Toolbox (Jang in Gulley, 1995; Mathworks, 2010; Sivanandam in sod., 2007).
5.2.2 Konceptualni model za nižji del prehranjevalne verige v vodnem okolju
Univerzalnega modela ni: razvoj modela za nizji del prehranjevalne verige v morjih je primarno odvisen od tega, ali zelimo modelirati odprto morje ali njegov priobalni del, dalje pa se od prostorskih in casovnih meril ter od samega namena modeliranja. Pri modeliranju vecjih podrocij oceanov obicajno vpliv rek na koncentracijo snovi zanemarimo, moramo pa npr. upostevati izmenjavo snovi med vodo in atmosfero. Pri modeliranju plitvih priobalnih morij pa nasprotno dotok snovi z rekami v danasnjem casu zal opazno vpliva na kakovost vode, prav tako so v teh merilih pomembni procesi mineralizacije OM v sedimentih, manjsi pa je vpliv izmenjave snovi med vodo in atmosfero na koncentracijo snovi v vodnem stolpcu.
Model smo skus ali zasnovati tako, da bo v prihodnje s cim manj popravki uporaben za cim sirse podrocje uporabe: za modeliranje ekoloskih procesov tako v odprtih kot tudi v priobalnih morjih, za modeliranje krozenja zivega srebra ali drugega kontaminanta, za napoved globalnih ekolo skih sprememb idr. Ceprav je model prvenstveno namenjen modeliranju oceanov, ga (z nekaj ali celo nic popravki) lahko uporabljamo tudi za modeliranje ekolos kih procesov v celinskih vodah.
Model PCFLOW3D smo nadgradili z dvema pelagicnima modeloma za nizji del prehranjevalne verige ter z bentos kim modelom za dolocanje vpliva mineralizacije OM v sedimentih na vrednosti biogeokemicnih spremenljivk v vodnem stolpcu. Pri razvoju prvega izmed pelagicnih modelov smo se opirali na model Crispi in sod. (2002), ki je kompleksen in zahteven za uporabo, a je bil primarno razvit za Sredozemsko morje in vsebuje vse pomembne znacilnosti nasega okolja. Pri razvoju drugega modela smo se opirali na model Fennel in sod. (2006), ki je preprostej s i in enostavnej s i za uporabo, zato pa tudi bolj splos no uporaben. Pri razvoju bentos kega modela smo se prav tako opirali na model Fennel in sod. (2006), ki med procesi mineralizacije OM v sedimentih uposteva aerobno respiracijo, nitrifikacijo in denitrifikacijo. Celoten bentosko-pelagicni model je zasnovan tako, da lahko med pelagicnima modeloma izberemo enega ali drugega, bentos ke procese pa lahko upostevamo ali ne. Upostevamo jih obicajno do globine morja 250 m, pri vecjih globinah pa je vpliv procesov v sedimentih na vrednosti biogeokemicnih spremenljivk v vodnem stolpcu v splo snem zanemarljiv.
Celoten bento sko-pelagicni model je v osnovi tridimenzionalen, lahko pa ga uporabimo tudi v kombinaciji s hidrodinamicnimi simulacijami v manj dimenzijah. Dodatno smo v PCFLOW3D vgradili se ti. model celice. Pri uporabi tega modela izberemo eno ali nekaj reprezentativnih celic, zanje podamo vrednosti hidrodinamicnih kolicin, zatem pa simulacije bentos ko-pelagicnih procesov poganjamo samo v izbranih celicah. Model celice je zelo uporaben pri umerjanju vrednosti parametrov ali pri preverjanju delovanja modela, saj je npr. za nekajletno simulacijo potrebnih le nekaj sekund.
5.2.2.1 Pelagicni model
Pelagicni model na osnovi Crispi in sod. (2002). Model v Crispi in sod. (2002) je v svetu poznan kot ECHYM model (ECoHYdrodynamical model of the Mediterranean). Za Sredozemsko morje so ga razvili znanstveniki z instituta v Trstu (Istituto Nazionale di Oceanografia e di Geofisica Sperimentale, Trst, Italija). Je tipa N — P — Z — B, bakterije modeliramo implicitno. Temelji na Fashamovem modelu (Fasham in sod., 1990) ter na predhodnih studijah in preprostejsih modelih istega instituta v Trstu (Crise in sod., 1998, 1999; Crispi in Pacciaroni, 2008; Crispi in sod., 1998, 1999, 2001, 2002; Solidoro in sod., 2003). Posebnosti modela Crispi in sod. (2002) v primerjavi s Fashamovim modelom so:
•	dodatni enacbi za racun koncentracije fosfatov in kisika,
•	loceni enacbi za dolocanje koncentracije velikega in majhnega fitoplanktona,
•	razlicna stopnja mineralizacije za dusik, fosfor in ogljik ter posledicno tri locene enacbe za detrit,
•	bakterije in DOM modeliramo implicitno.
Model Crispi in sod. (2002) je tridimenzionalen. Vrednosti advekcije in difuzije se dolocajo tako, kot smo opisali v podpoglavju 5.1, vrednosti izvorno-ponornih clenov za biogeokemicne spremenljivke pa se dolocajo po enacbah 5.18 do 5.27 (glej spodaj). Pri modeliranju detrita pri advekciji upostevamo s e hitrost usedanja wdet, za ostale spremenljivke pa predpostavljamo w = 0. Pri zasnovi modela skladno s Crispi in sod. (2002) in drugimi viri (primarno za Sredozemlje) upo stevamo se:
•	Poleg du s ika je v Sredozemlju potrebno kot limitni nutrient upostevati tudi fosfor (Thing-stad in Rassoulzadegan, 1995). Razlog je nekonstatntno razmerje N:P v vodah Sredozemskega morja, ki je obicajno visje od Redfieldovega. V zahodnem Sredozemlju primarno produkcijo omejuje du s ik, v Levantskem morju pa fosfor (Berland in sod., 1988). Vpliv obeh hranil na rast fitoplanktona je potrebno posebej natancno preuciti na obmocju me sanja Atlantske in Sredozemske vode ter na obmocjih z dvigom vode, kjer je kolicina fosforja praviloma visja (Crispi in sod., 2002). Silikatov v modelu ne upostevamo, ker je njihova koncentracija v foticni coni Sredozemskega morja obicajno visoka in v splos nem ne omejujejo rasti fitoplanktona (Krom in sod., 1993).
•	Crispi in sod. v (2002) avtotrofe razdelijo na dva velikostna razreda: na majhen fitoplankton ali ultraplankton (velikost znas a < 10 /m) in velik fitoplankton ali netplankton (velikost > 10 /m). Dva razreda fitoplanktona uporabijo npr. tudi v Bisset in sod. (1994), ki podobno kot Fasham in sod. v (1990) modelirajo oligotrofne vode Bermudskih otokov. Glavni razlog za delitev avtotrofov na dva razreda je, da celo v oligotrofnih okoljih, kjer pikoplankton obicajno dominira v primarni produkciji, vecji del POM z w = 0 predstavljajo vecji fitoplanktonski organizmi (Michaels in Silver, 1988). To razliko zajamemo z visjo vrednostjo stopnje eksudacije ultraplanktona ter z nizjo vrednostjo izgub ultraplanktona zaradi pase zooplanktona v primerjavi z vrednostmi teh dveh parametrov za netplankton. Posledici sta hitrejsa mineralizacija ultraplanktona ter visja vrednost izvozene produkcije. V evtrofnejsih polarnih obmocjih obicajno dominirajo vecji organizmi (> 10 /m), v oligotrofnih pa manjsi (< 10 /m) (Shiomoto in sod., 1997; Fiala in sod., 1998). Podobno
velja tudi za Sredozemsko morje: netplankton obicajno dominira v mesecih od decembra do aprila, ko je mesanje zgornjega sloja vode izrazito in v povrsinski sloj pritekajo hranila iz nizjih plasti vode, v ostalih mesecih pa dominira ultraplankton. Netplankton torej dominira v pomladnem visku, ultraplankton pa v jesenskem.
•	V Crispi in sod. (2002) sta oba razreda fitoplanktona kot obicajno funkciji temperature, svetlobe in koncentracije hranil. Funkcijska odvisnost hitrosti rasti fitoplanktona od svetlobe je enaka za ultra- in netplankton, uporabljamo pa razlicni vrednosti zacetnega naklona P — I krivulje a, vrednost je visja za netplankton. Odvisnost od temperature se nekoliko razlikuje, ultraplankton doseze visjo optimalno vrednost. Tudi stopnji rasti v odvisnosti od porabe hranil sta razlicni, za netplankton jo dolocimo po Brand in Guillard (1981), za ultraplankton pa je nekoliko nizja in jo dolocimo po Kana in Glibert (1987). Vrednosti koeficientov polovicne rasti so obicajne za oligotrofna obmocja, kjer praviloma bolje uspevajo manjsi organizmi. Koeficient inhibicije porabe nitratov v prisotnosti amoniaka je enak za oba razreda fitoplanktona, vrednost je enaka kot v Wrobleski (1997). Koeficiente izgub za netplankton dolocimo po Sakshaug in sod. (1989). Za ultraplankton so ti koeficienti ustrezno nizji, proporcionalno nizji stopnji rasti. Za oba razreda fitoplanktona je sestava organske snovi P:N:C enaka obicajnim Redfieldovim vrednostim (Redfield in sod., 1963). Odvisnost rasti od koncentracije hranil (nitratov, amoniaka, fosfatov) modeliramo po Monod (1949), odvisnost od svetlobe po Sarmiento in Gruber (2006), odvisnost od temperature po Lassiter in Kearns (1974). Paso zooplanktona opisemo s Hollingovo II. funkcijo (Holling, 1965), ki jo prilagodimo podobno kot Fasham in sod. v (1990), da upostevamo moznost hranjenja herbivorov z obema skupinama avtotrofov.
•	CHL:C izberemo za ultraplankton dvakrat visji kot za netplankton. To je v skladu s terenskimi meritvami (Eppley in sod., 1977; Glover in sod., 1988) in z laboratorijskimi poskusi (Llewellyn in Gibb, 2000), dvakratno vrednost klorofila v oligotrofnih pogojih v primerjavi z evtrofnimi pa pokaze tudi model v merilu celice (ang. cell-based model description) avtorja Zonneveld (1998).
•	Za zooplankton uporabimo en sam velikostni razred. V splosnem velja, da v modelu potrebujemo en troficni nivo vec kot znasa nivo, ki ga zelimo natancno modelirati. Ker za nase potrebe (modeliranje koncentracij zvrsti zivega srebra) zaenkrat zadostuje, da natancno dolocimo koncentracijo fitoplanktona, potrebujemo torej samo en razred zooplanktona. Lahko pa tak model hitro in enostavno nadgradimo tudi z vec razredi zooplanktona (kot npr. v ERSEM, Blackford in sod., 2004) ali tudi z visjimi troficnimi nivoji (npr. NE-MURO.FISH, Ito in sod., 2007). Mozna je tudi implicitna delitev zooplanktona na dva razreda: mikrozooplankton modeliramo implicitno, tako da ga vkljucimo v fitoplankton, vecje zooplanktonske organizme pa modeliramo eksplicitno kot en sam razred (Anderson in sod., 1993); tovrstna parametrizacija je znacilna predvsem za oligotrofna obmocja. Upostevati pa moramo, da s tem nekoliko precenimo koncentracijo fitoplanktona. Po Fransz in sod. (1991) napake v parametrizaciji zooplanktona ne vplivajo samo na visje clene v prehranjevalni verigi, temvec na ravnotezje celotnega modeliranega sistema.
•	Zooplankton se hrani z obema skupinama fitoplanktona. Funkcija pase je pravokotni hiperbolicni izraz z enakima stopnjama pase in koeficientoma polovicne rasti za ultra- in netplankton, vrednosti parametrov so obicajne za herbivore (Fasham in sod., 1990). P:N:C sestava zooplanktona se razlikuje od Redfieldove in ustreza dognanjem o stehiometriji tak-sonomije herbivorov (Beers, 1966), velja P:N:C = konst. Odvisnost stopnje izlocanja od
temperature se podvoji vsakih 10°C (McLaren, 1965). Sprecificna stopnja smrtnosti ni odvisna od fizikalnih parametrov, vrednost dolocimo za temperaturno povprecje obmocja (Davis, 1987). Vrednost koeficienta izlocanja se sklada z zvezo v Wen in Peters (1994). Parametri ucinkovitosti asimilacije: za herbivore je bolj ucinkovit netplankton kot ultraplankton. Med procesi upostevamo: paso s fitoplanktonom in z bakterijami, smrtnost, izlocanje. Po Crispi in sod. (2002) zooplankton predstavlja glavni del izvoza OM iz povrs inskega sloja.
• Mikrobna zanka v modelu Crispi in sod. (2002) je podobna tisti v Steele (1998) za oligo-trofno Sargasko morje. Bakterije modeliramo implicitno. Upostevamo, da se hranijo z DOM in amoniakom.
•	Za detrit ne upostevamo konstantnega razmerja med P:N:C, njegova sestava se namrec spreminja v odvisnosti od dogajanja v celotnem ekosistemu. Prav tako za detrit ne upostevamo konstantne stopnje mineralizacije, temvec ga po Crise in sod. (2002) razdelimo na osnovne gradnike P, N, C in vsakemu od njih pripi semo svojo stopnjo mineralizacije: najhitrej so za P, srednje hitro za N, najpocasnejso za C. Med parametri za detrit je pomembna se hitrost usedanja delcev, od katere je kvantitativno mocno odvisno tudi dogajanje v foticni coni (Crise in sod., 1998). Uporabimo povprecno hitrost usedanja detrita, kot sojo ocenili s preprostejsim modelom Crise in sod. (1998) z enim nutrientom in z enim samim razredom detrita, opirajo pa se tudi na izsledke Mauri in Crise (1995). Po Crise in sod. (1998) je povprecna hitrost usedanja POM reda O = 5 m/dan.
•	Za DOM predpostavljamo, da zaradi dovolj velikega vzgona ne prispeva k vertikalnemu pretoku. DOM modeliramo implicitno. Za dovolj natancno modeliranje Sredozemskega morja zadostuje, ce upostevamo samo labilni DOM.
•	Crispi in sod. (2002) je celo v svetovnem merilu eden redkih modelov za nizji del prehranjevalne verige, ki koncentracijo kisika doloca eksplicitno. V nasem primeru je to izjemno pomembno, saj koncentracija kisika mocno vpliva na koncentracijo zivega srebra v vodnem stolpcu. Pri modeliranju kisika upostevamo na povrs ini se funkcijo izmenjave plina med vodo in atmosfero (podpoglavje 5.2.2.4), na dnu pa porabo kisika v procesih mineralizacije OM v sedimentih (glej podpoglavji 5.2.2.2 in 5.2.2.4).
•	Crispi in sod. (2002) je tudi eden izmed redkih modelov, ki med reakcijami v vodnem stolpcu uposteva tudi nitrifikacijo. Dinamika procesov nitrifikacije je enaka kot v Zakard-jian in Prieur (1994).
Sledita shema pelagicnega modela po Crispi in sod. (2002) (slika 5.11) in sistem enacb, ki smo jih vgradili v model PCFLOW3D. Vrednosti parametrov podajamo v podpoglavju 5.2.2.3.
Slika 5.11: Shema modela za nizji del prehranjevalne verige po Crispi in sod. (2002). Figure 5.11: Schematic presentation of the lower trophic level model from Crispi et al. (2002).
Koncentracijo snovi dolocamo po enacbah 5.18-5.21, ki so po vrsti namenjene dolocanju koncentracije fosfatov (PHO), nitratov (NIT), amoniaka (AMO) in kisika (OXY). Enote so po vrsti enake [mmol P m-3], [mmol N m-3], [mmol N m-3], [mmol O m-3]:
gridpHO = Rpc • k*rS • SPH + Rpc • k*rL • LPH +	(5.18)
+Rpc • KS • SPH + Rpc • Kl • LPH + rpc • KxZ • ZOO + k*decP • DEP -
-Rpc • ßs • f (I) • gs (T)
PHO
P HO + kps
NIT
NIT + kNS
• e-^s •AMO +
AMO
AMO + k as
-Rpc • ßL • f (I) • gL(T)
PHO
PHO + kpL
NIT
NIT + kNL
e
L •AMO
+
AMO
AMO + k al
SPH
LPH
gridNiT = k*mt • OJXYX+YkAO • AMO -	(5.19)
-RNC - ßS • f Z g (T) • phOOp- • ni^T- . e-*S'AMO • SPH --Rnc ßL f a) • gL(T). pHO+jppl • Nl^+b • e-"L'AMO •LPH
gridAMO = Rnc • Ks • SPH + Rnc • k*rL • LPH +	(5.20)
+Rnc • Ks • SPH + Rnc • k*.L • LPH + rNC • KxZ • ZOO + k*decN • DEN + Rpc • rNc\ es • SPH + eL • a • LPH Rnc • rpc) SPH + a • LPH + kH
OXY
+Rnc•g
1
ZOO
— h r knit
OXY + hAo —Rnc • /s • f (I) • gs (T)
—Rnc • /l • f (I) • gL(T)
AM O -
PHO
AMO
P HO + hps PHO
AM O + kAs AMO
P HO + kpL AM O + k al
SPH
LPH
gridoxY = —Roc • Ks • SPH — Roc • Kl • LPH —
Rnit • Kit ^	• AM O — RoC • KdecC • DEC +
(5.21)
knit OXY + kAo +Roc • /s • f (I) • gs (T) • " NIT
PHO
. e-^s•AMo +
NIT + kNs + Roc • /L • f (I) • gL(T)
PHO + kps AMO
AMO + kAs PHO
PHO + kpL
NIT
NIT + kNL
• e-^LAMo +
AMO
AMO + kAL
SPH +
LPH
Koncentracijo mikroorganizmov dolocamo po enacbah 5.22—5.24, ki so po vrsti namenjene dolocanju koncentracije majhnega fitoplanktona (ultraplankton, SPH), velikega fitoplanktona (netplankton, LPH) in zooplanktona (ZOO). Enacbe so v splosnem enake rast — respiracija — smrtnost, enota pa je v vseh treh primerih enaka [mmol C m-3]:
gridspH = /s • f (I) • gs (T)
PHO
PHO + kps
NIT
NIT + kNs
• e-^s •AMo +
AMO
AMO + kAs
—ds • SPH — Ks • SPH — Ks • SPH — g
(5.22)
SPH
SPH ZOO
a • LPH + SPH + kH
gridLPH = /l • f (I) • gL(T)
PHO
PHO + kpL
NIT
NIT + kNL
• e-^L^AMo +
AMO
AMO + kAL
(5.23)
—dL • LPH — krL • LPH — Kl • LPH — g
LPH
a•LPH•ZOO a • LPH + SPH + kH
gridZoo = g
Rpc es • SPH + eL • a • LPH ~Vpo ^ SPH + a • LPH + kH
• ZOO — dz • ZOO — k*exZ • ZOO (5.24)
Detrit modeliramo po enacbah 5.25 - 5.27, s katerimi po vrsti dolocamo koncentracijo ogljika, dus ika in fosforja v OM detrita. Enote so po vrsti enake [mmol C m"^ , [mmol N m-3], [mmol P m
t-31
gridDEC = dz • ZOO + ds • SPH + dL • LPH — k*decC • DEC
g • SPH • ZOO . . g • a • LPH • ZOO
+(1 — es) • „„„ , Tnu , , + (1 — £l)
(5.25)
SPH + a • LPH + kn
SPH + a • LPH + kn
gridDEN = rWc • dz • ZOO + Rnc • ds • SPH + Rnc • dL • LPH — kdecN • DEN (5.26)
g•SPH•ZOO	g • a•LPH•ZOO
+RNC •
(1 — es) •
SPH + a • LPH + kn
+ (1 — cl)
SPH + a • LPH + kn
gridDEP = rpc • dz • ZOO + Rpc • ds • SPH + Rpc • dL • LPH — k^ecP • DEP (5.27)
g•SPH•ZOO	g • a • LPH•ZOO
+Rpc •
(1 — es) •
SPH + a • LPH + kn
+ (1 — cl) •
SPH + a • LPH + kn
Skupno imamo torej 10 spremenljivk in 10 enacb zanje. Clen grid» na levi strani enacb vedno pomeni casovno spremembo mase snovi i v danem casovnem koraku: grid» = di/dt. Vsi parametri z zvezdico pomenijo taisti parameter, pomnozen s temperaturnim koeficientom 0T-To (glej preglednico 5.2).
Odvisnost rasti fitoplanktona od temperature T, svetlobe / in koncentracije hranil N modeliramo po:
F (T, N, /) = ^max • g(T) • f (N) • f (/)	(5.28)
Za maksimalno stopnjo rasti ^max v Crispi in sod. (2002) uporabijo konstantno vrednost in ne funkcijske odvisnosti od temperature. Odvisnost stopnje rasti avtotrofov od temperature g(T) dolocijo posebej z Arrheniusovo enacbo; za velike in majhne avtotrofe uporabijo razlicne vrednosti parametrov:
gsPH(T) = gLPH (T) =
T„ -T\ bS•(Ts max -Ts)
_^Smax—_ j	• ebs•(T-Ts)
TSmax — TS /
T _T\ bL •(Tl
max -Tl)
Lmax	t
TLmax — TL /
^•(T-Tl)
(5.29)
(5.30)
Vpliv koncentracije hranil f (N) modeliramo kot obicajno po kN+n , N = nutrient: nitrati, fosfati ali amoniak. Ce upostevamo vse tri vrste hranil, dobimo:
f (N )sph = f (N)lph =
P
P + kps
P
P + kpL
N
N + kNs N
N + kNL
•	e-^s ^ +
•	e-^A +
A
A + kis. A
A + kAL
(5.31)
(5.32)
Vpliv svetlobe na rast avtotrofov dolocamo po enacbah, ki smo jih podali ze v teoreticnem delu (podpoglavje 3.3.2.3). Te enacbe se razlikujejo od tistih v Crispi in sod. (2002); sistem nasih enacb je kombinacija modela Fennel in sod. (2006), ki ga opisujemo v nadaljevanju ter postopka
v Sarmiento in Gruber (2006). Najprej po Brock (1981) dolocimo cas osoncenosti D v odvisnosti od geografske sirine L in zaporednega dne v letu J:
0 = 23, 45° ■ sin (360 ■ 283 + J )	(5.33)
365
hourAngle = arccos[— tan(L) ■ tan(0)]	(5.34)
D = 2 hourAngle	(5.35)
Pri tem moramo biti pozorni na enote: kot deklinacije Sonca 0 dolocamo v stopinjah, prav tako geografsko sirino L in kot hourAngle, cas osoncenosti D pa dobimo v urah. Iz D zatem preracunamo vrednost soncnega sevanja In na vrhu atmosfere. Pri dolocanju In v [Wm-2] smo uporabili podatke za mesecne povprecne vrednosti dnevne prejete energije v [kWh m-2 dan-1] za obmocje Sredozemlja. Pri pretvarjanju smo uporabili trikotno funkcijo nihanja soncnega sevanja preko dneva, integracijo preko vrednosti D in ustrezne pretvornike enot. Povprecne mesecne vrednosti In podajamo v preglednici 5.1.
Preglednica 5.1: Mesecna povprecja maksimalnih dnevnih vrednosti soncnega sevanja za obmocje Sredozemlja. Enota W m-2 .
Table 5.1: Monthly averaged values of maximum daily solar radiation in the Mediterranean region. Units are in [Wm-2].
Mesec j an feb mar apr maj jun jul avg sep okt nov dec In 541 742 786 898 911 945 1039 972 887 807 597 574
Iz In zatem dolocimo vrednost soncnega sevanja na povrsini morja I0. Uporabimo obicajno enacbo:
I0 = In ■ fcL ■ fr ■ fpAR	(5.36)
Vrednost koeficienta fcL, ki izraza vpliv pokrovnosti oblakov na kolicino svetlobe, je v nasem primeru enak 1, ker smo za In uporabili podatke, ki ze vsebujejo tudi vremenske razmere. Vrednost koeficienta oblike funkcije soncnega sevanja fT je v nasem primeru enak 0.25, ker smo za spreminjanje vrednosti radiacije preko dneva uporabili trikotno funkcijo. Vrednost koeficienta fPAR, ki predstvalja delez PAR glede na celotno radiacijo, pa je kot obicajno enak 0.43.
Sledi dolocitev vrednosti radiacije v odvisnosti od globine vode z. Uporabimo obicajno funkcijo
Iz = Io ■ exp(—kz ■ z)	(5.37)
Sencenja zaradi fitoplanktona ne upostevamo eksplicitno, ker za osnovo vrednosti koeficienta zmanjsanja svetlobe z globino kz uporabimo podatke Crispi in sod. (2002) za Sredozemsko morje, ki ze vsebujejo tudi vpliv prisotnega fitoplanktona. Funkcijo spreminjanja kz v odvisnosti od zemljepisne dolzine podajamo v podpoglavju 5.2.2.3.
Vrednost f (I) v enacbi 5.28 nazadnje dolocimo po Platt in Jassby (1976):
a Iz
f (I) = 2a z =	(5.38)
V^max + a2IZ2
Za začetni naklon P — I krivulje a uporabljamo različni vrednosti, in sicer as = 2.0 x 10 7 [s (Wm-2)]-1 za ultraplankton in aL = 4.7827 x 10-7 [s (Wm-2)]-1 za netplankton.
Pri pretvarjanju enot SPH in LPH iz [mmol C m-3] v [mg CHL m-3] upostevamo razmerje med vsebnostjo organskega ogljika in klorofila v celicah fitoplanktona JCl = 50 in molsko maso ogljika C = 12 g/mol.
Pelagicni model na osnovi Fennel in sod. (2006). Model Fennel in sod. (2006) (slika 5.12) je bil primarno razvit kot biogeokemicni modul modela ROMS, ki smo ga na kratko opisali ze v poglavju 2. Model temelji na Fasham in sod. (1990), nekoliko se razlikujejo samo izbira osnovnih spremenljivk in nekatere funkcijske odvisnosti. Vsebuje 7 spremenljivk: fitoplankton Phy, klorofil Chl, zooplankton Zoo, majhen detrit SDet, velik detrit LDet, nitrate NO3, amoniak NH4. Enota vseh spremenljivk razen klorofila je [mmol N m-3], enota klorofila je [mg Chl m-3].
VODNI STOLPEC
		nitrifikacija		
	NO3			nh4
mineralizacija
Slika 5.12: Shema modela za nizji del prehranjevalne verige po Fennel in sod. (2006). Prikazana sta pelagicni in bentoski del modela.
Figure 5.12: Schematic presentation of the lower trophic level model from Fennel et al., 2006. Both pelagic and benthic part of the model are presented.
Časovno spremembo mase fitoplanktona zaradi biogeokemicnih izvorov in ponorov opisemo z = ßPhy — g Zoo — mp Phy — t (SDet + Phy)Phy — wp ^^ . (5.39)
Clen ßPhy pomeni narascanje populacije avtotrofov. Hitrost narascanja populacije ß je odvisna od zunanjih dejavnikov: od temperature morja, svetlobe in koncentracije hranil NO3, NH4. Zapisemo jo kot
ß = ßmax ■ f(I) ■ (LNO3 + LNH4) .	(5.40)
Odvisnost od temperature dolocimo po Eppley (1972):
ßmax = ßmax(T) = ßo • 1.°66T	(5.41)
Odvisnost od svetlobe dolocimo po Platt in Jassby (1976):
\/ßrnax + a<212
I = I(z) = I0 • par • exp
—z I Kw + KchijChl(s)(k
(5.43)
Odvisnost od koncentracije hranil LNO3+LNH4 je vsota Michealis-Mentenovih funkcij za nitrate in amoniak:
LNO3 = d^TNÖ	f6-44»
NH4
LnH4 = kNtti + N H 4
Omejitev porabe nitratov v prisotnosti amoniaka v Fennel in sod. (2006) modelirajo po Parker (1993): faktor zmanj sanja v tem primeru znasa —n h4 .
knh4
Clen —gZoo zajame zmanjsanje populacije avtotrofov zaradi pase zooplanktona. Stopnjo pase g opisemo z S-krivuljo (s t.i. Hollingovo III funkcijo):
Phy2 'kp + Phy2
g = gmax,^_ , 2	(5.46)
gmax je maksimalna stopnja pase, kP pa koeficient polovicne rasti za fitoplankton.
Clen —mpPhy predstavlja smrtnost fitoplanktona. Uporabimo linearno funkcijo s konstantno stopnjo smrtnosti mP.
Preko clena —t(SDet + Phy)Phy zajamemo agregacijo fitoplanktona Phy in manjsega detrita SDet v vecji detrit LDet. t je koeficient agregacije. Z nelinearnostjo zajamemo narascanje verjetnosti agregacije z narascanjem koncentracije majhnih delcev (SDet + Phy).
Z zadnjim clenom —wP dpihy opisemo usedanje fitoplanktona iz povrsinskega sloja v globoki ocean. wP je konstantna hitrost usedanja.
Zveza med koncentracijo klorofila in kolicino biomase fitoplanktona je v Fennel in sod. (2006) nelinearna: vsebnost klorofila v celicah fitoplanktona se spreminja, ko avtotrofi prilagajajo potek fotosinteze zunanjim pogojem, predvsem kolicini svetlobe in hranil (Falkowski, 1980; Laws in Bannister, 1980; Sakshaug in sod., 1989). Ucinek t.i. fotoaklimacije na koncentracijo klorofila opisemo z modelom Geider in sod. (1996, 1997).
Dinamiko klorofila dolocimo neposredno iz enacbe za casovno spremembo mase fitoplanktona: slednjo pomnozimo z obicajnim razmerjem mas CHL:Phy in upostevamo, da klorofil predstavlja samo del biomase fitoplanktona. Ta delez oznacimo z pchi in ga definiramo kot:
a ßPhy	(K
Pchl = ^maxOIČhl .	(5.47)
Pri tem je 0max razmerje med koncentracijo klorofila in kolicino fitoplanktona:
= Chi
"max —	j
Phy
kolicnik arCh pa predstavlja razmerje med dejansko in maksimalno potencialno fotosintezo (Geider in sod., 1997). Za casovno spremembo mase klorofila zaradi biogeokemicnih procesov tako dobimo enacbo
dChl	Chl
——— = pchlßChl - gZoo— - mp Chl - t (S Det + Phy)Chl .	(5.48)
d t	P hy
Za casovno spremembo mase zooplanktona zaradi biogeokemicnih procesov pisemo: dZoo	Phy2
-—— = gßZoo - IbmZoo - lEl-, 2ßZoo - mzZoo2	(5.49)
dt	kP + Phy2
V biomaso zooplanktona Zoo se asimilira delez ß zauzite biomase fitoplanktona Phy (ß = koeficient ucinkovitosti asimilacije). Preostali delez se pretvori v biomaso manjsega detrita SDet.
Ponorna clena zooplanktona sta izlocanje in smrtnost. Izloceno biomaso zooplanktona delimo na osnovni linearni del lBMZoo ter na nelinearni preostanek lE kp+lpyhy2 ßZoo, s katerim upostevamo odvisnost kolicine izlockov od ucinkovitosti asimilacije. Faktor lE je stopnja tovrstnega izlocanja. Za smrtnost predpostavljamo kvadratno odvisnost od biomase zooplanktona Zoo. Umrli organizmi postanejo del manjsega detrita SDet.
Za casovno spremembo mase obeh razredov detrita tako dobimo enacbi: dSDet
dt
= g(1 - ß )Zoo + mz Zoo2 + mp Phy - t (SDet + Phy)SDet - (5.50) , dSDet
rsDSDet - ws—--(5.51)
dz
dLDet	n2	„	dLDet
—— = t (SDet + Phy)2 - rLD LDet - wl --(5.52)
dt	dz
rSD in rLD sta stopnji mineralizacije manjsega in vecjega detrita, ws in wL pa njuni hitrosti
usedanja. Z mineralizacijo detrita nastaja amoniak NH4, ki se kasneje z nitrifikacijo pretvori v
nitrat NO3.
Za casovno spremembo mase hranil torej pisemo: dNO3
dt
= -ßmaxf (I)LNO3Phy + nN H4	(5.53)
dNH4	Phy2
dt = -ßmaxf (I)Lnh4 Phy - nNH4 + Ibm Zoo + Ie ^ + phy2 ßZoo + (5.54)
rsD SDet + rLD LDet	(5.55)
n je stopnja nitrifikacije (ang. nitrification rate), ki jo dolocimo kot
" I - I o "
k i + I - Io_
nmax je maksimalna stopnja nitrifikacije. Odvisna je od intenzitete svetlobe: mocna svetloba omejuje nitrifikacijo (Olson, 1981). Zato v modelu predpostavljamo, da n pri dolocenem I0 pade na n = 0. ki ima podobno funkcijo kot koeficient polovicne rasti pri hranilih: ki je intenziteta svetlobe, pri kateri ima inhibicija nitrifikacije polovicno vrednost.
n = nmax 1- max
0,
(5.56)
5.2.2.2 Bentoski model
Bentoski model Fennel in sod. (2006) (slika 5.12) je namenjen modeliranju priobalnih obmocij oz. vseh obmocij oceanov, kjer mineralizacija OM v sedimentih pomembno vpliva na vrednosti biogeokemicnih spremenljivk v vodnem stolpcu. Pri modeliranju vecjih obmocij obicajno predpostavljamo, da je mineralizacijo OM na dnu potrebno upostevati, dokler globina morja ne preseze 250 m.
V	Fennel in sod. (2006) mineralizacijo OM v zgornji plasti sedimentov modelirajo kot robni pogoj na dnu. To pomeni, da se dotok organske snovi iz spodnjega sloja vode v sedimente takoj odrazi v dotoku anorganskih hranil iz sedimentov v vodo. V klasifikaciji bentos ko-pelagicnih modelov po Soetaert in sod. (2000) sodi tak pristop modeliranja med srednje kompleksne: gre samo za ohranitev mase snovi ob predpostavki, da se med depozicijo delcev in dotokom raztopljenih snovi iz sedimentov takoj vzpostavi ravnotezje. V Soetaert in sod. (2000) so pokazali, da je ta nacin med racunsko bolj ucinkovitimi, obenem pa dobro simulira dinamiko bento sko-pelagicnih procesov. Zahtevnejsi modeli, ki npr. upostevajo tudi akumulacijo odlozene OM in odvisnost procesov razgradnje OM od temperature (ang. delayed coupling models), so racunsko precej bolj potratni.
Sedimenti na dnu kontinentalnih robov so v osnovi anaerobni sistemi, razen tankega oksicnega sloja na vrhu sedimentov in okoli vrtanja organizmov. Za oksidacijo ogljika sta pomembni tako aerobna kot anaerobna mineralizacija, ki pa proizvedeta razlicni kolicini DIN. V vertikalnem prerezu sedimentov so procesi mineralizacije OM razvrsceni glede na padajoci redoks potencial in padajoco kolicino energije, ki jo s tem pridobijo mikroorganizmi. Aerobna respiracija poteka v zgornjih nekaj milimetrih sedimentov, kjer je prisoten kisik. Pod njo po vrsti potekajo deni-trifikacija, redukcija mangana in zeleza (v rjavih oksidiranih sedimentih od nekaj mm do 10 cm globine), redukcija sulfatov (do nekaj metrov globine) in najgloblje metanogeneza.
V	modelu predpostavljamo, da sta nitrifikacija in denitrifikacija osnovni reakciji anaerobne mineralizacije. Tudi redukcija sulfatov sicer lahko predstavlja znaten del respiracije OM, vendar predvsem v z organskimi snovmi bogatih blatnih sedimentih (Mackin in Swider, 1989). Predpostavljamo, daje delez oksidacije ogljika v vsakem izmed procesov mineralizacije konstanten in vnaprej dolocen. Seitzinger in Giblin sta v (1996) analizirala stopnjo denitrifikacije v razlicnih sedimentih kontinentalnih robov in odkrila robustno linearno zvezo med porabo kisika v sedimentih in obsegom denitrifikacije. Osredotocila sta se na del denitrifikacije, ki potece z nitrati, ki so pred tem nastali z nitrifikacijo amoniaka v sedimentih. To kombinacijo procesov strokovno imenujemo sistem nitrifikacija/denitrifikacija (ang. coupled nitrification/denitrification). Neposredna denitrifikacija (ang. direct denitrification) pa imenujemo del denitrifikacije, ki nastane iz nitratov, ki pred tem z difuzijo preidejo iz vode v sedimente. Obseg neposredne denitrifikacije je razlicen: ponekod je ta del denitrifikacije zanemarljiv v primerjavi s sistemom nitrifikacija/denitrifikacija, ponekod pa sta oba dela istega velikostnega reda. V splos nem je neposredna denitrifikacija odvisna od koncentracije nitratov v vodi nad dnom, vendar zaenkrat v svetovnem merilu se nimamo kvantitativnega modela, ki bi vseboval tudi ta del denitrifikacije (Fennel in sod., 2006).
V	nasem modelu uporabimo linearno zvezo Seitzinger in Giblin (1996).
Kar se tice redukcije sulfatov, je ta del mineralizacije OM lahko zelo pomemben (Mackin in Swider, 1989). Vendar pa izsledki kazejo (Fennel in sod., 2006), da tudi v primeru, ko namesto sistema nitrifikacija/denitrifikacija kot glavne procese oksidacije OM v sedimentih opredelimo redukcijo sulfatov v kombinaciji z oksidacijo sulfidov in nitrifikacijo, to ne vpliva bistveno na
rezultate. Proces mineralizacije na dnu torej v vsakem primeru dovolj dobro opisemo z omenjenim modelom Seitzinger in Giblin (1996): predpostavimo torej, da denitrifikacija predstavlja konstanten delez celotne mineralizacije, dolocimo pa ga iz linearne odvisnosti med porabo kisika v sedimentih in obsegom denitrifikacije.
Model Seitzinger in Giblin (1996) kvantitativno povezuje porabo kisika v sedimentih z dotokom N2 iz sedimentov. Za dolocitev dotoka vezanega dusika (amoniaka) iz sedimentov predpostavimo, daje poraba kisika v sedimentih povezana z oksidacijo ogljika. Kisik se porablja pri oksidaciji OM in v procesu nitrifikacije amoniaka v nitrat, ki se zatem porabi med denitrifikacijo. Ker oksicna mineralizacija, nitrifikacija in denitrifikacija potekajo v znanih stehiometricnih razmerjih, lahko dolocimo, koliksen delez mineralizacije OM predstavlja denitrifikacija.
Za bioloski robni pogoj na dnu torej predpostavljamo, da:
•	se vsa organska snov mineralizira takoj zatem, ko prispe na dno,
•	se kisik v sedimentih porablja samo za oksidacijo ogljika in nitrifikacijo amoniaka v nitrat,
•	je denitrifikacija povezana s porabo kisika v sedimentih po enacbi 5.57 (Seitzinger in Giblin, 1996),
•	aerobno mineralizacijo, nitrifikacijo, denitrifikacijo lahko opisemo z enacbami 5.58 - 5.60.
C106H263O110N16 P + 84.8HNO3 ^ 106C02 + 42.4N2 + 16NH3 + H3PO4 + (5.60)
148.8H20
V izrazu 5.57 merimo obseg denitrifikacije v [molNm-2 dan-1], obseg porabe kisika pa v [mol O m-2 dan-1]. Z x G [0,1] oznacimo delez oksidacije ogljika, ki potece z denitrifikacijo. Pri mineralizaciji 1 mola OM znasa poraba kisika v sedimentih v enotah [molO]:
Prvi clen na levi strani enacbe 5.61 pomeni porabo kisika med aerobno respiracijo (enacba 5.58), drugi clen na levi strani enacbe pa pomeni porabo kisika v sistemu nitrifikacija/denitrifikacija (enacbi 5.59 in 5.60); poraba kisika med celotno mineralizacijo torej znasa 106 + 63.6 ■ x mol. Med denitrifikacijo se porabi x ■ 84.8 mol N. Ce te vrednosti vstavimo v 5.57, dobimo 84.8 ■ x = 0.105 ■ (106 + 63.6 ■ x), od tod pa x = 0.14. Rezultat pove, da se 86% OM razgradi z aerobno respiracijo, preostalih 14% pa se razgradi z denitrifikacijo.
Kolicina amoniaka, ki nastane med mineralizacijo 1 mola OM, znasa 0.86 ■ 16 = 13.8 mol NH4 z aerobno respiracijo plus —0.14 ■ 84.8 + 0.14 ■ 16 = —9.6 mol (poraba) s sistemom nitrifikacija/denitrifikacija. Med denitrifikacijo pa nastane se 0.14 ■ 42.4 = ~ 6 mol N2, ki pomeni izgubo biolosko razpolozljivega vezanega dusika. Skupno torej v procesu mineralizacije OM v sedimentih iz 1 mol OM nastanejo 4 mol NH4 in 6 mol N2.
denitrifikacija = 0.105 x poraba kisika v sedimentih C106H263 O110N16P + 106O2 ^ 106CO2 + 16NH4 + H2 PO4 + 122H2O NH4 + 2O2 ^ NO3 + 2H + H2O
(5.57)
(5.58)
(5.59)
(1 — x) ■ 106 + x ■ 84.8 ■ 2 = 106 + 63.6 ■ x
(5.61)
Ce sta poleg nitrifikacije/denitrifikacije za razgradnjo OM v sedimentih pomembni tudi redukcija sulfatov in oksidacija sulfidov, kot je to npr. v Trzaskem zalivu (Koron, 2008), moramo upostevati vse tri reakcije (Mackin in Swider, 1989; J0rgensen, 1996):
C106H263O110N16 P + 53H2 SO4 + 11H + ^ 106C02 + 53H2S + 16NH4 +	(5.62)
H2PO4 + 106H2 O
NH+ + 2H2S + 4O2 ^ NO- + S203 + 2H2O + 4H +	(5.63)
8NO3- + 5S2O2- + H2O ^ 10SO\- + 2H + + 4N2	(5.64)
Po vrsti smo zapisali reakcije za redukcijo sulfatov, nitrifikacijo, oksidacijo sulfidov. Teh reakcij zaenkrat v modelu ne upostevamo, po potrebi pa se model PCFLOW3D v prihodnje lahko nadgradi in se pri modeliranju krozenja OM upostevajo tudi ti procesi anaerobne razgradnje OM.
Ce povzamemo: robni pogoj na dnu predstavlja dodaten vir amoniaka za spodnjo plast vode in se v modelu Fennel in sod. (2006) glasi:
d	4
—NH4 = 16ÄZ (wPhyPhy + wsDetSDet + wLDetLDet) ;	(5.65)
Az = debelina spodnjega sloja vode,
4/16 = razmerje med nastalimi 4 mol amoniaka iz 1 mol OM oz. ekvivalentno iz 16 mol dusika (sledi neposredno iz sestave OM). V izrazu 5.65 upostevajo se, da OM, ki pade na dno, sestoji iz detrita in fitoplanktona (skladno z njihovo predpostavko, da je hitrost usedanja w za obe skupini delcev razlicna od nic).
Ker bentos ki model Fennel in sod. (2006) temelji na odvisnosti Seitzinger in Giblin (1996), ki pri denitrifikaciji uposteva samo sistem nitrifikacija/denitrifikacija, ne pa tudi neposredne denitrifikacije, se poraba nitratov ne pozna pri vrednostih koncentracije [NO-] v vodi nad dnom.
5.2.2.3 Vrednosti parametrov v modelih
V preglednicah 5.2 - 5.5 podajamo vrednosti parametrov po Crispi in sod. (2002), Crise in sod. (1998) (za oligotrofno Sredozemsko morje), Fennel in sod. (2006) (za produktivno priobalno obmocje Middle Atlantic Bight, ZDA) in po Fasham in sod. (1990) (za oligotrofno Sargasko morje).
Za kz v Crispi in sod. (2002) namesto konstantne vrednosti uporabljajo funkcijo na sliki 5.13. Za kz se namrec izkaze, da je eden izmed najbolj obcutljivih parametrov, kar je konsistentno tudi s trditvami Fasham in sod. (1990). Podatki Rabitti in sod. (1994a, 1994b) ter Martin in Barth (1995) kazejo, da se v Sredozemskem morju kz mocno spreminja z geografsko dolzino. Npr. v Crise in sod. (1998) pa kz znasa kz = konst = 0.0005 cm-1 na osnovi podatkov POEM-BC-091 (Secchi disk data; Kovacevic in sod., 1994). Zmanj s anja kolicine svetlobe zaradi vsebnosti fitoplanktona v Crispi in sod. (2002) ne upostevajo (kPhyto = 0). Slika 5.13 nam sluzi za kvalitativno primerjavo vrednosti kz v vzhodnem in zahodnem Sredozemlju (v modelu PCFLOW3D uporabljamo drugacno formulacijo odvisnosti rasti fitoplanktona od svetlobe kot v Crispi in sod. (2002), npr. kz v PCFLOW3D je reda 10-2 m-1).
Zemljepisna dolžina
Slika 5.13: Odvisnost koeficienta zmanjšanja svetlobe kz [cm-1] od zemljepisne dolzine v Sredozemskem morju (povzeto po Crispi in sod., 2002).
Figure 5.13: Light extinction coefficient kz [cm-1] vs. longitude in the Mediterranean Sea (adapted from Crispi et al., 2002).
Obcutljivostna analiza. Obcutljivostno analizo parametrov povzemamo po Fasham in sod. (1990). Pri izbiri vrednosti parametrov ter verifikaciji in kalibraciji modela je avtor uporabil podatke z Bermudskih otokov (BATS, Bermuda Atlantic Time Series), za katere je znacilna izrazita oligotrofija.
Med fizikalnimi parametri sta najpomembnejsa spreminjanje globine premesanega sloja in soncno sevanje. Pokrovnost oblakov dobimo iz podatkov, vpliv oblakov na kolicino svetlobe pa lahko zatem dolocimo po Smith in Dobson (1984). Za delez PAR Fasham uporabi konstantno vrednost 0.43 po Jerlov (1976) in Jitts in sod. (1976). Za transmisijo svetlobe na stiku med vodo in zrakom (1- odboj) uposteva faktor 0.96 (Smith in Baker, 1981). Po Jerlov (1976) ustrezajo oligotrofne vode Sargaskega morja klasifikaciji tipa I, ki pravi, da 1% svetlobe nastopi na 105 m globine, kar je ekvivalentno kz = 0.044 m-1 (podatki Jerlova vsebujejo tudi ucinek absorbcije svetlobe zaradi prisotnosti fitoplanktona). Lorenzen v (1972) predlaga vrednost kw = 0.038 m-1 za vodo brez prisotnega fitoplanktona. Fasham uporabi vmesno vrednost kw = 0.04 m-1. Po Fasham in sod. (1990) in Fasham in sod. (1983) je kz (oz. kw, kP) eden izmed najbolj občutljivih parametrov; v primeru kakovostnih podatkov je zato priporocljivo uporabiti cim natancnejso parametrizacijo kw (glej tudi Crispi in sod., 2002).
Med parametri za fitoplankton sta najpomembnejsa a in ß1. Za Sargasko morje je bilo na institutu za oceanografijo v Bedfordu, Kanada (Bedford Institute of Oceanography) opravljenih dovolj meritev za natancno dolocitev a (Fasham in sod., 1990). Izmerjene vrednosti se gibljejo med 0.039 — 0.70 (mg C) (mg CHLa)-1 hr-1 (Wm-2) 1 , povprecje znasa 0.05
(mg C) (mg CHLa)-1 hr-1 (Wm-2) 1 . To vrednost pretvorimo v obicajnejse enote
dan-1 (Wm-2)-1], tako da jo pomnozimo z razmerjem med vsebnostjo ogljika in klorofila-a v
biomasi fitoplanktona. Fasham uporabi C:CHL = 50 in dobi a = 0.025 d-1(W m 2) 1. Problem pri ß1 je, da je to obenem zelo obcutljiv in izredno tezko dolocljiv parameter. Po Walsh (1983) je npr. stopnja smrtnosti fitoplanktona in posledicno usedanje OM v globoki ocean najpomem-bnejsi ponorni clen v vecini, ce ne celo v vseh morskih sistemih. Fasham zato ß1 vzame za prosti parameter, ki ga doloci kasneje na osnovi vrednosti letne neto primarne produkcije, ANPP.
Ostali parametri za fitoplankton so manj obcutljivi. Za temperaturo morja med 21 — 27°C na postaji BATS (Menzel in Ryther, 1960) znasa Vp po Eppley (1972) med 2.3 — 3.4 d-1. Toliksna razlika v Vp povzroci le 6% razliko v ANPP, zato v primeru Fasham in sod. (1990) zadostuje, ce za Vp vzamemo konstantno vrednost (2.9 d-1). Za kc Fasham uporabi vrednost 0.02 m2 (mgCHLa)-1 , kar je vmesna vrednost med 0.016 (Bannister, 1974) in 0.026 (Fasham in sod., 1983). Enote klorofila-a pretvorimo v enote dusika ob predpostavkah C:CHL = 50 in C:N = 6.625 (Redfield in sod., 1963), za kc tako dobimo 0.03 m2 (mMolN)-1 . Za K1 in K2
Fasham uporabi enaki vrednosti 0.5 [mMolNm-3] (Goldman in Glibert, 1983), za ^ pa 1.5 po Wroblewski (1977). Izbrana vrednost y1 temelji na obicajni predpostavki, da se 5—15% nastalega Corg z znojenjem izloci iz fitoplanktona v obliki DOC (Sharp, 1977). Ker se po Fogg (1983), Lancelot in Billen (1986) in Schell (1974) predpostavlja, da je delez C:N v znoju fitoplanktona visji kot v sintetizirani OM, Fasham za y1 uporabi vrednost 5%.
Pri dolocanju vrednosti parametrov zooplanktona predstavlja najvecji problem dejstvo, da se ta skupina organizmov hrani tako s fitoplanktonom kot tudi z bakterijami in detritom. Fasham daje prednost vrednostim, ki so znacilne za rastlinojede vrste zooplanktona (ceponozci). Stopnja rasti g in Michaelisova konstanta K3 sta enaki kot v studiji Evans in Parslow (1985): g = 1.0 d-1, K3 = 1.0 mMol N m 3, za stopnjo asimilacije pa Fasham skladno s Conover (1978) vzame visjo vrednost: ß = 75%. Stopnja smrtnosti ß5 zajema smrtnost zooplanktona in visjih troficnih nivojev. V literaturi najdemo za ß5 vrednosti 0.07 dan-1 (Evans in Parslow, 1985), 0.2 dan-1 (Wroblewski in sod., 1988), 0.01 — 0.05 dan-1 (Riley, 1947); Fasham uporabi 0.05 dan-1. Delez mrtvega zooplanktona Q, ki se pretvori v amoniak, prav tako zajema tudi vpliv visjih troficnih nivojev; Fasham po King (1987) za Q uporabi vrednost 1/3. Stopnja izlocanja ß2 znasa po meritvah Verity (1985) za morski zooplankton okoli 0.15 dan-1. Fasham pri izbiri vrednosti ß2 ne izhaja iz podatkov, temvec jo prilagodi izbrani vrednosti ß5 in vzame ß2 = 0.1 dan-1. Po Corner in Newell (1967) je med izlocki 75% amoniaka in 25% DON (razmerje e), v praksi pa je odstotek odvisen od zasnove modela in zahteva tehtno presojo; premajhen delez DON namrec povzroci nerealno nizko rast bakterij.
Za detrit potrebujemo dva parametra, stopnjo usedanja V in stopnjo razpada PON v DON ß4. Ker detrit sestoji iz delcev zelo razlicnih velikosti, je predpostavka o konstantni stopnji usedanja nerealna. Fasham zato V opredeli kot prosti parameter, ki ga doloci s poskusanjem. Za najbolj realni se izkazeta vrednosti 1 in 10 m/dan. Vprasljiva je tudi uporaba ene same konstantne vrednosti za ß4. Po Jones in Henderson (1986) znasa stopnja razkrajanja mrtve OM med 0.004 — 0.18 dan-1; Fasham vzame 0.05 dan-1.
	Preglednica 5.2: Vrednosti parametrov po Crispi in	sod. (2002).	
	Table 5.2: Parameter values after Crispi et al.	(2002).	
Parameter	Definicija	Enota	Vrednost
	maksimalna stopnja rasti ultraplanktona	s-1	1.60 x 10-5
kps	koeficient polovicne rasti za fosfor za ultraplankton	mg P m-3	0.015
kNS	koeficient polovicne rasti za dusik za ultraplankton	mg N m-3	0.15
kAS	koeficient polovicne rasti za amoniak za ultraplankton	mg N m- 3	0.15
^S	koeficient inhibicije nitrati-amoniak za ultraplankton	mg N m- 3	1.5
Pl	maksimalna stopnja rasti netplanktona	s-1	3.20 x 10-5
kpL	koeficient polovicne rasti za fosfor za netplankton	mg P m- 3	0.025
kNL	koeficient polovicne rasti za dusik za ultraplankton	mg N m- 3	0.25
kAL	koeficient polovicne rasti za amoniak za ultraplankton	mg N m- 3	0.25
^L	koeficient inhibicije nitrati-amoniak za ultraplankton	mg N m- 3	1.5
knit	stopnja nitrifikacije	s-1	1.11 x 10-5
kAO	koeficient polovicne porabe kisika med nitrifikacijo	mg O m- 3	31.25
Rnc	razmerje N/C v biomasi fitoplanktona	mg N/mg C	0.1509
Rpc	razmerje P/C v biomasi fitoplanktona	mg P/mg C	0.0094
rsl	transformacijski faktor med CHL v ultra- in netplanktonu	-	2
rNC	razmerje N/C v biomasi zooplanktona	mg N/mg C	0.25
rpc	razmerje P/C v biomasi zooplanktona	mg P/mg C	0.0208
Roc	razmerje O/C v biomasi fitoplanktona	mg O/mg C	1
Rnit	razmerje O/N med nitrifikacijo	mg O/mg N	2
kdecC	stopnja mineralizacije ogljika	s-1	0.59 x 10-6
kdecN	stopnja mineralizacije dusika	s-1	1.18 x 10-6
kdecP	stopnja mineralizacije fosforja	s-1	2.36 x 10-6
krS	stopnja respiracije ultraplanktona	s-1	0.068 x 10-6
krL	stopnja respiracije netplanktona	s-1	0.127 x 10-6
keS	stopnja eksudacije ultraplanktona	s-1	0.289 x 10-6
keL	stopnja eksudacije netplanktona	s-1	0.359 x 10-6
kexZ	stopnja izlocanja zooplanktona	s-1	0.289 x 10-6
tS	stopnja asimilacije ultraplanktona	-	0.25
tL	stopnja asimilacije netplanktona	-	0.5
g	stopnja pase zooplanktona	s-1	1.157 x 10-5
a	koeficient preference	-	1
kn	koeficient polovicne rasti za paso	mg C m- 3	4
d,S	stopnja lize ultraplanktona	s-1	0.222 x 10-6
dL	stopnja lize ultraplanktona	s-1	0.555 x 10-6
dz	stopnja smrtnosti zooplanktona	s-1	0.289 x 10-6
aS	zacetni naklon P - I krivulje za ultraplankton	[s(Wm-2)]-1	2.0 x 10-7
a.L	zacetni naklon P - I krivulje za netplankton	[s(Wm-2)]-1	4.7827 x 10-7
e	Arrheniusova osnovna vrednost	exp(°C -1)	1.07
To	Arrheniusova referencna temperatura	◦C	20
Ts max	maksimalna temperatura za ultraplankton	°C	30
TS	optimalna temperatura za ultraplankton	°C	19.5
bS	temperaturni koeficient za ultraplankton	°C-1	0.1157
TL max	maksimalna temperatura za netplankton	°C	24
Tl	optimalna temperatura za ultraplankton	°C	16.5
bL	temperaturni koeficient za ultraplankton	°C	0.1157
fCL	vpliv oblakov na kolicino svetlobe	-	1.0
fr	koeficient oblike funkcije soncnega sevanja	-	0.25
fpAR	delez PAR glede na celotno radiacijo	-	0.43
wD	hitrost usedanja detrita	m s- 1	0.000058
kaer	koeficient reaeracije za kisik na povrsini morja	s-1	1.157 x 10-5
Preglednica 5.3: Vrednosti parametrov po Crise in sod. (1998). Table 5.3: Parameter values after Crise et al. (1998).
Parameter	Definicija	Enota	Vrednost
Cn	koeficient polovicne rasti za nitrate	mg N m-2	0.25 a
d	stopnja smrtnosti za fitoplankton	s-1	5.55 • 10-7 b
Gmax	maksimalna stopnja rasti za fitoplankton	s-1	6.83 • 10-6 c
T	stopnja regeneracije sistema	s-1	1.19 • 10-5 c
WD	hitrost usedanja detrita	m s-1	12 *10-6 c
kT	temperaturni koeficient	°C-1	6.33 • 10-2 c
kz	koeficient zmanjsanja kolicine svetlobe z globino	m-1	5 *10-6 d
kphyto	koeficient zmanjsanja svetlobe zaradi fitoplanktona	m-2 (mg N)-1	0 e
I opt /I0	razmerje med optimalno in dejansko svetlobo	-	0.5 e
fi	aditivni koeficient trajanja soncevega obsevanja	-	0.5 f
f2	multiplikativni koeficient trajanja soncevega obsevanja	-	0.125 f
Vir: a MacIsaac in Dugdale, 1969; b Slagstad, 1982; c Eppley, 1972; c kalibracija; d podatki; e Steele, 1962; f UNESCO, 1983
Preglednica 5.4: Vrednosti parametrov po Fennel in sod. (2006). Table 5.4: Parameter values after Fennel et al. (2006).
Simbol	Parameter	Enota		Vrednost
Mo	stopnja rasti fitoplanktona pri 0°C	d-i		0.69 a
kNO3	koeficient polovicne rasti za nitrate	mmol N m-3		0.5 b
kNH 4	koeficient polovicne rasti za amoniak	mmol N m-3		0.5 b
a	zacetni naklon P-I krivulje	molC gChl-i (W	m-2)-1 d-1	0.125 c
gmax	maksimalna stopnja pase zooplanktona	(mmol N m-3)-1	d-1	0.6 c
kp	koeficient polovicne rasti za fitopl.	(mmol N m-3)2		2d
mP	stopnja smrtnosti fitoplanktona	d-i		0.15 e
T	stopnja agregacije	(mmol N m-3)-1	d-1	0.005 b
^max	maksimalno razmerje med CHL/P	mgChl mgC-1		0.053 c
ß	stopnja asimilacije za zooplankton	-		0.75 f
Ibm	stopnja izlocanja	d-1		0.1 g
lE	maksimalna stopnja izlocanja	d-1		0.1 g
mz	stopnja smrtnosti zooplanktona	(mmol N m-3)-1	d-1	0.025 h
rsD	stopnja mineralizacije majhnega detrita	d-1		0.03 g
tld	stopnja mineralizacije velikega detrita	d-1		0.01 g
nmax	maksimalna stopnja nitrifikacije	d-1		0.05 b
ki	intenziteta svetlobe, pri kateri je inhibicija enaka polovicni vrednosti	nitrifikacije W m-2		0.1 1
I0	mejna vrednost za fotoinhibicijo nitrifikacij	e W m- 2		0.0095 1
Wphy	hitrost usedanja fitoplanktona	m d- 1		0.1 j
W SDet	hitrost usedanja suspendiranega detrita	m d- 1		0.1 j
WLDet	hitrost usedanja vecjih delcev detrita	m d- 1		1 j
Vir, interval vrednosti: a Taylor (1988), Andersen		in sod. (1987); Eppley (1972);		
b Lima in Doney (2004); c Geider in sod. (1997) c Wroblewski (1989), Fasham (1995);
Lima in Doney (2004), raCun; e Taylor in sod. (1991); f Leonard in sod. (1999), Oschlies in Garcon (1999); gLeonard in sod. (1999); hFennel in sod. (2001), Lima in Doney (2004); 1 Olson (1981); j Moskilde (1996), Lima in Doney (2004)
Preglednica 5.5: Vrednosti parametrov po Fasham in sod. (1990). Table 5.5: Parameter values after Fasham et al. (1990).
Parameter Definicija
Enota
Vrednost
-	razmerje med PAR in totalno osončenostjo	-	0.43 a
-	oblačnost	okte	4 b
kw	koeficient upadanja količine svetlobe z globino vode zaradi nečistoč	m-1	0.04 c
rn	stopnja mešanja termokline v vertikalni smeri	m d-1	0.1 e
vP	maksimalna stopnja rasti fitoplanktona	d"1	2.9 d
a	začetni naklon P-I krivulje	(W m-2)"1 d"1	0.025 e
Ki,	koeficient polovične rasti fitoplanktona za nitrate	mMol m~3	0.5 f
K2	koeficient polovične rasti fitoplanktona za amoniak	mMol m~3	0.5 f
MI	specifična stopnja smrtnosti fitoplanktona	d"1	0.045,0.09 g
kc	koeficient upadanja količine svetlobe z globino zaradi prisotnosti fitoplanktona	m2 (mMol N)"1	0.03 h
7i	delež totalne biomase fitopolanktona, ki se z znojenjem izloči kot DON (ang. exudation)	%	5% 1
f	inhibicijski parameter porabe nitratov zaradi prisotnosti amoniaka	(mMol N)"1	1.5 j
g	maksimalna specifična stopnja rasti zooplanktona	d"1	1.0 k
ßi	učinkovitost asimilacije hrane v biomaso zooplanktona: zaradi hranjenja s fitoplanktonom	%	75% 1
ß2	učinkovitost asimilacije hrane v biomaso zooplanktona: zaradi hranjenja z bakterijami	%	75% 1
ß3	učinkovitost asimilacije hrane v biomaso zooplanktona: zaradi hranjenja z detritom	%	75% 1
M2	specifična stopnja izločanja za zooplankton (ang. excretion)	d'1	0.1 m
MB	specifična stopnja smrtnosti zooplanktona	d'1	0.05 n
Ks	koeficient polovične rasti za zooplankton	d'1	1.0 k
0	delež umrlega zooplanktona, ki predstavlja detrit	%	33% 0
e	delež izločkov zooplanktona, ki predstavlja amoniak	%	75% p
vb	maksimalna stopnja rasti za bakterije	d'1	2.0 r
Ms	specifična stopnja izločanja za bakterije	d'1	0.05 g
Ki	koeficient polovične rasti za bakterije	(mMol N) nT3	0.5 s
V	razmerje med porabo NH4/DON	-	0.6 š
M4	stopnja razkrajanja detrita	d"1	0.05 4
V	stopnja usedanja detrita	m d-1	1,10 s
Vir, Interval vrednosti: a Jerlov (1976), Jitts in sod. (1976); b podatki; c Jerlov (1976), Lorenzen v (1972); e račun;
Eppley (1972); e Platt T, osebna komunikacija; Goldman in Glibert (1983); g kalibracija; h Bannister (1974), Fasham in sod. (1983); 1 Sharp (1977), Fogg (1983), Lancelot in Billen (1986), Schell (1974); j Wroblewski (1977); k Evans in Parslow (1985); 'Conover (1978); m Verity (1985), podatki; n Evans in Parslow (1985), Wroblewski in sod. (1988), Riley (1947); ° King (1987); p Corner in Newell (1967); r Ducklow in Hill (1985); s Carlucci in sod. (1985), Fuhrman (1987); s Fenchel in Blackburn (1979), Suzuki in sod. (1985); 4 Jones in Henderson (1986)
Ü
O »-s
Cl ^
M ^
1	a
a
t"1 ^
O p
o
a
Cl
Ig
N O P 3
crq B i-i -
g 8
2	p 5. p
m< O
C+- crq <
O
K
K ^
&
n> cr
* i
p
p
ar &
CD
O
o
oo co
5.2.2.4 Robni in začetni pogoji ter izbira numerične metode
Površina: izmenjava plinov z atmosfero. Izmenjavo med morjem in atmosfero v modelu zaenkrat upostevamo samo za kisik. Po Crispi in sod. (2002) lahko izmenjavo kisika med vodo in atmosfero opisemo s preprosto enacbo
relo = kaer • (Osat - OXY)	(5.66)
OXY = koncentracija kisika v dani celici, Osat = koncentracija kisika pri saturaciji,
kaer = koeficient reaeracije, ki po Crispi in sod. (2002) znaasa kaer — 1.157 x 10 5 s . Za Osat uporabimo funkcijo Gromiec (1983):
Osat = 457.01 - 11.47 • T + 0.14 • T2 - 3.02 • s + 0.064 • T^s + 0.0086 • s2	(5.67)
T = temperatura v [° C], s = slanost.
Za [O] > [Osat] je vrednost relO negativna in pomeni izgubo presežne koncentracije kisika za modelirani sistem; pri tem del plina [O] — [Osat] izhlapi iz morja v atmosfero. V nasprotnem primeru [O] < [Osat] pa je vrednost relO pozitivna in pomeni napajanje sistema s kisikom iz atmosfere. V modelu torej predpostavljamo, da se v primeru super- ali podsaturacije vode s kisikom sistem hipno odzove, koncentracija kisika v vrhnjem sloju vode pa se pri tem spremeni za +relO.
V vzhodnem Sredozemlju bi bilo glede na dognanja Mara in sod. (2009) potrebno upostevati tudi depozicijo atmosferskih oblik dusika iz zraka, vendar je zaenkrat ta pojav vsaj kvalitativno se preslabo raziskan, zato ga v modelu PCFLOW3D za zdaj ne upostevamo. Prav tako pelagicni model Crispi in sod. (2002) ne uposteva procesa fiksacije N2, razen seveda posredno, glede na to, da so vrednosti parametrov ocenjene na osnovi podatkov za Sredozemsko morje.
Dno: izmenjava snovi s sedimenti. V Crispi in sod. (2002) na dnu za vse spremenljivke predpostavijo, da je izmenjava snovi med vodo in sedimenti enaka 0:
= 0,	(5.68)
dn
BT = splosna oznaka za biogeokemicne spremenljivke v modelu (ang. biological tracer), n = normala na rob.
Tak robni pogoj upostevamo tudi v modelu PCFLOW3D, a le za obmocja izven kontinentalnih robov, t.j. z globino vode > 250 m (definicija po Fennel in sod., 2006). Na obmocjih kontinentalnih polic pa analogno kot v Fennel in sod. (2006) predpisemo robni pogoj za pretok amoniaka iz sedimentov v vodo (enacba 5.65):
d	4
dtAMO = i6(4ž) (WD •DEN) (5.69)
Kolicino detrita, ki pade na dno in jo zatem upostevamo v procesih mineralizacije OM v sedimentih, dolocimo po enacbi 5.26, ki predstavlja vsebnost dusika v detritu. Namesto Az v enacbi 5.65 v modelu PCFLOW3D uporabimo Az/2, ker v racunu upostevamo vrednost DEN na sredini spodnjega sloja vode. Med procesi mineralizacije OM v sedimentih skladno s Fennel in sod. (2006) upostevamo aerobno respiracijo in sistem nitrifikacija/denitrifikacija; ker ne upostevamo neposredne denitrifikacije, lahko predpostavimo, da procesi mineralizacije OM v sedimentih ne vplivajo na koncentracijo nitratov v vodi nad dnom. Za nitrate na dnu torej prav tako velja robni pogoj 5.68.
Ker v modelu PCFLOW3D po Crispi in sod. (2002) poleg koncentracije nitratov in amoniaka v vodnem stolpcu modeliramo tudi koncentraciji fosfatov in kisika, moramo bentoski model Fennel in sod. (2006) razsiriti se na ti dve spremenljivki. Za fosfor lahko brez vecjih napak predpostavimo podobno kot za nitrate, namrec da procesi mineralizacije OM v sedimentih ne vplivajo bistveno na koncentracijo fosfatov v vodnem stolpcu, in torej prav tako predpisemo robni pogoj 5.68. Drugace pa je s porabo kisika, ki je med procesi v sedimentih seveda znatna. Ce izhajamo iz enacbe 5.61, znasa poraba kisika med razgradnjo 1 mola OM (aerobno respiracijo + nitrifikacijo/denitrifikacijo) v sedimentih 106 + 63.6• x = 106 + 63.6-0.14 « 115 mol O m-2dan-1. Robni pogoj na dnu se tako za kisik glasi:
d	115
dtOXY = -(WD • DEN)	(5J°)
Nastalo spremembo koncentracije kisika v vodi nad dnom upostevamo v enacbi za kisik 5.21.
Odprti rob. Za dolocitev vrednosti spremenljivk na odprtem robu med Sredozemskim morjem in Atlantskim oceanom smo uporabili meritve Medatlas (2002) in podatke iz literature (Crispi in sod., 2002; Coste in sod., 1988). Za nitrate smo predpisali profil koncentracije po globini po Coste in sod. (1988). Za fosfate smo po zgledu Crispi in sod. (2002) v vsaki celici predpisali ^ vrednosti nitratov. Za amoniak in kisik smo predpostavili konstantno vrednost po globini: za amoniak 0.0 mmol m-3 (Medatlas, 2002; Crispi in sod., 2002), za kisik 250 mmol m-3 (Crispi in sod., 2002). Vrednosti ostalih spremenljivk so na odprtem robu enake 0: SPH = LPH = ZOO = DEC = DEN = DEP = 0.
Pritok snovi z rekami. Vecina avtorjev dotok snovi z rekami v Sredozemsko morje pri modeliranju primarne produkcije zanemari, saj je v primerjavi s pretokom snovi preko Gibraltarja zanemarljiv (Crise in sod., 1998). Npr. v Crispi in sod. (2002) pritoka hranil z rekami sploh ne upostevajo, saj prakticno ne vpliva na dogajanje na odprtem morju. Prav tako dotoka hranil z rekami ne upostevajo v Crise in sod. (1998): vpliv Nila je zaradi pregrad na reki omejen na lokalno območje iztoka (Azov, 1986), hranila, ki s Padom in ostalimi rekami pritekajo v Jadransko morje, pa ostajajo vecinoma znotraj Jadranskega morja (Poulain in sod., 1996). Da smemo vplive rek na biogeokemicne procese v Sredozemskem morju zanemariti, potrjujeta tudi studiji dotoka kemijskih snovi po Roni (Tusseau-Vuillemin in sod., 1998) in reki Pad (Civitarese in sod., 1998). Po podatkih Tusseau in Mouchel (1995) Rona letno prispeva okoli 0.082 4 06 t m-2 NO-, tudi ta vrednost pa je v primerjavi s pretokom snovi preko ozine Gibraltar zanemarljiva, in jo je torej potrebno upostevati le pri modeliranju manjsih obmocij.
Začetni pogoji. Zacetne vrednosti spremenljivk dolocimo iz podatkov v literaturi. Po Crise in sod. (1998), Crispi in sod. (2002) in Fennel in sod. (2006) zahteva pravilna ocena pretokov
Slika 5.14: Profili začetnih vrednosti nitratov v razlicnih predelih Sredozemskega morja. Podatki so iz Coste in sod. (1972, 1988), McGill (1970), POEM Group (1992), Rabitti in sod. (1994a, 1994b) (povzeto po Crispi in sod, 2002).
Figure 5.14: Nitrate initial profiles in different areas of the Mediterranean Sea. Data are from Coste et al. (1972, 1988), McGill (1970), POEM Group (1992), Rabitti et al. (1994a, 1994b) (adapted from Crispi et al., 2002).
dusika predvsem realno oceno zacetnih vrednosti nitratov. Za zacetne vrednosti nitratov NIT v posameznih predelih Sredozemskega morja uporabimo meritve Coste in sod. (1972, 1988), McGill (1970), POEM Group (1992), Rabitti in sod. (1994a, 1994b) (slika 5.14, po Crispi in sod., 2002). V Jadranskem morju predpisemo za nitrate enak profil kot v Ligurskem morju, v zahodni kotanji pa enak profil kot v Tirenskem morju. Zacetne vrednosti ostalih spremenljivk znasajo: P HO = I vrednosti nitratov, AM O = 0 mmol m-3, OXY = 250 mmol m-3, SPH = LPH = 0.1 mmol m-3, ZOO = 0.01 mmol m-3, DEC = DEN = DEP = 0 mmol m-3.
Numericne metode. Za resevanje sistemov enacb za oba pelagicna in bentoski model smo v model PCFLOW3D vgradili dve numericni metodi, in sicer obicajno Eulerjevo metodo za resevanje nelinearnih enacb ter metodo Runge-Kutta 4. reda. Za model Crispi in sod. (2002) zaradi izjemne nelinearnosti in kompleksnosti svetujemo racun po metodi Runge-Kutta, za resevanje ostalih sistemov enacb pa lahko uporabimo eno ali drugo metodo.
5.2.3 Empirični model valovanja za Tržaški zaliv
Ce uporabimo razvrstitev po Holthuijsen (2007) (podpoglavje 4.1.1), spada obravnavano obmocje modeliranja med srednje velika obmocja, tako v prostorskem kot tudi v casovnem smislu. V tem primeru lahko pogoje nastanka valov dobro opisemo s povprecnimi karakteristikami, med katerimi je najpomembnejsi valovni spekter.
Fizikalni modeli valovanja so obicajno kompleksni in racunsko potratni, obenem pa se pri modeliranju valov v obmocjih s kompleksnimi meteoroloskimi, hidrodinamicnimi in geografskimi pogoji redko dobro obnesejo. Pregled literature kaze (Bertotti in Cavaleri, 2009; Dykes in sod., 2009; Lionello in sod., 2010b), da ne fizikalni ne empiricni modeli valovanja na obmocju Jadranskega morja v splosnem ne dajejo dobrih rezultatov. Ko je primarni namen modeliranja dolocitev vrednosti biogeokemicnih spremenljivk v vodnem stolpcu in ovrednotenje vpliva valov na le-te, se zato razvoj konceptualnega modela valovanja redko splaca. Pri modeliranju Trzaskega zaliva nas primarno zanima vpliv valov oz. kombiniranega vpliva valov, tokov in vetra na obseg resus-penzije sedimentov z dna ter posledicno na spremembo koncentracije na delce vezanih zvrsti Hg v vodnem stolpcu. Po Wang in sod. (2007) je vpliv valov na resuspenzijo sedimentov z dna v Trzaskem zalivu znaten.
Za modeliranje vpliva valov na vrednosti biogeokemicnih spremenljivk v morju Trzaskega zaliva smo se zato odlocili razviti preprost in uporaben model valovanja, ki bo zadostoval za nase potrebe. Z ANFIS kombinacijo mehkih sistemov in nevronskih mrez smo ga razvili neposredno iz podatkov, ki jih na oceanografski boji Vida belezi Morska bioloska postaja Piran (http://buoy.mbss.org/). Tak model valovanja je enostaven za uporabo in zahteva kratek racunski cas, obenem pa je dovolj natancen za nase potrebe. Z modelom valovanja za Trzaski zaliv lahko valove napovemo neposredno iz znacilnih vrednosti vetra, privetrisca in hitrostnega polja tokov v povrsinskem sloju morja.
Podatki. Pridobili smo podatke za valove, veter in tokove Morske bioloske postaje Piran za obdobje vzorcenja od 1.1.2006 do 31.3.2007. Podatki se merijo na oceanografski boji Vida, ki se nahaja na ^ = 45°32.9'N, A = 13°33.0'E (slika 6.27, poglavje 6.2.1). Vzorcijo se hitrost in smer vetra, vetrni sunki, temperatura in vlaznost zraka, temperatura in slanost morja, morski tokovi po vsej globini, maksimalna, znacilna in povprecna visina valov, povprecna in vrsna perioda valov, smer potovanja valov, razprsenost energije valov pri vrsni periodi ter nekatere druge spremenljivke, ki za obravnavani primer niso pomembne.
Komponente hitrosti vetra (u,v,w) se vzorcijo s 3D akusticnim anemometrom, frekvenca vzorcenja znasa 1 Hz, interval vzorcenja pa znasa 10 min vsake pol ure (npr. od 12:30-12:40, od 13:00-13:10, itd). Tokovi in valovi se vzorcijo v locenih casovnih intervalih, in sicer tokovi vedno prvih 10 min vsake pol ure (npr. od 12:30-12:40), valovi pa naslednjih 17 min (npr. od 12:4012:57); preostale 3 min v polurnem intervalu so namenjene prenosu podatkov, ipd. Za smer vetra stejemo azimut smeri, iz katere veter piha, za razliko od valov in tokov, pri katerih kot smer tolmacimo azimut smeri, v katero valovi in tokovi potujejo (Dezeljin, 2001). Statistiko podatkov za veter, valove in tokove za obdobje od 1.1.-31.12.2006 podajamo na slikah 5.15 -5.18.
Za modeliranje valov predstavlja problem predvsem dejstvo, da se meritve valov vzorcijo samo v eni tocki zaliva, pa se ta se nahaja samo nekaj sto metrov od obale. Taki podatki seveda niso reprezentativni za celoten Trzaski zaliv, vendar je to zaenkrat najvec, s cimer razpolagamo.
Slika 5.15: Roza vetrov: pogostost smeri vetra (levo) in histogram hitrosti vetra (desno). Figure 5.15: Rose of winds: frequency of various wind directions (left) and histogram for wind speed (right).
Slika 5.16: Roza tokov: pogostost smeri toka (levo) in roza valov: pogostost smeri potovanja valov (desno).
Figure 5.16: Rose of currents: frequency of direction of horizontal currents' component (left) and rose of waves: frequency of direction of wave propagation (right).
Horizontalna hitrost toka [cm/s]	Vertikalna hitrost toka [cm/s]
Slika 5.17: Histograma horizontalne (levo) in vertikalne (desno) komponente hitrosti tokov za površinski sloj morja globine 0-2 m.
Figure 5.17: Histograms for horizontal (left) and vertical (right) components of current speed in the upper layer (0-2 m depth).
0) ■■ E
0	0.5 1	1.5
Višina valov [s]
Perioda valov [s]
Slika 5.18: Histograma visine (levo) in periode (desno) valov. Figure 5.18: Histograms for wave height (left) and wave period (right).
Modeli. Napovedujemo vrednosti povprecne in vrsne periode valov, povprecne in maksimalne visine valov, srednje smeri potovanja valov ter razprsenosti valov pri vrsni periodi; napovedujemo povprecne vrednosti izhodnih spremenljivk v naslednjih treh urah.
Pri izbiri vhodnih spremenljivk smo izmed 120 atributov (veter, tokovi, privetrisce, zgodovina) z algoritmom M5 za gradnjo modelnih dreves najprej izbrali tiste, ki najbolj vplivajo na vrednosti izhodnih spremenljivk. Atributi z najvisjim prirastkom informacije so v vseh primerih naslednji: povprecna vrednost sunkov vetra v preteklih treh urah, povprecna hitrost vetra v zadnjih treh urah, povprecna smer vetra v zadnjih treh urah, povprecna vrednost privetrisca v zadnjih treh urah, povprecna horizontalna komponenta hitrosti tokov v vrhnjem sloju morja (0-2 m) v zadnjih treh urah, povprecna vertikalna komponenta hitrosti tokov v vrhnjem sloju morja (0-2 m) v zadnjih treh urah, povprecna horizontalna smer tokov v vrhnjem sloju morja (0-2 m) v zadnjih treh urah.
Te atribute smo zatem uporabili kot vhodne spremenljivke pri modeliranju znacilnih vrednosti valov. Za vsako izmed izhodnih spremenljivk smo razvili ANFIS model tipa Sugeno-Takagi; splosna shema modelov je prikazana na sliki 5.19. Vrednosti utezi in parametrov, ki nastopajo v pripadnostnih funkcijah, koncnih linearnih enacbah in funkcijah defuzifikacije (glej spodaj) posameznih modelov, podajamo v Prilogi 1 (preglednice 10.1 - 10.12). Ocene in rezultate modelov valovanja podajamo v podpoglavju 6.2.3. Za primerjavo smo modele iz istih atributov razvili tudi z modelnimi drevesi. Rezultati obeh metod so med seboj primerljivi, vendar so modelna drevesa v splosnem manj obcutljiva na spremembe v vrednostih vhodnih spremenljivk; rezultate zato podajamo samo za modele ANFIS.
V	poglavju 6.2.3 natancneje utemeljujemo tudi, zakaj modelov valovanja za Trzaski zaliv ni smiselno razvijati za vec kakor tri ure vnaprej. Ze atributi, katere za najpomembnejse opredeli algoritem M5, pricajo o tem, da na valove v casu t najbolj vplivajo znacilne vrednosti vetra, tokov in privetrisca v preteklih treh urah. Racun po enacbah, ki smo jih podali v 4. poglavju, to potrjuje (glej podpoglavje 6.2.3). Kljub temu je z razvitimi modeli mozno napovedati znacilne vrednosti valov za poljubno stevilo ur vnaprej: npr. pri napovedi za 48 ur vnaprej med vhodnimi spremenljivkami upostevamo vrednosti hitrosti in sunkov vetra, ki jih dobimo iz meteoroloske napovedi za 48 ur vnaprej. Napaka prognoze valovanja je v tem primeru enaka vsoti napake modela in napake zaradi netocnosti meteoroloske napovedi.
V	vseh modelih sledijo vhodne pripadnostne funkcije fin Gaussovi funkciji oblike
fin = eXp(-.	(5.71)
Izhodne pripadnostne funkcije fout so linearne funckije oblike
fout = aiXin,1 + Ü2Xin,2 + Ü3Xin,3 + a^Xin,4 + a5Xin,5 + ^6Xin,6 + a7Xin,7 + a8 . (5.72) Defuzifikacija izhodnih pripadnostnih funkcij v izhodne numericne vrednosti y se vrsi po enacbi
y=twT;	(6J3)
i = posamezno odlocitveno pravilo, wi = utezni faktor pravila i, z, = izhodna vrednost pravila i.
Wi se doloci kot produkt vrednosti vhodnih pripadnostnih funkcij fin za pravilo i (v nasem primeru je takih funkcij 7), z pa predstavlja vrednost fout za pravilo i. Rezultat modeliranja z metodo ANFIS predstavljajo vrednosti utezi in parametrov, ki nastopajo v pripadnostnih funkcijah, koncnih linearnih enacbah in funkcijah defuzifikacije modelov valovanja. Pri uporabi modelov moramo za nedvoumno dolocitev vrednosti izhodnih spremenljivk poznati vrednosti parametrov a, c in a v enacbah 5.71 - 5.73; te vrednosti podajamo v Prilogi 1.
VHODNE SPREMENLJIVKE	MODEL	IZHODNA SPREMENLJIVKA
Gaussove pripadnostne funkcije	Takagi-Sugeno	Defuzifikacija
Slika 5.19: Osnovna shema modela ANFIS za valove v Trzaskem zalivu. Figure 5.19: Schematic presentation of ANFIS model for wave forecast in the Gulf of Trieste.
5.2.4 Empirični modeli za določanje skalarnih polj konduktivnosti, trans-misije, kisika in fluorescence
Koncentracijo zvrsti zivega srebra v Sredozemskem morju dolocamo z modelnimi drevesi, v katerih kot atributi nastopajo globina, temperatura in slanost morja, indeks dneva in indeks ure (glej spodaj) ter konduktivnost, transmisija, kisik in fluorescenca klorofila-a. Globino, indeks ure in indeks dneva dolocimo s preprosto aritmetiko, temperatura in slanost sta rezultat hidro-dinamicnega modela, kisik in klorofil-a dobimo z modelom za nizji del prehranjevalne verige, konduktivnosti in transmisije pa zaenkrat z modelom PCFLOW3D se ne moremo dolociti konceptualno. Za dolocitev skalarnih polj konduktivnosti in transmisije smo se zato odlocili razviti empiricna modela; uporabili smo poprej opisano metodo modelnih dreves.
V nadaljevanju podajamo tudi rezultate podobnih preprostih empiricnih modelov za dolocitev skalarnih polj kisika in klorofila-a, ki smo jih v raziskovalni skupini uporabljali, preden smo se odlocili razviti konceptualni model za nizji del prehranjevalne verige. Modelni drevesi za dolocanje koncentracije raztopljenega kisika in fluorescence klorofila-a v Sredozemskem morju lahko uporabimo, ko uporaba potratnejsega konceptualnega modela za nizji del prehranjevalne verige ni smiselna ali za primerjavo z vrednostmi spremenljivk, ki jih dobimo z bolj sofistici-ranimi modeli. Model za dolocanje koncentracije kisika lahko uporabimo tudi v kombinaciji s konceptualnim modelom Fennel in sod. (2006), ki koncentracije kisika v vodnem stolpcu ne doloca eksplicitno.
Podatki. Modele zgeneriramo induktivno neposredno iz meritev oceanografskih spremenljivk, opravljenih v okviru projekta MERCYMS (MERcury CYcling in the Mediterranean Sea) poleti 2003 in spomladi 2004 (slika 5.20). Zaradi induktivne gradnje modelov torej rezultati naceloma veljajo samo za Sredozemsko morje zgodaj spomladi in pozno poleti.
Spremenljivke, ki jih vkljucimo v postopek ucenja:
•	globina [m],
•	temperatura [° C],
•	slanost [psu],
•	indeks dneva, dan [-]: linearno narasca od 21. decembra do 21. junija in zatem spet pada (21.12.: dan = 1, 22.12.: dan = 2, ... , 21.6.: dan = 183, 22.6.: dan = 182, ... 20.12.: dan = 1),
•	indeks ure, ura [-]: v casu pomladnih meritev indeks ure linearno narasca od 7:00 (ura = 1) do 13:00 (ura = 7) in zatem do 19:00 spet pada (ura = 1), med 19:00 in 7:00 pa je vrednost enaka 0; v casu poletnih meritev poteka dolocitev indeksa ure enako, le da pomladnim vrednostim med 6:00 in 20:00 dodamo vrednost 1 (ob 6:00 je ura = 1, ob 13:00 je ura = 8, ob 20:00 je ura = 1, med 20:00 in 6:00 je ura = 0),
•	kisik [mg L-1]: koncentracija v vodi raztopljenega kisika,
•	fluorescenca [mg CHLa m-3]: merimo fluorescenco klorofila-a,
•	konduktivnost [mScm-1]: sposobnost snovi (morske vode), da prevaja elektricni tok,
Slika 5.20: Tocke vzorcenja med terenskimi meritvami zivega srebra in drugih ekoloskih spremenljivk v Sredozemskem morju: projekt MERCYMS, avgust 2003 in marec 2004. Figure 5.20: Locations of mercury sampling during both MERCYMS cruises in the Mediterranean Sea: August 2003, March 2004.
• transmisija [%]: prepustnost snovi (morske vode) za svetlobo.
Z globino in temperaturo morja posredno zajamemo vpliv foticne cone in z njo povezanih procesov. Z indeksom dneva zajamemo letno nihanje soncnega sevanja, posredno pa tudi ostale vplive spreminjanja letnih casov. Z indeksom ure zajamemo dnevno nihanje soncnega sevanja ter ostale razlike med dnevom in nocjo. S trikotno obliko tako indeksa dneva kot indeksa ure smo zeleli opisati periodicno (letno oz. dnevno) spreminjanje nekaterih zunanjih pogojev, obenem pa smo na ta nacin zajeli tudi podobnost zunanjih pogojev med dnevoma 31.12. in 1.1. oz. med urami pred soncnim vzhodom in po soncnem zahodu.
Namenimo se nekaj besed meritvam klorofila-a oz. fluorescence. Vrednosti se gibljejo poleti med 0.01 — 0.14 mgCHLam-3, spomladi pa med 0.13 — 2.36 mgCHLam-3 (v foticni coni med pomladnim viskom vecinoma okoli 1.0 mgCHLam-3). Vrednosti pa so > 0 tudi v globokem oceanu, ker meritve fluorescence deloma zajamejo poleg zivih fitoplanktonskih organizmov tudi POM in DOM.
Modeli. Za gradnjo modelov smo uporabili algoritem M5. Oznake v modelih pomenijo: kon = konduktivnost, tra = transmisija, kis = kisik, flu = fluorescenca, glo = globina, tem = temperatura, sla = slanost, ura = indeks ure, dan = indeks dneva, n = stevilo ucnih primerov, — = ni podatkov. Enote vhodnih in izhodnih spremenljivk so enake kot v opisu zgoraj.
Model za konduktivnost:
EQ1 : kon = 0. 0004g 0o -f 1. 0934tem + 1.2109s1a - 16.2344
Model za transmisij o:
<= 109.5

> 109.5
<= 38
isr
GLO
EQ1
EQ3
<= 37.8
EQ1

EQ2
Slika 5.21: Modelno drevo z a doloc anje vrednosti transmisije v Sredozemskem morju. Figure 5.21: Model tree for transmission in the Mediterranean Sea.
EQ1 :	tra
EQ2 :	tra
EQ3 :	tra
EQ4 :	tra
Model za kisik:
<= 14.95

> 14.95
EQ1
EQ2
> 38
Slika 5.22: Modelno drevo za določanje koncentracije kisika v Sredozemskem morju. Figure 5.22: Model tree for oxygen in the Mediterranean Sea.
EQ1 : kis = -0.0002dan - 0.0443s1a - 0.157tem + 12.0449 EQ2 : kis = -0.0002dan - 0.027s1a - 0.1286tem + 10.933
Model za fluorescenco:
<= 109.5

> 109.5
Slika 5.23: Modelno drevo za določanje vrednosti fluorescence klorofila-a v Sredozemskem morju. Figure 5.23: Model tree for fluorescence in the Mediterranean Sea.
EQ1	flu =	-0.0016dan + 0.0723ura - 0.0024glo + 0.2785sla	- 0.2985tem	- 5.8538
EQ2	flu =	0.0558dan - 0.0038ura - 0.0066glo + 0.3031sla -	0.5415tem -	8.0142
EQ3	flu =	0.0517dan - 0.0168ura - 0.0066glo + 0.3031sla -	0.4872tem -	8.3905
EQ4	flu =	0.0208dan + 0.0433ura - 0.0069glo + 0.3013sla -	0.5083tem -	5.4594
EQ5	flu =	-0.0016dan - 0.0001glo + 0.4284		
EQ6	flu =	-0.0026dan + 0.0013ura + 0.0001glo + 0.3723		
EQ7	flu =	-0.0026dan + 0.0012ura + 0.0001glo + 0.3808		
EQ8	flu =	-0.0022dan + 0.3249		
Rezultati. Modele smo ocenili z 10 x navzkrižnim preverjanjem. Weka modele oceni s koeficientom koreladje r, srednjo absolutno napako mae, korenom kvadratov srednjih napak rmse, relativno absolutno napako rae in s korenom kvadratov relativnih napak rrse. Ocene podajamo v preglednici 5.6. Modeli za konduktivnost, transmisijo in kisik so zelo dobro ocenjeni (r « 1.00). Model za fluorescenco je slabse ocenjen, kar pa je bilo glede na kompleksnost procesa sinteze organske snovi tudi pricakovati.
Skalarna polja modeliranih spremenljivk dobimo z zgornjimi modeli neposredno iz (sezonsko ali mesecno povprecnih) skalarnih polj vhodnih spremenljivk (rezultat modela PCFLOW3D) ter primerno izbranih vrednosti za indeks dneva in indeks ure. Glede na dobre ocene modelov lahko zakljucimo, da je ideja napovedi ekoloskih spremenljivk neposredno iz skalarnih polj hidrodinamicnih spremenljivk obetavna.
Preglednica 5.6: Ocene empiricnih modelov za konduktivnost, transmisijo, kisik in fluorescenco. Table 5.6: Evaluations of empirical models for conductivity, transmission, oxygen and fluorescence.
	KON	TRA	KIS	FLU
r	1.00	0.93	1.00	0.43
mae	0.067	0.914	0.022	0.175
rmse	0.158	1.360	0.045	0.445
rae	2.2%	29.1%	7.1%	69.4%
rrse	3.6%	36.9%	9.5%	90.9%
n	1289	161	163	151
5.2.5 Modeli za določanje koncentracije zvrsti živega srebra v Sredozemskem morju
Nepopolno teoreticno znanje o krozenju zivega srebra v vodnem okolju omejuje razvoj konceptualnih modelov. Ker je podatkovna baza MERCYMS v svetovnem merilu zaenkrat med najbolj obseznimi in zanesljivimi bazami meritev koncentracije zvrsti zivega srebra v morskem okolju, smo te podatke uporabili za gradnjo induktivnih modelov z modelnimi drevesi.
Ce poznamo zveze med oceanografskimi spremenljivkami in koncentracijami zivega srebra, lahko slednje dolocimo neposredno iz rezultatov hidrodinamicnih modelov. Preprostost ideje ne omejuje njene uporabnosti: po pregledu literature (npr. Hall, 1995; Krabbenhoft, 1998; Cossa in Coquery, 2005) ugotovimo, daje koncentracija zivega srebra odvisna npr. od intenzitete svetlobe in vsebnosti raztopljenega kisika, posredno pa tudi od globine vode, temperature ter ostalih spremenljivk, ki jih z obstojecim znanjem znamo modelirati. V pricujocem delu zelimo zato z orodji strojnega ucenja poiskati in ovrednotiti morebitne zveze med koncentracijami zivega srebra in drugimi okoljskimi spremenljivkami ter osvetliti moznosti tovrstnega modeliranja koncentracij zivega srebra v prihodnje.
Modeliramo naslednje zvrsti zivega srebra v vodnem okolju: celokupno (THg), elementarno Hg0 (DGM), anorgansko Hg2+ (RHg), monometil CH3Hg+ (MMHg) in dimetil zivo srebro Hg(CH3)2 (DMHg). V postopku ucenja so atributi oceanografske spremenljivke, ki smo jih nasteli v podpoglavju 5.2.4, razred pa je vsakic ena izmed koncentracij zivega srebra.
Podatki. Podatki MERCYMS za Hg in postopki merjenja so natancno opisani v Horvat in sod. (2003), Andersson in sod. (2007), Kotnik in sod. (2007), Monperrus in sod. (2005, 2007). Tocke in cas vzorcenja so enaki kot za ekoloske spremenljivke (slika 5.20, poglavje 5.2.4). Koncentracije zivega srebra v vodnem stolpcu sta neodvisno merili dve raziskovalni skupini: IJS (Institut Jozef Stefan, Ljubljana, Odsek za znanosti o okolju) in LCABIE (Laboratoire de Chimie Analytique Bio-Inorganique et Environnement, UMR-CNRS, Universite de Pau et des Pays de l'Adour, Pau, France). Clani skupine IJS so merili koncentracije THg, RHg, DGM, MMHg, DMHg, clani skupine LCABIE pa koncentracije THg, DGM, MMHg, DMHg. Poleg teh imamo se meritve za DGM na povrsini morja, delo raziskovalnih skupin UGOT (Inorganic Chemistry, Department of Chemistry, Göteborg University, Göteborg, Sweden), CNR-IB (Institute of Biophysics of the National Research Council, Pisa, Italy) in CNR-IIA (Institute for Atmospheric Pollution of the National Research Council, Rende, Italy) za atmosfersko modeliranje krozenja Hg.
Preglednica 5.7: Povprecne vrednosti meritev zivega srebra v posameznih predelih Sredozemskega morja; delo raziskovalnih skupin IJS in LCABIE v okviru projekta MERCYMS. Vrednosti predstavljajo povprecje vseh meritev na danem obmocju. Enota THg, RHg, DGM in MMHg je [ngL-1], enota DMHg je [pgL ^ . Oznaka (F) pomeni, da gre za filtrirano vrednost, oznaka (F+P) pa, da gre za vsoto filtrirane in na delce vezane koncentracije. Table 5.7: Average data values of mercury species in different parts of the Mediterranean Sea; sampling was performed by IJS and LCABIE groups during MERCYMS project. Values represent the mean of all concentrations measured in a certain region. Concentrations of DGM, RHg, MMHg and THg are given in [ngL-1], concentrations of DMHg are given in [pgL-1]. Label (F) denotes that the water sample was filtered before the concentration of Hg was measured, label (F+P) denotes the sum of filtered and particulate MMHg concentrations.
ZAHODNO SREDOZEMLJE - POLETJE IJS	I	LCABIE
	THg	DGM	RHg	MMHg	DMHg	THg	DGM	MMHg	DMHg
Alboransko m.	0.228	0.041	0.021	0.037	0.118	0.517	0.064	0.040	20.90
sredina	0.094	0.056	0.007	<0.02(F)	-	0.205	0.062	0.017	15.29
jug	0.277	0.027	0.025	0.018(F)	0.800	0.421	0.064	0.044	16.30
Tirensko m.	0.212(F)	0.028	0.044	0.101(F)	-	-	-	-	-
			VZHODNO SREDOZEMLJE - POLETJE						
			IJS				LCABIE		
	THg	DGM	RHg	MMHg	DMHg	THg	DGM	MMHg	DMHg
ožina Sicilije	0.440	0.048	0.120	0.046(F)	< 0.1	0.629	0.159	0.114	0.41
zahod (pod									
Jonskim m.)	0.066	0.029	0.020	0.029(F)	< 0.1	0.368	0.085	0.037	25.81
Otrantska v.	0.251	0.031	0.023	0.069(F+P)	< 0.1	0.524	0.051	0.082	2.53
Libijsko m.	0.138	0.046	0.008	0.022(F)	< 0.1	0.573	0.077	0.053	2.39
			ZAHODNO SREDOZEMLJE - POMLAD						
			IJS				LCABIE		
	THg	DGM	RHg	MMHg	DMHg	THg	DGM	MMHg	DMHg
sredina	0.148	0.045	0.065	0.045(F)	0.471	0.403	0.028	0.065	7.53
jug	0.152	0.104	0.028	0.035(F)	0.239	0.245	0.030	0.064	12.45
Tirensko m.	0.249	0.044	0.127	<0.02(F)	0.940	0.437	0.044	0.064	12.11
			VZHODNO SREDOZEMLJE - POMLAD						
			IJS				LCABIE		
	THg	DGM	RHg	MMHg	DMHg	THg	DGM	MMHg	DMHg
ožzina Sicilije	0.198	0.066	0.046	0.040(F)	0.265	0.201	0.05	0.061	18.74
zahod (pod									
Sicilijo)	-	0.059	0.052	0.049(F)	0.076	-	0.048	-	20.56
zahod (pod									
Jonskim m.)	0.191(F)	0.093	0.045	0.065(F)	-	0.299	0.045	0.068	14.14
Otrantska v.	0.162(F)	0.050	-	0.063(F)	0.107	0.407	0.026	0.037	4.23
Preglednica 5.8: Okvirne vrednosti izmerjenih koncentracij zivega srebra, povprečje pomladnih in poletnih meritev MERCYMS za obe kotanji Sredozemskega morja (levo IJS, desno LCABIE). Enota THg, RHg, DGM in MMHg je [ngL-1], enota DMHg je [pgL-1]. Oznake min, ave, max predstavljajo minimalno, povprecno in maksimalno izmerjeno koncentracijo. Oznaka (F) pomeni, da gre za filtrirano vrednost.
Table 5.8: Average values of mercury concentrations measured by IJS and LCABIE during both MERCYMS cruises . Concentrations of DGM, RHg, MMHg and THg are given in ^gL-1], concentrations of DMHg are given in [pgL-1]. Labels min, ave, max denote minimum, averaged and maximum mercury concentrations measured. Label (F) denotes that the water sample was filtered before the concentration of MMHg was measured.
		IJS			LCB	
	min	ave	max	min	ave	max
THg	0.00	0.20	0.76	0.00	0.39	1.20
DGM	0.00	0.05	0.23	0.00	0.05	0.22
RHg	0.00	0.04	0.31	—	—	—
MMHg	0.00(F)	0.05(F)	0.24(F)	0.00	0.06	0.15
DMHg	0.00	0.25	2.80	0.00	12.31	73.45
IJS so na obmocju Jadranskega morja opravili se dve seriji meritev koncentracij zvrsti Hg, in sicer jeseni 2004 in poleti 2005. Ker pa smo pri gradnji modelov za dolocanje koncentracije zvrsti Hg v Sredozemskem morju uporabili povsem induktivno metodo, podatkov za Jadransko morje ne moremo vkljuciti v niz za gradnjo modelov za Sredozemsko morje.
Povzetek meritev Hg skupin IJS in LCABIE za Sredozemsko morje podajamo v preglednicah 5.7 in 5.8. V preglednici 5.7 podajamo povprecne izmerjene koncentracije zvrsti Hg v posameznih predelih Sredozemskega morja (po vrsti si sledijo od zahoda proti vzhodu), v preglednici 5.8 pa podajamo minimalno, povprecno in maksimalno izmerjeno vrednost posameznih zvrsti Hg. Vrednosti za MMHg raziskovalne skupine IJS v obeh preglednicah pomenijo filtrirane vrednosti. Koncentracije na delce vezanega MMHg so bile merjene samo poleti 2003 in samo v nekaj tockah Sredozemskega morja. Statisticna obdelava vrednosti na delce vezanih koncentracij MMHg kaze, da so vrednosti v vecini primerov pod mejo detekcije (< 2 pg/L), nekoliko visje vrednosti zasledimo samo vzhodno od Sicilije (povprecno 3.9 pg/L) in v Otrantskih vratih (povprecno 16.6 pg/L).
Primerjava vrednosti v preglednici 5.8 kaze, da je povprecna vrednost THg pri LCABIE kar 2-krat visja od iste zvrsti pri IJS, povprecna vrednost DMHg pa je pri LCABIE celo za 30-krat visja. Za zakljucek, katera vrednost je bolj pravilna, bi potrebovali meritve drugih raziskovalnih skupin, vendar je zal taka primerjava mozna samo za DGM na povrsini morja.
Ceprav se zdijo razlike med meritvami IJS in LCABIE znatne, je v resnici to najvec, kar danes omogocajo metode in merilna oprema. Razlike so posledica vec dejavnikov, ki so znacilni za meritve onesnazeval v sledeh. Med glavnimi razlogi za napake med postopkom vzorcenja Hg so: mocna perturbacija vzocev vode, mozne pretvorbe med posameznimi zvrstmi Hg in moznost izhlapevanja plinskih zvrsti Hg. Drug pomemben razlog za razlike med izmerjenimi vrednostmi pa je ta, da postopki merjenja obeh raziskovalnih skupin temeljijo na razlicnih analiticnih osnovah (Watras in sod., 1994; Horvat in sod., 2003; Monperrus in sod., 2005, 2007; Kotnik in sod., 2007). Zaradi nastetega zaenkrat ni mogoce oceniti, katere izmed vrednosti v preglednici 5.8
so pravilnejse. Primerjava meritev in rezultatov je opisana drugje in kaze, da so meritve IJS v skladu z meritvami DGM skupine UGOT in z meritvami THg skupine IFREMER (Andersson in sod., 2007; Kotnik in sod., 2007; Cossa in Coquery, 2005). Vse tri skupine so koncentracije Hg merile s podobnimi postopki, medtem ko so pri LCABIE uporabili drugacno metodo (Andersson in sod., 2007; Cossa in sod., 2004; Kotnik in sod., 2007; Monperrus in sod., 2007). Ceprav so vsi uporabljeni postopki validirani in jih uporabljajo v znanstvenih laboratorijih, so razlike v izmerjenih vrednostih, ko gre za tako nizke koncentracije, se vedno velike. Poleg tega so bile meritve iz preglednice 5.8 opravljene na terenu, na ladji pa je se tezje zagotoviti ustrezne pogoje merjenja nizkih koncentracij Hg kakor v laboratorijih. Za vecjo zanesljivost in boljso primerjavo rezultatov bi potrebovali nadaljnji razvoj analiticnega ozadja; sele potem bo mozno meritve z vecjim uspehom uporabiti pri modeliranju.
Modeli. Zaradi razlik v podatkih IJS in LCABIE meritev ne moremo zdruziti v skupni niz za ucenje. Za gradnjo modelov zato uporabimo meritve pred interkomparacijo, kar nam obenem omogoca primerjavo meritev IJS in LCABIE. Stevilo ucnih primerov je za LCABIE nekoliko visje kot za IJS (LCABIE 111-165, IJS 82-144, odvisno od zvrsti zivega srebra).
Tudi za gradnjo teh modelov smo uporabili algoritem M5. Oznake v modelih pomenijo: THg = celokupno Hg, DGM = elementarno Hg, RHg = reaktivno Hg, MMHg = monometil Hg, DMHg = dimetil Hg, kon = konduktivnost, tra = transmisija, kis = kisik, flu = fluorescenca, glo = globina, tem = temperatura, sla = slanost, ura = indeks ure, dan = indeks dneva, n = stevilo ucnih primerov, - = ni podatkov.
Model za THg iz podatkov IJS:
<= 37.495

> 37.495
Slika 5.24: Modelno drevo za THg iz podatkov IJS. Figure 5.24: Model tree for THg from IJS data.
EQ1	:	THg = 0.0026dan + 0.005ura + 0.117sla + 0.0157tem - 0.0064kon - 4.3831
EQ2	:	THg = -0.0022dan + 0.0033ura + 0.0286sla + 0.0045tem - 0.0043kon - 0.5929
EQ3	:	THg = -0.0002dan + 0.0033ura + 0.0394sla + 0.0045tem - 0.0043kon - 1.1469
EQ4	:	THg = -0.0189dan + 0.0051ura + 0.0212sla + 0.0064tem - 0.0066kon + 2.0208
Model za THg iz podatkov LCABIE (model v tem primeru sestoji iz ene same linearne enacbe): EQ1: THg = 0.0345dan + 1.265flu - 1.0988kis + 8.5049
Model za DGM iz podatkov IJS:
Slika 5.25: Modelno drevo za DGM iz podatkov IJS. Figure 5.25: Model tree for DGM from IJS data.
EQ1 : DGM = -0.0001dan -f 0.0006ura + 0.0039sla + 0.001tem + 0.0009kon-
0.0036/1u -f 0.0156kis - 0.2984 EQ2 : DGM = -5-0.0006ura -f 0.0029sla + 0.0008tem + 0.0011kon - 0.037flu+ 0.0 156kis -0.2635
EQ3 : DGM = -0.0002dan -f 0.0006ura f- 0.0001glo + 0.0029sla + 0.0015tem+
0.0005kon -2 0.0036flu - 0.0349kis + 0.1776 EQ4 : DGM = -0.0011dan + 0.0005ura + 0.0025sla + 0.0017tem - 0.0031flu+ 0.0134kis ^ 0 . 0473
Model za DGM iz podatkov LCABIE:
Slika 5.26: Modelno drevo za DGM iz podatkov LCABIE. Figure 5.26: Model tree for DGM from LCABIE data.
EQ1 : DGM = 0.0013dan + 0.004ura + 0.1442sla + 0.0021kon - 0.0282kis - 5.1817 EQ2 : DGM = 0.0018dan + 0.0363ura - 0.0005glo + 0.1266sla + 0.0238tem-
0.0193tra + 0.0213kon + 0.2206kis - 6.1917 EQ3 : DGM = 0.0022dan + 0.0241ura + 0.0001glo + 0.0544sla + 0.0082tem-
0.0059tra + 0. 0213kon + 0.119kis - 3.4337 EQ4 : DGM = 0.0946dan + 0 .0276ura + 0.0122sla + 0.0727kon + 0.1407kis - 17.0262
Model za RHg iz podatkov IJS:

Slika 5.27: Modelno drevo za THg iz podatkov IJS. Figure 5.27: Model tree for RHg from IJS data.
EQ1 : RHg = -0.0069dan - 0.0019sla + 0.033tem - 0.0051kis + 0.3533
EQ2 : RHg = -0.0003dan + 0.0017ura - 0.0001glo + 0.0281sla + 0.0008tem-0.0016kon - 0.02kis - 0.7382
EQ3 : RHg = -0.0003dan + 0.0017ura - 0.1336sla + 0.0008tem - 0.0016kon - 0.02kis+ 5.3185
EQ4 : RHg = -0.0003dan + 0.0009ura + 0.005sla + 0.0008tem - 0.0002kon - 0.0111kis-0.0499
EQ5 : RHg = -0.0003dan + 0.0009ura + 0.018sla + 0.0015tem - 0.0004kon - 0.0111kis-0.5395
EQ6 : RHg = -0.0005dan + 0.0052ura - 0.0178sla + 0.0019tem + 0.0676flu + 0.0091kis+ 0.6441
EQ7 : RHg = -0.0005dan + 0.0026ura - 0.0213sla + 0.0019tem + 0.0254f lu + 0.0091kis+ 0.7895
> 38.72
Podatkov za RHg skupine LCABIE nimamo. Model za MMHg iz podatkov IJS:
<= 115.5

> 115.5
EQ1
EQ2
Slika 5.28: Modelno drevo za MMHg iz podatkov IJS. Figure 5.28: Model tree for MMHg from IJS data.
EQ1 : MMHg = -0.0001dan - 0.0055ura + 0.0035sča + 0.0029tem - 0.0017kon+
0.0087kis - 0.0786
EQ2 : MMHg = 0.0008dan - 0.0006ura + 0.0042s1a + 0.0034tem - 0.002kon + 0.0104kis-0.2652
Model za MMHg iz podatkov LCABIE:
> TRA.
<= 88 ^ > i
<= 125.5
dmHT

EQ4
> 125.5
EQ1
<= 80.5
TRA
> 80.5
EQ2
EQ3
Slika 5.29: Modelno drevo za MMHg iz podatkov LCABIE. Figure 5.29: Model tree for MMHg from LCABIE data.
EQ1 : MMHg = 0.0008dan + 0.0058ura - 0.0487s/a - 0.0241tem + 0.003tra-
0.0039kon - 0.1084kis + 3.3205 EQ2 : MMHg = 0.0012dan + O.OOSlura - 0.0116tem - 0.0403tra - 0.0039kon-0.1248kis + 5.2355
EQ3 : MMHg = 0.0012dan + O.OOSlura - 0.0116tem - 0.0225tra - 0.0039kon-0.1248kis + 3.5948
EQ4 : MMHg = 0.358sla - 0.0101 tem + 0.0069tra - 0.009kon - 0.1541 kis - 11.8636
Model za DMHg iz podatkov IJS:
<= 125.5

> 125.5
EQ1
EQ2
Slika 5.30: Modelno drevo za DMHg iz podatkov IJS. Figure 5.30: Model tree for DMHg from IJS data.
EQ1 : DMHg = 0.0142dan - 0.1142ura - 0.138tem + 0.1061kon - 0.3471 flu - 3.3957 EQ2 : DMHg = -0.0024dan - 0.0188ura - 0.1162flu + 0.4368
Model za DMHg iz podatkov LCABIE:
<= 115

> 115
EQ1
FLU
DAN)
<= 125.5	^ > 125.5
> 0.152 <= 550	^ > 550
Slika 5.31: Modelno drevo za DMHg iz podatkov LCABIE. Figure 5.31: Model tree for DMHg from LCABIE data.
EQ1 : DMHg = 0.2209ura + 0.0363glo + 1.1696sla - 0.7614kon + 2.0411flu-5.0669kis + 31.8137
EQ2 : DMHg = 0.2656dan + 0.1933ura - 0.0004glo + 1.0234sla + 3.303tem+
0.7711kon - 10.0909flu - 122.1115 EQ3 : DMHg = 2.2455dan + 0.1933ura - 0.0004glo + 1.0234sla - 1.4807tem+
1.6303tra + 0.7711kon - 10.0909flu - 464.4876 EQ4 : DMHg = 0.4636dan - 0.8674ura - 0.0025glo + 1.0234sla - 3.3967tem+
1.6055kon - 29.5907flu - 85.8226 EQ5 : DMHg = 0.5122dan - 0.7769ura + 0.0033glo + 1.0234sla - 2.8169tem+
1.6055kon - 29.5907flu - 99.0427 EQ6 : DMHg = 0.3738dan - 0.7357ura - 0.0031glo + 1.0234sla - 2.8169tem+ 1.6055kon - 32.1942flu - 86.5781
Rezultate in moznosti uporabe modelnih dreves za zvrsti zivega srebra opisujemo v podpoglavju 6.1.4.
6 UPORABA NADGRAJENEGA MODELA PCFLOW3D
Oba konceptualna modela za nizji del prehranjevalne verige ter empirične modele za določanje skalarnih polj konduktivnosti, transmisije, kisika, fluorescence in zvrsti zivega srebra smo uporabili za modeliranje Sredozemskega morja, model valovanja pa smo uporabili za modeliranje Trzaskega zaliva.
6.1 Sredozemsko morje 6.1.1 Značilnosti Sredozemlja
Obmocje Sredozemlja (slika 6.1) spada med z zivim srebrom najbolj onesnazena podrocja sveta. Cinabaritni pas (na obmocju Sredozemlja se nahaja 65% svetovnih zalog cinabaritne rude HgS), rudarstvo (na obalah Sredozemskega morja se nahaja 7 najvecjih rudnikov zivega srebra na svetu) in aktivnost vulkanov so glavni razlogi za povisane koncentracije zivega srebra na obmocju Sredozemlja (Pacyna in sod., 2002; Pirrone in sod., 2003). Zaradi visoke stopnje metilacije so koncentracije povisane tudi v ribah Sredozemskega morja (Bernhard in Renzoni, 1977; Bacci, 1989); te so precej visje kot v ribah istih vrst v Atlantskem oceanu (Cossa in Coquery, 2005) in v vecjem delu Sredozemskega morja dosegajo ali celo presegajo najvisjo dovoljeno koncentracijo zivega srebra v ribah za hrano ljudem (WHO, 1990).
Sredozemsko morje je klimatsko (Bolle in sod., 2003) in oceanografsko (Zavatarelli in Mellor, 1995) izredno heterogeno. Voda in toplota se izmenjujeta z Atlantskim oceanom in z atmosfero. Za celotno obmocje Sredozemlja so znacilne dokaj visoke temperature in mocno soncno sevanje preko vecine leta, posledicno imajo procesi na povrsini morja pomembno vlogo v biogeokemicnem krozenju snovi (Saliot, 2005). Obale so naseljene in turisticno razvite, antropogeni vpliv na kakovost vode v Sredozemskem morju je velik (Saliot, 2005).
Za to obmocje sta znacilni izrazita oligotrofija (Levitus in sod., 1993; Denis-Karafistan in sod., 1998) in skromna primarna produkcija (Lefevre in sod., 1997). Neznacilno evtrofna oz. povecini mezotrofna so samo priobalna obmocja v blizini vecjih rek ter nekaj manjsih obmocij z dvigom vode na odprtem morju (Crise in sod., 1998). Oligotrofija Sredozemskega morja je neposredna posledica cirkulacije vode: s hranili bogata voda odteka preko ozine Gibraltar, zamenja pa jo povrsinska voda iz Atlantskega oceana z malo hranili (Coste in sod., 1988). Stalni ciklonski in anticiklonski vrtinci (slika 6.2) ustvarjajo znacilna obmocja z dvigom in spustom vode, kar neposredno vpliva na kolicino nove produkcije (Dugdale in Wilkerson, 1988). Vpliv cirkulacije
Slika 6.1: Sredozemsko morje sestavlja vec manjsih morij. Od zahoda proti vzhodu si sledijo: 1. Alboransko, 2. Balearsko, 3. Ligursko, 4. Tirensko, 5. Jadransko, 6. Jonsko, 7. Egejsko, 8. Trakijsko, 9. Marmarsko, 10. Mirtojsko, 11. Kretsko, 12. Libijsko, 13. Kilikijsko, 14. Levantsko morje (vir: Google Maps).
Figure 6.1: The Mediterranean Sea is subdivided into a number of smaller seas (from west to east): 1. the Alboran Sea, 2. the Balearic Sea, 3. the Ligurian Sea, 4. the Tyrrhenian Sea, 5. the Adriatic Sea, 6. the Ionian Sea, 7. the Aegean Sea, 8. the Thracian Sea, 9. the Sea of Marmara, 10. the Myrtoan Sea, 11. the Sea of Crete, 12. the Libyan Sea, 13. the Cilician Sea, 14. the Levantine Sea (source: Google Maps).
vode na koncentracijo hranil v zgornjem sloju vode je velik predvsem v obmocjih s stalnimi ciklonskimi vrtinci, vpliv anticiklonskih vrtincev pa je manjsi zaradi oligotrofije vrhnjega sloja vode. Znacilne razlike v primarni produkciji med severnim in juznim delom Sredozemskega morja so eksperimentalno dokazali tako za vzhodni (Berman in sod., 1984) kot tudi za zahodni del morja (Berland in sod., 1973). Drug razlog za oligotrofijo pa je izvoz OM iz povrsinskega sloja (Crispi in sod., 2002).
Fizikalni procesi so obicajni za obmocje srednje geografske sirine: znacilno je sezonsko peri-odicno nihanje oceanografskih spremenljivk, kar bistveno vpliva na ekosistem (Crise in sod., 1998). Sezonsko nihanje kolicine hranil je predvsem posledica sezonskega spreminjanja globine premesanega sloja. Pozimi cvetenje nastopi zaradi poglabljanja premesanega sloja in posledicno dotoka hranil iz globljih slojev morja. Pomladno cvetenje je izrazitejse v zahodnem Sredozemlju, najobseznejse je v SZ Sredozemlju, kjer znasa koncentracija klorofila-a priblizno 2 mg CHL m-3. Stabilna stratifikacija se v celotnem Sredozemskem morju zacne tvoriti aprila. Povprecni notranji vzgon je najmanjsi pozno pozimi (marca), največji pa pozno jeseni (oktober) zaradi mocne stratifikacije; visji je v vzhodnem delu Sredozemlja zaradi visje temperature vode v povrsinskem sloju. Satelitski posnetki kazejo, da je koncentracija klorofila najvisja pozimi in najnizja poleti. V splosnem je visja v zahodnem Sredozemlju. V zahodnem Sredozemlju je sezonsko nihanje izrazitejse, vecji pa je tudi vpliv rek na primarno produkcijo (Rona, Ebro), ceprav je praviloma omejen na obmocja kontinentalnih polic (Crispi in sod., 2002).
[1	tir	I	l.S	1	7S	3	35	'	J 5
* W	, m'
Slika 6.2: Sredozemsko morje: hitrostno polje za sloj globine od 25-47 m (18. sloj), povprečje vrednosti za januar, februar in marec (rezultat PCFLOW3D). Označeni so ciklonski (C) in anticiklonski (A) vrtinci, v katerih prihaja do dviga oz. spusta vode in posledicno dotoka oz. odtoka hranil iz povrsinskega sloja.
Figure 6.2: Velocity field for the surface layer (depth between 25-47 m, 18th layer) of the Mediterranean Sea; average seasonal values for january, february and march (result of the PCFLOW3D model). Labels (C) and (A) in the picture denote cyclonic and anticyclonic eddies with the consequent up- and downwelling, respectively.
Za Sredozemsko morje je znacilen izrazit gradient koncentracije snovi od zahoda proti vzhodu; skladno s koncentracijo hranil upadata tudi koncentraciji fitoplanktona in zooplanktona. Ni-triklina se v zahodnem Sredozemlju v povprecju zacne na 90 m globine, v vzhodnem pa na 160 m. Gradient nitrikline se pozna tudi pri organizmih: tudi fito- in zooplankton dosezeta najvisjo koncentracijo na vzhodu visje v vodi (20-30 m globine) kot na zahodu (50-60 m). Izrazit je tudi gradient DCM od zahoda proti vzhodu. Po Crisi in sod. (1999) je DCM v Sredozemlju najgloblji v oligotrofnih vodah Levantskega morja, najplitvejsi pa v Alboranskem morju. Razlikuje se tudi cas pomladnega cvetenja za vzhodno in zahodno kotanjo: v vzhodni nastopi marca ali aprila, v zahodni februarja ali marca. Celotna vzhodna kotanja je izrazito oligotrofna, koncentracija zooplanktona je izredno nizka, pogoji v njej so enakomerni (Crispi in sod., 2002).
Po Crise in sod. (1998) znasa karakteristicno casovno merilo tMed za povrsinski sloj vode v Sredozemskem morju
LMed O [10'
61
m
t Med = -Mfd =	11-T = O [107] s = O [mesec ] ,	(6.1)
|v| O [10-1] ms-1 L j	L j
pri cemer so
tMed = karakteristicno casovno merilo procesov v foticni coni v celotnem Sredozemskem morju, LMed = karakteristicna dolzina,
|v| = karakteristicna vrednost horizontalne hitrosti.
Za posamezno kotanjo (vzhodno, zahodno) pa karakteristicno casovno merilo znasa:
Lsub _ O [10
51
m
tsub = ^ub =	T1J-T = O [106] s = O [teden] .	(6.2)
|v| O [10-iJ ms-1 L j L j
V preglednici 6.1 podajamo vrednosti vertikalno integriranih koncentracij ultra-, net- in zooplanktona v [g C m-2] (letno povprecje), v preglednici 6.2 pa podajamo vrednosti letne primarne in sekundarne produkcije v [g C m-2 yr-1] (preglednici povzemamo po Crispi in sod., 2002).
Preglednica 6.1: Vertikalno integrirane vrednosti koncentracije ultraplanktona, netplanktona in zooplanktona v Sredozemskem morju. Letno povprecje, enota: [g C m-2] (povzeto po Crispi in sod., 2002).
Table 6.1: Vertically integrated values of the concentrations of ultraplankton, netplankton and zooplankton in the Mediterranean Sea. Yearly averaged, with units in [g C m-2] (adapted from Crispi et al., 2002).
Organizmi Minimum Maksimum Povprecje Zahodna kotanja
Ultraplankton	0.5	1.8	0.9
Netplankton	1.0	3.3	1.8
Zooplankton	0.5	1.9	1.0
Vzhodna kotanja (brez Jadranskega in Egejskega morja)
Ultraplankton	1.3	2.7	1.7
Netplankton	0.3	1.0	0.6
Zooplankton	0.1	0.6	0.3
Preglednica 6.2: Vrednosti letne primarne in sekundarne produkcije v Sredozemskem morju (vzhodna kotanja brez Jadranskega in Egejskega morja). Enota: [g C m-2 yr-1] (povzeto po Crispi in sod., 2002).
Table 6.2: Yearly averaged primary and secundary production in the Mediterranean Sea (eastern basin without the Adriatic and the Aegean Sea). Units: [g C m-2 yr-1] (adapted from Crispi et al., 2002).
Produkcija	Zahodna kotanja	Vzhodna kotanja
Produkcija ultraplanktona	32	38
Produkcija netplanktona	88	18
Totalna primarna produkcija	120	56
Sekundarna produkcija	13	4
6.1.2 Modeliranje Sredozemlja
Pregled modeliranja nižjega dela prehranjevalne verige. Zaradi opaznega vpliva fizikalnih procesov na biogeokemicno krozenje snovi v Sredozemskem morju je za to obmocje najbolj smiselno razviti konceptualni ekoloski model; najbolj se seveda priporoča 3D modeliranje z možnostjo upostevanja vec razlicnih hranil (ang. multi-nutrient approach) (Crispi in sod., 2002). Dosedanji pregled literature pokaze, da je bilo do leta 2010 razvitih kar nekaj modelov za nizji del prehranjevalne verige za Sredozemsko morje, po kakovosti pa med njimi zaenkrat prednjaci Crispi in sod. (2002). Marcer in sod. so v (1991) razvil 3D N - P - Z model, dolocili so tudi obseg sedimentacije organskih delcev in natancneje analizirali dogajanje v priobalnih obmocjih Sredozemlja. Zatem so Antoine in sod. v (1995) zasnovali preprost 1D model, ki uposteva samo omejitev rasti fitoplanktona zaradi svetlobe. Leto kasneje so Pinazo in sod. v (1996) razvili 3D N - P - D model, paso zooplanktona pa so parametrizirali implicitno z linearnim clenom zmanjsanja P. Sledi 3D N - P - D model Civitarese in sod. (1996) s poenostavljeno hidrodinami-ko, a realnim prikazom krozenja bioloskih spremenljivk. Zatem so Tusseau-Vuillemin in sod. v (1998) razvili vecrazredni model za Lionski zaliv: med hranili so upostevali nitrate, amoniak in silikate, fitoplankton so razdelili na diatomeje in flagelate, med predatorji fitoplanktona pa so upostevali herbivore in protozoje. Sledi model Crise in sod. (1998), o katerem smo ze veliko povedali. Crispi in sod. so leto kasneje v (1999) razvili se en nekoliko kompleksnejsi model: 3D, N - P - D, prav tako na osnovi krozenja dusika, za celotno Sredozemsko morje, rezultat katerega so kemicni pretoki snovi na ozinah in sezonsko nihanje anorganskega dusika in fitoplanktona. Istega leta je Levy in sod. v (1999) razvil N - P - Z - D model s preprosto hidrodinamiko. Kot zadnja sledita Crispi in sod. (2002), ki smo ga ze opisali ter podobna s tudija avtorjev z istega instituta v Crispi in Pacciaroni (2009).
Pregled modeliranja kroženja Hg. V zadnjih dveh desetletjih je na obmocju Sredozemlja in okolice potekalo vec obseznih raziskovalnih projektov (Bernhardt, 1988; UNEP-MAP, 1986, 1998, 2001; Pirrone in sod., 2003; Munthe in sod., 2003), katerih namen je bil oceniti stopnjo onesnazenja Sredozemlja s Hg, zbrati podatke za kakovostno modeliranje krozenja Hg in izbolj s ati razumevanje le-tega. Sprovieri in sod. so v (2003) opisali speciacijo Hg v zraku na obmocju Sredozemlja. Gardfeldt in sod. so v (2003) iz meritev dolocili obseg pretokov Hg na stiku med Sredozemskim morjem in atmosfero. V vec publikacijah so avtorji dolocili obseg onesnazenosti obmocja s Hg in ovrednotili emisije Hg v atmosfero iz naravnih in antropogenih virov na s irsem obmocju Sredozemlja (Pirrone in sod., 2001; Pacyna in Pacyna, 2002; Pacyna in sod., 2003). Razvitih je bilo nekaj modelov za simulacijo krozenja Hg v atmosferi in izmenjave Hg med morjem in atmosfero (Pirrone in Hedgecock, 2001; Kallos in sod., 2001; Pirrone in sod., 2003). Poskusov modeliranja krozenja Hg v globokomorskem okolju pa je zaradi slab sega poznavanja procesov in manj s ega stevila podatkov neprimerno manj; za enega redkih s teje Zagar in sod. (2007).
Modeliranje Sredozemlja ž nadgrajenim modelom PCFLOW3D. Pri modeliranju hidro-dinamike Sredozemskega morja smo uporabili kvazi-stacionarni pristop, ki so ga za Sredozemsko morje pred tem uspes no uporabili ze Rajar in sod. (2000, 2007), Cetina in sod. (2000) in Zagar in sod. (2001, 2007). Pri tem nacinu racunamo hidrodinamicne kolicine v realnem casu samo znotraj posameznega letnega casa, iz vrednosti v posameznih casovnih korakih pa zatem dolocimo sezonsko povprecna vektorska in skalarna polja hidrodinamicnih kolicin. Ta nato uporabimo pri racunu transporta in transformacij biogeokemicnih spremenljivk (ekolos kih spremenljivk, zvrsti
Hg, idr). V okviru disertacije smo opisani nacin nadgradili se z moznostjo linearne interpolacije sezonsko povprecnih vrednosti hidrodinamicnih kolicin na mejah med posameznimi letnimi casi. Na ta nacin lahko racun dinamike vrednosti biogeokemicnih spremenljivk zazenemo za poljubno dolgo obdobje in ne le za tri mesece.
Obmocje Sredozemskega morja se razteza od 6° W do 36° E ter od 30° N do 46° N. Racunska mreza je bila skladno s predhodnimi studijami v horizontalni ravnini razdeljena na 84 x 47 celic velikosti 30' x 20' (x x y) in lokalno zgoscena na obmocju ozine Gibraltar (minimalna velikost celice je znasala 12'). V vertikalni smeri smo obmocje Sredozemlja razdelili na 19 slojev; osnovne podatke o slojih podajamo v preglednici 6.3.
Pri hidrodinamicnih simulacijah, ki so sluzile kot osnova za racun vrednosti ekoloskih spremenljivk in koncentracij zvrsti Hg, smo uporabili naslednje podatke: geofizikalne podatke o ba-timetriji, temperaturi in slanosti iz podatkovne baze MODB (Mediterranean Oceanic Database, http://modb.oce.ulg.ac.be), podatke o vetru iz podatkovne baze COADS (Comprehensive Ocean - Atmosphere Data Set, http://www.ncdc.noaa.gov), podatke o evaporaciji, padavinah, pretokih vecjih rek in pretokih preko ozin Gibraltar, Bospor-Dardanele, Sicilije iz literature (UNEP-MAP, 1996, 2001; Boukhtir in Barnier, 2000; Zavaratelli in Mellor, 1995). Uporabljeni podatki so natancno opisani v Rajar in sod. (2007).
Vrednosti parametrov za model za nizji del prehranjevalne verige smo podali v tabeli 5.2. Pri modeliranju smo uporabljali predvsem model na osnovi Crispi in sod. (2002), ki je bil primarno razvit za Sredozemsko morje; tudi prikazani rezultati modeliranja (podpoglavje 6.1.3) so nastali s tem modelom. Vhodne spremenljivke za racun transporta in transformacij ekoloskih spremenljivk so sezonsko povprecna vektorska in skalarna polja hidrodinamicnih kolicin (hitrosti, temperature, slanosti), ki smo jih na mejah med posameznimi letnimi casi ustrezno linearno interpolirali. Casovni korak At pri simulacijah dinamike ekoloskih spremenljivk je znasal od 5 min do 1 dan, simulacijo pa smo racunali za obdobje do 10 let; uporabljali smo model celice in 3D model. Npr. pri At = 1 h je racun z modelom celice trajal nekaj sekund, 3D racun za celotno obmocje Sredozemskega morja pa ~ 1 uro. Rezultate smo pri racunu z modelom celice izpisovali na 6 ur, pri 3D racunu pa na 45 dni.
Skalarna polja koncentracije zvrsti Hg (podpoglavje 6.1.4) smo dolocili z modelnimi drevesi, ki smo jih razvili iz podatkov IJS. Vhodne spremenljivke so globina sloja, ustrezno izbrani vrednosti za indeks dneva in indeks ure ter skalarna polja temperature, slanosti, konduktivnosti, trans-misije, koncentracije raztopljenega kisika in koncentracije klorofila-a Pri dolocanju vrednosti vhodnih spremenljivk smo uporabili modelni drevesi za konduktivnost in transmisijo ter rezultate modela za nizji del prehranjevalne verige (skalarna polja raztopljenega kisika in klorofila-a). Koncentracijo klorofila-a smo pretvorili iz vsote koncentracij ultra- in netplanktona v [mmol C m-1]; pri pretvarjanju smo upostevali razmerje med vsebnostjo organskega ogljika in klorofila-a v celicah fitoplanktona chl = 50 ter molsko maso ogljika C = 12 g/mol. Rezultat modeliranja so sezonsko povprecna skalarna polja zvrsti Hg: THg, DGM, RHg, MMHG, DMHg.
6.1.3 Rezultati konceptualnega modela za nižji del prehranjevalne verige
Na slikah 6.3 - 6.16 podajamo rezultate bentosko-pelagicnega modela za nizji del prehranjevalne verige, ki smo ga uporabili za modeliranje obsega in dinamike primarne produkcije v Sredozemskem morju.
Preglednica 6.3: Sloji v Sredozemskem morju pri racunu z modelom PCFLOW3D. Table 6.3: Layers in the Mediterranean Sea which were used for modelling with the PCFLOW3D model.
St. sloja	Debelina sloja [m]	Srednja globina sloja [m]
20	10	5.0
19	15	17.5
18	22	36.0
17	33	63.5
16	50	105
15	70	165
14	80	240
13	120	340
12	150	475
11	200	650
10	300	900
9	350	1225
8	400	1600
7	400	2000
6	400	2400
5	400	2800
4	400	3200
3	400	3600
2	400	4000
Rezultati modela so primerljivi z rezultati ostalih modelov za Sredozemsko morje (Crispi in sod., 2002; Crise in sod., 1998) in z izmerjenimi vrednostmi spremenljivk (Medatlas, 2002). Vrednosti koncentracije klorofila-a se skladajo tudi z vrednostmi fluorescence, ki so jih avgusta 2003 in marca 2004 merili v okviru projekta MERCYMS (podpoglavje 5.2.4).
Slike 6.3, 6.4 in 6.5 kazejo, da se po nekajletni simulaciji v celotnem Sredozemskem morju vzpostavi kvazi stacionarno periodicno nihanje spremenljivk. Koncentracija fitoplanktona pricne narascati zgodaj spomladi. Posledica obseznega pomladnega cvetenja je hitro zmanjsanje koncentracije hranil in obsezno usedanje POM. Pasa zooplanktona vpliva na koncentracijo fitoplanktona proti koncu pomladi. Skladno z navedki s literaturi (Crispi in sod., 2002) netplankton dominira v mesecih od decembra do aprila, v ostalih mesecih pa dominira ultraplankton. V splosnem so pogoji v Sredozemskem morju (totalna stopnja rasti kot skupna posledica limitacije zaradi temperature, hranil in svetlobe) torej primernejsi za rast netplanktona: v primerjavi z ultraplanktonom ima sicer netplankton visji koeficient polovicne rasti, vendar ima tudi visjo specificno stopnjo rasti (1.38 dan-1 za ultra- in 2.76 dan-1 za netplankton) in visjo vrednost zacetnega naklona P — I krivulje (2.0 x 10-7 [s (Wm-2)]-1 za ultraplankton in 4.7827 x 10-7 [s (Wm-2)] 1 za netplankton). Iz nihanja kocentracije fitoplanktona je razvidna bimodalna dinamika ekoloskih procesov v Sredozemskem morju. Periodicno nihanje ekoloskih spremenljivk v obeh kotanjah Sredozemskega morja je razvidno tudi iz faznega diagrama na sliki 6.6.
Slika 6.3: Stiriletna simulacija nihanja spremenljivk v dveh reprezentativnih celicah foticne cone Sredozemskega morja: modra linija predstavlja vzhodno kotanjo, rdeca pa zahodno. Oznake pomenijo: PHO = fosfati, NIT = nitrati, AMO = amoniak, OXY = kisik, CHL = klofofil-a, SPH = ultraplankton, LPH = netplankton, ZOO = zooplankton, DEC = vsebnost ogljika v detritu, DEN = vsebnost dusika v detritu, DEP = vsebnost fosforja v detritu. Figure 6.3: A four-year simulation of oscillations of environmental variables in two representative cells of the surface layer of the Mediterranean Sea, one from the Eastern (blue line) and one from the Western basin (red line). Labels denote: PHO = phosphates, NIT = nitrates, AMO = ammonium, OXY = oxygen, CHL = chlorophyll-a, SPH = ultraplankton, LPH = netplankton, ZOO = zooplankton, DEC = detrital carbon concentration, DEN = detrital nitrogen concentration, DEP = detrital phosphorus concentration.
Slika 6.4: Primerjava dinamike nitratov (NIT), fitoplanktona (SPH+LPH) in zooplanktona (ZOO) v eni izmed znacilnih celic zahodnega Sredozemlja (foticna cona).
Figure 6.4: Comparison of dynamics of nitrates (NIT), phytoplankton (SPH+LPH) and zooplankton (ZOO) in one of the characteristic cells of the Western Mediterranean (photic zone).
Slika 6.5: Primerjava dinamike nitratov (NIT), fitoplanktona (SPH+LPH) in zooplanktona (ZOO) v eni izmed znacilnih celic vzhodnega Sredozemlja (foticna cona).
Figure 6.5: Comparison of dynamics of nitrates (NIT), phytoplankton (SPH+LPH) and zooplankton (ZOO) in one of the characteristic cells of the Eastern Mediterranean (photic zone).
1.4
1.2
E
O 0.8
o E
Ü. 0.6
O O
N 0.4
0.2
SPH+LPH [mmol C m
00
NIT [mmol N m
Slika 6.6: Fazni diagram trajektorije sistema nitrati (NIT) - fitoplankton (SPH+LPH) - zooplankton (ZOO); primerjava med vzhodnim (modra linija) in zahodnim (rdeca linija) Sredozemljem.
Figure 6.6: Phase diagram of the system nitrates (NIT) - phytoplankton (SPH+LPH) - zooplankton (ZOO); comparison between the Eastern (blue line) and the Western (red line) Mediterranean.
2
Primerjava slik 6.7 in 6.8 v nadaljevanju jasno pokaže formiranje DCM, iz primerjave slik 6.9 in 6.10 pa je razvidno, da v vzhodni kotanji visek fitoplanktona nastopi kasneje kot v zahodni. Koncentracije klorofila so najvisje, kjer hranila prihajajo v vrhnji sloj: v Alboranskem morju, kjer se voda mesa z Atlantskim oceanom, na obmocjih ciklonskih vrtincev in ob obalah, za katere je znacilen dvig vode z dna. Primerjava slik 6.7 - 6.10 s sliko 6.2 jasno pokaze velik vpliv ciklonov na obseg primarne produkcije v oligotrofnem Sredozemskem morju. Iz slik je razviden znacilen gradient koncentracije snovi od zahoda proti vzhodu. Visek zooplanktona nastopi kmalu za viskom fitoplanktona. Iz primerjave grafov za zooplankton 6.11 in 6.12 je razvidno upadanje koncentracije zooplanktona z globino. Pravilen je tudi trend upadanja koncentracije detrita z globino (sliki 6.13 in 6.14), ki sledi funkciji Martin in sod. (1987). Primerjava slik 6.15 in 6.16 na primeru detrita ponovno pokaze, da v vzhodni kotanji visek primarne produkcije nastopi kasneje kot v zahodni kotanji.
a (m)
Slika 6.7: Koncentracija klorofila-a (CHL) v foticni coni Sredozemskega morja: 20. sloj (globina od 0 do 10 m), 90. dan simulacije (od 1.1.).
Figure 6.7: Chlorophyll-a concentration (CHL) in the photic zone of the Mediterranean Sea: layer No. 20 (depth from 0 to 10 m), Julian day No. 90 (simulation began on 1st January).
Slika 6.8: Koncentracija klorofila-a (CHL) v foticni coni Sredozemskega morja: 18. sloj (globina od 25 do 47 m), 90. dan simulacije (od 1.1.).
Figure 6.8: Chlorophyll-a concentration (CHL) in the photic zone of the Mediterranean Sea: layer No. 18 (depth from 25 to 47 m), Julian day No. 90 (simulation began on 1st January).
Slika 6.9: Koncentracija klorofila-a (CHL) v foticni coni Sredozemskega morja: 19. sloj (globina od 10 do 25 m), 90. dan simulacije (od 1.1.).
Figure 6.9: Chlorophyll-a concentration (CHL) in the photic zone of the Mediterranean Sea: layer No. 19 (depth from 10 to 25 m), Julian day No. 90 (simulation began on 1st January).
s 10
Slika 6.10: Koncentracija klorofila-a (CHL) v foticni coni Sredozemskega morja: 19. sloj (globina od 10 do 25 m), 135. dan simulacije (od 1.1.).
Figure 6.10: Chlorophyll-a concentration (CHL) in the photic zone of the Mediterranean Sea: layer No. 19 (depth from 10 to 25 m), Julian day No. 135 (simulation began on 1st January).
Slika 6.11: Koncentracija zooplanktona (ZOO) v foticni coni Sredozemskega morja: 20. sloj (globina od 0 do 10 m), 135. dan simulacije (od 1.1.).
Figure 6.11: Zooplankton concentration (ZOO) in the photic zone of the Mediterranean Sea: layer No. 20 (depth from 0 to 10 m), Julian day No. 135 (simulation began on 1st January).
K 10
Slika 6.12: Koncentracija zooplanktona (ZOO) v foticni coni Sredozemskega morja: 18. sloj (globina od 25 do 47 m), 135. dan simulacije (od 1.1.).
Figure 6.12: Zooplankton concentration (ZOO) in the photic zone of the Mediterranean Sea: layer No. 18 (depth from 25 to 47 m), Julian day No. 135 (simulation began on 1st January).
Slika 6.13: Koncentracija detrita (DEC) v foticni coni Sredozemskega morja: 20. sloj (globina od 0 do 10 m), 135. dan simulacije (od 1.1.).
Figure 6.13: Detritus carbon concentration (DEC) in the photic zone of the Mediterranean Sea: layer No. 20 (depth from 0 to 10 m), Julian day No. 135 (simulation began on 1st January).
v ID
Slika 6.14: Koncentracija detrita (DEC) v foticni coni Sredozemskega morja: 16. sloj (globina od 80 do 130 m), 135. dan simulacije (od 1.1.).
Figure 6.14: Detritus carbon concentration (DEC) in the photic zone of the Mediterranean Sea: layer No. 16 (depth from 80 to 130 m), Julian day No. 135 (simulation began on 1st January).
Slika 6.15: Koncentracija detrita (DEC) v foticni coni Sredozemskega morja: 18. sloj (globina od 25 do 47 m), 135. dan simulacije (od 1.1.).
Figure 6.15: Detritus carbon concentration (DEC) in the photic zone of the Mediterranean Sea: layer No. 18 (depth from 25 to 47 m), Julian day No. 135 (simulation began on 1st January).
K 10
Slika 6.16: Koncentracija detrita (DEC) v foticni coni Sredozemskega morja: 18. sloj (globina od 25 do 47 m), 180. dan simulacije (od 1.1.).
Figure 6.16: Detritus carbon concentration (DEC) in the photic zone of the Mediterranean Sea: layer No. 18 (depth from 25 to 47 m), Julian day No. 180 (simulation began on 1st January).
6.1.4 Rezultati induktivnih modelov za določanje koncentracije zvrsti živega srebra
Najprej podajamo ocene modelov za zvrsti Hg ter grafično primerjavo merjenih in modeliranih vrednosti. Sledi kratko podpoglavje o strukturi modelnih dreves, iz katere lahko razberemo vpliv zunanjih dejavnikov na nastanek posameznih zvrsti Hg v Sredozemskem morju. Nazadnje podajamo skalarna polja koncentracije razlicnih zvrsti Hg v Sredozemskem morju, ki jih dobimo z modelnimi drevesi.
6.1.4.1 Ocene modelov
Ocene modelnih dreves podajamo v preglednici 6.4. Ocenili smo jih z 10 x navzkriznim preverjanjem in z vec neodvisnimi testnimi mnozicami. Zaradi majhnega stevila ucnih primerov se ocene na neodvisnih testnih mnozicah med seboj razlikujejo, zato v tabeli podajamo samo ocene 10 x navzkriznega preverjanja. Modele smo ocenili s koeficientom korelacije r, srednjo absolutno napako mae, korenom kvadratov srednjih napak rmse, relativno absolutno napako rae in s korenom kvadratov relativnih napak rrse. Na slikah 6.17 - 6.21 podajamo graficno primerjavo izmerjenih in modeliranih vrednosti.
Preglednica 6.4: Povprecne ocene modelov za zvrsti zivega srebra (10x navzkrizno preverjanje). Napaki rae and rmse sta za THg, DGM, RHg, MMHg podani v [ngL-1], za DMHg pa v [pgL-1 ].
Table 6.4: Average evaluations of models for mercury species (10x cross validation). rae and rmse errors are given in [ngL-1] for THg, DGM, RHg, MMHg and in [pgL-1] for DMHg.
THg	DGM	RHg	MMHg	DMHg
	IJS	LCB	IJS	LCB	IJS LCB	IJS	LCB	IJS	LCB
r	0.44	0.32	0.60	0.76	0.19 —	0.42	0.41	0.51	0.67
mae	0.076	1.495	0.020	0.165	0.036 —	0.032	0.252	0.242	6.923
rmse	0.109	2.008	0.029	0.242	0.054 —	0.042	0.332	0.410	10.214
rae	82.8%	88.3%	69.8%	61.6%	91.9% —	88.9%	84.1%	76.0%	59.0%
rrse	89.4%	95.1%	79.4%	64.2%	99.2% —	90.3%	90.8%	85.3%	73.9%
n	99	106	150	165	121	139	111	100	165
Namen modeliranja je zgraditi model, ki se cim bolje obnasa na novih, testnih primerih. Rezultati nasih modelov se v splosnem ne ujemajo dovolj dobro z izmerjenimi vrednostmi (za vse zvrsti Hg je r < 0.80). Primerjava vrednosti v preglednici 6.4 z r = 0.76 — 0.91, kolikor znasa koeficient korelacije, ce modele za razlicne zvrsti Hg ocenimo z ucno mnozico, pokaze, da se modeli delno prilagodijo podatkom. V postopku ucenja z algoritmom M5 smo programu v velikem obsegu dovolili, da mero optimalnega rezanja izbere sam: minimalno stevilo primerov, ki morajo ustrezati vsakemu izmed listov drevesa, je v vseh primerih znasalo 4, saj se je izkazalo, da na ta nacin dobimo z 10 x navzkriznim preverjanjem kar najbolje ocenjena drevesa. Ker je Sredozemsko morje izredno heterogeno, tako glede zunanjih pogojev kot tudi glede koncentracij zvrsti Hg (glej preglednico 5.7), ocene na posameznih neodvisnih testnih mnozicah niso dovolj zgovorne oz. ne pricajo nujno o kakovosti oz. nekakovosti modelov. Del razlike med ocenama
z ucno in testno mnozico pa gre pripisati dejstvu, da algoritem M5 zaradi slabsega kriterija rezanja v splosnem zgradi vecja drevesa, kot bi bilo optimalno (podpoglavje 5.2.1.1).
Modela za DGM in DMHg sta bolje ocenjena, za kar je moznih vec razlag:
•	reakcije, s katerimi nastaneta RHg (oksidacija, demetilacija) in MMHg (metilacija) so kompleksnejse in slabse raziskane, zato v podatkovni bazi MERCYMS manjkajo meritve nekaterih spremenljivk, ki sodelujejo v teh procesih. Npr. procesa metilacije in demeti-lacije sta odvisna od koncentracije raztopljenega kisika, DOC, hranil, sulfatov in sulfidov, poleg tega pa se od pH, slanosti in temperature vode ter seveda od aktivnosti bakterij, ki sodelujejo v procesih pretvorb Hg (USEPA, 1997; Ullrich in sod., 2001). Mnoge izmed teh spremenljivk niso bile merjene in zato tudi ne vkljucene v proces ucenja;
•	tako DGM kot DMHg sta plinasti zvrsti Hg. Plini v vodi imajo obicajno znacilen trend po globini, saj v odvisnosti od AC med vodo in atmosfero prehajajo iz vode v zrak ali obratno. Posledicno so plinske oblike zivega srebra pogosto dobro korelirane z globino, ki je najrobustnejsi izmed vseh uporabljenih atributov;
•	v razlicnih globinah vode je DGM prisoten iz razlicnih vzrokov, vendar smo mnoge med njimi neposredno ali posredno vkljucili v proces ucenja. V povrsinskem sloju je prisotnost DGM povezana s svetlobnimi reakcijami; koncentracija DGM na povrsini je zato odvisna od soncnega sevanja (Amyot, 1997; Rolfhus in Fitzgerald, 2001, 2004; Lanzillotta in sod., 2002; Ferrara in sod., 2003; O'Driscoll, 2003; Fantozzi, 2007), ki smo jo posredno zajeli z indeksom dneva, indeksom ure, globino in transmisijo. V splosnem lahko najvisje vrednosti DGM pricakuejmo v najbolj produktivnih delih morja, od tod pa sledi, da je koncentracija DGM naceloma dobro korelirana tudi s fluorescenco. Kocentracije DGM so pogosto povisane tudi na dnu morij zaradi geotektonskih procesov, kar posredno zajamemo z globino vode.
N PRIMEROV
Slika 6.17: Primerjava meritev in vrednosti, ki jih dobimo z modelnima drevesoma za THg: zgoraj IJS, spodaj LCABIE.
Figure 6.17: Graphical comparison between measured and modelled values of THg: above IJS, below LCABIE.
N PRIMEROV
Slika 6.18: Primerjava meritev in vrednosti, ki jih dobimo z modelnima drevesoma za DGM: zgoraj IJS, spodaj LCABIE.
Figure 6.18: Graphical comparison between measured and modelled values of DGM: above IJS, below LCABIE.
N PRIMEROV
Slika 6.19: Primerjava meritev in vrednosti, ki jih dobimo z modelnim drevesom za RHg: samo IJS, za LCABIE nimamo podatkov.
Figure 6.19: Graphical comparison between measured and modelled values of RHg: IJS only.
3,0 2,5 1 2,0 j? 1,5
E 0,5 0,0
0	20	40	60	80	100	120	140
N PRIMEROV
Slika 6.20: Primerjava meritev in vrednosti, ki jih dobimo z modelnima drevesoma za MMHg: zgoraj IJS, spodaj LCABIE.
Figure 6.20: Graphical comparison between measured and modelled values of MMHg: above IJS, below LCABIE.
N PRIMEROV
Slika 6.21: Primerjava meritev in vrednosti, ki jih dobimo z modelnima drevesoma za DMHg: zgoraj IJS, spodaj LCABIE.
Figure 6.21: Graphical comparison between measured and modelled values of DMHg: above IJS, below LCABIE.
6.1.4.2 Izbira atributov
Informativna je tudi izbira atributov, pomembnih za nastanek posameznih zvrsti zivega srebra (preglednica 6.5). Za korene so izbrani samo atributi z najvisjo vsebnostjo informacije, pomemben podatek pa predstavljajo tudi vrednosti utezi v enacbah modelov: visja je vrednost faktorja, pomembnejsi je atribut. Izbira atributov v modelih je kljub slabsim ocenam vecinoma konsistentna z obstojeco teorijo (Watras in sod., 1994; Cossa in Coquery, 2005). Ceprav v modelih za DGM izbrani atributi IJS in LCABIE niso povsem enaki, so mnogi med njimi posredni pokazatelj intenzitete svetlobe (globina, indeks dneva, indeks ure).
Preglednica 6.5: Atributi, ki jih program izbere kot najpomembnejse za nastanek posameznih zvrsti zivega srebra. S st. 1 je oznacen atribut, ki se nahaja v korenu drevesa, stevilke pa zatem narascajo postopno z upadanjem pomembnosti atributov. 0 pomeni, da program med atributom in razredom ni nasel nobene korelacije, — pa, da nismo razpolagali s podatki za to zvrst Hg. Table 6.5: Attributes which, according to M5, are important for the formation of various mercury species. With No. 1 the attribute in the top node is denoted and the numbers then increase with decreasing importance of attributes. 0 means that no correlation was found between the class and the attribute, while label — means that the data were not available.
THg	DGM	RHg MMHg DMHg
IJS LCB IJS LCB IJS LCB IJS LCB IJS LCB
glo	0	0	1	2	8 -	0	0	0	1
tem	3	0	6	7	6	4	6	3	4
sla	1	0	5	4	1	3	4	0	6
dan	2	3	3	1	2	1	2	1	3
ura	5	0	8	6	7	6	5	4	8
kon	4	0	7	5	3	5	7	5	5
tra	0	0	0	8	0	0	1	0	0
kis	0	2	2	3	5	2	3	0	7
flu	0	1	4	0	4	0	0	2	2
Zgolj za primerjavo smo modele za dolocanje koncentracije zvrsti Hg razvili tudi iz dodatnih podatkov IJS za Jadransko morje. Ti modeli so v splosnem slabse ocenjeni kot modeli za Sredozemsko morje, predvidoma zaradi manjsega stevila podatkov in zato, ker predvsem jeseni 2005 mnoge izmed okoljskih spremenljivk niso bile merjene. Ponovno je dobro ocenjen model za DGM (r « 0.80), tudi izbira atributov je v primeru modeliranja DGM podobna kot v modelih za Sredozemsko morje.
6.1.4.3 Uporaba modelov
Kljub temu, da so modelna drevesa za dolocanje koncentracije zvrsti Hg v Sredozemskem morju v splosnem slabse ocenjena, dajejo v kombinaciji z nadgrajenim modelom PCFLOW3D uporabne rezultate. Moramo se namrec zavedati, da je pri trenutnem obsegu tako teoreticnega znanja o biogeokemicnem krozenju Hg kot tudi poskusov modeliranja koncentracij Hg v vodnem okolju ze pravilno ocenjen velikostni red koncentracije Hg uporaben rezultat. Bistvena pomanjkljivost modelov za dolocanje koncentracije zvrsti Hg je nezadostna obcutljivost na spremembe v vred-
nostih vhodnih spremenljivk. Kot je razvidno ze iz slik 6.17 - 6.21 , se modelna drevesa dokaj dobro obnesejo pri napovedi povprecnih vrednosti, medtem ko je napoved ekstremnih vrednosti slabsa.
Koncentracije Hg na slikah 6.22 - 6.26 so rezultat modeliranja z modelnimi drevesi iz podatkov IJS. V povprecju so rezultati modelnih dreves za zvrsti Hg primerljivi z meritvami MERCYMS (preglednica 5.7) ter z vrednostmi koncentracije Hg v Sredozemskem morju, ki so jih z bio-geokemicnim modulom modela PCFLOW3D polempiricno dolocili Zagar in sod. v (2007).
Skladno z meritvami je koncentracija THg visja v Alboranskem morju, v juznem delu zahodne kotanje in na ozini Sicilije; to so obenem predeli z visjo koncentracijo klorofila-a. Prav tako se z meritvami skladajo nekoliko visje koncentracije THg v vzhodni kotanji v primerjavi z zahodno. Glede na meritve pa bi pricakovali nekoliko visje vrednosti tudi v Tirenskem morju in v Otrantskih vratih.
Model za DGM pravilno napove visjo koncentracijo DGM med Sardinijo in Balearskimi otoki ter v Libijskem morju, prav tako se z meritvami skladajo nekoliko visje koncentracije DGM v vzhodni kotanji v primerjavi z zahodno.
Kljub slabsim ocenam tudi modelno drevo za RHg pravilno napove tako upadanje koncentracije RHg z globino (maksimum nastopi v povrsinskem, 20. sloju) kot tudi visje koncentracije RHg v vzhodni kotanji in na ozini Sicilije. Na obmocjih Alboranskega in Tirenskega morja je ujemanje modela in meritev nekoliko slabse.
Model za MMHg je precej neobcutljiv, modelirane vrednosti so na celotnem obmocju Sredozemlja zelo blizu povprecni izmerjeni vrednosti. Kljub temu so modelirane vrednosti primerljive z meritvami, saj so tudi izmerjene koncentracije MMHg v mnogo primerih blizu povprecni izmerjeni vrednosti.
Najslabse se z meritvami skladajo rezultati modela za DMHg. Model sicer pravilno napove nizje vrednosti DMHg v Alboranskem morju in pod Sicilijo, vendar glede na meritve v povprecju narobe napove narascanje koncentracije DMHg od zahoda proti vzhodu; tak rezultat je posledica clena -flu z visokim faktorjem v enacbah za DMHg. Problem meritev in posledicno modeliranja DMHg je predvsem v tem, da so koncentracije DMHg izjemno nizke, in sicer se za 2 velikostna reda nizje od koncentracij ostalih zvrsti Hg.
Slika 6.22: Koncentracija THg v foticni coni Sredozemskega morja: rezultati simulacije z nadgrajenim modelom PCFLOW3D za 18. sloj (globina od 25 do 47 m) v mesecu avgustu. Figure 6.22: Concentration of THg in the photic zone of the Mediterranean Sea: simulation with the upgraded PCFLOW3D model, layer No. 18 (depth from 25 to 47 m), august.
x[m]
Slika 6.23: Koncentracija DGM v foticni coni Sredozemskega morja: rezultati simulacije z nadgrajenim modelom PCFLOW3D za 18. sloj (globina od 25 do 47 m) v mesecu avgustu. Figure 6.23: Concentration of DGM in the photic zone of the Mediterranean Sea: simulation with the upgraded PCFLOW3D model, layer No. 18 (depth from 25 to 47 m), august.
«[m]
Slika 6.24: Koncentracija RHg v foticni coni Sredozemskega morja: rezultati simulacije z nadgrajenim modelom PCFLOW3D za 20. sloj (globina od 0 do 10 m) v mesecu avgustu. Figure 6.24: Concentration of RHg in the photic zone of the Mediterranean Sea: simulation with the upgraded PCFLOW3D model, layer No. 20 (depth from 0 to 10 m), august.
"M	i 106
Slika 6.25: Koncentracija MMHg v foticni coni Sredozemskega morja: rezultati simulacije z nadgrajenim modelom PCFLOW3D za 18. sloj (globina od 25 do 47 m) v mesecu avgustu. Figure 6.25: Concentration of MMHg in the photic zone of the Mediterranean Sea: simulation with the upgraded PCFLOW3D model, layer No. 18 (depth from 25 to 47 m), august.
Slika 6.26: Koncentracija DMHg v foticni coni Sredozemskega morja: rezultati simulacije z nadgrajenim modelom PCFLOW3D za 18. sloj (globina od 25 do 47 m) v mesecu avgustu. Figure 6.26: Concentration of DMHg in the photic zone of the Mediterranean Sea: simulation with the upgraded PCFLOW3D model, layer No. 18 (depth from 25 to 47 m), august.
6.2 Tržaški zaliv 6.2.1 Značilnosti območja
Hace, 2010).
Figure 6.27: Map of the Gulf of Trieste with general sampling points denoted (adapted from Hace, 2010).
Trzaski zaliv omejujeta rt Savudrija na jugu in Gradez na severu. Je majhen (priblizno 500 km2) in plitev (maksimalna globina je 25 m, povprecna globina 16 m) (Ogrinc in sod., 2003). V zaliv se izlivajo vodotoki Soca, Timava, Rizana in Dragonja. Smer toka v zalivu je pretezno nasprotna smeri urinega kazalca s hitrostjo 2-3 cm s-1 (Malacic, 1991). Povrsinska plast (debeline priblizno 5 m) je podvrzena vetrovnim tokovom, ki se gibljejo ob vzhodnih vetrovih v nasprotni smeri urinega kazalca, ob zahodnih pa v smeri urinega kazalca (Malacic, 1991). Slanost vode v zalivu je med 33-38.5 psu. Spomladi zacne nastajati rahla piknoklina, kije posledica povecane vodnatosti sladkovodnih pritokov Trzaskega zaliva. Najvecji dotok sladke vode v Trzaski zaliv predstavlja reka Soca s povprecnim pretokom 197 m3/s (Kukovec, 2006). Znacilen je velik temperaturni razpon za povrsinski (6 — 25°C) in pridneni sloj (6 — 20°C); v ekstremnih razmerah lahko znasa temperatura povrsinskega sloja tudi do 30°C (npr. poleti 2010). Struktura vodnega stoplca se spreminja sezonsko; za zimsko in zgodnje spomladansko obdobje je znacilna izrazita vertikalna in horizontalna premesanost, od maja do septembra pa se v vodnem stolpcu vzpostavi vertikalna temperaturna in gostotna razslojenost, ki se lahko v poletnem casu obcasno porusi zaradi mocnih kratkotrajnih neviht (Malej in sod., 1997).
Med vetrovi v Trzaskem zalivu imajo na hidrodinamiko ter na vrednosti ekoloskih spremenljivk najvecji vpliv burja, jugo in obcasno maestral. Burja je suh, mrzel in sunkovit veter iz smeri ENE in s povprecno jakostjo 13 m/s. Piha skozi vse leto, predvsem pozimi. Lahko traja od nekaj ur (predvsem poleti), nekaj dni, pa vse do teden ali dva (pozimi). Jugo (ali siroko) je
topel in vlazen veter, ki piha iz smeri ESE do SSE s povprecno hitrostjo 9 m/s. Poleti traja do tri dni, pozimi pa tudi do devet dni oz. s krajsimi prekinitvami celo do tri tedne. Jugo mocno razburka morje, vendar pa so valovi pravilnejse oblike ter pri isti visini daljsi od valov, ki jih povzroci burja, zato se manj rusijo. Poleti je pomemben predvsem maestral, ki piha iz smeri WNW s povprecno jakostjo 4 m/s.
6.2.2 Modeliranje Tržaškega zaliva
Pregled modeliranja hidrodinamike. Z modelom PCFLOW3D so bile v letih delovanja modela za podrocje Trzaskega zaliva opravljene stevilne raziskave, katerih namen je bil opredeliti hidrodinamicne pogoje okolja in ovrednotiti obseg onesnazenja zaliva z zivim srebrom. Pregled studij Trzaskega zaliva z modelom PCFLOW3D in z nekaterimi drugimi modeli povzemamo po Doric (2007b).
Rajar in Cetina sta v (1990) modelirala vpliv plime in vetra na tok in disperzijo v Severnem Jadranu. Istega leta so Longo in sod. v (1990) numericno preucil transport in disperzijo radionuklidov v Trzaskem zalivu, med zunanjimi silami je prav tako uposteval veter in plimovanje. Zagar je v (1994) razvil 3D model SIMON (SImulacijski MOdel Nafta) za simulacijo sirjenja nafte, rezultati so objavljeni v Rajar in sod. (1995a, b). Sirca je v (1996) razvil 2D model za racun transporta in disperzije zivega srebra STATRIM: tokove v Trzaskem zalivu je dolocil z modeloma MIKE-2 in LMTe-2D. 2D model STATRIM je obravnaval le stacionarno nestratifi-cirano stanje in ni podrobneje opisoval dnevne in letne dinamike tokov v Trzaskem zalivu. V naslednjih letih so z modelom PCFLOW3D modelirali vpliv vetra na povprecno cirkulacijo in dolgotrajno disperzijo onesnazil v Trzaskem zalivu (Sirca in Rajar, 1997b) in izvedli dodatno umerjanje modela STATRIM (Sirca in Rajar, 1997a); v simulacijah so upostevali povprecne letne lastnosti vetra. V Rajar in Cetina (1997) in Rajar in sod. (1997) so avtorji predstavili modeliranje hidrodinamike in kvalitete voda, opisali so model PCFLOW3D, predstavili so rezultate modeliranja na primerih Bohinjskega jezera in Trzaskega zaliva, simulirali so razlitje nafte ter transport in disperzijo zivega srebra. V Rajar in sod. (1998) in Zagar in sod. (1998) so predstavili modeliranje transporta zivega srebra v Trzaskem zalivu z 2D in 3D modeli. Sirca in sod. so v (1999a) ocenil masno bilanco zivega srebra v Trzaskem zalivu, Horvat in sod. pa so v (1999) predstavila posledice onesnazenja z zivim srebrom na mocno onesnazenih priobalnih obmocjih. V doktorski disertaciji je Zagar (1999) predstavil nadgradnjo modela PCFLOW3D z novima 3D moduloma za racun transporta lebdecih plavin in zivega srebra v morskem okolju. Rajar je v (2000) predstavil potrebo po vecdimenzionalnem modeliranju tokov. Rajar in sod. so v (2000) opisal 3D modeliranje krozenja zivega srebra v Trzaskem zalivu z modelom PCFLOW3D, Zagar in sod. pa v (2000, 2001) dolgotrajno 3D simulacijo transporta in disperzije zivega srebra v raztopljeni in suspendirani obliki v Trzaskem zalivu. Crise in sod. so v (2002) predstavil studijo o cirkulaciji vode zaradi vetra v Trzaskem zalivu v stratificiranih razmerah. Zatem je Rajar in sod. v (2004a, b) prikazal rezultate simulacije 3D krozenja zivega srebra na priobalnih obmocjih z modelom PCFLOW3D (v Trzaskem zalivu in v zalivu Minamata na Japonskem). Leto kasneje je Rozman v (2005) simuliral transport in disperzijo zivega srebra z modelom PCFLOW3D v Trzaskem zalivu za obdobje nekajdnevnega mocnega vetra v zimskih razmerah, Galuf pa je v (2005) predstavil simulacijo razlitja nafte v Trzaskem zalivu z modelom SIMON2. Pri ekspertizi cezmejnega vpliva nacrtovanih plinskih terminalov (Cetina in sod., 2006) so avtorji ponovno pokazali, da le 3D modeliranje cirkulacije ustreza za dolocitev nadaljnjih parametrov transporta in ekoloskega modeliranja v priobalnih obmocjih. Podroben opis nadgradnje modela
PCFLOW3D (dodatne modele turbulence) in primerjavo simulacij z modelom Cormix je podala Kovsca v (2007). Z nadgrajenim modelom PCFLOW3D je Ramsak v (2006, 2007) izvedla studijo hidrodinamike s casovno spremenljivim vetrom, njeni deli sta sluzili za podlago pri ovrednotenju izmenjave zivega srebra med vodo in atmosfero na obmocju Trzaskega zaliva. Zadnje posodobitve modela PCFLOW3D so opisane v Zagar in sod. (2007) in Rajar in sod. (2007). Doric v (2007b) na primeru Trzaskega zaliva podaja primerjavo med modeloma PCFLOW3D in MIKE 3.
Med pomembnejsimi deli drugih raziskovalnih skupin sta se Malacic in Petelin (2003) ter Za-vatarelli in Pinardi (2003). Malacic in Petelin sta v (2003) izvedla numericno simulacijo zimske cirkulacije v Trzaskem zalivu z modelom ACOAST - 1.2, ki temelji na modelu POM (Princeton Ocean Model). Rezultati so dobri predvsem pri simulaciji zimskih razmer, ko je burja pre-vladujoc veter. Njuni rezultati kazejo, da iz povrsinskih slojev voda izteka iz zaliva, v globljih slojih pa doteka v zaliv. Zavatarelli in Pinardi sta v (2003) predstavila metode modeliranja v Jadranskem morju s 3D modelnimi orodji, kjer so numericne mreze gnezdene v treh nivojih (celo Sredozemsko morje, celo Jadransko morje in Severni Jadran).
Pregled modeliranja valovanja. Poskusov modeliranja valovanja v Trzaskem zalivu je bistveno manj, nekaj vec je studij modeliranja valov v severnem Jadranu oz. v celotnem Jadranskem morju. Wang, Pinardi in Malacic so v (2007) objavili studijo z modelom SWAN o resuspenziji sedimentov z dna Trzaskega zaliva zaradi kombiniranega vpliva burje in valov. Pri mocni burji januarja 2001 je visina valov dosegla 2 m, perioda pa 5 s, smer propagacije valov je potekala pravokotno na smer valov. S studijo so dokazali, da je vpliv valov na resuspenzijo sedimentov z dna Trzaskega zaliva znaten in ga je pri modeliranju resuspenzije sedimentov potrebno upostevati. Vpliv valov na vrednosti hidrodinamicnih kolicin je velik predvsem na zahodni strani zaliva: ce v simulaciji ne upostevamo valovanja, je koncetracija suspendiranih snovi v vodnem stolpcu (predvsem v ustju reke Po) obcutno nizja.
V severnem Jadranu so Carniel in sod. v (2009) modelirali hitrostno polje v vrhnjem sloju vode z upostevanjem rusenja valov. Hidrodinamiko so modelirali z modelom ROMS, ki vsebuje tudi moznost upostevanja turbulentne kineticne energije zaradi rusenja valov. Avtorji zakljucujejo, daje v plitvih priobalnih morjih vpliv rusenja valov na vrednosti hidrodinamicnih kolicin znaten in gaje potrebno upostevati. Leto kasneje so Lionello in sod. v (2010a) obravnavali pojav mocnih neviht v severnem Jadranu. Ovrednotili so vpliv meteoroloskih in oceanografskih pogojev na lastnosti valov, preucili so primera delovanja burje in juga. Avtorji zakljucujejo, da je največja verjetnost nastopa ekstremnih pojavov novembra, minimalna pa poleti, opozarjajo pa tudi na izjemno variabilnost obravnavanih procesov v vecletnih merilih. Zanimiv je tudi prispevek Russo in sod. (2005) o vplivu meteoroloskih in oceanografskih pogojev (vkljucno z valovi) na pojav sluzastih makroagregatov v severnem Jadranu. Avtorji zakljucujejo, da sta prisotnost in obseg sluzastih agregatov mocno odvisna od meteoroloskih pogojev: najpogosteje se pojavijo pozno spomladi (maj, junij), ko je padavin malo, veter sibak in morje mirno, pri visokih valovih in visjih hitrostih tokov pa sluzastih makroagregatov ni.
Na obmocju celotnega Jadranskega morja je prispevkov nekoliko vec. Rixen in sod. so v (2008) valove skusali napovedati empiricno s pomocjo statisticnih metod. Po mnenju avtorjev lahko naprednejse statisticne metode (ang. hyper-ensemble statistics, probability distribution maps) bistveno izboljsajo napoved mnogih oceanografskih spremenljivk, tudi valov, in sicer celo za 72 ur vnaprej. Rezultati kakovostnih stohasticnih metod so v tem primeru pogosto primerljivi z rezultati deterministicnih modelov. Leto kasneje so Dykes in sod. v (2009) valove v Jadranskem
morju napovedali z modelom SWAN, za meteoroloske vhodne spremenljivke pa so uporabili rezultate modela ALADIN. Posebej so preucili nastanek valov zaradi juga in napoved Hs za 24 in 48 ur vnaprej. Primerjava rezultatov modela z meritvami je pokazala, da je napovedana vrednost Hs v povprecju podcenjena za 10-30%, na nekaterih obmocjih pa tudi do 50%. Kakovost napovedi je mocno odvisna od obmocja; visja casovna resolucija meteoroloskih vhodnih podatkov in realnejsa orografija nista izboljsali napovedi Hs. Istega leta sta Bertotti in Cavaleri v (2009) z modelom WAM valove v Jadranskem morju skusala napovedati za 72 ur vnaprej. Ugotovila sta, da je predvsem pri burji obcutljivost rezultatov na meteoroloske pogoje zelo velika. Avtorja zakljucujeta, daje v zaprtih ali polodprtih morjih in zalivih valove za daljsi cas vnaprej bistveno tezje modelirati kot na odprtih podrocjih oceanov.
Dva prispevka obravnavata valove v Beneski laguni. Herdle in sod. so v (1995) dolocili vpliv valov na vrednosti hidrodinamicnih kolicin v laguni. Uporabili so polempiricni model valovanja HISWA (TU Delft) in meritve z boj. Preucili so nastale pogoje med delovanjem burje in juga, rezultati pa so bili precej dobri. Lionello in sod. so v (2010b) modelirali valovno podnebje na obmocju lagune, izvedli so 30-letno simulacijo. Med vhodnimi spremenljivkami so upostevali veter in globino vode. Uporabili so razlicne GEV statisticne metode in vec modelov valovanja, upostevali so tudi vpliv podnebnih sprememb na znacilne vrednosti valov. Njihovi rezultati v splosnem niso dovolj dobri, da bi model lahko v prihodnje uporabljali za napoved znacilnih vrednosti valov.
6.2.3 Rezultati modela valovanja
V preglednici 6.6 prikazujemo vertikalno delitev Trzaskega zaliva na sloje, kakrsno uporabljamo pri modeliranju z modelom PCFLOW3D. V preglednici 6.7 podajamo statisticne kolicine vetra, ki smo jih uporabljali pri modeliranju. V zadnji vrstici preglednice podajamo informacijo o tem, katero hitrostno polje tokov (rezultat modela PCFLOW3D) smo uporabili pri modeliranju valov: pri burji in jugu smo uporabili zimsko, pri maestralu pa poletno hitrostno polje, in sicer povprecne vrednosti kolicin za vrhnje tri sloje morja. Predpostavljeno zimsko in poletno hitrostno polje tokov v Trzaskem zalivu prikazujemo na slikah 6.28 oz. 6.29 (hitrostni polji sta rezultat modeliranja z modelom PCFLOW3D). Na sliki 6.30 prikazujemo koordinatni sistem, kakrsnega uporabljamo pri modeliranju Trzaskega zaliva z modelom PCFLOW3D (Zemeljski koordinatni sistem zasukamo za 27°).
Sledi prikaz rezultatov modeliranja. Najprej podajamo ocene modelov valovanja ter primerjavo merjenih in modeliranih vrednosti kolicin (preglednica 6.8, slike 6.31 - 6.36), sledi pa prikaz uporabe modelov v praksi. Na slikah 6.37 - 6.39 prikazujemo karte vrednosti privetrisca, kakrsne lahko pricakujemo ob treh tipicnih vetrovih v Trzaskem zalivu: burji, jugu, maestralu. Noben izmed nastetih vetrov ne piha povsem z odprtega roba, najvisja vrednost privetrisca pri modeliranju je znasala 50 km. Na slikah 6.40 - 6.48 prikazujemo rezultate ANFIS modelov valovanja, ki jih dobimo, ce kot vhodne spremenljivke upostevamo znacilne vrednosti treh tipicnih vetrov v Trzaskem zalivu. Na slikah 6.49 in 6.50 podajamo napoved ekstremnih vrednosti valov, ki pa so seveda odvisne od uporabljenih predpostavk: predpostavili smo mocno burjo s povprecno hitrostjo 15 m/s in sunke do 40 m/s, uporabili smo zimsko hitrostno polje tokov.
Dodajamo se racun znacilnih vrednosti valov po empiricnih enacbah iz Dyke (2007) in racun nekaterih ostalih kolicin valovanja, iz katerih lahko med ostalim razberemo, za koliko casa vnaprej je sploh smiselno razvijati modele prognoze valovanja za Trzas ki zaliv.
Preglednica 6.6: Sloji v Tržaškem zalivu pri racunu z modelom PCFLOW3D. Table 6.6: Layers in the Gulf of Trieste which were used for modelling with the PCFLOW3D model.
St. Debelina Srednja globina
sloja	sloja [m]	sloja [m]
26	1	0.5
25	1	1.5
24	1	2.5
23	1	3.5
22	1	4.5
21	1	5.5
20	1	6.5
19	1	7.5
18	1	8.5
17	1	9.5
16	1	10.5
15	1	11.5
14	1	12.5
13	1	13.5
12	1	14.5
11	1	15.5
10	1	16.5
9	1	17.5
8	1	18.5
7	1	19.5
6	1	20.5
5	1	21.5
4	1	22.5
3	1	23.5
2	1	24.5
Preglednica 6.7: Znacilne vrednosti tipicnih vetrov v Tržaskem zalivu, kakrsne smo uporabili pri modeliranju valov. V zadnji vrstici podajamo informacijo o uporabljenem hitrostnem polju tokov v Trzaskem zalivu.
Table 6.7: Values of wind mean and maximum speed and the direction of wind during typical winds in the Gulf of Trieste: bora, sirocco and maestral. In the last row information is given about the currents' velocity field used for modelling.
	Burja	Jugo	Maestral
Smer	ENE^ 67°	ESE-SSE^ 135°	WNW^ 292'
Povp. hitrost	13m/s	9m/s	4m/s
Hitrost sunkov	25m/s	15m/s	9m/s
Hitrost. polje toka	zima	zima	poletje
o
,0 cl-1-1-1-1-i-1-1-1-1
-0.5 0 0.5 1	1.5 2 2.5 3 3.5 4
X[m]	x104
Slika 6.28: Zimsko hitrostno polje v Trzaskem zalivu: povprecje vrednosti za januar, februar in marec (rezultat modeliranja z modelom PCFLOW3D).
Figure 6.28: Winter velocity field in the Gulf of Trieste: average values for January, February and March (the result of the PCFLOW3D model).
5_i_i_i_i_i_i_i_i_i
0.5 0 0.5 1 1.5 2 2.5 3 3.5 4
X[m]	x104
Slika 6.29: POletno hitrostno polje v Trzaskem zalivu: povprecje vrednosti za julij, avgust in september (rezultat modeliranja z modelom PCFLOW3D).
Figure 6.29: Summer velocity field in the Gulf of Trieste: average values for July, August and September (the result of the PCFLOW3D model).
Slika 6.30: Koordinatni sistem, kakrsnega uporabljamo pri modeliranju Trzaskega zaliva z modelom PCFLOW3D. Vrisane so tudi predpostavljene smeri delovanja vetra pri burji, jugu in maestralu.
Figure 6.30: Coordinate system which is used for the Gulf of Trieste modelling with the PCFLOW3D model. The presumed directions of the bora, the sirocco and the maestral wind are also shown.
270
90
180
6.2.3.1 Ocene modelov
Matlab Fuzzy Logic Toolbox oceni ANFIS modele s koeficientom korelacije r, srednjo kvadratno napako mse, relativno srednjo kvadratno napako rmse, srednjo absolutno napako mae in z relativno srednjo absolutno napako rmae. Ocene modelov podajamo v preglednici 6.8. Na slikah 6.31 - 6.36 podajamo graficno primerjavo merjenih in modeliranih vrednosti. Modele smo ocenjevali z neodvisnimi testnimi mnozicami.
Dobro sta ocenjena predvsem modela za napoved povprecne in maksimalne visine valov. Ostali modeli so sicer ocenjeni nekoliko slabse, vendar so ocene kljub temu dovolj visoke, modeli pa v praksi dajejo dobre in uporabne rezultate. Moramo se zavedati, da v priobalnem obmocju veliko modelov valovanja odpove, sploh v zalivih, kakrsen je tudi Trzaski: polodprt zaliv, merilno mesto se nahaja nedalec od obale, nastali valovi so superpozicija odbojev nihanj iz razlicnih smeri, hidrodinamika in topografija zaliva sta kompleksni, prav tako meteoroloski pogoji. Stopnja kaoticnosti sistema je v takih primerih razmeroma visoka, to pa pomeni, daje napoved prihodnjih stanj sistema manj zanesljiva kot v pogojih z bolj enakomernimi zunanjimi pogoji. Pri povsem kaoticnem nihanju spremenljivk je dolgorocno smiselno napovedati samo statisticno povprecne koliScine.
Preglednica 6.8: Ocene modelov za srednjo in vrsno vrednost periode valov, povprecno in maksimalno visino valov, srednjo smer potovanja valov in razprsenost pri vrsni periodi. Oznake pomenijo: r = koeficient korelacije, mse = srednja kvadratna napaka, rmse = relativna srednja kvadratna napaka, mae = srednja absolutna napaka, rmae = relativna srednja absolutna napaka.
Table 6.8: Evaluations of models for mean and peak wave period, mean and maximum wave height, mean wave direction and spread at the peak period. Labels denote: r = correlation coefficient, mse = mean squared error, rmse = relative mean squared error, mae = mean absolute error, rmae = relative mean absolute error.
Srednja Vrsna Povprecna Maksimalna Srednja Razprsenost pri
	perioda	perioda	visina	visina	smer	vrsni periodi
r	0.828	0.631	0.965	0.957	0.803	0.873
mse	0.057	0.335	0.005	0.014	1785.9	43.51
rmse	0.356	0.625	0.075	0.090	0.390	0.242
mae	0.198	0.471	0.052	0.086	33.42	4.55
rmae	0.624	0.815	0.268	0.285	0.638	0.493
Slika 6.31: Primerjava merjenih in modeliranih vrednosti povprecne periode valov pri napovedi za tri ure vnaprej.
Figure 6.31: Graphical comparison between measured and modelled values of mean wave period forecasted three hours ahead.
5.5
5
4.5
i 3.5
2.5
1.5
N primerov
Meritve Model
MSE=0.3348 RMSE=0.6251_ MAE=0.4712 RMAE=0.8153 r=0.6307
120
Slika 6.32: Primerjava merjenih in modeliranih vrednosti vrsne periode valov pri napovedi za tri ure vnaprej.
Figure 6.32: Graphical comparison between measured and modelled values of peak wave period forecasted three hours ahead.
1.4
1.2
JE
!S 0.8
0.6
0.4
0.2
20
40
60 80 N primerov
100
Meritve Model
MSE=0.0047 RMSE=0.0753 " MAE=0.0519 RMAE=0.2684 r=0.9650
120
140
Slika 6.33: Primerjava merjenih in modeliranih vrednosti povprecne visine valov pri napovedi za tri ure vnaprej.
Figure 6.33: Graphical comparison between measured and modelled values of mean wave height forecasted three hours ahead.
4
3
2
0
0
N primerov
Slika 6.34: Primerjava merjenih in modeliranih vrednosti maksimalne visine valov pri napovedi za tri ure vnaprej.
Figure 6.34: Graphical comparison between measured and modelled values of maximum wave height forecasted three hours ahead.
Slika 6.35: Primerjava merjenih in modeliranih vrednosti povprecne smeri potovanja valov pri napovedi za tri ure vnaprej.
Figure 6.35: Graphical comparison between measured and modelled values of mean wave direction forecasted three hours ahead.
90
80
,70
p 60
! 50
■ 40
30
20,
Meritve Model
MSE=43.5134 RMSE=0.2424 MAE=4.5474 " RMAE=0.4930 r=0.8731
20
40
60
N primerov
80
100
120
Slika 6.36: Primerjava merjenih in modeliranih vrednosti povprecne razprsenosti valov pri vrsni periodi pri napovedi za tri ure vnaprej.
Figure 6.36: Graphical comparison between measured and modelled values of mean spread of wave direction forecasted three hours ahead.
6.2.3.2 Uporaba modelov
Na slikah 6.37 - 6.39 prikazujemo karte privetrisca za burjo, jugo in maestral. Na slikah 6.40 - 6.48 prikazujemo pričakovane vrednosti periode in visine valov ter smeri potovanja valov v Tržaškem zalivu: slike 6.40 - 6.42 so namenjene prikazu znacilnih vrednosti valov pri burji, slike 6.43 -6.45 prikazu znacilnih vrednosti valov pri jugu in slike 6.46 - 6.48 prikazu znacilnih vrednosti valov pri maestralu. Vrednosti temeljijo na statistiki vetra in valov za leto 2006 in so z izjemo ekstremnih pojavov primerljive z vrednostmi kolicin v drugih obdobjih. Pri modeliranju smo uporabili vrednosti vhodnih spremenljivk v preglednici 5.15. Na slikah 6.49 in 6.50 podajamo napoved ekstremnih vrednosti visine in periode valov, kakrsne lahko pricakujemo v zalivu pri mocni burji s povprecno hitrostjo 15 m/s in sunki do 40 m/s.
Slika 6.37: Karta vrednosti privetrisca za burjo. Figure 6.37: Map of fetch during bora wind.
Iz grafov sta razvidna tako vpliv hitrostnega polja tokov kot tudi vrednosti privetrisca na znacilne vrednosti valov. Po pricakovanjih so vrednosti visine in periode valov najvisje pri burji in najnizje pri maestralu. Najvisje vrednosti obeh kolicin obicajno dobimo ob obalah, kamor veter nariva vodo. Pri maestralu je drugace: najvisji valovi se pojavijo na odprtem robu, kjer so vrednosti privetrisca najvisje. Smiselna je tudi smer potovanja valov, ki jo dobimo z ANFIS modeli: iz dobljenih vrednosti sta razvidna vpliv smeri delovanja vetra in vpliv predpostavljenih smeri tokov.
Rezultati so primerljivi s podatki in navedki v literaturi. Pri mocnem vetru je smer potovanja valov v zalivu pravokotna na smer vetra, kar se sklada z ugotovitvami Wang in sod. (2007). Vrednosti periode valov, ki smo jih dolocili po enacbah v 4. poglavju (glej spodaj), so nekoliko precenjene. Pri racunu smo namrec uporabili najvisjo mozno vrednost privetrisca v zalivu, da smo dobili maksimalne pricakovane vrednosti visine in periode valov ter maksimalni cas potovanja valov po zalivu. Z uporabo najvisje mozne vrednosti privetrisca dobimo vrednosti, ki
■0.5 0 0.5 1 1.5 2 2.5 3 3.5 4
4
Slika 6.38: Karta vrednosti privetrisca za jugo. Figure 6.38: Map of fetch during sirocco wind.
bolj ustrezajo stanju na robovih kot znotraj zaliva.
Za primerjavo smo za modelirane kolicine razvili se modelna drevesa z algoritmom M5. Z obema metodama dobimo podobne vrednosti, vendar se ANFIS modeli v splosnem obnasajo bolje in natancneje poustvarijo sistem. Modelna drevesa so podobno kot v primeru napovedi zvrsti Hg v Sredozemskem morju manj obcutljiva na spremembe vrednosti vhodnih spremenljivk, dobro pa se obnesejo pri napovedi povprecnih vrednosti. Obe metodi slabse napovedujeta ekstremne pojave, kar pa je zaradi prekratkega niza podatkov obicajen problem tudi pri uporabi drugih metod modeliranja.
Z novim modelom valovanja lahko na preprost nacin ustvarimo se vec podobnih 2D skalarnih polj znacilnih vrednosti valov v odvisnosti od vetra in geografije obmocja. Vrednosti na slikah 6.40 - 6.50 lahko po zgledu Zagar (1999) uporabimo pri racunu resuspenzije sedimentov z dna zaliva zaradi kombiniranega vpliva vetra, valov in tokov. Kot smo ze povedali, glavni problem novih modelov valovanja predstavlja dejstvo, da smo jih razvili iz podatkov, ki se vzorcijo v eni sami tocki zaliva. Modelov zato seveda ne moremo brez pomislekov uporabiti za celotno obmocje Trzaskega zaliva. Lahko pa recemo, da so rezultati primerljivi tako s podatki kot tudi z vrednostmi v literaturi (npr. Wang in sod., 2007), skladajo pa se tudi s teorijo.
Slika 6.39: Karta vrednosti privetrisca za maestral. Figure 6.39: Map of fetch during maestral wind.
Slika 6.40: 2D polje pricakovane visine valov pri burji iz smeri ENE s povprecno jakostjo 13 m/s in sunki do 25 m/s.
Figure 6.40: The expected map of wave height during bora wind from ENE direction with mean speed of 13 m/s and maximum speed of 25 m/s.
Slika 6.41: 2D polje pricakovane periode valov pri burji iz smeri ENE s povprecno jakostjo 13 m/s in sunki do 25 m/s.
Figure 6.41: The expected map of wave period during bora wind from ENE direction with mean speed of 13 m/s and maximum speed of 25 m/s.
[stopinje]
Slika 6.42: 2D polje pricakovane smeri potovanja valov pri burji iz smeri ENE s povprecno jakostjo 13 m/s in sunki do 25 m/s.
Figure 6.42: The expected map of wave direction propagation during bora wind from ENE direction with mean speed of 13 m/s and maximum speed of 25 m/s.
Slika 6.43: 2D polje pricakovane visine valov pri jugu iz smeri ESE s povprecno jakostjo 9 m/s in sunki do 15 m/s.
Figure 6.43: The expected map of wave height during sirocco wind from ESE direction with mean speed of 9 m/s and maximum speed of 15 m/s.
Slika 6.44: 2D polje pricakovane periode valov pri jugu iz smeri ESE s povprecno jakostjo 9 m/s in sunki do 15 m/s.
Figure 6.44: The expected map of wave period during sirocco wind from ESE direction with mean speed of 9 m/s and maximum speed of 15 m/s.

0
V
pnjej
n
-3
Slika 6.45: 2D polje pricakovane smeri potovanja valov pri jugu iz smeri ESE s povprecno jakostjo 9 m/s in sunki do 15 m/s.
Figure 6.45: The expected map of wave direction propagation during sirocco wind from ESE direction with mean speed of 9 m/s and maximum speed of 15 m/s.
Slika 6.46: 2D polje pricakovane visine valov pri maestralu iz smeri WNW s povprecno jakostjo 4 m/s in sunki do 9 m/s.
Figure 6.46: The expected map of wave height during maestral wind from WNW direction with mean speed of 4 m/s and maximum speed of 9 m/s.
Slika 6.47: 2D polje pricakovane periode valov pri maestralu iz smeri WNW s povprecno jakostjo 4 m/s in sunki do 9 m/s.
Figure 6.47: The expected map of wave period during maestral wind from WNW direction with mean speed of 4 m/s and maximum speed of 9 m/s.
Slika 6.48: 2D polje pricakovane smeri potovanja valov pri maestralu iz smeri WNW s povprecno jakostjo 4 m/s in sunki do 9 m/s.
Figure 6.48: The expected map of wave direction propagation during maestral wind from WNW direction with mean speed of 4 m/s and maximum speed of 9 m/s.
Slika 6.49: 2D polje maksimalne pricakovane visine valov zaradi mocne burje iz smeri ENE s povprecno jakostjo 15 m/s in sunki do 40 m/s.
Figure 6.49: Map of maximum wave height which can be expected at strong bora wind from ENE direction with mean speed of 15 m/s and maximum speed of 40 m/s.
Slika 6.50: 2D polje pricakovane vrsne vrednosti periode valov zaradi mocne burje iz smeri ENE s povprecno jakostjo 15 m/s in sunki do 40 m/s.
Figure 6.50: Map of peak wave period which can be expected at strong bora wind from ENE direction with mean speed of 15 m/s and maximum speed of 40 m/s.
6.2.3.3 Modeliranje valovanja po enacbah v literaturi
Za primerjavo rezultatov podajamo se racun znacilnih vrednosti valov po enacbah v literaturi. Opiramo se na Dyke (2007) ter na splosno priznano teorijo valovanja. Po enacbah
Hs « 5.1 ■ 10-4UioFa5 ,	(6.3)
Ts « 0.059 ■ (UioF)a33 ,	(6.4)
ki jih dobimo iz JOSWAP spektra za nerazvito morje, lahko dolocimo vrednosti znacilne visine in periode valov v odvisnosti of hitrosti vetra 10 m nad morjem U10 (enota [m s-1]) in privetrisca F (enota [m]). Vrednosti Hs in Ts za Trzaski zaliv znasajo:
•	pri burji uporabimo U10 = 17 m/s (upostevamo se sunke, zato uporabimo nekoliko visjo vrednost povprecne hitrosti) in F = 30 km (upostevamo največjo mozno vrednost privetrisca za predpostavljeno smer vetra, da dobimo maksimalen cas potovanja valov po zalivu): dobimo Hs « 1.5 m, Ts « 6 s,
•	pri jugu uporabimo U10 = 11 m/s in F = 40 km: dobimo Hs « 1.12 m, Ts « 4.3 s,
•	za maestral uporabimo U10 = 6 m/s in F = 50 km: dobimo Hs « 0.68 m, Ts « 3.79 s.
Vidimo lahko, da so vrednosti povsem primerljive z rezultati nasih modelov.
Racunamo dalje. Trzaski zaliv spada med območja s srednjo globino vode (L/25 < h < L/2). Hitrost c in valovna dolzina L sta torej odvisni tako od globine vode h kot tudi od periode T. Za dolocitev fazne hitrosti moramo torej uporabiti eno izmed disperzijskih enacb, ki upostevata vpliva obeh dejavnikov na hitrost potovanja valov:
c2 = g tanh (kh) ,	(6.5)
k
u2 = gk tanh(kh) .	(6.6)
Ce npr. uporabimo T = 4.2 s, iz u = dobimo vrednost frekvence valovanja u « 1.5 Hz. Ce za h upostevamo povprecno globino vode v Trzaskem zalivu 16 m, lahko iz enacbe 6.6 izrazimo valovno stevilo k: k « 0.2297 /m. Z dobljenimi vrednostmi lahko iz k = 2n dolocimo vrednost znacilne valovne dolzine: L « 27.34 m, iz 6.5 pa fazno hitrost: c « 6.53 m/s. Od tod dobimo cas potovanja valov po zalivu t:
t = F M	M 2.13 h.	(6.7)
c 6.53 m/s
Od tod sledi, da je smiselno modele za napoved valovanja razvijati kvecjemu za tri ure vnaprej. Prognozo valovanja za npr. 24 h ali 48 h ur vnaprej v tem primeru dobimo tako, da v razvitih modelih valovanja med vhodnimi spremenljivkami upostevamo povprecno hitrost in sunke vetra, ki jih dobimo iz meteoroloske napovedi za 24 oz. 48 ur vnaprej.
7 ZAKLJUČKI
V nadaljevanju natancneje opisujemo ugotovitve, do katerih smo prisli med delom v okviru disertacije. Najprej podajamo pregled opravljenega dela v disertaciji, zatem opisujemo zaključke, koncujemo pa z napotki za nadaljnje delo.
Pregled opravljenega dela v disertaciji.
•	Model PCFLOW3D smo nadgradili z dvema pelagicnima modeloma za nizji del prehranjevalne verige (Crispi in sod., 2002; Fennel in sod., 2006) ter z bentoskim modelom za simulacijo mineralizacije OM v sedimentih (Fennel in sod., 2006). Sedimentacijski modul modela PCFLOW3D smo nadgradili z empiricnim modelom valovanja za Trzaski zaliv. Razvili smo empiricne modele za napoved skalarnih polj konduktivnosti, transmisije, kisika in fluorescence klorofila-a ter empiricne modele za napoved koncentracije zvrsti zivega srebra v Sredozemskem morju: THg, DGM, RHg, MMHg in DMHg.
•	Crispi in sod. (2002) je eden izmed redkih modelov v svetovnem merilu, ki med hranili uposteva poleg nitratov in amoniaka tudi fosfate in ki eksplicitno doloca koncentracijo kisika v vodnem stolpcu. Med spremenljivkami vsebuje dva velikostna razreda fitoplanktona in en razred zooplanktona, implicitno pa uposteva tudi delovanje bakterij in krozenje DOM. Med procesi v vodnem stolpcu uposteva mineralizacijo OM (z moznostjo uposteva-nja razlicnih hitrosti razgradnje fosforja, dusika in ogljika), nitrifikacijo in izmenjavo kisika med vodo in atmosfero. Model Crispi in sod. (2002) je eden izmed kompleksnejsih modelov za nizji del prehranjevalne verige in ponuja moznost izjemno natancnega modeliranja dinamike fito- in zooplanktona ter koncentracije hranil v vodnem stolpcu. Primarno je namenjen modeliranju Sredozemskega morja.
•	Model Fennel in sod. (2006) je robustnejsi, vsebuje manj parametrov. Njegova prednost je v eksplicitnem dolocanju koncentracije klorofila-a v vodnem stolpcu ter v natancnejsem modeliranju usedanja POM: model uposteva dva velikostna razreda detrita, sedimentacij-sko hitrost pa uposteva tudi pri modeliranju fitoplanktona. Med procesi v vodnem stolpcu uposteva mineralizacijo OM, nitrifikacijo ter agregacijo manjsih delcev OM v vecje. Skupaj z bentoskim modelom Fennel in sod. (2006) ponuja moznost modeliranja vrednosti spremenljivk po celotni globini vodnega stolpca.
•	Bentoski model Fennel in sod. (2006) je namenjen natancnejsemu modeliranju koncentracije hranil v vodnem stolpcu na obmocjih kontinentalnih robov (naceloma do globine morja 250 m), kjer procesi mineralizacije OM v sedimentih opazno vplivajo na kolicino
raztopljenih snovi v vodi nad dnom. Med procesi razgradnje OM v sedimentih uposteva aerobno respiracijo, nitrifikacijo in denitrifikacijo. Rezultat nastetih procesov je dotok amoniaka iz sedimentov v vodo nad dnom, v modelu PCFLOW3D pa poleg tega upostevamo tudi porabo kisika v vodnem stolpcu zaradi mineralizacije OM v sedimentih.
•	Celoten model za nizji del prehranjevalne verige je zasnovan tako, da lahko med pela-gicnima modeloma izberemo enega ali drugega, bentoske procese pa lahko upostevamo ali ne. Model je v osnovi tridimenzionalen, lahko pa ga uporabimo tudi v kombinaciji s hidrodinamicnimi simulacijami v manj dimenzijah. Dodatno smo v model PCFLOW3D vgradili se moznost zagona programa v eni sami celici ali npr. v nekaj izbranih celicah obmocja. Ta nacin nam omogoca hitro odkrivanje napak v programu, uporaben pa je tudi pri umerjanju vrednosti parametrov; racun nekajletnega nihanja spremenljivk za eno celico traja le nekaj sekund. Pri zagonu programa v vec izbranih celicah imamo moznost rezultate izrisati na isti graf in jih primerjati med seboj.
•	Iz podatkov oceanografske boje Morske Bioloske Postaje Piran smo razvili empiricni model valovanja za Trzaski zaliv. Uporabili smo metodo ANFIS, ki temelji na kombinaciji mehke logike in nevronskih mrez. Model valovanja ponuja moznost napovedi povprecne in vrsne periode valov, povprecne in maksimalne visine valov, srednje smeri potovanja valov in razprsenosti valov pri vrsni periodi, in sicer za tri ure vnaprej od casa meteoroloske napovedi. Vhodne spremenljivke so znacilne vrednosti vetra in tokov v preteklih treh urah. Model daje dobre in uporabne rezultate, ki so primerljivi z rezultati fizikalnih in polempiricnih modelov. Uporabili smo ga za racun 2D polj periode, visine in smeri potovanja valov, ki jih lahko pricakujemo pri treh tipicnih vetrovih v Trzaskem zalivu (burji, jugu, maestralu) in ob nastopu ekstremnih razmer (burja s povprecno jakostjo 15 m/s in sunki do 40 m/s). Med rezultati smo podali tudi 2D polja vrednosti privetrisca v posameznih celicah obmocja za primere delovanja burje, juga in maestrala.
•	Empiricni modeli za napoved skalarnih polj konduktivnosti, transmisije, kisika in fluorescence klorofila-a v Sredozemskem morju so zgrajeni induktivno z modelnimi drevesi neposredno iz podatkov. Modeli za konduktivnost, transmisijo in kisik so zelo dobro ocenjeni (r « 1), model za fluorescenco pa je slabse ocenjen. Primarni namen teh modelov je natancnejsa dolocitev skalarnih polj zvrsti zivega srebra, ki so od nastetih spremenljivk odvisne. Lahko pa modele uporabimo tudi za hitro napoved teh spremenljivk ali za primerjavo vrednosti, ki jih dobimo z drugimi (kompleksnejsimi) modeli. Model za dolocanje koncentracije kisika lahko uporabimo tudi v kombinaciji s konceptualnim modelom za nizji del prehranjevalne verige Fennel in sod. (2006), ki koncentracije kisika v vodnem stolpcu ne doloca eksplicitno.
•	Empiricne modele za napoved skalarnih zvrsti zivega srebra smo prav tako razvili induktivno z modelnimi drevesi. Modeli so namenjeni napovedi povprecnih sezonskih skalarnih polj celokupnega, elementarnega, reaktivnega, monometil in dimetil zivega srebra v celotnem Sredozemskem morju. Ti modeli so slabse ocenjeni, vendar njihova vrednost kljub temu ni zanemarljiva, saj veljajo za enega prvih poskusov modeliranja koncentracije zvrsti Hg v globokomorskem okolju in obenem za enega prvih poskusov modeliranja krozenja Hg z orodji umetne inteligence.
•	Model PCFLOW3D smo nadgradili tudi z moznostjo linearne interpolacije vektorskih in skalarnih spremenljivk na mejah med obdobji, v katerih sicer uporabljamo casovno
povprecne vrednosti spremenljivk. Na ta nacin se casovni korak pri modeliranju koncentracije onesnazeval lahko ustrezno podaja (tudi do 1 dan ali vec), simulacijo pa lahko zazenemo za poljubno dolgo casovno obdobje.
•	Poseben del doktorske disertacije predstavlja razvoj uporabniskega vmesnika za model za nizji del prehranjevalne verige, ki je uporaben tudi sirse za pregled rezultatov skalarnih in vektorskih spremenljivk. Program je napisan v Matlabu in ponuja moznost pregleda rezultatov z 2D in 3D prerezi ter pregled casovne dinamike spremenljivk. Je uporabniku prijazen in enostaven za uporabo. Ponuja moznost izbire modeliranih in graficno predstavljenih spremenljivk, izbiro casovnega koraka, izbiro prereza za pregled spremenljivk, idr.
•	Poseben uporabniski vmesnik smo razvili tudi za delo s podatki. Vsebuje naslednje moznosti: enostavno izbiro vhodnih in izhodnih spremenljivk sistema, hitro gradnjo vhodnih datotek (ucnih in testnih) za programa Weka in Matlab Fuzzy Logic Toolbox, razlicne moznosti modeliranja z orodjem ANFIS ter graficni izris rezultatov. Samo z nekaj popravki je isti graficni vmesnik uporaben tudi za delo z drugimi programi.
•	Pripravili smo tudi anglesko-slovenski slovar uporabljenih strokovnih izrazov (10. poglavje). Za mnoge med temi je bilo potrebno slovenske izraze iskati na razlicnih strokovnih po-drocjih, za nekatere pa ustreznega slovenskega izraza do sedaj se nismo imeli. V teh primerih smo se zgledovali po prevodih v drugih slovanskih jezikih oz. smo slovenski izraz izbrali sami.
Zaključki.
•	Model Crispi in sod. (2002) za nizji del prehranjevalne verige je kompleksen in zahteven za uporabo. Cleni so vecinoma nelinearni, model je obcutljiv na zacetne pogoje. Vsebuje skoraj 50 parametrov, ki jih je potrebno umeriti. Ceprav del strokovne javnosti govori proti modelom z mnogo parametri, je pri ekoloskem modeliranju to obicajna praksa, brez katere ne gre. Pri umerjanju si lahko pomagamo z raznimi statisticnimi metodami in z orodji umetne inteligence. Absolutna prednost tako kompleksnih modelov pa je vsekakor ta, da lahko z njimi poustvarimo prakticno vsak vodni ekosistem. Z modelom Crispi in sod. (2002) nam je uspelo pravilno simulirati bimodalno dinamiko fitoplanktona v Sredozemskem morju in letno dinamiko vrednosti ostalih biogeokemicnih spremenljivk. Rezultati modela Crispi in sod. (2002) ponujajo celosten vpogled v ekologijo nizjega dela prehranjevalne verige v Sredozemskem morju. Pomemben del modela Crispi in sod. (2002) predstavljata tudi eksplicitni enacbi za fosfor in kisik ter moznost upostevanja dveh velikostnih razredov avtotrofov.
•	Model Fennel in sod. (2006) je robustnejsi in enostavnejsi za uporabo. Nelinearnih clenov je se vedno precej, poleg tega v mnogo clenih nastopa funkcijska odvisnost od gostote populacije. Kljub temu pa je Fennel in sod. (2006) neprimerno manj zahteven za uporabo kot Crispi in sod. (2006), saj vsebuje pol manj parametrov in tri spremenljivke manj. Posledicno je s tem modelom tezje simulirati bimodalno dinamiko biogeokemicnih spremenljivk, ki je znacilna za vecino voda zmernega pasu. V splosnem pa daje Fennel in sod. (2006) zelo dobre rezultate.
•	Pri uporabi pelagicnih modelov za nizji del prehranjevalne verige svetujemo uporabo nu-mericne metode Runge-Kutta 4. reda. To velja predvsem za uporabo modela na osnovi Crispi in sod. (2002), ki je zelo kompleksen, nelinearen in obcutljiv na zacetne pogoje. Pri modeliranju je potrebno natancno dolociti predvsem zacetne vrednosti nitratov, vrednost koeficienta zmanjsanja svetlobe z globino kz ter maksimalni stopnji rasti ultra- in netplanktona ßS oz. ßL.
•	Glede na danasnje potrebe po ekoloskem modeliranju vodnih okolij je kompleksnost vsekakor prednost. Z nadgrajenim biogeokemicnim modulom modela PCFLOW3D, ki po novem vsebuje tudi model za nizji del prehranjevalne verige v vodnem okolju ter moznost upostevanja vpliva mineralizacije OM v sedimentih in izmenjave kisika med vodo in atmosfero na vrednosti biogeokemicnih spremenljivk v vodnem stolpcu, lahko ze z malo ali celo nic popravki modeliramo tako priobalna morja kot tudi odprte oceane ali celinske stojece vode. Z nekaj dopolnitvami pa lahko model uporabljamo tudi za modeliranje biogeokemicnega krozenja ogljika ali drugih elementov in spojin.
•	Empiricni model valovanja za Trzaski zaliv je preprost in robusten. Prednosti razvitega modela valovanja pred fizikalnimi modeli sta predvsem preprosta uporaba in moznost neposredne napovedi izhodnih spremenljivk iz meteoroloskih in hidrodinamicnih kolicin, katerih vrednosti za preteklih ali prihodnjih nekaj ur najdemo na internetu (ARSO) oz. jih dobimo s hidrodinamicnimi modeli. Rezultati modela so primerljivi z rezultati mnogih fizikalnih modelov v priobalnih obmocjih: na obmocjih s kompleksnimi hidrodinamicnimi in meteoroloskimi pogoji dajejo zaradi kompleksne interference nihanj razlicnih valovnih dolzin in kaoticne narave valov v obmocju privetrisca mnogi fizikalni modeli valovanja nezanesljive rezultate. Z razvitim modelom valovanja lahko kakovostno dolocimo predvsem povprecno in maksimalno visino valov, za kateri znasa r « 0.95, kakovostna pa je tudi napoved ostalih izhodnih spremenljivk (r « 0.80) Glavna pomanjkljivost modela je, da rezultatov zaenkrat ne moremo z gotovostjo razsiriti na celotno obmocje zaliva, saj smo za gradnjo modela uporabili samo podatke iz ene tocke v zalivu. Menimo, da bi se pri nadaljnjem modeliranju valov v Trzaskem zalivu najbolje obnesla kombinacija empiricnih in konceptualnih pristopov.
•	V splosnem so ocene modelov za dolocanje koncentracije zvrsti zivega srebra nizke, sploh pri ocenjevanju na neodvisnih testnih mnozicah. Rezultati so boljsi za zvrsti, ki so dobro korelirane z robustnimi atributi (temperatura, globina): DGM, DMHg. Glede na rezultate v nalogi lahko sklepamo, da na koncentracijo zivega srebra v morskem okolju najbolj vplivajo kisik, prisotnost delcev organske snovi (fitoplanktona, POM, DOM) in intenziteta svetlobe. Kot najpogosteje izbran atribut indeks dneva prica o nezanemarljivem vplivu sezonskih procesov na koncentracijo vseh zvrsti zivega srebra. Ugotovitev podpirajo tudi slabsi rezultati, ce v racunih omenjeni atribut izpustimo in sistem modeliramo kot staticen.
•	Med vzroki, zakaj koncentracij zivega srebra v vodnem okolju z metodami strojnega ucenja nismo mogli modelirati dovolj kakovostno, so najpomembnejsi naslednji: neuniverzalni postopki merjenja, sumni podatki, v podatkovni bazi MERCYMS ni meritev nekaterih pomembnih atributov (manjkajo predvsem nekatere spremenljivke za kakovostno modeliranje RHg in MMHg). Ceprav so postopki merjenja razlicnih strokovnih raziskovalnih skupin validirani in dajejo v laboratorijskih pogojih zelo dobre rezultate, so razlike v rezultatih terenskih meritev se vedno relativno velike, predvsem v primeru DMHg in THg. Za nadaljnji napredek pri modeliranju zvrsti zivega srebra v vodnem okolju je zato potreben
tudi nadaljnji razvoj metod vzorcenja in merilnih tehnik nizkih koncentracij Hg. Med pomembnejsimi razlogi pa je tudi ta, da smo razpolagali samo z meritvami za marec in avgust, kar glede na dokazano velik vpliv letnih casov na vrednosti koncentracije zivega srebra ne zadostuje. Z danasnjim obsegom znanja o krozenju zivega srebra v vodnem okolju uporabljenih meritev ne moremo zanesljivo dopolniti in razsiriti na daljse obdobje.
•	Kljub slabsim ocenam induktivnih modelov za dolocanje koncentracije Hg menimo, da je ideja modeliranja krozenja Hg z orodji strojnega ucenja obetavna. Pri trenutni kolicini in kakovosti meritev ter obsegu teoreticnega znanja obetajo predvsem metode s kombinacijo indukcije in dedukcije, kar veljavnost modelov tudi prostorsko in casovno razsiri izven obmocja uporabljenih podatkov. Z morebitnimi dodatnimi meritvami koncentracij Hg jeseni in pozimi se odpirajo tudi moznosti dinamicnega modeliranja, s tem pa tudi moznosti uporabe naprednejsih metod umetne inteligence: mehko racunanje (Tsoukalas in sod., 1997; Melin in Castillo, 2002), iskanje diferencialnih enacb (Dzeroski in Todorovski, 1995; Atanasova in sod., 2006), idr. Pri nadaljnjem razvoju numericnih modelov in metod strojnega ucenja ter pri neprestanem vecanju obsega znanja in podatkovnih baz lahko zakljucimo, da je ideja modeliranja skalarnih polj zvrsti Hg neposredno iz skalarnih polj oceanografskih spremenljivk vsekakor obetavna.
•	Pri primerjavi uporabljenih metod umetne inteligence smo ugotovili, da modeli, ki jih zgeneriramo s kombinacijo mehke logike in nevronskih mrez, natancneje poustvarijo modelirani sistem kot modeli, ki jih zgeneriramo z modelnimi drevesi. Modeli, ki jih razvijemo z odsekoma linearno regresijo, so manj obcutljivi na spremembe v vrednostih vhodnih spremenljivk. Po drugi strani pa so modelna drevesa odlicno orodje, ko zelimo dobiti vpogled v sistem in/ali potrebujemo robusten in preprost model. V splosnem dajeta obe metodi dobre rezultate in se (ce previdno izbiramo stopnjo prilagojenosti ucnim podatkom) dobro obnasata pri napovedi novih primerov.
Napotki za nadaljnje delo.
•	V disertaciji smo pri modeliranju Sredozemskega morja uporabili sezonsko povprecna skalarna in vektorska polja hidrodinamicnih kolicin. Zaradi mocne odvisnosti rasti avtotro-fov od temperature bi bilo v prihodnje potrebno namesto sezonskih uporabiti mesecne ali celo tedenske povprecne vrednosti kolicin. Poleg tega bi bilo potrebno foticno cono razdeliti na vec slojev, saj se glavnina procesov, ki so povezani z nizjim delom prehranjevalne verige, odvija v zgornjih ~ 100 m morja.
•	Model za nizji del prehranjevalne verige po Crispi in sod. (2002) je zaradi primerne izbire spremenljivk zelo uporaben za modeliranje ekoloskega stanja severnega Jadrana. V prihodnje bo najbrz smiselno nadgrajeni model PCFLOW3D uporabiti za modeliranje Trzaskega zaliva, zato navajamo nekaj napotkov, ki bodo strokovnjakom pri tem v pomoc. Pri modeliranju Trzaskega zaliva je potrebno upostevati, da to obmocje nima jasne letne ciklicne dinamike biogeokemicnih spremenljivk. Vrednosti so mocno odvisne od pogojev okolja, sistem je izredno obcutljiv na zunanje motnje. Med dejavniki, ki najbolj vplivajo na vrednosti spremenjlivk, so hidrodinamicni in meteoroloski pogoji, pretoki rek, ki se izlivajo v zaliv, kolicina suspendiranih in raztopljenih snovi v rekah (ki narasca skladno s pretoki in s kolicino padavin zaradi izpiranja s kopnega). Posamezne nevihte lahko
povsem spremenijo pogoje: razbijejo stratifikacijo poleti in hranila z dna (kjer se med stratifikacijo kopicijo zaradi mineralizacije na dnu) premesajo po vsem vodnem stolpcu. Fitoplankton se na povisane vnose hranil odzove priblizno v tednu dni (Kukovec, 2006). Med procesi mineralizacije OM v sedimentih je poleg aerobne respiracije, nitrifikacije in denitrifikacije v velikem obsegu prisotna tudi redukcija sulfatov, ki po Ogrinc in sod. (2003) predstavlja kar 2/3 celotne stopnje oksidacije OM v sedimentih. Zaradi nastetega je potrebno ekoloske spremenljivke v Trzaskem zalivu modelirati v realnem casu, v model pa je potrebno vkljuciti vse pomembne zunanje pogoje ter ga nadgraditi z moznostjo upostevanja redukcije sulfatov v sedimentih. Pri modeliranju je potrebno upostevati tudi vpliv mineralizacije OM v sedimentih na koncentracijo nitratov in fosfatov v vodnem stolpcu ter meteoroloske razmere na območju, poleg tega pa se dotok snovi z rekami (v odvisnosti od padavin oz. pretokov rek) in razmerji C:N in N: P v vodnem stolpcu. Zaradi zelo velikega vpliva reke Pad na kakovost vode v Trzaskem zalivu bi bilo potrebno racunsko območje razsiriti do njenega iztoka, zatem pa za ozje obmocje Trzaskega zaliva uporabiti princip gnezdenja.
•	Ce zelimo razsiriti moznosti uporabe empiricnega modela valovanja za Trzaski zaliv, bi bilo v prihodnje potrebno pridobiti podatke z vec merilnih mest. Zaenkrat se poleg oceanografske boje Piran v zalivu nahaja samo se ena boja, na kateri se vzorcijo valovi, in sicer na italijanski strani zaliva. Za zanesljivo napoved 2D polja valov po celotnem Trzaskem zalivu pa bi poleg podatkov z obeh merilnih mest morali uporabiti se kombinacijo empiricnega in fizikalnih modelov.
•	Glede na znane prednosti mehkega racunanja menimo, da bi bilo v prihodnje vredno poskusiti koncentracije Hg v vodnem okolju modelirati tudi s tovrstnimi metodami. Prednosti mehkega racunanja sta v primeru problematike modeliranja krozenja Hg v vodnem okolju predvsem dve, in sicer moznost zakodiranja teoreticnega znanja v obliki pravil ter vecja odpornost na sum v podatkih v primerjavi z mnogimi drugimi metodami modeliranja.
•	Pri morebitnih nadaljnjih meritvah koncentracij Hg v vodnem okolju svetujemo, da se poleg atributov, ki smo jih nasteli v podpoglavjih 5.2.4 in 5.2.5, v vodnem stolpcu merijo vsaj se pH vode ter koncentracija hranil in DOC. To je predvsem pomembno za kvalitativno pravilno modeliranje koncentracij MMHg. Za modeliranje letne dinamike koncentracije zivega srebra bi potrebovali se meritve jeseni in pozimi; za modeliranje osnovnih dinamicnih znacilnosti sistema bi zadostovalo ze nekaj tock v Sredozemskem morju. Ce si zelimo pri modeliranju pomagati z orodji strojnega ucenja, morajo biti meritve opravljene na poseben nacin: ena tocka v enem casovnem koraku pomeni en primer za ucenje; vsako meritev zvrsti Hg morajo torej spremljati meritve vseh ostalih atributov.
8 POVZETEK
Onesnazenost voda velja za enega pomembnejsih ekoloskih problemov v danasnjem casu. V rekah Idrijci in Soci ter v Trzaskem zalivu in Sredozemskem morju je poleg ostalih onesnazeval v visokih koncentracijah prisotno tudi zivo srebro. V Trzaskem zalivu je zivo srebro vezano predvsem na delce sedimentov, v Sredozemskem morju pa glavni del problema predstavljata metilacija zivega srebra in bioakumulacija vzdolz prehranjevalne verige. Pri dolocanju obsega onesnazenosti voda in moznosti sanacije si pomagamo z matematicnimi modeli. Pri matematicnem modeliranju koncentracij zvrsti zivega srebra v Trzaskem zalivu je potrebno upostevati vse pomembne fizikalne vplive na sedimentacijo in resuspenzijo delcev v zalivu. Pri modeliranju bio-geokemicnega krozenja zivega srebra v Sredozemskem morju pa moramo upostevati vpliv vseh pomembnih ekoloskih procesov na spreminjanje koncentracije zvrsti zivega srebra.
Na Katedri za mehaniko tekocin Fakultete za gradbenistvo in geodezijo UL FGG razvijamo in uporabljamo 3D baroklini hidrodinamicni model PCFLOW3D. Doslej je model PCFLOW3D vseboval hidrodinamicni, transportno-disperzijski, sedimentacijski in biogeokemicni modul, v okviru disertacije pa smo ga nadgradili se z dvema pelagicnima modeloma za nizji del prehranjevalne verige, z bentoskim modelom za dolocanje vpliva mineralizacije OM v sedimentih na vrednosti okoljskih spremenljivk v vodnem stolpcu, z empiricnim modelom valovanja za Trzaski zaliv, z empiricnimi modeli za dolocanje skalarnih polj konduktivnosti, transmisije, kisika in fluorescence klorofila-a v Sredozemskem morju ter z empiricnimi modeli za dolocanje skalarnih polj celokupnega, elementarnega, reaktivnega, monometil in dimetil zivega srebra v Sredozemskem morju.
Pelagicna modela za nizji del prehranjevalne verige temeljita na Crispi in sod. (2002) in Fennel in sod. (2006). Model na osnovi Crispi in sod. (2002) vsebuje 10 spremenljivk: fosfate, nitrate, amoniak, kisik, majhen fitoplankton (ultraplankton), velik fitoplankton (netplankton), zooplankton, koncentracijo fosforja v detritu, koncentracijo dusika v detritu in koncentracijo ogljika v detritu. Med procesi v vodnem stolpcu eksplicitno uposteva mineralizacijo OM (z moznostjo upostevanja razlicnih hitrosti razgradnje fosforja, dusika in ogljika), nitrifikacijo in izmenjavo kisika med vodo in atmosfero, implicitno pa uposteva se vpliv mikrobnih procesov in krozenja DOM na vrednosti spremenljivk. Ta pelagicni model je kompleksen in zahteven za uporabo, vendar ponuja moznost izjemno natancnega modeliranja dinamike fito- in zooplanktona ter koncentracije hranil v vodnem stolpcu. Kot eden izmed redkih modelov v svetovnem merilu uposteva tudi moznost hranjenja fitoplanktona s fosfati, posebnost pa predstavlja tudi eksplicitno dolocanje koncentracije kisika v vodnem stolpcu. Primarno je namenjen modeliranju Sredozemskega morja, z malo ali celo nic popravki pa je zelo uporaben tudi za modeliranje Trzaskega zaliva, Blejskega jezera ali drugih obmocij s kompleksno ekologijo.
Model na osnovi Fennel in sod. (2006) vsebuje 7 spremenljivk: nitrate, amoniak, fitoplankton, zooplankton, klorofil, majhen detrit in velik detrit. Med procesi v vodnem stolpcu upo s teva mineralizacijo OM, nitrifikacijo ter agregacijo fitoplanktona in majhnega detrita v velik detrit. V primerjavi s Crispi in sod. (2002) je Fennel in sod. (2006) robustnej si in enostavnej si za uporabo, njegova prednost pa je predvsem v eksplicitnem dolocanju koncentracije klorofila-a v vodnem stolpcu ter v natancnej sem modeliranju usedanja POM. Ta model je primarno namenjen modeliranju priobalnih obmocij, vendar v splosnem velja, da ga lahko uporabimo kjerkoli in praviloma daje zelo dobre rezultate.
Z bentos kim modelom Fennel in sod. (2006) modeliramo vpliv procesov razgradnje OM v sedimentih na koncentracijo biogeokemicnih spremenljivk v vodnem stolpcu. Temelji na modelu Seitzinger in Giblin (1996), ki med reakcijami mineralizacije OM v sedimentih uposteva aerobno respiracijo, nitrifikacijo in denitrifikacijo. Posledici nastetih procesov sta pretok amoniaka iz sedimentov in poraba kisika v vodi nad dnom; v modelu PCFLOW3D oba procesa upostevamo kot robni pogoj na dnu. Bentoski model Fennel in sod. (2006) je primarno namenjen natancnej semu dolocanju vrednosti biogeokemicnih spremenljivk v vodnem stolpcu na obmocjih kontinentalnih robov (naceloma do globine morja 250 m) in ga lahko uporabljamo v kombinaciji s katerimkoli pelagicnim modelom.
Model valovanja za Trzas ki zaliv smo razvili iz podatkov za veter, tokove in valove, ki se vzorcijo na oceanografski boji Morske Biolos ke Postaje Piran. Uporabili smo orodje ANFIS (program Matlab Fuzzy Logic Toolbox), ki modele gradi s kombinacijo indukcije in dedukcije, in sicer s kombinacijo mehke logike in nevronskih mrez. Rezultat je model tipa Takagi-Sugeno, s katerim lahko napovemo vrednosti povprecne in vrsne periode valov, povprecne in maksimalne visine valov, srednje smeri potovanja valov in razprsenosti valov pri vrsni periodi. Vhodne spremenljivke so vrednosti privetrisca ter znacilne vrednosti vetra in tokov v Trzas kem zalivu; iz meteorolos ke prognoze vhodnih spremenljivk lahko znacilne vrednosti valov napovemo tudi za poljubno stevilo ur vnaprej. Rezultati razvitega modela so primerljivi z rezultati mnogih fizikalnih modelov valovanja, ce jih uporabimo v priobalnem obmocju s kompleksnimi geografskimi, hidrodinamicnimi in meteorolos kimi pogoji. Kakovostna je predvsem dolocitev povprecne in maksimalne visine valov z r « 0.95; ocene modelov za periodo in smer potovanja valov so nekoliko nizje, a so rezultati modelov kljub temu dobri in uporabni. Prednost razvitega modela valovanja pred fizikalnimi modeli sta predvsem preprosta uporaba in moznost neposredne napovedi izhodnih spremenljivk iz vrednosti meteoroloskih in hidrodinamicnih kolicin s spletne strani ARSA. Glavna pomanjkljivost nasega modela pa je, da rezultatov zaenkrat ne moremo z gotovostjo raz s iriti na celotno obmocje zaliva, saj smo za gradnjo modela uporabili samo podatke iz ene tocke v zalivu.
Empiricne modele za napoved skalarnih polj konduktivnosti, transmisije, kisika in fluorescence klorofila-a v Sredozemskem morju smo razvili induktivno z metodo modelnih dreves (program Weka). Dobro so ocenjeni predvsem modeli za konduktivnost, transmisijo in kisik (r « 1.0). Empiricni modeli so primarno namenjeni natancenj si dolocitvi koncentracije zvrsti zivega srebra, ki je od teh spremenljivk odvisna, lahko pa jih uporabimo tudi za hitro napoved teh spremenljivk ali za primerjavo vrednosti, ki jih dobimo s kompleksnej s imi modeli. Model za dolocanje koncentracije kisika lahko uporabimo tudi v kombinaciji s konceptualnim modelom za nizji del prehranjevalne verige Fennel in sod. (2006), ki koncentracije kisika v vodnem stolpcu ne doloca eksplicitno.
Empiricne modele za napoved skalarnih polj celokupnega, elementarnega, reaktivnega, mono-
metil in dimetil zivega srebra v Sredozemskem morju smo prav tako razvili induktivno z modelnimi drevesi. Ti modeli so slabse ocenjeni, med razlogi za to pa so predvsem nepopolno teoreticno znanje o krozenju zivega srebra v vodnem okolju, s um v podatkih in odsotnost nekaterih pomembnih atributov v postopku ucenja. Pomembnej s i kot so v danem primeru rezultati modelov pa so zakljucki, ki jih dobimo na osnovi izbranih atributov v modelih: glede na rezultate lahko sklepamo, da na koncentracijo zivega srebra v morskem okolju najbolj vplivajo kisik, prisotnost delcev organske snovi (fitoplanktona, POM, DOM) in intenziteta svetlobe. Vpliv teh spremenljivk na koncentracijo zvrsti zivega srebra v jezerih in morjih lahko odslej natancneje dolocamo tudi z novim bentosko-pelagicnim modelom za nizji del prehranjevalne verige v vodnem okolju. Kot najbolj smiselna moznost modeliranja krozenja zivega srebra v vodnem okolju se v prihodnje kaze kombinacija konceptualnih in empiricnih modelov.
Model PCFLOW3D smo nadgradili tudi z dvema uporabnis kima vmesnikoma. Prvi je namenjen graficnemu izrisu skalarnih in vektorskih polj okoljskih spremenljivk in ponuja moznost izrisa 2D in 3D prerezov (horizontalnih in vertikalnih) ter casovne dinamike spremenljivk. Drugi je namenjen delu s podatki, primarno za orodje ANFIS, z nekaj manj simi popravki pa tudi za delo z drugimi podatki. Del disertacije predstavlja tudi angles ko-slovenski slovar uporabljenih strokovnih izrazov; za mnoge med njimi pred tem nismo imeli slovenskega prevoda.
V okviru disertacije smo model PCFLOW3D uporabili za modeliranje Sredozemskega morja in Trzaskega zaliva. Rezultati so v obeh primerih primerljivi s podatki in/ali predhodnimi studijami obeh obmocij. Za obmocje Sredozemlja smo z modelom za nizji del prehranjevalne verige dolocili vecletno dinamiko nihanja primarne produkcije in drugih okoljskih spremenljivk. Dolocili smo tudi karto koncentracije klorofila-a v povrs inskem sloju morja v casu pomladnega cvetenja in 2D skalarna polja ostalih modeliranih ekolos kih spremenljivk ter koncentracij zvrsti zivega srebra. Za obmocje Trzaskega zaliva smo dolocili znacilna 2D polja periode, vi s ine in smeri potovanja valov, kakrsna lahko pricakujemo ob pihanju treh tipicnih vetrov v Trzas kem zalivu (burje, juga, maestrala) in ob nastopu ekstremnih razmer (burja s povprecno jakostjo 15 m/s in s sunki do 40 m/s). S tako dolocenimi vrednostmi vi s ine in periode valov lahko v prihodnje po zgledu Zagarja v (1999) dolocimo kolicino resuspendiranega materiala z dna Trzas kega zaliva zaradi valovanja, od tod pa spremembo koncentracije zvrsti zivega srebra v vodnem stolpcu in v sedimentih zaliva zaradi kombiniranega vpliva vetra, valov in tokov.
Nadgrajeni model PCFLOW3D ponuja s iroko paleto moznosti modeliranja hidrodinamicnih in ekolos kih spremenljivk v vodnem okolju. Uporabljamo ga lahko za modeliranje globokih oceanov, obmocij kontinentalnih robov, ustij rek in celinskih voda, samo z nekaj popravki pa ga lahko uporabljamo tudi za modeliranje krozenja ogljika ali drugih elementov in spojin. V prihodnje se kot najbolj ekonomicna moznost modeliranja in nadaljnje nadgradnje modela PCFLOW3D kaze kombinacija matematicnega modeliranja in empiricnih metod. Med slednjimi je pogosto smiselno namesto preprostejsih statisticnih funkcij uporabiti naprednej se metode umetne ineteligence, predvsem metode, ki za gradnjo modelov uporabljajo kombinacijo indukcije in dedukcije.
9 SUMMARY
Water pollution is considered to be one of the major contemporary ecological problems. In the Idrijca and Soca Rivers, in the Gulf of Trieste and the Mediterranean Sea mercury is present in high concentrations, among other pollutants. In the Gulf of Trieste, mercury is mostly bound to sediment particles, while in the Mediterranean Sea the major problem represents the methylation of mercury and bioaccumulation along the trophic chain. In determining the extent of pollution and the possible ways of sanitation we are greatly helped by mathematical models. For a correct representation and modelling of the concentrations of mercury species in the Gulf of Trieste it is important to take into account all the important physical aspects of the sedimentation and resuspension of sediments in the bay. For a correct representation of the biogeochemical cycle of mercury in the Mediterranean Sea it is necessary to take into account all the important ecological processes which influence the concentration of mercury in the water column.
In the Department of Fluid Mechanics at the Faculty of Civil and Geodetic Engineering of the University of Ljubljana, the 3D baroclinic hydrodynamic model PCFLOW3D is used for problems of this type. Until now, the PCFLOW3D model consisted of the hydrodynamic, the transport-dispersion and the biogeochemical modules. In the dissertation, the PCFLOW3D model was upgraded with two pelagic lower trophic level models, with a benthic model of sediment organic matter mineralization processes, with an empirical wave model for the Gulf of Trieste, with empirical models for scalar fields of conductivity, transmission, dissolved oxygen concentration and fluorescence of chlorophyll-a in the Mediterranean Sea, and with empirical models for the determination of scalar fields of total, elementary, reactive, monomethyl and dimethyl mercury in the Mediterranean Sea.
Pelagic lower trophic level models are based primarily on the works of Crispi et al. (2002) and Fennel et al. (2006). The model based on Crispi et al. (2002) includes 10 variables: phosphates, nitrates, ammonium, dissolved oxygen concentration, small phytoplankton (ultraplankton), large phytoplankton (netplankton), zooplankton and the concentrations of phosphorus, nitrogen and carbon in the detritus compartment. Among the processes in the water column the model explicitly takes into account mineralization of organic matter (together with the possibility of taking into account the various mineralization rates of phosphorus, nitrogen and carbon), nitrification and exchange of oxygen between water and atmosphere, and implicitly the microbial loop and the concentration of DOM are taken into account. The pelagic model based on Crispi et al. (2002) is complex and demanding for application, but it enables us to accurately model the dynamics of phyto- and zooplankton and of the concentrations of nutrients in the water column. As one of few models of this type it also takes into account the possibility of phytoplankton to feed on phosphates and the explicit determination of the dissolved oxygen concentration in the water column. The model is originally developed for modelling of the Mediterranean Sea, but,
with only little additional correction, it can be applied in the Gulf of Trieste, Lake Bled or in other water compartments with complex ecology.
The model based on Fennel et al. (2006) includes 7 variables: nitrates, ammonium, phyto-plankton, zooplankton, chlorophyll-a, small detritus and large detritus. Among the processes in the water column it takes into account mineralization of organic matter, nitrification and aggregation of phytoplankton and small detritus into large detritus. In comparison with Crispi et al. (2002), this model is more robust and easier for application. Its primal qualities are the explicit determination of the concentration of chlorophyll-a and a more precise modelling of POM settling. The model is primarily intended to be used for modelling of the continental margin regions, but in general, it is applicable anywhere and the results are usually very good.
The benthic model of Fennel et al. (2006) is intended to be used for modelling of organic matter mineralization processes in sediments and their impact on the concentrations of the biogeochemical variables in water column. It is based on the model of Seitzinger and Giblin (1996), which takes into account aerobic respiration, nitrification and denitrification. These processes result in the flux of ammonium from sediments and in consumption of dissolved oxygen in the water column; in the PCFLOW3D model both processes are modelled as bottom boundary conditions. With the use of the benthic model of Fennel et al. (2006), the water column biogeochemistry of variables in shelf and continental margin regions can be determined much more accurately. On principle, the model should be used in regions with water depths less than 250 m and it can be used in combination with any other pelagic model.
The wave model for the Gulf of Trieste was generated from wind, wave and current data, which are measured on the oceanographic buoy of the Marine Biology Station of Piran. The ANFIS tool was used for modelling (Matlab Fuzzy Logic Toolbox software). ANFIS generates models with a combination of induction and deduction, namely with a combination of fuzzy logic and neural networks. The result is a Takagi-Sugeno type of fuzzy model, which in our case can be used to model the average and peak values of period, the average and maximum values of wave height, mean direction of wave propagation and spread of waves at the value of peak period. The input variables are fetch and the representative values of wind and currents in the Gulf of Trieste; from the meteorological forecast of the input variables waves can be forecasted even 72 hours ahead. The results of our wave model are comparable with the results of many physical wave models, when they are used in near-shore regions with complex geographical, hydrodynamic and meteorological conditions. Especially the forecast of wave height is reliable with r « 0.95; the models for wave period and the direction of wave propagation are evaluated as a bit worse, but the modelling results are good nevertheless. The advantages of our model in comparison with physical models are above all the simple application and the possibility of forecasting waves directly from the meteorological and the hydrodynamic variables, which are published daily at the ARSO web page. On the other hand, the major drawback of our model is the fact that the data used for modelling weremeasured only on one buoy in the bay, and consequently the results at present cannot be reliably extended to the whole Gulf of Trieste.
Empirical models for conductivity, transmission, dissolved oxygen concentration and the chloro-phyll-a fluorescence in the Mediterranean Sea were generated inductively using model trees (Weka software). Above all, the models for conductivity, transmission and dissolved oxygen concentration are evaluated as very good (r « 1.0). These models are primarily intended to be used for a more correct determination of the concentrations of mercury species which depend on them, but they can also be used for a quick determination of scalar fields of these variables
or for a comparison of the results which we get with more sophisticated models. The model for dissolved oxygen concentration can also be used with conceptual model for lower trophic level by Fennel et al. (2006), which does not model the concentration of dissolved oxygen explicitly.
Empirical models for the concentrations of total, elementary, reactive, monomethyl and dimethyl mercury in the Mediterranean Sea were also generated inductively using model trees. These models are evaluated as less reliable. The main reasons for this are the insufficient theoretical knowledge about the cycling of mercury in water compartments, noise in the data used for modelling and the absence of certain important attributes in the process of learning. In our case, the evaluation of models is less important than the conclusions based on the structure of the models: according to the choice of attributes in the models it can be concluded that the concentration of mercury species in the Mediterranean Sea is most influenced by dissolved oxygen concentration, organic matter concentration (phytoplankton, POM, DOM) and light intensity. In future, the influence of these variables on the concentrations of mercury species in lakes and seas can be determined more correctly using the upgraded PCFLOW3D model with the benthic-pelagic lower trophic level model for water compartments. One of the most sensible ways of modelling the biogeochemical cycling of mercury in water compartments seems to be the combination of conceptual and empirical models.
The PCFLOW3D model was also upgraded with two graphical user interfaces. The first one is designed for graphical representation of scalar and vector fields of environmental variables; it enables us to represent the 2D and 3D profiles and the oscillations of variables with relation to time. The second one was designed for working with data, primarily with the ANFIS tool, but with only little correction also for working with other databases. A part of the dissertation is represented by an English-Slovene glossary of technical terms; for many of them there was no suitable Slovene translation available before.
In the dissertation, the PCFLOW3D model was used for modelling of the Mediterranean Sea and the Gulf of Trieste. In both cases the results are comparable with the data and/or other studies of both regions. In the Mediterranean Sea, the lower trophic level model was used to model the dynamics of primary production and other environmental variables. The results are 2D maps of the concentrations of chlorophyll-a, zooplankton and detritus in the surface water layer during spring bloom. The maps of the concentrations of mercury species are presented as well. For the region of the Gulf of Trieste, typical 2D maps of wave height and wave period, which develop during typical winds (bora, sirocco, maestral) and during extreme conditions (bora wind with average speed of 15 m/s and maximum speed of 40 m/s), are presented. In future, these maps can be used to model the combined impact of currents, winds and waves on the resuspension of sediments from the sea floor (as in Zagar, 1999), and consequently on the concentration of mercury in the water column.
The upgraded PCFLOW3D model offers a wide range of modelling possibilities. It can be used to model the environmental processes in deep seas and in the surface layers, as well as in the regions of continental margins, estuaries and surface water compartments. With little correction it can also be used to model the biogeochemical cycling of carbon and other elements and compounds. In future, one of the most economic ways of environmental modelling and additional upgrading of the PCFLOW3D model seems to be the combination of mathematical modelling and empirical methods. Among the latter, it is often reasonable to use the advanced methods of artificial intelligence which combine induction and deduction.
10 ANGLEŠKO-SLOVENSKI SLOVAR
Podajamo se anglesko-slovenski slovar uporabljenih strokovnih izrazov.
abundance - abundanca, namnozitev; izraz se nanasa na namnozitev fitoplanktona v casu cvetenja
abyssal plane - abisalna ravnina; ravno ali zelo polozno obmocje na dnu oceanske kotline, nahaja se med kontinentalnim pobocjem in srednjeoceanskim hrbtom
allocation tree - razvrstitveno drevo
allometric or size-based modelling approach - alometricno ali velikostno modeliranje
anoxia, hypoxia - anoksija, hipoksija; odsotnost (anoksija) oz. mocno zmanjsana (hipoksija) kolicina molekularnega kisika v vodnem stolpcu; kisik je v tem primeru prisoten v spojinah (npr. nitratih), za razliko od anaerobnih pogojev, ki pomenijo odsotnost kisika v vseh oblikah
assimilation - asimilacija hrane v organsko snov organizma
basic wave - osnovno valovanje
beat wave, envelope wave - utripalni val, ovojnica skupinskega vala; predstavlja ovojnico nihanja osnovnih valov (basic waves)
benthic processes - bentoski procesi; izraz oznacuje procese, ki se odvijajo na dnu vodnega stolpca in v sedimentih
benthic chamber - bentoska komora
bimodal dynamics - bimodalna dinamika; izraz se nanasa na letno nihanje v kolicini primarne produkcije in pomeni, da fitoplankton doseze dva viska, obicajno prvega spomladi in drugega jeseni
biological pump - bioloska crpalka
bioturbated layer - bioturbacijski sloj, uporablja se tudi izraz premesani sloj (mixed layer); vrhnji sloj sedimentov, za katerega so znacilni bioturbacija in ostali procesi, ki jih vrsijo organizmi
bioturbation - bioturbacija; premescanje delcev v vrhnji plasti sedimentov zaradi delovanja bentoskih organizmov
bioirigation - bioirigacija; izmenjava porne vode z vodo nad dnom zaradi delovanja bentoskih organizmov
bloom - visek cvetenja fitoplanktona
box model - oddelcni model
breakdown - razgradnja, razkroj; izraz se nanas a na razgradnjo mrtve organske snovi breaker zone - obmocje ru senja valov breaking wave, breaker - ru s ilni val buoyancy content - notranji vzgon
burial - zakopavanje; izraz se nanasa na zakopavanje sedimentov na dnu oceanov capillary wave - kapilarni val; val, pri katerem med silami prevladuje povr s inska napetost celerity, wavespeed, phase speed - fazna hitrost vala
chop waves - odsekano valovanje; nizki, kratki, neurejeni valovi, ki nastanejo zaradi sibkega vetra
classical trophic chain - klasicna prehranjevalna veriga; prehranjevalna veriga brez mikrobne zanke
conductivity - konduktivnost, elektricna prevodnost (morske vode)
continental margin - kontinentalni rob; je sirsi izraz kot npr. kontinentalna polica ali kontinentalno pobocje in v splos nem pomeni del oceanskega dna v (relativni) blizini obale
continental shelf, shelf - kontinentalna polica, kontinentalni self, self; nahaja se med obalo in kontinentalnim pobocjem
continental slope - poloznejsi (zgornji) del kontinentalnega pobocja; kontinentalno pobocje se nahaja med kontinentalno polico in abisalno ravnino
continental rise - strmejsi (spodnji) del kontinentalnega pobocja
compensation depth - kompenzacijska globina; globina, pri kateri je (po globini povprecna) fitosinteza enaka (po globini povprecni) respiraciji
convergence - konvergenca, stekanje
deep chlorophyll maximum, DCM - klorofilni maksimum
deep ocean - globoki ocean; predel oceana pod foticno cono, ki vkljucuje termoklino in sloje pod njo
defuzzification - defuzifikacija; pretvarjanje mehkih spremenljivk v numericne vrednosti na izhodu iz mehkega sistema
denitrification - denitrifikacija
density-dependent processes - odvisnost od gostote populacije; procesi, ki so odvisni od dane spremenljivke
detritus - detrit, detritus
diagenesis - diageneza; izraz oznacuje skupen ucinek procesov sedimentacije, strjevanja, zlepl-janja in konsolidacije sedimentov na dnu oceanov
diagenesis model - model diageneze; model, ki opisuje procese v zgornji plasti sedimentov (early diagenesis)
diatoms - diatomeje, kremenaste alge
diazotrophs - diazotrofi, fiksatorji dusika difraction = difrakcija; kompliciran lom vala z interferenco dimethyl mercury, DMHg - dimetil zivo srebro, Hg(CH3)2 dinoflagellates - dinoflagelati, oklepni bickarji
dispersion - disperzija; lastnost vala, da se mu amplituda med potovanjem zmanjsuje
dispersion zone - obmocje disperzije; nastopi na odprtem morju, zanj so znacilni mrtvi valovi
dissolved gasseous mercury, DGM - elementarno zivo srebro, Hg0
dissolved organic matter, DOM - raztopljena organska snov
divergence - divergenca, raztekanje
downwelling - spust vode
early diagenesis - diageneza; v tem primeru izraz oznacuje vrhnjo plast sedimentov, za katero je znacilna izmenjava snovi med sedimenti in vodnim stolpcem ter bioturbacija, bioirigacija in podobni procesi
egestion - izlocanje; v modelih za nizji del prehranjevalne verige se ta izraz uporablja splo sno za izlocke organizmov
Ekman pumping - Ekmanov nadtlak
Ekman suction - Ekmanov podtlak
euphotic zone - foticna cona
eutrophication - evtrofikacija, postopno vis anje kolicine hranil v vodnem telesu
evolutionary algorithm - evolucijski algoritem, genetski algoritem; eden izmed algoritmov mehkega racunanja
evolutionary computation - evolucijsko racunanje
excretion - izlocanje; izraz se uporablja za trdne izlocke zooplanktona
export - izvoz, eksport; izraz se nanas a na izvoz organske snovi iz povrs inskega sloja
export pathway - izvozni ali eksportni ekosistem
export production - izvozena ali eksportna produkcija
exudation - izlocanje; izraz se uporablja za izlocke fitoplanktona (znoj, ipd.)
fecal pellets - fekalni pelet; izraz se obicajno nanas a na fekalne izlocke zooplanktona
fetch - privetrisce, privetrna razdalja
fetch zone - obmocje privetrisca; zanj so znacilni kaoticni valovi film replacement model - model izmenjave plasti fixation - fiksacija plinastega N2
flux - pretok, fluks; izraz se nanas a na pretok spremenljivk med deli modeliranega obmocja (npr. med vodo in sedimenti, med kontrolnimi volumni, med oddelki v oddelcnih modelih, idr)
fugacity - fugativnost, tudi fugiciteta, fugasnost; termodinamicna kolicina, analogna aktivnosti
raztopljene snovi; izraz se nanasa na topnost plinov v vodi
fuzzification - fuzifikacija; mehcanje spremenljivk na vhodu v mehak sistem
fuzzy logic - mehka logika
fuzzy set theory - teorija mehkih mnozic
fuzzy system, FIS - mehak sistem
gelatonous macroaggregates - sluzasti makroagregati; posebni (mukusni) izlocki organizmov; v Trzaskem zalivu se npr. pojavijo samo ob zadostni kolicini hranil skladno z abundanco fitoplanktona in so pokazatelj evtrofnosti morja
geostrophic equations - geostrofske enacbe
gravity wave - gravitacijski ali teznostni val; izraz v splosnem pomeni val v kapljevini grazing - pasa
gross primary production, GPP - celotna ali bruto primarna produkcija
growth half-saturation constant - koeficient polovicne rasti, imenujemo ga tudi saturacijska, Michaelisova ali Monodova konstanta
growth rate - stopnja rasti organizmov
halocline - haloklina; znacilen potek spreminjanja slanosti vode z globino harmony search - iskanje harmonije; eden izmed algoritmov mehkega racunanja hedge - atribut v mehki logiki
humidity - vlaznost; kolicina vodne pare v zraku ali drugem plinu if-then rule - odlocitveno pravilo
ingestion - hranjenje; izraz se nanasa splosno na uzivanje hrane razlicnih organizmov input - input, dotok
internal matter ratio - razmerje P:N:C v organski snovi organizmov
irradiance - osoncenost, soncno sevanje, intenziteta svetlobe
light attenuation coefficient - koeficient zmanjsanja svetlobe z globino
limiting, biolimiting nutrients - limitna hranila, limitni nutrienti; izraz se nanasa na hranila, ki zaradi premajhne kolicine omejujejo rast fitoplanktona
lysis - razpad; izraz se nanasa na smrtnost fitoplanktona
macronutrients - makrohranila, makronutrienti; izraz se nanasa samo na dusik N in fosfor P membership function - pripadnostna funkcija
mesoscale processes - procesi, ki se odvijajo v srednje velikih merilih (prostorskih, casovnih) meteorological boundary layer model - model meteoroloske mejne plasti microbial loop - mikrobna zanka
microbial trophic chain - mikrobna prehranjevalna veriga; prehranjevalna veriga, v kateri upostevamo tudi mikrobno zanko
micronutrients - mikrohranila, mikronutrienti; izraz se nanasa na esencialne elemente v sledeh
mid-ocean ridge, MOR - srednjeoceanski hrbet, srednjeoceanski greben; preko 60.000 km dolg podmorski hrbet na dnu treh oceanov, za katerega sta znacilni seizmicna in vulkanska aktivnost
mineralization, remineralization - mineralizacija, remineralizacija; razgradnja organske snovi v osnovne gradnike (hranila, itd)
mixed layer - premesani sloj; vrhnji dobro premesan sloj morja s T « konst moisture - vlaznost; splosen izraz, ki oznacuje kolicino vode v neki snovi monomethyl mercury, MMHg - monometilno zivo srebro, CH3Hg+
mortality - smrtnost; izraz se nanasa na smrtnost razlicnih organizmov, tudi fitoplanktona
mucus - mukus; sluz, ki jo izlocajo nekateri zooplanktonski in drugi heterotrofni organizmi
multi-valued logic - vecvrednostna logika
neto primary production, NPP - neto primarna produkcija
neuro-fuzzy - kombinacija mehkih sistemov in nevronskih mrez (NFsistemi)
new production - nova produkcija
nitrification - nitrifikacija
nitrogen fixers - fiksatorji dusika, diazotrofi
nutricline, nitricline - nutriklina, nitriklina; znacilen potek spreminjanja koncentracije hranil oz. nitratov z globino
nutrients - hranila, nutrienti, tudi esencialni elementi; izraz se nanasa samo na dusik N, fosfor P ter na nekatere elemente v sledeh (Si, Fe, Mn)
organic matter, OM - organska snov
outcrop - prodor; izraz se v nasem primeru nanasa na tocko na gladini, skozi katero v vodno telo vteka voda z drugacno gostoto
output - output, odtok
particulate organic matter, POM - suspendirana organska snov
peak wave frequency - vrsna frekvenca valov; frekvenca, ki se v zapisu nihanja gladine najveckrat ponovi
pelagic processes - pelagicni procesi; izraz se nanasa na procese v vodnem stolpcu photic zone - foticna cona
photosynthetically active radiation, PAR - obmocje fotosintetsko aktivnega sevanja, ustreza soncnemu sevanju z valovno dolzino med 400 — 740 nm
picnocline - piknoklina; znacilen potek spreminjanja gostote vode z globino
predation - hranjenje; izraz se nanasa na hranjenje zooplanktona in ostalih heterotrofnih organizmov
progressive wave - progresivni ali potujoci val ractive mercury, RHg - reaktivno zivo srebro, Hg2+
refraction = refrakcija, lom vala
regenerated production - regenerirana produkcija
regeneration loop - regeneracijski ekosistem
retention time, turnover time - zadrzevalni, rezidencni ali retencijski cas
saturation - saturacija, zasicenost; izraz se nanas a na zasicenost vode z dolocenim plinom
sediment trap - sedimentna past
seiche wave - stojni val; stojeci val, ki nastane v zaprtem zalivu kot odziv na posamezne zunanje motnje
significant wave height - znacilna vis ina valov; povprecna vis ina tretjine najvi sjih valov
silicoflagellates - silikoflagelati
soft conputing - mehko racunanje
specific growth rate - specificna stopnja rasti
stagnant film model - model mirujoce plasti
standing wave - stojeci val
stoichiometric ratio - stehiometricno razmerje, stehiometrija
surf zone - obrezno obmocje nelinearnih valov; del s irsega obmocja rusenja valov, na katerem se valovi rusijo
surface ocean - povrs inski sloj oceana; oznacuje obmocje foticne cone
swarm intelligence - kolektivna inteligenca ali inteligenca roja; eden izmed algoritmov mehkega racunanja
swash zone - obmocje porusenih valov; del s irsega obmocja rusenja valov, na katerem so valovi ze poru seni in se z manj so vsebnostjo energije priblizujejo obali
swell wave - mrtvi val; periodicno valovanje, znacilno za odprto morje
termocline - termoklina; znacilen potek spreminjanja temperature vode z globino
total mercury, THg - celokupno zivo srebro
total wave height - totalna visina vala; vertikalna razdalja med najnizjo in najvisjo tocko v seriji valov
transmission - transmisija; izraz se nanas a na prepustnost (morske) vode za svetlobo
transpher velocity, piston velocity - prenosna ali transferna hitrost; koeficient izmenjave plina med vodo in atmosfero kw
trophic level - troficni nivo
uptake - poraba hranil zaradi hranjenja fitoplanktona upwelling - dvig vode urea - urea, secnina
variability - variabilnost, spremenljivost
wave climate - valovno podnebje; izraz se nana sa na casovno spremenljivost statisticnih kolicin valovanja
wave generation model - model valovanja
wave spectrum - spekter valov; razprsenost energije valov po razlicnih frekvencah nihanja wind-wave model - model vetrnih valov
Zadeh's operator, fuzzy operator - Zadehov operator, mehak operator; operatorji in A, ali V, idr. v mehki logiki
zero-up crossings - stevilo prehajanj cez 0; kolikokrat graf nihanja gladine seka casovno os x od spodaj
VIRI
Abraham, E.R., Law, C.S., Boyd, P.W., Lavender, S.J., Maldonado, M.T., Bowie, A.R. 2000. Importance of stirring in the development of an iron-fertilized phytoplankton bloom. Nature 407: 727-730.
Agawin, N.S.R., Duarte, C.M., Agusti, S. 2000. Nutrient and temperature control of the contribution of picoplankton to phytoplankton biomass and production. Limnol. Oceanogr. 45: 591-600.
Airy, G. B. 1845. Tides and Waves. Encyc. Metrop. 192: 241-396.
Aller, R.C., Blair, N.E., Xia, Q., Rude, P.D. 1996. Re-mineralization rates, recycling, and storage of carbon in Amazon shelf sediments. Continental Shelf Research 16: 753-786.
Amyot, M., Mierle, G., Lean, D., McQueen, D.J. 1997. Effect of solar radiation on the formation of dissolved gaseous mercury in temperate lakes. Geochim Cosmochim Acta 61, 5: 975-87.
Andersen, V., Nival, P., Harris, R.P. 1987. Modelling of a planktonic ecosystem in an enclosed water column. J. Mar. Biol. Assoc. U.K. 67: 407-430.
Andersen, V., Nival, P. 1988. Modele d'ecosysteme pelagique des eaux cotieres de la Mer Ligure. Oceanol. Acta 9 (SP): 211-217.
Anderson, L.A. 1995. On the hydrogen and oxygen content of marine phytoplankton. Deep-Sea Res. 1, 42: 1675-1680.
Anderson, L.A., Sarmiento, J.L. 1994. Global ocean phosphate and oxygen simulations. Global Bio-geochem. Cycles 9: 621-636.
Andersson, J.H., Wijsman, J.W.M., Herman, P.M.J., Middelburg, J.J., Soetaert, K., Heip, C. 2004. Respiration patterns in the deep ocean. Geophys. Res. Lett., 31.
Andersson, M., Gardfeldt, K., Wangberg, I., Sprovieri, F., Pirrone, N. 2007. Seasonal and daily variation of mercury evasion at coastal and off shore sites at the Mediterranean Sea. Mar Chem, 107, 1: 104-16.
Antoine, D., Morel, A., Andre, J.-M. 1995. Algal pigment distribution and primary production in the eastern Mediterranean as derived from coastal zone color scanner observations. J. Geophys. Res. 100 (C8), 16: 193-16, 209.
Armstrong, R.A. 1994. Grazing limitation and nutrient limitation in marine ecosystems: Steady state solutions of an ecosystem model with multiple food chains.
Armstrong, R.A., Lee, C., Hedges, J.I., Honjo, S., Wakeham, S.K. 2002. A new, mechanistic model for organic carbon fluxes in the ocean based on the quantitative association of POC with ballast mineral. Deep-Sea Research II, 49: 219-236.
Atanasova, N., Todorovski, L., Dzeroski, S., Kompare, B. 2006. Constructing a library of domain knowl-
edge for automated modelling of aquatic ecosystems. Ecol Mod, 194, 1-3: 14-36.
Atanasova, N., Todorovski, L., Dzeroski, S., Kompare, B. 2008. Application of automated model discovery from data and expert knowledge to a real-world domain: Lake Glums0. Ecol Mol, 212: 92-98.
Azam, F., Fenchel, T.,.Field, J.G., Gray, J.S., Meyer-Reil, L.A., Thingstad, F. 1983. The ecological role of water-column microbes in the sea. Marine Ecology Progress Series 10: 257-263.
Azov, Y. 1986. Seasonal patterns of phytoplankton productivity and abundance in nearshore oligotrophic waters of the Levant Basin (Mediterranean). J. Plankton Res. 8, 1: 41-53.
Bacastow, R.B., Maier-Reimer, E. 1990. Ocean-circulation model of the carbon cycle. Climate Dynamics, 4: 95-125.
Bacci, E. 1989. Mercury in the Mediterranean. Mar Poll Bull 20, 2: 59-63.
Bannister, T.T. 1974. A general theory of steady state phytoplankton growth in a nutrient saturated mixed layer. Limnol. Oceanogr. 19: 13-30.
Barkay, T., Miller, S.M., Summers, A.O. 2003. Bacterial mercury resistance from atoms to ecosystems. FEMS Microbiology Reviews 27: 355-384.
Barkay, T., Gillman, M., Turner, R.R. 1997. Effects of dissolved organic carbon and salinity on bioavailability of mercury. Applied and Environmental Microbiology 63, 11: 4267-4271.
Beers, J.R. 1966. Studies on the chemical composition of the major zooplankton groups in the Sargasso Sea off Bermuda. Limnol. Oceanogr. 11: 520-528.
Berelson, W.M. 2001. The flux of particulate organic carbon into the ocean interior: A comparison of four U.S. JGOFS regional studies. Oceanography 14: 59-67.
Berland, B., Bonin, D., Coste, B., Maestrini, S., Minas, H.J. 1973. Influence des conditiones hivernales sur les productions phyto- et zooplanctoniques en Mediterranee Nord-Occidentale: III. Caracterisation des eaux de surface au moyen de cultures d'algues. Mar. Biol. 23: 267-274.
Berland, B.R., Benzhitski, A.G., Burlakova, Z.P., Georgieva, L.V., Izmestieva, M.A., Khodolov, V.I., Maestrini, S.Y. 1988. Condition hydrologiques estivales en Mediterranee, repartition du phytoplankton et la matiere organique. Oceanol. Acta 9: 163-177. Special issue.
Berman, T., Townsend, D.W., El Sayed, S.Z., Trees, C.C., Azov, Y. 1984. Optical transparency, chlorophyll and primary productivity in the Eastern Mediterranean near Israeli coast. Oceanol. Acta 7, 3: 367-372.
Berner, R.A. 1980. Early Diagenesis: A Theoretical Approach. 241, Princeton University Press.
Bernhard, M. 1988. Mercury in the Mediterranean. UNEP Regional Seas Reports and Studies No. 98. Nairobi, UNEP: 141 str.
Bernhard, M., Renzoni, A. 1977. Mercury concentration in Mediterranean marine organisms and their environment: natural and anthropogenic origin. Thallasia Jugoslavica, 13: 265-300.
Bertotti, L., Cavaleri, L. 2009. Wind and wave predictions in the Adriatic Sea. Journal of Marine Systems 78: 227-234.
Bisset, W.P., Meyers, M.B., Walsh, J.J., Müller-Karger, F.E. 1994. The effects of temporatl variability of mixed layer depth on primary productivity around Bermuda. J. Geophys. Res. 99, C4: 7539-7553.
Blackford, J.C., Allen, J.I., Gilbert, F.J. 2004. Ecosystem dynamics at six contrasting sites: a generic
modeling study. J. Marine Systems 52: 191-215.
Bolle, H.J. 2003. Mediterranean Climate: Variability and Trends. Springer-Verlag.
Booij, N., Ris, R.C., Holthuijsen, L.H. 1999. A third-generation wave model for coastal region: 1. Model description and validation. J. Geophys. Res. 104, C4: 7649-7666.
Boudreau, B.P. 1997. Diagenetic Models and Their Implementation. New York, Springer-Verlag: 414 str.
Boukthir, M., Barnier, B. 2000. Seasonal and inter-annual variations in the surface freshwater flux in the Mediterranean Sea from the ECMWF re-analysis project. Journal of Marine Systems 24: 343-354.
Boutin, J., Etcheto, J. 1995. Estimating the chemical enchancement effect on the air-sea CO2 exchange using the ERSI scatterometer wind speeds. V: Jahne, B. (ur.), Manahan, E.C. (ur.). Air-Water Gas Transfer. Hanau, Nemcija, AEON Verlag & Studio: 827-841.
Boyd, P.W., Doney, S.C. 2002. Modelling regional responses by marine pelagic ecosystems to global climate change. Geophys. Res. Lett. 29, doi: 10.1029/2001GL014130.
Brand, L.E., Guillard, R.R.L. 1981. The effects of continuous light and light intensity on the reproduction rates of twenty-two species of marine phytoplankton. J. Exp. Mar. Biol. Ecol. 50: 119-132.
Breiman, L., Friedman, J.H., Olshen, R.A., Stone, C.J. 1998. Classification and Regression Trees. CRC Press.
Brock, T.D. 1981. Calculating solar radiation for ecological studies. Ecol. Modell. 14: 1-19.
Broecker, W.S., Peng, T.-H. 1982. Tracers in the Sea. New York, Lamont-Doherty Geological Observatory, Palisades: 690 str.
Bronk, D.A. 2002. Dynamics of DON. V: Hansell, D.A. (ur.), Carlson, C.A. (ur.). Biogeochemistry of Marine Dissolved Organic Matter. New York, Academic Press: 153-247
Bronk, D.A., Gilbert, P.M., Ward, B.B. 1994. Nitrogen uptake, dissolved organic nitrogen release, and new production. Science 265: 1843-1846.
Brown, S., Saito, L., Knightes, C., Gustin, M. 2007. Calibration and Evaluation of a Mercury Model for a Western Stream and Constructed Wetland. Wat Air Soil Poll 182,1-4: 275-90.
Bruland, K.W., Donat, J.R., Hutchins, D.A 1991. Interactive influences of bioactive trace metals on biological production in oceanic waters. Limnol. Oceanogr. 36: 1555-1577.
Brzezinski, M.A. 1985. The Si:C:N ratio of marine diatoms: Interspecific variability and the effect of some environmental variables. J. Phycol. 21: 347-357.
Burdige, D.J. 2002. Sediment pore waters. V: Hansel, D.A. (ur.), Carlson, C.A. (ur.). Biogeochemistry of Marine Dissolved Organic Matter. New York, Academic Press: 611-663.
Canfield, D.E. 1993. Organic matter oxidation in marine sediments. V: Wollast, R. idr. (ur.). Interactions of C, N, P and S Biogeochemical Cycles and Global Change. Berlin, Springer-Verlag: 333-363.
Carlson, C.A., Bates, N.R., Ducklow, H.W., Hansell, D.A.1999. Estimation of bacterial respiration and growth efficiency in the Ross Sea, Antarctic. Aquatic Microbial Ecology 19: 229-244.
Carlson, C.A., Ducklow, H.W. 1996. Growth of bacterioplankton and consumption of dissolved organic carbon in the Sargasso Sea. Deep-Sea Res. II, 10: 69-85.
Carlucci, A.F., Craven, D.B., Heinrichs, S.M. 1985. Diel production and microheterotrophic utilization
of dissolved free amino acids in waters off Southern California. Appl. Environ. Microbiol. 48: 165-170.
Carniel, S., Warner, J.C., Chiggiato, J., Sclavo, M. 2009. Investigating the impact of surface wave breaking on modeling the trajectories of drifters in the Northern Adriatic Sea during a wind-storm event. Ocean Modelling 30: 225-239.
Carroll, R.W.H., Warwick, J.J., Heim, K.J., Bonzongo, J.C., Miller, J.R., Lyons, W.B. 2000. Simulation of mercury transport and fate in the Carson River. Nevada. Ecol Mod 125, 2-3: 255-78.
Carroll, R.W.H., Warwick, J.J. 2001. Uncertainty analysis of the Carson River mercury transport model. Ecol Mod 137: 211-24.
Castellari, S., Pinardi, N., Navarra, A. 1990. A realistic General Circulation Model of the Mediterranean Sea: I. Surface energy parametrization and meterological forcing dataset. IMGA-CNR Tech. Report: 4-90.
Chelton, D.B., De Szoeke, R.A., Schlax, M.G., El Naggar, K., Siwertz, N. 1998. Geographical variability of the first baroclinic Rossby radius of deformation. J. Phys. Oceanogr. 28: 433-460.
Chen, C.A. 2004. Exchanges of carbon in the coastal seas. V: Field, C.B. (ur.), Raupach, M.R. (ur.). The Global Carbon Cycle. Washington, DC, Island Press: 341-351.
Chisholm, S.W., Morel, F.M.M. 1991. What controls phytoplankton production in nutrient-rich areas of the open sea? Limnol. Oceanogr. 36: 1507-1965.
Chisholm, S.W. 1992. Phytoplankton size. V: Falkowski, P.G. (ur.), Woodhead, A.D. (ur.). Primary Productivity and Biogeochemical Cycles in the Sea. New York, Plenum Press: 213-237.
Civitarese, G., Gacic, M., Vetrano, A., Boldrin, A., Bregant, D., Rabitti, S., Souvermezoglou, E. 1998. Biochemical fluxes through the Strait of Otranto (EasternMediterranean). Cont. Shelf Res. 18: 773-789.
Clegg, S.L., Whitfield, M. 1990. A generalized model for the scavenging of trace metals in the open ocean. I: Particle cycling. Deep-Sea Res.37: 809-832.
Cloern, J.E., Grenz, C., Vidergar-Lucas, L. 1995. An empirical model of the phytoplankton chloro-phyll:carbon ratio - the conversion factor between productivity and growth rate. Limnol. Oceanogr. 40, 7: 1313-1321.
Compeau, G., Bartha, R. 1985. Sulfate-reducing bacteria: Principal methylators of mercury in anoxic estuarine sediment. Applied and Environmental Microbiology 50, 2: 498-502.
Conkright, M.E., Locarnini, R.A., Garcia, H.E., O'Brien, T.D., Boyer, T.P., Stephens, C., Antonov, K.I. 2002. World Ocean Atlas 2001: Objective Analyses, Data Statistics, and Figures. CD-ROM Documentation. National Oceanographic Data Center, Silver Spring, MD, 17.
Conover, R.J. 1978. Transformation of organic matter. V: Kinne, O. (ur.). Marine ecology 4. Wiley: 221-500.
Corner, E.D.S., Newell, B.S. 1967. On the nutrition and metabolism of zooplankton. IV. The forms of nitrogen excreted by Calanus. J. Mar. Biol. Assoc. U.K. 47: 113-120.
Cossa, D., Coquery, M. 2005. The Mediterranean Mercury Anomaly, a Geochemical or a Biological Issue? V: Saliot, A. (ur.). The Mediterranean Sea. Springer: 177-208.
Cossa, D., Cotte-Krief, M.H., Mason, R.P., Bretaudeau-Sanjuan, J. 2004. Total mercury in the water column near the shelf edge of the European continental margin. Mar Chem 90, 1-4: 21-29.
Cossa, D., Coquery, M., Gobeil, C., Martin, J.M. 1996. Mercury fluxes at the ocean margins. V: Baeyens,
W. (ur.), Ebinghaus, R. (ur.), Vasiliev, O. (ur.). Global and Regional Mercury Cycles: Sources, Fluxes and Mass Balances. NATO ASI Series, Kluwer Academic Publ: 229-47.
Cossa, D., Martin, J.-M., Sanjuan, J. 1994. Dimethylmercury formation in the Alboran Sea. Mar Poll Bull 28: 381-384.
Coste, B., Gostan, J., Minas, H.J. 1972. Influence des conditions hivernales sur les productions Phyto-et Zooplanctoniques en Mediterranee Nord-Occidentale: I. Structures Hydrologiques et Distributions des Sels Nutritifs. Mar. Biol. 23: 251-265.
Coste, B., Le Corre, P., Minas, H.J. 1988. Re-evaluation of the nutrient exchanges in the Strait of Gibraltar. Deep-Sea Res. 35: 767-775.
Craik, A.D.D., Leibovich, S. 1976. A rational model for Langmuir Circulations. J. Fluid Mech 29: 337-347.
Crise, A., Crispi, G., Mauri, E. 1998. A seasonal three-dimensional study of the nitrogen cycle in the Mediterranean Sea: Part I. Model implementation and numerical results. J. Mar. Syst. 18, 1-3: 287-312.
Crise, A., Allen, J.I., Baretta, J., Crispi, G., Mosetti, R., Solidoro, C. 1999. The Mediterranean pelagic ecosystem response to physical forcing. Prog. Oceanogr. 44: 219-243.
Crise, A., Querin, S., Malacic, V. 2002. A strong bora event in the Gulf of Trieste: a numerical study of wind driven circulation in stratified conditions with a preoperational model. Acta Adriatica: 185-206.
Crispi, G., Crise, A., Solidoro, C. 1998. Three-dimensional oligotrophic ecosystem models driven by physical forcing: the Mediterranean Sea case. Env. Mod. & Soft. 13: 483-490.
Crispi, G., Crise, A., Mauri, E. 1999. A seasonal three-dimensional study of the nitrogen cycle in the Mediterranean Sea: Part II. Verification of the energy constrained trophic model. J. Mar. Syst. 20, 1-4: 357-379.
Crispi, G., Mosetti, R., Solidoro, C., Crise, A. 2001. Nutrients cycling in the Mediterranean basins: the role of the biological pump in the trophic regime. Ecol. Mod. 138: 101-114.
Crispi, G., Crise, A., Solidoro, C. 2002. Coupled Mediterranean ecomodel of the phosphorus and nitrogen cycles. J. Mar. Syst. 33-34: 497-521.
Crispi, G., Pacciaroni, M. 2008. Long-term numerical evolution of the nitrogen bulk content in the Mediterranean Sea. Estuarine, Coastal and Shelf Science 83: 148-158.
Cetina, M. 1992. Tridimenzionalni matematicni baroklini model za izracun tokov v jezerih in morju. Doktorska disertacija, mentor prof.dr. R. Rajar. Univerza v Ljubljani, Fakulteta za arhitekturo, gradbenistvo in geodezijo.
Cetina, M., Rajar, R., Sirca, A., Zagar, D. 1999. PCFLOW3D. User's Manual. Ljubljana, Univerza v Ljubljani, Fakulteta za gradbenistvo in geodezijo, Katedra za mehaniko tekocin: 294 str.
Cetina, M., Rajar, R., Krzyk, M., Zakrajsek, M., Zagar, D. 2006. Eksperimentalna analiza cezmejnega vpliva projektov plinskega terminala v Trzaskem zalivu in plinskega terminala v Zavljah in studije presoje vplivov na okolje v Republiki Sloveniji za projekt plinskega terminala v Trzaskem zalivu in plinskega terminala v Zavljah. Koncno porocilo. Ljubljana, Univerza v Ljubljani, Fakulteta za gradbenistvo in geodezijo, Katedra za mehaniko tekocin z laboratorijem: 23 f.
Danckwerts, P.V. 1951. Significance of liquid-film coefficients in gas absorption. Ind. Engng. Chem. 43: 1460-1467.
Davis, C.S. 1987. Components of the zooplankton production cycle in the temperate ocean. J. Mar. Res. 45: 947-983.
Davis, C.S., Steele, J.H. 1994. Biological/physical modeling of upper ocean processes. Tech. Rept., Woods Hole Oceanog. Inst., WHOI-94-32.
de Baar, H.J.W., de Jong, J.T.M. 2001. Distributions, sources and sinks of iron in seawater. V: Turner, D.R. (ur.), Hunter, K.A. (ur.). The Biogeochemistry of Iron in Seawater. Chichester, John Wiley & Sons: 123-253.
Deacon, E.L. 1977. Gas transfer to and across an air-water interface. Tellus 29: 363-374.
Dean, R.G. 1965. Stream Function Representation of Nonlinear Ocean Waves. Journal of Geophysical Research 70: 4561-4572.
Dean, R.G. 1974. Evaluation and Development of Water Wave Theories for Engineering Applications. Coastal Engineering Research Center, U.S. Army Engineer Waterways Experiment Station, Special Report No.1.
De Haas, H., Van Weering, T.C.E., De Stitger, H. 2002. Organic carbon in shelf seas: Sinks or sources, processes and products. Continental Shelf Research 22: 691-717.
DeLong, E., Campbell, L., Mierle, G., Scheider, W., Hayton, A. 2006. Tracking fish tissue mercury burdens: A data mining approach. Poster presentation. GIS Day 2006, Queen's University, Kingston, Canada.
Denis-Karafistan, A., Martin, J.M., Minas, H., Brasseur, P., Nihoul, J., Denis, C. 1998. Space and seasonal distributions of nitrates in the Mediterranean sea derived from a variational inverse model. Deep-Sea Res. 45: 387-408.
Denman, K.L. 1976. Covariability of chlorophyll and temperature in the sea. Deep-Sea Res. 23: 539-550.
Dezeljin, D. 2001. Oceanografska postaja Piran kot del sistema varne obalne plovbe. Diplomsko delo. Univerza v Ljubljani, Fakulteta za pomorstvo in promet.
Dickinson, R.E. 1978. Rossby waves - long-period oscillations of oceans and atmofpheres. Annual Review of Fluid Mechanics 10: 159-195.
Doney, S.C., Lima, I., LIndsay, K., Moore, J.K., Dutkiewicz, S., Friedrichs, M.A.M., Matear, R.J. 2001. Marine biogeochemical modeling. Oceanography 14-4: 93-107.
Doric, E. 2007a. Moznosti uporabe modela MIKE 3 v Trzaskem zalivu. Seminarska naloga. Ljubljana, Univerza v Ljubljani, Fakulteta za gradbenistvo in geodezijo, Vodarstvo in komunalno inzenirstvo: 77 f.
Doric. E. 2007b. Primerjava modelov MIKE 3 in PCFLOW3D za simulacije hidrodinamike v Trzaskem zalivu. Diplomsko delo. Studij vodarstva in komulnega inzenirstva, Fakulteta za gradbenistvo in geodezijo, Univerza v Ljubljani.
Drasch,, G., Horvat, M., Stoeppler, M. 2004. Mercury. V: Merian, E. (ur.), Anke, M. (ur.), Ihnat, M. (ur.), Stoeppler, M. (ur.). Elements and their compounds in the Environment. Weinheim, Wiley-VCH Verlag GmBH&Co. KgaA, 2nd edition.
Dring, M.J. 1982. The Biology of Marine Plants. London, Edward Arnold (Publishers) Ltd.: 199 str.
Ducklow, H.W., Hill, S.M. 1985. Tritiated thymidine incorporation and the growth of heterotrophic bacteria in warm core rings. Limnol. Oceanogr. 30: 260-272.
Dugdale, R.C., Goering, J.J. 1967. Uptake of new and regenerated forms of nitrogen in primary produc-
tivity. Limnol. Oceanogr. 12: 196-206.
Dugdale, R.C., Wilkerson, F.P. 1988. Nutrient sources and primary production in the Eastern Mediterranean. Oceanol. Acta 9: 179-184.
Dunne, J.P., Armstrong, R.A., Gnanadesikan, A., Sarmiento, J. 2005b. Empirical and mechanistic models for the particle export ratio. Global Biogeochem. Cycles 19, GB4026, doi:10.1029/2004GB002390.
Dyke, P. 2007. Modeling Coastal and Offshore Processes. London, Imperial College Press.
Dykes, J.D., Wang, D.W., Book, J.W. 2009. An evaluation of a high-resolution operational wave forecasting system in the Adriatic Sea. J. Marine Syst. 78: 255-271.
Dzeroski, S., Todorovski, L. 1994. Discovering dynamics: From inductive logic programming to machine discovery. Intelligent Information Systems J 4, 1: 89-108.
Elrod, V.A., Berelson, W.M., Coale, K.H., Johnson, K.S. 2004. The flux of iron from contintental shelf sediments: A missing source for global budgets. Geophys. Res. Lett. 31, doi: 10.1029/2004GL020216.
Emerson, S., Quay, P., Karl, D., Winn, C., Tupas, L., Landry, M. 1997. Experimental determination of the organic carbon flux from open-ocean surface waters. Nature 389: 951-954
Eppley, R.W. 1972. Temperature and phytoplankton growth in the sea. Fish. Bull. 70: 1063-1085.
Eppley, R.W., Peterson, B.J. 1979. Particulate organic matter flux and planktonic new production in the deep ocean. Nature 282: 677-680.
Eppley, R.W., Rogers, J.N., McCarthy, L.L. 1969. Half-saturation constants for uptake of nitrate and ammonium by marine phytoplankton. Oceanogr. 14: 912-920.
Evans, G.T., Parslow, J.S. 1985. A model of annual plankton cycles. Biol. Oceanogr. 3: 327-347.
Falkowski, P.G. 1980. Light-shade adaptation in marine phytoplankton. V: Falkowski, P.G. (ur.). Primary Productivity in the Sea. New York, Springer: 99-119.
Falkowski, P.G., Ziemann, D., Kolber, Z., Bienfang, P.B. 1991. Role of eddy pumping in enhancing primary production in the ocean. Nature 352: 55-58.
Falkowski, P.G., Raven, J.A., 1997. Aquatic Photosynthesis. Malden, MA, Blackwell Science: 375 str.
Falkowski, P.G., Laws, E.A., Barber, R.T., Murray, J.W. 2003. Phytoplankton and their role in primary, new and export production. V: Fasham, M.J.R. (ur.). Ocean Biogeochemistry. New York, Springer: 99-121.
Fasham, M.J.R. 1995. Variations in the seasonal cycle of biological production in subarctic oceans: A model sensitivity analysis. Deep Sea Res. 42: 1111-1149.
Fasham, M.J.R. 1992. Modelling the marine biota. V: Heimann, M. (ur.).The Global Carbon Cycle. New York, Springer Verlag.
Fasham, M.J.R. 1985. Flow analysis of materials in the marine euphotic zone. V: Ulanowitz, R.E. (ur.), Plat,t T. (ur.). Ecosystem Theory for Biological Oceanography. Can. Bull. Fish. Aquat. Sci. 213: 139-162.
Fasham, M.J.R., Holligan, P.M., Pugh, P.R. 1983. The spatial and temporal development of the spring phytoplankton bloom in the Celtic Sea, April 1979. Prog. Oceanogr. 12: 87-145.
Fasham, M.J.R., Ducklow, H.W., Mckelvie, S.M. 1990. A nitrogen-based model of plankton dynamics in the oceanic mixed layer. J. Mar. Re. 48: 591-639.
Fasham, M.J.R., Sarmiento, J.L., Slater, R.D., Ducklow, H.W., Williams, R. 1993. A seasonal three-dimensional ecosystem model of nitrogen cycling in the North Atlantic euphotic zone: A comparison of the model results with observation from Bermuda Station 'S' and OWS 'India'. Global Biogeochem. Cycles 7, 2: 379-415.
Fenchel, T., Blackburn, T.H. 1979. Bacteria and Mineral Cycling. New York, Academic Press: 225 str.
Fennel, K., Losch, M., Schroter, J., Wenzel, M. 2001. Testing a marine ecosystem model: Sensitivity analysis and parameter optimization. J. Mar. Syst. 28: 45-63.
Fennel, K., Wilkin, J., Levin, J., Moisan, J., O'Reilly, J., Haidvogel, D. 2006. Nitrogen cycling in the Middle Atlantic Bright: Results from a three-dimensional model and implications for the North Atlantic nitrogen budget. Global Biogeochem. Cycles 20, GB3007, doi: 10.1029/2005GB002456.
Fenton, J.D. 1988. The Numerical solution of Steady Water Wave Problem. Jour. Comp. and Geo, 14: 357-368.
Ferrara, R., Ceccarini, C., Lanzillotta, E., Gardfeldt, K., Sommar, J., Horvat, M., Logar, M., Fajon, V., Kotnik, J. 2003. Profiles of dissolved gaseous mercury concentration in the Mediterranean Seawater. Atm Env, 37, 1: 85-92.
Fiala, M., Kopczynska, E.E., Jeandel, C., Oriol, L., Vetion, G. 1998. Seasonal and interannual variability of size-fractionated phytoplankton biomass and community structure at station Kerfix of the Kerguelen Islands, Antarctica. J. Plankton Res. 20, 7: 1341-1356.
Fielding, A. 1999. Machine Learning Methods for Ecological Applications. Kluwer Academic Publ.
Fleming, E.J., Mack, E.E., Green, P.G., Nelson, D.C. 2006. Mercury methylation from unexpected sources: Molybdate-inhibited freshwater sediments and an iron-reducing bacterium. Applied and Environmental Microbiology, 72, 1: 457-464.
Fogg, G.E. 1983. The ecological significance of extracellular products of phytoplankton photosynthesis. Botanica Marina, 26: 3-14.
Forsythe, W.C., Rickel, E.J. Jr., Sthal, R.S., Wu, H., Schoolfield, R.M. 1995. A model comparison for daylength as a function of latitude and day of the year. Ecol. Model. 80: 87-95.
Fransz, H.G., Mommaerts, J.P., Radach, G. 1991. Ecological modelling of the North Sea. Neth. J. Sea Res. 28: 67-140.
Frew, N.M. 1997. The role of organic films in air-sea gas exchange. V: Liss, P.S. (ur.), Duce, R. (ur.). The Sea Surface and Global Change. Cambridge, Cambridge University Press: 121-171.
Froelich, P.N., Klinkhammer, G.P., Bender, M.L., Luedtke, N.A., Heath, G.R., Cullen, D., Dauphin, P., Hammond, D., Hartman, B., Maynard, V. 1979. Early oxidation of organic matter in pelagic sediments of the eastern equatorial Atlantic: Suboxic diagenesis. Geochim. Cosmochim. Acta 43: 1075-1090.
Frost, B.W., Franzen, N.C. 1992. Grazing and iron limitation in the control of phytoplankton stock and nutrient concentration: A chemostat analogue of the Pacific equatorial upwelling zone. Marine Ecology Progress Series 83: 291-303.
Fuhrman, J.A. 1987. Close coupling between release and uptake of dissolved free amino acids in seawater studied by an isotope dillusion approach. Mar. Ecol. Prog. Ser. 37: 45-52.
Galuf, S. 2005. Simulacija razlitja nafte v Trzaskem zalivu. Diplomska naloga. Ljubljana, Univerza v Ljubljani, Fakulteta za gradbenistvo in geodezijo, Oddelek za gradbenistvo, Hidrotehnicna smer: 69 f.
Gardfeldt, K., Sommar, J., Ferrara, R., Ceccarini, C., Lanzillotta, E., Munthe, J., Wangberg, I., Lindqvist, O., Pirrone, N., Sprovieri, F., Pesenti, E. and Stromberg, D. 2003. Evasion of mercury from coastal and open waters of the Atlantic Ocean and the Mediterranean Sea. Atmospheric Environment 37, Supplement 1: 73-84.
Geider, R.J., McIntyre, H.L., Kana, T.M. 1996. A dynamic model of photoadaptation in phytoplankton. Limnol. Oceanogr. 41: 1-15.
Geider, R.J., McIntyre, H.L., Kana, T.M. 1997. Dynamic model of phytoplankton growth and acclimation: Responses of the balanced growth rate and the chlorophyll a: Carbon ratio to light, nutrient-limitation and temperature. Mar. Ecol. Prog. Ser. 148: 187-200.
Glibert, P.M., Biggs, D.C., McCarthy, J.J. 1982. Utilization of ammonium and nitrate during austral summer in the Scotia Sea. Deep-Sea Res. 29: 837-850.
Glover, D.M., Frew, N.M., McCue, S.J., Bock, E.J. 2002. A multi-year time series of global gas transfer velocity from the TOPAX dual frequency, normalized radar backscatter algorithm. V: Donelan, M.A. idr. (ur.). Gas Transfer at Water Surfaces. American Geophysical Union, Washongton DC: 325-331.
Goldman, J.C., Glibert, P.M. 1983. Kinetics of inorganic nitrogen uptake by phytoplankton. V: Carpenter, E.J. (ur.), Capone, D.G. (ur.). Nitrogen in the Marine Environment . Academic Press: 233-274.
Gould, R.W. Jr., Wiesenburg, D.A. 1990. Single-species dominance in a subsurface phytoplankton concentration at a Mediterranean Sea front. Limnol. Oceanogr. 35, 1: 221-230.
Gromiec, M.J. 1983. Biochemical Demand - Dissolved Oxygen. Application of Ecological Modelling in Environmental Management, Part A. Amsterdam, Elsevier.
Gumbel, E.J. 2004. Statistics of Extremes. Dover Publications. Prva izdaja: Columbia University Press, New York, 1958. ISBN: 0-486-43604-7.
Gundersen, J.K., Jorgensen, B.B. 1990. Microstructure of diffusive boundary layers and the oxygen uptake of the sea floor. Nature, 345: 604-607.
Gustin, M.S., Lindberg, S.E., Weisberg, P.J. 2008. An update on the natural sources and sinks of atmospheric mercury. Applied Geochemistry, 23: 482-493.
Hace, A. 2010. Okoljsko stanje severnega Jadrana. Diplomsko delo. Univerza v Ljubljani, Filozofska fakulteta, Oddelek za geografijo.
Hall, B. 1995. The gas phase oxidation of elemental mercury by ozone. Water, Air & Siol Pollution, 80, 1-4: 301-315.
Hamdy, M., Noyes, O. 1975. Formation of methyl mercury by bacteria. Applied Microbiology, 30, 3: 424-432.
Harris, R.C. 1991. A Mechanistic Model to Examine Mercury in Aquatic Systems. M.Sc. Thesis, McMasters University, Hamilton, Ontario.
Hartnett, H.E., Keil, R.G., Hedges, J.I., Devol, A. 1998. Influence of oxygen exposure time on organic carbon preservation in continental margin sediments. Nature 391: 572-575.
Hartnett, H.E., Devol, A.H. 2003. Role of a strong oxygen-deficient zone in the preservation and degradation of organic matter: A carbon budget for the continental margins of northwest Mexico and Washington State. Geochim. Cosmochim. Acta 67: 247-264.
Higbie, R. 1935. The rate of absorption of a pure gas into a still liquid during short periods of exposure.
Trans. Am. Inst. Chem. Engr. 35: 365-373.
Hirner, A.V., Feldmann, J., Krupp, E., Grumping, R., Guguel, R., Cullen, W.R. 1998. Metall(oid) organic compounds and geothermal gases and waters. Org Geochem;29, 5-7: 1765-1778.
Hmeljak, J. 2006. Bentoske pretvorbe zivega srebra v oksicnem-anoksicnem prehodu v Gradeski laguni. Diplomsko delo. Biotehniska fakulteta, Enota medoddelcnega studija mikrobiologije: 90 str.
Hoel, P.G. 1984. Introduction to Mathematical Statistics, 5th Edition. Wiley. ISBN: 978-0-471-89045-4.
Holling, C.S. 1965. The functional response of predators to prey density. Mem. Entomol. Soc. Can. 45: 5-60.
Holthuijsen, L.H. 2007. Waves in oceanic and coastal waters. Cambridge University Press. ISBN-13 978-0-521-86028-4.
Holthuijsen, L.H., Booij, N., Herbers, T.H.C. 1989. A prediction model for stationary, short-crested waves in shallow water with ambient currents. Coast. Eng. 13: 23-54.
Horvat, M., Covelli, S., Faganeli, J., Logar, M., Mandic, V., Rajar, R., Sirca, A., Zagar, D. 1999. Mercury in contaminated coastal environments. A case study: the Gulf of Trieste. Science of the Total Environment: 43-56.
Horvat, M., Kotnik, J., Logar, M., Fajon, V., Zvonaric, T., Pirrone, N. 2003. Speciation of mercury in surface and deep-sea waters in the Mediterranean Sea. Atm Env 37, 1: 93-108.
Hulth, S., Alter, R.C., Gilbert, F. 1999. Coupled anoxic nitrification/manganese reduction in marine sediments. Geochim. Cosmochim. Acta, 63: 49-66.
Huntley, M.E., Lopez, M.D.G. 1992. Temperature-dependent production of marine copepods: A global synthesis. American Naturalist 140: 201-242.
Hupe, A., Karstensen, J. 2000. Redfield stoichiometry in Arabian Sea subsurface waters. Global Bio-geochem. Cycles 14: 357-372.
Hurtt, G.C., Armstrong, R.A. 1996. A pelagic ecosystem model calibrated with BATS data. Deep-Sea Res. II 43: 653-683.
Hylander, L.D., Meili, M. 2003. 500 years of mercury production - global annual inventory by region until 2000 and associated emissions. Sci. of the Tot. Env. 304: 13-27.
Ingle, J.D.J., Crouch, S.R. 1988. Spectrochemical Analysis. Prentice Hall, New Jersey.
Ippen, A.T. 1966. Estuary and Coastline Hydrodynamics. McGraw-Hill, Inc. 744 str.
Ito, S.-I., Megrey, B.A., Kishi, M.J., Mukai, D., Kurita, Y., Ueno, Y., Yamanaka, Y. 2007. On the interannual variability of the growth of Pacific saury (Cololabis saira): A simple 3-box model using NEMURO.FISH. Ecol. Mod. 202: 174-183.
Ivlev, V. 1945. Biologicheskaya produktivnost' vodoemov. Usp. Sovr. Biol. 19: 98-120.
Jahnke, R.A., Shimmield, G.B., 1995. Particle flux and its conversion to the sediment record: Coastal ocean up-welling systems V: Summerhayes, C.P. idr. (ur.). Upwelling in the Ocean: Modern Processes and Ancient Records. New York, John Wiley & Sons Ltd: 83-100.
Jang, J.-S. 1992. Self-learning fuzzy controler based inference system. IEEE Transactions on Neural Networks, 3, 5: 714-723.
Jang, J.-S., Gulley, N. 1995. Fuzzy Logc Toolbox for Use with Matlab. The Math-Works Inc.
Jang, J.-S., Sun, C.-T., 1995. Neuro-fuzzy modeling and control. Proceedings of the IEEE, 83, 3: 378-406.
Jahne, B., Münnich, K.O., Bösinger, R., Dutzi, A., Huber, W., Libner, P. 1987. On parameters influencing air-water gas exchange. J. Geophys. Res., 92: 1937-1949.
Jensen, S., Jernelov, A., 1969. Biological methylation of mercury in aquatic organisms. Nature 223: 753-754.
Jerlov, N.G. 1976. Marine Optics. Elsevier.
Jickells, T., Spokes, L. 2001. Atmospheric iron inputs to the oceans. V: Turner, D.R. (ur.), Hunter, K.A. (ur.). The Biogeochemistry of Iron in Seawater. New York, John Wiley: 85-121.
Jitts, H.R., Morel, A., Saijo, Y. 1976. The relation of oceanic primary production to available photosyn-thetic irradiance. Aust. J. Mar. Fresh. Res. 27: 441-454.
J0rgensen, B.B. 1996. Material flux in the sediment. V: J0rgensen, B.B. (ur.), Richardson, K. (ur.). Eutrophication in Coastal Marine Ecosystems. Coastal Estuarine Stud. 52. Washington, D.C.: 115-135, AGU.
Kallos, G., Voudouri, A., Pytharoulis, I., Kakaliagou, O. 2001. Modelling Framework for Atmospheric Mercury over the Mediterranean Region: Model Development and Applications. V: Margenov, S. (ur.), Wasniewski, J. (ur.), Yalamov, P. (ur.). Lecture Notes in Computer Science: Large-Scale Scientific Computing. Springer: 281-90.
Kana, T.M., Glibert, P.M. 1987. Effect of irradiances up to 2000 ^Em-2s-1on marine Synechococcus WH7803: I. Growth, pigmentation, and cell composition. Deep-Sea Res. 34, 4: 479-495.
Karl, D., Michaels, A., Bergman, B., Capone, D., Carpenter, E., Letelier, R., Lipschultz, F., Paerl, H., Sigman, D.,. Stal, L. 2002. Dinitrogen fixation in the world's oceans. Biogeochemistry 57/58: 47-98.
Keeling, R.F., Stephens, B.B., Najjar, R.G., Doney, S.C., Archer, D., Heimann, M. 1998. Seasonal variations in the atmospheric 02/N2 ratio in relation to the kinetics of air-sea gas exchange. Global Biogeochem. Cycles 12: 141-164.
Kerin, E., Gilmour, C., Roden, E., Suzuki, M., Coate, J., Mason, R. 2006. Mercury methylation by dissimilatory iron-reducing bacteria. Applied and Environmental Microbiology, 72, 12: 7919-7921.
King, F.D. 1987. Nitrogen recycling efficiency in steady-state oceanic environments. Deep-Sea Res. 34: 843-856.
Kirchman, D.L., Lancelot, C., Fasham, M.J.R., Legendre, L., Radach, G., Scott, M. 1993. Dissolved organic matter in biogeochemical models of the ocean. V: Evans, G.T. (ur.), Fasham, M.J.R. (ur.). Towards a Model of Ocean Biogeochemical Processes. New York, Springer-Verlag: 209-226.
Kishi, M.J., Kashiwai, M., Ware, D.M., Megrey, B.A., Eslinger, D.L., Werner, F.E., Noguchi-Aita, M., Azumaya, T., Fujii, M., Hashimoto, S., Huang, D., Iizumi, H., Ishida, Y., Kang, S., Kantakov, G.A., Kim, H.-C., Komatsu, K., Navrotski, V.V., Smith, S.L., Tadokoro, K., Tsuda, A., Yamamura, O., Yamanaka, Y., Yokouchi, K., Yoshie, N., Zhang, J., Zuenko, YI, Zvalinski, VI, 2007: NEMURO - a lower trophic level model for the North Pacific marine ecosystem. Ecol. Mod. 202: 12-25.
Klaas, C., Archer, D.E. 2002. Association of sinking organic matter with various types of mineral ballast in the deep sea: Implications for the rain ratio. Global Biogeochem. Cycles 16, 1116, doi:1110.1029/2001GB001765.
Knap, A. 2004. Simulacija transporta in procesov pretvorb zivega srebra v rekah Idrijci in Soci z en-
odimenzijskim modelom MeRiMod. Diplomsko delo, Fakulteta za gradbenistvo in geodezijo, Univerza v Ljubljani.
Komen G, 2004. The Wave Modelling (WAM) Group, a historical perspective. Dostopno na:
http://champs.cecs.ucf.edu/Library/Conference_Papers/pdfs/
The%20Wave%20perspective.pdf
Komen, G.J., Cavaleri, L., Donelan, M., Hasselmann, K., Hasselmann, S., Janssen, PAEM, 1994. Dynamics and Modeling of Ocean Waves. Cambridge University Press: 532 str.
Kompare, B., Dzeroski, S., Karalic, A., Bratko, I., Sisko, M., J0rgensen, S.E. 1997a. III. Learning Systems with Regresion, Using Machine Learning Techniques in the Construction of Models. V: Ecol model 95, 1.
Kompare, B., Dzeroski, S., Krizman, V., Bratko, I., Steinman, F. 1997b. IV. Construction of Dynamical Models, Using Machine Learning Techniques in the Construction of Models. In: Ecol Model 95, 1.
Korteweg, D.J., De Vries, G. 1895. On the Change of Form of Long Waves Advancing in a Rectangular Canal, and on a New Type of Stationary Waves. Phil. Mag, 5th Series, 39: 422-443.
Kotnik, J., Fajon, V., Gibicar, D., Logar, L., Horvat, M., Ogrinc, N., Amouroux, D., Monperrus, M., Sprovieri, F., Pirrone, N. 2007. Mercury speciation in surface and deep waters of the Mediterranean and Adriatic Seas. Mar Chem 107, 1: 13-30.
Kovsca, J. 2007. Dopolnitve modela PCFLOW3D za simulacijo tokov in sirjenja polutantov. Diplomska naloga. Ljubljana, Univerza v Ljubljani, Fakulteta za gradbenistvo in geodezijo, Oddelek za gradbenistvo, Hidrotehnicna smer: 67 str.
Krabbenhoft, D.P., Hurley, J.P., Olson, M.L., Cleckner, L.B. 1998. Diel variability of mercury phase and species distributions in the Florida Everglades. Biogeochem J, 40, 2-3: 311-25.
Krom, M.D., Brenner, S., Kress, N., Neori, A., Gordon, L.I., 1993. Nutrient distribution during an annual cycle across a warm-core eddy from the E. Mediterranean Sea. Deep-Sea Res. 40, 4: 805-825.
Kukovec, K. 2006. Frakcionacija stabilnih izotopov ogljika in dusika v fitoplanktonu Trzaskega zaliva. Diplomsko delo. Univerza v Ljubljani, Biotehniska fakulteta, Enota medoddelcnega studija mikrobiologije.
Kukovec, C.H., Fitzgerald, W.F., O'Donnell, J., Torgersen, T. 2002. A non-steady-state compartmental model of global-scale mercury biogeochemistry with interhemispheric atmospheric gradients. Geochimica et Cosmochimica Acta, 66, 7: 1105-1118.
Kuypers, M.M.M., Lavik, G., Wobken, D., Schmid, M., Fuchs, B.M., Amann, R., Jorgensen, B.B., Jetten, M.S. 2005. Massive nitrogen loss from the Benguela upwelling system through anaerobic ammonium oxidation. Proc. Natl. Acad. Sci. 102: 6478-6483.
Lancelot, C., Billen, G. 1986. Carbon-nitrogen relationships in nutrient metabolism of coastal marine ecosystems. Adv. Aquatic Micro-Biol. 3: 263-321.
Lassiter, R.R., Kearns, D.K. 1974. Phytoplankton population changes and nutrient fluctuations in a simple aquatic ecosystem model. V: Middlebrookes, E.J. (ur.), Falkenberg, D.H. (ur.), Maloney, T.E. (ur.). Modeling the Eutrophication Process, Ann Arbor Sci. Publ., Ann Arbor, MI: 131-138.
Laws, E.A., Bannister, T.T. 1980. Nutrient- and light-limited growth of Thalassiosira fluviatis in conditions of continuous culture, with implications for phytoplankton growth in the ocean. Limnol. Oceanogr. 25: 457-473.
Laws, E.A., Falkowski, P.G., Smith, W.O. Jr, Ducklow, H., McCarthy, J.J. 2000. Temperature effects on export production in the open ocean. Global Biogeochem. Cycles 14: 1231-1246.
LeBlond, P.H., Mysak, L.A. 1978. Waves in the Ocean. Elsevier Oceanography Series 20, Elsevier Press: 602 str.
Lee, K., Karl, D.M., Wanninkhof, R., Zhang, J.Z. 2002. Global estimates of net carbon production in the nitrate-depleted tropical and subtropical oceans. Geophys. Res. Lett. 29, doi:10.1029/2001GL014198.
Lefebvre, D.D., Kelly, D., Budd, K. 2007. Biotransformation of Hg(II) by Cyanobacteria. Applied and Environmental Microbiology 73, 1: 243-249.
Lefevre, D., Minas, H.J., Minas, M., Robinson, C., Williams, P.J., Le, B., Woodward, E.M.S. 1997. Review of gross community production, primary production, net community production and dark community respiration in the Gulf of Lions. Deep-Sea Res. Part II 44, 3-4: 801-832.
Leonard, C.L., McClain, C.R., Murtugudde, R., Hofmann, E.E., Harding, L.W. 1999. An iron-based ecosystem model of the central equatorial Pacific. J. Geophys. Res. 104: 1325-1341.
Levy, M., Memery, L., Madec, G. 1999. The onset of the Spring Bloom in the MEDOC area: mesoscale spatial variability. Deep-Sea Res. 46: 1137-1160.
Levitus, S., Conkright, M.E., Reid, J.L., Najjar, R., Mantyla, A. 1993. Distribution of nitrate, phosphate and silicate in the world ocean. Prog. Oceanogr. 31: 245-273.
Lima, I.D., Doney, S.C. 2004. A three-dimensional, multi-nutrient and size-structured ecosystem model for the North Atlantic. Global Biogeochem. Cycles 18, GB3019, doi: 10.1029/2003GB002146.
Lin, B., Falconer, R.A. 1996. Numerical Modelling of 3D Suspended Sediment for Estuarine and Coastal Waters. Journal of Hydraulic Research 1996/4: 435-455.
Lin, C., Pehkonen, S.O. 1998. Two-phase model of mercury chemistry in the atmosphere. Atmospheric Environment 32, 14-15: 2543-2558.
Lin, C., Pehkonen, S.O. 1997. Aqueous free radical chemistry of mercury in the presence of iron oxides and ambient aerosol. Atmospheric Environment 31, 24: 4125-4137.
Lindberg, S.E., Harris, R.C. 1974. Mercury - organic matter associations in estuarine sediments and interstitial waters. Environmental Science and Technology 8: 459-462.
Lindberg, S., Bullock, R., Ebinghaus, R., Engstrom, D., Feng, X., Fitzgerald, W., Pirrone, N., Prestbo, E., Seigneur, C. 2007. A synthesis of progress and uncertainties in attributing the sources of mercury in deposition. AMBIO 36, 1: 19-32.
Lionello, P., Cavaleri, L., Nissen, K.M., Pino, C., Raicich, F., Ulbrich, U. 2010a. Severe marine storms in the Northern Adriatic: Characteristics and trends. Physics and Chemistry of the Earth, doi: 10.1016/j.pce.2010.10.002.
Lionello, P., Galati, M.B., Elvini, E. 2010b. Extreme storm surge and wind wave climate scenario simulations at the Venetial litoral. Physics and Chemistry of the Earth, doi: 10.1016/j.pce.2010.04.001.
Lipschultz, F. 2001. A time-series assessment of the nitrogen cycle at BATS. Deep-Sea Res. II 48: 1897-1924.
Liss, P.S., Slater, P.G. 1974. Flux of gases across the air-sea interface. Nature 247: 181-184.
Liss, P.S., Merlivat, L. 1986. Air-sea gas exchange rates: Introduction and synthesis.V: Buat-Menard, P. (ur.). The Role of Air-Sea Exchange in Geochemical Cycling. Dordrecht, Netherlands, Reidel D: 113-127.
Logan, B.E., Hunt, J.R. 1987. Advantages to microbes of growth in permeable aggregates in marine systems. Limnol. Oceanogr. 32: 1034-1048.
Longo, R., Raicich, F., Mosetti, F. 1990. A numerical model of transport and fate of radionuclides in the Gulf of Trieste. Bollettino di Oceanologia Teorica ed Applicata 1 (Januar): 13-24.
Lorenzen, C.J. 1972. Extinction of light in the ocean by phytoplankton. J. Cons. 34: 262-267.
Lutz, M., Dunbar, R., Caldeira, K. 2002. Regional variability in the vertical flux of particulate organic carbon in the ocean interior. Global Biogeochem. Cycles 16, 1037, doi:10.1029/2000G B001383.
MacIsaac, J.J. 1978. Diel cycles of inorganic nitrogen uptake in a natural phytoplankton population dominated by Gonyaulax polyedra. Limnol. Oceanogr. 23: 1-9.
MacIsaac, J.J., Dugdale, R.C. 1969. The kinetics of nitrate and ammonia uptake by natural populations of marine phytoplankton. Deep-Sea Res. 16: 45-57.
MacIsaac, J.J., Dugdale, R.C. 1972. Interactions of light and inorganic nitrogen in controlling nitrogen uptake in the sea. Deep-Sea Res. 19: 209-232.
Mackin, J.E., Swider, K.T. 1989. Organic matter decomposition pathways and oxygen consumption in coastal marine sediments. J. Mar. Syst. 47: 681-716.
Malacic, V., Petelin, B. 2003. Numerical modeling of the winter circulation of the Gulf of Trieste (northern Adriatic). Acta Adriatica 47: 207-217.
Malacic, V. 1991. Estimation of the vertical eddy diffusion coefficient of heat in the Gulf of Trieste (Northern Adriatic). Oceanologica Acta 14: 23-32.
Malej, A., Mozetic, P., Malacic, V., Turk, V. 1997. Response of summer phytoplankton to episodic meteorological events (Gulf of Trieste, Adriatic Sea). Marine Ecology 18: 273-288.
Mamdani, E.H., Assilian, S. 1975. Am experiment in linguistic synthesis with a fuzzy logic controler. Int. J. Man. Mach. Stud. 7, 1: 1-13.
Mann, K.H., Lazier, J.N.R. 1991. Dynamics of Marine Ecosystems. Oxford, Blackwell: 466 str.
Mara, P., Mihalopoulos, N., Gogou, A., Daehnke, K., Schlarbaum, T., Emeis, K.C., Krom, M. 2009. Iso-topic composition of nitrate in wet and dry atmospheric deposition on Crete in the eastern Mediterranean Sea. Global Biogeochem. Cycles 23, GB4002, doi:10.1029/2008GB003395.
Marcer, R., Fraunie, P., Dekeyser, I., Andersen, V. 1991. Numerical modelling of biological-physical interactions in coastal sites. Oceanol. Acta, Spec. Issue 11: 71-79.
Martell, A.E., Smith, R.M., Motekaitis, R.J. 1998. NIST critically selected stability constants of metal complexes database. NIST Std. Ref. Database, No. 46, Department of Commerce, Gaithersburg, MD.
Martin, J.H., Fitzwater, S.E. 1988. Iron deficiency limits phytoplankton growth in the north-east Pacific Subarctic. Nature 331: 341-343.
Martin, J.H., Knauer, G.A., Karl, D.M., Broenkow, W.W. 1987. VERTEX: Carbon cycling in the northeast Pacific. Deep-Sea Res. 34: 267-285.
Martin, J.M. (ur.), Barth, H. (ur.) 1995. EROS 2000 (European River Ocean System). Fifth Workshop on the North-West Mediterranean Sea, Hamburg (Germany), 28-30 March 1994. Water Pollution Research Report 32, EUR 16130 EN: 318 str.
Marvin-Dipasquale, M.C., Oremland, R.S. 1998. Bacterial methylmercury degradation in Florida Ever-
glades peat sediment. Environmental Science and Technology 32: 2556-2563.
Mason, R.P., Fitzgerald, W.F. 1996. Mercury fluxes at the ocean margins. V: Baeyens, W. (ur.), Ebinghaus, R. (ur.), Vasiliev, O (ur.). Global and Regional Mercury Cycles: Sources, Fluxes and Mass Balances NATO ASI Series, Kluwer Academic Publ: 249-72.
Mason, R.P., Gill, G.A. 2005. Mercury in the marine environment. V: Parsons, M.B. (ur.), Percival, J.B. (ur.). Mercury - Sources, Measurements, Cycles and Effects . Mineralogical Association of Canada: 179-216.
Mason, R.P., Rolfhus, K.R., Fitzgerald, W.F. 2005. Methylated and elemental mercury cycling in surface and deep ocean waters of the North Atlantic. Wat Air Soil Poll 80, 1-4: 665-77.
Mathworks, 2010. Fuzzy Logic Toolbox™ 2, User's Guide. The Mathworks Inc.
Matthiessen, A. 1998. Reduction of divalent mercury by humic substances - kinetic and quantitative aspects. Science of the Total Environment 213: 177-183.
Mauclair, C., Layshock, J., Carpi, A. 2008. Quantifying the effect of humic matter on the emission of mercury from artificial soil surfaces. Applied Geochemistry 23: 594-601.
Mauri, E., Crise, A. 1995. The organic nitrogen fluxes. OGS Tech. Report REL. 92/95-OGA, 10: 24 str.
McGill, D.A. 1970. Mediterranean Sea Atlas - distribution of nutrient chemical properties. Woods Hole Oceanographic Institution, Woodshole, MA.
McGillicuddy, D.J., Robinson, A.R., Siegel, D.A., Jannasch, H.W., Johnson, R., Dickey, T.D., McNeil, J., Michaels, A.F., Knap, A.H. 1998. Influence of mesoscale eddies on new production in the Sargasso Sea. Nature 394: 263-266.
McLaren, I.A. 1965. Some relationships between temperature and egg size, body size, development rate and fecundity of the copepod Pseudocalanus. Limnol. Oceanogr. 10: 528-538.
Medatlas, 2002. Mediterranean and Black Sea database of temperature, salinity and bio-chemical parameters climatological atlas. Ifremer, European Commission Marine Science and Technology Programme (MAST). http://www.ifremer.fr/medar/
Mei, C.C. 1989. The Applied Dynamics of Ocean Surface Waves. World Scientific Press: 740 str.
Melin, P., Castillo, O. 2002. Modelling, Simulation and Control of Non-Linear Dynamical Systems: An Intelligent Approach Using Soft Computing and Fractal Theory. CRC Press.
Michaels, A.F., Silver, M.W. 1988. Primary production, sinking fluxes and the microbial food web. Deep-Sea Res. 35, 4: 473-490.
Michaels, A.F., Karl, D.M., Knap, A.H. 1999. Temporal studies of biogeochemical dynamics in olig-otrophic oceans. V: Hanson, R.B. idr. (ur.). The Changing Ocean Carbon Cycle. Cambridge, Cambridge University Presss: 392-413
Michalski, R.S., Bratko, I., Kubat, M. 1998. Machine Learning and Data Mining. John Wiley & Sons.
Miklavcic, V. 1999. Mercury in the town of Idrija (Slovenia) after 500 years of mining and smelting. V: Ebinghaus, R. (ur.), Turnes, R.R. (ur.), Lacedra, L.D. (ur.), Vasiljev, O. (ur.), Salomons, W. (ur.). Mercury contaminated sites. Berlin, Springer-Verlag: 257-277.
Mlakar, I. 1974. Osnovni aprametri proizvodnje rudnika Idrija skozi stoletja do danes. Idrijski razgledi 19: 1-40.
Moffett, J.W. 2001. Transformations between different forms of iron. V: Turner, D.R. (ur.), Hunter, K.A. (ur.). The Biogeochemistry of Iron in Seawater. Chichester, John Wiley & Sons. Ltd.: 343-372.
Moloney, C.L., Bergh, M.O., Field, J.G., Newell, R.C. 1986. The effect of sedimentation and microbial regeneration in a plankton community: a simulation investigation. J. Plank. Res. 8: 427-445.
Moloney, C.L., Field, J.G. 1989. General allometric equations for rates of nutrient uptake, ingestion, and respiration in plankton organisms. Limnol. Oceanogr. 34: 1290-1299.
Moloney, C.L., Field, J.G. 1991. The size-based dynamics of plankton food webs. I: A simulation model of carbon and nitrogen flows. Journal of Plankton Research 13: 1003-1038.
Monod, J. 1949. The growth of bacterial cultures. Ann. Rev. Microbiol. 3: 371-394.
Monperrus, M., Tessier, E., Amouroux, D., Leynaert, A., Huonnic, P., Donard, O.F.X. 2007. Mercury methylation, demethylation and reduction rates in coastal and marine surface waters of the Mediterranean Sea. Mar Chem 107, 1: 49-63.
Monperrus, M., Tessier, E., Veschambre, S., Amouroux, D., Donard, O.F.X. 2005. Simultaneous specia-tion of mercury and butyltin compounds in natural waters and snow by propylation and species specific isotope dilution mass spectrometry analysis. Anal Bioanal Chem 381: 854-62.
Moore, J.K., Doney, S.C., Glover, D.M., Fung, I.Y. 2002a. Iron cycling and nutrient-limitation patterns in surface waters of the World Ocean. Deep-Sea Research II 49: 463-507.
Moore, J.K., Doney, S.C., Kleypas, J.A., Glover, D.M., Fung, I.Y. 2002b. An intermediate complexity marine ecosystem model for the global domain. Deep-Sea Research Part II-Topical Studies in Oceanography 49: 403-462.
Moore, L.R., Post, A.F., Rocap, G., Crisholm, S.W. 2002c. Utilization of different nitrogen sources by the marine cyanobacteria Prochlorococcus and Synechoccocus. Limnol. Oceanogr. 47: 989-996.
MOP - Ministrstvo za okolje in prostor, 2008. Porocilo o cezmejnih vplivih na okolje za kopenski terminal za uplinjanje utekocinjenega zemeljskega plina v Zavljah. Dostopno na: http://www.mop.gov.si/fileadmin/mop.gov.si/pageuploads/podrocja/okolje/pdf/cpvo /porocilo_terminali_zavlje.pdf
Morel, F.M.M. 1987. Kinetics of nutrient uptake and growth in phytoplankton. Journal of Phycology 23: 150-156.
Morel, A. 1988. Optical modeling of the upper ocean in relation to its biogenous matter content (Case I Waters). J.Geophys. Res. 93: 10.749-10.768.
Moskilde, E. 1996. Topics in Non-Linear Dynamics: Application to Physics, Biology and Economic Systems.World Sci., Hackensack NJ
Munthe, J. 1992. The awueous oxidation of elemental mercury by ozone. Atmospheric Environment, 26A(8): 1461-1468.
Munthe, J., Xiao, Z.F., Lindquist, O. 1991. The aqueous reduction of divalent by sulfite. Water, Air & Soil Pollution 56, 1: 621-630.
Munthe, J., Wangberg, I., Iverfeldt, A., Lindqvist, O., Stromberg, D., Sommar, J., Gardfeldt, K., Pe-tersen, G., Ebinghaus, R., Prestbo, E., Larjava,K., Siemens, V. 2003. Distribution of atmospheric mercury species in Northern Europe: final results from the MOE project. Atm Env 37, 1: 9-20.
Nagase, H., Ose, Y., Sato, T. 1984. Mercury methylation by compounds in humic material. Science of
the Total Environment 32: 147-156.
Nagase, H., Ose, Y., Sato, T., Ishikawa, T. 1982. Methylation of mercury by humic substances in an aquatic environment. Science of the Total Environment 24: 133-142.
Najjar, R.G., Sarmiento, J.L., Toggweiler, J.R. 1992. Downward transport and fate of organic matter in the ocean: simulations with a general circulation model. Global Biogeoch. Cycles 6, 1: 47-76.
Nelson, D.M., Treguer, P., Brzezinski, M.A., Leynaert, A., Queguiner, B. 1995. Production and dissolution of biogenic silica in the ocean: Revised global estimates, comparison with regional data and relationship to biogenic sedimentation. Global Biogeochem. Cycles 9: 359-372.
Nightingale, P.D., Malin, G., Law, C.S., Watson, A.J., Liss, P.S., Liddicoat, M.I., Boutin, J., Upstill-Goddard, R.C. 2000. In situ evaluation of air-sea gas exchange parameterizations using novel conservative and volatile tracers. Global Biogeochem. Cycles 14: 373-387.
NIST/SEMATECH, 2010. e-Handbook of Statistical Methods. Dostopno na: http://www.itl.nist.gov/div898/handbook/
O'Driscoll, N.J., Beauchamp, S., Siciliano, S.D., Rencz, A.N., Lean, D.R.S. 2003. Continuous Analysis of Dissolved Gaseous Mercury (DGM) and Mercury Flux in Two Freshwater Lakes in Kejimkujik Park, Nova Scotia: Evaluating Mercury Flux Models with Quantitative Data. Environ Sci Technol 37, 10: 2226-35.
Ogrinc, N., Faganeli, J., Pezdic, J. 2003. Determination of organic carbon mineralization in near-shore marine sediments (Gulf of Trieste, northern Adriatic) using stable carbon isotopes. Organic Geochemistry 34: 681-692.
Olson, R.J. 1981. Differential photoinhibition of marine nitrifying bacteria: A possible mechanism for the formation of the primary nitrite maximum. J. Mar. Res. 39: 227-238.
Omori, M., Ikeda, M. 1992. Methods in Marine Zooplankton Ecology. Malabar, ZDA: Krieger Publishing Company. ISBN: 0-89464-653-2.
Oremland, R.S., Culbertson, C.W., Winfrey, M.R. 1991. Methylmercury decomposition in sediments and bacterial cultures: Involvement of methanogens and sulfate reducers in oxidative demethylation. Applied and Environmental Microbiology 57, 1: 130-137.
Oschlies, A., Garcon, V. 1998. Eddy-induced enhancement of primary production in a model of the North Atlantic Ocean. Nature 394: 266-269.
Oschlies, A., Garcon, V. 1999. An eddy-permitting coupled physical-biological models of the North Atlantic: I. Sensitivity to advection numerics and mixed layer. GlobalBiogeochem.Cycles 13: 135-160.
Pace, M.L., Glasser, J.E., Pomeroy, L.R. 1984. A simulation analysis of continental shelf food webs. Mar. Biol. 82: 47-63.
Pacyna, E.G., Pacyna, J.M. 2002. Global emission of mercury from anthropogenic sources in 1995. Wat Air Soil Poll;137:149-65.
Pacyna, J.M., Pacyna, E.G., Steenhuisen, F., Wilson S. 2003. Mapping 1995 global anthropogenic emissions of mercury. Atmospheric Environment 37, Supplement 1: 109-117.
Pacyna, E.G., Pacyna, J.M., Steenhuisen, F., Wilson ,S. 2006. Global anthropogenic mercury emission inventory for 2000. Atm Env;40(22):4048-63.
Parker, R.A. 1993. Dynamic models for ammonium inhibition of nitrate uptake by phytoplankton. Ecol.
Modell. 66: 113-120.
Parsons, T.P., Kessler, T.A. 1987. An ecosystem model for the assessment of plankton production in relation to the survival of young fish. J. Plank. Res. 9: 125-137.
Parsons, T.R., Takahashi, M., Hargrave, B. 1984. Biological Oceanographic Processes. New York, 3rd ed, Pergamon Press: 330 str. ISBN: 0-08-017604-6.
Patankar, S.V. 1980. Numerical Heat Transfer and Fluid Flow. Hemisphere Pub Corp: 214 str.
Pierson, W.J.Jr., Moskowitz, L.A. 1964. Proposed spectral form for fully developed wind seas based on the similarity theory of S. A. Kitaigorodskii. Journal of Geophysical Research, 69:5181-5190.
Pinazo, C., Marsaleix, P., Millet, B., Estournel, C., Vehil, R. 1996. Spatial and temporal variability of phytoplankton biomass in upwelling areas of the northwestern Mediterranean: a coupled physical and biogeochemical modelling approach. J. Mar. Syst. 7, 2-4: 161-191.
Pinet, P.R. 2000. Invitation to Oceanography, 2nd Edition. Jones and Bartlett Publishers. ISBN: 0-7637-0914-X.
Pirrone, N., Hedgecock, I. 2001. Atmospheric Mercury Modelling in the Mediterranean Region. RMZ -Materials and Geoenvironment, 48/1:23-28.
Pirrone, N., Wichmann-Fiebig, M., Pacyna, J.M., Boffetta, P., Hansen, J.C., Grandjean, P., Horvat, M., Barregard, L., Munthe, J. 2002. Ambient Air Pollution by mercury (Hg) Position Paper, EC.
Pirrone, N., Ferrara, R., Hedgecock, I.M., Kallos, G., Mamane, Y., Munthe, J., Pacyna, J.M., Pytharoulis, I., Sprovieri, F., Voudouri, A., Wangberg, I. 2003. Dynamic processes of mercury over the Mediterranean region: Results from the Mediterranean Atmospheric Mercury Cycle System (MAMCS) project. Atm Env 37: 1:21-39.
Podhorsky, R., in sod. 1963-1997. Tehnicka enciklopedija. Jogoslavenski leksikografski zavod Zagreb.
POEM Group. 1992. General circulation of the Eastern Mediterranean. Earth-Sci. Rev. 32: 285-309.
Pomeroy, L.R. 1974. The ocean's food web: A changing paradigm, BioScience 24: 499-504.
Pondaven, P., Ruiz-Pino, D., Frabalo, C., Treguer, P., Jeandel, C. 2000. Interannual variability of Si and N cycles at the time-series station KERFIX between 1990 and 1995 - a 1-D modelling study. Deep-Sea Res. 1: 223-257.
Poulain, P.-M., Gacic, M., Vetrano, A. 1996. Current measurements in the Strait of Otranto reveal unforeseen aspects of its hydrodynamics. EOST rans. 77, 36: 345-348.
Precht, E., Huettel, M. 2003. Advective pore-water exchange driven by surface gravity waves and its ecological implications, Limnol. Oceanogr. 48: 1674-1684.
Quinlan, J. 1992. Learning with continuous classes. V: Proc. of the 5th Australian Joint Conference on Artificial Intelligence. Singapore: World Scientific.
Rabitti, S., Civitarese, G., Ribera, M. 1994a. Data Report Cruise POEM-BC - October1991 - Ionian Basin and Sicily Channel: II. Chemical and Biologial Data. Tech. Report No. 13/94-CNR/IBM.
Rabitti, S., Bianchi, F., Boldrin, A., Daros, L., Socal, G., Totti, C. 1994b. Particulate matter and phytoplankton in the Ionian Sea. Oceanol. Acta 17, 3: 297-307.
Rabouille, C.R., Gaillard, J.F. 1991. Towards the EDGE: Early diagenetic global explanation. A model depicting the early diagenesis of organic matter O2, NO3, Mn, and PO4 Geochim. Cosmochim. Acta 55:
2511-2525.
Rabouille, C., Mackenzie, F.T., Ver, L.M. 2001. Influence of the human perturbation on carbon, nitrogen, and oxygen biogeochemical cycles in the global coastal ocean. Geochim. et Cosmochim. Acta 65: 36153641.
Raimbault, P., Rodier, M., Taupier-Letage, I. 1988. Size fraction of phytoplankton in the Ligurian Sea and the Algerian Basin (Mediterranean Sea): Size distribution versus total concentration. Mar. Microb. Food Webs 3: 1-7.
Rajar, R. 1980. Hidravlika nestalnega toka. Univerza v Ljubljani, Fakulteta za gradbenistvo in geodezijo: 279 str.
Rajar, R. 2000. Numerical modeling of currents. Ljubljana, Univerza v Ljubljani, Fakulteta za gradbenistvo in geodezijo: 9 str.
Rajar, R., Cetina, M. 1990. Modelling of tidal and wind induced currents and dispersion in the Northern Adriatic. Acta Adriatica 2: 785-812.
Rajar, R., Cetina, M. 1997. Hydrodynamic and Water Quality Modelling. An Experience. Ecological Modelling 101: 195-207.
Rajar R, Sirca A, 1996: Modelling of dispersion of of radioactive pollutants in the Japan Sea. Acta Hydrotechnica, 14, 12.
Rajar R, Sirca A, 1998: Three-dimensional modelling of thermal pollution of the River Sava and its reservoirs. V: Holz, K.P. (ur.), Bechteler, W. (ur.), Wang, S.S.Y. (ur.), Kawahara, M. (ur.). Advances in Hydroscience and Engineering (). Proceedings of 3rd int. Conf. on Hydroscience and Engineering, Aug 31-Sept 3, Cottbus, Germany: 123 str.
Rajar, R., Cetina, M., Zagar, D. 1995a. Three-dimensional modelling of oil spill in the Adriatic. V: Wrobel, L. C. (ur.), Brebbia, C. A. (ur.), Traversoni, L. (ur.). Computer modelling of seas and coastal regions II. Southampton. Boston, Computational Mechanics Publications: 95-102.
Rajar, R., Cetina, M., Zagar, D., Sirca, A. 1995b. 3D matematicki model za simulaciju razlijevanja nafte u moru. V: Geres, Dragutin (ur.). Odrzivi razvoj i upravljanje vodama. Zbornik radova. Zagreb, Hrvatska vodoprivreda: 385-391.
Rajar, R., Cetina, M., Sirca, A. 1997. Hydrodynamic and Water Quality Modelling. Case Studies. Ecological Modelling 101:209-228.
Rajar, R., Zagar, D., Sirca, A., Horvat, M. 1998. Two- and three-dimensional modelling of mercury transport in the Gulf of Trieste. V: Brebbia, C. A. (ur.). Second International Conference on Environmental Coastal Regions held in Cancun. Mexico, Environmental coastal regions, Environmental studies. Boston, Southampton, WIT Press, 1998: str. 289-300.
Rajar, R., Zagar, D., Sirca, A., Horvat, M. 2000. Three-dimencional modelling of mercury cycling in the gulf of Trieste. The Science of the Total Environment 260: 109-123.
Rajar, R., Zagar, D., Cetina, M., Agagi, H., Yano, S., Tomiyasu, T., Horvat, M. 2004a. Application of three-dimensional mercury cycling model to coastal seas. Ecological Modelling 171: 139-155.
Rajar, R., Yano, S., Tada, A., Akagi, H., Oshikawa, H., Zagar, D., Cetina, M., Krzyk, M., Brecelj, M. 2004b. Measurements and three-dimensional modelling of mercury cycling in Minamata Bay and in the Gulf of Trieste. RMZ-mater. geoenviron. 2: str. 1328-1331.
Rajar, R., Cetina, M., Zagar, D., Petkovsek, G. 2004c. Three-dimensional simulations of mercury cycling in the Mediterranean Sea. RMZ - Materials and Geoenvironment 51/2: 1324-1327.
Rajar, R., Cetina, M., Horvat, M., Zagar, D. 2007. Mass balance of mercury in the Mediterranean sea. Mar. Chem.: 1-14.
Ramsak, V. 2006. Simulacija izmenjave zivega srebra med vodo in zrakom s 3-D modelom PCFLOW3D v Trzaskem zalivu. Diplomska naloga, mentor doc.dr. D. Zagar. Univerza v Ljubljani, Fakulteta za gradbenistvo in geodezijo.
Ramsak, V. 2007. Simulacija hidrodinamike s spremenljivim vetrom z modelom PCFLOW3D. Seminarska naloga. Ljubljana, Univerza v Ljubljani, Fakulteta za gradbenistvo in geodezijo, Oddelek za gradbenistvo, Hidrotehnicna smer: 28 f.
Recknagel, F. 2006. Ecological Informatics: Scope, Techniques and Applications. Springer.
Redfield, A.C., Ketchum, B.H., Richards, F.A. 1963. The influence of Sea Water. V: Hill, M.N. (ur.). The Sea, vol. 2. NewYork, Interscience: 26-77.
Reed, R.K. 1977. An estimation of net long-wave radiation from the oceans. J. Geophys. Res. 81: 5793-5794.
Reeve, D., Chadwick, A., Fleming, C.A. 2004. Coastal Engineering: Processes, Theory and Design Practice. Spon Press: 461 str.
Reimers, C.E. 1998. Feedbacks from the sea floor. Nature 391: 536-537.
Reinhardt, W.P., Walker, P.L. 2010. Jacobian Elliptic Functions. V: Olver, F.W.J. idr. (ur.). NIST Handbook of Mathematical Functions. Cambridge University Press. ISBN 978-0521192255.
Riley, G.A. 1947. A theoretical analysis of the zooplankton population of Georges Bank. J. Mar. Res. 6: 104-113.
Ris, R.C., Booij, N., Holthuijsen, L.H. 1999. A third-generation wave model for coastal regions: part II-verification. J. Geophys. Res. 104, C4: 7667-7681.
Rixen, M., Ferreira-Coelho, E., Signell, R. 2008. Surface drift prediction in the Adriatic Sea using hyperensemble statistics on atmospheric, ocean and wave models: Uncertainties and probability distribution areas. J. Marine Syst. 69: 86-98.
Robinson, A.R., McCarthy, J.J., Rothschild, B.J. 2005. Biological-Physical Interactions in the Sea. Harvard University Press. ISBN: 0-674-01742-0.
Rodi, W. 1993. Turbulence models and their application in hydraulics - A state-of-the-art review. A.A.Balkema, Rotterdam, Brookfield.
Rolfhus, K.R., Fitzgerald, W.F. 2004. Mechanisms and temporal variability of dissolved gaseous mercury production in coastal seawater. Mar Chem 90: 125-36.
Rozman, S. 2005. Simulacija transporta in disperzije zivega srebra v Trzaskem zalivu z modelom PCFLOW3D. Seminarska naloga. Ljubljana, Univerza v Ljubljani, Fakulteta za gradbenistvo in geodezijo, Vodarstvo in komunalno inzenirstvo: 91 f.
Russell, J.S. 1844. Report on Waves. 14th Meeting Brit. Assoc. Adv. Sci.: 311-390.
Russo, A., Maccaferri, S., Djakovac, T., Precali, R., Degobbis, D., Deserti, M., Paschini, E., Lyons, D.M. 2005. Meteorological and oceanographic conditions in the northern Adriatic Sea during the period June 1999-July 2002: Influence of the mucilage phenomenon. Sci Tot Env 353: 24-38.
Sakata, M., Marumoto, K. 2005. Wet and dry deposition fluxes of mercury in Japan. Atmospheric Environment 39: 3139-3146.
Sakshaug, E., Andresen, K., Kiefer, D.A. 1989. A steady state description of growth and light absorption in the marine planktonic diatom Skeletonema costatum. Limnol. Oceanogr. 34: 198-205.
Saliot, A. 2005. The Mediterranean Sea: The Handbook of Environmental Chemistry. Springer.
Sarmiento, J.L., Herbert, T.D., Toggweiler, J.R. 1988a. Causes of anoxia in the world ocean. Global Biogeochem. Cycles 2: 115-128.
Sarmiento, J.L., Toggweiler, J.R., Najjar, R. 1988b. Ocean carbon cycle dynamics and atmospheric pCO2. Philosophical Transactions of the Royal Society of London 325: 3-21.
Sarmiento, J.L., Slater, R.D., Fasham, M.J.R., Ducklow, H.W., Toggweiler, J.R., Evans, G.T. 1993. A seasonal three-dimensional ecosystem model of nutrient cycling in the North Atlantic euphotic zone. Global Biogeoch. Cycles 7, 2: 417-450.
Sarmiento, J.L., Gruber, N. 2006. Ocean Biogeochemical Dynamics. Princeton University Press. ISBN-13: 978-0-691-01707-5.
Schell, D.M. 1974. Uptake and regeneration of free amino acids in marine waters of Southeast Alaska. Limnol. Oceanogr. 19: 271-278.
Schroeder, W.H., Munthe, J. 1998. Atmospheric mercury - an overview. Atm. Env. 32: 809-22.
Schuster, E. 1991. The behavior of mercury in the soil with special emphasis on complexation and adsorbtion processes - A review of the literature. Water, Air & Soil Pollution 56: 667-680.
Seitzinger, S.P., Giblin, A.E. 1996. Estimating denitrification in North Atlantic continental shelf sediments. Biogeochemistry 35: 235-260.
Sharp, J.H. 1977. Excretion of organic matter: do healthy cells do it? Limnol. Oceanogr. 22: 381-399.
Shiomoto, A., Tadokoro, K., Monaka, K., Nanba, M. 1997. Productivity of picoplankton compared with that of larger phytoplankton in the subarctic region. J. Plankton Res. 19, 7: 907-916.
Siegel, D.A., Doney, S.C., Yoder, J.A. 2002. The North Atlantic spring phytoplankton bloom and Sver-drup's critical depth hypothesis. Science 296: 730-733.
Sirnik, N. 2004. Napovedovanje poplavnih valov na reki Soci z orodji umetne intelligence. Diplomska naloga. Ljubljana, UL FGG.
Sirnik, N., Zagar, D., Petkovsek, G., Horvat, M., Cetina, M. 2006. Use of artificial intelligence tools in modelling of mercury cycling. Geophysical research abstracts, Vol 8. European Geosciences Union.
Sivanandam, S.N., Sumathi, S., Deepa, S.N. 2007. Introduction to Fuzzy Logic using MATLAB. Springer: 430 str.
Sleath, J.R.A. 1984. Sea bed mechanics. John Wiley and Sons: 335 str.
Smith, S.E. 1936. Environmental control of photosynthesis. Proc. Nat. Acad. Sci. USA 22: 504-511.
Smith, R.C., Baker, K.S. 1981. Optical properties of the clearest natural waters. Appl. Opt. 20: 177-184.
Smith, S.D., Dobson, F.W. 1984. The heat budget at Ocean Weather Ship Bravo. Atmos.-Ocean. 22: 1-22.
Soetaert, K., Middelburg, J.J., Herman, P.M.J., Buis, K. 2000. On the coupling of benthic and pelagic
biogeochemical models. Earth Sci. Rev. 51: 173-201.
Solidoro, C., Crise, A., Crispi, G., Pastres, R. 2003. An a priori approach to assimilation of ecological data in marine ecosystem models. J. Mar. Syst. 40-41: 79-97.
Soulsby, R. 1997. Dynamics of Marine Sands. A manual for practical applications. Thos. Telford: 249 str.
Sprovieri, F., Pirrone, N., Gardfeldt, K., Sommar, J. 2003. Mercury speciation in the marine boundary layer along a 6000 km cruise path around the Mediterranean Sea. Atmospheric Environment 37, Supplement 1: 63-71.
Staal, M., Meysman, F.J.R., Stal, L. 2003. Temperature excludes N2-fixing heterocystous cyanobacteria in tropical oceans. Nature 425: 504-507.
Steele, J.H. 1962. Environmental control of photosynthesis in the sea. Limnol. Oceanogr. 7: 137-150.
Steele, J.H. 1998. Incorporating the microbial loop in a simple plankton model. Proc. R. Soc. London, Ser. B265: 1771-1777.
Stokes, G.G. 1847. On the Theory of Oscillatory Waves. Trans. Camb. Phil. Soc 8: 441-455.
Stokes, G.G. 1880. Math. Phys. Papers. Vol 1, Camb. Univ. Press.
Sugeno, M. 1985. Industrial Applications of Fuzzy Control. Amsterdam, Elsevier.
Suzuki, Y., Sugimura, T., Itoh, T. 1985. A catalytic oxidation method for the determination of total nitrogen dissolved in sea water. Mar. Chem. 16: 83-97.
Sverdrup, H.U. 1953. On conditions for the vernal blooming of phytoplankton. Journal du Conseil Permanent International pour l'Exploration de la Mer 18: 287-295.
Sverdrup, H.U. 1955. The place of physical oceanography in oceanographic research. J. Mar. Res. 14: 287-294.
Swain, E.B., Jakus, P.M., Rice, G., Lupi, F., Maxson, P.A., Pacyna, J.M., Penn, A., Spiegel, S.J., Veiga, M.M. 2007. Socioeconomic consequences of mercury use and pollution. AMBIO 36, 1: 45-61.
Sirca, A. 1996. Modeliranje hidromehanike in transporta zivosrebrovih spojin v Trzaskem Zalivu. Doktorska disertacija. Ljubljana, Univerza v Ljubljani, Fakulteta za gradbenistvo in geodezijo, Oddelek za gradbenistvo, Hidrotehnicna smer: 164 f.
Sirca, A., Rajar, R. 1997a. Modelling the effect of wind on average circulation and long-term pollutant dispersion in the Gulf of Trieste. Acta Adriatica 2: 45-59.
Sirca, A., Rajar, R. 1997b. Calibration of a 2D mercury transport and fate model of the Gulf of Trieste. V: Rajar, R. (ur.), Brebbia, M. (ur). In Water Pollution 97, Computational Mechanics Publication, WIT, Southampton: 503-512.
Sirca, A., Horvat, M., Rajar, R., Covelli, S., Zagar, D., Faganeli, J. 1999a. Estimation of mercury mass balance in the Gulf of Trieste. Acta Adriatica 2: 75-85.
Sirca, A., Rajar, R., Harris, R. C., Horvat, M. 1999b. Mercury transport and fate in the Gulf of Trieste (Northern Adriatic) - a two-dimensional approach. Environmental Modelling & Software 14: 645-655.
Srot, N. 2007. Geografski pogoji rabe soncne energije (fotovoltaika) v Sloveniji in na Portugalskem. Diplomsko delo, mentor: prof. dr. Dusan Plut. Univerza v Ljubljani, Filozofska fakulteta, Oddelek za geografijo.
Takagi, T., Sugeno, M. 1985. Fuzzy identification of systems and its application to modelling and control. IEEE Trans. Syst . Man. Cybern. 15: 116-132.
Tani, H., Nishioka, J., Kuma, K., Takata, H., Yamashita, Y., Tanoue, E., Midorikawa, T. 2003. Iron(III) hydroxide solubility and humic-type fluorescent organic matter in the deep water column of the Okhotsk Sea and the northwestern North Pacific Ocean. Deep-Sea Res. I, 50: 1063-1078.
Taylor, A.H. 1988. Characteristic properties of models for the vertical distribution of phytoplankton under stratification. Ecol. Modell. 40: 175-199.
Taylor, A.H., Watson, A.J., Ainsworth, M., Robertson, J.E., Turner, D.R. 1991. A modelling investigation of the role of phytoplankton in the balance of carbon at the surface of the North Atlantic. Global Biogeochem. Cycles. 5: 151-171.
Thingstad, T.F., Rassoulzadegan, F. 1995. Nutrient limitations, microbial food webs and 'biological C-pumps': suggested interactions in a P-limited Mediterranean. Mar. Ecol. Prog. Ser. 117: 299-306.
Thurman, H.V., Trujillo, A.P. 2004. Introductory Oceanography (10th Ed.). Prentice Hall: 624 str.
Tillery, B.W. 2005. Physical Science. McGraw-Hill/Higher Education, Boston. 666 str.
Todorovski, L., Dzeroski, S., Langley, P., Potter, C. 2003. Using equation discovery to revise an Earth ecosystem model of the carbon net production. Ecol Mod 170: 141-154.
Tsoukalas, L.H., Uhrig, R.E. 1997. Fuzzy and Neural Approaches in Engineering. Wiley&Sons.
Tusseau, M.H., Mouchel, J.-M. 1995. Nitrogen inputs to the Gulf of Lions via the Rhone river. V: Martin, J.M. (ur.), Barth, H. (ur.). EROS 2000 Fifth Workshop on the North-West Mediterranean Sea. Report EUR 16130 EN: 49-60.
Tusseau-Vuillemin, M.H., Mortier, L., Herbaut, C. 1998. Modeling nitrate fluxes in an open coastal environment (Gulf of Lions): transport versus biogeochemical processes. J. Geophys. Res. 103, C4: 7693-7708.
Ullrich, S.M., Tanton, T.W., Abdrashitova, S.A. 2001. Mercury in the aquatic environment: A review of factors affecting methylation. Critical Reviews in Environmental Science and Technology 31, 3: 241-293.
UNEP-MAP, 1986. Co-ordinated Mediterranean pollution monitoring and research programme (MED POL - PHASE I), Final report 1975-1980. Atene: 276 str.
UNEP-MAP, 1996. Guidelines for treatment of effluents prior to discharge into the Mediterranean sea. Atene: 247 str.
UNEP-MAP, 1998. Atmospheric input of mercury to the Mediterranean Sea. Atene: 77 str. UNEP- MAP, 2001. Protecting the Mediterranean from land-based pollution. Atene: 47 str. UNEP/IOMC, 2002. Global Mercury Assessment. UNEP Chemicals, Zeneva.
UNESCO, 1983. Quantitative analysis and simulation of Mediterranean coastal ecosystem: the Gulf of Naples, a case study. UNESCO Rep. Mar. Sci 20, 158.
U.S.A.C.E., 2008. Coastal Engineering Manual. U.S. Army Corps of Engineers. Dostopno na: http://140.194.76.129/publications/eng-manuals/em1110-2-1100/PartII/PartII.htm
Van Rijn, L.C. 1993. Principles of sediment transport in rivers, estuaries and coastal seas. Aqua Publications, Amsterdam.
Vandal, G.M., Mason, R.P., McKnight, D., Fitzgerald, W. 1998. Mercury speciation and distribution
in a polar desert lake (Lake Hoare, Antarctica) and two glacial meltwater streams. Sci Tot Env 213: 229-237.
Veiga, M.M., Meech, J.A. 1995. An adaptive fuzzy model for risk assessment of mercury pollution in the Amazon. V: IEEE International Conference on Systems, Man and Cybernetics: Intelligent systems for the 21st Century. Vancouver 2: 1640-3.
Verity, P.G. 1985. Ammonia excretion rates of oceanic copepods and implications for estimates of primary production in the Sargasso Sea. Biol. Oceanogr. 3: 249-283.
Voudouri, A., Kallos, G. 2004. New developments on RAMS-Hg model. V: Proceedings of the 27th ITM of NATO/CCMS on Air Pollution Modelling and its Application. Banff: 438-45.
Voudouri, A., Kallos, G. 2007. Validation of the integrated RAMS-Hg modelling system. Develop Env Sci 6: 457-66.
Waite, T.D. 2001. The biogeochemistry of iron in seawater. V: Turner, D.R. (ur.), Hunter, K.A. (ur.). The Biogeochemistry of Iron in Seawater. Chichester, John Wiley & Sons.: 291-342.
Walsh, J.J., Dugdale, R.C. 1972. Nutrient submodels and simulation models of phytoplankton production in the sea. V: Kramer, J. (ur.), Allen, H. (ur.). Nutrients in Natural Waters. Wiley: 171-191.
Wang, Y., Witten, I.H. 1997. Induction of model trees for prediciting continuous classes. V: Proc. of the Poster Papers of the European Conference on Machine Learning. Praga:128-37.
Wang, X.H., Pinardi, N., Malacic, V. 2007. Sediment transport and resuspension due to combined motion of wave and current in the northern Adriatic Sea during a Bora event in January 2001: A numerical modelling study. Continental Shelf Research 27: 613-633.
Wanninkhof, R. 1992. Relationship between wind speed and gas exchange over the ocean. J. Geophys. Res. 97: 7373-7383.
Wanninkhof, R., McGillis, W. 1999. A cubic relationship between air-sea CO2 exchange and wind speed. Geophys. Res. Lett. 26: 1889-1892.
Warner, M.J., Weiss, R.F. 1985. Solubilities of chlorofluorocarbons 11 and 12 in water and seawater. Deep-Sea Res. 32: 1485-1497.
Watras, C.J., Huckabee, J.W. 1994. Mercury Pollution: Integration and Synthesis. CRC Press.
Weber, J., Evans, R., Jones, S.H., Hines, M.E. 1998. Conversion of mercury(II) into mercury(0), monomethylmercury cation, and dimethylmercury in saltmarsh sediment slurries. Chemosphere 6: 16691687.
Weiss, R.F. 1974. Carbon dioxide in water and seawater: The solubility of a non-ideal gas. Mar. Chem. 2: 203-215.
Weiss, R.F., Price, B.A. 1980. Nitrous oxide solubility in water and seawater. Mar. Chem. 8: 347-359.
Wen, Y.H., Peters, R.H. 1994. Empirical models of phosphorus and nitrogen excretion rates by zooplankton. Limnol. Oceanogr. 39, 7: 1669-1679.
Weibull, W. 1951. A statistical distribution function of wide applicability. J. Appl. Mech.-Trans. ASME 18, 3: 293-297.
Whalin, L.M., Kim, E.H., Mason, R.P. 2007. Factors influencing the oxidation, reduction, methylation and demethylation of mercury species in coastal waters. Mar Chem 107: 278-94.
WHO, 1990. Environmental Health Criteria 101: Methylmercury. Geneva: 144.
Williams, P.J. leB, 1981. Incorporation of microheterotrophic processes into the classical paradigm of the planctonic food web. Kieler Meeresforsch. 5: 1-28.
Witten, I.H., Frank, E. 2000a. Data mining: practical machine learning tools and techniques with Java implementations. Morgan Kaufmann Publ.
Witten, I., Frank, E. 2000b. WEKA: Machine Learning Algorithms in Java. Morgan Kaufmann Publ.
Woolf, D.K. 1997. Bubbles and their role in gas exchange. V: Liss, P.S. (ur.), Duce, R.A. (ur.).The Sea Surface and Global Change. Cambridge, Cambridge University Press: 173-205.
Woolf, D.K., Thorpe, S.A. 1991. Bubbles and the air-sea exchange of gases in near saturation conditions. J. Mar. Res. 49: 435-466.
Wroblewski, J.S. 1977. A model of phytoplankton plume formation during variable Oregon upwelling. J. Mar. Res. 35, 2: 357-394.
Wroblewski, J.S. 1989. A model of the spring bloom in the North Atlantic and its impact on ocean optics. Limnol. Oceanogr. 34: 1563-1571.
Wroblewski, J.S., Sarmiento, J.C., Flierl, G.R. 1988. An ocean basin scale model of plankton dynamics in the North Atlantic. I. Solutions for the climatological oceanographic conditions in May. Global Biogeochem. Cycles 2: 199-218.
Yannai, S., Berdicevsky, I., Duek, L. 1991. Transformations of inorganic mercury by Candida albicans and Saccharomyces cerevisiae. Applied and Environmental Microbiology 57, 1: 245-247.
Yu, E.F., Francois, R., Bacon, M.P., Honjo, S., Fleer, A.P., Manganini, S.J., van der Loeff, M.M.R., Ittekot, V. 2001. Trapping efficiency of bottom-tethered sediment traps estimated from the intercepted fluxes of Th-230 and Pa-231. Deep-Sea Res. II, 48: 865-889.
Zadeh, L.A. 1965. Fuzzy Sets. Information and Control 8: 338-353.
Zadeh, L.A. 1968. Probability measure of fuzzy events. J. Mathematical Analysis and Applications. 23: 421-427.
Zadeh, L.A. 1975. The concept of a linguistic variable and its application to approximate reasoning. Information Sciences 8: 199-249.
Zadeh, L.A. 1978. Fuzzy sets as a basis for theory of possibility. Fuzzy Sets and Systems 1: 3-28.
Zadeh, L.A. 1983. A computational approach to fuzzy quantifiers in natural languages. Computer and Mathematics 9: 149-184.
Zakardjian, B., Prieur, L. 1994. A numerical study of primary production related to vertical turbulent diffusion with special reference to vertical motions of the phytoplankton cells in nutrient and light fields. J. Mar. Syst. 5: 267-295.
Zavatarelli, M., Mellor, G. 1995. A numerical study of the Mediterranean Sea Circulation. Phys Oceanography J 25: 1384-414.
Zavatarelli, M., Baretta, J.W., Baretta-Bekker, J.G., Pinardi, N. 2000. The dynamics of the Adriatic Sea ecosystem: an idealized model study. Deep-Sea Res. 47: 937-970.
Zavatarelli, M., Pinardi, N. 2003. The Adriatic Sea modelling system: a nested approach. Annales Geophysicae 21: 345-364.
Zehr, J.P., Ward, B.B. 2002. Nitrogen cycling in the ocean: New perspectives on processes and paradigms. Appl. Env. Microbiol. 68: 1015-1024.
Zagar, D. 1994. Tridimenzijski model za simulacijo sirjenja nafte. Magistrska naloga. Ljubljana, Univerza v Ljubljani, Fakulteta za arhitekturo, gradbenistvo in geodezijo, Oddelek za gradbenistvo, Hidrotehnicna smer: 63 f.
Zagar, D. 1999. Razvoj in aplikacija tridimenzionalnega modela za simulacijo transporta in procesov pretvorb zivega srebra v morskem okolju. Doktorska disertacija, mentor prof.dr. R. Rajar. Univerza v Ljubljani, Fakulteta za gradbenistvo in geodezijo.
Zagar, D., Sirca, A., Rajar, R., Horvat, M., Covelli, S., Harris, R.C. 1998. Two dimensional modeling of mercury transport in the Gulf of Trieste. V: Book of abstracts. Center for Environmental & Applied Mechanics. Baltimore, Johns Hopkins University: 162-163.
Zagar, D., Rajar, R., Sirca, A., Horvat, M., Cetina, M. 2000. Three-dimensional model of dispersion of mercury in marine environment. V: Rodriguez, G. R. (ur.), BrebbiaA, C. A. (ur.), Perez-Martell, E. (ur.). Environmental coastal regions III. Boston, Environmental studies, WIT Press: 205-215.
Zagar, D., Rajar, R., Sirca, A., Horvat, M., Cetina, M. 2001. Dolgotrajna 3D simulacija transporta in disperzije zivega srebra v Trzaskem zalivu. Acta hydrotech 30: 25-43.
Zagar, D., Knap, A., Warwick, J.J., Rajar, R., Horvat, M., Cetina, M. 2006. Modelling of mercury transport and transformation processes in the Idrijca and Soca river system. Sci Tot Env 368, 1:149-63.
Zagar, D., Petkovsek, G., Rajar, R., Sirnik, N., Horvat, M., Voudouri, A., Kallos, G., Cetina, M. 2007. Modelling of mercury transport and transformations in the water compartment of the Mediterranean Sea. Mar. Chem. 107, 1: 64-88.
Zibret, G., Gosar, M. 2006. Calculation of the mercury accumulation in the Idrijca River alluvial plain sediments. Science of the Total Environment 368: 291-297.
PRILOGA 1:
VREDNOSTI PARAMETROV V MODELIH VALOVANJA
Na naslednjih straneh prilagamo vrednosti utezi in parametrov, ki nastopajo v modelih za napoved znacilnih vrednosti valov v Trzaskem zalivu: povprecne periode, vrsne periode, povprecne visine, maksimalne visine, srednje smeri potovanja valov in razprsenosti valov pri vrsni periodi. V preglednicah 10.1 - 10.12 se nahajajo vrednosti utezi in parametrov, ki nastopajo v pripadnostnih funkcijah, v koncnih linearnih enacbah in v funkcijah defuzifikacije posameznih modelov. V vseh modelih sledijo vhodne pripadnostne funkcije fin Gaussovi funkciji oblike
fin = exp(-(x2;- c)2) .	(10.1)
Izhodne pripadnostne funkcije fout so linearne funkcije oblike
fout = AlXin,1 + Ü2Xin,2 + a3Xin,3 + Ü4Xin,4 + a5Xin,5 + a6Xin,6 + a7Xin,7 + a8 .	(10.2)
Defuzifikacija izhodnih pripadnostnih funkcij v izhodne numericne vrednosti y se vrsi po enacbi
y = ^^ ;	(10.3)
z^i wi
i = posamezno odlocitveno pravilo, Wi = utezni faktor pravila i, zi = izhodna vrednost pravila i.
wi se doloci kot produkt vrednosti vhodnih pripadnostnih funkcij fin za pravilo i (v nasem primeru je takih funkcij 7), zi pa predstavlja vrednost fout za pravilo i.
V preglednicah 10.1 - 10.12 podajamo vrednosti parametrov a, c in ai v enacbah 10.1 - 10.3. Vrednosti 1 — 7 na vrhu preglednic predstavljajo oznake vhodnih spremenljivk in pomenijo: 1-sunki vetra, 2-povprecna hitrost vetra, 3-povprecna smer vetra, 4-privetrisce, 5-vertikalna komponenta hitrosti tokov, 6-horizontalna komponenta hitrosti tokov in 7-horizontalna smer tokov.
Preglednica 10.1: Parametri vhodnih pripadnostnih funkcij fin za povprecno periodo valov. Table 10.1: Parameters of input membership functions fin for mean wave period.
Atribut	1	2	3	4	5	6	7
fin	in1cl1	in2cl1	in3cl1	in4cl1	in5cl1	in6cl1	in7cl1
a	5.1418	4.5439	51.224	15.219	3.408	11.916	50.135
c	5.8214	3.9272	69.036	15.346	-1.1813	43.099	228.84
fin	in1cl2	in2cl2	in3cl2	in4cl2	in5cl2	in6cl2	in7cl2
a	3.6973	2.761	50.661	14.077	3.8216	11.979	50.732
c	2.0906	1.3547	141.81	3.1854	-1.6157	17.329	248.32
fin	in1cl3	in2cl3	in3cl3	in4cl3	in5cl3	in6cl3	in7cl3
a	4.3293	2.8044	50.982	14.857	3.3327	11.798	50.593
c	11.688	8.5792	66.823	15.638	-3.4941	41.157	212.44
fin	in1cl4	in2cl4	in3cl4	in4cl4	in5cl4	in6cl4	in7cl4
a	4.1608	3.9629	50.97	13.631	4.2938	11.347	50.125
c	5.1664	4.6771	164.49	4.2199	-3.3031	52.83	327.47
fin	in1cl5	in2cl5	in3cl5	in4cl5	in5cl5	in6cl5	in7cl5
a	2.8682	0.42785	50.903	13.853	4.1885	10.934	50.391
c	4.6797	3.1464	232.43	83.566	-4.0615	49.871	29.715
fin	in1cl6	in2cl6	in3cl6	in4cl6	in5cl6	in6cl6	in7cl6
a	1.1236	1.8596	50.591	13.572	3.4685	11.811	49.655
c	0.65734	2.6695	56.283	15.6	-1.9199	14.953	182.75
fin	in1cl7	in2cl7	in3cl7	in4cl7	in5cl7	in6cl7	in7cl7
a	3.9939	2.2718	50.762	12.689	4.0111	13.16	50.434
c	4.0118	1.7932	317.26	23.496	-1.752	47.58	144.27
fin	in1cl8	in2cl8	in3cl8	in4cl8	in5cl8	in6cl8	in7cl8
a	1.4626	2.6528	51.785	15.002	5.1277	11.485	50.976
c	1.5236	1.7675	323.38	23.681	-3.1604	14.776	153.65
fin	in1cl9	in2cl9	in3cl9	in4cl9	in5cl9	in6cl9	in7cl9
a	5.549	3.9612	51.095	12.687	4.6885	12.152	50.274
c	5.3476	4.138	172.43	6.4406	-3.0451	45.208	224.34
Preglednica 10.2: Parametri izhodnih pripadnostnih Table 10.2: Parameters of output membership
funkcij font za za povprečno periodo valov, functions font for mean wave period.
j out	a\	a2	a3	(I4	a5	a6	a 7	a8
outcll	0.025034	0.0063948	0.0040058	-0.012515	-0.022611	-0.0014155	-0.00074773	2.3022
outcl2	-0.013307	-0.017107	-0.0010105	0.0010303	0.032619	-0.0012051	4.1611e-005	2.3584
outcl3	0.060447	0.038279	0.00051399	0.0095711	0.083556	-0.01551	0.00064179	2.2418
outcl4	0.11156	-0.092454	0.0044907	0.00098685	-0.0077332	-0.0018194	-0.010198	4.561
outcl5	0.038795	-0.058194	-0.0016765	-0.00055281	-0.024271	-0.0021022	-0.00033815	2.6224
outcl6	-0.41012	0.39209	0.0028897	0.0091023	0.022181	0.0070482	1.856e-005	2.3512
outcl7	0.069367	-0.053006	0.00026435	0.0023254	-0.054555	-0.00713	-0.00048616	2.001
outcl8	-0.16773	0.073784	0.0012035	0.0025081	0.045346	0.00086839	9.2144e-005	2.0778
outcl9	0.054043	-0.017142	0.0071134	-0.038243	0.032761	-0.013309	-0.0014228	1.6271
* F
D- ^ ffi' ^
M ^ p'
p
o
Cl f P
o ® o
o
a
Cl
Ig
N O P 3
crq B i-i -
^ s
2 p 5. p
Uli O
C? crq C ' O
K
K ^
&
n> cr
* i
p
p
ar &
CD
O
o
to
CO CO
Preglednica 10.3: Parametri vhodnih pripadnostnih funkcij fin za vrsno periodo valov. Table 10.3: Parameters of input membership functions fin for peak wave period.
Atribut	1	2	3	4	5	6	7
fin	in1cl1	in2cl1	in3cl1	in4cl1	in5cl1	in6cl1	in7cl1
a	5.0709	4.2266	51.432	13.588	4.7645	11.19	50.325
c	6.7265	5.6169	76.387	15.14	-2.1494	45.651	222.22
fin	in1cl2	in2cl2	in3cl2	in4cl2	in5cl2	in6cl2	in7cl2
a	3.7771	3.1582	50.889	13.835	4.3871	11.745	50.495
c	2.6291	2.0803	136.07	3.2176	-2.6536	20.657	248.72
fin	in1cl3	in2cl3	in3cl3	in4cl3	in5cl3	in6cl3	in7cl3
a	4.3211	3.414	50.159	14.252	3.8349	12.72	50.302
c	11.069	7.5504	61.308	15.709	-2.4014	39.406	240.19
fin	in1cl4	in2cl4	in3cl4	in4cl4	in5cl4	in6cl4	in7cl4
a	4.7916	3.8971	50.907	13.976	4.1679	11.628	50.302
c	5.7557	4.6469	164.44	4.3311	-3.1736	52.834	327.32
fin	in1cl5	in2cl5	in3cl5	in4cl5	in5cl5	in6cl5	in7cl5
a	2.7201	0.39431	50.896	13.834	4.1704	10.461	50.326
c	4.7142	4.0064	232.42	83.65	-4.0683	50.012	29.692
fin	in1cl6	in2cl6	in3cl6	in4cl6	in5cl6	in6cl6	in7cl6
a	1.1878	2.5908	50.796	13.737	3.9879	11.365	50.158
c	1.1498	1.927	46.929	20.873	-1.5549	11.67	189.04
fin	in1cl7	in2cl7	in3cl7	in4cl7	in5cl7	in6cl7	in7cl7
a	3.545	3.3871	51.027	14.241	3.9028	11.661	50.291
c	6.5887	3.9375	322.97	23.814	-3.8425	47.083	128.01
fin	in1cl8	in2cl8	in3cl8	in4cl8	in5cl8	in6cl8	in7cl8
a	4.303	2.4717	51.089	14.415	4.7129	12.177	50.528
c	2.5803	1.7611	324.54	23.87	-1.7926	10.918	161.28
fout
outcll outcl2 outcl3 outcl4 outcl5 outcl6 outcl7 outcl8
Preglednica 10.4: Parametri izhodnih pripadnostnih funkcij fout za vršno periodo valov. Table 10.4: Parameters of output membership functions fout for peak wave period.
a\
Ü2
a 3
(M
Ü5
Ü6
a 7
as
-0.087443
-0.11275
0.087706
0.055741
0.083701
-0.44505
0.16642
-0.15534
-0.027416 0.10654 0.057148 -0.064385 -0.23598 0.36885 -0.14928 0.062235
-0.0018931 -0.0015147 0.0051284 0.0013758 -0.0083628 0.0024154 -0.00299 0.0026293
-0.0046235
0.00062532
-0.0019053
-0.0031869
0.00031329
0.0039325
0.003651
0.0018318
-0.025344 0.042327 0.050995 0.018057 0.008037 -0.005932 0.022589 -0.007398
-0.0038066 -0.00029342 0.0035866 -0.0010135 -0.0020598 0.0082816 -0.014053 -0.0036787
0.00024881 -0.00065323 -0.0024853 -0.00056431 0.0003701 -0.00053701 -7.0798e-005 -0.00023445
3.4794
3.511
2.6694
2.869
5.2463
3.6481
3.9487
2.6579
Cl ^
M ^
1	a
a
t"1 ^
O p
o
a
Cl
Ig
N O P 3
crq B |—s ~
g 8
2	P 5. p
m< O
C+- crq <
O
K
K ^
&
n> cr
* i
p
p
uv
Er
CD
O
o
co o
Preglednica 10.5: Parametri vhodnih pripadnostnih funkcij fin za povprecno visino valov. Table 10.5: Parameters of input membership functions fin for mean wave height.
Atribut	1	2	3	4	5	6	7
fin	in1cl1	in2cl1	in3cl1	in4cl1	in5cl1	in6cl1	in7cl1
a	3.7376	2.7739	50.46	13.062	4.9972	12.095	50.907
c	8.9684	7.7202	68.896	15.865	-2.8095	43.979	229.4
fin	in1cl2	in2cl2	in3cl2	in4cl2	in5cl2	in6cl2	in7cl2
a	4.155	2.5228	50.825	14.19	3.2019	11.994	50.412
c	2.63	1.5016	141.74	3.2511	-1.6841	17.288	248.24
fin	in1cl3	in2cl3	in3cl3	in4cl3	in5cl3	in6cl3	in7cl3
a	4.2026	2.7221	50.388	12.216	3.1466	10.092	49.458
c	10.953	9.2762	61.229	15.243	-4.5593	38.35	239.67
fin	in1cl4	in2cl4	in3cl4	in4cl4	in5cl4	in6cl4	in7cl4
a	2.0818	3.4821	51.058	14.724	2.9094	11.194	50.771
c	6.2444	3.8382	166.79	4.5481	-4.2674	48.977	308.82
fin	in1cl5	in2cl5	in3cl5	in4cl5	in5cl5	in6cl5	in7cl5
a	2.983	1.8401	50.929	14.039	3.384	11.885	50.251
c	2.9109	3.0989	46.961	20.844	-1.0038	11.868	188.97
fin	in1cl6	in2cl6	in3cl6	in4cl6	in5cl6	in6cl6	in7cl6
a	4.7339	0.75944	50.905	13.937	4.3117	11.122	50.558
c	5.748	3.6831	230.64	83.589	-2.6871	54.296	41.098
fin	in1cl7	in2cl7	in3cl7	in4cl7	in5cl7	in6cl7	in7cl7
a	3.4496	2.1151	51.029	14.227	2.6321	14.426	50.648
c	2.8261	1.1257	316.11	23.646	-1.531	41.19	147.7
fin	in1cl8	in2cl8	in3cl8	in4cl8	in5cl8	in6cl8	in7cl8
a	1.8557	2.6933	50.839	13.05	4.6462	9.5034	50.215
c	-1.8735	1.9449	324.55	23.632	-2.4444	9.1224	161.26
fin	in1cl9	in2cl9	in3cl9	in4cl9	in5cl9	in6cl9	in7cl9
a	3.6314	2.8716	51.077	14.866	4.4608	11.439	50.704
c	6.4552	4.8248	197.5	6.0573	-3.3887	51.326	23.254
fin	in1cl10	in2cl10	in3cl10	in4cl10	in5cl10	in6cl10	in7cl10
a	3.9607	2.9941	50.989	14.032	3.8729	11.268	50.444
c	2.1114	1.0419	144.63	3.3562	-1.8875	8.0555	88.394
fin	in1cl11	in2cl11	in3cl11	in4cl11	in5cl11	in6cl11	in7cl11
a	4.424	3.8865	51.01	14.001	4.1584	11.259	50.557
c	4.5042	3.2807	7.613	23.676	-2.5289	51.544	163.33
fin	in1cl12	in2cl12	in3cl12	in4cl12	in5cl12	in6cl12	in7cl12
a	6.3653	2.1098	50.651	13.605	5.3086	13.214	50.752
c	9.5058	10.006	186.24	6.0747	-2.8525	55.71	236.87
Preglednica 10.6: Parametri izhodnih pripadnostnih funkcij /OMt za povprečno višino valov. Table 10.6: Parameters of output membership functions fem,t for mean wave height.
fout	ai	Cl2	a 3	(H	a 5	ae	0,7	as
outcll	0.0166	0.049777	-0.0040446	-0.008361	-0.019595	-0.0060467	0.00013607	0.62777
outcl2	0.039356	-0.029662	-0.00014464	-0.00028312	-0.0053545	0.00032134	5.8041e-005	0.072364
outcl3	0.084154	0.0038672	0.0043561	0.019946	0.014257	-0.010576	0.0004985	-0.81745
outcl4	0.055448	-0.022554	-0.00051635	-0.0001564	-0.0075691	-0.0012577	-0.00018561	0.19561
outcl5	0.059135	-0.041513	-0.00062982	0.00043231	0.0034317	0.00049062	0.00011859	0.05024
outcl6	0.043004	-0.0083225	-7.8075e-005	-7.4468e-005	-0.00068631	-0.00050028	-0.00010153	0.078868
outcl7	0.044693	-0.01052	6.276e-005	-0.00053954	0.011557	-0.00054176	3.9838e-006	0.087519
outcl8	0.093584	-0.074769	-0.00080548	-0.00090631	-0.056726	7.2994e-005	-0.0002188	0.24625
outcl9	0.041401	-0.00932	-4.1428e-005	0.0034669	0.0085645	-0.0032011	-0.00011785	0.22654
outcllO	0.036254	-0.029854	2.0377e-005	-0.00053626	-0.013545	0.0013284	0.00024434	0.04073
outclll	0.048568	-0.031946	0.00088814	0.0030155	-0.0057582	0.00044313	-0.00070988	0.062184
outcll2	-0.024484	0.077598	-1.9235e-005	0.0086312	0.0029377	-0.0014295	-0.00041468	0.18289
* F
D- ^ ffi' ^
M ^
IP p'
p
o
Cl
o ® o
o
a
Cl
Ig
N O p 3
Crq B i-i -
^ s
2 P 5. P
Uli O
C? crq C ' O
K
K ^
&
n> cr
* i
p
p
ar &

O
o
co o co
Preglednica 10.7: Parametri vhodnih pripadnostnih funkcij fin za maksimalno visino valov. Table 10.7: Parameters of input membership functions fin for maximum wave height.
Atribut	1	2	3	4	5	6	7
fin	in1cl1	in2cl1	in3cl1	in4cl1	in5cl1	in6cl1	in7cl1
a	3.7289	3.4288	50.759	13.43	4.8343	11.846	50.431
c	8.0338	7.3165	68.961	15.577	-2.5104	44.821	229.04
fin	in1cl2	in2cl2	in3cl2	in4cl2	in5cl2	in6cl2	in7cl2
a	3.7395	2.5327	50.881	13.97	3.8119	11.558	50.376
c	2.4976	1.5604	142.74	3.2115	-1.9038	20.968	250.12
fin	in1cl3	in2cl3	in3cl3	in4cl3	in5cl3	in6cl3	in7cl3
a	3.6776	4.2159	50.692	14.282	4.0848	10.49	50.291
c	11.009	8.7402	65.804	15.381	-3.3673	41.864	216.57
fin	in1cl4	in2cl4	in3cl4	in4cl4	in5cl4	in6cl4	in7cl4
a	5.993	4.6644	50.907	13.909	4.2435	11.839	50.499
c	6.0851	5.192	164.43	4.3138	-3.2224	52.871	327.21
fin	in1cl5	in2cl5	in3cl5	in4cl5	in5cl5	in6cl5	in7cl5
a	3.2883	2.235	50.913	13.9	3.5672	11.897	50.329
c	2.7541	1.9319	46.958	20.818	-1.4585	11.778	188.95
fin	in1cl6	in2cl6	in3cl6	in4cl6	in5cl6	in6cl6	in7cl6
a	4.1444	2.6062	50.905	13.904	4.2664	11.407	50.257
c	4.9732	3.809	230.61	83.579	-4.4717	51.413	32.072
fin	in1cl7	in2cl7	in3cl7	in4cl7	in5cl7	in6cl7	in7cl7
a	4.6178	2.8712	50.96	13.861	4.1476	12.242	50.38
c	5.6245	3.268	322.8	23.686	-2.7496	49.392	140.97
fin	in1cl8	in2cl8	in3cl8	in4cl8	in5cl8	in6cl8	in7cl8
a	3.5321	2.7294	50.9	13.83	4.5305	10.915	50.35
c	2.3921	1.4748	320.85	23.851	-2.3971	15.677	154.55
fin	in1cl9	in2cl9	in3cl9	in4cl9	in5cl9	in6cl9	in7cl9
a	3.5559	2.8003	50.91	13.88	4.2243	11.122	50.357
c	1.8647	0.96223	144.67	3.2171	-2.0625	7.9471	88.396
fin	in1cl10	in2cl10	in3cl10	in4cl10	in5cl10	in6cl10	in7cl10
a	3.4994	2.7097	50.974	13.945	4.2917	11.379	50.417
c	4.6238	3.2053	159.37	4.3753	-2.5989	57.421	210.28
Preglednica 10.8: Parametri izhodnih pripadnostnih funkcij fout za maksimalno višino valov. Table 10.8: Parameters of output membership functions fout for maximum wave height.
fout	a\	a2	a3	(I4	a5	a6	0,7	a8
outcll	0.081276	0.026942	-0.001314	-0.0083326	-0.038061	-0.0072302	-0.0010862	0.69023
outcl2	0.060685	-0.050953	-0.00042662	0.00030205	-0.0078356	0.00033116	9.6059e-005	0.14502
outcl3	0.10549	0.038517	0.00073651	0.019326	0.020222	-0.016081	0.00070452	-0.69737
outcl4	0.047095	-0.00077795	0.00010649	-0.00059224	-0.018696	-0.0016711	-0.00050044	0.25247
outcl5	0.084129	-0.066453	-0.00059894	0.0018566	0.0063856	1.3048e-005	7.1516e-005	0.090218
outcl6	0.076955	-0.0015957	0.00012915	-0.00012455	-0.00055356	-0.0020937	-0.00015684	0.036277
outcl7	0.056776	0.0080617	1.5234e-005	0.00023647	0.018997	-0.0014342	-0.00015715	0.16575
outcl8	0.073711	-0.024511	-8.7699e-005	-0.0014982	-0.033599	-3.6613e-005	-8.7193e-005	0.1241
outcl9	0.063012	-0.034626	1.6314e-005	-0.0013975	-0.012796	0.002116	0.00028885	0.061062
outcllO	0.072584	-0.038258	-0.00042102	0.0020207	-0.0048715	-0.0014625	-0.00012307	0.21313
* F
D-
Ul ^ M ^
IP p'
p
o
CL
o ® o
o
a
Cl
cd
Ig
N O p 3
Crq B i-i -
2 p 5. p
m< O
C+- crq <
O
K
K ^
&
cd cr
* i
p
p
uv ET
CD
O
o
co o
Cn
Preglednica 10.9: Parametri vhodnih pripadnostnih funkcij fin za srednjo smer potovanja valov. Table 10.9: Parameters of input membership functions fin for mean wave direction.
Atribut	1	2	3	4	5	6	7
fin	in1cl1	in2cl1	in3cl1	in4cl1	in5cl1	in6cl1	in7cl1
a	3.905	3.0427	50.965	13.818	3.6832	11.003	50.337
c	7.4893	5.4499	70.826	15.502	-1.7439	45.751	223.71
fin	in1cl2	in2cl2	in3cl2	in4cl2	in5cl2	in6cl2	in7cl2
a	3.8768	3.0599	50.91	14.087	4.0545	11.929	50.415
c	2.4106	1.8576	141.77	3.2514	-2.2549	17.394	248.29
fin	in1cl3	in2cl3	in3cl3	in4cl3	in5cl3	in6cl3	in7cl3
a	6.8069	5.4214	50.904	13.67	4.394	12.8	50.747
c	7.5976	7.0643	169.05	6.2569	-3.4175	52.676	320.38
fin	in1cl4	in2cl4	in3cl4	in4cl4	in5cl4	in6cl4	in7cl4
a	4.0096	2.5894	52.371	14.97	2.858	12.569	51.532
c	12.446	11.334	65.003	14.323	-3.2926	44.723	236.91
fin	in1cl5	in2cl5	in3cl5	in4cl5	in5cl5	in6cl5	in7cl5
a	3.7488	2.9014	50.921	13.954	4.672	11.54	50.334
c	2.8908	1.9969	46.986	20.801	-1.536	11.677	188.95
fin	in1cl6	in2cl6	in3cl6	in4cl6	in5cl6	in6cl6	in7cl6
a	4.1649	3.203	50.901	13.855	4.2262	11.5	50.407
c	4.6225	3.7043	235.62	83.61	-4.2318	47.701	31.004
fin	in1cl7	in2cl7	in3cl7	in4cl7	in5cl7	in6cl7	in7cl7
a	3.4789	2.6287	48.278	10.349	4.833	11.886	48.992
c	14.231	9.1806	65.461	17.456	-1.6697	37.109	216
fin	in1cl8	in2cl8	in3cl8	in4cl8	in5cl8	in6cl8	in7cl8
a	4.4974	3.8523	51.038	14.126	4.2441	11.522	50.355
c	6.1906	4.1247	322.75	23.739	-3.2096	49.819	140.9
fin	in1cl9	in2cl9	in3cl9	in4cl9	in5cl9	in6cl9	in7cl9
a	3.7736	2.9286	50.893	13.858	4.2765	11.41	50.395
c	2.6244	1.8198	323.5	23.806	-2.6644	13.036	154.58
fin	in1cl10	in2cl10	in3cl10	in4cl10	in5cl10	in6cl10	in7cl10
a	3.9899	3.1657	50.96	13.889	4.3067	11.792	50.398
c	2.3171	1.6934	137.71	3.2191	-2.7955	10.043	93.365
ö
ö
s
	co			CN	tCO	co	CO		t-
C1 00	00		t-	t-		CO Lß	C1 >ß	t-	C1 co
lO	t-				CN		CO	00	co
				CN		t-	CN		
'CDo '9o ^^CD
lO	00	
co	co	t-
00	CN	CN
CN	CN	00
	C1	>ß
CD	CD	CD
			
	co		CN
O	co	lO	
t-	co	00	co
t-	CN		t-
1	CD CD	CD	>ß 1
00	co	CN
co	^	
	co	o
00		CN
	co	
Ö	CD	CD
CO (N
	co	lO			co
t-	00		co		
00	co	co	00		00
co	co		t-		CD
co		>ß			co
t-
00 o t-
,COt-^nOO ^COt-NOO ^cncn^h^H
m co
^ i—j CD CD
co	t-	00	lO
t-		t-	
CN		O	^H
t-	t-	o	
		Iß	CN
CD 1	>ß	Ö 1	CD CD
CN
co co
CD
CD CD
CD
00	CO		
o		lO	O
lO	t-	lO	
00	CO		t-
lO	co	t-	
CD	CD	CN	CD
CD	Ö	1	CD
ß^ooco ro ION N
00 o
t- co
CN lO
CO ^H
co
co
	t-		
CO		lO	t-
o	CD	CO	co
C1	>ß	t-	>ß
>ß		CN	
co 00 00 CN
lO tco
lO CN
t-
00
co o
lO co
CD CD CD CD
tO
lO	CO	CN	CO			CN o	t-	CO	co
	co		CO	co	t-				co
CN	lO	co	O	CN				CO	00
t-			CO		co		CD	C^	co
	>ß	CD	CO		>ß	1	co		
	CN	co		lO	co	t-	00	
								
o	o	o	o	o	o	o	o	o
								
s	s	s	s	s	s	s	s	s
o	o	o	o	o	o	o	o	o
3 o
Preglednica 10.11: Parametri vhodnih pripadnostnih funkcij fin za razpršenost valov pri vršni periodi.
Table 10.11: Parameters of input membership functions fin for wave spread at peak wave period.
Atribut	1	2	3	4	5	6	7
fin	in1cl1	in2cl1	in3cl1	in4cl1	in5cl1	in6cl1	in7cl1
a	4.7017	4.2592	51.134	14.251	4.6249	11.335	50.673
c	7.7028	5.1689	71.019	15.247	-1.9517	45.104	223.66
fin	in1cl2	in2cl2	in3cl2	in4cl2	in5cl2	in6cl2	in7cl2
a	3.9506	2.7977	50.904	13.743	4.3969	11.456	50.375
c	2.5757	1.819	142.74	3.1865	-2.1044	20.947	250.13
fin	in1cl3	in2cl3	in3cl3	in4cl3	in5cl3	in6cl3	in7cl3
a	6.6549	5.6437	50.949	14.885	4.6185	13.012	50.908
c	8.47	6.7196	174.08	6.4533	-2.5647	50.55	297.49
fin	in1cl4	in2cl4	in3cl4	in4cl4	in5cl4	in6cl4	in7cl4
a	3.6166	2.1088	50.918	13.896	4.3033	11.484	50.412
c	2.8134	1.6202	46.969	20.798	-1.6842	11.598	188.94
fin	in1cl5	in2cl5	in3cl5	in4cl5	in5cl5	in6cl5	in7cl5
a	4.0848	2.7709	50.896	13.822	4.1664	10.991	50.022
c	5.121	4.2276	228.75	83.603	-3.2689	52.787	33.73
fin	in1cl6	in2cl6	in3cl6	in4cl6	in5cl6	in6cl6	in7cl6
a	4.58	2.4902	50.802	15.144	3.0114	11.413	50.502
c	10.651	11.77	63.996	16.325	-3.7265	44.901	236.9
fin	in1cl7	in2cl7	in3cl7	in4cl7	in5cl7	in6cl7	in7cl7
a	3.1082	3.4237	50.951	13.898	4.2889	11.453	50.326
c	5.4681	3.9362	323.01	23.77	-3.9896	47.261	128.04
fin	in1cl8	in2cl8	in3cl8	in4cl8	in5cl8	in6cl8	in7cl8
a	3.853	3.5704	49.233	10.93	3.9043	12.002	49.716
c	14.083	11.047	57.592	15.304	-2.5905	38.465	226.85
fin	in1cl9	in2cl9	in3cl9	in4cl9	in5cl9	in6cl9	in7cl9
a	3.6213	2.6961	50.916	14.4	4.2888	11.426	50.361
c	2.5227	1.6477	320.86	23.943	-2.1254	15.992	154.59
fin	in1cl10	in2cl10	in3cl10	in4cl10	in5cl10	in6cl10	in7cl10
a	3.6291	3.1548	50.879	13.816	4.204	11.56	50.373
c	2.4196	1.1564	142.46	3.1691	-1.4165	8.7264	77.946
Preglednica 10.12: Parametri izhodnih pripadnostnih funkcij fout za za razpršenost valov pri vršni periodi. Table 10.12: Parameters of output membership functions fout for wave spread at peak wave period.
fout	a\	a2	a3	(I4	a5	a6	0,7	a8
outcll	0.56458	-0.3323	-1.3824e-006	-0.038208	0.11439	-0.055645	0.013472	76.232
outcl2	-0.56507	0.70861	0.010486	0.082604	-0.035728	-0.0015512	0.0099214	72.591
outcl3	-0.48665	0.15026	-0.0064099	0.048699	0.41074	-0.016623	0.0038984	77.828
outcl4	-0.36691	0.17983	0.00016467	-0.0076615	0.064282	-0.04942	-9.3329e-005	78.739
outcl5	-1.652	0.15779	-0.018541	4.6575e-005	-0.28132	0.050346	-0.010742	85.805
outcl6	0.11931	-12.304	-0.20959	-1.5145	-4.1368	-0.87582	-0.49955	390.31
outcl7	-1.8822	1.7646	0.0058771	0.021771	-0.46489	-0.026901	-0.015956	78.31
outcl8	-0.40355	1.1639	-0.033729	-0.078827	0.88628	0.17519	0.022277	9.7855
outcl9	-0.93062	0.96254	-0.013041	-0.011757	0.038807	-0.027143	0.0044611	82.432
outcllO	-1.5015	-0.14759	0.0023775	0.11446	-0.46004	0.033264	0.012568	76.798
* F
D- ^ m ^
M ^
IP p'
p
o
Cl f P
o ® o
o
a
Cl
Ig
N O P 3
crq B i-i -
g 8 2 p 5. p
m< O
C+- crq <
O
K
K ^
&
n> cr
* i
p
p
uv
Er
CD
O
o
co o co