Рисунок 3. Осиные гнезда. По часовой стрелке сверху слева: Polistes snelleni , Vespa simillima , Apoica pallens — обратите внимание на апосематическую окраску и расположение брюшка взрослых особей на гнезде, Parachartergus fraternus , скрытое гнездо Metapolybia aztecoides ствол дерева, Polybia simillima — рабочие занимают оборонительную атакующую позицию на гнезде.

Жизненный цикл осы состоит из образования колонии, роста и расширения, производства репродуктивных особей, рассредоточения репродуктивной системы и упадка колонии. У большинства таксонов цикл детерминирован и длится менее года с полным распадом общества в конце. Некоторые таксоны имеют неопределенный цикл, при котором популяция колонии просто уменьшается после крупного репродуктивного события, прежде чем снова начать цикл роста и расширения в том же гнезде, часто с новыми матками.Некоторые индетерминантные виды могут оставаться в гнезде годами, с рекордом 30 лет.

Основание колонии может быть независимым или групповым. При независимом основании колония инициируется одной или несколькими матками без помощи рабочих; при основании роя инициация колонии осуществляется роем из многих рабочих плюс репродуктивных маток. Независимое основание может быть произведено одной маткой (гаплометроз) или несколькими матками, объединившими свои усилия для создания колонии (плеометроз). Большинство желтых жакетов и шершней гаплометротические, хотя Vespa affinis иногда бывает плеометротической с несколькими основательницами в колонии, а Provespa полностью отступает от этого правила и размножается роением. Polistes и Mischocyttarus независимо друг от друга обнаружили колонии со смесью плеометротических и гаплометротических колоний. Единственные матки-основательницы имеют преимущества отсутствия конкуренции за яйцекладку со стороны других маток и большего потенциального количества репродуктивных потомков на одну основательницу.Недостатки включают повышенный риск нападения муравьев и других хищников или паразитов на оставленное без присмотра гнездо, когда основательница кормится, и часто более низкий уровень успеха при создании гнезда. Помимо лучшей защиты гнезда, преимущества для нескольких основательниц включают более быстрое строительство гнезда, более надежный захват добычи для личинок и повышение выживаемости колонии в случае потери основательницы. Эти компромиссы лучшего выживания и роста часто оказываются выгодными для основателей, чтобы присоединиться к другим.Как внутри отдельных видов, так и в роде в целом плеометротическое основание имеет тенденцию быть более распространенным в более низких широтах, чем гаплометротическое основание, возможно, отчасти из-за более интенсивного давления со стороны хищников и паразитов в более теплых условиях.

Размножение и создание колоний роями происходит у всех эпипониновых ос плюс Provespa и некоторых Ropalidia . Во время основания роя сотни или даже тысячи рабочих с молодыми матками покидают родительское гнездо и переезжают в новое место, чтобы построить новое гнездо и репродуктивную единицу.Эта форма воспроизводства, хотя во многом похожа на медоносную пчелу, отличается несколькими деталями, включая общее присутствие гораздо большего количества маток в осиных роях. Явными преимуществами создания роя по сравнению с независимым основанием являются наличие большой рабочей силы для быстрого строительства гнезда и возможность специализации задач отдельными лицами внутри роя. Репродуктивным особям в рое не нужно добывать корм, как их независимым коллегам-основателям, а отдельные рабочие могут специализироваться на различных задачах, таких как сбор нектара, добычи, волокон для строительства гнезд или воды для охлаждения и смешивания с волокнами для строительства гнезд.Несколько рабочих также гарантируют, что большие силы защиты всегда будут доступны в случае появления злоумышленников.

WASP: универсальная, доступная через Интернет платформа обработки одноклеточных РНК-Seq | BMC Genomics

Генерация матрицы экспрессии генов для данных на основе ddSEQ

Чтобы использовать конвейер предварительной обработки, пользователь должен предоставить эталонный геном с аннотацией и необработанными файлами FASTQ (Чтение 1 и Чтение 2) генерируются с помощью протокола BioRad ddSeq или 10x Genomics.Для этого используется специальная структура каталогов, которую можно получить из репозитория git (рис. S1). После подготовки входных данных конвейер Snakemake можно запустить с помощью одной командной строки, причем двумя обязательными параметрами являются количество используемых ядер и протокол scRNA-seq.

После запуска Snakemake данные результатов визуализируются с помощью специального приложения Shiny. Вначале пользователь должен выбрать «каталог результатов», созданный с помощью рабочего процесса Snakemake.Затем отображается страница «Сводка по образцу» (рис. 3а), на которой показан обзор показателей качества для каждого обработанного образца. Эти показатели качества разделены на три блока, отображающих информацию в виде таблицы и гистограммы с накоплением: 1) Первый блок содержит информацию о количестве считываний с действительным штрих-кодом и без него, а также о количестве извлеченных штрих-кодов. 2) В следующем блоке отображается информация о результатах сопоставления STAR, например, однозначно сопоставленные чтения, неназначенные чтения и т. д.3) В последнем блоке отображается информация о результатах featureCounts, например, количество чтений, назначенных одной функции, чтений, назначенных нескольким функциям и т. д. Меню в левой части веб-страницы позволяет пользователю перемещаться по другим страницам результатов. :

• Отчет FastQC:

  Эта страница предоставляет пользователям результаты контроля качества, полученные с помощью FastQC. Для обеспечения обзора качества последовательности образцов на этой странице показаны графики, созданные с помощью FastQC.

• Скорость отображения (рис. 3b):

  На этой странице показана доля однозначно сопоставленных чтений, несопоставленных чтений и чтений, сопоставленных с несколькими функциями для каждой ячейки с использованием гистограмм с накоплением. При изменении количества анализируемых ячеек графики динамически пересчитываются. Кроме того, пользователи могут просматривать данные, соответствующие каждому штрих-коду, в табличной форме для сопоставления статистики однозначно сопоставленных считываний, считываний, сопоставленных с несколькими локусами, и несопоставленных считываний.

• Количество генов:

  Подобно «Коэффициентам сопоставления», на этой странице отображаются доли прочитанных данных, назначенных функции или различным категориям неназначенных прочтений. Опять же, пользователи могут динамически пересчитывать гистограмму с накоплением, изменяя количество ячеек для анализа или выбирая категории показаний для отображения. В нижней части страницы пользователи могут просматривать идентифицированные штрих-коды в табличной форме.

• Действительные ячейки (рис. 3с):

  Как упоминалось ранее («Проверка результатов предварительной обработки и оценка действительных штрих-кодов», Реализация), основной проблемой протоколов на основе Drop-Seq является различение штрих-кодов, добавленных к свободным фрагментам мРНК, от штрих-кодов, добавленных к фрагментам мРНК целая клетка. На этой странице показан «график колена» и автоматически рассчитанное отсечение. Кроме того, круговые диаграммы под диаграммой колена показывают распределение картированных прочтений и идентифицированных генов в выбранных штрих-кодах.Когда количество действительных штрих-кодов или ожидаемое количество ячеек изменяется, эти графики обновляются. Кроме того, пользователи могут просматривать штрих-коды в табличной форме, чтобы получить подробное представление об идентифицированных UMI и генах для каждого штрих-кода.

Примеры показателей качества предварительной обработки WASP. a На сводной странице показаны показатели качества для идентифицированных штрих-кодов, сопоставление STAR и анализ featureCounts. b Результаты для каждого шага анализа, e.г. сопоставление STAR, представлены на подробной странице, а также с интерактивным выбором метрик (например, категорий сопоставленных и несопоставленных считываний) c На последней странице пользователи выбирают количество штрих-кодов, которые будут использоваться для дальнейшего анализа. Рассчитывая график колена, WASP предоставляет пользователям предполагаемое количество обнаруженных истинно положительных штрих-кодов

После выбора количества штрих-кодов, которые будут использоваться для дальнейшего анализа, пользователи могут просто загрузить матрицу экспрессии генов и список используемых параметров, щелкнув кнопку (рисунок S2). Затем матрицу экспрессии генов можно использовать с приложением постобработки WASP для дополнительного анализа.

Настраиваемый анализ и динамическая визуализация постобработки scRNA-seq

Чтобы сделать программное обеспечение WASP применимым для наборов данных, которые были созданы с использованием протокола, не поддерживаемого конвейером предварительной обработки, постобработка была разработана как стандартная. один модуль. Приложение постобработки Shiny можно запустить либо как контейнер Docker, либо как отдельное приложение на ПК под управлением Windows.Основным преимуществом последнего является то, что он не требует установки какого-либо дополнительного программного обеспечения или пакетов, нужен только стандартный веб-браузер. После запуска приложения пользователю предоставляется веб-страница, аналогичная странице предварительной обработки Shiny. Эта страница также содержит примеры того, как должны быть структурированы входные данные. В качестве первого шага пользователь должен загрузить файл матрицы экспрессии генов. Там, где это применимо, можно загрузить дополнительный файл аннотаций, содержащий все штрих-коды ячеек и назначенный им тип.Это может быть полезно, если данные из нескольких экспериментов объединяются, чтобы пометить каждую ячейку ее происхождением. Другой вариант — добавить уже известную информацию о типе ячейки, например. если клетки ранее были отобраны из конкретных тканей. Когда предоставляется файл аннотаций, WASP показывает пользователям добавленную информацию о ячейках на графиках, что позволяет проверить, например. пакетные эффекты. После завершения загрузки пользователи могут выбирать между автоматическим и ручным режимом анализа. Первый режим был интегрирован, чтобы менее опытные пользователи могли легко получить представление о своих данных.Для этого режима мы оценили параметры из предыдущих анализов, чтобы выбрать значения по умолчанию, подходящие для большинства наборов данных. В режиме автоматического анализа WASP рассчитывает все этапы анализа и графически отображает результаты на новой веб-странице. Однако ручной режим позволяет пользователям изменять параметры перед каждым шагом. Поэтому WASP вычисляет результаты шаг за шагом и предоставляет пользователю только результаты текущего шага, чтобы пользователь мог решить, какие параметры использовать для следующего шага.Для упрощения использования будут использоваться параметры по умолчанию, если пользователь переходит к следующему шагу без изменения значений. Как и в автоматическом режиме, WASP представляет все сгенерированные визуализации на одной странице после выполнения всех шагов обработки. Меню с левой стороны позволяет пользователям выбирать каждый шаг анализа и пересчитывать анализ с новыми параметрами, начиная с этого шага. Поскольку для многих анализов WASP использует новейшую версию 3.1 пакета Seurat R, его рабочий процесс очень похож на рабочий процесс Seurat.Помимо Seurat, WASP использует пакеты R SingleCellExperiment и scatter, чтобы предоставить пользователям дополнительный анализ и информацию об их наборе данных. Для ученых без определенного уровня знаний в программировании на R использование трех упомянутых пакетов было бы затруднительным, особенно если бы они хотели объединить результаты нескольких пакетов для улучшения результатов своего анализа. Веб-интерфейс R Shiny на основе графического интерфейса пользователя WASP предлагает пользователям простой в использовании инструмент для выполнения постобработки анализа scRNA-seq (рис.4).

Примеры анализа постобработки WASP. 2D-график UMAP сгруппированных ячеек с подробной информацией о выбранной ячейке. b После запуска веб-приложения Shiny в ручном режиме пользователи должны выбрать пороговое значение, определяющее, ниже какого числа счетчиков UMI ячейка отбрасывается. c Изогнутая диаграмма, показывающая стандартное отклонение каждого основного компонента и рассчитанное рекомендуемое отсечение (красная точка и стрелка) для использования в следующих анализах.Пользователи могут выбирать пользовательские значения для разрешения кластеризации и количества основных компонентов, используемых для следующих этапов анализа. клетки с очень низким количеством UMI или обнаруженных генов (рис. 4а). Чтобы учесть технический шум и сосредоточиться на биологической изменчивости, данные нормализуются, масштабируются, а гены с высокой изменчивостью используются для уменьшения размерности набора данных с помощью анализа главных компонентов. Во время ручного рабочего процесса пользователь должен решить, сколько рассчитанных компонентов будет использоваться в следующих анализах. Этот шаг важен, так как выбор слишком низкого значения может негативно повлиять на результаты и привести к потере важных данных для последующей кластеризации. Однако в некоторых случаях слишком большое значение также может привести к увеличению шума в данных. В этом решении пользователю помогают несколько графиков, в первую очередь так называемый локтевой график Сёра, который показывает стандартное отклонение каждой главной компоненты.В дополнение к Seurat, отсечка рассчитывается в WASP путем подгонки линии к кривой графика локтя, соединяющей точки с самым высоким и самым низким стандартным отклонением, определения перпендикулярной линии для каждой точки к соединительной линии и выбора точки, самой дальней от соединительной линии. . Это отсечение определяется, чтобы рекомендовать, сколько измерений следует включить в следующий анализ (рис. 4b). Этот расчет также используется для выбора отсечки во время автоматического рабочего процесса. На основе выбранного значения ячейки группируются в соответствии с алгоритмом кластеризации на основе графа Сера.Сгруппированные клетки показаны с использованием множества сложных визуализаций, включая t-SNE (рис. 4c) и UMAP. В качестве дополнительной функции WASP объединяет информацию о кластеризации с данными о размере ячейки. Наконец, идентифицируют гены, которые по-разному экспрессируются между кластерами. Во время ручного рабочего процесса пользователи могут выбирать пользовательские p — и регистрировать ₂ значения foldchange-values ​​для этого анализа. WASP включает в себя множество визуализаций, таких как t-SNE, UMAP, графики скрипки, гребневые графики, точечные графики и тепловые карты, что позволяет пользователям динамически проверять уровни экспрессии генов между кластерами.Пользователям просто нужно ввести название интересующего гена, чтобы рассчитать графики, показывающие его экспрессию среди различных кластеров. Кроме того, WASP предоставляет интерактивную таблицу, содержащую все гены, идентифицированные как дифференциально экспрессируемые в кластере, с соответствующими значениями p и значениями log ₂ foldchange, что позволяет пользователям также искать гены по имени. На последней странице пользователям предоставляются все сгенерированные визуализации, включая возможность их загрузки вместе с рассчитанной таблицей нормализации, списком маркерных генов для каждого кластера и сводной таблицей, содержащей используемые параметры для поддержки воспроизводимых анализов.

Успешная обработка наборов данных ddSEQ и 10x геномики

Чтобы оценить производительность WASP, мы выполнили тестовый прогон с набором данных на основе ddSEQ примерно из 283 миллионов считываний, разделенных на три образца (ddSEQ5, ddSEQ6, ddSEQ7), происходящих из Mus musculus клеток. Необработанные данные доступны в репозитории NCBI Short Read Archive (SRA) под регистрационным номером SRA SRP149565. Для обработки мы предоставили 12 процессорных ядер типа Intel Xeon E5–4650 с двумя.70 ГГц каждый. Отслеживаемое пиковое использование памяти составило 28 ГБ ОЗУ, а общее время обработки составило примерно 3,5 часа для ранее упомянутых шагов FastQC, сопоставления, извлечения признаков и подсчета UMI. Впоследствии результаты были обработаны с использованием приложения WASP для предварительной обработки Shiny, чтобы выбрать количество клеток, которые будут использоваться для создания матрицы экспрессии генов. Используя этот метод, WASP автоматически выбрала 346, 399 и 176 допустимых штрих-кодов для ddSEQ5, ddSEQ6 и ddSEQ7 соответственно. Мы объединили эти ячейки для дальнейшей оценки приложения постобработки.

Затем полученная матрица экспрессии генов была проанализирована с помощью модуля постобработки WASP. Этот тестовый запуск был выполнен с автономной версией приложения Shiny для Windows на ноутбуке с 8 ГБ ОЗУ и 2 ядрами ЦП (Intel Core i5-4510H), работающими на частоте 2,90 ГГц каждое. Общее время обработки данных для всех 935 клеток от первоначального импорта матрицы экспрессии генов до получения результатов кластера, включая визуализации, такие как t-SNE и UMAP, и таблицы дифференциально экспрессируемых генов, составило менее 3 минут.Результаты этого анализа подробно обсуждаются в Vazquez-Armendariz et al. , EMBO J. 2020 [19].

Мы также провели второй тест, чтобы оценить производительность WASP для наборов данных 10x Genomics. Чтобы проверить недавно реализованную предварительную обработку данных одной клетки со штрих-кодом 10x, мы использовали общедоступный набор данных примерно из 132 миллионов считываний, объединенных из двух циклов секвенирования, происходящих из клеток головного мозга личинок Ciona robusta . Набор необработанных данных доступен под регистрационным номером SRA SRX4938158.При использовании того же оборудования, что и упомянутое выше в тесте ddSeq, общая продолжительность предварительной обработки составила примерно 2 часа, а пиковое использование памяти составило 5,3 ГБ ОЗУ. После запуска приложение WASP Shiny обнаружило 2816 действительных штрих-кодов. Во втором тесте мы проверили производительность WASP на внешне сгенерированной матрице выражений на основе протокола 10x. Для этого теста мы использовали матрицу экспрессии генов, содержащую 2700 мононуклеарных клеток периферической крови. Этот набор данных общедоступен по адресу: https://support.10xgenomics.com/single-cell-gene-expression/datasets/1.1.0/pbmc3k. Для этого теста мы использовали ту же настройку, что и упомянутая выше, с автономной версией Windows. Общее время обработки составило 6  минут, что заняло больше времени, чем набор данных ddSEQ, поскольку набор данных 10x примерно в 2,8 раза больше, чем набор тестовых данных ddSEQ. После анализа мы сравнили результаты с примерным анализом того же набора данных на домашней странице Seurat. WASP удалось идентифицировать кластеры аналогичного состава с соответствующими маркерными генами.

Как и люди, осы воспринимают лица как нечто большее, чем просто сумму их частей | Наука

Золотые бумажные осы ведут активную общественную жизнь. Чтобы отслеживать, кто есть кто в сложной иерархии, они должны распознавать и запоминать множество лиц. Теперь эксперимент показывает, что мозг этих ос обрабатывает все лица одновременно — аналогично тому, как работает человеческое распознавание лиц. Это первое свидетельство того, что насекомые идентифицируют друг друга с помощью «целостной» обработки, и ключ к разгадке того, почему у социальных животных развились такие способности.

Открытие предполагает, что целостная обработка может не требовать большого, сложного мозга, говорит нейробиолог Рокфеллеровского университета Уинрих Фрайвальд, который не участвовал в исследовании. «Должно быть очень сложно дрессировать этих животных, поэтому я нахожу захватывающим, как можно добиться таких четких результатов», — говорит он.

Большинство людей узнают лица не по конкретным чертам, таким как уникальная точка красоты или форма носа, а рассматривая их как единое целое, принимая во внимание, как все черты связаны друг с другом.Эксперименты показывают, что люди хорошо различают черты лица — например, носы — когда они видят их в контексте лица, но им гораздо труднее, когда черты рассматриваются изолированно.

Другие приматы, в том числе шимпанзе и макаки-резусы, используют такую ​​целостную обработку. И исследования даже показали, что медоносные пчелы и осы, обученные распознавать человеческие лица, испытывают больше трудностей с частичными лицами, чем с целыми, что предполагает целостную обработку. Но биологи не знали, действительно ли насекомые естественным образом используют целостную обработку друг друга.

Чтобы ответить на этот вопрос, Мичиганский университет в Анн-Арборе, биолог-эволюционист Элизабет Тиббетс и его коллеги разработали тест распознавания лиц для золотых бумажных ос. Во-первых, они сфотографировали отдельных ос и изменили внутренние части их лиц, в результате чего получились пары фотографий с одинаковыми ногами, антеннами и телами, но с разными лицами.

Затем они научили ос узнавать, что одно из двух лиц было «плохим парнем». Во время тренировок они поместили каждую осу в крошечную коробку с фотографиями этого лица на всех стенах.Пол коробки подавал осе слабые электрические разряды — достаточно, чтобы вызвать дискомфорт, но недостаточно, чтобы заставить ее запаниковать и перестать учиться. Подобные тренировки без ударов приучили ос распознавать в другом лице «хорошего парня».

Затем последовал тест, в чуть большей коробке с хорошим лицом на одном конце и плохим лицом на другом. Исследователи держали обученную осу в центре коробки в течение 5 секунд, чтобы осмотреться и сориентироваться. Потом отпускали и смотрели, к какому лицу приблизилась оса.

Как и ожидалось, осы устремились прямо на хорошего парня. Но настоящее испытание наступило, когда на фотографиях была показана только часть лица — осиный эквивалент глаз и носа. С этими частичными лицами осы больше не направлялись прямо к хорошему парню — признак того, что им нужно было видеть отметины на лице в контексте всего лица. Это говорит о том, что они используют целостную обработку лица, сообщают Тиббетс и его коллеги в отчете Proceedings of the Royal Society B .

Когда исследователи повторили эксперимент с близкородственной европейской бумажной осой, они обнаружили, что она может идентифицировать других ос по определенным отметинам на лице, но не использовала целостную обработку лица.

Разница между двумя видами свидетельствует о том, почему целостный процессинг может эволюционировать, говорит Тиббетс. Это может быть не нужно для европейских бумажных ос, которые не узнают людей по отметинам на лице. Но у золотой бумажной осы, по ее словам, целостная обработка позволит осам быстро и точно идентифицировать множество разных лиц, которые им необходимо знать.

Некоторые исследователи скептически относятся к результатам. По словам Изабель Готье, нейробиолога из Университета Вандербильта, до сих пор ведутся споры о том, что такое целостная обработка и как ее лучше всего оценить, и тест «частично-целое», используемый на осах, не является золотым стандартом для исследований обработки лица у людей. . А Хади МаБоуди, нейробиолог из Университета Шеффилда, отмечает, что эксперимент основан только на одном тесте. По его словам, тестирование ос различными способами — например, объединение элементов лица разных людей, чтобы увидеть, влияет ли это на узнавание, — могло бы дать более четкий ответ. Без этого возможно, что в основе результатов лежит нечто иное, чем целостная обработка: «Животные часто очень хорошо находят эффективные, а иногда и неожиданные решения».

Но другие полны энтузиазма. Элинор Маккон, психолог из Австралийского национального университета, говорит, что эксперимент представляет собой «умный вариант» методов, изначально разработанных для проверки распознавания лиц человеком. И это ясно показывает, что у ос может происходить целостное восприятие лица, говорит она, даже если остаются открытыми вопросы о том, насколько эти способности могут отличаться от наших собственных.

Программа моделирования анализа качества воды (WASP)

На этой странице:

Программа моделирования анализа качества воды (WASP) представляет собой усовершенствование оригинальной WASP (Di Toro et al., 1983; Connolly and Winfield, 1984; Ambrose, R.B. et al., 1988). Эта модель помогает пользователям интерпретировать и прогнозировать реакцию качества воды на природные явления и антропогенное загрязнение для различных решений по управлению загрязнением. WASP — это программа динамического моделирования водных систем, включая водную толщу и нижележащий бентос.

WASP позволяет пользователю исследовать одно-, двух- и трехмерные системы и различные типы загрязнителей. Переменные состояния для данных модулей приведены в таблице ниже. В модели представлены изменяющиеся во времени процессы адвекции, дисперсии, точечного и диффузного нагружения масс и граничного обмена. WASP также может быть связан с гидродинамическими моделями и моделями переноса наносов, которые могут определять потоки, скорости на глубине, температуру, соленость и потоки наносов. В этот выпуск WASP включена модель диагенеза отложений, связанная с подмоделью Advanced Eutrophication, которая прогнозировала потребность отложений в кислороде и потоки питательных веществ из нижележащих отложений.

WASP — одна из наиболее широко используемых моделей качества воды в США и во всем мире. Из-за возможностей моделей обрабатывать несколько типов загрязнителей он широко применялся при разработке общих максимальных суточных нагрузок (TMDL). WASP имеет возможности связывания с гидродинамическими моделями и моделями водоразделов, что позволяет проводить многолетний анализ в различных метеорологических условиях и условиях окружающей среды. WASP был применен ко всем основным эстуариям во Флориде, где он был связан с гидродинамической моделью и моделью водосбора, имитирующей 12 непрерывных лет, чтобы помочь Агентству по охране окружающей среды США в разработке числовых критериев питательных веществ.Другие примеры его использования:

• эвтрофикация Тампа-Бэй, Флорида;
• погрузка фосфора на озеро Окичоби, Флорида;
• эвтрофикация устья реки Нойз, Северная Каролина;
• эвтрофикация реки Куса и водохранилищ, Алабама;
• Загрязнение Великих озер ПХБ;
• эвтрофикация Потомакского лимана;
• загрязнение кепоном устья реки Джеймс;
• летучее органическое загрязнение устья Делавэра;
• загрязнение тяжелыми металлами реки Дип, Северная Каролина; и
• ртуть в реке Саванна, Джорджия.

Препроцессор WASP

Препроцессор данных позволяет быстро обрабатывать входные наборы данных. Вводить данные в модель так же просто, как копировать и вставлять или запрашивать из базы данных. Препроцессор предоставляет подробные описания всех параметров модели и кинетических констант. При связывании WASP с гидродинамическими моделями достаточно указать файл гидродинамической связи.

• Импорт временных рядов из WRDB, электронных таблиц, текстовых файлов
• Автоматически импортировать информацию об интерфейсе гидродинамической модели
• Поддержка нескольких сеансов
• Диагностика во время работы

Постпроцессор

Постпроцессор (MOVEM) обеспечивает эффективный метод просмотра прогнозов модели и сравнения их с полевыми данными для калибровки.MOVEM может отображать результаты всех моделей WASP, а также других моделей. MOVEM позволяет разработчику модели отображать результаты в двух графических форматах:

1. Пространственная сетка. двумерное изображение модельной сети отображается в окне, где модельная сеть окрашена цветом в зависимости от прогнозируемой концентрации.
2. Графики x/y — создает линейный график x/y предсказанных и/или наблюдаемых результатов модели в окне.

Количество графиков x/y, пространственных сеток или даже файлов результатов моделирования, которые пользователь может использовать в сеансе, не ограничено.Отдельные окна создаются для каждой пространственной сетки или графика x/y, созданного пользователем.

Информация о загрузке файла

Тип файла/приоритет	Имя файла/формат/размер	Описание файла
Установка / Требуется	WASP8 Скачать	Все установщики WASP перечислены ниже. Существует 64-битный установщик Windows, 64-битный Mac OS X (Yosemite или выше), 64-битный Linux (построен на Ubuntu). Вам понадобятся знания о том, как устанавливать программное обеспечение в вашей целевой операционной системе.

Контактная информация

Пожалуйста, свяжитесь с Тимом Вулом ([email protected]) с вопросами или комментариями по WASP.

Семинар

Агентство по охране окружающей среды США, регион 4, и Национальная рабочая группа по моделированию качества воды опубликуют в этом разделе дополнительные 5-дневные семинары по принципам / моделированию качества воды с использованием Программы моделирования анализа качества воды (WASP).