Содержание к диссертации
Введение
Глава 1 Характеристика проблемы и её современное состояние 9
1.1 Агроэкосистемы как объект моделирования 9
1.2 Этапы разработки и современное состояние проблемы моделирования продуктивности агроэкосистемы . 11
1.4 Сравнительный анализ существующих моделей 29
Глава 2 Исследование чувствительности модели к вариации ее параметров . 41
2.1 Чувствительность к вариации начального состояния 46
2.1.1 Чувствительность модели к вариации даты всходов . 49
2.1.2 Чувствительность модели к вариации начальных значений биомассы 51
2.2 Чувствительность к параметрам функции стресса 52
2.3 Чувствительность к почвенно-гидрологическим параметрам 64
Глава 3 Разработка базы данных (БД) модели 76
3.1 Концептуальная модель БД 80
3.2 Описание DSM-интерфейса . 97
3.3 Описание оперативной базы данных (ОДБ, DATASET) 100
Глава 4 Использование моделей в системах поддержки агротехнологических решений . 103
4.1 Сценарии погоды 103
4.2. Долгосрочный прогноз темпов развития растений . 110
4.3 Прогнозирование величины урожая 122
4.4 Использование модели для оценки эффективности азотных удобрений 128
4.5 Расчет доз азотных подкормок. 135
Выводы 139
Литература 141
Приложение
- Этапы разработки и современное состояние проблемы моделирования продуктивности агроэкосистемы
- Чувствительность модели к вариации даты всходов
- Описание DSM-интерфейса
- Долгосрочный прогноз темпов развития растений
Введение к работе
В настоящее время агрономическая наука переживает переходный период: с одной стороны продолжаются исследования в области традиционного (в том числе адаптивно-ландшафтного) земледелия, а, с другой, начаты и интенсивно развиваются работы по формированию технологии точного земледелия. И если традиционные технологии длительное время обходились без использования динамических моделей продуктивности с.-х. культур, то технологии точного земледелия в принципе не могут обходиться без соответствующего информационного обеспечения, в том числе и без моделей того или иного уровня сложности. Как показал опыт зарубежных исследователей (Acock, 1989, Acock et al, 1999, Boogaard et al, 1998, Eitzinger et al 2004, Hijmans et al 1994, Keulen et al 1994, Whisler et al 1986), динамические модели позволяют существенно повысить эффективность технологических решений, в особенности при управлении режимами орошения и минерального питания, как в обычном, так и в точном земледелии. Современная техническая база в виде персональных компьютеров вполне обеспечивает возможность реализации достаточно сложных алгоритмов моделирования и управления. Отсутствие финансирования этих работ в достаточном объеме, а также трудности комплектования необходимого набора данных и недостаток подготовленных специалистов не позволило пока широко использовать системы имитационного моделирования в практике земледелия. К счастью, ситуация в этой области в последнее время изменяется, что свидетельствует об актуальности исследований по разработке информационных технологий в земледелии, в том числе и динамических имитационных моделей, являющихся их составной частью.
К моменту начала работы над диссертацией уже существовала версия модели формирования урожая основных с.-х. культур, которая была развита
5 применительно к условиям ее использования в научных исследованиях. В то же время стало очевидно, что имеется потребность включения динамических моделей в системы поддержки агротехнологических решений практического земледелия. Кроме того, развитие новых информационных технологий и, прежде всего, задача их адаптации к системам точного земледелия выдвинуло новые требования к моделям, которые первоначально не учитывались. Все это привело к необходимости пересмотра некоторых положений, заложенных в системы моделирования, и к их модификации в направлении учета требований внешнего пользователя. Это, в первую очередь, касалось структуры информационной поддержки модели и перевода ее на современный программный уровень. В существующей версии имитационной системы AGROTOOL v.3, разработанной коллективом авторов лаборатории моделирования агроэкосистем АФИ (Полуэктов и др., 2006) в качестве информационной поддержки этой версии системы используется простейшая файловая структура. Вся постоянная информация, требующаяся для процесса моделирования, хранится в виде файловой структуры, уникального именования. При необходимости выполнения конкретного расчета из этой структуры выбираются необходимые данные, которые затем переписываются под стандартными именами, воспринимаемыми программой моделирования. Так, например, файлы содержащие архив погоды имеют имена wxx.dat, где (хх) цифры, означающие номера года (w98.dat, w01.dat, ...). При выборе конкретного года в режиме диалога оболочка модели автоматически считывает нужный файл и записывает его под стандартным именем weather.dat. Именно эта погодная реализация и будет использована в процессе очередного счета. Такая структура данных неудобна для внешнего пользователя и не может претендовать на универсальность. В новой версии модели её следует перестроить и реализовать в виде базы данных современного типа (Мартин, 1980).
К другой задаче, также требующей своего решения, относится формулировка требований к точности задания тех или иных параметров модели. Для этого необходимо, как минимум, исследовать чувствительность модели к вариации ее параметров. Действительно, в случае, когда окажется, что выход модели слабо зависит от вариаций данного параметра, его величина может быть оценена приближенно. С другой стороны, при высокой чувствительности модели к вариации некоторого параметра к его экспериментальному определению должны быть предъявлены повышенные требования (Глобус и др., 1982, Бакаленко и др., 2008) .
Наконец, для включения модели в систему поддержки агротехнологических решений требовалось создать ряд алгоритмов прогнозирования хода продукционного процесса. Процесс формирования урожая происходит на фоне изменчивых погодных условий. В настоящее время не существует методов долгосрочного прогноза погоды с той точностью, которая может потребоваться для моделирования. Поэтому следует разработать алгоритмы прогноза результатов продукционного процесса, использующих инерционные свойства объекта моделирования -агроэкосистемы. Действительно, влагозапас в почве не изменяется мгновенно
- для ее промачивания, а, тем боле, иссушения требуется определенное
время. Еще более инерционными являются ростовые процессы. Заметное
изменение биомассы органов растения происходит в течение нескольких
суток.
Все эти задачи и были полжены в основу данной диссертационной работы.
На защиту выносятся:
- Результаты исследования чувствительности динамических моделей
семейства AGROTOOL, v.3, в форме оценки влияния отдельных факторов
стресса растений и почвенно-гидрологических параметров на различные
показатели продукционного процесса зерновых культур.
- Структура информационного обеспечения модели, состоящая из
стационарной базы данных (СБД, СБД СИАМ), оперативной базы данных
(ОБД, DataSet) и интерфейса пользователя(Б8М). Наличие баз данных двух
типов позволяет сочетать требования хранения всей необходимой для
моделирования информации с доступностью данных для модели, а наличие
интерфейса дает возможность пользователю быстро и эффективно
обеспечивать выбор данных из СБД для конкретного расчета.
- Метод долгосрочного прогнозирования темпов развития растений и метод
оперативного прогнозирования величины урожая зерновых культур.
- Количественная оценка вариабельности от года к году коэффициента
"оплаты" азотных удобрений в зависимости от величины исходной дозы
удобрения.
Ряд результатов работы имеет теоретическую и практическую
ценность. Теоретической значимостью обладает структура
информационного обеспечения процесса имитационного моделирования, поскольку она универсальна и может быть использована во многих других приложениях и, в частности в моделях экспертного типа. Методы долгосрочного и оперативного прогноза результатов продукционного процесса обладают практической значимостью, т.к. могут быть непосредственно включены в системы поддержки агротехнологических решений.
Апробация работы. Семинары лаборатории математического моделирования АФИ, научные сессии АФИ («Параметрическая чувствительность модели продукционного процесса с/х культур: методология и результаты», март 2007), 10-ая Пущинская школа-конференция молодых ученых "БИОЛОГИЯ -НАУКА XXI ВЕКА". (Пущино-на-Оке, 2006 г.).
По теме диссертации опубликованы в пяти работах, из которых четыре - в рецензируемых журналах (всего 5): Бакаленко Б.И., Глобус A.M., Полуэктов Р.А. Исследование чувствительности динамической модели
8 продуктивности зерновых культур к почвенно-гидрофизической информации // Метеорология и гидрология. 2008. № 9. С. 94 - 101.
Полуэктов Р.А., Терлеев В.В., Бакаленко Б.И. Использование динамических моделей в информационных технологиях точного земледелия // Материалы Всеросс. конф. «Машинные технологии производства продукции в системе точного земледелия и животноводства» 16-18 июня 2004 г. М.: Изд-во ВИМ, 2005. С. 142 - 147.
Бакаленко Б.И., Голубев СВ. Долгосрочное прогнозирование темпов фенологического развития сельскохозяйственных культур // Вестник РАСХН. 2006. № 2. С. 18 - 20.
Якушев В.П., Полуэктов Р.А., Петрова М.В., Терлеев В.В., Петрушин А.Ф., Бакаленко Б.И. Имитационно-экспертная система поддержки агротехнологических решений (концепция) // Вестник РАСХН. 2008. № 5. С. 7 - 9.
Якушев В.П., Полуэктов Р.А., Петрова М.В., Терлеев В.В., Петрушин А.Ф., Бакаленко Б.И. Имитационно-экспертная система поддержки агротехнологических решений (реализация) // Вестник РАСХН. 2008. № 6. С. 6 - 9.
Этапы разработки и современное состояние проблемы моделирования продуктивности агроэкосистемы
Основополагающей работой в области математического моделирования продукционного процесса в настоящее время общепризнанно считается опубликованная в японском ботаническом журнале в 1953 г. статья Монси и Саеки {Monsi М., Saeki Т, 1953), в которой сделана первая попытка количественного описания процесса фотосинтеза посевов. Усовершенствование такого подхода в работах М. И. Будыко {Будыко, 1964), Шартье {Chartier, 1970), Гаастра {Gaastra, 1959) и Лайска {Лайск, 1977) привело к построению количественной теории процесса фотосинтеза (на уровне листа). Обобщение этих результатов выполнено де Витом в работе {Wit, 1978) им предложена математическая модель фотосинтеза посева, учитывающая зависимость интенсивности фотосинтеза от радиационного режима, температуры листьев и влагосодержания растений (через устьичную регуляцию). Дальнейшие результаты в этой области связаны с включением в модель адаптивных реакций растения на температурные и световые воздействия с учетом процессов старения листьев {Калер и др., 1976, Калер и др., 1979, Duncan et al, 1967, Hall et al, 1975).
Успехи в области создания количественной теории фотосинтеза создали базу для развития комплексных моделей формирования урожая посевами полевых культур. Здесь можно выделить два этапа. На первом этапе (примерно 1960—1970 гг.) ставилась основная цель объединить в комплексную модель совокупность всех известных процессов, протекающих в системе почва—растение— приземный воздух и приводящих в конечном счете к формированию урожая того или иного уровня. Предпосылки для развития исследований по моделированию роста растений были созданы работой Дэвидсона и Филиппа {Davidson et al, 1958). Дальнейшие результаты в этой области были получены де Витом и его группой, что привело к созданию первоначально модели ELCROS (Elementary crop simulator), а затем (уже в 1978 г.) более совершенной модели BACROS (Basic crop simulator) {Пгннинг и dp 1986г). Известна также американская модель SPAM (Soil— plant—atmosphere model), созданная коллективом авторов: Лемон, Стюарт, Шоукрофт и др. {Schawcroft et al, 1974). В результате этих исследований были отработаны основные принципы моделирования формирования урожая, что позволило приступить к созданию моделей для конкретных сельскохозяйственных культур. Результатом исследований второго этапа (конец 60-х и 70-е годы) явилась разработка ряда моделей для конкретных сельскохозяйственных культур — пшеницы, трав (например, люцерны), картофеля, кукурузы, хлопчатника и др.
Большой вклад в создание теории моделирования продукционного процесса внесли исследователи бывшего Советского Союза. Опубликованная в 1964 г. статья А. И. Будаговского, А. А. Ничипоровича и Ю. К. Росса {Будаговский, 1964) положила начало работам по созданию динамических моделей продуктивности агроэкосистем в СССР. Предпосылки для возникновения этого направления были заложены в более ранних работах А. А. Ничипоровича по созданию теории высокой продуктивности посевов {Ничипорович, 1956, Ничипорович, 1963, Ничипорович 1970). Дальнейшее развитие теории связано с работами X. Г. Тооминга {Тооминг, 1967, Тооминг, 1977) и других исследователей, благодаря которым к настоящему времени разработан ряд как теоретических, так и прикладных полуэмпирических моделей продуктивности важнейших сельскохозяйственных культур {Галялшн и др., 1977, Галямин и др., 1976, Полуэктов 1979, Полуэктов и др., 1980, Сиротенко и др., 1977, Тооминг, 1967, Тооминг и др., 1972, Шатилов и др., 1976).
Рассмотрим принципы построения подобных моделей. Модели продукционного процесса носят динамический характер, т. е. в процессе моделирования рассчитываются и учитываются изменения всех характеристик и параметров системы почва-растение—приземный воздух во временном разрезе (от посева или посадки до уборки урожая). Благодаря этому, в ходе расчетов могут быть получены данные о нарастании сухой биомассы растений (как отдельных органов, так и посева в целом), динамике влагозапаса, о переносе, поглощении и трансформациях мршеральных веществ и органических соединений и т. д. При этом, как правило, предполагается, что посев является горизонтально однородным, а все «перетоки» веществ в системе происходят лишь в вертикальном направлении. Поэтому при моделировании в динамике рассчитываются вертикальные профили основных переменных, включенных в модель (например, профили влажности почвы и влажности приземного воздуха, профили температуры воздуха, листьев PI почвы, профили нитратов в почве, профили биомассы корней и надземных органов растений и т. д.).
Чувствительность модели к вариации даты всходов
Для анализа выбрали две зерновые культуры, характерные для возделывания в Ленинградской области - яровой ячмень и озимую рожь. Соответствующие модели идентифицированы по результатам полевого опыта в семипольном севообороте на Меньковской опытной станции АФИ за период с 1982 по 1990 гг. вегетации и проверены на независимом материале за последующие годы (вплоть до 2006 г). Исследуем влияние параметра Тп(\) на урожай и дату созревания семян, а для компьютерного эксперимента выберем несколько лет, отличающихся по величине урожая. Для ячменя возьмём для анализа годы с высоким (1983 и 2000), средним (1985 и 1989) и низким (1986 и 1988) урожаем, а для озимой ржи соответственно годы 1982 и 1989, 1983,1987,1985 и 1986 гг.
Для изучения чувствительности модели к вариации даты всходов следует в исходных данных модели варьировать величину первого порога биологического времени, т.е. Iph(l). В исходной модели эта величина равна 73.5 для ярового ячменя и 87.3 градусо-дней для озимой ржи. Для того, чтобы сохранить тот же сдвиг по срокам наступления всех остальных фенофаз, дальнейшие пороги должны быть изменены на ту же величину. Результаты компьютерного эксперимента приведены в табл. 2.1.
Из приведённой таблицы видно, что увеличение порогов момента всходов приводит, в целом, к снижению урожая и увеличению сроков его созревания, что вполне ожидаемо, так как увеличенные пороги, требуют большего времени для накопления необходимой величины. Направление тенденции в случая снижения обсуждаемых порогов явно не прослеживается. Таким образом, модель не проявляет заметного тренда чувствительности к снижению порогов всходов на величину порядка 13% от принятой в модели. Этот результат можно объяснить тем, что при расчете использована фактическая дата сева в каждом году, а она могла отличаться от оптимальной в строну более ранних или в сторону более поздних значений. Поэтому при коррекции даты всходов они могут наступать или в более благоприятное или в менее благоприятное время.
Чувствительность модели к вариации начальных значений биомассы исследовали на текущей версии модели продукционного процесса яровой пшеницы AGROTOOL. Для анализа была выбрана яровая пшеница, возделываемая в полевом опыте НИИСХЮ.-В. под руководством проф. В.А.Кумакова в регионе Саратова. Регион характеризуется аридным климатом, причем ему свойственна большая вариабельность погодам урожая, связанная с изменчивостью режима осадков в период вегетации. Это ведёт к различиям в урожайности в благоприятные осадкам и засушливые годы. Поэтому и начальные значения биомассы могут по-разному сказываться на урожае в разные годы. Для яровых зерновых культур базовые начальные значения биомассы определяются соотношениями 2.10-2.12. В компьютерном эксперименте их варьировали на ±50%. Результаты анализа чувствительности по этим показателям для ряда сезонов вегетации представлены в табл. 2.2. Очевидно, что для сезонов со сравнительно благоприятными условиями по влагообеспеченности изменение в широких пределах начальной биомассы листа (модельный параметр) не влечет за собой существенного изменения величины конечного урожая. Напротив, для лет с засухой это влияние оказывается весьма значительным.
Подобная реакция модели позволяет сделать два вывода. Во-первых, величины начальных значений биомассы основных вегетативных органов проростка на момент всходов при определенных условиях может оказывать существенное влияние на дальнейшую динамику роста и конечный урожай. Во-вторых, для повышения адекватности модели в ее алгоритмическую схему следует включить блок описания прорастания зерновки, т.е. развития растений на этапе от посева до всходов. Тем не менее, как показывает опыт работы с моделью, даже в ее существующей версии удается получить удовлетворительную точность за счет настройки функции водного стресса.
Влияние водного стресса на расчётную продуктивность проявляется трояко. Во-первых, это уменьшение интенсивности фотосинтеза за счет закрытия устьиц в процессе иссушения почвы. Во-вторых - это изменение темпов развития (и, следовательно, сроков наступления фенофаз, включая полное созревание) за счет влияния функции стресса в выражении (2.7). И, наконец, третьим источником влияния является непосредственное влияние функции стресса в явном виде.
Первая причина вариации продуктивности сводится к изменению сопротивления устьиц, а потому и фотосинтеза под действием водного потенциала листа, зависящего, в свою очередь, от водного статуса почвы. Так, сопротивление устьиц при иссушении почвы возрастает и достигает значения, «50 с см"1 при влажности завядания, т.е при значении водного потенциала почвы и листьев, равного -15000 см водяного столба. В комфортных же условиях, т.е. при влажности почвы, равной наименьшей влагоемкости устьичное сопротивление имеет порядок 1-1.5 с см"1 (рис. 2.3).
Описание DSM-интерфейса
На этапе подготовки данных для запуска модели на счёт необходимо строго формализованным образом сформировать необходимый модели набор данных. Для этого предназначен DSM-интерфейс. DSM (Dataset Maker) -интерфейс, предназначеный для формирования Оперативной базы данных (ОВД, DataSet) из стационарной базы данных (СБД). Он представляет собой отдельную программу, которая во взаимодействии с пользователем составляет сложный SQL-запрос к СБД на извлечение данных и выполняет его, записывая заказанные данные в ОБДфаіаБеї). Параллельно осуществляются необходимые приведения данных (например, проверка и пересчёт в нужные единицы измерения). Термин интерфейс в данном случае понимается в двух значениях: во-первых, это пользовательский интерфейс -диалоговое окно, во-вторых, программный интерфейс, осуществляющий отбор и «перекачку» данных между разными форматами хранения данных, используются технологии ADO .
Одним основных назначений динамических моделей является их использование для выработки рекомендаций в системах поддержки агромелиоративных и агротехнологических решений на всех временных уровнях - стратегическом (многолетнем), тактическом (годичном) и оперативном. Каждый из этих уровней имеет свои особенности и требует определенной специализации модели для решения конкретных задач. В частности, для решения многолетних задач требуется включить в модель блок, описывающий длительную динамику почвенной органики при применении той или иной стратегии земледелия. Для решения тактических задач требуется выполнять многократные прогоны модели при различных погодных условиях и использовать те или иные статистические процедуры для обработки результатов моделирования. Однако наиболее эффективным является использование моделей в задачах оперативного управления. Именно на этом уровне в полной мере проявляется прогностическое свойство моделей, имеющих динамический характер. Для решения прогнозных задач в структуру модели включены две специальные процедуры, получившие название Прогноз и Генератор. С помощью этих процедур в рамках модели вырабатываются т.н. сі{енарии погоды, адаптированные к условиям проведения компьютерного эксперимента и к условиям данного хозяйства.
Понятие выработки сценария погоды не означает, что в результате будет получена реализация метеоусловий, когда-либо встречавшихся в данной местности. Требования к характеристикам сценария погоды заключаются в том, что эта процедура, будучи использована в качестве входного сигнала модели, даст на ее выходе результат, решающий задачу прогноза того или иного параметра продукционного процесса. Задача облегчается тем, что модель, как и сама агроэкосистема, обладает инерционными свойствами, фильтрующими высокочастотные составляющие входного воздействия. Первый из методов — Прогноз - предназначен для предсказания срока наступления очередной фенофазы. Второй - Генератор -осуществляет расчет продукционного процесса в целом.
Прогноз. Использование этого метода предполагает, что при работе модели на ее вход подаются фактические погодные данные до того момента, с которого начинается прогнозирование. Эти данные, разумеется, должны быть известны. По ходу расчета появляется информация о датах всех наступивших до данного момента фенофаз, и фиксируются результаты моделирования. Начиная с этого момента, который называется "датой прогноза", включается процедура, в результате которой рассчитывается возможный интервал сроков наступления очередной фенофазы. Как показал опыт работы, заблаговременность прогноза сроков наступления фенофаз может варьироваться от нескольких дней до 2,5 - 3 месяцев (для озимых культур).
Прогноз темпов развития растений связан с прогнозом ожидаемых в ближайшем будущем метеорологических условий. В то же время известно, что точных методов оперативного прогноза погоды на сколько-нибудь длительный период не существует. Поэтому при разработке метода прогнозирования темпов развития растений были использованы следующие соображения. Во-первых, сезонный ход некоторых метеорологических параметров имеет явно выраженный периодический характер, близкий к климатической норме. Это как раз касается температуры воздуха, являющейся главной величиной, управляющей темпом развития. Во-вторых, в данном случае важен не прогноз погоды в целом, а прогноз хода тех метеоусловий, которые поступят на вход динамической модели. При этом модель (как и само растение) обладает инерционными свойствами, т.е. она реагирует лишь на некоторые усредненные значения метеоданных и сглаживает их случайные высокочастотные колебания. Поэтому речь идет не о прогнозе погоды в общепринятом значении этого слова, а о выработке некоторого правдоподобного сценария погоды на прогнозный период. При разработке этого сценария можно поставить задачу расчета только диапазона дат наступления очередной фенофазы. Из предшествующего изложения следует, что, например, в период от всходов до цветения самая поздняя дата очередной фенофазы наступит, если влагообеспеченность на периоде прогноза будет близка к оптимальной, а самая ранняя дата наступит в условиях наиболее быстрого иссушения почвы.
Одной из главных величин, управляющих темпом развития, является температура воздуха. Поэтому первоначально решается задача прогнозирования этой величины. И хотя температура воздуха имеет явно выраженный годичный ход, изменения температурного режима по годам существенно флуктуируют. Именно с изменчивостью температурных условий (и, разумеется, всех остальных параметров погоды) и связана изменчивость темпов развития растений по годам. Прогноз осуществляется следующим образом. Первоначально для места произрастания культуры (метеостанции) для каждых суток определяются среднемноголетние значения минимальной и максимальной температур воздуха.
Долгосрочный прогноз темпов развития растений
Задача прогнозирования фенофаз продовольственных растений в текущем вегетационном сезоне представляется весьма важной как в теоретическом, так и в прикладном плане. Особенно важны долгосрочные прогнозы при их высокой вероятности, поскольку сроками наступления фенофаз определяются все основные технологические операции, выполняемые на поле (Якушев и др. 2008). Сложность такого прогнозирования в значительной степени связана с тем, что существенное влияние на скорость протекания физиологического времени оказывают меняющиеся в ходе вегетации погодные условия. Поэтому успех в решении этой задачи тесно связан с возможностью прогноза метеорологических условий (по крайней мере, некоторых из них). Разумеется, здесь не ставится т.н. задача "длительного прогноза погоды", которая в настоящее время, как известно, не имеет надёжного решения. Здесь под задачей прогнозирования темпов развития растений мы будем понимать составление алгоритма, сужающего область неопределенности в сроках наступления фенофаз по сравнению с их априорным разбросом. В соответствии с этим появляется необходимость выбора такого критерия, который был бы достаточно информативным и обеспечил необходимую точность решения задачи.
Р.А. Полуэктовым (Полуэктов и др., 2000) предложен метод краткосрочного прогнозирования сроков наступления фенофаз. Этот метод позволяет решить задачу прогнозирования непосредственно в ходе вегетации культуры. С помощью этого метода можно осуществить прогнозирование срока наступления очередной фенофазы при уже известных сроках наступления предыдущих фаз и известных погодных условиях, предшествовавших дате, с которой осуществляется прогнозный расчет. Последовательное появление новых вегетативных, а затем и генеративных органов служит внешним проявлением развития растений. Модель развития растений в данном методе содержит ряд параметров, определяющих физиологическое время растений, а именно среднесуточную температуру воздуха (Tav), функцию водного стресса (Str(w)) и квадратичный член, описывающий уменьшение скорости развития при слишком высоких температурах.
Существует ли надёжный способ долгосрочного фенологического прогноза? Попытке найти такой метод и посвящено этот параграф. Из общих соображений известно, что основным фактором, влияющим на скорость развития растений, является подводимое к посеву тепло. При этом скорость развития увеличивается при повышении интенсивности этого воздействия. В качестве традиционного фактора, управляющего скоростью фенологического развития, принятого многими авторами, выступает сумма активных температур (Полуэктов и др. 2000.). Но температура является экстенсивной величиной и суммирование (интегрирование) ее представляется физически мало обоснованным. Наиболее физически обоснованным был бы такой фактор, который является величиной интенсивного типа.
В связи с этим нами была поставлена задача сравнения традиционного способа прогноза, основанного на использовании суммы активных температур и энтальпийного предиктора. Ожидалось, что последний способ будет более точным, так как он физически более обоснован. Кроме того, поскольку главным преимуществом энтальпийного способа был учет влажности воздуха, к сравнению были дополнительно привлечены еще два, способа связывающие температуру и влажность. В одном из них в качестве предиктора использовалось произведение среднесуточной температуры воздуха на ее влажность, а в другом - частное от деления этих величин. Это было сделано для того, чтобы оценить влияние фактора влажности воздуха на скорость развития растений.
Общий подход к решению задачи долгосрочного прогнозирования темпов развития предложен С.А. Бородием (Бородий, 2000). Им была показана возможность прогнозирования темпов развития с достаточно высокой точностью на период 120 дней (с 1-й декады мая по 3-ю декаду августа) для условий Костромской области на основе использования суммарной энтальпии воздуха Предложенный С.А. Бородием подход принят за основу логики долгосрочного прогнозирования сроков наступления фенофаз, рассмотренный далее. Будут рассмотрены 4 метода долгосрочного прогноза фенологии. Тут под методами понимается замещение в общей логике прогноза основной функции для расчёта климатических траекторий и порогов фенофаз. Первый из рассматриваемых методов основан на расчете энтальпии воздуха для идентификации климатической траектории и порогов фенофаз, второй метод использует сумму эффективных температур, третий и четвёртый основаны на накоплении произведения и частного от среднесуточной эффективной температуры воздуха и относительной влажности воздуха соответственно.
Логику прогноза изложим на примере использования суммарной энтальпии воздуха (СЭВ). Основой для расчета значений энтальпии служат среднемноголетние метеорологические показатели. В частности используются данные о среднесуточной температуре воздуха (Гт,), относительной средней влажности воздуха (5,,%) и атмосферном давлении (Раіт). Для расчета СЭВ принята следующая полуэмпирическая формула:
Энтальпия рассчитывается для каждого дня, начиная с первого января.. Известно, что растения имеют пороговую температуру ниже которой развитие прекращается. Это так называемый «биологический ноль», который для большинства растений северного полушария составляет +5 С. Развитие ускорятся после превышения этого порога. Значения слагаемых для дней с температурой ниже пороговой приравнивают к нулю. Далее полученные значения энтальпии воздуха суммируют посуточно.
Прогноз СЭВ на текущий вегетационный период строится на основе среднемноголетней кривой накопления СЭВ (среднемноголетняя климатическая траектория) и метеоданных, охватывающих диапазон с первого января по первое мая текущего года. Сам прогноз текущего года осуществляют, начиная с первого мая, эта дата выбрана как близко предшествующая к срокам сева. Рассчитывают накопление СЭВ в прогнозируемом году и если на первое мая в данном году будет наблюдаться различие в значениях СЭВ по сравнению со среднемноголетней, то на данную разницу будет изменена среднемноголетняя климатическая траектория. В результате получим прогнозируемую траекторию на текущий год.
На следующем этапе должны быть идентифицированы пороги наступления фенофаз выраженных в единицах каждого из четырёх рассматриваемых методов. Т.е если метод основывается на расчёте СЭВ то под единицей метода в данном случае понимается накопленная величина СЭВ в ккал/м2. Стандартные пороги фенофаз были получены путём вычисления арифметического среднего значения СЭВ для соответствующей фазы по многолетним данным.
Идентификация как среднемноголетней климатической траектории в данном случае в единицах СЭВ, а также идентификация порогов производится на отдельном наборе лет, не участвующем далее в процедуре верификации прогнозов. Затем стандартные пороги накладывали на кривую прогнозируемой суммарной энтальпии воздуха в исследуемом году, и определяли дата наступления той или иной фазы. При этом для удобства и некоторой унификации прогноза шкала времени была преобразована из абсолютных календарных дат в дни от начала года по Юлианскому календарю. Очевидно, что дата сева в каждом году может носить субъективные ошибки (т.е. отличаться от оптимальной). Поэтому в заключительной фазе прогноза применялась процедура сдвига прогнозируемой траектории по фактической дате сева - так называемый корректированный по дате сева прогноз. На последнем этапе полученные в результате прогноза даты наступления фенофаз с фактическим временем наступления, и определяли точность прогноза.
