Содержание к диссертации
Введение
Глава 1. Экспериментальные исследования и математическое моделирование миграции пестицидов 7
1.1. Экспериментальное изучение водного режима и миграции веществ в почве и основы построения математических моделей переноса веществ 7
1.1.1. Водный режим 7
1.1.2. Закономерности миграции воды и веществ в почве 10
1.1.3. Экспериментальное исследование миграции пестицидов в почвах 20
1.1.4. Математические модели переноса веществ в почвах 28
1.1.5. Экспериментальное обеспечение моделей 30
1.1.6. Условия на верхней и нижней границах 31
1.2. Оптимизация работы моделей 32
1.2.1. Источники ошибок прогнозов по моделям и способы их минимизации 32
1.2.2. Оценка чувствительности моделей к гидрофизическим параметрам 33
1.2.3. Настройка моделей по динамическим полевым данным и разработка стандартных сценариев их входных данных 34
1.3. Методы оценки адекватности прогноза моделей 37
1.3.1. Качественная и статистическая оценка работы моделей 37
1.3.2. Точность предсказания моделью исследуемых процессов 40
1.4. Почвенно-ландшафтные исследования по прогнозу проникновения пестицидов в грунтовые воды 41
1.4.1. Применение электрофизических методов для выявления неоднородностей почвенного покрова территорий 41
1.4.2. Концепция экологических рисков 46
Глава 2. Объекты и методы исследования 50
2.1. Характеристика пестицида 5 0
2.2. Лизиметрический эксперимент 51
2.3. Почвенно-ландшафтные условия полевого эксперимента 53
2.4. Основные физические и гидрофизические свойства почв 57
2.5. Анализ имидаклоприда в почве и лизиметрических водах 60
2.6. Метеоданные 60
2.7. Математические модели миграции пестицидов: MACRO 5.1 и PEARL 3.3.3 60
Глава 3. Моделирование водного режима и миграции имидаклоприда в условиях лизиметрического эксперимента 66
3.1. Результаты лизиметрического эксперимента 66
3.2. Прогноз по моделям MACRO 5.1 и PEARL 3.3.3 75
3.3. Оценка чувствительности моделей к гидрофизическим параметрам 77
3.4. Настройка моделей 79
3.4.1. Настройка моделей по параметрам водного режима 80
3.4.2. Настройка моделей по параметрам пестицида 81
3.4.3. Проверка настройки моделей 83
3.4.4. Статистическая оценка прогноза и выбор лучшей модели 86
Глава 4. Моделирование миграции имидаклоприда в почвенно-ландшафтных условиях полевого эксперимента и пример поливариантных расчетов и оценки риска применения пестицидов 89
4.1. Почвенно-ландшафтные исследования в целях прогноза проникновения пестицидов в грунтовые воды (на примере объекта "МЕЛЕНКИ") 89
4.2. Расчет риска загрязнения имидаклопридом грунтовых вод 98
Выводы 102
Список литературы 104
Приложение 121
- Водный режим
- Настройка моделей по динамическим полевым данным и разработка стандартных сценариев их входных данных
- Почвенно-ландшафтные условия полевого эксперимента
- Оценка чувствительности моделей к гидрофизическим параметрам
Введение к работе
Одним возможных негативных последствий применения пестицидов в сельском хозяйстве является загрязнение пестицидами почв и грунтовых вод. Для оценки риска аккумуляции пестицидов в почве и миграции их в грунтовые воды необходимо знать их концентрации в этих объектах окружающей среды. Это можно сделать, экспериментально, определяя остаточные количества пестицидов хроматографическими методами, или прогнозируя их с помощью математических моделей поведения пестицидов в окрулсающеи среде. Первый подход трудоемок, дорог и не может охватить всего разнообразия почвенно-климатических условий, в которых применяются пестициды. Второй, хотя и менее точен, лишен вышеперечисленных недостатков (Bergstrom, 1990; Jarvis, Jansson, Dik, Missing, 1991; Hance, Fuhr, 1991; Леонова, 2001; Сметник, Спиридонов, Шеин, 2005 и др.).
За последние годы в практике оценки концентраций пестицидов в окружающей среде стали широко использоваться математические модели, разработанные в Европейском Союзе (MACRO, PEARL, PELMO), в сочетании со стандартными сценариями входных данных - почвенно-климатических условий, характеризующих основные регионы Западной Европы. Этот опыт прогноза поведения пестицидов в окружающей среде может использоваться и в Российской Федерации после тестирования и настройки этих моделей, а также разработки соответствующих сценариев входных данных.
Основную роль в транспорте пестицидов в окрулсающеи среде играет вода и поэтому, вышеперечисленные модели предполагают использование в качестве одних из входных параметров гидрофизические свойства почв, от которых во многом зависит точность прогноза поведения пестицидов в почвах. Настраивая гидрофизический блок моделей, можно добиться более адекватного прогноза, учитывающего региональную специфику почв.
Протестированные и настроенные модели прогноза поведения
Водный режим
Классическим определением водного режима является следующее: «Водный режим почв - процессы поступления влаги в почву, ее перераспределения и расходования», которые рассматривается в некотором, заранее оговоренном почвенном пространстве, как правило, в почвенном индивидууме, педоне (Шеин, Гончаров, 2006). Основы рассмотрения водных релшмов были заложены Г.Н. Высоцким (Высоцкий, 1906). Именно он предложил одну из первых классификаций водных режимов, которая затем была дополнена А.А. Роде (Роде, 1968), Н.А. Качинским (Качинский, 1965), С.А. Вериго и Л.А. Разумовой (Вериго, Разумова, 1973), Ф.Р. Зайдельманом (Зайдельман, 1985), Л.О. Карпачевским (Карпачевский, 1993) и др.
Как известно, Г.Н. Высоцкий для классификации водных режимов руководствовался следующими моментами: (1) есть ли в профиле вечная мерзлота; (2) насколько глубоко проникают почвенные воды в почву в течение года; (3) как соотносятся процессы восходящего и нисходящего движений влаги и (4) отношением количества осадков к испаряемости, т.е. коэффициентом увлажнения (КУ). "На основании этих принципов Г.Н. Высоцким было выделено пять основных типов водного режима, а А.А. Роде впоследствии дополнил эту классификацию" [цит. по Добровольскому, Урусевской, 2006]. ,
В результате современная классификация включает: мерзлотный (КУ или 1) - с наличием в почве вечной мерзлоты; промывной (КУ 1) - вода осадков ежегодно в некоторый период времени просачивается сквозь всю почвенную толщу и проникает в грунтовые воды; периодически промывной (КУ или 1) - вода осадков лишь в редкие годы способна в период весеннего снеготаяния достичь грунтовых вод; непромывной (КУ 1) - поступающая в почву влага циркулирует только в почвенных горизонтах, не проникая до грунтовых вод; выпотнои (КУ много 1) - в почве преобладают восходящие потоки.
Эта общая классификация, которая объясняет почвенно-генетические процессы, и неприменима для более детального описания водного релсима почв. Количественные формы представления водного релсима для любой точки, участка на поверхности почвы учитывают поступающие и расходные статьи водного баланса. Положительными составляющими водного баланса являются осадки, количество воды, поступившей с нижней границы почвы, конденсация парообразной влаги. Расходными - количество испарившейся и транспирированной растениями воды, количество влаги, проникшей за пределы рассматриваемой толщи почв. Итогом соотношения указанных составляющих за определенный период будет изменение влагозапасов в рассматриваемой колонке почв АЗВ=(осадки + притекающая влага + конденсация) (испарившаяся влага + транспирированная влага + оттекающая внутрипочвенная влага). Соответственно, если складывается баланс положительный (+ДЗВ), то почва увлажняется, если отрицательный (-АЗВ) иссушается. На этих принципах построены многочисленные гидрометеорологические коэффициенты, характеризующие влагообеспеченность территории как отношение осадков к испарению, осадков к внутрипочвенному оттоку влаги и др. (Шеин, 2005).
Чаще всего составляющие баланса влаги рассматривают в виде потоков воды, а вместо осадков используют интенсивность осадков (Рг), вместо испарившейся и транспирированной воды - испарение (Е) и транспирацию (Тг), приток и отток воды на нижней границе почвы (Qin и Qout), интенсивность конденсации (К): (Pr+Qm+K)-(E + Tr+Oout) = - [1] где t - время (сут). Исследованием водного режима дерново-подзолистых почв занимались Ф.Р. Зайдельман (Зайдельман, 1985), И.И. Судницын (Судницын, 1986), Е.В. Шеин (Шеин, Умарова, Ван-Ицюань, Початкова, 1997), А.Б. Умарова и Т.А. Архангельская (Умарова, Шеин, Архангельская, 2002) и др. Водный режим большинства почв, в том числе и дерново-подзолистых, находится в постоянной зависимости от климата и погодного реисима, от рельефа местности, растительности и других факторов. В профиле почв выделяется две зоны: это корнеобитаемая (пахотный горизонт), где сосредоточена основная масса корней растений (70-90%) и подпахотный горизонт, где активность влагооборота меньше. При этом для полевых участков режим влажности дерново-подзолистых суглинистых почв будет иным,, чем режим влажности под лесом (Карпачевский, 1981). Дерново-подзолистые почвы под лесом в умеренно теплые зимы, характерные для средней полосы Европейской части России (Научно-прикладной справочник..., 1989), обычно промерзают до 10-20 см и к началу снеготаяния успевают оттаять снизу, и верхние горизонты насыщены влагой к началу вегетационного сезона. При этом талые воды успевают достичь грунтовых вод и промочить весь профиль почвы. Для почв пахотных территорий верхний 20-ти сантиметровый слой, отличающийся большей плотностью, отсутствием подстилки, меньшим содержанием органического вещества по сравнению с почвами под лесом (Ковда, Розанов, 1988), промерзает в большинстве случаев в переувлажненном состоянии, что делает его водонепроницаемым. После снеготаяния большая часть осадков стекает с поверхности почвы.
По этой причине к началу вегетации в зоне активного влагооборота (0-50 см) аккумулируется не более 80-100 мм продуктивной влаги. И влагообеспеченность с/х культур, которые зачастую могут расходовать больше воды, чем лесные биоценозы, особенно многолетние травы, полностью зависит от количества атмосферных осадков, так как для получения качественного урожая для растений необходимо получение дополнительных 200-300 мм влаги.
Настройка моделей по динамическим полевым данным и разработка стандартных сценариев их входных данных
Настройка (калибровка) математической модели - процесс подбора входных параметров в диапазоне их реальных значений, обеспечивающий в результате наилучшее совпадение экспериментальных и прогнозируемых по модели выходных данных - тонкий процесс и общепринятой методики по настройке моделей не существует. Тем не менее, из всех параметров, от которых зависит прогноз поведения пестицида, обычно выбирают несколько наиболее чувствительных (Dubus, Beulke, Brown, 2002). Опубликован ряд работ, посвященных этому этапу работы с моделями (Durborow, Barnes, Cohen, Horst, Smith, 2000; Dubus, Beulke, Brown, 2002; Kolupaeva, Gorbatov, 2003), где авторы используют разные и часто субъективные подходы. Рабочей группой Европейского Союза FOCUS определен общий подход к настройке моделей, но ее детальное описание не дано (FOCUS, 1995).
Рабочей группой FOCUS также был разработан набор стандартных сценариев - совокупностей климатических, почвенных и агрономических условий, характеризующих основные сельскохозяйственные регионы Европы и являющиеся набором входных данных математических моделей, которые используются для прогноза поведения пестицидов в окружающей среде (FOCUS groundwater scenarios..., 2000). В результате проведенной работы были разработаны 10 стандартных сценариев для территории Западной и Центральной Европы и соответствующие входные файлы для 4-х математических моделей (MACRO_DB, PEARL, PRZM и PELMO). По аналогии с ЕС для регионов Российской Федерации также ведется разработка стандартных сценариев для двух (MACRO_DB, PEARL) математических моделей поведения пестицидов в почвах и сопредельных средах (Kolupaeva, Gorbatov, 2003). В целом методологию исследования применяемых моделей, включая их настройку, можно представить в виде следующей пошаговой процедуры: 1. Первичная параметризация модели. Задаются свойства почвы и пестицида. Модельные расчеты сравниваются с результатами полевого/ лизиметрического эксперимента. 2. Анализ чувствительности и выявление параметров, от которых в наибольшей степени зависит прогноз. 3. Настройка модели по водному балансу. Сопоставляется объем инфильтрационных вод по модели с данными лизиметрического эксперимента. 4. Подбор параметров пестицида (коэффициента сорбции и скорости деградации) по статистическим критериям соответствия. В качестве цели (выходных данных) выбираются концентрация пестицида в лизиметрических водах и/или его содержание в почве и/или распределение пестицида по профилю почвы. Конечная параметризация модели. 5. Экстраполяция полученных в результате подбора параметров на другие климатические условия (поливариантные расчеты).
Настройка модели для данных условий работа длительная и трудоемкая. Но адаптированную по лизиметрическим и полевым данным модель в дальнейшем можно использовать для различных поливариантных прогнозов: оценка последствий для окружающей среды применения разных доз веществ; изучение динамики искомой переменной состояния при изменении различных входных параметров (условия на границах, соответствующие годам различной обеспеченности, изменению уровня грунтовых вод и пр.). Прогнозы могут касаться и поведения пестицида при изменении свойств почвы (при уплотнении, разрыхлении, добавлении песка, органических веществ и проч.), что достигается соответствующим изменением экспериментального обеспечения. И, наконец, можно прогнозировать некоторые катастрофические воздействия: например, водный режим в год экстремальной влагообеспеченности или последствия при экстремальном загрязнении почвы (например, при случайном проливе пестицида). Это касается и таких воздействий, экспериментально изучить которые по ряду причин затруднительно. Модель позволяет совершить перебор различных вариантов применяемых к почве воздействий и найти их оптимальное сочетание.
Задача работы: Оценить чувствительность моделей к изменению гидрофизических параметров почв, параметризировать, настроить и адаптировать модели для прогноза движения воды и миграции пестицида в дерново-подзолистых почвах.
Оценка моделей основывается как на визуальном графическом анализе, так и на использовании статистических показателей. Возможно визуальное сравнение измеренных и прогнозируемых данных: объема лизиметрического стока; концентрации пестицида в лизиметрических водах; распределения пестицида по профилю почвы; остаточных количеств пестицида в почвенном профиле. Это вид сравнения дает возможность заметить аномалии в наблюдаемых и прогнозных величинах, различия между ними. Из графиков динамики видно, насколько удовлетворительно модель описывает искомую величину и есть ли отклонения расчетной величины от реальной, есть ли наличие систематической ошибки. Существует правило Сайерта (Гильманов, 1978), который один из первых сформулировал условия приемлемости результатов расчета по качественному анализу динамических расчетных и реальных данных. Эти правила следующие: правило совпадения экстремумов и правило совпадения средних.
Конечно, графические интерпретации субъективны и, поэтому, необходимо дополнить такой анализ использованием статистических критериев, которые дают количественную меру соответствия между прогнозными и измеренными величинами.
При оценке адекватности прогноза необходимо отметить три важных момента: 1. Экспериментальный материал должен, по возможности, захватывать крайние значения изучаемого явления (Пачепский, 1992). То есть, массив данных должен по возможности представлять всю область величин искомого свойства, которые могут наблюдаться в естественных условиях. Фактический материал для проверки модели должен быть достаточно разнообразным, прежде всего, по условиям на верхней границе: влажные, с обильными осадками периоды, должны быть представлены наряду с засушливыми.
Почвенно-ландшафтные условия полевого эксперимента
Полевые эксперименты были заложены на территории одного из полей фермерского хозяйства «Светлана» в Меленковском районе Владимирской области. Поле представляло собой участок склона с эрозионным рельефом площадью 420 га. На поле преобладали подзолистые почвы флювиогляциально-моренных ландшафтов на двучленных отложениях, обладающие супесчано-песчаным гранулометрическим составом, подстилаемые на различных глубинах тяжелыми плохо проницаемыми моренными отложениями. Такие почвы отличаются тем, что на фоне облегченного гранулометрического состава появляются слои рыхлого песка. Ф.Р. Зайдельман (Зайдельман, 1985) отмечает, что особенностью этих почв на среднемощных двучленных отложениях является то, что перераспределение поверхностных и внутрипочвенных вод по верхней кровле суглинистых и глинистых отложений возникает за счет хорошей водопроницаемости мощного флювиогляциального песчаного наноса и слабо пересеченного рельефа. В результате на хорошо дренируемом водоразделе обнаруживаются слабоподзолистые почвы, а вниз по склону возрастает степень оподзаливания (почвы средне и сильноподзолистые), возможно наличие оглеения.
Выпадающие в первой половине вегетационного сезона (мае, июне, июле) обильные осадки до 160 мм (по данным Гидрометцентр России [Электронный ресурс], 2005-2008; Научно-прикладной справочник по климату..., 1989), вызывают значительную аккумуляцию влаги в легких по гранулометрическому составу горизонтах. После этого периода влажность в них увеличивается до предельной полевой влагоемкости (НВ) - полной влагоемкости (ПВ) (Зайдельман, 1985). При этом на контакте с нижележащим горизонтом, имеющим тяжелосуглинистое строение, образовывается мощная верховодка. С этим связано возникновение четких признаков оглеения: осветление элювиальных горизонтов, наличие темноокрашенных и ржаво-бурых мягких ортштейнов, холодная окраска кутан, пятна оглеения в контактном моренном горизонте (Зайдельман, 1991, 1992). Во второй половине июля и в течении остального вегетационного сезона накопленные запасы влаги быстро расходуются на внутри почвенный сток и транспирацию, и легкие горизонты этих почв подвергаются такому же интенсивному осушению (до 0.7 НВ и ниже).
Для выбора мест заложения колоночных опытов применяли методы вертикального электрического зондирования (ВЭЗ) и электропрофилирования (ЭП). Метод ВЭЗ позволяет расчленить геологический разрез, особенно четвертичные отложения и почвенный покров по вертикали. По данным ВЭЗ, без нарушения почвенного покрова, проведения выработок и бурения скважин, можно детально определить удельное электрическое сопротивление на любую интересующую глубину, которое достаточно четко связано с литологическим составом, увлажненностью, степенью уплотнения породы, водонасыщенностью и тому подобное (Поздняков, Позднякова, Позднякова, 1996).
Электропрофилирование является упрощенным вариантом метода ВЭЗ и выполняется на 2-3 различных разносах питающих линий АВ. Этот метод позволяет изучать почвенно-грунтовые, геологические и гидрогеологические характеристики разреза на определенных, сравнительно небольших, по сравнению с ВЭЗ, глубинах, с более четким, чем ВЭЗ выделением границ между слоями (Поздняков, Ковалев, Позднякова, 2002).
В работе использовалось горизонтальное, симметричное профилирование, позволяющее изучить верхний высокоомный горизонт четвертичных хорошо водопроницаемых отложений (в основном почв) с легким механическим составом и низкоомных подстилающих глинистых водонепроницаемых водоупорных горизонтов (слоев) имеющих низкое электрическое сопротивление.
По данным этих предварительно проведенных горизонтального электрического профилирования (ГЭП, 423 точки опробования) и вертикального электрического зондирования (ВЭЗ, 90 точек опробования) были выбраны 4 местоположения с различными условиями миграции пестицида и его вероятностью попадания в грунтовые воды. В период проведения эксперимента поле было использовано под посадку картофеля и велось его орошение. Обследование и картирование почв с использованием электрофизических методов проводили в следующей последовательности. Начинали обследование с проведения профилирования (ГЭП), затем проводили ВЭЗ на основных почвенных разностях исследуемой территории опираясь на электросъемку. Это позволило выделить горизонты Рис.6. Полипропиленовые колонки, забитые в (слои) почв с резкими междурядья. различиями в свойствах. Детальная съемка электрических параметров по стенкам контрольных разрезов сопровождалась отбором образцом.
После определения в лабораторных условиях интересующих свойств, связанных с электрическими параметрами и вычисления соответствующих показателей, характеризующих тесноту связей, а также расчета эмпирических уравнений можно провести расшифровку карт электросъемки (см. главу 4.1). В полевом эксперименте использовали полипропиленовые колонки высотой 30 см и диаметром 10 см, предварительно забитые в почву (между рядами картофеля) таким образом, чтобы над поверхностью почвы оставался край колонки высотой около 1 см (рис.6). Колонки размещали друг от друга на расстоянии около 1 м в 4-х заранее определенных вышеописанным методом местах поля. На выровненную поверхность почвы в колонки равномерно высыпали из полиэтиленовых пакетов обработанную препаратом дозированную навеску почвы, слегка ее уплотняли и засыпали сверху 1-2 см слоем необработанной почвы.
Данная методика позволяет точно дозировать количество внесенного в почву пестицида и исключает его поверхностный смыв, что дает возможность более корректно (по сравнению с деляночным опытом) оценить показатели деградации и миграции действующего вещества препарата в почве. Количество имидаклоприда, внесенного на поверхность каждой колонки, соответствовало норме расхода имидаклоприда 0.1 кг/га. Колонки выкапывали из почвы через 7, 28, 56, 84 суток, делили на 5-см почвенные слои и полученные образцы хранили до анализа в морозильной камере.
Были определены основные почвенные характеристики: гранулометрический состав - на лазерном дифрактометре Analyzette-22; основные гидрофизические характеристики (ОГХ) - методом центрифугирования и методом десорбции над насыщенными растворами солей; коэффициент впитывания - методом трубок с постоянным напором (данные по значениям коэффициента впитывания в почвах лизиметров были любезно предоставлены А.Б. Умаровой); содержание органического вещества - методом сжигания в потоке кислорода; плотность сложения - буровым методом; плотность твердой фазы - методом пикнометров; почвенно-грунтовое обследование территории - методом вертикального электрического зондирования.
Оценка чувствительности моделей к гидрофизическим параметрам
Анализ чувствительности модели - ранжирование входных параметров модели в соответствии с их влиянием на выходные данные прогноза переменной состояния (Глава. 1). Сравнивая величины изменения прогнозируемой переменной состояния (в данном случае - стока) от изменения вводимых гидрофизических параметров модели, можно выбрать те, которые в наибольшей степени влияют на прогнозируемый сток. Этими параметрами и следует пользоваться при дальнейшей настройке модели. В качестве входных параметров моделей, которые поочередно изменяли при неизменном уровне остальных, были выбраны: плотность почвы (/?), коэффициент фильтрации (Кф), параметры уравнения ван Генухтена (п, a, ds). Модель MACRO позволяла исследовать влияние на выходную переменную соотношения макро- и микропор в почве, а также коэффициента влагопроводности при влажности почвы, соответствующей наименьшей влагоемкости (Ksm). Величины шагов их изменений составляли от -100% до 800% (от экспериментально определенных значений) и в целом соответствовали реально возможным диапазонам этих данных в пределах минимально/максимально допускаемых моделью значений.
Анализ чувствительности показал (рис.16), что на результаты прогноза стока по моделям MACRO и PEARL наибольшее влияние оказывали параметры п и ds уравнения ван Генухтена. Физически параметр п отражает распределение пор по размерам и указывает на то, что чем выше п, тем «круче» ОГХ. Параметр 6s характеризует максимальный объем воды, способный содержаться в почве. Увеличение этого параметра, естественно, приводит к уменьшению стока. Кроме того, на величину стока, прогнозируемого моделью PEARL, оказывал влияние и коэффициент фильтрации, что, в общем, тривиально. Не совсем обычен тот факт, что сток зависел от Кф значительно слабее (и практически был индифферентной величиной в модели MACRO), чем от параметров ОГХ. Остальные гидрофизические входные параметры существенно меньше влияли на результаты прогнозирования стока. Таким образом, параметры ОГХ являлись главным физическим обеспечением моделей, задающим точность и адекватность прогноза стока, и именно они использовались для настройки моделей.
Настройка (калибровка) математической модели - процесс подбора входных параметров в диапазоне их реальных значений, обеспечивающий в результате наилучшее совпадение экспериментальных и прогнозируемых по модели выходных данных (Глава. 1). Настройку моделей начинали с водного блока, поскольку основным механизмом миграции пестицидов в почвах является перемещение их с током воды. Критериями соответствия служили визуальное сравнение кривых эксперимента и прогноза и статистические показатели. Для каждого слоя почвы рассчитывалась соответствующая ошибка (погрешность) моделирования: Ау = уу - Yjj, где уц - измеренные, a Yy рассчитанные величины. Процесс настройки должен привести к минимизации этих погрешностей. Одним из статистических критерием для настройки был приведенный в Главе. 1. средний квадрат неадекватности. По этому критерию настраивали модель, стараясь уменьшить величину среднего квадрата неадекватности. Подбор начинали с наиболее чувствительных параметров, причем одновременно меняли два и более параметра. Важно то, что настройка модели должна происходит в диапазоне реальных физических величин параметров модели или в диапазоне ошибки метода определения экспериментальной вводимой величины. Нельзя выходить за пределы диапазона реально определенных физических свойств исследуемой почвы. Так, если почва относится к разряду среднесуглинистых, вводили только такие параметры, которые переводили бы ее из разряда средне- в разряд тяжело- или легкосуглинистых почв и не более.
После настройки водного блока модели, когда по возможности погрешности описания моделью водного режима почв сведены к минимуму, проводилась настойка пестицидного блока. Наиболее действенными параметрами настойки здесь являются период полуразложения и коэффициент распределения (сорбции). Следует признать, что четкую методику подбора этих параметров для конкретной почвы, для конкретных метеоусловий описать трудно. Есть только лабораторные исследования и литературный материал, на который можно ориентироваться (Flores-Cespedes, Gonzalez-Pradas, Fernandez-Perez, Villafranca-Sanchez, Socias-Viciana, Urena-Amate, 2002). Поэтому, физико-химические величины изменяли в полной мере, однако, учитывая группу пестицида по его подвижности и стойкости.
На основании большего преобладания специфических явлений в миграции влаги и веществ данные по стоку, распределению влажности по слоям почвы и миграции имидаклоприда 2007 год был выбран для настройки моделей. Два других года использовались для проверки модели.
