Содержание к диссертации
Введение
ГЛАВА 1. Теоретические аспекты оценки урожайности зерновых культур с использованием методов математического моделирования и данныхдистанционного зондирования земли 13
1.1. Предпосылки использования математического моделирования и данных ДЗЗ при оценке урожайности зерновых культур в условиях Западной Сибири 13
1.2. Обзор методов, моделей и программных средств прогноза урожайности зерновых культур и анализ их применимости на территории Западной Сибири
1.2.1. Эмпирические модели 27
1.2.2. Математико-статистические модели 39
1.2.3. Динамические имитационные модели 44
1.2.4. Вопросы использования данных дистанционного зондирования Земли (ДЗЗ) в имитационных моделях 58
1.2.5. Обоснование выбора вычислительного комплекса EPIC 62
1.3. Разработка технологии оценки урожайности зерновых культур с использованием математических моделей и данных дистанционного зондирования Земли 68
ГЛАВА 2. Модификация модели биопродуктивности epic для условий западной Сибири 73
2.1. Блок радиации 73
2.1.1. Моделирование коротковолновой радиации 73
2.1.2. Моделирование длинноволновой радиации 77
2.2. Блок теплового режима почвы 81
2.2.1. Расчет температуры поверхности почвы 82
2.2.2. Расчет температуры профиля почвы
2.3. Суточная динамика температуры 91
2.4. Использование данных ДЗЗ при оценке урожайности зерновых культур в условиях Западной Сибири 93
ГЛАВА 3. Разработка и применение программного комплекса для оценки урожайности зерновых культур в условиях западной сибири на основе модифициро-ванной модели epic и данных дистанционного зондирования земли 98
3.1. Комплексный банк данных хранения и обработки экспериментальных измерений 98
3.2. Расчетный программный блок 108
3.3. Прогнозирование урожайности зерновых культур на территории отдельных регионов Западной Сибири в 2004-2006 гг 112
Заключение 125
Список литературы
- Обзор методов, моделей и программных средств прогноза урожайности зерновых культур и анализ их применимости на территории Западной Сибири
- Вопросы использования данных дистанционного зондирования Земли (ДЗЗ) в имитационных моделях
- Моделирование коротковолновой радиации
- Расчетный программный блок
Введение к работе
Актуальность исследования. Зерновая отрасль является важнейшей составной частью продовольственного комплекса страны. Около 60% агропромышленного производства непосредственно связано с зерновыми ресурсами. Поэтому зерновое производство не только определяет основу продовольственной безопасности страны, но и является системообразующим для остальных секторов сельского хозяйства, и, прежде всего продукции животноводства.
В Западной Сибири по данным Росстата пашня занимает 14.9 млн.га. (19.5% от общероссийской). Валовые сборы зерновых, в зависимости от года, составляют 11-15% от общероссийских, 90-95% из которых относятся к продовольственным сортам. Сельскохозяйственные регионы расположены в зоне рискового земледелия. Погодные условия существенным образом влияют на урожайность зерновых культур. Валовые сборы в благоприятные годы могут существенно превысить сборы в неблагоприятные годы.
Возникает потребность прогноза урожайности зерновых культур, соответственно оценки валовых сборов и, как следствие, площадей посевов. Решение задачи прогноза урожайности зерновых культур требует привлечения методов математического моделирования, современных информационных технологий и экспертных оценок. В связи с обширностью сельскохозяйственных угодий в Западной Сибири становится актуальной задача мониторинга с использованием данных космосъемки с метеорологических спутников.
Основу методического и информационного обеспечения работ по оценке урожайности зерновых культур должны составлять модели биопродуктивности сельскохозяйственных культур, комплекс математических моделей прогнозирования урожайности.
Существует два основных подхода к оценке продуктивности зерновых культур. Первый, - использование статистических и имитационных моделей различного уровня детализации, основывающихся на экспериментально определенных зависимостях роста и развития культур в зависимости от наборов метеорологических данных: температуры и влажность воздуха и почвы, осадков, уровня фотосинтетически активной радиации, даты сева, содержания питательных элементов в почве и др. В настоящее время известно достаточно много различных моделей, которые можно разделить на
физико-статистические или балансовые, основывающиеся на регрессионных зависимостях (Томминг Х.Г., Шашко Д.И., Давитая Ф.Ф., de Wit СТ. и др.);
матемагико-статистические или динамико-регрессионные, основывающиеся, как правило, на эмпирических зависимостях нелинейного типа (Бондаренко Н.Ф., Константинов А.Р., Уланова Е.С., Desai Р. и др.);
комплексные динамические имитационные модели (Бихеле З.Н., Молдау Х.Л., Росс Ю.К., Сиротенко О.Д., Полуэктов Р.А., Williams J.R., Supit I., van Diepen C.A. и др.).
Второй подход основан на использовании регрессионных зависимостей между ожидаемой продуктивностью зерновых культур и различными
спутниковыми спектральными параметрами (Барталёв С.А., Коробов P.M., Tucker C.J., Hatfield J.L. и др.). Как правило, рассматривается зависимость характеристик зерновых культур (листовой индекс, урожайность и др.) от спутниковых вегетационных индексов (нормализованный вегетационный индекс NDVI и др.).
В последнее время появились многочисленные работы, направленные на улучшение имеющихся моделей путем включения в них спутниковых данных (Миронов В.Л., Евтюшкин А.В., Maas S.J., Doraiswamy Р.С. и др.). Перспективной для использования является модель продуктивности сельскохозяйственных культур EPIC (Erosion-Productivity Impact Calculator), которая разработана Сельскохозяйственной научно-исследовательской службой Департамента Сельского хозяйства Соединенных Штатов (Soil and Water Research Laboratory USDA). Следует отметить, что в настоящее время в условиях России отсутствуют работоспособные технологии прогноза урожайности зерновых культур, интегрированные в сельскохозяйственное производство и основанные на математических моделях и космической информации.
Таким образом, проблема осуществления заблаговременного прогноза по адекватной математической модели с использованием данных космосъемки является актуальной.
Цель работы. Разработка математической модели и алгоритмов, предназначенных для прогнозной оценки урожайности зерновых культур с использованием спутниковых данных в условиях Западной Сибири.
Для достижения поставленной цели в диссертационной работе решаются следующие задачи:
Выбор и анализ динамической модели, описывающей закономерности процессов роста и развития зерновых культур для оценки урожайности и валовых сборов зерна.
Разработка отдельных блоков модели, содержащих описание основных процессов, протекающих в атмосфере, приземном воздухе и почве с учетом комплекса наземной и космической информации.
Разработка базы данных, позволяющей хранить и обрабатывать агрометеорологическую информацию по различным культурам и климатическим зонам, предоставляющей возможности выборки данных, отвечающих определенным критериям.
Проведение параметрической идентификации модели по наземным данным и космическим снимкам.
Реализация полученной технологии в виде комплекса программных средств и апробация модели в процессе прогноза урожайности в конкретных условиях Западной Сибири.
Методы исследования. Для решения поставленных задач использовались методы системного анализа, математического и имитационного моделирования, вычислительной математики и математической статистики, теории проектирования баз данных, технологии обработки космических данных.
Научная новизна:
Разработаны математические модели блоков коротковолновой радиации и температурного режима почвы с определением температуры на поверхности почвы с учетом приходящей солнечной радиации и модифицирована структура существующей динамической модели продуктивности сельскохозяйственных культур EPIC с учетом имеющейся в России агрометеорологической информации.
Разработаны и обоснованы методики использования неполных наборов метеоданных в качестве входных данных усовершенствованной имитационной модели на основе EPIC, предложены подходы к прогнозной оценке и восстановлению суточных значений параметров, прямые измерения которых недоступны.
Разработан программный комплекс для проведения расчетов по оперативной оценке урожайности зерновых культур на основе модели биопродуктивности и данных космического мониторинга.
Обоснованность и достоверность научных положений и выводов, содержащихся в диссертационном исследовании, обеспечивается использованием современной теории, апробированных методов и средств моделирования сложных агроэкологических систем, технологий вычислительных экспериментов, соответствием фактических значений агрометеорологических показателей расчетным, подтверждением на практике результатов прогноза урожайности зерновых культур на территории Тюменской, Новосибирской областей и в Алтайском крае в период 2004-2006 гг.
Теоретическая и практическая значимость. Разработанная и адаптированная к условиям Западной Сибири модель продукционного процесса сельскохозяйственных культур на основе имитационной динамической модели продуктивности EPIC способствует дальнейшему развитию и применению методов математического моделирования и современных информационных технологий для установления количественных зависимостей формирования урожая от агрометеорологических факторов, а также в области упреждающего прогнозирования урожайности зерновых культур.
Представленные в диссертации материалы могут быть использованы научными учреждениями сельскохозяйственного профиля для проведения теоретических и прикладных исследований; высшими учебными заведениями для обучения студентов и аспирантов аграрных, почвенных, биологических и экологических специальностей; опытными хозяйствами, занимающимися внедрением информационных технологий, а также организациями, осуществляющими агроэкологический мониторинг.
На защиту выносятся:
Математические модели блоков солнечной радиации и температурного режима почвы в модели биопродуктивности EPIC на основе фактически измеряемых метеопараметров.
Математическая модель коррекции по космоснимкам листового индекса и биомассы в динамической имитационной модели EPIC.
Комплекс инструментальных программных средств для оперативной оценки урожайности зерновых культур на основе модели биопродуктивности и данных космического мониторинга.
Результаты применения созданных математических моделей и программных средств для прогнозирования урожайности в зерновых провинциях Западной Сибири.
Апробация работы. Основные результаты работы представлены автором на следующих научных конференциях:
Международные: международная конференция студентов и аспирантов «Экономика. Бизнес. Информационные технологии» (Барнаул, 2001); международная научно-практическая конференция «Современные проблемы, тенденции и перспективы управления региональными социально-экономическими системами» (Усть-Каменогорск, 2002); международная научно-практическая конференция «Современный агробизнесе: состояние и перспективы развития» (Барнаул, 2003); международный научный Конгресс «ГЕО-Сибирь-2005» (Новосибирск, 2005); международный симпозиум по дистанционному зондированию окружающей среды «Global Monitoring for Sustainability and Security» (Санкт-Петербург, 2005); VI Международный симпозиум «Контроль и реабилитация окружающей среды» (Томск, 2008).
Всероссийские: всероссийская конференция «Математические методы в механике природных сред и экологии» (Барнаул, 2002); Ш и ГУ Научно-практическая конференция «Обратные задачи и информационные технологии рационального природопользования» (Ханты-Мансийск, 2006, 2008); Четвёртая Всероссийская открытая конференция «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2006); Всероссийская научно-техническая конференция «Роль и место дистанционного зондирования Земли в инфраструктуре пространственных данных» (Екатеринбург, 2007).
Межрегиональные и региональные: 4 сибирский конгресс по прикладной математике ИНПРИМ-2000 «Региональные проблемы развития Сибири и Дальнего востока» (Новосибирск, 2000 г.) и др.
Реализация и внедрение результатов работы. Основные результаты реализованы и внедрены в рамках работ по выполнению госбюджетных программ:
госконтракта на НИР № 38/04 «Космический мониторинг состояния сельскохозяйственных посевов, прогноз урожайности и валовых сборов зерновых культур в Тюменской области» между ЮНИИИТ и Департаментом АПК администрации Тюменской области, 2004 г.;
госконтракта ЮНИИИТ на НИР «Развитие систем оперативного мониторинга и предсказания природных и техногенных процессов в Ханты-мансийском автономном округе - Югре на основе данных дистанционного зондирования земли из космоса, наземных измерений, геоинформационных систем и имитационного математического моделирования». Номер гос. регистрации НИР 0120.0 508578,2005-2008 гг.
Публикации. По теме диссертационной работы автором опубликовано более 30 работ. Перечень основных работ приведен в конце автореферата, в том числе в одном издании, рекомендованном ВАК для публикации результа-
тов диссертационных работ.
Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, 2 приложений и списка используемых источников и литературы (175 наименований). Основной материал изложен на 152 страницах, включая 13 таблиц, 59 рисунков.
Обзор методов, моделей и программных средств прогноза урожайности зерновых культур и анализ их применимости на территории Западной Сибири
Климат Алтайского края умеренный, переходный к континентальному, формируется в результате частой смены воздушных масс. Абсолютная годовая амплитуда температуры воздуха достигает 90-95С. Среднегодовые температуры - положительные (0.5-2.1 С). Средние максимальные температуры июля +26...+28С, экстремальные достигают +40...+42С. Средние минимальные температуры января -20...-24С, абсолютный зимний минимум -50... -55С. Безморозный период продолжается около 120 дней. Наиболее сухой и жаркой является западная равнинная часть края. Среднее количество осадков возрастает с запада на восток от 230 мм до 600-700 мм в год. Снежный покров устанавливается в среднем во второй половине ноября, разрушается в первой декаде апреля. Высота снежного покрова составляет в среднем 40-60 см, в западных районах уменьшается до 20-30 см. Глубина промерзания почвы 50-80 см, на оголенных от снега степных участках возможно промерзание на глубину 2-2.5 м [60].
На территории края располагаются 7 природно-экономических зон: Ку-лундинская, Приалейская, Приобская, Бийско-Чумышская, Присалаирская, Приалтайская, Алтайская [61]. В Алтайский край входят 12 городов, 1 ЗАТО, 60 сельских районов.
Алтайский край — традиционный производитель зерна, молока, мяса, также здесь выращивается сахарная свекла, подсолнечник, лён масличный, лён-долгунец, хмель, рапс и соя. Общая земельная площадь сегодня составляет почти 16000 тыс. га, из которых 40%. занимают сельскохозяйственные угодья [62]. Из-за ухудшения экономического положения большинства сельских товаропроизводителей 125.3 тыс. га пашни не обрабатывается и учитывается как залежи. Территориальное размещение сельскохозяйственного производства края определяется взаимодействием природных факторов, агроклиматическими и почвенно-геоморфологическими особенностями. Соотношение тепла и влагообеспеченности заметно меняется при переходе от зоны сухой степи с каштановыми почвами к лесостепи с выщелоченными, оподзоленными черноземами и серыми лесными почвами. Ограниченные запасы тепловых ресурсов на всей равнинной территории позволяют возделывать относительно небольшой набор культур, среди которых преобладают зерновые [63].
Новосибирская область расположена на юго-востоке Западно-Сибирской равнины. Площадь территории области 178.2 тыс. км2. Основная река области— Обь. Плотиной Новосибирской ГЭС образовано Новосибирское водохранилище (т. н. «Обское море»). Также в области расположено около 3 тыс. пресноводных, солёных и горько-солёных озёр (Чаны, Убинское и др). Север и северо-запад области занимает южная часть крупнейшего в мире Васюганского болота.
Климат резко континентальный, средняя температура января от -16 на юге, до -20С в северных районах. Средняя температура июля +18...+20С. Средняя годовая температура воздуха- 0,2С. Абсолютный максимум-+37С, минимум- -51 С. Заморозки на почве начинаются во второй половине сентября и заканчиваются в конце мая. Безморозный период продолжается около 120 дней. Годовое количество осадков 425 мм, из них 20% приходится на май-июнь, в частности, в период с апреля по октябрь выпадает (в среднем) 330 мм осадков, в период с ноября по март - 95 мм [64].
На территории области располагаются три природно-экономические зоны: Центрально-восточная, Барабинская, Кулундинская. В Новосибирскую область входят 14 городов, 30 административных районов.
Сельское хозяйство области специализируется на выращивании зерна, картофеля и овощей. Развито мясомолочное животноводство, птицеводство и пчеловодство. Важную роль играет производство льна. Сельскохозяйственная освоенность территории области не слишком высока ( 48%). В структуре посевных площадей области преобладают посевы зерновых культур- 65% (1993 г., на пшеницу приходится 34% всех посевов), технические культуры составляют около 1%, картофель и овощные - 2%, кормовые культуры - 40% (в том числе кукуруза - 10% всех посевов) [63].
Тюменская область занимает большую часть Западно-Сибирской равнины и фактически делит территорию России на две большие части: западнее- Урал и Европейская часть страны, восточнее- азиатская: Сибирь и Дальний Восток. Площадь территории области 1435.2 тыс. км2 (включая Ханты-Мансийский и Ямало-Ненецкий автономные округи).
Собственно Тюменская область расположена на юге Западно-Сибирской равнины. Климат резко континентальный; средняя температура января -17С, июля - +18С; количество осадков - до 600 мм в год. Главные реки области -реки бассейна Оби (Иртыш, Ишим, Тобол). Почвы - выщелоченные черноземы. Значительная часть территории покрыта лесами, на юге - лесостепь [65].
В Тюменскую область входят 5 городов, 22 административных района. Область отличается суровыми природно-климатическими условиями, 90% территории отнесено к районам Крайнего Севера или приравнено к ним. Лишь 3% территории области занимают сельскохозяйственные угодья. Более благоприятные климатические условия юга позволяют выращивать зерно, картофель, овощи, грубые и сочные корма, наличие больших площадей сенокосов и пастбищ создает благоприятные условия для молочно-мясного живот новодства. Здесь производится около 80% сельскохозяйственной продукции области. Сельскохозяйственные организации автономных округов специализируются на производстве молока, яиц, овощей защищенного грунта. Развиты традиционные для коренных народов Севера промыслы - оленеводство и рыболовство [63].
Производство зерна на юге Западной Сибири в целом является приоритетным направлением в развитии АПК и составляет основу аграрного сектора экономики. Основной зерновой культурой в данных регионах является яровая пшеница. Площадь использования пашни для основных зерновых и зернобобовых культур представлена в таблице 1.1 [1]. Следует заметить, что в данных регионах изменение площади пашни происходи по-разному. Так в Алтайском крае в 2008 г. произошел существенный прирост площади пашни, в тоже время в Новосибирской области прослеживается тенденция снижения, а в Тюменской области незначительные колебания.
Вопросы использования данных дистанционного зондирования Земли (ДЗЗ) в имитационных моделях
Одним из первых примеров использования космических методов для решения задач оценки состояния сельскохозяйственных культур и прогноза урожая служит эксперимент LACIE (Large Area Grop Inventory Experiment) no оценке урожая на больших площадях, выполнявшийся в середине 70-х годов в рамках программ спутника «LANDSAT» на территории США [142]. Основная задача эксперимента - разработка методики дистанционной оценки площадей, состояния посевов и прогноза урожая пшеницы для крупных регионов. Для оценки урожайности применялись эмпирические связи «погода-урожай», полученные по данным агрометеорологических наблюдений. Спутниковая информация использовалась только для оценки площадей под посевами. Для Канады и США погрешность составляла, соответственно, 15 и 20%.
Рассмотрим особенности применения математических моделей в задачах мониторинга систем сельскохозяйственных культур и оценки урожайности. Наиболее эффективно можно использовать данные ДЗЗ при оценке параметров модели, связанных с фотосинтезом.
Листовой индекс (LAI) — суммарная площадь всех листьев выше данного земельного участка, поделенная на площадь этого участка. Количество листьев у растения — фактор, определяющий количество света, поступающего к различным ярусам листовой поверхности и, соответственно, управляющий фотосинтетическими процессами.
Имеется ряд методов измерения LAI. Наиболее простой заключается в срезывании всех листьев и измерении их площадей. Деление суммарной площади всех листьев на площадь земельного участка дает LAI. Этот сравнительно трудоемкий метод имеет дополнительный недостаток - разрушение изучаемых растений. Обычно этот метод применяется только на малых выборках.
Другой подход базируется на измерении доли входящего света, который проходит через навес растительности. Преимущества оптических подходов измерения LAI состоят в том, что измерения могут проводиться оперативно, с минимальными повреждениями растительности, допуская повторение измерений через какое-то время.
Недостаток всех приведенных подходов для измерения LAI состоит в том, что они являются трудоемкими и требуют время, чтобы выполнить измерения на больших площадях. Дистанционное зондирование позволяет производить повторяемые, непротиворечивые измерения спектральных характеристик растительного покрова, которые могут быть связаны с LAI [143]. Такое картирование возможно и на очень больших площадях одновременно, например, по сканерам AVHRR или MODIS. Обычно LAI оценивают из дистанционно измеренных данных по спектральным индексам растительности (SVI). Большинство SVI чувствительно к различиям между видимым и ближним инфракрасным коэффициентом отражения. Поэтому они могут использоваться для того, чтобы отличить зеленые листья от других составляющих ландшафта. Связь между спектральным контрастом и листовым индексом LAI достаточно хорошо описывается уравнениями линейной регрессии [38, 144-145]. При этом в зависимости от состояния посевов и их изреженности коэффициент отражения системы существенно изменяется, что позволяет оптическим путем оценить многие параметры посевов, необходимые для оценки и предсказания урожайности [146]. Биомасса — масса живого вещества растения на определенной площади земли, выражается в граммах на квадратный метр или килограммах на гектар. Биомасса измеряется теми же методами, что и описанные выше для LAI: на участке поля все растения собираются, затем высушиваются и взвешиваются.
Биомасса может быть оценена по данным дистанционного зондирования, на основе тех же самых подходов, что и для LAI. Для трав биомасса, в основном, находится в листьях и, следовательно, определение LAI по спектральным индексам растительности помогает определить примерную биомассу. В работе [147] показано, что для зерновых культур в период до созревания зерна биомасса хорошо коррелирует с LAI.
Возможности восстановления биомассы различны для измерений в разные фенологические фазы пшеницы. Так, в [37] показано, что коэффициент-корреляции СКЯ в ближнем ИК диапазоне и биомассы составлял: в фазе выхода в трубку 0.930, в фазе колошения 0.835, в фазе молочной спелости 0.666. Коэффициент корреляции СКЯ с итоговым урожаем составлял: в фазе выхода в трубку 0.845, в фазе колошения 0.877, в фазе цветения 0.913, в фазе молочной спелости 0.479 и в фазе восковой спелости 0.399.
Первоначальный подход по применению данных ДЗЗ при прогнозировании урожайности основан на использование регрессионных зависимостей между ожидаемой продуктивностью зерновых культур и различными спутниковыми спектральными параметрами. Как правило, рассматривается зависимость характеристик сельскохозяйственных культур от спутниковых нормализованных вегетационных индексов. Для расчета нормализованных индексов, как правило, используются космоснимки с метеорологических сканеров, таких как AVHRR, MODIS, SPOT Vegetation.
Так в работах Tucker С J. [38-43] рассматривается зависимость урожайности озимой пшеницы и др. культур от нормализованного вегетационного индекса (NDVI) и нормализованного водного индекса (NWI). В работах
Hatfield J.L. [44-45] также описываются способы оценки урожайности с/х культур по индексу NDVI. В работах Барталева С.А., Нейштадта И.А. [35-36], Повха В.И., Шляховой Л.А. [148], Муратовой Н.Р., Терехова А.Г. [149-150], Миронова В.Л., Евтюшкина А.В. [46, 47, 151] рассматриваются возможности использования данных ДЗЗ в условиях России и Казахстана, при этом для оценки урожайности используются регрессионные зависимости.
Для оценки состояния с/х культур, также используются оптические и радиолокационные сканеры среднего и высокого разрешения, установленные на космических спутниках LandSat 1-7, Ers 1-2, Radarsat и др. [145, 152-157].
Таким образом, данные ДЗЗ в основном используются для оценки площадей и распознавания видового состава посевов и, в меньшей степени, для оценки урожайности с/х культур. В тоже время использование только данных дистанционного зондирования существенно снижает производственные затраты, но, как было показано в [49], так же не дает достоверных результатов в условиях Алтайского края.
Моделирование коротковолновой радиации
Результатом исследований, проведенных в главе 1, является вывод о необходимости создания целого вычислительного комплекса, позволяющего осуществлять прогноз урожайности в условиях Западной Сибири. Как следует из рисунка 1.16, в структуру вычислительного комплекса должны входить:
Расчетный блок, в основу которого положена модифицированная модель EPIC, позволяющий корректировать расчетные значения по данным ДЗЗ и натурным экспериментам, осуществлять расчет по прогнозируемым метеоданным, а также решать задачи прогнозирования урожайности.
Важный блок вычислительного комплекса- решение задач прогноза. Будущая погода не известна, а методов, позволяющих ее прогнозировать с той степенью детальности, с которой это требуется для моделирования, не существует.
В ходе анализа данных было выявлено, что в пределах одного предприятия данным комплексом будет пользоваться ограниченное число пользователей (1-2 человека). В связи с этим использовалась настольная база данных, а в качестве СУБД была выбрана Borland Database Engine. В рамках договоров о научном сотрудничестве были предоставлены метеорологические данные, почвенные характеристики и данные по фактической урожайности - Западно-Сибирским УГМС по 33 метеостанциям Новосибирской области и 18 метеостанциям Алтайского края за 1985-2006 гг., - Тюменским ЦГМС по 12 метеостанциям Тюменской области за 2003-2004 гг., - Алтайским ЦГМС по метеостанции г. Барнаула за 1928-2003 гг.
В основном по каждой из метеостанций предоставлялись ежедневные данные в период с мая по август и ежемесячные в остальные месяцы года по 6 метеопараметрам: максимальная и минимальная температура воздуха, относительная влажность, атмосферные осадки, средняя скорость ветра и приходящая солнечная радиация. В тоже время по некоторым метеостанциям либо отсутствовали указанные данные, либо присутствовали другие характеристики. Иногда по одной из метеостанций данные формировались из разных источников. Некоторые характеристики почвы могли быть измерены в областях, удаленных от метеостанций.
Учитывая перечисленные особенности сбора имеющихся данных, структура и интерфейс СУБД должны соответствовать следующим требованиям:
1. Система должна предоставлять возможность хранения и обработки метеоданных с различных метеостанций, почвенных данных, проводимых сельскохозяйственных операций, урожайности различных культур в хозяйствах, характеристик культур, параметров моделирования.
2. Необходимо ввести иерархию хранения данных метеостанция-хозяйство. То есть при расчетах по хозяйству или группе хозяйств используются данные с метеостанции, которой подчинено данное хозяйство (как правило, наиболее близкой географически). 3. Должна существовать возможность создания неограниченного числа таблиц, содержащих различные наборы параметров для одной и той же метеостанции или хозяйства.
Для осуществления работы с базой данных и проведения моделирования, основываясь на концепции, описанной в пункте 1.3, был разработан программный комплекс SDIM (System of Databases and Imitating Modeling). Реализация комплекса осуществлялась в среде программирования Borland Delphi 7.0 на языке программирования Object Pascal. Комплекс SDIM представляет собой настольное приложение операционной системы MS Windows и включаю-ет в себя базу данных, модули редактирования и обработки данных, модули приведения данных к формату моделей, сами модели и модули отображения результатов моделирования (рис. 3.2). (Параметры запуска j Параметры корректировки Рез татЕРІС РезільтатМІОС Результат за все гссы Результат днеч посадки Janjcx расчетов Сформировать файлы Выбиритеметеостанцию Новосибирская область Усть Терна " Внести ежедневнье данные из таблицыЕжедневкыеданныэ " Впести ежемесячные данные из таблицы;Внести по лепные данные из Файла Выбнрнте ХОЗЯЙСТВО. - Гультура Пиеница " Рассчетныи год 2005 т Использоватьдатыспера ий указанные ниже Датапссааки: 1505 2005 т Дата уборки: 01 03.2005 Запасе EPICЗапуск Ml DCРезультаты рэсчетооБыПОЛНТЬ&СО)...НСТС1ПДругие расчеты — Выбирите таблиц С почвенными данными] Формировать ежемесячные данные по предыдущим годамі Использывать методику годов аналогов! Использовать в расчетах3 МсдельЕРІС V МодельМЮС ч Уборка посла созревания Выполнять керректироску Да Нет Использовать правило корректировки Тюменской области Алтайского края
Программный комплекс SDIM. Настройка параметров моделирования В связи с тем, что пользователю предоставляется возможность создавать таблицы произвольной структуры, в системе было введено понятие переменных, которые соответствуют измеренным физическим характеристикам. Указанные переменные могут быть полями создаваемых таблиц. При добавлении и редактировании переменной пользователю необходимо ввести краткое имя латиницей и кириллицей, полное имя, единицы измерения, а также указать может ли переменная быть именем поля и тип данного поля (рис. 3.3). Таким образом, пользователь первоначально создает переменные системы, которые в последствие будут использоваться в создаваемых таблицах. Переменные в любой момент могут быть изменены либо удалены, при этом данные, соответствующие указанной характеристике, не будут удаляться.
Расчетный программный блок
В 2004 году проводились работы по мониторингу состояния сельскохозяйственных полей и прогнозированию урожайности яровых зерновых культур по заказу Департамента агропромышленного комплекса администрации Тюменской области.
На предварительном этапе была проведена настройка параметров модели для каждого района (определялись усредненные сроки сева и почвенные характеристики модели) и общие для всех районов варьируемые характеристики (индекс урожайности и другие параметры).
В рамках данного договора с 21 по 30 июля 2004 г. на юге Тюменской области проводились полевые исследования с выездом на тестовые поля, непосредственное участие в которых принимал автор данной работы (рис. 3.18).
В ходе исследования проводились измерения высоты растений, сухой и сырой биомассы и массы зерна яровой пшеницы. Для этого осуществлялся отбор растений вместе с корнями на площадке в 1 м2 (рис. 3.19). Наземные измерения использовались для контроля расчетных значений. Геопривязка точек отбора снопов пшеницы определялась с помощью GPS приемника с точностью 10 м. Для нанесения точек наземных наблюдений на космоснимок был создан SHP файл.
Определение даты начала уборки проводилось по двум критериям: по прекращению наращивания биомассы и по падению листового индекса до нуля, т.е. полного увядания листьев растения.
Отбор образцов яровой пшеницы 24 июля 2004 г. Для каждого административного района Тюменской области с имеющейся метеостанцией было произведено моделирование развития зерновых культур (яровая пшеница, ячмень, овес, горох) [174]. Расчет урожайности осуществлялся подекадно по мере поступления метеоданных от Тюменского ЦГМС, в период с 1 июля по 31 августа 2004 г. На рисунке 3.21 представлена сравнительная динамика прогнозируемой и фактической урожайности по Тюменской области в целом. Как видно из графика погрешность расчетов не превышает 1 га. 30.06.2004 10 07 2004 20 07 2004 30 07 2004 09 00 2004 19.0В 2004 29 00 2004 08 09 2004
Рис. 3.20. Динамика прогнозируемой и фактической урожайности по Тюменской области за 2004 г. В таблице 3.1. представлен прогноз урожайности по 8 районам Тюменской области по состоянию на 25 августа 2004 г. В среднем расчетная урожайность не превышает фактическую более, чем на 1 ц/га, но для отдельных районов есть как занижение, так и завышение расчетной урожайности. Погрешность вычислений составила 10.24%.
Поскольку в Тюменской области имеется недостаточная густота сети метеостанций, то проводилась коррекция листового индекса с использованием зависимости LAI от NDVI по данным сканера MODIS. Так, для семеноводческого хозяйства СПК «Емуртлинское» Омутинского района Тюменской области, при коррекции модифицированной модели EPIC по спутниковой оценке листового индекса урожайность составила 46 ц/га (рис. 3.21). Что подтверждается данными статотчетности.
Результаты расчетов по СПК «Емуртлинское» с коррекцией листового индекса В связи с невозможностью точного определения даты сева проводились расчеты урожайности и даты уборки в зависимости от даты сева, находящейся в интервале от 1 мая до-10 июня. Динамика урожайности в зависимости от даты сева для районов Тюменской области в 2004 г. представлена.на рисунке 3.22. Как видно из рисунка модель адекватно реагирует на изменение исходной даты в отличие от базовой модели EPIC, в которой урожайность зависит от даты сева: при наиболее ранней дате сева достигается максимальный уровень урожая. Результаты расчетов урожайности различных зерновых культур по районам Тюменской области в зависимости от даты сева представлены в приложении 2.
В рамках работ по госконтракту ИТ-ЮГРА-3 в 2005-2006 гг. проводились работы по прогнозированию урожайности и сроков созревания яровой пшеницы для Новосибирской области и Алтайского края по модифицированной модели биопродуктивности EPIC [175]. По предоставленным Западно-Сибирским УГМС данным была проведена настройка параметров модели для данных регионов. В 2004 г. по фактическим данным выполнялось прогнозирование урожайности для районов Новосибирской области и Алтайского края. В таблицах 3.2 и 3.3 приведены результаты прогноза для отдельных районов данных регионов.
На рисунке 3.26 представлена динамика прогнозируемой урожайности в зависимости от фактических метеоусловий. Из рисунка видно, что колебания в расчетных значениях биологической урожайности яровой пшеницы становятся минимальными в конце июля. Это подтверждает возможность прогноза урожайности яровой пшеницы на юге Западной Сибири за месяц до начала уборки. Так же следует отметить, что модифицированная модель адекватно реагирует на изменение метеорологической ситуации. Так, при выпадении осадков в конце июня, происходит рост прогнозного значения урожайности, а в той же ситуации в июле колебания незначительны. Это связано с тем, что в июле рост растения практически закончен и наступает фаза созревания.
В 2006 г. работы по данной теме были продолжены Результаты прогнозирования урожайности яровой пшеницы по районам Новосибирской области на 1 сентября 2006 г. представлены в таблице 3.6. На рисунке 3.27 представлена динамика фактической и прогнозируемой урожайности на 11 июля и 1 сентября 2006 г. по некоторым районам Новосибирской области. Прогнози 121 руемая биологическая урожайность яровой пшеницы на 11 июля 2006 г. для Алтайского края составила 9.6 ц/га, а фактическая по итогам года 10.4 ц/га.
Фактическая и прогнозируемая урожайность яровой пшеницы на 10 июля и 1 сентября 2006 г. по районам Новосибирской области
Таким образом, прогнозирование урожайности и сроков созревания яровой пшеницы по Новосибирской области и Алтайскому краю по модифицированной модели биопродуктивности EPIC в 2005-2006 гг. на конец первой декады июля выполнено с точностью 1-2 ц/га, относительной погрешностью 2-7% на уровне региона.
