Содержание к диссертации
Введение
1. Влияние изменений климата на сельское хозяйство 7
1.1. Проблема агроклиматических последствий глобального потепления 7
1.2. Возможности расширения посевных площадей 10
1.3. Перспективы развития агротехнологий 13
1.4. Прямое физиологическое влияние роста концентрации ССЬ на продуктивность растительности 14
1.5. Анализ имеющихся оценок изменений агроклиматических показателей при ожидаемых изменениях климата 20
2. Методы агроклиматических исследований и прогнозирования урожайности 27
2.1. Эмпирико-статистические методы 27
2.2. Имитационные модели продукционного процесса 36
2.3. Проблемы диагноза и прогноза засух 40
3. Исходная информация 46
3.1. Исходная сельскохозяйственная хозинформация и ее обработка 46
3.1.1. Данные об урожайности пшениц в странах СНГ и Балтии 46
3.1.2. Данные об урожайности пшеницы в регионах США 49
3.1.3. Качество данных об урожайности для различных регионов 54
3.1.4. Использование информации о посевной и уборочной площадях при корректировке рядов урожайности пшеницы в США 62
3.1.5. Обработка сельскохозяйственной информации и обоснование предиктантов статистических моделей 71
3.2. Историческая метеоинформация и ее обработка 85
4. Методика построения регрессионных моделей урожайности 110
4.1. Выбор предиктантов регрессионных моделей для различных территорий и культур 110
4.2. Сравнительный анализ алгоритмов выбора предиктантов моделей, базирующихся на эмпирическом показателе и анализе всех возможных регрессий 111
4.3. Анализ результатов выбора предиктантов моделей урожайности в различных регионах 119
4.3.1. Озимая пшеница в США 119
4.3.2. Яровая пшеница в США 123
4.3.3. Пшеница Durum в США 124
4.3.4. Озимая пшеница в европейской части России, стран СНГ и в Балтии 125
4.3.5. Яровая пшеница в европейской части России, стран СНГ и в Балтии 126
4.4. Анализ корреляционной связи предиктантов и метеопредикторов моделей 127
4.5. Оценки точности и достоверности регрессионных моделей 129
4.5.1. Методика оценивания 129
4.5.2. Особенности регрессионных моделей урожайности для регионов США 130
4.5.3. Особенности регрессионных моделей урожайности для европейских регионов России, стран СНГ и Балтии 136
5. Прогностические оценки 140
5.1. Сценарии ожидаемых изменений климата в XXI столетии 140
5.1.1. Априорные сценарии изменений климата и экспертные опросы 140
5.1.2. Аналоговые сценарии 140
5.1.3. Палеоклиматические сценарии 141
5.1.4. Модельные сценарии 141
5.2. Методика проведения прогностических расчетов 147
5.3. Оценки прогностической динамики урожайности 157
Основные результаты и выводы 177
Заключение 178
Список литературы 180
Список интернет сайтов
- Прямое физиологическое влияние роста концентрации ССЬ на продуктивность растительности
- Имитационные модели продукционного процесса
- Использование информации о посевной и уборочной площадях при корректировке рядов урожайности пшеницы в США
- Анализ результатов выбора предиктантов моделей урожайности в различных регионах
Введение к работе
Актуальность исследования
В настоящее время для современной науки о Земле является показательным быстрое развитие дисциплин, целью исследования которых являются изменения окружающей среды. Среди них ведущая роль отводится науке об ожидаемых изменениях компонентов климатической системы нашей планеты — современной климатологии. В решение ее задач вовлечен широкий круг ученых различных направлений. Проблемы современной климатологии привлекают все большее и большее внимание широкой общественности, исследовательских коллективов различных стран, межправительственных организаций, национальных комитетов, симпозиумов и конференций.
Последние десятилетия характеризуются также и тем, что к ранее сформировавшемуся кругу дисциплин, являвшихся для климатологии смежными, проблемы которых традиционно имели к ней непосредственное отношение, следует включить экономику, социологию, политологию и международное право. Общей проблемой, связавшей климатологию с этими науками, является изучение перспектив развивающегося глобального потепления, которое может произойти под влиянием антропогенных факторов, а также оценок их разнообразных экологических, экономических и, в конечном итоге, социально-политических последствий. Несомненным успехом исследований, проведенных в мире в последние три десятилетия, является то, что сейчас можно достаточно уверенно говорить о наиболее вероятных сценариях развития изменений основных показателей глобального климата и наиболее принципиальных их последствиях (ІРСС, 2007а,Ь,с). Важно заметить, что в применении к некоторым из них уже можно надеяться на достоверность полученных не только качественных, но и количественных оценок. Углубление и расширение дальнейших исследований и получение более детальных выводов о влиянии ожидаемого глобального потепления на природную среду и экономику, также как и комплексная оценка их последствий, должны обеспечиваться при научном подходе, сочетающем в себе обнаружение и анализ особенностей происходящих региональных изменений климата, построение сценариев их динамики в будущем и, наконец, расчеты влияния на окружающую среду и экономику. Без расширения научных разработок в указанных направлениях будет трудно поддержать выводы о достоверности уже полученных результатов и использовать их для обоснования стратегии приспособления мирового сообщества к развивающемуся глобальному потеплению и его последствиям. Без
этого также малоперспективным представляется достижение согласованных геополитических решений и их обоснованное отражение в международных правовых документах. В этой связи можно упомянуть о том, как в последние годы изменялось отношение участников крупных международных конференций и правительств ряда стран к вопросу о подписании и ратификации Киотского Протокола об ограничении выбросов парниковых газов. (The Earth Submit, 1993; The Kyoto Protocol, 1997; Госдепартамент США о проблеме..., 2001; Всемирная конференция..., 2003).
Важнейшей компонентой исследований современных глобальных изменений являются оценки их влияния на экологические процессы и экономику. В числе этих вопросов следует отметить: влияние на водный режим и гидрологические процессы на суше, влияние на наземные экосистемы и природную зональность, влияние на энергоресурсы и энергопотребление, влияние на уровень мирового океана и морские и прибрежные экосистемы, влияние на криосферу в целом и на вечную мерзлоту в частности, влияние на транспорт, энергетику, строительство, влияние на финансово-кредитную систему и другие сферы человеческой деятельности и экологические процессы. Однако, по нашему глубокому убеждению, в ряду основных последствий современного глобального потепление одно из первых мест должно занимать влияние изменений климатических факторов на продуктивность сельскохозяйственных культур и инфраструктуру сельского хозяйства в целом. Характерно, что наибольшее количество публикаций, посвященным последствиям изменений климата, приходится именно на эти вопросы. Однако нельзя не отметить, что практически все эти публикации посвящены вопросам изменения среднего уровня продуктивности сельскохозяйственных культур при изменении гидротермического режима и содержании углекислого газа в атмосфере. Другими словами, в этих исследованиях в качестве расчетных методик фигурируют изменения норм метеорологических элементов, а выходными (искомыми) величинами является изменения уровня продуктивности, то есть показателей за продолжительные промежутки времени в будущем. Хотя вопрос о повторяемости опасных для сельского хозяйства аномальных гидротермических явлений и ставился до настоящего времени, количественно оценить его достаточно надежно не удавалось. Однако согласно мнениям специалистов и решениям международных органов этот вопрос является одним из самых актуальных для современной науки об агроклиматических последствиях изменений климата.
Цели исследования
Основной целью диссертационного исследования является разработка методики построения эмпирико-статистических моделей «урожайность — метеорологические факторы» и применение их для оценки повторяемости аномальных для урожайности сельскохозяйственных культур гидротермических явлений до середины XXI века с использованием климатических сценариев, рекомендованных Международной группой экспертов по изменениям климата.
Задачи исследования
Построить ряды показателей урожайности различных культур пшеницы в областях России, странах бывшего СССР и графствах различных штатов США.
Составить ряды данных по средней месячной, максимальной, минимальной температуре приземного воздуха и атмосферным осадкам для метеостанций на исследуемых территориях бывшего СССР и США.
С использованием архивов центра по распространению данных МГЭИК подготовить прогностические ряды метеорологических данных по средним месячным значениям температуры и осадков, для сценариев, построенным по моделям общей циркуляции атмосферы и океана, рекомендованным в третьем отчете МГЭИК.
Провести корреляционный анализ сельскохозяйственных и метеорологических рядов данных, подготовленных для построения регрессионных моделей. Построить ансамбли регрессионных моделей «погода — урожайность» для областей СССР и графств США. Получить оценки их достоверности и значимости.
Проанализировать точности воспроизведения построенными регрессионными моделями исторических рядов урожайности культур пшеницы на исследуемых территориях.
С использованием прогностических модельных сценариев, рекомендованных МГЭИК рассчитать динамику показателей урожайности различных культур пшеницы до 2050 года в регионах бывшего СССР и США. Оценить согласованность прогностической динамики показателей урожайности пшеницы на исследуемых территориях при глобальном потеплении до 2050 года.
Научная новизна
Основная компонента научной новизны состоит в разработке методики нового ансамблевого подхода к построению статистических регрессионных моделей показателей аномальности урожайности сельскохозяйственных культур.
С целью реализации такого подхода в диссертации разработана схема объективного отбора наиболее достоверных и точных регрессий, составляющих конечную статистическую модель.
Для практической реализации разработанного подхода построена методика анализа статистических критериев, характеризующих каждую модель, как представительницу ансамбля регрессий.
Существенной компонентой новизны является впервые использованный в агроклиматических исследований метод прямого выбора наилучшей модели из полного множества возможных регрессий.
В первые в агроклиматических прогностических исследованиях на основе единого методического подхода получены оценки изменений повторяемости аномальных лет в различных регионах бывшего СССР и США по семи модельным сценариям изменений глобального климата до 2050 года.
Научная и практическая значимость
При анализе экологических и экономических последствий ожидаемого глобального потепления, оценки его воздействия на сельское хозяйство являются первоочередными. Многолетняя статистика, разработки специалистов, и постоянное внимание со стороны международных организаций и национальных показывают, что из всех отраслей экономики, чувствительных к воздействию климатических факторов, наиболее сильно зависит от климатических факторов и от ожидаемых изменений глобального климата сельское хозяйство, в особенности земледелие.
Достоверность и обоснованность результатов
Достоверность и обоснованность полученных результатов обусловлена применением утвердившихся методов математической статистики, обработки и анализа рядов исходной сельскохозяйственной, климатической и метеорологической информации. Обоснованность прогностических оценок, выдвигаемых на защиту, доказывается применением в расчетах научных прогностических материалов, полученных в ведущих исследовательских центрах мира при разработке сценариев изменений глобального климата.
Прямое физиологическое влияние роста концентрации ССЬ на продуктивность растительности
Интенсивность фотосинтеза, а в конечном итоге и урожайность, различных видов растений в значительной мере зависит от большого количества внешних факторов, среди которых наиболее важными являются: свет (интенсивность и спектральный состав), температура, концентрация СОг, водный режим, минеральное питание, а также внутренних особенностей — возраста, содержания хлорофилла и ферментов, количества воды в листе, структуры листа, открытости устьиц и т.д. Между отмеченными факторами существуют естественные взаимосвязи. Как и в случае с другими жизненными процессами, в продукционном процессе сельскохозяйственных культур проявляется общий принцип лимитирования — скорость совокупного процесса определяется тем фактором, который находится в минимуме (Шиханова, Овчинников, 1972; Galston, Davies and Satter, 1980; Говинджи, 1987; Полевой, 1989; Третьяков, 1998).
Концентрация углекислого газа в атмосфере представляет собой один из важнейших факторов, влияющих на интенсивность фотосинтеза. Кривая зависимости ассимиляции от содержания СО2 имеет форму, близкую к логарифмической кривой, что указывает па рост интенсивности фотосинтеза с увеличением концентрации СО2 (Galston, Davies and Satter, 1980; Мокроносов, 1983; Говинджи, 1987; Полевой, Саламатина, 1991). Современная концентрация углекислого газа в атмосфере не является оптимальной для фотосинтетической активности многих растений, особенной С-3 типа (у растений С-4 насыщение фотосинтетической функции происходит при более низких концентрациях СОг). Содержание углекислого газа в атмосфере в так называемый «прединдустиальный период» составляла 280 ррт, что всего в три раза превышает нижний предел содержания СОг в воздухе (около 100 ррт), ниже которого наступает прекращение суммарного газообмена (Брандт, Тагеева, 1967; Говинджи, 1987). В настоящее время в естественных условиях содержание СОг нередко бывает главным фактором лимитирующим интенсивность фотосинтеза.
В настоящее время отмечается устойчивая тенденция увеличения концентрации двуокиси углерода в атмосфере. Анализу возможных ответных реакций естественной и сельскохозяйственной растительности на ожидаемое в течение XXI столетия повышение концентрации СОг посвящено большое количество экспериментальных исследований, проведенный с использованием различных технологий. В зависимости от методов контроля параметров окружающей среды, можно выделить несколько типов таких исследований: 1) фитотроны, 2) парники или теплицы, 3) парники или теплицы с открытым верхом, 4) системы по увеличению концентрации углекислого газа в посевах на открытом воздухе FACE (Field Atmospheric Carbon Experiments) (Rozema et al., 1993; Lawlor, 1996). Наиболее совершенные технологичные методы контроля параметров окружающей среды представлены в системах FACE.
В рамках проекта FACE, осуществляющегося при поддержке центра по информационному анализу углекислого газа CDIAC (Окриджская Национальная Лаборатория Министерства Энергетики США), проводятся эксперименты по увеличению концентрации СОг в полевых условиях на открытом воздухе (Интернет сайт 5). Эксперименты по проекту FACE позволяют в естественных условиях физически моделировать прогнозируемое увеличение концентрации СОг и исследовать его влияние на жизнедеятельность растений. В отличие от исследований, проводящихся в парниках или теплицах, в экспериментах FACE нет необходимости искусственным образом воспроизводить такие сложные для моделирования параметры окружающей среды, как температура, осадки, ветер, влажность, солнечная радиация. Поэтому продолжительные ряды результатов полевых экспериментов FACE представляют собой ценнейший научный материал для специалистов различных направлений, изучающих влияние увеличения концентрации СОг, ожидаемого в течение XXI столетия, на жизнедеятельность растений.
Инженерно-технологические решения систем FACE могут иметь различные степени сложности. Системы с упрощенной технологической схемой получили название Mid-FACE и Mini-FACE (Интернет сайт 5). Стандартная система FACE состоит из: резервуара углекислого газа, пульверизатора, вентилятора, кольцеобразных труб для газораспределения, вертикальных воздушных клапанов для выпуска СОг в слой растительности, датчиков для измерения скорости и направления ветра, концентрации СОг, и наконец, компьютерной системы для регулирования и мониторинга выпуска углекислого газа.
Накопленный к настоящему времени экспериментальный материал позволяет достаточно уверенно говорить о качественной стороне возможных последствий увеличения концентрации СОг для продуктивности различных сельскохозяйственных культур. В количественном же отношении остается ряд неопределенностей.
В наиболее известном литературном обзоре результатов экспериментов по программе FACE, говорится, что в среднем, при увеличении содержания СОг в атмосфере до 700 ррт происходит увеличение продуктивности С-3 растений на 33% при значительной вариабельности этой величины в зависимости от типа культуры и метода проведения эксперимента (Kimball, 1993). Ниже приведены некоторые данные экспериментов по FACE с различными культурами.
Пшеница. В отчетах по программе FACE упоминается около пятидесяти исследований (156 экспериментов), посвященных влиянию изменения концентрации СОг на продуктивность пшеницы; двадцать четыре из них были выполнены на открытом воздухе (Amthor, 2001). Все выбранные для анализа результаты экспериментов получены применительно ко всему циклу развития культуры. В зависимости от проведения экспериментов и использованных методов контроля концентрации углекислого газа, все исследования подразделяются на пять категорий: (1) эксперименты в лабораторных фитокамерах, (2) опыты в парниках, эксперименты в закрытых (3) и открытых сверху (4) камерах и, наконец, (5) опыты с использованием систем FACE. Показано, что только в трех опытах, проведенных в парниках, при концентрациях углекислого газа ниже современных (меньших 330 ррт), иногда отмечалось увеличение урожаев. В экспериментах при концентрациях СОг превышающих современные (до 2000 ррт) при достаточном увлажнении, минеральном питании и благоприятных температурах отмечалось устойчивое увеличение продуктивности пшеницы. Совместный анализ всех экспериментальных данных показал, что максимальное увеличение продуктивности пшеницы равнялось 37% и отмечалось при концентрации СОг, равной 2890 ррт (что превышает современную концентрацию СС 2 в семь — восемь раз. В среднем, удвоение содержания СОг с 350 до 700 ррт увеличивало урожай культуры на 31%. При ограниченной подкормке удобрениями положительный эффект воздействия СОг на урожайность был меньше, а при значительном недостатке в минеральном питании и влагообеспеченности, увеличение концентрации углекислого газа сопровождалось снижением продуктивности.
Имитационные модели продукционного процесса
Существенным шагом в решении проблемы определения более универсального показателя агроклиматических ресурсов стали разработки, развивающие концепции о радиационных факторах климата (Будыко, 1948, 1956). Анализ физических закономерностей формирования теплового баланса земной поверхности дал возможность обосновать агроклиматическую значимость комплексно определяемого показателя — радиационного индекса сухости. Это дало возможность на основании систематизированных эмпирических данных по продуктивности растительных сообществ построить карты потенциальной продуктивности растительности всех континентов (Базилевич, Родин, 1967; Ефимова, 1977).
Несомненно, что прогнозирование урожайности во все годы, как и в настоящее время, является главной задачей агрометеорологической науки. Как и в случае оценки агроклиматических ресурсов для решения этой проблемы исторически раньше были привлечены эмпирико-статистические и физико-статистические методы (Кулик и др., 1972; Уланова, 1975; Константинов, Зоидзе, Смирнова, 1981).
В 1970—1980 годы выполнено большое количество разработок прогностического характера, большинство из которых принадлежит отечественным авторам. В кратком обзоре не представляется возможным подробно осветить эти многочисленные работы и прогностические агрометеорологические схемы, разработанные применительно к разным сельскохозяйственным культурам в различных климатических условиях (Пономарев, 1974; Полевой, Мызина, 1976).
В целом исследования этого направления основываются на довольно универсальных приемах, методически близких к приемам классической агроклиматологии (Обухов, 1949). С привлечением исследовательской информации о метеорологических факторах и показателях урожайности конструируется конечное уравнение, связывающее урожайность с определенным набором предикторов. Коэффициенты таких регрессионных зависимостей вычисляются с использованием конкретных реализаций связи урожайность — предикторы за достаточно большое количество лет. Этому этапу исследований предшествует качественный и количественных анализ, необходимый для достоверного выделения наиболее значимых предикторов конечной урожайности или ее показателей. Значительная роль в методике физико-статистических исследований отводится изучению биологических особенностей сельскохозяйственных растений (Куперман, 1969). При этом, в частности, выявляется последовательность и продолжительность фенологических фаз. Исследование воздействия факторов внешней среды на жизнедеятельность и развитие растений в каждой из фаз позволяет с большей уверенностью определить значимость предикторов эмпирических моделей.
Прогностическую направленность имеет методически своеобразная физико-статистическая схема расчета урожайности озимой пшеницы, в которой использован статистический прием, известный под названием «остаточный метод» (Константинов, Зоидзе, Смирнова, 1981; Константинов, Химии, 1983). Последовательное проведение такого приема и привлечение большой фактической информации позволили выявить влияние на урожайность озимой пшеницы как гидрометеорологических условий межфазных периодов и плодородия почвы, так и рассчитывать характеристики почвенно-климатических ресурсов урожайности.
Следует подчеркнуть, что среди работ физико-статистического направления можно выделить и некоторые весьма близко примыкающие к прогностической агрометеорологии. В качестве примера таких разработок можно привести схему расчета урожайности озимой пшеницы, основанную на соотношении, которое можно понимать как интеграл от параметризованной функции роста культуры (Дмитренко, 1975).
В рамках эмпирико-статистичсского метода развиваются схемы детального статистического анализа связи урожайности с гидрометеорологическими факторами. С помощью процедуры разложения полей гидротермического коэффициента по естественным ортогональным функциям проанализированы колебания урожайности зерновых, что дало возможность получить устойчивые и значимые статистические оценки исследуемых связей (Мещерская, 1981). Методически близкий прием был использован и при анализе влияния аномалий погодных характеристик на урожайность яровой пшеницы в США (Starr and Kostrow, 1978), в которой авторы предлагают подобную методику использовать и как прогностическую.
В разработках эмпирико-статистического характера значительное внимание было уделено вопросам агрометеорологического прогнозирования урожайности те только такой, главной для пашей страны культуры, как пшеница. В методике расчета урожайности кукурузы в качестве предикторов используются сумма продуктивных влагозапасов и осадков в декаду образования метелки растений, а также показатели развития интегрального листового индекса (Уланова, Сиротенко, 1968).
В последние десятилетия разработки эмпирико-статистического прогностического характера проводились и за рубежом. Основные из них выполнены в США, Канаде, Японии и некоторых других странах.
В США историческими первыми стали исследования по прогнозированию урожайности яровой пшеницы (Thompson, 1962). Принципиальные методические положения этих разработок были расширены в дальнейшем (Thompson, 1975). В работах, развивающих этот подход, использованы нелинейные регрессионные зависимости продуктивности от погодно-климатических факторов. Это вместе с включением в расчет и экономических показателей роста урожайности, позволило использовать регрессионные модели и для целей долгосрочного климатического прогнозирования. Известны также и модифицированные варианты модели, примененные для оценки влияния климатических изменений на урожайность сельскохозяйственных культур в США (Thompson, 1980). Одна из таких моделей была использована в исследованиях по программе CIAP, посвященной оценке последствий климатических изменений (Кароль, 1977).
Интересны результаты сравнительной оценки двух типов регрессионных моделей американских авторов — многопараметрической нелинейной модели и модели, использующей только одну комплексную характеристику, составленную из трех показателей: суммарной радиации, листового индекса и отношения транспирации к потенциально возможной ее величине (Nelson, Dale, 1978). Помимо прочего авторы делают вывод о том, что для описания роста урожайности, вызванного экономическими факторами, предпочтительнее использовать данные о количестве вносимых удобрений, тогда как ранее такой рост описывался априорно. Определены также сравнительные характеристики моделей, использующих в качестве предикторов как сумму разностей температуры воздуха и растений, так и сумму активных температур (Idso et al., 1979).
Использование информации о посевной и уборочной площадях при корректировке рядов урожайности пшеницы в США
Понятно, что потери урожаев могут быть обусловлены не только засухами. Их причинами могут быть следующие факторы: 1) Экстремальные гидротермические явления (засухи). 2) Механические повреждения посевов перед уборкой при сильных ветрах, ливнях, градобитиях и т.д. 3) Повреждения от вредителей болезней. 4) Управленческие решения зернопроизводителей.
Последний тип «потерь урожайности» требует некоторого пояснения. Как известно, фермы в США принадлежат и обслуживаются частными лицами, большинство из ферм являются собственностью одной семьи, которая ведет на них хозяйство. Поэтому управленческие решения принимаются исключительно индивидуальными владельцами или управляющими ферм. Среднее количество работников на одну ферму, включая членов семьи, в двадцати пяти штатах-производителях пшеницы в настоящее время составляет только 1,3 человека. Таким образом, на каждого работника фермы в штатах, производящих пшеницу, приходится в среднем 153 гектара сельскохозяйственной площади.
Такое ведение хозяйства возможно благодаря очень интенсивному использованию техники, которая обычно является собственностью фермера и всегда находится в его распоряжении. Во время уборки урожая типичный фермер может использовать один или два собственных комбайна, а также пригласить наемную бригаду, владеющую своими четырьмя — шестью комбайнами. Эти бригады часто состоят из фермеров, которые до или после сбора урожая на своих полях, «следуют за урожаем» по мере продвижения уборочной страды на север. Поскольку уборка урожая, как правило, требует привлечения наемных работников, фермеру часто бывает экономически невыгодным проводить уборку на площадях, зерно с которых, по ряду критериев, не будет соответствовать стандартам на зерно в США.
Среди указанных выше типов потерь первый и четвертый представляют главный интерес для целей нашего исследования. При отделении «гидротермических» потерь от потерь других типов мы ориентировались на то, что засуха в отличие от ливней, градобитий и нашествий вредителей является в США более масштабным процессом, как во времени, так и в пространстве, то есть свидетельства ее проявлении можно обнаружить и в соседних графствах этого штата. Для выявления причин различия рядов посевных и уборочных площадей нами использовалась информация, почерпнутая из баз исторических данных
Национального Центра Климатической Информации США (NCDC) по засушливым явлениям на территории США в период 1900—2007 годы (Интернет сайт 1).
Идея нашего анализа состояла в том, что, если выяснялось, что в год / потери урожаев обусловлены градобитиями, ветровым полеганием, ливнями и т.д. в период уборки, при расчете значений урожайности использовались данные по уборочным площадям. В случае «гидротермических» потерь дело обстояло много сложнее, так как часть урожая оставалась на полях неубранной еще и по причине управленческого решения фермера, связанного с экономической нецелесообразностью уборки.
При расчете урожайности пшеницы в регионах США перед исследователем встает вопрос: какую информацию об урожайности следует использовать, по уборочной или по посевной площади? Понятно, что значения урожайности, вычисленные как отношение валовых сборов к посевным площадям, будут меньше, чем значения, вычисленные с использованием данных по уборочным площадям. Это связано с тем, что посевные площади всегда больше или равны уборочным. Анализ вопроса о подготовке наиболее достоверных рядов данных по урожайности мы начнем с введения некоторых показателей зернопроизводства, полезных для обоснования выводов на этот счет.
Обозначим через Sr посевную площадь для данной административно территориальной единицы; через S/, уборочную площадь. Понятно, что S), Sp Обозначим хозяйственное производство зерна (вал) в данный год на данной территории как Р/,. Подчеркнем, что на самом деле Р/, не есть истинная величина выращенной зерновой продукции, так как часть ее по причинам экономического характера не была собрана. В этой связи уместно ввести также и величину Рр, которую можно назвать полным производством культуры на данной территории в данный год. Истинной величиной урожайности в таком случае является отношение:
Введем еще две величины: AS=SpSjl и AP=Pp—Pi„ первая из которых характеризует разность посевной и уборочной площадей, вторая — разность между полным (истинным) производством зерна посевом и валовым (хозяйственным) сбором. Теперь для истинной урожайности культуры можно написать:
Анализ выписанных формул позволяет сделать некоторые полезные выводы; остановимся вкратце на них. Если согласно сельскохозяйственной статистике, в какой либо конкретный год хозяйственная урожайность J/, была высокой (по сравнению с близкими годами), но при этом уборочная площадь была заметно ниже посевной, то потери на неубранных участках не были обусловлены гидротермическими условиями в вегетационный сезон. Потерю урожая в этом случае следует связывать с неблагоприятными условиями, сложившимися к сроку уборки, например полегание посевов (град, ливневые дожди, ветровал и т.д.). В этом случае ближе к истинной урожайности будет урожайность, рассчитанная по уборочной площади у/, (величина щ в приведенных выше формулах близка к единице).
Как уже отмечалось в предыдущих разделах, обозревая имеющуюся в настоящее время информацию об урожайности сельскохозяйственных культур, нельзя не отметить, что за последние 60 с лишним лет сельское хозяйство развитых и некоторых развивающихся стран характеризуется значительным ростом урожайности основных продовольственных культур, в том числе зерновых, включая интересующую нас пшеницу. Об этом в разные годы писали многое авторы (Манелля и др., 1972; Сельское хозяйство..., 1973; Бараш, 1974, 1980; Хлебутин, 1975; Дорофеев, Бараш, Горбатенко, 1982). В годы после Второй Мировой Войны сельское хозяйство большинства стран интенсивно развивалось за счет факторов химизации и механизации. Показательным примером этого является рост и использование минеральных удобрений в различных странах, которое за 60 лет с 1945 года возросло более чем в 70(!) раз. Значительно увеличились парк и производительность сельскохозяйственной техники (Интернет сайт 4). Однако, несмотря на рост урожайности, ее межгодовая изменчивость, вызванная вариабельностью погодных условий, остается, как и ранее весьма значительной. Это особенно характерно для тех областей земного шара, где сельскохозяйственное производство не сопровождается увеличением ирригационных мощностей. Влияние экономического уровня сельскохозяйственного производства на урожайность существенно затрудняет исследование эффектов ее погодно-климатической изменчивости.
По той причине, что в большинстве случаев при эмпирико-статистичсском анализе приходится иметь дело с данными о хозяйственных урожаях, задача исследования показателей роста и изменчивости урожайности становится комплексной, включающей помимо агроклиматической, также и экономическую компоненту (Haigh, 1977; Бирли, 1980).
Данные об урожайности сельскохозяйственных культур, собранные в длительные ряды, представляют собой ценный научный материал для анализа любого уровня детализации. Однако не следует надеяться, что эти данные приготовлены статистическими службами исключительно для научных целей, тем более для целей агроклиматического исследования. Эта информация имеет, прежде всего, статистический характер и исследователю, занимающемуся выбором данных из сельскохозяйственных архивов, следует это учитывать. Работы по систематизации сельскохозяйственной информации имеют длительную историю.
Анализ результатов выбора предиктантов моделей урожайности в различных регионах
Результаты расчетов наилучшего предиктанта статистических моделей урожайности озимой пшеницы на территории США, на примере графств Канзаса, представлены в таблице 4.6. Сразу следует отметить, что диапазон выбранных по упомянутой выше методике предиктантов, как применительно к графствам США, так и областей бывшего СССР, оказался весьма широким. Это лишний раз подтверждает справедливость принятого нами метода, базирующегося на объективном выборе трендов урожайности.
В выбранных графствах штата Канзас — самого крупного производителя озимой пшеницы в США по интегральному индексу приоритета предиктантов статистических моделей / в отдельных графствах, наиболее часто на верхних позициях оказывался предиктант 1]р5 — относительная урожайность, вычисленная с использованием полиномиального тренда 5-ой степени. Следует отметить, что среди девяти графств штата Канзас, попадающих в узлы регулярных сеток использовавшихся нами климатических сценариев, только в одном (графство Grant) в качестве наилучшего был выбран предиктант, полученный с использованием простого экспоненциального тренда — kei. Во всех остальных случаях были выбраны предиктанты, полученные с использованием более сложных трендов. В графствах штатах Оклахома в качестве наиболее предпочтительных были выбраны два предиктанта, имеющие одинаково высокие оценки по параметру/ — Xes (относительные потери урожаев, вычисленные с использованием экспоненциального тренда 8-ой степени) и )Jes (относительная урожайность, вычисленная с использованием экспоненциального тренда 8-ой степени). В графствах Оклахомы первые шесть мест также были заняты предиктантами, рассчитанными с использованием трендов высоких степеней. В графствах штата Техас первое место по интегральному индексу приоритета заняли предиктанты, рассчитанные с привлечением экспоненциального тренда 2-ой степени — Ад. Следует отметить, что первые четыре места, отличающиеся на небольшое количество баллов, заняты предиктантами, вычисленными с привлечением трендов 2-ой степени. В штате Колорадо, также как в штате Техас, первое место занял предиктант, полученный по тренду 2-ой степени — Хр2. Первые семь мест оказались за трендами 2-ой—3-й степеней. Предиктапты, построенные с привлечением трендов высоких степеней (с 6-ой по 8-ую), напротив, оказались в нижней части списка. Можно утверждать, что в графствах штате Небраска динамика урожайности лучше всего описывается предиктантами, рассчитанными с использованием трендов 4-ой, 3-ей или 5-ой степеней. Здесь первое место занял предиктант — Хе4- Следующие семь мест заняли предиктапты, вычисленные с использованием трендов 3-ей—5-ой степеней. В графствах штата Монтана первые два места заняли предиктанты, полученные по трендам 7-ой степени: Хр? и Цр?. Следующие за ними десять мест оказались занятыми трендами 3-ей—5-ой степеней. Все предиктапты, вычисленные с привлечением линейного тренда оказались на нижних позициях. Оказалось, что в штате Калифорния временная динамика урожайности правильнее описывается трендами высоких степеней. Здесь первое место оказалось за предиктантом Xpg. Тренды невысоких степеней (с 1-ой по 3-ую) оказались в нижней части таблицы для графств этого штата. В графствах штата Южная Дакота первое и второе место заняли предиктанты, вычисленные по тренду 4-ой степени (цр4, Хр4). Линейный тренд снова оказался в числе самых невостребованных. В графствах штата Вашингтон также все первые десять мест заняты предикторами, рассчитанными с привлечением трендов высоких степеней. Наилучшим оказался предиктант — Xe-j. Тренды 4-ой степени, хорошо показавшие себя в большинстве других штатов, в штате Вашингтон оказались в конце списка, что, правда, явилось для нас неожиданностью. В графствах штата Орегон расчеты отдали предпочтение трендам 2-ой и 3-ей степеней. По интегральному индексу приоритета победителем в этом штате оказался предиктант — Хр$. В графствах штата Айдахо на первых позициях оказались предиктанты, рассчитанные с использованием трендов высоких степеней. Первое место по интегральному индексу приоритета приходится на предиктант — XpS, предиктанты низких степеней оказались в конце списка. Для графств штата Мичиган распределение предиктантов по предпочтению аналогично распределению в штате Айдахо. Наилучшим предиктантом в данном случае оказался — Хе8. В выбранных графствах данного штате первые четыре места отводятся трендам 8-ой степени, а следующие четыре — трендам 7-ой степени. В графствах штата Иллинойс лидирующие позиции также заняли предиктанты, полученные с использованием трендов высоких степеней. Первые восемь мест оказались за трендами 7-ой—8-ой степеней. Наилучший предиктант здесь — ijps, линейный и простой экспоненциальный тренды заняли позиции в конце списка.
Динамика урожайности пшеницы в графствах штата Миссури характеризуется сложным характером. Первые двенадцать мест здесь заняли предиктанты высоких степеней (с 6-ой по 8-ую). Победитель из набора предиктантов — Хр6. В графствах штата Огайо победителем оказался предиктант ке2. Можно отметь, что в этом штате баллы между различными трендами распределись более или менее равномерно. В графстве Perry штата Арканзас первые два места оказались за предиктантами, вычисленными с использованием экспоненциального и полиномиального трендов 8-ой степени: Xeg и ijpg. В графствах Индианы по интегральному индексу приоритета первые одиннадцать мест заняты предиктантами высоких степеней. Первое место из них приходиться на ке$. Результаты вычислений для графств штатов, играющих менее значительную роль в общем производстве озимой пшеницы в США, оказались следующими: Айова (}]Р2), Луизиана (А ), Северная Каролина (Xpj), Южная Каролина (Хр4), Невада (Хе4), Пенсильвания (Хр7), Теннеси (і]рз) и Юта (i/pj).
Также нами было проанализировано распределение предиктантов статистических моделей для озимой пшеницы в соответствие с интегральным индексом приоритета (сумма занятых мест), полученным по всем штатам-производителям. Анализ данного распределения показал, что среди первых четырех мест три оказались за предиктантами, вычисленными с использованием полиномиального и экспоненциального трендов 7-ой степени: кр7 (I место), цР7 (II место), Хе7 (IV место). Третье место оказалось за Xes. Места с 5-го по 9-ое пришлись на тренды 3-ей—4-ой степеней. Десятое место — l]ps. Несмотря на то, что в некоторых графствах предиктанты, вычисленные с использованием линейного и простейшего экспоненциального трендов оказывались победителями, для графств США в целом они занимают места в конце списка. При этом значения интегрального индекса приоритета / для предиктантов первой десятки и предиктантов от линейного и простейшего экспоненциального трендов различаются более чем в полтора раза. Таким образом, можно сделать вывод, что ряды хозяйственной урожайности озимой пшеницы для административных единиц территории США отличается сложной временной динамикой, для точного описания которой упрощенных трендовых аппроксимаций оказывается недостаточно.
