Бесплатный автореферат и диссертация по географии на тему

Формирование метеорологической информации как входного сигнала прикладных динамических моделей агроэкосистем

ВАК РФ 11.00.09, Метеорология, климатология, агрометеорология

Автореферат диссертации по теме "Формирование метеорологической информации как входного сигнала прикладных динамических моделей агроэкосистем"

РГБ ОД

АГРОФИЗИЧЕСКИЙ ОРДЕНА ТРУДОВОГО КРАСНОГО ЗНАМЕНИ НАУЧНО-ИССЛЕДОВАТЕЛЬСКИЙ ИНСТИТУТ

МБ ОД

На правах рукописи

ТОПАЖ Александр Григорьевич

ФОРМИРОВАНИЕ МЕТЕОРОЛОГИЧЕСКОЙ ИНФОРМАЦИИ КАК ВХОДНОГО СИГНАЛА ПРИКЛАДНЫХ ДИНАМИЧЕСКИХ МОДЕЛЕЙ АГРОЭКОСИСТЕМ

м.с^-од

Специальность: ^1.00.09 — Метеорология, климатология, агрометеорология

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

САНКТ-ПЕТЕРБУРГ 1994

Работа выполнена в Агрофизическом научно-исследовательском институте.

Научный руководитель — доктор технических наук, профессор Р. А. Полуэктов.

Официальные оппоненты — доктор технических наук Г. В. Мен-жулин; кандидат физико-математических наук И. А. Швытов.

Ведущая организация — Главная геофизическая обсерватория имени А. И. Воейкова.

на заседании Специализированного совета К 020.21.0t в Агрофизическом научно-исследовательском институте по адресу: 195220, Санкт-Петербург, Гражданский пр., 14.

С диссертацией можно ознакомиться в библиотеке Агрофизического научно-исследовательского института.

Автореферат разослан « 2. » ^Си-Си/рчА 1994 г.

Отзывы в двух экземплярах, заверенные гербовой печатью учреждения, просим направлять по адресу: 195220, Санкт-Петербург, Гражданский пр., д. 14, АФИ.

Ученый секретарь

Защита состоится

часов

Специализированного совета, кандидат физ.-мат. наук

Т. М. Брунова

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ"

Актуальность тома. Направление развития большинства но только технических, но и естественных наук в настоящее время стало определяться уровнем и широтой распространения применяемой вычислительной техники. Это полностью относится и к агрометеорологии, в частности, к той ее области, которая занимается моделированием продукционного процесса сельскохозяйственных культур под влиянием складыващихся погодных условий. До появления и широкого внедрения вычислительной техники существовало два практически не пересекающихся подхода. к исследованию влияния погоды на растения - эмпирический и теоретический.

Сущность теоретического подхода состояла в осмыслении и детальном описании на математическом языке всего комплекса физических, химических и биологических явлений, протекающих в системе "почва-растение-атмосфера". Сложность получающихся соотношений, неизбежная при детальном описании процессов, происходящих в реальной природной среде, делала практически невозможной увязку их в единый комплексный алгоритм, позволяющий дать оценку продуктивности исследуемой культуры в зависимости от складывающейся метеорологической обстановки. -

Решение, хотя я приближенное, этой задачи являлось целью второго, эмпирического подхода, позволяющего находить иитогралыше характеристики продуктивности посева по интегральным же характеристикам внешней среда - агрометеорологическим показателям. Математическим аппаратом атого подхода являются многочисленные регрессиопные соотношения, которые лежат в основе разнообразных агрометеорологических прогнозов.

Появление и совершенствование вычислительной техники позволило сблизить два этих подхода, причем движение идет от теории к практике. Первым шагом на атом пути стало создание базовых моделей агроэкосистем - детальных имитационных компьютерных алгоритмов, включающих в себя всю накопленную теоретиками базу знаний. Эти модели являются мощным инструментом научного исследования, однако их широкое внедрение в практическую

деятелыюсть весьма проблематично. Основные трудности,- стоящие па атом пути, связаны с информационным обеспечением - получением большого количества метеорологической и агрометеорологической информации с необходимым уровнем временной детализации, необходимой для настройки и эксплуатации базовой модели.

Использование упрощенных прикладных динамических моделей с суточным временным шагом во многом снимает эту проблему, однако не до конца. Недостаточная укомплектованность агрометеопостов • необходимым оборудованием и плохо налаженная сеть информационного обмена приводит к тому, что зачастую весь необходимый объем входной информации остается для пользователя недоступным. В этих условиях задачи оценки возможностей использования в моделях неполных наборов информации и поиска наилучших алгоритмов втого использования становятся особенно актуальными в практическом смысле. Положительное решение этих вопросов резко повышает пратическуш ценность используемых моделей. В научном же плане представляется весьма интересным анализ чувствительности моделей к точности задания входной метеоинформации и решение одной из актуальнейших задач нашего времени - сокращения объема потоков данных без существенных потерь их информативности.

Целью настоящей работы является обоснование алгоритмов использования неполных наборов входной метеоинформации и анализ их эффективности для решения различных задач контроля и управления состоянием агроэкосистем без особой потери точности ипользуемых прикладных динамических моделей.

В работе поставлены и решены следующие задачи:

- разработана методика применения и оценки подходов к восполнению различного сорта неполноты исходной метеоинформации, необходимой для функционирования динамической модели;

.- проведен комплексный анализ чувствительности используемых малопараметрических моделей к возмущениям входного неконтролируемого сигнала,. под которым понимается сценарий погодных условий в течение периода вегетации;

- разработаны, программно реализованы и применены для решения различных задач, прогностического плана процедуры генерации произвольного числа имитационных погодных сценариев, характерных

--а*

для выбранной местности ;

- предложен ряд новых методов статистической оценки суточных значений различных метеопараметров по данным, определяющим их неадекватно.

Научная новизна полученных результатов заключается в создании методологических основ использования неполных наборов метеоданных в качество входного сигнала прикладной динамической модели агроэкосистемы. В ходе работы:

- проведен комплексный анализ чувствительности используемых моделей как объектов управления к вариациям входного сигнала. При этом, в отличие от большинства подобных работ, особое внимашю уделено реакции моделей на изменение вариабельности используемых метеоэлементов при сохранении их средними величинами постоянны?; значений;

- предложена оригинальная методика решения с помощь» прикладных моделей задач прогностического плана, базирующаяся па использований разработанного автором генератора погодгах сценариев;

- предложен ряд полуэмпирических подходов к оценке и восстановлению суточных значений метеоэлементов, прямые фактические измерения которых недоступны.

Практичеекая значимость. Разработанные и программно реализованные в рамках общесистемной части модели продукционного процесса. "БХАМ" процедуры восполнения исходной неполноты необходимой метеорологической информации имеют непосредственное практическое значение. Они позволяют существенно расширить круг потенциальных пользователей 'компьютерных моделей агроэкосистем, значительно сокращая объем метеорологической информации, требующейся для настройки и функционирования этих моделей без потери точности получаемых результатов.

Апробация работы. Основные результаты диссертации докладывались на семинарах . лаборатории математического моделирования агроэкосистем АФИ,. на 11-й- Санкт-Петербургской международной конференции "Региональная информатика" (РИ-93), на международной конференции "Моделирование' систем и процессов в отраслях АПК" (АФИ, Санкт-Петербург, 1993).

Публикацин. По тема диссертации опубликовано 5 .печатных работ. Их список приведен в концэ автореферата.

Структура и объем работы. Диссертация состоит из введения, идти глав, заключения, основных результатов и выводов и списка литературы, включающего 116 наименований, в том числе 32 .работы иностранных авторов.

Объем диссертационной работы составляет 198 страниц, 28 рисунков, 23 таблицы.

СОДЕРЖАНИЕ РАБОТЫ

В первой главе рассматриваются общие вопросы, связанные с обеспечением прикладных динамических моделей агроэкосистем входной метеорологической информацией. На основе анализа литературных источников приведено описание основных блоков, составляющих архитектуру большинства подобных моделей, и содержащихся в них основных соотношений в плане определения необходимых метеорологических элементов и степени их временной дискретизации. Отмечено, что полный набор входных метеоданных, достаточный для адекватного описания продукционного процесса в рамках прикладных моделей второго уровня продуктивности, в большинстве случаев представляет собой совокупность суточных значений следующих метеоэлементов : Тга1л - минимальная (ночная) температура, Т^^ - максимальная (дневная) температура, Ш -минимальная относительная влажность, Рг - суммарное количество выпавших осадков, Q - сумма пришедшей за сутки к верхней кромке посева коротковолновой солнечной радиации, V - средняя скорость ветра.

Временной промежуток, за который задаются указанные суточные значения, определяется видом поставленной задачи. Для задач оперативного управления и прогнозирования состояния посева в течение единичного выбранного вегетационного периода (задачи пэрвого уровня временной детализации), естественно, достаточным является знание погоды в течение одного календарного года. При решении ос^ач долгосрочного планирования или статистических оценок продуктивности (задачи второго уровня временной детализации) в качестве полного набора уже необходимо понимать

представительное множество погодных сценариев, как правило, за несколько десятков лет.

Уровень временной детализации поставленной задачи определясь ' . и тип возможной неполноты исходного набора метеодашшх. Для задач первого уровня существенной трудностью при их решении часто является качественная неполнота входного набора, которая в сш?' очередь может быть разбита на два вида.

Первый . вид отвечает случаю, когда некоторые или во необходимые метеоэлементы известны с недостаточным уровнеч временной дискретизации, то есть вместо суточных значелк ■ заданными являются их некоторые интегральные статист:!:;:', . например, среднемесячные или среднедекадные значения. Второй вид качественной неполноты определяется тем, что не все из указаниях метэоэлементов бывают доступны прямому измерению на агрометеопостах. Вместо них пользователю могут быть известно данные, определяющие их косвенно '(данные о продолжительности солнечного сияния вместо актинометрических измерьний. среднесуточная температура вместо ее маргинальных значений т.д.). Иногда любые данные по тому или иному элементу просто отсутствуют.

Количественная неполнота исходной метеоинформацин возникает в задачах второго уровня временной детализации и связана обычно с тем, что 4iîcj.o фактических погодных реализаций, имеющихся з распоряжении реального пользователя, весьма невелико и не может считаться представительной выборкой для корректного релопия поставленной проблемы.

Компьютерная модель агроэкосистемы, *сок законченный программный продукт, естественно, не должна некоип образом изменяться и быть зависима от того, с какой степенью полноты имеется у пользователя входная мэтеоинформация. По.чгоку при использовании неполного набора неизбежно возникает проблема поиска алгоритмов его расширения, когда неизвестные Ееличкки загоняются их имитаторами, которые ищутся из тех или инн:: соображений. Для проверки качества восстанавливающих алгоритмов автором предложена следующая методика.

Пусть Р - реалыпгй полный нас'ор метэоданних, необходимый для

решония »¿оотеьдснное задачи с помощью модели, Р® = . £1 Р -соответствующий ему неполный набор, отвечающий исследуемому типу возможной неполноты (А - оператор усечения). Далее, пусть Р*=Л. Рв - восстановленный полный набор метеодашшх, где Л - оператор расширения, соответствующий ' выбранному алгоритму восполнения неполного набора до полного. Ясно, что Р* * Р. так как часть информации при усечении неизбежно теряется. Качество алгоритма восстановления определяется сравнением наборов Р и Р*. Критериев их близости существует бесконечное множество, но существенным является то, когда мы производим это сравнение - до или после расчетов по модели.

Сравнение наборов до расчетов, т.е. но обобщенным статистическим показателям, названо автором априорной верификацией. Сравнение модельных характеристик продукционного процесса при использовании опорного и восстановленного наборов -апостериорной верификацией. Общая схема проверки качества алгоритмов восполнения представлена на рис. 1. Анализ этой схемы позволяет заключить, что с точки зрения теории автоматического управления указанная методика представляет собой анализ чувствительности используемых моделей как объектов управления к возмущениям входного сигнала, то есть в нашем случае к неточности исходной метеоинформации.

Наконец, отмечено, что все получающиеся выводы имеют реальную значимость лишь будучи проверены на независимом материале, то есть при использовании различных моделей в качестве объектов исследования. Автор пользовался в своей работе двумя такими моделями : моделью АСИЮТООЬ, разработанной в лаборатории математического моделирования агрозкосистем АФИ и служащей (в зависимости от модификации) для описания продукционного процесса кукурузы на зерно или люцерны, и моделью БСШЖО, разработанной в Гавайском университете и служащей для описания продукционного процесса сои. В конце главы приведено их краткое описание.

Вторая глава посвящена анализу и сравнению методов развертки интегральных статистик метеоэлементов в суточные значения. Особое внимание уделено исследованию возможностей использования в моделях с суточным шагом среднедекадных значений.

р 1

Л Ра

* . априорная Рв = О Р верификация

прикладная • компьютерная модель агроэкосистеки

ппост веря

прикладная

компьютерная

модель

агроэкосистемн

О??}

Ф(Р')

Рис. 1. Схема верификации исследуемого алгоритма восстаношгаякл Л

А

Прежде всего был выяснен вопрос о степени влияния внутрндэкадноС вариабельности мэтеоэдемэнтов на модельные характеристик:; продуктивности. Рассмотрение обобщенной операторной сошки зависимости "погода-урожай" с привлечением некоторых теоретических соображений позволяет сделать вывод о том, что кусочно-постоянное по дэкадам представление временной динами® метеоэлэментов ведет к систематическому зввышвнихмодельных урожаев. Компьютерные эксперименты полностью подтверждают этот вывод.

Для более детального выяснения вопроса о влиянии внутридокадпой вариабельности погодных элементов на характеристики продукционного процесса автором проведен полная факторный эксперимент. В его ходе осуществлялись кодельвно расчеты со всеми возможными комбинациями факторов, каздай из которых варьировал на двух уровнях, отвечающих реальным значениям и кусочно-постоянной по декадам аппроксимации временного хода конкретного метеоэлемента. Получошшо результаты позволили выявить значимые эффокты раздельного и совокупного влияния внутридекадной вариабельности мэтеоэлемонтов на модельные характеристики продукционного процесса. При этом выяснилось, что фенологические характеристики (сроки наступления фенофаз)

оказываются весьма устойчивыми к данной процедуре и практически не изменяются при варьировании характера метеоусловий внутри декады. Автором предпринята попытка объяснить этот факт на основе анализа заложенных в модель определяющих соотношений.

По иному ведут себя модельные характеристики продуктивности - расчетные величины урожаев. Оказывается, что при рассмотрении нескольких сезонов вегетации как повторностей факторного эксперимента значимыми оказываются главные эффекты внутридекадной вариабельности солнечной радиации (всегда) и метеоэлементов, играющих существенную роль в лимитировании урожая рассматриваемой культуры в данном регионе. Для отдельно взятых лет значимыми оказываются и некоторые другие эффекты, не только первого, но и второго порядков.

Кроме того, исследовалась также временная динамика коэффициентов влияния указанных эффектов. Некоторые результаты приведены на рис. 2.

к

0.20 -

-0.20 -1

Месяц

Рис. 2. Годовой ход нормированного коэффициента злияния внутридекадной вариабельности ыетеоэлементов на конечный урожай.

1 - Главный эффект вариабельности солнечной радиации.

2 - Сумма всех эффектов.

-9В качестве альтернативных подходов к использованию среднеинтервалышх значений метеоэлементов автором были проанализированы алгоритмы гармонической интерполяции и рандомизации по альтернативному сценарию.

Сущность первого подхода заключается в нахождении связи между коэффициентами дискретного Фурье-разложения величин, получаемых скользящим осреднением исследуемого процесса по разным периодам. Показано, что суточные значения исследуемого элемента при применении данного подхода аппроксимируются зависимостями : 1в

Уг = А„ + £ [ А^Д.соб С (2 'И/Зб) ■ 3 • (г+5) ) +

+ [ (2 >и/36) ■ ;} ■ (г+5) ] ]

если в качестве опорных данных взяты среднедекадные значения, и б

Уг = *о + I [ А^^сов' [ (2.г/12).3.(Г+15) ] +

+ В^.Х^-вШ [ (2 'Тс/12) >3' (г+15) 1 ] ,

если использованы среднемесячные. Здесь. А^. В^ - коэффициента дискретного Фурье-разложения опорных статистик, определяемые с помощью известных формул Бесселя, а Хсм и А.сд определяются по формулам:

365<Б1П3/365)/[ 12 ■в1пГи>3/12)1 3=1,2..6

А.^ 365-Б1П(^-3/365)/[36"Б1П(1С>3/36)1 3=1,2..18 .

Примеры восстановления суточных данных температурных характеристик при использовании среднемесячных и среднедекадных статистик приведены на рис. 3, 4.

Наконец, рандомизация по альтернативному сценарию представляет собой вероятностный подход, который заключается в нахождении простейшего линейного преобразования альтернативного сценария (произвольного характерного для данной местности полного набора мотеоданных), такого, что интегральные характеристики получившегося набора оказываются равными требуемым.

Сравнение результатов апостериорной верификации изложенных алгоритмов позволяет сделать ряд выводов и рекомендаций по

--IQ-____

арим^нению тех или иных подходов к использованию интегральных статистик метеоэлементов в моделях с суточным шагом.

1. Достаточно точное воспроизведешь процесса фенологического развития растения достигается при любом описанном методе реконструкции суточных метеоданных по их среднедекадным величинам. Это имеет место даже при использовании месячных дашшх в методе гармонической интерполяции.

2. В плане соответствия получаемых величин модельных урожаев выделить среди предлагаемых методов реконструкции лучший по всем критериям не удается. Во всяком случае, можно заключить, что способ равномерной развертки среднедекадных значений в суточные ряды нэ приводит к заметному понижению точности по сравнению с более детальными методами и, в силу своей простоты, может быть рекомендован к практическому использованию.

3, В задачах первого уровня временной детализации -долгосрочного статистического оценивания урожая, включающего в себя прогон множества различных погодных сценариев, возможно использование декадао-постоянных данных по всем характеристикам погоды. Исключение составляет солнечная радиация и, возможно, те метсоэлементы, значения которых играют существенную лимитирующую роль в формировашш урожая моделируемой культуры в данном почвенно-климатическом регионе. Для этих параметров необходимо использование суточных данных.

4, При оперативном контроле в течение одного периода вегетации ( задачи второго уровня ) необходимо использование дашшх с суточным шагом. Декадно-постоянная аппроксимация возможна, без особого умаления точности, лишь в заключительные периоды фенологического развития растений.

Третья глава посвящена описанию разработанного автором генератора суточных метеоданных как . входного сигнала модели продукционного процесса. Погода рассматривается как шестимерный дискретный случайный процесс, качественные . свойства и количественные параметры которого идентифицируются по заданному ограниченному набору его фактических реализаций. Это позволяет в дальнейшем, пользуясь методами статистического моделирования, получать сколь угодно большое число имитационных сценариев.

снимая том самим проблему количественной неполноты исходной метеоинформации. Остановимся на основных особенностях указанной процедуры.

Генерация количества выпавших осадков разбивается на два этапа : определение самого факта наличия или отсутствия осадков в данный день и, при условии, что данный день полагается "влажным", моделирование количества выпадающих осадков. Для решения первого вопроса факт наличия или отсутствия осадков рассматривается как одношаговый марковский процесс с двумя состояниями и вероятностями перохода, которые идентифицируются по фактическим реализациям. При вычислении количества выпавших во "влажный" день осадков автор пользовался гипотезой о том, что вероятностное поведение этой величины подчиняется распределению Вейбулла. Причем им был предложен новый подход к идентификация параметров этого распределения по фактическим реализациям. Он отличается от общепринятого метода моментов тем, что в качестве сравниваемых теоретических и выборочных показателей выбираются но центральные моменты, а порядковые статистики.

Вектор коррелирующих можду собой центрированных нормированных значений температурных характеристик, влажности и солнечной радиации моделируется с помощью формирующего фильтра вида :

х(1+1) = А.х(1) + В-е(1)

где А, В - матрицы размера 4»4, е - дискретный белый шум. Подобный, вид формирующего фильтра обуславливается следующим представленном корреляционной матрицы иссслодуемого процесса:

г ь «1*1 Ьт при К>0

1Ю|<1

. I <Зт1к1 Ьт при к<0

Это представление аналогично утверждшшю о том, что корреляция двух метеоэлементов, входящих в х(1) и взятых в разные дни, экспоненциально убывает с увеличением временного промежутка между датами их наблюдения. При этом матрица 0 отвечает за корреляцию элементов, взятых в различные дни, а Ь>ЬТ- матрица корреляции между различными метеоэлементами, наблюдаемыми

одновременно.

Пересчет центрироваищх нормированных значений метооэлементов в истинные осуществляется с помощью стандартных процедур. Временная динамика средних значений и дисперсий метеорологических элементов описывается гармоническими законами, с параметрами, идентифицируемыми отдельно для дней с осадками и без осадков.

Как априорная верификация (сравнение реальных и сгенерированных реализаций по агроклиматическим показателям), так и апостериорная верификация (проверка гипотез о принадлежности двух выборок - модельных урожаев при реальной и сгенерированной погодах одной генеральной совокупности) свидетельствуют о высокой степени согласия результатов моделирования и реального погодного процесса. Это дает возможность использовать построенный генератор для решения самых разнообразных задач.

В четвертой главе рассматриваются вопросы определения суточных значений метеоэлементов по неадекватно определяющим данным. В частности, автором предложен алгоритм поиска маргинальных (максимальных и минимальных) величин температуры по ее среднесуточному значению. Метод, представляющий аналог подхода максимального правдоподобия, основан на максимизации совместной плотности вероятности наблюдения двух искомых случайных величин, при условии того, что их полусумма является заданной. Показано, что в предположении о том, что маргинальные величины температур описываются нормальным законом распределения, они, согласно излагаемому подходу, определяются из среднесуточного значения по формулам :

2-0? в? ча, - 6%'П

Т»«- = о-Ц- ■ Т. 1

га1п 0^+0% а7е £ * 4

Т = —-• Т

2„ . ,|п2 ' ,га1

О? * 4 а'е о^ ♦ о2, где ш1> п^, о1> а2 - математические ожидания и дисперсии минимальной и максимальной температуры, которые зависят от номера дня. Полученные зависимости представляют собой линейные регрессионные соотношения с меняющимися во времени

коэффициентами. которые выражаются через имеющие прозрачный смысл статистические характеристики. Последние легко идентифицируются по фактическим реализациям. Априорная и апостериорная верификация демонстрируют хорошую степень согласия опорных и восстоювлошшх данных.

Другой рассматриваемой задачей было восстановлен!"* донных о минимальной относительной влажности воздуха по температуряш; характеристикам. Показано, что использование определенных допущений о характере суточного хода температур и влягосодержания воздуха приводит к возможности искать имитационное значение минимальной относительной влажности в виде :

или

w _ „ - 17.27'Tmln \ / г 17 .27 -Ттах .

V = Cf • ехр ( Tmln +' 235' ) / ехР 1 üma.4 +~235~ )

Н - отг, f 17.27 w , 17 .27 "Tmax > К - ехр ( -ТУ + 23Г" ) / е2Р I " Тт.ч^ "235' где коэффициент редукции Cj или температура точки росы Т,, определяются по уравнению множественной линейной регрессий через Т т

Априорная верификация не позволяет сделать вывод о удовлетворительном согласии реальных и восстановленных данных, что, впрочем, неудивительно. Трудно было ожидать приемлемых результатов в задаче восстановления неизвестных значений метеорологического элемента через величины иной физической природы. Однако результаты апостериорной верификации оказываются гораздо балов обнадеживающими, и согласно между рядами onopmi;: (соответствующих реальным ' значениям W) и проверочных (соответствующих рассчитанным значениям W) урожаев весьма высоко. Это свидетельствует о высокой степени устойчивости используемых прикладных моделой к данному классу' возмущений входных значений минимальной относительной влажности.

Наконец, основное внимание уделяется в главе методам восстановления данных о солнечной радиации по гилиогрофическим измерениям - сведениям о количестве часов прямого солнечного свечения. В работе предложен новый подход к поиску связи между этими двумя величинами, базирующийся на рассмотрении облачности в течение дня как случайного процесса. Облачность, согласно так

називаемой "Evvltch 011 - ofí''-птотвзэ, описывается как марковский процесс с двумя состояниями в непрерывном времени £ít). Стохастические свойства такого процесса в полю определяются заданием временной динамики интенсивностей переходов из одного состояния в другое. Тогда легко показать, что искомая зависимость Kex(RBÍ) определяется как :

Кех = И <\\ Х1 = Rsí >

Здесь Кех - коэффициент ослабления солнечной радиации

(отношение фактически пришедшей за сутки к подстилающей поверхности КВР к ее максимально возможному значению в безоблачный день), Rsf - относительная длительность солнечного сияния (доля часов прямого свечения Солнца от длины дня), а Х^, Xg представляют собой интегралы функций случайных величин, связанных в марковскую цепь :•

N/2

Xt = 1Г1./ Ut)>dt -К/2

tí/2 N/2

Xg = CJ q0(t)-dt]_1 J { tl-Kd(t)J .qQ(t).Ut) + -N/2 -N/2

+ Kd(t) -^(t) > «dt где q0(t) = qQ( sin (hs) ) - интенсивность суммарной радиации, вычисляемая по формуле М.Е. Берлянда, Kd(t) = Кд( sin (hg) ) .отношение интейсивностей рассеянной суммарной радиации, hs -высота Солтда, N - длина дня.

Виды зависимостей K^fRgj), получаемых при различ1шх простейших предположениях о свойствах процесса £(t), приведены на рис. 5. Детальный анализ указанного алгоритма позволяет выявить условия, при которых линейная аппроксимация указанной зависимости (формула Савинова-Онгстрема) может считаться корректной и определить физический смысл входящих в нее коэффициентов.

Наряду с изложением собственного оригинального подхода в работе приведен также широкий обзор других существующих методов (формула Сивкова, формула Спиттерса и др. ) и проведен их сравнительный анализ по результатам априорной и апостериорной верификации.

Рис. 5. Зависимости коэффициента ослабления солнечной радиации от относительной длительности солнечного сияния

В пятой главе освещены вопросы программной реализации исследуемых алгоритмов и приведет демонстрационные примеры компьютерных экспериментов с генератором суточных метеодашшх, гдо показана возможность его использования для решонкя разнообразных задач прогностического плана. Отмечено, что процедуры статистической обработки исходной метеоинформацип, идентификации параметров погоды как случайного процесса, генерации произвольного числа имитационных метеосценариев я алгоритмы восполнения неполноты имеющегося набора метеодашшх оформлены в рамках общесистемной части модели продукционного процесса. Она представляет собой отдельный компьютерный модуль, не связанный напрямую с моделью и служащий для организации хранения, предварительной обработки и подготовки экспериментальной информации, . необходимой для ее настройки и функционирования. Подробно описана архитектура программного комплекса.

В качестве примера использования генератора суточных метеоданных в задачах оперативного прогнозирования состояния

агрозкосистемы, автором была реализована процедура динамического прогноза продуктивности. Генератор давт возможность иметь в наличии сколь угодно большое число модельных сценариев, начиная с произвольного момента времени. Это позволяет на любом этапе фонологического развития получать вероятностную оценку величины ожидаемого урожая путем расчетов модели с "веером'' имитационных реализаций, понимаемых как будущая динамика погодных условий. При этом корреляционные свойства алгоритма моделирования позволяют "сшивать" будущее состояние погоды с погодой, реально имеющей место до момента прогноза, что резко повышает его качество.

Применение генератора суточных метеодашшх в задачах до-шюсрочного планирования иллюстрируется в работе процедурой оценки влияния изменений климата на продуктивность сельскохозяйственных культур. Получение погодных реализаций, соответствующих возмущенному состоянию климата относительно существующих условий, достигается путем изменения в нужную сторону необходимых для моделирования статистических характеристик погоды, идентифицированных по ее фактическим реализациям. Подобный подход позволяет исследовать чувствительность агроэкосистемы на изменение не только средних значений метеоэлемептов, но и их стандартных отклонений, корреляционных связей между ними и т.д. В работе, в честности, проведено сравнение изменений продуктивности кукурузы, вызываемое как увеличением (уменьшением) количества выпадающих осадков, так и изменением устойчивости характера их выпадения при сохранении среднегодовым количеством постоянного значения. Показано, что последствия подобных качественно различных' изменений климата могут оказывать вполне одинаковое по мощности влияние на модельную продуктивность агроэкосистемы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Разработана и апробирована методика проверки возможности использования в качестве входного сигнала прикладных динамических моделей агроакосистем неполного набора входных метеоднных н адекватности алгоритмов его восстановления.

2. Проведен комплексный ■ анализ влияния на модельные

характеристики продукционного процесса внутридекадной вариабельности различных метеоэлементов. Показана допустимость использования кусочно-постоянной по декаде аппроксимации входных метеоданшх для описания процессов фенологического развития растений.

3. Проведено сравнение различных алгоритмов использования сродподокадпых значений метеорологических элементов в моделях с суточным шах-ом (кусочно-постоянная по декаде аппроксимация временного хода, гармоническая интерполяция, рандомизация по альтернативному сценарии). Выявлены границы применимости указанных подходов.

4. Разработана система для генерации погодных сценариев, тшочощоя в себя процедуры идентификации параметров погода для данной местности как случайного процесса по ее предыдущим фактическим реализациям и стохастический генератор суточных мотеодатшх.

5. Исследованы алгоритмы восстановлсяшя маргинальных суточных значений Температуры воздуха по ее среднесуточному значению и величин минимальной относительной влажности но температурным характеристикам. Проведен анализ корректности предложенных алгоритмов в плане сохранения точности используемых моделей.

6. Дан обзор существуювцга методов оценки дневных суш поступившей к верхней кромке посева коротковолновой радиации по данным гелиографических измерений. Предножен новый метод, базирующийся на рассмотрения суточной динамики облачности как случайного процесса. Проведен сравнительный 'анализ рассмотренных подходов.

7. В рамках общесистемной части модели продукционного процесса "БШГ программно реализованы процедуры статистической обработки метеоинформации и система для генерации произвольного числа имитационных погодных сценариев.

8. Продемонстрированы варианты использования разработанного и программно реализованного. автором генератора суточных метеоданных для решения практических задач оперативного и долгосрочного планирования, таких как:

- осуществление вероятностного, динамически уточняющегося п течение сезона вегетации, нрогноза величины ожидаемого урожая;

- оценка влияния возможных изменений климата на продуктивность агровкосистем.

Основные результаты диссертации отражены в следующих, опубликованных работах :

1. Полуактов P.A., Василенко Г.В., Опарина И.В., Топаж Л.Г. Компьютерная система поддержки решений при угграилешш агровкологическиш системами // Информатика и вычислительная техника. 1993. № 1-2. С. 99 - 103.

2. Тонаж А. Г. Моделирование суточных метеодашшх как входного .сигнала модели продукционного процесса // Сб. науч. тр. / Почва и растение - процессы и модели. СПб: АФИ, 1992. С. 79-Ü6.

3. Топаж А.Г. Метода вычисления коэффициента ослабления солнечой радиации по неадекватно определяющим данным. // Тезисы докладов международной конференции "Моделирование систем и процессов в отраслях АПК". СПб, АФИ,. 22 - 26 ноября 1993. С. 184-185.

4. Топаж А.Г. Об оценке суточных сумм приходящей'солнечной радиации по данным гвлиографических измерений. // Деп. ВПИШИ агропром, 1994. № 94 ВС-94. 13 с.

5. Топаж А.Г. Использование кусочно-постоянной но декаде аппроксимации входных метеоданных в прикладных динамических моделях продукциопюго процесса. // Деп. ВПИИТЭИ агропром, 1994. J® 95 ВС-94. 14 с.