Бесплатный автореферат и диссертация по сельскому хозяйству на тему
Информационное обеспечение динамических моделей зерновых культур
ВАК РФ 06.01.03, Агропочвоведение и агрофизика
Автореферат диссертации по теме "Информационное обеспечение динамических моделей зерновых культур"
На правах рукописи
БАКАЛЕНКО Борис Иванович
ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ДИНАМИЧЕСКИХ МОДЕЛЕЙ ЗЕРНОВЫХ КУЛЬТУР
Специальность 06.01.03 - агропочвоведение, агрофизика
АВТОРЕФЕРАТ
диссертации на соискание ученой степени кандидата технических наук
Санкт-Петербург 2009
1 о оез
003462140
Работа выполнена в лаборатории математического моделирования агроэкосистем Агрофизического научно-исследовательского института (ГНУ АФИ Россельхозакадемии).
НАУЧНЫЕ РУКОВОДИТЕЛИ:
Заслуженный деятель науки РФ, доктор технических наук, профессор
Ратмир Александрович Полуэктов;
Заслуженный деятель науки РФ, доктор сельскохозяйственных наук, профессор
| Александр Мнронович Глобус
ОФИЦИАЛЬНЫЕ ОППОНЕНТЫ:
доктор технических наук Владимир Львович Баденко; кандидат технических наук Сергей Петрович Савватеев
ВЕДУЩАЯ ОРГАНИЗАЦИЯ: Центр междисциплинарных исследований по проблемам
окружающей среды РАН (ИНЭНКО РАН).
Защита состоится « Л » марта 2009 г. в часов на заседании диссертационного совета Д 006.001.01 при Агрофизическом научно-исследовательском институте по адресу: 195220, г. Санкт-Петербург, Гражданский пр., д. 14.
С диссертацией можно ознакомиться в библиотеке Агрофизического научно-исследовательского института.
Отзывы в двух экземплярах, заверенные гербовой печатью организации, просим направлять по адресу: 195220, г. Санкт-Петербург, Гражданский пр., д. 14.
Ученый секретарь диссертационного совета,
Автореферат разослан » «февраля» 2009 г.
доктор биологических наук
Е.В. Канаш
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы
Принятие решений в любой области деятельности человека основано на прогнозировании их ближайших и отдаленных последствий. Не является исключением и сельское хозяйство. И если ранее, в период экстенсивного ведения сельского хозяйства, для принятия решений было достаточно опираться на интуицию агронома и некоторые качественные рекомендации, то на современном этапе - этого уже явно недостаточно. Появившиеся в последние годы требования экологической допустимости земледелия и наиболее эффективного использования природных ресурсов предполагают развитие принципиально нового подхода. Это стало еще более очевидным, когда появилась методология т.н. точного земледелия {precision agriculture). Как показала практика земледелия, этот новый подход должен быть связан с использованием информационных технологий и их интеллектуального ядра- динамических моделей продукционного процесса растений. Только динамические модели, обладающие свойством экстраполяции, могут обеспечить решение прогнозных задач с заданной точностью. При этом под прогнозированием понимается сужение области возможных исходов (разброса величин урожая, сроков достижения полной спелости растений и др.) по сравнению с априорной величиной этой области, определяемой колебанием погодных условий и других случайных факторов, характерных для данной почвенно-климатической зоны. Появление и совершенствование высокопроизводительных персональных компьютеров создало надежную техническую базу для разработки достаточно сложных моделей. Все сказанное свидетельствует об актуальности задачи диссертации, посвященной исследованию динамических моделей формирования урожая зерновых культур и разработке информационного обеспечения этих моделей.
Цель работы и задачи
Целью настоящей работы является исследование динамических моделей продукционного процесса зерновых культур в рамках системы имитационного моделирования AGROTOOL, v.3, усовершенствование и адаптация этой системы для ее дальнейшего использования при обосновании принимаемых агротехнологических решений, в том числе и для решения ряда прогнозных задач.
Для достижения указанной цели были поставлены и решены следующие задачи:
- исследовать чувствительность динамических моделей, входящих в систему AGROTOOL, v.3 и выработать на этой основе комплекс требований к информационному обеспечению моделей нового поколения;
- создать новую структуру информационного обеспечения моделей, включающую стационарную и оперативную базы данных (СБД и ОБД), а также интерфейс пользователя;
- разработать методы прогнозирования темпов развития растений и оперативного прогнозирования урожая;
- применить разработанные методы к решению конкретных технологических задач (расчет прибавки урожая от различных доз минеральных удобрений, расчет оптимальных доз азотных подкормок).
Методы исследований
В проведенных исследованиях использованы методы математического моделирования, математической статистики, теоретической и прикладной информатики, а также теории управления.
Научная новизна работы
Результаты исследования чувствительности моделей к входным данным являются новыми, т.к. ранее подобных всесторонних исследований не проводилось. Полученные в результате этого исследования выводы позволили автору обоснованно разработать систему информационной поддержки моделей и, в частности, создать принципиально новую базу данных длительного хранения. В работе введено новое понятие качества прогноза и предложен количественный критерий качества прогноза-Forecast Quality Index (FQI). Это понятие в литературе ранее не встречалось.
Теоретическая и практическая значимость
Ряд результатов диссертационной работы имеет теоретическую и практическую ценность. Теоретической значимостью обладает структура информационного обеспечения процесса имитационного моделирования, поскольку она универсальна и может быть использована во многих других приложениях агропочвовсдения и агрофизики (в частности, - в системах экспертного типа). Результаты проведенного исследования чувствительности моделей и обоснование понятия качества прогноза также представляют несомненную теоретическую ценность, поскольку эти результаты выходят за рамки тематики диссертационной работы. В частности, весьма интересным является факт, что модели обладают максимальной чувствительностью к варьированию наименьшей влагоемкости почвы (НВ) и минимальной
чувствительностью к изменчивости максимальной гигроскопичности почвы (МГ).
Методы долгосрочного и оперативного прогнозирования продукционного процесса посевов зерновых культур (в частности, - темпов развития растений и величины урожая) имеют практическое значение, т.к. данные методы могут быть непосредственно использованы в автоматизированных системах поддержки агротехнологических решений.
Апробация и реализация результатов исследования
Основные результаты работы были представлены и получили одобрение: на семинарах лаборатории математического моделирования агроэкосистем и научных сессиях ГНУ АФИ Россельхозакадемии; докладывались на 10-ой Пущинской школе-конференции молодых ученых "БИОЛОГИЯ - НАУКА XXI ВЕКА". (Пущино-на-Оке, 2006 г.), на V съезде Общества почвоведов им. В.В. Докучаева (Ростов-на-Дону, 2008 г.). Полученные результаты были использованы при составлении заявки на конкурс грантов Правительства Санкт-Петербурга, в котором автор диссертационного исследования был удостоен диплома победителя.
Основное содержание результатов диссертации опубликовано в пяти работах, из которых четыре - в рецензируемых журналах.
Структура и объем работы
Работа изложена на 171 странице, содержит 30 рисунков, 29 таблиц. Список литературы включает 131 наименования. Приложение представлено на 17 страницах.
Основное содержание работы:
Работа состоит из введения, четырех глав и приложения. В первой главе содержится вводная часть и обзор литературы. Содержательная часть работы приводится во второй, третьей и четвертой главах. В них излагаются положения, выносимые на защиту, они таковы:
1. Результаты исследования чувствительности динамических моделей семейства АСЯОТООЬ, у.З, в форме оценки влияния отдельных факторов стресса растений и почвенно-гидрологических параметров на различные показатели продукционного процесса зерновых культур. 1.1. Чувствительность к параметрам функции стресса Влияние водного стресса на расчетную продуктивность проявляется трояко. Во-первых, - это уменьшение интенсивности фотосинтеза за счет закрытия устьиц в процессе иссушения почвы. Во-вторых, - это изменение
темпов развития (и, следовательно, сроков наступления фенофаз, включая полное созревание растений). Наконец, третьим фактором изменения продуктивности посева является непосредственное влияние влаги на значение суточной величины фотосинтеза.
Первая причина варьирования продуктивности посева сводится к изменению сопротивления устьиц и, следовательно, интенсивности фотосинтеза под действием потенциала влаги в листьях, зависящего, в свою очередь, от водного статуса почвы. Поскольку устьичное сопротивление входит в качестве слагаемого в суммарное сопротивление потоку углекислого газа из атмосферы в межклетник, то это непосредственно влияет на газообмен посева и, таким образом, на интенсивность фотосинтеза.
Вторым фактором, влияющим на продуктивность посева, является зависимость биологического времени от водного статуса почвы. Водный дефицит на разных фенологических фазах может приводить либо к ускорению, либо к замедлению развития растений. В зависимости от этого значение функции стресса растений по влаге может быть меньше или больше единицы.
Наконец, третьим фактором изменения продуктивности посева является непосредственное влияние влаги на фотосинтез. Рассчитанное значение растительной биомассы будет совпадать с реальным лишь в идеальном случае. Для получения реалистичного результата это значение следует скорректировать с использованием той или иной экспериментальной информации. Минимальные урожаи получаются в засушливые или переувлажненные годы, а максимальная продуктивность посева достигается в комфортных по влагообеспеченности сезонах. Это отражается и на темпах накопления сухой растительной биомассы. Для учета этих обстоятельств используется специальная функция, рассчитываемая на каждом временном шаге имитационного моделирования. Аргумент этой функции представляет собой отношение суммы осадков, выпавших до текущего дня счета модели, к суммарной эвапотранспирации за тот же период. Эта величина и использована в качестве аргумента функции стресса растений по влаге.
Сама функция стресса аппроксимирована полиномами третьей степени с неизвестными параметрами, значения которых определены в процессе идентификации модели. Именно эта функция и позволяет учесть влияние условий увлажнения в явном виде.
Для исследования влияния различного рода стрессов был организован следующий компьютерный эксперимент. Условие наличия стресса формулируется равенством нулю определенной функции в наборе исходных данных модели. Если эта функция принимает значение 1, то стресс исключен
из рассмотрения. Так, например, отсутствие стресса растений по влаге на устьичную регуляцию означает, что устьица будут открыты полностью независимо от потенциала влаги в листьях. Для исключения влияния стресса растений по влаге на их развитие соответствующей функции присвоим значение 1. Наконец, для исключения влияния стресса на продуктивность посева данной функции также присвоим значение 1. В таком случае полный факторный эксперимент 23 будет выглядеть так, как это показано в таблице 1.1.1. При этом показатели различных лет будут выступать в качестве повторностей вычислительного (компьютерного) эксперимента. В частности, в данном случае использованы результаты модельных расчетов для Саратовской области за 12 лет: 1972-1979 гг. и 1987-1990 гг.
В связи с тем, что анализируемые факторы носят качественный характер (наличие стресса или его отсутствие), единственным методом, позволяющим оценить влияние рассматриваемых факторов, является дисперсионный анализ.
Таблица 1.1.1. Схема полного факторного эксперимента
№№ вариантов Сопротивлен ие устьиц, фактор А Темпы развития, фактор В Продуктивность, фактор С
1 0 0 0
2 1 0 0
3 0 1 0
4 0 0 1
5 1 1 0
6 1 0 1
7 0 1 1
8 1 1 1
Таблица 1.1.2. Взаимное влияние факторов на продуктивность посева
Факторы и их сочетания Сумма квадратов БР Средние квадраты Р оГ Г (значимость)
А 134,900 1 134,900 0,692 0,408
В 59,220 1 59,220 0,304 0,583
С 6626,727 1 6626,727 33,975 0
АХВ 0,350 1 0,350 0,002 0,966
А X С 31,282 1 31,282 0,160 0,690
ВХС 8,640 1 8,640 0,044 0,834
А X В X С 0,427 1 0,427 0,002 0,963
Ошибки 17163,943 88 195,045
Факторы и их сочетания Сумма квадратов DF Средний квадрат F Sig ofF (значимость)
А 0,042 1 0,042 0 0,982
В 80,667 1 80,667 0,943 0,334
С 0,042 1 0,042 0 0,982
АХВ 0,042 1 0,042 0 0,982
А X С 0,000 1 0,000 0 1
ВХС 0,042 1 0,042 0 0,982
А X В X С 0 1 0 0 1
Ошибки 7528,500 8 85,551
Примечание: А - фактор, отражающий влияние водного режима на устьичную регуляцию;
В - фактор, отражающий влияние стресса по влаге на темпы фенологического развития;
С — стресс, отражающий влияние режима осадков и транспирации на продуктивность посева.
Из таблицы 1.1.2 видно, что факторы А и С оказались статистически значимыми. Что касается сочетаний факторов, то здесь не выявлено достоверных эффектов. В случае рассмотрения влияния рассматриваемых факторов на сроки созревания выделяется фактор В, а парные и тройные эффекты оказываются незначимыми. Полученные результаты являются основой для выработки требований к точности определения тех или иных функций стресса растений. При оценке влияния стрессов на сроки созревания зерна и, соответственно, на сроки уборки урожая основное внимание должно быть сосредоточено на определении параметров, управляющих темпами развития, что вполне естественно. При оценке же функций стресса на урожай важна точность описания влияния режима осадков и транспирации. Это вполне естественно для Саратовской области, где доступная для растений влага является основным лимитирующим фактором.
1.2. Чувствительность к почвенно-гидрологическим параметрам
Реализованные в виде программного кода динамические модели продукционного процесса сельскохозяйственных растений сами по себе представляют не более, чем формализованный алгоритм рекуррентного пошагового пересчета вектора состояния динамических характеристик агроэкосистем.
Если обозначить через х(к) вектор переменных состояния системы на к-и шаге (даже для сравнительно простых моделей размерность вектора х может
приближаться к нескольким десяткам), то создание модели эквивалентно определению эволюционного оператора/•
х(к + 1) = Я(х(к),аМк),и(к)), х(0)=хо, к = 0,1,...,Г, (1.2.1)
где к- номер шага счета; х(к), х(к+1) - векторы состояния модели на двух соседних шагах; а — вектор статических параметров модели; и>(к) - вектор неконтролируемых внешних воздействий (погода); и(к) - вектор управляющих воздействий (агротехника); х0— начальное условие; Т- время окончания процесса имитационного моделирования, обычно совпадающее с датой уборки урожая. Расчет по модели производят путем многократного применения оператора / к вектору начального состояния и наблюдения эволюции исследуемой системы во времени. Для счета модели задают значения вектора параметров, внешние воздействия (или их параметры) и начальное состояние системы. К переменным состояния относятся значения температуры и влажности почвенных слоев, биомасса отдельных органов растения и др. В качестве неконтролируемых внешних воздействий в модели выступают суточные погодные данные. А под контролируемыми воздействиями понимаются величины, характеризующие агротехнологию, такие как сроки и нормы высева, даты и дозы внесения удобрений, сроки и нормы полива и др.
Программная реализация модели содержит определенный набор величин (параметров модели), численные значения которых а'рпоп неизвестны и должны быть оценены на основании экспериментальных данных в процессе идентификации модели. Для того, чтобы выяснить требования к точности определения исходных данных, необходим предварительный анализ чувствительности модели к варьированию этих величин. В проведенном исследовании предполагалось, что модель прошла стадию идентификации, т.е. составляющие вектора параметров а (уравнение 1.2.1) были известны.
Все составляющие этого вектора, как правило, определяются в условиях лабораторного и/или полевого экспериментов, которые нередко бывают трудоемкими и дорогостоящими. При этом возникает вопрос о требуемой точности определения параметров. Эта задача может быть решена путем исследования чувствительности модели к колебаниям той или иной составляющей вектора а. Если какой-либо из выходных переменных модели, например, урожай или вынос нитратов за пределы расчетного слоя почвы значительно изменяется (даже при малом варьировании параметра), то к точности определения этого параметра должны предъявляться особые требования. Напротив, при незначительном изменении выхода модели при варьировании данного параметра он может быть оценен приближенно. Обозначим эту варьируемую составляющую вектора а через а. Тогда этот вектор преобразуется к виду
а
где а' - вектор, включающий все остальные, т.е. неизменяемые параметры. В таком случае уравнения модели (1.2.1) переписываются в виде:
х((к+\),а) = /(х(к,аи<хМк)Лк)) д:(0)=х0(а), ¿=0,1.....Г, (1.2.2)
поскольку в общем случае от варьируемого параметра может зависеть начальное условие модели. Обычно параметры входят в уравнение нелинейно. Поэтому для исследования зависимости поведения модели от колебания параметра (вблизи его некоторого значения) уравнения (1.2.2) можно линеаризовать. Дифференцируя обе части равенства (1.2.2) по параметру а, получим:
у(* + 1,в)=Ху(*,ог)+|£ = к=0,1.....Т (1.2.3)
где =
Последние соотношения называются уравнениями чувствительности Они, как очевидно, являются линейными. Однако для реального вычисления функций чувствительности необходимо иметь решение исходной системы (1.2.1) при базовом значении параметра а. В качестве примера, иллюстрирующего понятие чувствительности, на рис. 1.2.1 и 1.2.2 приведены траектории модели при варьировании одного из почвенно-гидрологических параметров, а именно - наименьшей влагоемкости почвы (НВ). Данные на графиках относятся к модели ярового ячменя, выращенного 1986 году в семипольном севообороте на Меньковской опытной станции (МОС) ГНУ АФИ Россельхозакадемии (Гатчинский район Ленинградской области, 59°25'22" с. ш. 30°01'55" в. д.). Траектории соответствуют значениям НВ, равным 0.25 см3/см3 в слое почвы 0-20 см и 0.18см3/см3 в слое 20-100 см (базовый вариант) и ее значению, измененному на ± 10% для расчета динамики почвенной влаги и увеличенному на 10% для моделирования динамики биомассы органов растения. Из рис. 1.2.1 видно, что увеличение НВ приводит к росту влагозапаса в метровом слое почвы в течение всего вегетационного периода, а уменьшение этого параметра приводит к уменьшению влагозапаса в начальный период вегетации, которое постепенно сглаживается к концу этого периода и даже превосходит базовое значение. При увеличении НВ (рис. 1.2.2) заметно уменьшаются только биомасса стеблей и зерна.
В компьютерном эксперименте функции чувствительности могут быть получены при многократном прогоне модели при различных значениях варьируемого параметра. При этом нередко интерес представляет не вся траектория модели, а значения некоторых основных показателей в конечный момент времени Т, т.е. в момент полного созревания урожая: у{Т,а). Поскольку в главе исследуется чувствительность компьютерной версии модели, производные в соотношении (1.2.3) должны быть заменены конечными приращениями. Так что вместо у(7*,а) будут вычисляться величины, характеризующие относительные приращения:
Ах _ g А а
.Хл ап
(1.2.4)
где х— произвольная характеристика посева, в которой может выступать урожай или другая составляющая модели; ха и «о- базовые значения исследуемой переменной и параметра, А а - приращение (положительное или отрицательное) параметра; Ах- изменение исследуемой величины, вызванное варьированием параметра а. Именно безразмерный коэффициент 5 и характеризует чувствительность наиболее полно. Оценка чувствительности, обосновывает требования к необходимой точности того или иного параметра. Из соотношения (1.2.4) ясно, что чем больше окажется значение показателя тем более жесткие требование предъявляются к точности параметра а. Если задаться определенной границей по точности расчета переменной х в модели, например 10%, то легко вычислить требуемую точность параметра:
Аатя, 0.1
= Т (1-2-5)
Все компьютерные эксперименты выполнены в системе имитационного моделирования А СКОТООЬ, у.З.
"вое
га Ы0) 5
хм | m |
№S |
о
Кй
Дни от момента сева
Рис. 1.2.1. Влияние изменения НВ на растительную биомассу:
1 - суммарная биомасса;
2 - биомасса стеблей;
3 - биомасса зерна;
4 - биомасса листьев;
5 - биомасса корней;
5* - биомасса, полученная при увеличении НВ на 10%.
Дни от момента сева
Рис. 1.2.2. Влияние изменения НВ на динамику влагозапаса почвы:
1 - влагозапас при НВ, увеличенном на 10%;
2 - влагозапас при неизменённом значении НВ;
3 - влагозапас при НВ, уменьшенном на 10%.
При моделировании водного режима в агроэкосистеме почва описана как среда, неоднородная по своим гидрофизическим свойствам. В
рассматриваемой части почвенного профиля (0-100 см) выделены пахотный (0-20 см) и подпахотные (20-100 см) слои, каждый из которых характеризуется своими почвенно-гидрологическими параметрами, такими как: максимальная гигроскопичность (МГ), влажность завядания (ВЗ), наименьшая и полная влагоемкость (НВ и ПВ). Через них, может быть выражена зависимость между капиллярно-сорбционным потенциалом почвенной влаги Р и объемной влажностью почвы в. Эта зависимость называется основной гидрофизической характеристикой (ОГХ) почвы. Принятая в модели зависимость имеет следующий вид:
в(Р) = мг +- пв-мг
0(п М1 1Ц-р]Г (1.2.6)
где а и Ъ - эмпирические константы. Отметим, что это соотношение с точностью до обозначений совпадает с формулой ван Генухтена (с коэффициентом т = 1). Показатели МГ и ПВ входят в соотношение (1.2.6) непосредственно, а две эмпирические константы а и Ь определяются по значениям ВЗ и НВ.
Рис 1.2.3. Влияние изменения почвенно-гидрологических параметров на ОГХ.
1- исходные параметры;
2- измененный параметр НВ+10%;
3- измененный параметр ВЗ+10%;
4- измененный параметр МГ+10%;
5- измененный параметр ПВ+10%.
0.1 0,2 0,3 0,4 0,5
Объемная влажность почвы. см3/с!^
До проведения компьютерного эксперимента предварительно исследовано влияние выделенных параметров на вид ОГХ. Действительно, именно положение и форма кривой ОГХ, а также отчасти связанная с нею (в данном контексте - неявно) функция влагопроводности и определяют динамику почвенного влагозапаса, а также динамику апертуры устьиц,
влияющую на весь ход продукционного процесса растении и величину конечного урожая. Вид зависимости между капиллярно-сорбционным потенциалом почвенной влаги Р и объемной влажностью почвы в при различных значениях почвенно-гидрологических параметров приведен на рис. 1.2.3. Как видно из рисунка, только при увеличении НВ кривая ОГХ смещается вверх по сравнению с исходной при всех значениях объемной влажности почвы. При увеличении ВЗ измененная кривая проходит выше исходной (для низких значений влажности почвы) и располагается ниже исходной (для высоких значений влажности почвы). При увеличении ПВ картина становится обратной, а при варьировании МГ вид кривой ОГХ практически не изменяется. Эти закономерности будут использованы при объяснении вида функций чувствительности.
Сформулируем конкретную задачу: исследовать чувствительность выходного показателя системы имитационного моделирования АОЮТООЬ, \'.3 - урожая- к варьированию четырех почвенно-гидрологических параметров: МГ, ВЗ, НВ и ПВ. В качестве виртуального полигона выберем динамические модели, идентифицированные по данным многолетнего полевого опыта, проводимого на МОС в семипольном севообороте с 1982 года по настоящее время. Объектом исследования являются зерновые культуры - яровой ячмень и озимая рожь. Для включения в компьютерный эксперимент были выбраны по шесть сезонов вегетации из всех лет для каждой культуры, а именно: по два года с высоким урожаем, два года со средним и два года с низким урожаем. Результаты расчета относительного коэффициента чувствительности 5 (см. соотношение (1.2.4) приведены в таблицах 1.2.1 и 1.2.2.
Таблица 1.2.1. Коэффициенты чувствительности модели ярового ячменя при различных базовых уровнях урожая
Урожай МГ ВЗ НВ ПВ
35.18 -0.041 -0.291 -1.19 -0.012
28.57 0.003 0.031 -0.20 -0.003
23.42 0.000 -0.017 -0.89 -0.003
Срзнач -0.013 -0.095 -0.825 -0.006
Макс 0.007 0.111 0.083 0.077
Мин -0.096 -0.515 -5.910 -0.411
Таблица 1.2.2. Коэффициенты чувствительности модели озимой ржи при различных базовых уровнях урожая
Урожай МГ ВЗ НВ ПВ
37,56 0.068 0.005 0.074 0.033
32,32 0.015 -0.156 -0.220 -0.285
23,19 0.058 -0.0702 1.061 0.037
Ср. знач. 0.047 -0.074 0.305 -0.070
Макс. 0.231 0.230 1.863 0.148
Мин. -0.16 -0.395 -0.725 -0.985
Первые три строки обеих таблиц содержат средние за два года значения урожая и соответствующие им усредненные значения коэффициента чувствительности. Последующие строки содержат среднее
(Ср. знач.), максимальное (Макс.) и минимальное (Мин.) значения S по всем шести вариантам.
Прежде всего, рассмотрим результаты исследования чувствительности модели ярового ячменя. Как видно из таблицы 1.2.1, модель наименее чувствительна к варьированию МГ. Коэффициенты чувствительности для ВЗ и ПВ на порядок выше, чем эти же значения для МГ. Коэффициент чувствительности принимает наибольшее значение при варьировании HB (нас, разумеется, интересуют абсолютные значения коэффициента). Это означает, что к определению HB должны быть предъявлены значительно более высокие требования, чем к определению остальных почвенно-гидрологических параметров. Существует и еще одна закономерность. Коэффициент чувствительности оказывается тем большим, чем больше урожайность культуры в данном сезоне. Некоторым исключением из этого правила является параметр наименьшей влагоемкости, для которого минимальной оказывается чувствительность при средней урожайности.
Закономерности изменения коэффициентов чувствительности для модели озимой пшеницы являются примерно такими же, что и для модели ярового ячменя, правда, они менее выражены. И хотя максимальным из всех исследованных случаев остается коэффициент чувствительности для HB, закономерность изменения значения S по годам вегетации при варьировании HB оказывается прямо противоположной.
2. Структура информационного обеспечения динамических моделей, включающая стационарную базу данных (СБД, СБД СИАМ), оперативную базу данных (ОВД, DataSet) и интерфейс пользователя (DSM). Наличие баз данных двух типов позволяет сочетать требования хранения всей необходимой для моделирования информации с доступностью исходных для модели данных, а наличие соответствующего интерфейса позволяет быстро и эффективно обеспечивать выбор данных из СБД для конкретного расчета.
Для практического применения системы имитационного моделирования AGROTOOL, v.3 требуются многочисленные входные данные. К ним относятся сведения о характеристиках почвенного покрова, полях севооборота, возделываемых культурах, агротехнологиях, о климате и погоде и др. Некоторые данные являются устойчивыми, например гранулометрический состав почвы, и могут возобновляться раз в несколько лет. Другая же информация поступает несколько раз в течение периода вегетации, например, ежесуточные погодные данные. Кроме того, идентифицированная применительно к некоторой почвенно-климатической зоне и культуре имитационная модель использует многочисленные параметры, которые также должны быть переданы модели для расчета конкретного варианта.
Сложная и разнородная информация требует специальной организации для своего хранения, поиска, преобразования и передачи модели. В работе
представлена версия структуры информационного обеспечения моделирования, интегрирующая информацию об условиях возделывания зерновых культур, о характеристиках внешних воздействий, как контролируемых (агротехнология), так и неконтролируемых (погода), а также о параметрах модели. При этом предпринята попытка приблизится к компромиссу между универсальностью структуры данных и достаточно конкретной и понятной информационной моделью. Заложенная в информационную модель универсальность структуры исходных данных (хранящихся в СБД СИАМ) призвана упростить включение обсуждаемой модели в системы поддержки агротехнологических решений.
Структура информационного обеспечения состоит из трех частей:
2.1. Стационарная база данных (СБД СИАМ) является хранилищем всех данных, необходимых как для организации компьютерных экспериментов с моделью, так и для оценки ее адекватности и точности работы, а также как архивное хранилище. Она постоянно пополняется по мере наступления новых сезонов вегетации. Однако, даже для первого запуска модели на счет она должна содержать информацию за прошедшие 56 лет вегетации. База данных представляет собой иерархически организованную реляционную структуру с перекрестными ссылками. Привести полную структуру и описание СБД в рамках объема автореферата не представляется возможным. СБД состоит из 40 таблиц и порядка 250 полей хранения, где хранятся разнородные данные, относящиеся к периоду времени, начиная с 1974 года.
2.2. Интерфейс пользователя DSM (Dataset Maker) предназначен для формирования оперативной базы данных из стационарной базы данных. Он представляет собой отдельную программу, которая во взаимодействии с пользователем составляет SQL-запрос (SQL-язык структурированных запросов) к СБД на извлечение данных и выполняет его, записывая заказанные данные в ОБД (DataSet). Термин интерфейс в данном случае понимается в двух значениях: во-первых, - это пользовательский интерфейс - диалоговое окно, во-вторых, - программный интерфейс, осуществляющий отбор и «перекачку» данных между разными форматами хранения с использованием технологии ADO (ADO (от англ. ActiveX Data Objects — «объекты данных ActiveX») — интерфейс программирования приложений для доступа к данным). На этом же этапе производятся все предусмотренные преобразования информации извлекаемой из СБД к стандартному для модели виду.
2.3. Оперативная база данных (ОБД, DataSet) содержит такие данные, которые доступны исполняемому файлу модели. Более того, ОБД должна быть полностью заполненной. Эта структура представляет собой x/i-файл, содержащий стандартный набор именованных диапазонов. Структура данных этого файла соответствует структуре DataSef а, и представляет собой необходимый комплект данных, подаваемых на вход алгоритму
динамической модели. ОБД формируется в результате выполнения DSM интерфейса и состоит из следующих основных разделов: Place (данные о местности), Weather (данные о погоде), Culture (данные о культуре), Soil (данные о почве), Technology (данные о технологии), JnitialState (начальные условия), CommonDate (описание набора банных).
3. Методы долгосрочного прогнозирования темпов развития растений и метод оперативного прогнозирования величины урожая зерновых культур
3.1. Методы долгосрочного прогнозирования темпов развития растений
Задача прогнозирования фенологического развития
сельскохозяйственных растений в текущем вегетационном сезоне представляется весьма важной, поскольку сроками наступления фенофаз определяются все основные технологические операции, выполняемые на поле.
В качестве традиционного фактора, управляющего скоростью фенологического развития, принятого многими авторами, выступает сумма эффективных температур. Но температурный фактор является экстенсивной величиной, и ее суммирование (интегрирование) представляется физически мало обоснованным. В данном отношении наиболее физически обоснованным является фактор, представляющий величину интенсивного типа. Такой величиной является энтальпия (теплосодержание), которая может накапливаться и, следовательно, интегрироваться. Энтальпия идеального газа определяется как
Е = срТу
где Т- абсолютная температура, К\ ср— молярная теплоемкость газа при постоянном давлении, кал/(моль град). Воздух не является идеальным газом, и для его энтальпии в работе предложена полуэмпирическая формула.
Энтальпия воздуха, помимо температуры как главного фактора, определяется содержанием в воздухе паров воды и его давлением. В связи с этим была поставлена задача сравнения традиционного способа прогнозирования, основанного на использовании суммы эффективных температур и энтальпийного предиктора. Ожидалось, что последний способ будет более точным, так как он физически более обоснован. Кроме того, поскольку главным преимуществом энтальпийного способа был учет влажности воздуха, к сравнению были дополнительно привлечены еще два. В одном из них в качестве предиктора использовалось произведение среднесуточной температуры воздуха и его влажности, а в другом - частное от деления этих величин. Это было сделано для того, чтобы оценить влияние фактора влажности воздуха на скорость развития растений.
В работе рассмотрены 4 метода долгосрочного прогнозирования фенологии зерновых культур, где под методами понимается замещение в
общей логике прогнозирования основной функции для расчета климатических траекторий и порогов фенофаз. Первый из рассматриваемых методов основан на вычислении энтальпии воздуха для идентификации климатической траектории и порогов фенофаз, второй метод использует сумму эффективных температур, третий и четвертый основаны на накоплении произведения и частного от среднесуточной эффективной температуры воздуха и относительной влажности воздуха, соответственно.
Логика прогнозирования видна на примере использования суммарной энтальпии воздуха (СЭВ). Основой для расчета значений энтальпии служат среднемноголетние метеорологические показатели. В частности, используются данные о среднесуточной температуре воздуха (7^,,), относительной средней влажности воздуха (В<, %) и атмосферном давлении (Рам). Далее все полученные значения энтальпии воздуха для суток со средней температурой воздуха более +5°С суммируются.
Прогноз СЭВ на текущий вегетационный период строится на основе среднемноголетней кривой накопления СЭВ (среднемноголетняя климатическая траектория) и метеоданных, охватывающих диапазон с первого января по первое мая текущего года. Сам процесс прогнозирования текущего года осуществляется, начиная с первого мая, эта дата выбрана как близко предшествующая к срокам сева. Рассчитав накопление СЭВ в прогнозируемом году по первое мая, определяется разница в значениях СЭВ по сравнению со среднемноголетней и на данную разницу изменятся среднемноголетняя климатическая траектория. В результате получаем прогнозируемую траекторию на текущий год.
Идентификация среднемноголетней климатической траектории, а также определение порогов фенофаз производится на отдельном наборе лет, не участвующем далее в процедуре верификации прогнозов. Затем стандартные пороги накладываются на кривую прогнозируемой суммарной энтальпии воздуха в исследуемом году, и определяется дата наступления той или иной фазы. При этом для удобства и некоторой унификации прогноза шкала времени преобразована из абсолютных календарных дат в дни от начала года по Юлианскому календарю. Очевидно, что дата сева в каждом году может носить субъективные ошибки (т.е. отличаться от оптимальной), поэтому применяется процедура сдвига прогнозируемой траектории по фактической дате сева. На заключительном этапе полученные в результате прогнозирования сроки наступления фенофаз приводятся к фактическим датам и определяется точность прогноза.
В качестве исходного массива фенологических наблюдений принят архив результатов опыта, проведенного в НИИСХ Юго-Востока. Наблюдения фенологии яровой пшеницы проводились в 1972-1979 гг. и 1988-1990 гг.
Фенологические наблюдения 1974 г., 1979 г., 1988 г. были вынесены для верификации прогнозов по причине того, что это контрастные по
климатическим условиям между собой годы, а данные остальных лет включены в идентификацию. Для проведения прогнозных расчетов была запрограммирована логика Phenodevjoolv 1.0 (рис 3.1.1), использующая экспериментальную информацию, хранящуюся в СБД СИАМ. Для сравнения методов введено понятие Критерия качества прогноза Forecast Quality Index, который представляет отношение априорного разброса в датах наступления фенофаз к апостериорному разбросу (т.е. такому, который получается, применяя описанную логику прогнозирования) В таблице 3.1.1 приведены результаты сравнения методов.
Таблица 3.1.1. Априорный разброс в соках наступления фенофаз, дни от сева. Сужение области неопределенности при прогнозировании. Сравнение методов по 1'С)1.____
Всходы Кущение Выход в трубку Колошение Молочная спелость Восковая спелость
Макс. 14 33 49 70 93 108
Мил. 7 22 33 48 73 86
Разброс 7 И 16 22 20 22
FQIf.„t 2,3 2,8 16,0 7,3 10,0 3,1
FQ'cvmT 3,5 11,0 4,0 22,0 5,0 3,1
FQInpOH3B 3,5 11,0 4,0 22,0 6,7 2,8
FQI'lacm 2,3 3,7 3,2 11,0 4,0 4,4
вш
Огредеяенче климатической области и культуры Климатическая область , Саратов 71
Культура
¡Пшеница яровая ^J
мшшшияшманашМмм
Дета сева [ШМ.1977
О преде пение параметров прогноза " ' ~~ —.....-
Дата разности
[✓ <1е) ; ¡dd.iwi.yyyy По<ччигь1Ю \ бе^СЯ ]
Метав прогноза ~ '
'¡По энтальпии | Получить пороги |
Сезон дпя прогноза Получить Кт] Графу КТ|
Прогнозировать !
Прогноз и верификация
PHASE NAME
сев[дяя KOppeKuw прогноза) 107
ВСХОДЫ 120
кущеше IX
выход в трубку 14?
копошение J 64
► молочная спелость 18?
_ восковая спелость 198
азвщ
Добавить в Файл | Верифицировать
Рис 3.1.1. Окно интерфейса, демонстрирующее логику PhenodevJool V 1.0.
3.2. Прогнозирование величины урожая
Решение этой задачи в оперативном режиме требует знания о состоянии посева в некоторый момент времени. В момент сева или всходов сказать что-либо конкретное о судьбе урожая практически невозможно. Для расчета прогноза урожая необходимо накопить определенную информацию
о предшествующих состояниях посева (т.е. должна пройти некоторая часть вегетационного периода, чтобы сформировались основные вегетативные органы и накопились метаболиты, которые будут использованы для образования генеративных или запасных органов). Моментом, который может и должен быть принят в качестве даты прогнозирования, логично принять время наступления фазы цветения или любой последующий момент.
В основу метода расчета прогноза урожая положена процедура прогнозирования сроков наступления фенофаз, описанная выше. Как указывалось выше, при работе модели в этом режиме на ее вход подаются фактические погодные данные до того момента, с которого начинается решение задачи прогнозирования. До этого шага модели рассчитываются все составляющие продукционного процесса- листовой индекс, биомасса органов растения и др. Именно они и могут быть использованы в качестве предикторов функции прогноза урожая. Соответствующие расчеты должны быть выполнены для ряда сезонов вегетации, отличающихся ходом погодных условий и величиной урожая. Как показал корреляционный анализ результатов данных многолетних расчетов, в качестве таких предикторов целесообразно выбрать следующие показатели внешних воздействий и параметров растений:
- отношение суммы осадков к сумме транспирации посева, б/р;
- суммарную вегетативную биомассу посева, ц/га;
- биомассу колоса, ц/га.
Эти показатели запоминаются, после чего осуществляется прогон модели до полного созревания, фиксируется величина расчетного урожая.
Для нахождения вида функции прогнозирования был организован следующий компьютерный эксперимент. В качестве исходных данных были использованы результаты многолетнего полевого опыта на МОС. Для культуры ярового ячменя были доступны результаты полевого опыта для следующих лет вегетации: 1982-1989, 2000-2002, 2004гг; для озимой ржи сезоны: 1982/83, 1983/84, 1984/85, 1985/86, 1986/87, 1987/88, 1988/89, 2000/2001, 2004/2005 гг. Поскольку полевой опыт проводился для трех уровней минерального питания, то в статистическую обработку были включены данные всех этих опытов.
В результате статистической обработки было получено следующее регрессионное уравнение:
У= к0 +куБ8+к2-8итВют+куЕЫот где У- величина прогнозируемого урожая, а ко-к3- коэффициенты линейной регрессии. Ясно, что значения коэффициентов регрессии должны зависеть от стадии развития растений: они будут принимать одно значение, если прогнозирование осуществляется в фазу цветения, и другое, если, например, в качестве даты прогноза выбрана дата достижения молочной спелости. К счастью, в модели имеется универсальный показатель развития -
т.н. "физиологическое время". Как указано выше, физиологическое время (Рку^ Тте) равно нулю в момент всходов, оно достигает величины единицы в момент начала цветения и становится равным двум при достижении фазы полной спелости. Поэтому сформулированную выше задачу необходимо решать при различных значениях величины Рку8_Тте из диапазона
1 < Р!щ_Типе < 2
в частности, при РЪу$_Тте = 1.0, 1.2, 1.4, 1.6, 1.8. Таким образом, были получены значения коэффициентов регрессии как функции физиологического времени. После этого полученные наборы из шести значений коэффициентов при разных значениях физиологического времени были аппроксимированы подходящей зависимостью (например, полиномом третьей степени). Для проверки точности прогнозирования урожая были выполнены расчеты как с использованием архивных данных, так в реальном времени. Приведем некоторые результаты. В качестве иллюстраций будут выступать расчеты, выполненные для ряда сезонов 1982/83, 1983/84, 1984/85, 1985/86, 1986/87, 1987/88, 1988/89, 2000/2001, 2004/2005 по прогнозированию урожая с даты цветения на фоне 0 и 45 кг/га азотных удобрений рис. 3.2.1.
10 20 30 40 50 «О 70 10 20 30 Л0 50 ¿0 70
Фактический урожай ц/га Фактический урожай ц/га
Рис. 3.2.1. Сравнение экспериментального и расчетного урожая, прогнозируемого с даты начала цветения растений: озимая рожь, азотное удобрение 0 кг/га (слева) и 45 кг/га (справа) сезоны 1983 - 1990 гг. и 2006 г., «-»- диапазон прогноза, «о»- эксперимент.
4. Количественная оценка вариабельности (от года к году) коэффициента "оплаты" азотных удобрений в зависимости от величины исходной дозы удобрения
Наличие в динамической модели блока динамики соединений азота в почве и растении позволяет оценить влияние азотных удобрений на рост и
20
развитие растений, а также на формирование урожая. Наиболее полный анализ может быть выполнен после окончания сезона вегетации и уборки урожая, когда погодная реализация полностью известна. Наличие данных о погодных условиях в вегетационный период позволяет не только определить оптимальную для данного года стратегию управления, но и оценить те потери (т.н. упущенную выгоду), которые вызваны неоптимальными решениями, которые могли быть приняты в течение прошедшего вегетационного периода. Этот анализ может дать определенную информацию для будущих сезонов вегетации. Но она, скорее носит умозрительный характер. Однако ряд вопросов следует исследовать до начала или непосредственно в ходе продукционного процесса, что может принести явную практическую пользу.
К таким вопросам могут быть отнесены следующие:
- оценка коэффициентов использования азота из почвы и удобрений;
- оценка степени вымывания нитратов за пределы расчетного слоя почвы и их выноса в грунтовые воды;
- оценка величины прибавки урожая от различных доз азотных
удобрений;
- оценка окупаемости азотных удобрений;
- расчет потребности растений в азотных подкормках в ходе
вегетационного процесса.
Все эти задачи, кроме последней, решаются путем организации многолетнего компьютерного эксперимента с использованием хранящихся в СБД данных о погоде и сценариев погоды, генерируемых программой Генератор. При решении последней задачи используются процедуры прогнозных расчетов, аналогичные тем, которые описаны выше.
Далее рассмотрены две из перечисленных выше задач, а именно: задача расчета величин прибавки урожая от внесения азотных удобрений и связанная с ней задача оценки окупаемости удобрений. Выбор этих задач, помимо их практической важности, диктуется тем, что подобные результаты ранее были получены многими авторами экспериментально для различных культур и ряда регионов России. Наличие таких данных, помимо всего прочего, позволит оценить адекватность модельных построений. Поскольку влияние удобрений на ход продукционного процесса проявляется на фоне изменчивости погодных условий, то соответствующие расчеты необходимо было производить при различных дозах удобрений, подавая на вход модели различные реализации погодных условий, т.е. требовалось провести многолетний компьютерный эксперимент. Он был организован для почвенно-климатических условий биополигона МОС. Расчет был выполнен для культур ярового ячменя и озимой ржи. Для ярового ячменя и доз азотных удобрений 30, 60 и 90 кг/га расчетные прибавки урожая составили 6.9, 2.7 и 1.1 ц/га, соответственно, что в целом согласуется с экспериментом, в котором были получены прибавки - 2.3, 3.9 и 4 ц/га. Для озимой ржи и доз
азотных удобрений 60 и 90 кг/га расчетные прибавки урожая составили 2.0 и 1.8 ц/га, соответственно, а в опыте были получены прибавки - 1.9 и 2.1 ц/га.
Рис. 4.1 иллюстрирует изменение прибавок урожая по годам для культур озимой ржи и ярового ячменя. Наблюдаемая картина подтверждает, что увеличение дозы азотного удобрения постепенно выбирает лимитирование по этому фактору. Причем наиболее отчетливо этот эффект виден при сравнении расчетов, выполненных для вариантов без внесения азотного удобрения и с внесением азотного удобрения дозой 30 кг/га.
Яровой ячмень, прибавка урожая Озимая рожь, прибавка урожая
1983 2000 1Э87 19В5 2001 1984 2002 1988 19В9 1985 1986 1983 1384 198Э 2005
Гад Год
Рис. 4.1. Прибавки урожая зерновых культур в зависимости от доз азотных удобрений.
ОБЩИЕ ВЫВОДЫ
Основные результаты диссертационной работы сформулированы в виде следующих выводов и рекомендаций.
1. При изучении чувствительности модели АОЯОТООЬ, v.3 к входной информации, виды которой ниже выделены подчеркнутым курсивом, выявлено, что:
1.1) наибольшее влияние начальных значений биомассы побега в момент всходов на конечный урожай яровой пшеницы проявляется в засушливые годы, а наименьшее- в благоприятные по осадкам годы вегетации (для исключения этой зависимости следует дополнить модель блоком прорастания зерновки;
1.2) из всех исследованных факторов стресса растений по влаге. а именно - влияния водного режима на апертуру устьиц, на темпы развития растений и на продуктивность, - наиболее существенным оказалось влияние режима осадков и транспирации на продуктивность яровой пшеницы и
влияние водного режима на темпы развития этой культуры (влияние остальных факторов оказалось несущественным);
1.3) из всех исследованных почвенно-гидрологических параметров, а именно, - максимальной гигроскопичности (МГ), влажности завядания (ВЗ), наименьшей влагоемкости (HB) и полной влагоемкости (ПВ) - наибольшее влияния на продуктивность ярового ячменя и озимой ржи оказывают параметр HB, а наименьшее - МГ (это означает, что к экспериментальному определению параметров предъявляются наиболее строгие требования).
2. Разработана структура информационного обеспечения модели, состоящая из стационарной базы данных, оперативной базы данных и интерфейса пользователя (наличие двух типов баз данных позволяет удовлетворить требованиям длительного хранения всей необходимой для моделирования информации и доступности данных для модели, а наличие интерфейса дает возможность пользователю быстро и эффективно обеспечивать выбор данных из стационарной базы данных для конкретного расчета).
3. Разработаны и экспериментально проверены метод долгосрочного прогнозирования темпов развития растений и метод оперативного прогнозирования величины урожая зерновых культур, что позволяет использовать разработанную структуру непосредственно в практике земледелия.
4. Выявлен факт различной межгодовой вариабельности коэффициента "оплаты" азотных удобрений в зависимости от величины исходной дозы удобрения (наличие вариабельности в межсезонном ходе коэффициента оплаты доз удобрений требует большой осторожности при прогнозировании эффективности применения удобрений в практике земледелия).
Опубликованные работы по теме диссертации Бакаленко Б.И., Глобус A.M., Полуэктов P.A. Исследование чувствительности динамической модели продуктивности зерновых культур к почвенно-гидрофизической информации // Метеорология и гидрология. 2008. №9. С. 94-101.
Полуэктов P.A., Терлеев В.В., Бакаленко Б.И. Использование динамических моделей в информационных технологиях точного земледелия //Материалы Всеросс. конф. «Машинные технологии производства продукции в системе точного земледелия и животноводства» 16-18 июня 2004 г. М.: Изд-во ВИМ, 2005. С. 142 - 147.
Бакаленко Б.И., Голубев C.B. Долгосрочное прогнозирование темпов фенологического развития сельскохозяйственных культур // Вестник РАСХН. 2006. №2. С. 18-20.
Якушев В.П., Полуэктов P.A., Петрова М.В., Терлеев В.В., Петрушин А.Ф., Бакаленко Б.И. Имитационно-экспертная система поддержки
агротехнологических решений (концепция) //Вестник РАСХН. 2008.№5. С. 7 - 9.
Якушев В.П., Полуэктов P.A., Петрова М.В., Терлеев В.В., Петрушин А.Ф., Бакаленко Б.И. Имитационно-экспертная система поддержки агротехнологических решений (реализация) //Вестник РАСХН. 2008. №6. С. 6 - 9.
Лицензия ЛР № 020593 от 07.08.97
Подписано в печать 10.02.2009. Формат 60x84/16. Печать цифровая. Усл. печ. л. 1,0. Уч.-изд. л. 1,0. Тираж 100. Заказ 4029Ь.
Отпечатано с готового оригинал-макета, предоставленного автором, в Цифровом типографском центре Издательства Политехнического университета. 195251, Санкт-Петербург, Политехническая ул., 29. Тел.: (812) 550-40-14 Тел./факс: (812) 297-57-76
Содержание диссертации, кандидата технических наук, Бакаленко, Борис Иванович
Термины и определения
Введение
Глава 1 Характеристика проблемы и её современное состояние
1.1 Агроэкоснстемы как объект моделирования
1.2 Этапы разработки и современное состояние проблемы моделирования продуктивности агроэкоснстемы.
1.4 Сравнительный анализ существующих моделей
Глава 2 Исследование чувствительности модели к вариации ее параметров.
2.1 Чувствительность к вариации начального состояния
2.1.1 Чувствительность модели к вариации даты всходов.
2.1.2 Чувствительность модели к вариации начальных значений биомассы
2.2 Чувствительность к параметрам функции стресса
2.3 Чувствительность к почвенно-гидрологическим параметрам
Глава 3 Разработка базы данных (БД) модели
3.1 Концептуальная модель БД
3.2 Описание DSM-интерфейса.
3.3 Описание оперативной базы данных (ОДБ, DATASET)
Глава 4 Использование моделей в системах поддержки агротехнологических решений.
4.1 Сценарии погоды
4.2. Долгосрочный прогноз темпов развития растений.
4.3 Прогнозирование величины урожая
4.4 Использование модели для оценки эффективности азотных удобрений
4.5 Расчет доз азотных подкормок.
Выводы
Введение Диссертация по сельскому хозяйству, на тему "Информационное обеспечение динамических моделей зерновых культур"
В настоящее время агрономическая наука переживает переходный период: с одной стороны продолжаются исследования в области традиционного (в том числе адаптивно-ландшафтного) земледелия, а, с другой, начаты и интенсивно развиваются работы по формированию технологии точного земледелия. И если традиционные технологии длительное время обходились без использования динамических моделей продуктивности с.-х. культур, то технологии точного земледелия в принципе не могут обходиться без соответствующего информационного обеспечения, в том числе и без моделей того или иного уровня сложности. Как показал опыт зарубежных исследователей (Acock, 1989, Асоск et al, 1999, Boogaard et al, 1998, Eitzinger et al 2004, Hijmans et al 1994, Keulen et al 1994, Whisler et al 1986), динамические модели позволяют существенно повысить эффективность технологических решений, в особенности при управлении режимами орошения и минерального питания, как в обычном, так и в точном земледелии. Современная техническая база в виде персональных компьютеров вполне обеспечивает возможность реализации достаточно сложных алгоритмов моделирования и управления. Отсутствие финансирования этих работ в достаточном объеме, а также трудности комплектования необходимого набора данных и недостаток подготовленных специалистов не позволило пока широко использовать системы имитационного моделирования в практике земледелия. К счастью, ситуация в этой области в последнее время изменяется, что свидетельствует об актуальности исследований по разработке информационных технологий в земледелии, в том числе и динамических имитационных моделей, являющихся их составной частью.
К моменту начала работы над диссертацией уже существовала версия модели формирования урожая основных с.-х. культур, которая была развита применительно к условиям ее использования в научных исследованиях. В то же время стало очевидно, что имеется потребность включения динамических моделей в системы поддержки агротехнологических решений практического земледелия. Кроме того, развитие новых информационных технологий и, прежде всего, задача их адаптации к системам точного земледелия выдвинуло новые требования к моделям, которые первоначально не учитывались. Все это привело к необходимости пересмотра некоторых положений, заложенных в системы моделирования, и к их модификации в направлении учета требований внешнего пользователя. Это, в первую очередь, касалось структуры информационной поддержки модели и перевода ее на современный программный уровень. В существующей версии имитационной системы AGROTOOL v.3, разработанной коллективом авторов лаборатории моделирования агроэкосистем АФИ (Полуэктов и др., 2006) в качестве информационной поддержки этой версии системы используется простейшая файловая структура. Вся постоянная информация, требующаяся для процесса моделирования, хранится в виде файловой структуры, уникального именования. При необходимости выполнения конкретного расчета из этой структуры выбираются необходимые данные, которые затем переписываются под стандартными именами, воспринимаемыми программой моделирования. Так, например, файлы содержащие архив погоды имеют имена wxx.dat, где (хх) цифры, означающие номера года (w98.dat, w01.dat, .). При выборе конкретного года в режиме диалога оболочка модели автоматически считывает нужный файл и записывает его под стандартным именем weather.dat. Именно эта погодная реализация и будет использована в процессе очередного счета. Такая структура данных неудобна для внешнего пользователя и не может претендовать на универсальность. В новой версии модели её следует перестроить и реализовать в виде базы данных современного типа (Мартин, 1980).
К другой задаче, также требующей своего решения, относится формулировка требований к точности задания тех или иных параметров модели. Для этого необходимо, как минимум, исследовать чувствительность модели к вариации ее параметров. Действительно, в случае, когда окажется, что выход модели слабо зависит от вариаций данного параметра, его величина может быть оценена приближенно. С другой стороны, при высокой чувствительности модели к вариации некоторого параметра к его экспериментальному определению должны быть предъявлены повышенные требования (Глобус и др., 1982, Бакаленко и др., 2008) .
Наконец, для включения модели в систему поддержки агротехнологических решений требовалось создать ряд алгоритмов прогнозирования хода продукционного процесса. Процесс формирования урожая происходит на фоне изменчивых погодных условий. В настоящее время не существует методов долгосрочного прогноза погоды с той точностью, которая может потребоваться для моделирования. Поэтому следует разработать алгоритмы прогноза результатов продукционного процесса, использующих инерционные свойства объекта моделирования — агроэкосистемы. Действительно, влагозапас в почве не изменяется мгновенно
- для ее промачивания, а, тем боле, иссушения требуется определенное время. Еще более инерционными являются ростовые процессы. Заметное изменение биомассы органов растения происходит в течение нескольких суток.
Все эти задачи и были полжены в основу данной диссертационной работы.
На защиту выносятся'.
- Результаты исследования чувствительности динамических моделей семейства AGROTOOL, v.3, в форме оценки влияния отдельных факторов стресса растений и почвенно-гидрологических параметров на различные показатели продукционного процесса зерновых культур.
- Структура информационного обеспечения модели, состоящая из стационарной базы данных (СБД, СБД СИАМ), оперативной базы данных (ОБД, DataSet) и интерфейса пользователя(Б8М). Наличие баз данных двух типов позволяет сочетать требования хранения всей необходимой для моделирования информации с доступностью данных для модели, а наличие интерфейса дает возможность пользователю быстро и эффективно обеспечивать выбор данных из СБД для конкретного расчета.
- Метод долгосрочного прогнозирования темпов развития растений и метод оперативного прогнозирования величины урожая зерновых культур.
- Количественная оценка вариабельности от года к году коэффициента "оплаты" азотных удобрений в зависимости от величины исходной дозы удобрения.
Ряд результатов работы имеет теоретическую и практическую ценность. Теоретической значимостью обладает структура информационного обеспечения процесса имитационного моделирования, поскольку она универсальна и может быть использована во многих других приложениях и, в частности в моделях экспертного типа. Методы долгосрочного и оперативного прогноза результатов продукционного процесса обладают практической значимостью, т.к. могут быть непосредственно включены в системы поддержки агротехнологических решений.
Апробация работы. Семинары лаборатории математического моделирования АФИ, научные сессии АФИ («Параметрическая чувствительность модели продукционного процесса с/х культур: методология и результаты», март 2007), 10-ая Пущинская школа-конференция молодых ученых "БИОЛОГИЯ -НАУКА XXI ВЕКА". (Пущино-на-Оке, 2006 г.).
По теме диссертации опубликованы в пяти работах, из которых четыре - в рецензируемых журналах (всего 5): Бакаленко Б.И., Глобус A.M., Полуэктов Р.А. Исследование чувствительности динамической модели продуктивности зерновых культур к почвенно-гидрофизической информации // Метеорология и гидрология. 2008. № 9. С. 94 - 101.
Полуэктов Р.А., Терлеев В.В., Бакаленко Б.И. Использование динамических моделей в информационных технологиях точного земледелия // Материалы Всеросс. конф. «Машинные технологии производства продукции в системе точного земледелия и животноводства» 16-18 июня 2004 г. М.: Изд-во ВИМ, 2005. С. 142 - 147.
Бакаленко Б.И., Голубев С.В. Долгосрочное прогнозирование темпов фенологического развития сельскохозяйственных культур // Вестник РАСХН. 2006. № 2. С. 18 - 20.
Якушев В.П., Полуэктов Р.А., Петрова М.В., Терлеев В.В., Петрушин А.Ф., Бакаленко Б.И. Имитационно-экспертная система поддержки агротехнологических решений (концепция) // Вестник РАСХН. 2008. № 5. С. 7-9.
Якушев В.П., Полуэктов Р.А., Петрова М.В., Терлеев В.В., Петрушин А.Ф., Бакаленко Б.И. Имитационно-экспертная система поддержки агротехнологических решений (реализация) // Вестник РАСХН. 2008. № 6. С. 6 - 9.
Заключение Диссертация по теме "Агропочвоведение и агрофизика", Бакаленко, Борис Иванович
Выводы
Как указано во Введении, агрономическая наука переживает в настоящее время переходный период: с одной стороны продолжаются исследования в области традиционного (в том числе адаптивно-ландшафтного) земледелия, а, с другой, начаты и интенсивно развиваются работы по формированию технологии точного земледелия. В связи с этим основной задачей, которая была поставлена и решалась в настоящей работе, было исследование ранее разработанной динамической модели с.-х. культур для целей двойного назначения. Это, во-первых, использование модели в системах поддержки традиционных технологических решений, таких как расчет доз минеральных (азотных) удобрений, а, с другой - выработка требований к развитию модели применительно к задачам точного земледелия, а также модификация программного комплекса для целей его эксплуатации внешними пользователями.
В результате проведенного исследования сформулированы следующие основные выводы.
1. При изучении чувствительности модели AGROTOOL, v.3 к входной информации, виды которой выделены подчёркнутым курсивом, выявлено, что:
1.1. Наибольшее влияние начальных значений биомассы побега в момент всходов на конечный урожай яровой пшеницы проявляется в засушливые годы, а наименьшее — в благоприятные по осадкам годы вегетации. Для исключения этой зависимости следует дополнить модель блоком прорастания зерновки;
1.2. Из всех исследованных факторов водного стресса, а именно, влияния водного режима на апертуру устьиц, на темпы развития растений и на продуктивность наиболее существенным оказалось влияние режима осадков и транспирации на продуктивность яровой пшеницы и влияние водного режима на темпы развития этой культуры (влияние остальных факторов оказалось несущественным);
1.3. Из всех исследованных почвенно-гидрофизических параметров, а именно, максимальной гигроскопичности МГ, влажности завядания ВЗ, наименьшей влагоемкости НВ и полной влагоемкости ПВ наибольшее влияния на продуктивность ярового ячменя и озимой ржи оказывают параметр НВ, а наименьшее - МГ (это означает, что к экспериментальному определению параметра НВ предъявляются наиболее строгие требования).
2. Разработана структура информационного обеспечения модели, состоящая из стационарной базы данных (СБД), оперативной базы данных (ОБД) и интерфейса пользователя (наличие двух типов баз данных позволяет удовлетворить требованиям длительного хранения всей необходимой для моделирования информации и доступности данных для модели, а наличие интерфейса дает возможность пользователю быстро и эффективно обеспечивать выбор данных и СБД для конкретного расчета).
3. Разработан и экспериментально проверен метод долгосрочного прогнозирования темпов развития растений и метод оперативного прогнозирования величины урожая зерновых культур, что позволяет использовать разработанную структуру непосредственно в практике земледелия.
4. Выявлен факт различной межгодовой вариабельности коэффициента "оплаты" азотных удобрений в зависимости от величины исходной дозы удобрения (наличие вариабельности в межсезонном ходе коэффициента оплаты доз удобрений требует большой осторожности при прогнозировании эффективности применения удобрений в практике земледелия).
Библиография Диссертация по сельскому хозяйству, кандидата технических наук, Бакаленко, Борис Иванович, Санкт-Петербург
1. Баденко B.JJ., Осипов Г.К. Моделирование природно-аграрных систем // Научно-технические ведомости СПбГТУ, № 4(14), 1998. - С. 32-35.
2. Баденко В.Л., Николаев А.А. Разработка требований к геоинформационной базе данных для технологии точного земледелия // XXXII Неделя науки СПбГПУ. Материалы межвузовской научно-технической конференции. 4.1: СПбГПУ 2004, С.73-74
3. Бакаленко Б.И., Глобус A.M., Полуэктов Р.А. Исследование чувствительности динамической модели продуктивности зерновых культур к почвенно-гидрофизической информации. // Метеорология и гидрология. 2008. № 9. С. 94101.
4. Бихеле З.Н., Молдау Х.А., Росс Ю.К. Математическое моделирование транспирации и фотосинтеза растений при недостатке почвенной влаги. Л: Гидрометеоиздат, 1980. 223 с.
5. Белова Г.П., Бодров В.А., Глобус A.M., Клыков В.Е., Шульгин Д. Ф. Гидрофизические свойства почв и математическое моделирование движения солей в почвах // Почвоведение. 1984. №4. С.113-120.
6. Блэк К.А. Растение и почва. М.: Колос, 1973. 526 с
7. Бондаренко Н.Ф., Жуковский Е.Е., Мушкин КГ. и др. Моделирование продуктивности агроэкосистем. Л.: Гидрометеоиздат, 1982. 262 с.
8. Бондаренко II Ф., Полуэктов Р.А., Якушев В.П. Имитационные модели и методы принятия решений при программировании урожаев // Докл. ВАСХНИЛ. 19866. № 2. С. 5-7.
9. Бородий С.А. Теоретическое обоснование комплексной имитационно-мониторинговой модели продукционного процесса растений в агроэкосистемах.-Косторома: Изд. КГСХА, 2000. 202 с.
10. Будаговский А. II, Ничипорович А. А., Росс Ю. К. Количественная теория фотосинтеза и ее использование для решения научных и прикладных задач физической географии. Изв. АН СССР. Сер. геогр., 1964, №6, с. 13—27.
11. Будыко М.И. К теории влияния климатических факторов на фотосинтез. ДАН СССР, 1964, т. 158, №2, с.331-334.
12. Винников С.Д., Проскуряков Б.В. Гидрофизика. JI. Гидрометеоиздат, 1988. 248 с.
13. Воронин АД. Основы физики почв. М.: Изд-во МГУ, 1986. 244 с.
14. Введение в автоматизированные системы управления /Под ред. В. Г. Шорина. М.: Знание, 1974. 318 с.
15. Галямин Е. П., Сиптиц С. О. Динамическая модель продукционного процесса кукурузы и ее применение для оптимизации водного режима. Тр. ИЭМ, 1977, вып. 8(67), с. 114—123.
16. Галямин Е. П., Сиптиц С. О., Милютин Н. Н. Модель формирования урожая агроценоза и ее идентификация.—В кн.: Принципы управления продукционными процессами в агроэкосистемах. М., Наука, 1976, с. 96—115.
17. Гор К.А., Мельникова А.И. Прогноз появления жуков рапсового цветоеда и сроки обработки // Защита растений.- 1, 1986.
18. Глобус A.M. Почвенно-гидрофизическое обеспечение агроэкологических математических моделей // Гидрометеоиздат, 1987, 427 с.
19. Глобус A.M. Физика неизотермического внутрипочвенного влагообмена. JL: Гидрометеоиздат, 1983. 279 с
20. Глобус A.M. Системный подход к почвенно-гидрофизическому обеспечению агроэкологических математических моделей. Почвоведение, №10., СС.53-59. 1984.
21. Глобус A.M. Экспериментальная гидрофизика почв. JL: Гидрометеоиздат, 1969. 356 с.
22. Глобус A.M., Бодров В.А. Применение машинного эксперимента для оценки влияния гидрофизических свойств почв на урожай и почвенный влагозапас и для уточнения требований к методам определения этих свойств. Сб. тр. АФИ, 1982, ее. 45-62.
23. Городецкий В.И., Захарнн Ф.М., Розенвассер Е.Н., Юсупов P.M. Методы теории чувствительности в автоматическом управлении. JL: Энергия, 1971, 344 с.
24. Гридасов В.Ф. Определение влагоемкости почв расчетным способом // Метеорология и гидрология. 1983. № 2. С. 113-115.
25. Гридасов В.Ф. Агрогидрологические свойства почв, их значение и применение в агрогидрологии // Тр. ВНИИСХМ. 2000. Вып. 34. С. 84-92.
26. Гуляев Б. И. Вопросы количественного описания ростовых функций растений // Физиология и биохимия культурных растений. 1981. Т. 13, № 3. С. 227-238.
27. Доспехов Б.А. Методика полевого опыта. М.: Колос, 1979.
28. Дейт К. Дж. Введение в системы баз данных = Introduction to Database Systems. — 8-е изд. —M.: «Вильяме», 2006. —С. 1328. —ISBN 0-321-19784-4
29. Заславская JI.A., Полуэктов Р.А., Смоляр Э.И. Компьютерные модели продуктивности агроценозов как инструмент предсказания критических явлений в системе почва растение — атмосфера // Докл. РАСХН. 1996. № 6.
30. Калер В. Л., Фридлянд Л. Е. Математическая модель совместной регуляции систем биосинтеза хлорофилла и фотосинтеза. Сб. тр. по агроном, физике АФИ, 1976, вып. 38, с. 12—22.
31. Калер В. Л., Фридлянд Л. Е. Моделирование адаптации фотосинтетического аппарата растительной клетки к изменяющимся условиям внешней среды.— В кн.: Теоретические основы и количественные методы программирования урожаев. JL, 1979, с. 24—45. (Тр. АФИ).
32. Кузнецов В.В., Дмитриева Г.А. Физиология растений. М.: Высшая школа, 2005. 736 с.
33. Кумаков В.А. Физиология яровой пшеницы. М.: Колос, 1980. 205 с.
34. Лавров С.А. Определение основной гидрофизической характеристики по данным о почвенно-гидрофизических константах // Сб. трудов. JL: ГГИ, 1986. Вып. 308. С. 39-45.
35. Лайск А. Кинетика фотосинтеза и фотодыхания СЗ-растений. М.: Наука, 1977. 196 с.
36. Мичурин Б.Н. Энергетика почвенной влаги. Л.: Гидрометеоиздат, 1975. 140 с.
37. Немченко О.А., Мусатенко Л.И. Моделирование роста и метаболизма растений на ранних этапах онтогенеза // Физиология и биохимия культурных растений. 1982. Т. 14, № 5. С. 439—445.
38. Ничипорович А. А. Некоторые принципы комплексной оптимизации фотосинтетической деятельности и продуктивности растений.— В кн.: Важнейшие проблемы фотосинтеза в растениеводстве. М.: Колос, 1970, с. 6—22.
39. Ничипорович А. А. О путях повышения продуктивности фотосинтеза растений в посевах.— В кн.: Фотосинтез и вопросы продуктивности растений. М., изд-во АН СССР, 1963, с. 5—36.
40. Ничипорович А. А. Фотосинтез и теория высоких урожаев.— В кн.: Тимирязевское чтение. М., изд-во АН СССР, 1956, с. 1—93.
41. Одум Ю. Основы экологии. М.: Мир, 1975. 740 с.
42. Пачепский Я.А. Математические модели физико-химических процессов в почвах. М.: Наука, 1990. 188 с.
43. Пеннинг де Фриз Ф.В.Т., Х.Х. Ван Лаар. Моделирование роста и продуктивности сельскохозяйственных культур. JL: Гидрометеоиздат, 1986. 320 с.
44. Петрова М.В. и др. Компьютерная экспертная система поддержки агротехнологических решений на осушаемых землях // Мелиорация и водное хозяйство. 1994. № 4.
45. Полевой А.Н. Прикладное моделирование и прогнозирование продуктивности посевов. JL: Гидрометеоиздат, 1988. 318 с.
46. Полуэктов Р.А., Василенко Г.В. Расчет транспирации и физического испарения в прикладных моделях агроэкосистем // Почва и растение — процессы и модели. СПб.: АФИ, 1992. С. 58-66.
47. Полуэктов Р. А. Имитационные модели продуктивности агроэкоси-стем.— В кн.: Теоретические основы и количественные методы программирования урожаев. JL, 1979, с. 14—23. (Тр. АФИ).
48. Полуэктов Р. А., Пых Ю. А., Швытов И. А. Динамические модели экологических систем. Л.: Гидрометеоиздат, 1980. 165 с.
49. Полуэктов Р.А., Кумаков В.А., Василенко Г.В. Моделирование транспирации посевов сельскохозяйственных растений // Физиология растений. 1997. Т. 44, № 1. С. 68-73.
50. Полуэктов Р.А., Кумаков В.А., Захарова Е.Т., Финтушал С.М. Динамическая модель продукционного процесса яровой пшеницы: учет влияния водного стресса на рост и развитие растений // Сельскохоз. биология. 2002а. № 1. С. 44-53.
51. Полуэктов Р.А., Смоляр Э.И., Терлеев В.В., Топаж А.Г. Модели продукционного процесса сельскохозяйственных культур. СПб.: Изд-во С. — Петерб. Ун-та, 2006. — 396с.
52. Полуэктов Р. А., Смысловский А.И., Финтушал С.М. "СИМОНА"- система имитационного моделирования и язык управления моделями // Теоретические основы и количественные методы программирования урожаев. JL, 1979. С. 101— 112.
53. ПолуэктовР.А. Динамические модели агроэкосистемы. JL: Гидрометеоиздат, 1991. 312 с.
54. Полуэктов Р.А., Опарина КВ., Финтушал С.М. Прогнозирование темпов фенологического развития сельскохозяйственных растений // Физиология растений.- 2000, т. 47, № 4, С. 634-640.
55. Полуэктов Р.А., Опарина КВ., Петрова М.В., Финтушал С.М. Значениеагротехнологий при моделировании продукционного процесса растений // Вестник РАСХН. 1998а. № 3. С. 48-51.
56. Полуэктов Р.А., Опарина КВ., Терлеев В.В. Три способа расчета динамики почвенной влаги // Метеорология и гидрология. 2003. № 11. С. 90 98.
57. Полуэктов Р.А., Опарина КВ., Семенова Н.Н., Терлеев В.В. Моделирование почвенных процессов в агроэкосистемах: Учеб. пособие. Изд-во СПбГУ, 20026. 148 с.
58. Полуэктов Р.А., Терлеев В.В. Моделирование водоудерживающей способности и дифференциальной влагоемкости почвы // Метеорология и гидрология. 2002. №11. С. 93-100.
59. Полуэктов Р. А., Топаж А.Г. Расчет отношения root/shoot в моделях органогенеза высших растений // Физиология растений. 2005. Т. 52, № 5.
60. Полуэктов Р.А., Якушев В.П. Основные принципы планирования полевого и компьютерного экспериментов: Методические рекомендации. Изд-во СПбГУ, 2003.25 с
61. Пых Ю.А. Математические модели фотосинтеза листа в общей модели продуктивности агроэкосистем // Управление продуктивностью экологических систем. Сб. трудов по агрономической физике. JL: АФИ, 1976. Вып. 38. С. 30-46
62. Мартин Дж. Организация баз данных в вычислительных системах М.: Мир, 1980
63. Росс Ю.К. Система уравнений для количественного описания роста растений // Фитоактинометрическое исследование растительного покрова: Сб. статей. Таллин: Валгус, 1971. С. 64-88.
64. Роде А.А. Основы учения о почвенной влаге. JL: Гидрометеоиздат, 1965. Т. 1. 663 е.; 1969. Т. 2. 288 с.
65. Сабинин Д.А. Физиология развития растений. М.: Изд-во АН СССР, 1963. 195 с.
66. Самарский А.А. Теория разностных схем. М.: Наука, 1977. 656 с.
67. Самарский А.А., Карамзин ЮН. Разностные уравнения. М.: Знание, 1978. 64 с.
68. Сапожников П.М., Гончарова Е.М., Прохоров А.Н. Модель расчета основной гидрофизической характеристики по базовым показателям физического состояния почв // Докл. ВАСХНИЛ. 1992. № 9. С. 22-25.
69. Сиротенко О. Д., Бойко А. П. Динамическая модель агроценоза Тр. ИЭМ, 1977, вып. 8 (67), с. 12—36.
70. Сиротенко О.Д., БойкоДИ. Динамическая модель агроценоза// Труды ИЭМ. 1976. Вып. 8 (67). С. 12-36.
71. Строганова М.А., Сунцева Н.А. Динамическая модель роста проростков зерновых культур в период посев-всходы // Труды ВНИИСХМ. 1983. Вып. 8. С. 36-45.
72. Терлеев В.В. Моделирование водоудерживающей способности почв как капиллярно-пористых тел: Учеб.- метод, пособие. СПб.: НИИ химии СПбГУ, 2000. 71 с.
73. Тооминг X. Г., Каллис А. Г. Расчеты продуктивности и роста растительного покрова.— В кн.: Солнечная радиация и продуктивность растительного покрова. Тарту, изд. ИФА АН ЭССР, 1972, с .5—12.
74. Тооминг X. Г. Связь фотосинтеза, роста растений и геометрической структуры листвы растительного покрова с режимом солнечной радиации наразных широтах. Бот. журн., 1967, № 5, с. 606—616.
75. ТоомингХ.Г. Солнечная радиация и формирование урожая. Л.: Гидрометеоиздат, 1977. 199 с.
76. Тооминг Х.Г. Солнечная радиация и формирование урожая. Л.: Гидрометеоиздат, 1977. 199 с.
77. Топаж А.Г. Моделирование суточных метеоданных как входного сигнала модели продукционного процесса // Почва и растение процессы и модели: Сб. статей. СПб.: АФИ, 1992. С. 79-86.
78. Уланова Е.С. Методы оценки агрометеорологических условий и прогнозов урожайности зерновых культур. Л.: Гидрометеоиздат, 1988. 53 с.
79. Уланова Е.С., Моисейчик В.А., Полевой А.Н. Руководство по агрометеорологическим прогнозам: Т. 1. Зерновые культуры. JL: Гидрометеоиздат, 1984.309 с.
80. Франс Д., ТорнлиДж. Математические модели в сельском хозяйстве. М.: Агропромиздат, 1987. 400 с.
81. Хомяков П.М., Конищев В.Н., Пегое С.А. и др. Моделирование геоэкосистем регионального уровня. М.: Изд-во МГУ, 2000. 382 с.
82. Чайлдс Э. Физические основы гидрологии почв. JL: Гидрометеоиздат, 1973. 427 с.
83. Шатилов И. С, Бондаренко Н. Ф., Жуковский Е. Е., Каюмов М. К, Нерпин С. В., Полуэктов Р. А. Схема организации научных исследований по программированию урожая. Докл. ВАСХНИЛ, 1976, № 2, с. 2—4.
84. Шеффе Г. Дисперсионный анализ. М., Наука, 1980.
85. Якушев В.П. На пути к точному земледелию. СПб.: Изд-во ПИЯФ РАН, 2002. 458 с.
86. Якушев В.П. и др. Опыт составления программ интенсивных технологий на ЭВМ // Земледелие. 1988. № 7. С. 54-58.
87. Якушев В.П. и др. Экспертная система поддержки агротехнологических решений при программировании урожаев (опыт построения) // Вестник с.х. науки. 1989. №4. С. 31-37.
88. Якушев В.П., Полуэктов Р.А., СмолярЭ.К, ТопажА.Г. Точное земледелие (Аналитический обзор) // Агрохим. вестник. 2001. № 5, 6; 2002. № 2.
89. Якушев В.П., Полуэктов Р.А., Петрова М.В., Терлеев В.В., Петрушин А.Ф., Бакаленко Б.И. Имитационно-экспертная система поддержки агротехнологических решений (концепция) // Вестник РАСХН. 2008. № 5. С. 7 9.
90. Якушев В.П., Полуэктов Р.А., Петрова М.В., Терлеев В.В., Петрушин А.Ф., Бакаленко Б.И. Имитационно-экспертная система поддержки агротехнологических решений (реализация) // Вестник РАСХН. 2008. № 6. С. 6 9
91. Acock В. Crop Modelling in the USA // Acta Horticulturae. 1989. Vol. 248. P. 365-372.
92. Acock В., Pachepsky Y.A., Mironenko E.V. et al. GUICS: A Generic User Interface for One-Farm Crop Simulations // Agron. J. 1999. Vol. 91. P. 657-665.
93. Allen L.M., Jr. Nurbulence and wind speed spectra within a Japanese larch plantation // J. Apll. Met. 1968.Vol. 7, N 1. P. 73-78.
94. Bridge, D. W., 1976. A simulation model approach for relating effective climate to winter wheat yields on the Great Plains. Agricultural Meteorology, 17:185-194.
95. Brinsfield, R., Yaramanoglu, M., Wheaton, F., 1984. Ground level solar radiation prediction model including cloud cover effects. Solar Energy, 33:493-499.
96. Cod E. F. A relational model of data for large shared data banks// ACM New York, NY, USA/ 1983. Vol. 26. p 64-69.
97. Davidson J.L., Philip J.R. Light and pasture growth. In: Climatology and Microckumatology. UNESCO, 1958, p. 181-187.
98. Diepen C.A. van, RappoldC., Wolf J, Keulen H. van. Crop growth simulation model WOFOST. Documentation version 4.1. Wageningen, The Netherlands: Centre for World Food Studies, 1988. 299 p.
99. Diepen, C.A. van, Wolf, J., Keulen, H. van, 1989. WOFOST: a simulation model of crop production. Soil Use and Management, 5:16-24.
100. Duncan W. G., Loomis R. S., Williams W. A., Hanau R. A model for simulating photosynthesis in plant communities. Hilgardia, 1967, vol. 38, №4, p. 181—205.
101. Franco, U.& B.Oelschlaeger. CANDY. In: Simulationsmodelle zur Stickstoffdynaik. Schriftenreihe Agroinformatik #25. 1993. P. 99-110.
102. Gaastra P. Photosythesis of crop plants as influenced by light, carbon dioxide, temperature and stomatal diffusion resistance. Mededel Landbow-hogescool, Wageningen, 1959, vol. 59, №13, p. 1-68.
103. Hall A. E., Bjorkman O. Model of leaf photosynthesis and respiration. Ecol. Stud., 1975, vol. 12, p. 55—72.
104. Hanks J., Ritchie J.T. Modelling plant and soil Systems. Agronomy (A Series of Monographs). Madison, Wisconsin USA: SSSAI Publishers, 1991. 544 p
105. Hanks J., Ritchie J.T. Modeling Plant and Soil Systems // Madison, Wisconsin1. USA 1991.
106. Hijmans R.J., I.M. Guiking-Lens, and C.A. van Diepen. 1994. WOFOST 6.0: User's Guide For the WOFOST 6.0 Crop Growth Simulation Model. Technical Document 12. ISSN 0928-0944. Wageningen, The Netherlands.
107. Hupert F., J.C. van Damm, andM. Vanclooster. Impact of within-field variability in soil hydraulic properties on transpiration fluxes and crop yield: a numerical study // Vadose Zone Journal, v.3, 2004. pp. 1367-1379.
108. Huygen, J., 1992. SWACR0P2, a quasi-two-dimensional crop growth & soil water flow simulation model. User's guide. WAU, Dept. of water resources, SC-DLO, Wageningen, The Neteherlands.
109. Jones, C.A., and J.R.Kinry (ed.). CERES-maize: A simulation model of maize growth and development. Texas A&M Univ. Press. College Station. 1986.
110. Keulen, H. van, Diepen, C.A. van, 1990. Crop growth models and agro-ecological characterization. In: Scaife, A. (Ed.): Proceedings of the first congress of the European society of agronomy, 5-7 December 1990, Paris. CEC, ESA, INRA. session 2:1-16.
111. MonsiM., Saeki T. Uber den Lichtfaktor in den Pflanzengesellschaften und seine Bedeutung fur die Stoffproduktion // Jap. J. Bot. 1953. Vol. 14, N 1. P. 22-52.+
112. Passioura, J.В., 1996. Simulation models: Science, snake oil, education, or engineering? Agronomy Journal, 88:690-694.
113. Penning de Fries F. W.T., Jensen D.M., ten Berge H.F.M., Baketa A.H. Simulation of ecophysiological processes of growth of several annual crops. Wageningen: Pudoc, 1989. 271 p.
114. Poluektov R. A. Matematische Modelle der Pflanzenproduktivitat.— In: Biophysikalische Analyse pflanzlicher Systeme. Jena: VEB G. Fischer В Ver-lag, 1977, p. 31—37.
115. Poluektov R.A., Fintushal S.M., Oparina I. V. et al. AGROTOOL a system for crop simulation// Arch. Acker- Pfl. Boden. 2002. Vol. 48. P. 609-635.
116. Poluektov R.A., Oparina I. V., Zakharova E.T., Fintushal S.M. Parameter Estimation of Soil-Plant-Atmosphere Model // Agrophysical and Ecological Problems of Agriculture in the 21-th Century. SPb., 2004. Vol. 4. P. 11-17.
117. PoluektovR.A., TopajA.G., Topaj I.G. Formation of Management Units for Precision Farming // Proc. Conf. "Physical Methods in Agriculture. Approach to Precision and Quality". Czech University of Agriculture. Prague, 2001. P. 248-252.
118. Poluektov R.A., Zakharova E.T. Two approaches to the description of distribution keys in crop simulation models // Intern. Agrophysics. 2000. N 1. P. 99—104.
119. Richards L.A. Capillary conduction of liquids through porous media // Physics. 1931. Vol. l.P. 95-112
120. Schawcroft R. W., Lemon E. R., Allen L. H., Stewart D. W„ Jensen S. E. The soil—plant—atmosphere model and some of its predictions.— Agric. Meteorol., 1974, vol. 14, №1, p. 287—307.
121. Wenkel K.-O., and Mirschel W. Agrooerosystemmodellirung. Grundlage fuer die Abschaetzung von Auswiekungen moegicher Landnutzungs- und Klimaaenderungen // ZALF Bericht, N 24. Muencheberg, 1995. S. 187
122. Whisler, F.D., Acock, В., Baker, D.N., Fye, R.E., Hodges, H.F., Lambert, J.R., Lemon, H.E., Mckinion J.M., Reddy, V.R., 1986. Crop simulation models in agronomic systems. Advances in Agronomy, 401:141-208.
123. Wit С. Т., de, e. a. Simulation of assimilation, respiration and transpiration of crops. Wageningen, 1978. 140 p.
-
Бакаленко, Борис Иванович
-
кандидата технических наук
-
Санкт-Петербург, 2009
-
ВАК 06.01.03
- Территориальная организация и эффективность зернового хозяйства Западного Кавказа и Предкавказья (в границах Краснодарского края)
- Формирование урожайности яровых зерновых культур в чистых посевах сортов и в блендах при возделывании по экологически безопасной технологии в условиях Верхневолжья
- Серая зерновая совка (Apamea anceps Schiff., Noctuidae, Lepidoptera) в Казахстане (биология, экология, система прогнозов)
- Совершенствование технологии выращивания и уборки посевов гречихи в условиях лесостепи Среднего Поволжья
- Биоэкологическое обоснование защиты зерновых культур от корневых гнилей на северо-востоке Нечерноземной зоны РФ
