Використання інформаційних технологій для програмування врожаю

 

У третьому тисячолітті рівень науково-технічного прогресу дозволяє широко використовувати інформаційні системи в сфері науки, освіті, виробництва, бізнесу, моніторингу, консалтингових послуг тощо. Іноді термін "інформація" розуміється дуже вузько, проте реально під цим терміном слід називати все, що може бути представлене у вигляді букв, цифр і зображень. Практично всі людські знання подаються саме у такому вигляді, і вся виробнича діяльність може бути відображена й змодельована з їх допомогою.

За сучасних умов під інформаційними технологіями (IT) розуміють систему методів і способів пошуку, збирання, накопичення, узагальнення, зберігання й обробки різноманітної інформації за допомогою застосування засобів комп'ютерної техніки. На відміну від традиційних засобів виробництва, ефективність IT суттєво залежить від наявності технічних засобів; кваліфікації персоналу, здатного використовувати їх; організації, яка об'єднує засоби та персонал в єдиному процесі; інформаційних засобів, що здійснюють формування й видачу інформації (рис. 1.6.1).

З появою ПЕОМ настав час комп'ютерних інформаційний технологій, які внаслідок здешевлення їх вартості дали можливість широкого охоплення глобальними комп'ютерними мережами величезних груп користувачів. Широкомасштабне застосування мережі Інтернет з використанням моделей, які ґрунтуються на платформах "клієнт-сервер", сприяло виникненню високих інформаційних технологій (ВІТ). їх основними ознаками є досягнення універсальності методів комунікацій; підтримка систем мультимедіа і максимальне спрощення інтерфейсу "людина↔ПЕОМ"; відкритість стандартів, тобто використання протоколів і програмних інтерфейсів, що гарантували б створення єдиного інтерфейсу для всіх взаємодій з ПЕОМ (доступу до файлів, повідомлень, сторінок, документів, локальних дисків, Web-сторінок, графіки, мультимедіа, баз даних тощо).

Метою етапу ВІТ є зниження вартості інформаційного контакту, необмеженість обсягу доступної інформації, висока ефективність використання ПЕОМ і мережевих ресурсів. Важливе наукове й практичне значення має застосування новітніх технологій накопичення, обробки і подання інформації внаслідок можливості її використання для корегування агрозаходів при вирощуванні сільськогосподарських культур, управління продукційними процесами рослин, поточного та довгострокового планування й прогнозування тощо. їх використання пов'язано з розвиненими аналітичними можливостями, дозволяє наочно відобразити й осмислити інформацію про локальні об'єкти, процеси та явища як окремо, так і в сукупності.

Одночасно інформаційні технології дозволяють виявити взаємозв'язки з їх просторовим розташуванням, підтримувати колективне використання даних через локальні мережі або Інтернет з концентрацією та інтеграцією в єдиний інформаційний масив, проводити моделювання та прогнозування.

Класифікація складових елементів інформаційних технологій

Рис. 1.6.1. Класифікація складових елементів інформаційних технологій

У базі даних також можна організувати зберігання графічної, технічної, довідкової та іншої документації, яка може бути корисною для споживачів. Новітні інформаційні системи дають можливість тривимірного представлення території та інформаційних блоків. Такі моделі сільськогосподарських масивів, що об'єднуються в загальний тривимірний ландшафт, спроектований на основі цифрових картографічних даних, матеріалів дистанційного зондування та (або) надземних спостережень і досліджень, дозволяють підвищити якість візуального аналізу території та забезпечують ухвалення оптимальних рішень з максимальною ефективністю й своєчасністю.

За сучасного рівня науково-технічного прогресу існує можливість за допомогою мережі Інтернет отримання інформації щодо прогнозування погодних умов на близьку та віддалену перспективу. Ця інформація також може бути використана для уточнення технології вирощування сільськогосподарських культур, планування та корегування окремих агротехнологічних заходів, прогнозування продуктивності рослин тощо.

Застосування програмного забезпечення геоінформаційних технологій (ArcView, ArcMap, ArcPad, Arclnfo, ArcAnalysis, Google Earth та ін.) також дозволяє надати різнобічні характеристики (географічне розташування, наближеність до населених пунктів, транспортна мережа, зрошувальні системи тощо) як на континентальному й регіональному рівнях, так і невеликих сільськогосподарських ділянках.

Використання експериментальних даних за багаторічний період дозволяє з достатньою точністю розробити залежності продуктивності агроценозів при зрошенні, виходячи з різних умов вологозабезпеченості рослин і застосування інших складових життєдіяльності рослин. Аналіз літературних джерел показує, що у наукових установах накопичено значний експериментальний матеріал, але він через різні схеми дослідів він потребує систематизації та узагальнення до показників, які дадуть змогу використати його при статистичному моделюванні.

Недотримання елементів технологій вирощування сільськогосподарських культур порушує екологічну рівновагу агроландшафтів, руйнує природну здатність агроценозів до самовідновлення та значно знижує ефективність зрошуваного землеробства. Одержання високих та сталих урожаїв сільськогосподарських культур на зрошуваних землях можливе лише за умов оптимальної кількості поливної води, елементів живлення, густоти стояння рослин та інших технологічних чинників,. витрати яких залежать від біологічних особливостей культур, характеру водоспоживання, погодних умов вегетації тощо. Встановити оптимум витрат ресурсів для неповторних природних, технологічних та економічних умов можна за допомогою математичного моделювання.

В останнє десятиріччя спостерігається сплеск в галузі дослідження і застосування штучних нейронних мереж. Цей метод вже набув поширення в біохімічних дослідженнях, у медицині, молекулярній біології, екології (моделювання просторової динаміки риб, прогноз відтворювання фітопланктону, різноманітності риб тощо), у дослідженнях із розпізнавання образів і мови.

Залежно від поставленого завдання (узагальнення, оптимізація, управління, прогноз, редукція даних та ін.) розглядають і застосовують різні види нейронних мереж. У теперішній час найбільш часто використовуються два типи таких мереж:

  • 1. Багатошарова нейронна мережа – складається з одного вихідного та одного або кількох внутрішніх і витікаючих шарів. Шари утворюються нелінійними елементами (нейронами), кожний нейрон одного шару пов'язаний зі всіма нейронами подальшого, кожному з'єднанню приписана відповідна вага, зворотний зв'язок відсутній, а також неможливі ніякі з'єднання між елементами одного шару. Кількість елементів вихідних і витікаючих шарів визначається об'єктом дослідження.
  • 2. Мережа складається тільки з вихідного та витікаючого шарів. Вихідний шар звичайно складається з елементів, з'єднаних у двовимірні квадратні (або іншої геометричної форми) грати. Кожний нейрон пов'язаний з найближчими сусідами. Нейрони містять вагу (вектор терезів), кожний з яких відповідає вхідному значенню.

За допомогою статистичного моделювання можна сформувати нейронну мережу показників продукційного процесу сільськогосподарських культур залежно від комплексного впливу природних та технологічних факторів з урахуванням локальних господарських умов (рис. 1.6.2).

Нейронна мережа показників продукційного процесу сільськогосподарських культур в умовах зрошення півдня України (пояснення в тексті)

Рис. 1.6.2. Нейронна мережа показників продукційного процесу сільськогосподарських культур в умовах зрошення півдня України (пояснення в тексті)

Архітектура побудованої нейронної мережі (РБФ 6:19-1-1:1, N = 10) заснована на десяти елементах (нейронах), які мають вплив на інтенсивність продукційного процесу рослин. Усі нейрони поділяються на два блоки:

І. Природні Фактори:

  • 1. Надходження фотосинтетично активної радіації.
  • 2. Кількість атмосферних опадів.
  • 3. Середньодобова температура повітря.
  • 4. Сума температур повітря понад 5°С.
  • 5. Сума температур повітря понад 10°С.

II. Технологічні Фактори:

  • 6. Сортовий (гібридний) склад.
  • 7. Величина зрошувальної норми.
  • 8. Фон мінерального живлення.
  • 9. Густота стояння рослин.
  • 10. Інтегрований захист рослин.

Слід зауважити, що в розробленій нейрони ій мережі можна змінювати лише елементи другого блоку. Проте шляхом оптимізації технологічних факторів можна подолати негативний вплив природних чинників (наприклад, посуху, нестачу елементів живлення тощо) та істотно підвищити продуктивність зрошуваних агроценозів.

За цих умов важливим завданням є встановлення оптимального ресурсного забезпечення продукційного процесу з метою формування найвищого рівню врожаю, підвищення якості рослинницької продукції, високого рівня економічної ефективності та мінімізації впливу на довкілля.

За результатами узагальнення експериментальних даних з використанням засобів програми STATISTICA 6,1 можна розрробити множинну регресійну модель. Наприклад, за даними Інституту зрошуваного землеробства сформована така модель продуктивності пшениці озимої сорту Херсонська безоста залежно від доз азотних добрив та величини зрошувальної норми (рис. 1.6.3).

Згідно з одержаної тривимірної площини відгуку можна простежити оптимальну зону, яка знаходиться для зрошувальної норми в діапазоні від 1400 до 2000 м3/га, а для дози азотних добрив – від 85 до 150 кг д.р./га. За допомогою одержаної статистичної моделі можна проводити програмування рівня врожаю.

Статистична обробка одержаних даних дозволила побудувати поліноміальні моделі насіннєвої продуктивності самозапилених ліній кукурудзи залежно від режимів зрошення (рис. 1.6.4).

Модель урожайності зерна пшениці озимої сорту Херсонська безоста залежно від доз азотних добрив та величини зрошувальної норми

Рис. 1.6.3. Модель урожайності зерна пшениці озимої сорту Херсонська безоста залежно від доз азотних добрив та величини зрошувальної норми:

де У – теоретичний рівень урожайності зерна, т/га;

Х1 – величина зрошувальної норми, м3/га;

Х2 – доза азотного добрива, кг д. р. на 1 га

Отримані моделі показують, що при вирощуванні батьківських форм кукурудзи густоту стояння рослин слід коригувати згідно запланованого режиму зрошення. Наприклад, при водозберігаючому режимі зрошення оптимальна густота стояння рослин на ділянках гібридизації становить 75-85 тис./га.

При застосуванні біологічно оптимального поливного режиму щільність посівів доцільно збільшити до 80-95 тис./га, що пояснюється спроможністю рослин краще реагувати на загущення внаслідок покращення водного режиму.

Модель урожайності насіння кукурудзи та густоти стояння рослин при водозберігаючому (а) та оптимальному (б) режимах зрошення

Рис. 1.6.4. Модель урожайності насіння кукурудзи та густоти стояння рослин при водозберігаючому (а) та оптимальному (б) режимах зрошення

Статистична обробка результатів врожайності середньопізніх гібридів кукурудзи шляхом порівняння густоти стояння рослин і доз мінеральних добрив дозволила виявити певні статистичні зв'язки.

Регресійно-кореляційне моделювання для умов зрошення півдня України між цими показниками виявило їх тісний статистичний взаємозв'язок – коефіцієнт кореляції поліноміальних рівнянь складає 0,756-0,893 (рис. 1.6.5).

Статистична модель урожайності зерна середньостиглих гібридів кукурудзи залежно від густоти стояння рослин та фону мінерального живлення для умов зрошення півдня України

Рис. 1.6.5. Статистична модель урожайності зерна середньостиглих гібридів кукурудзи залежно від густоти стояння рослин та фону мінерального живлення для умов зрошення півдня України

Проведене моделювання показує, що для отримання максимальної врожайності зерна існує необхідність взаємокоригування густоти стояння рослин кукурудзи відносно доз внесення азотно-фосфорних добрив. Якщо для варіантів без внесення добрив оптимальна густота стояння знаходиться в межах 60 тис./га, то при внесенні 60 кг д.р./га азоту й фосфору вона зростає до 75, а на ділянках з дозою N120P120 – до 85 тис./га. Встановлені параметри щільності посівів і фону мінерального живлення необхідно використовувати при плануванні агротехнологічного комплексу вирощування кукурудзи.

Проведений аналіз взаємозалежності між рівнем урожаю зеленої маси й насіння ріпаку та фоном азотного живлення виявив пряму кореляційну залежність, яка характеризується відповідними рівняннями регресії (рис. 1.6.6).

Кореляційна поліноміальна модель між продуктивністю рослин ріпаку та нормою азотного добрива

Рис. 1.6.6. Кореляційна поліноміальна модель між продуктивністю рослин ріпаку та нормою азотного добрива

Сучасний рівень науково-технічного прогресу дозволяє за допомогою комп'ютерного програмного забезпечення оптимізувати прийняття рішень про величину локальних поливних норм, диференціювати норми внесення добрив та інших агроресурсів з метою підвищення продуктивності сільськогосподарських культур при раціональному використанні всіх видів ресурсів, а також проводити моделювання й прогнозування показників продукційних процесів рослин. Виконання такої роботи – принципово новий напрям у рослинництві й землеробстві – створення постійно діючих математичних моделей як для великих зональних масштабів, так і для місцевих локальних умов. Завданням проведених досліджень було встановлення науково-практичних аспектів використання розрахункового методу встановлення показників ФАР за різні терміни вегетації сільськогосподарських культур з можливостями використання інформаційних технологій.

Найбільш розповсюдженими у 70-80 роках XX ст. на території колишнього СРСР був метод визначення ФАР за показниками прямої та розсіяної сонячної радіації за допомогою актинометричних спостережень. За результатами цих даних проводили сумарні розрахунки показників ФАР. Проте цей метод – досить складний і потребує чисельних спостережень, розрахунків і спеціалізованого устаткування.

За відсутності актинометричних спостережень як місячні, так і добові величини інтегральної радіації можуть бути отримані розрахунковим методом за даними стандартних метеорологічних спостережень. У цьому випадку для основних вихідних даних використовується показник тривалості сонячного сяйва (у радянській літературі він позначається ПСС, в англомовній – SS), а також кількість хмарності.

Серед низки методів розрахунків місячних величини інтегральної радіації  за місячними сумами тривалості сонячного сяйва () найбільш точним і досконалим є метод С. І. Сивкова (1973), де розрахунок  проводиться за формулою:

де  – місячна сума тривалості сонячного сяйва

за показниками геліографу, годин; sin  – синус полуденної висоти Сонця для середнього дня місяця

Висота Сонця в полудень у середньому дня періоду розраховується за формулою:

де φ – географічна широта станції, °;

δ – нахил Сонця, який знаходиться для дня, що відповідає середині розрахункового періоду, °;

При проведенні науково-дослідних робіт з різними сільськогосподарськими культурами початок місяця можна відлічити від будь-якої дати (строк сівби, сходи, фази росту й розвитку, проведення поливів тощо) для того, щоб встановити залежності між надходженням ФАР і досліджуваними факторами. Відповідно до цього початку розрахункового періоду необхідно визначити середину місяця, яка не буде співпадати з 15 числом.

З метою спрощення розрахунків і підвищення їх точності, а також враховуючи складність вище наведених способів встановлення інтегральної сонячної радіації нами проведено статистичне моделювання на основі вихідних даних суми тривалості сонячного сяйва та його полуденної висоти (табл. 1.6.1), яке дозволило розробити рівняння множинної регресії.

Підставляємо значення показників для визначення сумарної радіації і отримуємо таку регресійну залежність, яка відображена формулою:

де  – сума інтегральної радіації, ккал/см2 за період;

 – сума тривалості сонячного сяйва, год.;

 – полуденна висота Сонця (обирається залежно від географічної широти метеостанції і терміну спостережень), °

Визначення ступеня тісноти зв'язку прямолінійної множинної кореляції значення ознаки  від двох змінних величин  і  дозволило виявити тісну ступінь множинного кореляційного зв'язку (). Проведені розрахунки дозволили побудувати

тривимірну поверхню відгуку показників сумарної інтегральної радіації відносно змінних показників тривалості сонячного сяйва та полуденної висоти Сонця (рис. 1.6.7).

Таблиця 1.6.1

Вихідні дані для розрахунку інтегральної сумарної радіації за допомогою множинного регресійного рівняння

п/п

1

0,8

40,0

15,0

32,0

12,0

600,0

1600,0

225,0

0,6

2

1,2

54,0

17,5

64,8

21,0

945,0

2916,0

306,3

1,4

3

1,8

71,0

20,0

127,8

36,0

1420,0

5041,0

400,0

33

4

2,6

87,0

22,5

226,2

58,5

1957,5

7569,0

506,3

6,8

5

3,4

100,0

25,0

340,0

85,0

2500,0

10000,0

625,0

11,6

6

4,3

120,0

27,5

516,0

118,3

3300,0

14400,0

756,3

183

7

5,0

140,0

30,0

700,0

150,0

4200,0

19600,0

900,0

25,0

8

6,1

160,0

32,5

976,0

198,3

5200,0

25600,0

1056,3

37 3

9

7,1

180,0

35,0

1278,0

248,5

6300,0

32400,0

1225,0

50,4

10

8,1

200,0

37,5

1620,0

303,8

7500,0

40000,0

1406,3

65,6

11

9,0

220,0

40,0

1980,0

360,0

8800,0

48400,0

1600,0

81,0

12

10,4

240,0

42,5

2496,0

442,0

10200,0

57600,0

1806,3

108,2

13

11,4

260,0

45,0

2964,0

513,0

11700,0

67600,0

2025,0

130,0

14

12,7

280,0

47,5

3556,0

603,3

13300,0

78400,0

2256,3

161,3

15

13,8

300,0

50,0

4140,0

690,0

15000,0

90000,0

2500,0

190,4

16

15,1

320,0

52,5

4832,0

792,8

16800,0

102400,0

2756,3

228,0

17

16,2

340,0

55,0

5508,0

891,0

18700,0

115600,0

3025,0

262,4

18

17,5

360,0

57,5

6300,0

1006,3

20700,0

129600,0

3306,3

306,3

19

18,7

380,0

60,0

7106,0

1122,0

22800,0

144400,0

3600,0

349,7

20

19,9

400,0

62,5

7960,0

1243,8

25000,0

160000,0

39063

396,0

21

21,0

420,0

65,0

8820,0

1365,0

27300,0

176400,0

4225,0

441,0

Сума

206,1

4672,0

840,0

61542,8

10260,3

224222,5

1329526,0

38412,5

2874,6

Тривимірна поверхня відгуку показників сумарної інтегральної радіації (ΣмQ) залежно від показників тривалості сонячного сяйва (ПСС ) та полуденної висоти Сонця для середнього дня місяця (hng)

Рис. 1.6.7. Тривимірна поверхня відгуку показників сумарної інтегральної радіації (ΣмQ) залежно від показників тривалості сонячного сяйва (ПСС ) та полуденної висоти Сонця для середнього дня місяця (hng)

З метою перевірки запропонованого способу встановлення показників ФАР нами використані дані тривалості сонячного сяйва групи метеорологічних спостережень Херсонського Гідрометцентру за період 1994-2008 pp.

Угрупування даних тривалості сонячного сяйва показало чітку тенденцію до наростання цього показника з квітня по жовтень та різке зниження на початку (січень-березень) та наприкінці року (листопад- грудень). За досліджуваний період 1994-2008 pp. найменша тривалість Сонячного сяйва була відмічена у грудні 2007 р. (18,3 год.) та у січні 1999 р. (19,4 год.).

Максимальним цей показник був у липні 2007 р. (384,7 год.) та у липні 1996 р. (363,6 год.), які характеризувалися дуже посушливими умовами й гострим дефіцитом атмосферних опадів. За період квітень- жовтень мінімальна інтенсивність сонячної інсоляції була відмічена у 2004 р. (1681,2 год.), а максимальна (2070,0 год.) – у 2003 р. Сумарно за рік встановлено такий розподіл – найменша тривалість сонячного сяйва 2100,8 год. встановлена у 1999 р., а найвища (2605,0 год.) – у 2003 р.

Порівняння середніх показників тривалості сонячного сяйва за 46-річний (1962-2008 pp.) та 15-річний періоди (1994-2008 pp.) дозволило виявити певну тенденцію щодо збільшення інтенсивності сонячної інсоляції за останні роки у весняний період та першу половину літа, коли тривалість сонячного сяйва збільшилася на 2,5- 12,1%. Починаючи з серпня місяця, відмічене деяке зниження цього показника на 1,6-5,7%.

Варіаційним аналізом доведена суттєва відмінність тривалості сонячного сяйва по місяцях. Так, найвищу мінливість (Р=46,7%) при мінімальному довірчому інтервалі (46,8-80,9 год.) встановлено у грудні, а найбільш стабільне (коефіцієнт варіації дорівнює 9,1 і 10,2%, відповідно) – у червні та липні. Область розкиду індивідуальних значень варіюючої ознаки (ts) для 95% рівня вірогідності складає для червня 291,7÷323,8 год., а для липня – 312,3÷351,1 год.

Використовуючи розроблену статистичну модель, проведено розрахунки надходження показників інтегральної ФАР за досліджуваний період 1994-2008 pp. (додаток В.2). Аналіз одержаних даних дозволив виявити закономірності схожі показниками тривалості сонячного сяйва. Найнижчі показники фотосинтетично активної радіації встановлені у листопаді (699 ГДж/га), жовтні (1528) та березні (1655 ГДж/га). Максимальне надходження ФАР спостерігалося у червні та липні місяцях – відповідно 3782 і 3935 ГДж/га.

На відміну від показників тривалості сонячного сяйва, встановлена менша мінливість інтегральної ФАР в усі порівнювальні місяці. Наприклад відносно показника ПСС незначна мінливість виявлена лише у червні (V=9,l%), а щодо розрахункових величин фотосинтетично активної радіації – травень, червень, липень і серпень (V становив 9,8; 5,8; 6,8; 8,7%, відповідно). Найбільший довірчий інтервал варіюючої ознаки спостерігається у липні й коливається в межах 3787-4085 ГДж/га.

Дуже низька мінливість простежується за сумою ФАР по періодах березень-листопад (V=4,9%) та травень-жовтень (V=4,8%), що свідчить про стабільність цього показника в багаторічній площині.

Для порівняння можна навести приклад встановлення показників ФАР для різних грунтово-кліматичних зон. Так, за даними А. О. Лимаря, С. Д. Лисогорова та ін. (1987), надходження фотосинтетично активної радіації за період з травня по жовтень становило по Херсонській обл. – 18900 ГДж, по Миколаївській – 18031, Запорізькій – 17924, Одеській обл. – 18224, АР Крим – 20480 ГДж/га. Для умов Київської обл. показник ФАР за цей період зменшується до 14834 ГДж/га (Тарарико Ю.О., 2007). Згідно з дослідженнями І.С. Шатілова та А.Ф. Чудновського (1980) в умовах Московської обл. прихід ФАР за ці ж місяці складає близько 12500 ГДж, а для районів Середньої Азії підвищується до 33415 ГДж/га. Отже, одержані дані ФАР узгоджуються з показниками, отриманими в минулому в дослідах з цього напряму як в Україні, так і в інших регіонах, та становлять для місця проведення досліджень, у середньому за 1994-2008 pp., 18652 ГДж/га.

Кореляційно-регресійне моделювання надходження інтегральної ФАР на період до 2012 р. свідчить про деяку тенденцію щодо збільшення цього показника у багаторічному циклі (рис. 1.6.8).

Динаміка показників інтегральної ФАР за досліджуваний період і прогноз до 2012 р. за періодами: а – березень-листопад (у=57,496х – 91493,0); б – травень-жовтень (у – 17,254х -15872,0)

Рис. 1.6.8. Динаміка показників інтегральної ФАР за досліджуваний період і прогноз до 2012 р. за періодами: а – березень-листопад (у = 57,496х – 91493,0); б – травень-жовтень (у – 17,254х -15872,0)

Згідно з проведеними розрахунками доведена різниця у надходженні сумарної ФАР залежно від гідротермічних умов у роки

досліджень. Так, у період з травня по жовтень цей показник у вологі роки (1997, 2004 pp.) дорівнював 17170-17682 ГДж/га, а в сухі (1996, 2007 pp.) був на 1,6-11,8% вищим.

З метою прискорення одержання показників, необхідних для розрахунків інтегральної ФАР, їх можна отримувати не лише безпосередньо на метеорологічних станціях, а також за допомогою баз даних з мережі Інтернет. Для цього у Всесвітній електронній мережі треба знайти сайти, які містять архівні бази даних з метеорологічною інформацією.

Після завантаження бази даних, що представлена у вигляді файла data.txt редактора Microsofr!!!Блокнот, необхідно з наявних 31 показника виділити лише один "SS – солнечный свет, продолжительность". Цю операцію можна зробити за допомогою засобів електронного проектування Microsoft Offtce Excel 2003.

Також на метеорологічних сайтах можна встановити показник географічної широти точки спостережень. Уся інша інформація обирається за допомогою довідкових таблиць та встановлюється шляхом супутніх розрахунків.

З метою прискорення й полегшення розрахунків, а також для підвищення їх точності, в Інституті зрошуваного землеробства було створено Програмний модуль "ФАР" з використанням засобів комп'ютерного проектування Microsoft Office Excel 2003 (рис. 1.6.9).

Модуль складається з одного активного вікна, в яке необхідно внести чотири текстові блоки:

  • 1. "Термін спостережень" – початок терміну розрахунків надходження ФАР (в розглянутому прикладі – "1 квітня").
  • 2. "Термін спостережень" – закінчення терміну розрахунків ("31 жовтня"),
  • 3. "Середина періоду" – обирається дата середини розрахункового періоду ("16 липня").
  • 4. "МС" – вказується метеорологічна станція, з якої обрано необхідні для розрахунків показники ("Херсон").

Після цього вводяться чотири цифрові показники:

  • 1. "ΣПСС" – наводиться показник тривалості сонячного сяйва в годинах (за даними метеорологічної станції вказаної в пункті 4 попереднього блоку, які одержують розглянутими вище способами).
  • 2. "Широта місця спостережень" – вказується географічна широта метеорологічної станції (для Херсонської МС – 46° північної широти).
  • 3. "Нахил Сонця залежно від календарних дат для середини періоду" – обирається з довідкової таблиці залежно від дати середини періоду вказаного в пункті 3 попереднього блоку (для 16 липня δ дорівнює 21,4°).
  • 4. Q" – коефіцієнт переходу з сумарної радіації до інтегральної ФАР. Коефіцієнт обирається залежно від висота Сонця в полудень для середньої дати розрахункового періоду (hng) за допомогою другої довідкової таблиці.

Миттєво після введення необхідної цифрової інформації користувач отримує кінцевий показник інтегральної ФАР за досліджуваний період у ккал/см2, кДж/см2, млн. ккал/га та ГДж/га.

Зовнішній вигляд активного вікна Програмного модуля

Рис. 1.6.9. Зовнішній вигляд активного вікна Програмного модуля "ФАР" (пояснення в тексті)

Для використання на практиці існує необхідність представлення показників ФАР як ккал/см2, так і МДж/см2, для чого необхідно зробити перерахунок цих величин. При цьому загальноприйнятим є співвідношення 1 ккал/см2 =4,19 кДж/см2. Щоб перейти від см2 до гектарної площі посівів або насаджень, одержаний результат необхідно помножити на 100 млн. і одержати дані в млн. або млрд, ккал/га або ГДж/га за досліджуваний період. Зауважимо, що згідно з міжнародною практикою (єдина система одиниць SI) для виміру енергії використовується джоуль (Дж), а також кратні його одиниці (кДж, МДж, ГДж, ТДж).

Залежність рівня сприятливості агрометеорологічних умов вегетаційного періоду визначалася як відношення фактичного рівня врожаю певного року до її трендового значення за формулою (3.5) (згідно з методикою, яка наведена в праці Тараріко Ю.О. та ін., 2008):

де І – індекс оцінки агрометеорологічних умов вегетаційного періоду;

Уфакт – фактична врожайність, т/га;

Утренд – щорічна врожайність по тренду, т/га, яка розраховується за математичним рівнянням лінійної регресії для зони південного Степу України:

де X – роки

При проведенні розрахунків за вказаною методикою доведено, що рівень сприятливості агрометеорологічних умов для отримання високого врожаю озимої пшениці коливається за досліджуваний період від 0,42 до 1,36 при середньо-багаторічному значенні 0,98 (рис. 1.6.10).

Великий інтервал коливань рівня сприятливості агрометеорологічних умов, виражений через індекс, спричинений значними коливаннями окремих метеорологічних показників.

Теоретично обгрунтовані вимоги рослин до навколишнього середовища дали можливість використовувати інерційний метод для моделювання впливу агрометеорологічних умов на формування врожайності пшениці озимої протягом періоду вегетації.

Модель для оцінки індексу сприятливості агрометеорологічних умов протягом весняно-літньої вегетації пшениці озимої складається з комплексу рівнянь множинної регресії другого порядку:

де n – порядковий номер місяця від 3-7, кожного року.

 – вільний член;

 – коефіцієнти моделі розраховані через регресію поверхні відгуку, відповідно з урахуванням місяцю; Тn – середньомісячна температура повітря за місяць, °С;

Rn – місячна сума опадів по місяцях вегетації, мм Розраховуємо річний індекс сприятливості агрометеорологічних умов (за Ю.О. Тараріко та ін., 2008), як суму впливу кожного окремого місяця з відповідними коефіцієнтами:

де Упр – урожайність прогнозна, т/га;

І – індекс оцінки агрометеорологічних умов вегетаційного періоду;

Утренд – щорічна врожайність по тренду, т/га

Індекс оцінки агрометеорологічних умов вегетації пшениці озимої за умов оптимального режиму зрошення

Рис. 1.6.10. Індекс оцінки агрометеорологічних умов вегетації пшениці озимої за умов оптимального режиму зрошення

Результати розрахунків урожайності озимої пшениці наведено на рис. 1.6.11. Отримана математична модель дозволяє одержати показники, близькі до фактичних, проте, вона виглядає дещо згладженою.

Враховуючи, що на точність прогнозних моделей суттєво впливає стабільність погодних умов, встановлено, що для зони ризикованого землеробства, до якої відноситься південь України, за рахунок нестійкого та недостатнього зволоження, великої амплітуди добових температур, при розрахунку моделей відмічені дещо менші значення зернової продуктивності пшениці.

Фактична та розрахункова (змодепьована) врожайність пшениці озимої при оптимальному режимі зрошення

Рис. 1.6.11. Фактична та розрахункова (змодепьована) врожайність пшениці озимої при оптимальному режимі зрошення

Зазначені особливості побудови моделей потребують розширення кількості висхідних показників при підборі найбільш вагомих чинників впливу на формування врожаю за вегетаційний період досліджуваної культури.

Vchys: ГДЗ, Решебники , Ответы, Реферати, Твори, ПрезентаціїГДЗ, Решебники и Ответы