Многофакторная модель урожайности сои в среднем Приамурье: диагностический аспект

Размещено на http://www.allbest.ru/

МНОГОФАКТОРНАЯ МОДЕЛЬ УРОЖАЙНОСТИ СОИ В СРЕДНЕМ ПРИАМУРЬЕ: ДИАГНОСТИЧЕСКИЙ АСПЕКТ

соя продуктивность агрометеорологический урожайность

Б.Е. Фишман, Н.Ю. Сухарева

Рассматривается сельскохозяйственная система «Производство сои». Функцией качества этой системы выступает урожайность сои, которая определяется в зависимости от агрометеорологических факторов. Данную систему можно представить как состоящую из подсистем разной природы. Нами приняты во внимание две из них: а) подсистема «урожайность сои - температура воздуха»; б) подсистема «урожайность сои - сумма осадков». Эти подсистемы, будучи по определяющим их факторам независимыми, тем не менее, взаимно обусловливают процессы развития сои, демонстрируя синергизм своих влияний на эти процессы. Опираясь на известные исследования, проиллюстрируем сказанное на качественном уровне.

Соя - культура муссонного климата, предъявляющая повышенные требования к обеспечению влагой и теплом. В онтогенезе соя проходит фазы: 1) прорастание; 2) формирование продуктивных органов; 3) цветение; 4) образование бобов; 5) созревание бобов.

Исследования Л.И. Сверловой показали, что в Приамурье и Приморье ДВ России продолжительность периода вегетации сои составляет 116-145 дней, при суммах температур воздуха выше 10?С равных 1905-2450?С. Сев сои производиться во второй-третьей декадах мая, к уборке приступают во второй половине сентября - октябре (Сверлова, 1993).

В течение периода развития сои потребность ее в тепле не постоянна: эта потребность возрастает от прорастания семян к всходам, а затем к цветению и формированию семян, после чего во время созревания несколько уменьшается.

В.П. Краснянская в работе «Разработка методов агрометеорологических прогнозов урожайности» отмечает, что сведения о влиянии термических условий на продуктивность сои сводятся лишь к характеристике термических пределов прорастания семян и прохождению отдельных фаз развития растений.

Все сказанное позволяет утверждать, что подсистема «урожайность сои - температура воздуха» явно носит нелинейный характер, причем с формально математических позиций эта подсистема характеризуется двухпараметрической зависимостью урожайности сои - от температуры воздуха и от времени , которое отсчитывается от начала онтогенеза.

Рассмотрим подсистему «урожайность сои - сумма осадков». На формирование своего урожая соя потребляет много воды, но в течение вегетационного периода потребность в воде не одинакова. В первый период своего развития (когда усиленно растет корневая система) соя переносит недостаток влаги в почве без заметного угнетения. Однако для своего развития в последующих фазах соя нуждается в достаточном увлажнении. Во время цветения и налива бобов, когда наиболее интенсивно нарастает вегетативная масса, засуха отрицательно влияет на продуктивность сои (Кашеваров, 2004).

Таким образом, можно утверждать, что и подсистема «урожайность сои - сумма осадков» также носит нелинейный характер. Причем и в этой подсистеме урожайность сои определяется двухпараметрической зависимостью - от суммы осадков и от времени , отсчитываемого от начала онтогенеза.

Выполнено диагностическое моделирование системы «Производство сои», в котором были учтены рассмотренные факторы. При этом использованы данные об урожайности сои в Архаринском районе Амурской области за период 1985-2005 гг. (представлены матрицей-столбцом размера 21x1). Исходными данными для модели явились суточные суммы осадков, а также суточные значения минимальной температуры воздуха в приземном слое, зарегистрированные на метеостанции №31594 (поселок городского типа Архара), за тот же период времени.

Сначала в соответствии со стандартными агрометеорологическими подходами были рассчитаны средние декадные суммы осадков и выделены минимальные за декаду температуры воздуха.

Заметим, что в качестве последней 37 декады рассмотрен остаток дней в году после выделения первых 36 декад. В результате были получены матрицы T и Q, с размерностью 21x37.

После чего определены коэффициенты парной корреляции между значениями средних декадных сумм осадков за различные декады и между значениями минимальных температур воздуха за различные декады , где и - номера декад.

Отмечено отсутствие значимой корреляционной зависимости между средними за декаду значениями сумм осадков и между значениями минимальных за декаду температур воздуха. Это позволяет строить диагностическую модель, рассматривая 74 независимых фактора (37 средних декадных сумм осадков и 37 минимальных температур воздуха).

В рамках данного подхода можно явно не учитывать влияние времени t, поскольку фактор времени отображается в номерах рассматриваемых факторов. Однако явный его не учет является источником дополнительных погрешностей модели, поскольку календарное время не совпадает со временем, которое отсчитывается от начала онтогенеза растения, причем сдвиг одного времени относительно другого не постоянен и зависит от особенностей каждого года.

Затем для первой подсистемы строилась матрица парной корреляции , а для второй подсистемы _ матрица парной корреляции , где - номер декады (1, 2, …, 37).

На основе анализа значений , были выделены следующие пять декад, наиболее влияющих на урожайность : девятая, двенадцатая, семнадцатая, девятнадцатая, двадцать восьмая. Соответствующие значения : ; ; ; ; . Учитывая сказанное, была построена совокупность факторных моделей первой подсистемы, последовательно включающая выделенные факторные переменные. Результаты представлены в таблице 1.

По мере наращивания числа учитываемых факторов растет коэффициент корреляции между фактическими значениями урожайности и определяемыми по модели и уменьшается величина относительной погрешности . Выделение пятого фактора практически не улучшило значения показателей качества модели, решено этот фактор не учитывать.

Таблица 1 - Факторные модели первой подсистемы

Аналогично были построены модели второй подсистемы, где в качестве факторов были выделены средние суммы осадков восьмой, девятой, четырнадцатой, девятнадцатой и двадцать седьмой декад: ; ; ; ; . Результаты представлены в таблице 2.

Как и в предыдущем случае, по мере наращивания числа учитываемых факторов растет коэффициент корреляции между фактическими значениями урожайности и определяемыми по модели и уменьшается величина относительной погрешности A. Пятый фактор выделять не целесообразно, так как он не значительно влияет на показатели качества системы.

Таблица 2 - Факторные модели второй подсистемы

Кроме того, были построены модели, учитывающие влияние факторов обеих подсистем. Наилучшие результаты (по критерию: «высокое качество при оптимальном числе учитываемых факторов») представлены в таблице 3.

Таблица 3 - Оптимальные факторные модели агрометеорологических подсистем формирования урожайности сои

Анализ полученных уравнений говорит о том, что урожай сои тесно связан с погодными условиями в марте (8-9 декада), благоприятными условиями для него являются относительно высокие температуры при отсутствии осадков. Обильные осадки в периоды прорастания - всходов (14 декада) и цветения (19 декада) благоприятно влияют на урожай сои. Отмечена также чувствительность к теплу в период ветвления (17 декада).

Список литературы

1. Кашеваров Н.И., Солошенко В.А и др. Соя в западной Сибири. - Новосибирск: Юпитер, 2004. - 256 с.

2. Краснянская В.П. «Разработка методов агрометеорологических прогнозов урожайности. - Ленинград: Гидрометеориздат, 1984. - 120 с.

3. Сверлова Л.И. Климат и качество сельскохозяйственных культур на востоке России. - Хабаровск, СКМР Управления статистики Хабаровского края, 1993. - 148 с.

4. Хакен Г. Синергетика. - М.: Мир, 1985. - 423 с.

Размещено на Allbest.ru