CC BY
24
УДК 631.81
Б01 10.24411/2409-3203-2019-12014
АДАПТИВНЫЙ ПРОГНОЗ УРОЖАЙНОСТИ ЯРОВОЙ ПШЕНИЦЫ В ЛЕСОСТЕПНОЙ ЗОНЕ ПРИ ДИФФЕРЕНЦИАЦИИ ПО РЕЖИМАМ ТЕМПЕРАТУРЫ И ОСАДКОВ
Сибирина Татьяна Фёдоровна
к.б.н., доцент кафедры агроинженерии директор Ачинского филиала Красноярского ГАУ ФГБОУ ВО Красноярский ГАУ, Ачинский филиал Россия, г. Ачинск Мельникова Екатерина Валерьевна к.т.н., доцент кафедры технологии хлебопекарного кондитерского и макаронного производств ФГБОУ ВО Красноярский ГАУ Россия, г. Красноярск Мордвинова Надежда Михайловна Агроном-технолог Агрохолдинга «Сибиряк» ОП «Краснополянское» Россия, г. Назарово, с. Красная Поляна Полубояринов Николай Александрович старший преподаватель кафедры агроинженерии ФГБОУ ВО Красноярский ГАУ, Ачинский филиал Россия, г. Ачинск Беляков Алексей Андреевич к.т.н., доцент кафедры экономики и управления АПК ФГБОУ ВО Красноярский ГАУ, Ачинский филиал Россия, г. Ачинск
Аннотация. Необходимость прогнозирования продукционного процесса яровой пшеницы, а также возможность своевременно получать уточнённый прогноз её урожайности на основе мониторинга метеорологических режимов лесостепной зоны имеет практический смысл для сельскохозяйственных организаций, специализирующихся на производстве качественного зерна.
Разработанный адаптивный алгоритм прогнозирования урожайности яровой пшеницы относится к классу алгоритмов типа «предиктор-корректор»: в предметной области, заданной варьированием температуры, осадков и выбором нескольких интервалов времени, покрывающих период вегетации, вычисляет первоначальный прогноз урожайности, который на последующих шагах корректирует.
Для модельного сорта — Новосибирская 31 и модельных условий — полевой стационар ОП «Краснополянское» с точностью до 0,005 ц/га выполнена проверка сходимости последовательности прогнозных значений, генерируемых многошаговым алгоритмом, к фактическому значению урожайности, получаемой из полевых опытов. В других проверенных случаях модельные оценки урожайности отклоняются по абсолютной величине от соответствующих фактических значений, не более чем на 1,85 ц/га.
Состоятельность адаптивного прогноза урожайности яровой пшеницы, как предела многоступенчатого продукционного процесса, формируемого под влиянием режимов температуры, осадков и других факторов установлена методом вычислительного эксперимента и в результате полевых опытов на стационаре ОП «Краснополянское» Агрохолдинга «Сибиряк» Назаровского района Красноярского края.
Ключевые слова. Адаптивный прогноз, адаптивный алгоритм, предиктор-корректор, яровая пшеница, урожайность, сорт Новосибирская 31, лесостепная зона, агробиогеоценоз, температура, осадки, накопление биомассы, формирование продуктивности, имитация, имитационная модель.
ADAPTIVE PREDICTION OF SPRING WHEAT YIELD FOR THE FOREST-STEPPE ZONE WITH DIFFERENTIATION BY TEMPERATURE AND PRECIPITATION REGIMES
Sibirina Tatiana Fyodorovna
Ph.D, associate Professor, Chair of Agroengineering Achinsk branch of the Krasnoyarsk State Agrarian University Director of the Achinsk branch of the Krasnoyarsk SAU Russia, the city of Achinsk Melnikova Ekaterina Valerievna Ph.D., associate professor, Chair of baking confectionery and pasta technology productions Krasnoyarsk State Agrarian University
Russia, the city of Krasnoyarsk Mordvinova Nadezhda Mikhailovna Agronomist-technologist of the Sibiryak Agricultural holding, Separate division "Krasnopolyanskoe" Russia, the city of Nazarovo, with. Krasnaya Polyana Poluboyarinov Nikolay Aleksandrovich Senior lecturer, Chair of Agroengineering Achinsk branch of the Krasnoyarsk State Agrarian University Russia, the city of Achinsk Belyakov Alexey Andreevich Ph.D., associate professor, Chair of Economics and Management AIC Achinsk branch of the Krasnoyarsk State Agrarian University Russia, the city of Achinsk
Annotation. The need to predict the production process of spring wheat, as well as the ability to timely receive an updated forecast of its yield on the basis of monitoring the meteorological regimes of the forest-steppe zone, makes practical sense for agricultural organizations specializing in the production of high-quality grain.
The developed adaptive algorithm for predicting the yield of spring wheat belongs to the class of predictor - corrector type algorithms: in the subject area specified by varying temperature, precipitation and choosing several time intervals covering the growing season, it calculates the initial yield forecast, which in the next steps corrects.
For the model variety — Novosibirsk 31 and model conditions - the field station of the Krasnopolyanskoye OP, to the accuracy of 0.005 kg / ha, the sequence of predicted values generated by the multi-step algorithm was checked for the actual yield obtained from field experiments. In other verified cases, model estimates of yield deviate in absolute value from the corresponding actual values, by no more than 1.85 kg / ha.
The consistency of the adaptive forecast of spring wheat yield, as the limit of a multi-stage production process, formed under the influence of temperature regimes, precipitation and other factors, was established by the method of computational experiments and as a result of field experiments at the in-patient department of Krasnopolyanskoye Agroholding Sibiryak in Nazarovsky District, Krasnoyarsk Territory.
Key words. Adaptive prediction, adaptive algorithm, predictor - corrector, spring wheat, productivity, grade Novosibirsk 31, forest-steppe zone, agro-biogeocenosis, temperature, precipitation, biomass accumulation, productivity formation, imitation, simulation model
Введение. В аналитическом смысле урожайность яровой пшеницы является пределом последовательности числовых характеристик продукционных процессов, наблюдаемых и измеряемых в заданных интервалах времени. При этом урожай можно рассматривать в качестве конечного продукта продуктивной среды агробиогеоценоза, функционирующей при взаимодействии групп абиотических и биотических показателей. Хорошо известно, что накопление биомассы растений и потребление ими тепла и влаги тесно взаимосвязаны, а частичное регулирование водопотребления растений в полевых условиях лесостепи осуществляется посредством обработок почвы и ухода за растениями
[1, 2, 3].
В природно-климатических условиях полевого стационара ОП «Краснополянское» Агрохолдинга «Сибиряк» режимы температуры и осадков имеют специфические зональные особенности лесостепной зоны, а их характеристики довольно широко распределены по времени и географическим координатам. Ввиду сложности понимания этих взаимодействий, на современном уровне науки, казалось бы, нельзя удовлетворительно описать продукционный процесс с удовлетворительной для практических целей точностью.
Однако, все построения и модельные оценки можно осуществить не глобально, а лишь в ограниченной предметной области, выполнив имитацию продукционного процесса целенаправленно многошаговым адаптивным алгоритмом и, как следствие, представив решение упрощённой задачи посредством прикладной программы для ЭВМ. В этом смысле любая имитационная модель прогнозирования и последовательного многошагового уточнения прогноза «предиктор-корректор» всегда целенаправленна в области задач, для решения которых предназначен алгоритм имитации.
Предлагаемая общая методика и конкретный алгоритм прогнозирования урожайности яровой пшеницы на примере сорта Новосибирская 31 очерчивают предметную область действием двух основных изменяющихся факторов — температуры и осадков, а также фиксацией других факторов продуктивной среды агробиогеоценоза на среднем уровне. А первоначальный прогноз урожайности яровой пшеницы сорта Новосибирская 31 (предиктор) последовательно уточняется по 5-и ступеням — наблюдаемым значениям температуры и осадков в выделенных 5-и интервалах (корректор), покрывающих по-совокупности весь период вегетации её растений.
Для того, чтобы построения имели интерпретацию (были не противоречивы), а также имели практический смысл, для модельного сорта (Новосибирская 31) необходимо проверить сходимость по вероятности последовательности прогнозных значений к фактическому значению экологической урожайности, получаемой прямыми измерениями из результатов полевых опытов.
Цель исследования. Обосновать состоятельность адаптивного прогноза урожайности яровой пшеницы, как предела многоступенчатого продукционного процесса, формируемого под влиянием режимов температуры, осадков и других факторов на полевом стационаре ОП «Краснополянское» Агрохолдинга «Сибиряк» Назаровского района Красноярского края.
Задачи исследования. Разработать методику прогнозирования урожайности яровой пшеницы и адаптивный алгоритм её расчёта по наблюдаемым значениям температуры и осадков в заданных интервалах наблюдения; на примере сорта Новосибирская 31 выявить закономерности продукционного процесса яровой пшеницы, определяющие её урожайность при изменении температуры и осадков.
Объект исследования. Механизм формирования продуктивности яровой пшеницы в агробиогеоценозе лесостепной зоны Красноярского края.
Предмет исследования. Прогноз урожайности яровой пшеницы Новосибирская 31 при его последовательной многоступенчатой корректировке по наблюдаемым изменениям температуры и осадков (и при фиксации других факторов агробиогеоценоза) в заданных интервалах времени.
Условия и методы исследований. Основные исследования проведены в 2013-2015 гг. в многолетнем полевом стационарном опыте Агрохолдинга «Сибиряк» на территории ОП «Краснополянское», расположенного в Назаровском районе Красноярского края (рис. 1).
Рисунок 1 - Распределение опытных полей Агрохолдинга «Сибиряк» (Обращение к сервису Яндекс.Карты, 2019 г.)
В качестве модельного сорта яровой пшеницы для проведения исследований выбран сорт Новосибирская 31, растения которого наиболее адаптированы к условиям данного стационара. Комплекс условий для выполнения основных исследований, за исключением факторов температуры и осадков, в продуктивной среде лесостепной зоны оставался неизменным в течение трёх лет, что соответствует принятой методике полевых опытов [ 1, 6]. Сохранялись условия, образовываемые технологическими приёмами обработки почвы, внесения удобрений, химической прополки растений, видами и количествами вносимых удобрений и гербицидов (табл. 1). Сохранялись также условия использования полевого стационара по площади пашни, гумусированности и кислотности почвы, запасам обменного калия и подвижного фосфора, а также выбора элиты семян (табл. 2).
В выполненных исследованиях в качестве интервала дискретизации процесса формирования продуктивности яровой пшеницы взят один месяц, соответствующий, периодичности агрономического отчёта и таких интервалов по количеству 5. Но при других обстоятельствах, теоретически может быть обосновано использование интервалов другой продолжительности и в другом количестве. Главное, чтобы совокупность непересекающихся интервалов покрывала весь период вегетации модельного сорта яровой пшеницы и выполнялись некоторые дополнительные требования устойчивости [1, 5, 6].
Данные Назаровской метеостанции по режимам температуры и осадков [9] в лесостепной зоне в периоды вегетации растений модельного сорта, были сгруппированы по заданным интервалам дискретизации процессов (табл. 3).
Значения факторных, управляющих и результатных показателей уточнены с использованием технологии дистанционного зондирования Земли, применяемой на территориях сельскохозяйственного назначения.
Таблица 1 - Характеристика видов обработки почвы, внесения удобрений и химической прополки растений яровой пшеницы сорта Новосибирская 31
Условия Годы опытов
2013 2014 2015
Предшественник посева Пары По второму хлебу По третьему хлебу
Обработка до посева Боронование Культивация, боронование Культивация, боронование
Посевной агрегат НогеЛ 6 Horsch 6 НогеЛ 6
Вид и количество Аммиачная Аммиачная Аммиачная
вносимого удобрения селитра - 34,40 кг/га селитра - 34,40 кг/га селитра - 34,40 кг/га
Вид и количество используемого гербицида Тропик - 0,5 л/га Магнум - 0,01 кг/га Акскал - 0,9 л/га Ланцелотт - 0,032 кг/га Акскал - 0,9 л/га Ланцелотт - 0,032 кг/га
Начало посева 15-18 мая 2013 г. 10-12 мая 2014 г. 20 мая 2015 г.
Таблица 2 - Характеристика используемого полевого стационара и качества семян яровой пшеницы сорта Новосибирская 31
Условия Годы опытов
2013 2014 2015
Площадь поля 394 га 394 га 394 га
Всхожесть семян 100% 100% 100%
Вид предпосевной обработки семян Протравливание, ТЭБУ-60М Протравливание, Скарлетт Протравливание, Скарлетт
Расход протравливателя при норме 0,3...0,4 л/т 0,4 л/т 0,4 л/т 0,4 л/т
Гумус почвы 8.. .10,1% 8.10,1% 8.10,1%
Уровень кислотности почвы, PH Нейтральный Нейтральный Нейтральный
Обменный калий 110.150 мг/кг 110.150 мг/кг 110.150 мг/кг
Подвижный Фосфор 50,1.100 мг/кг 50,1.100 мг/кг 50,1.100 мг/кг
Таким образом, констатируем, что условия по трём годам основных исследований сопоставимы и различаются лишь по режимам температуры и осадков. Это и требуется для исследования влияния режимов температуры и осадков в «чистом виде».
Необходимые дополнительные исследования по апробации методики адаптивного прогноза проведены в 2016-2018 гг. на полевом стационаре Учебного хозяйства «Канонерское» Ачинского филиала Красноярского ГАУ.
Статистический анализ полученных данных по температуре, осадкам и урожайности проведён с использованием компьютерных пакетов Snedecor [7], DataFit и MsExcel [4, 8].
Таблица 3 - Характеристика режимов температуры и осадков в периоды вегетации растений яровой пшеницы сорта Новосибирская 31
Год Сумма температур за интервал *, 0C Сумма осадков за интервал, мм Урожайность
5 6 7 8 9 5 6 7 8 9
2013 63,50 536,0 504,1 643,0 259,0 61,4 40,9 30,70 46,9 31,8 37,2
2014 64,90 426,0 619,0 499,8 83,40 84,7 39,5 58,80 57,7 35,6 26,9
2015 282,1 673,3 793,7 535,2 150,6 51,5 36,6 125,1 76,2 31,9 19,3
*) Активные температуры выше 10 0С Вычислительный эксперимент по имитации значений температуры, осадков и урожайности яровой пшеницы выполнен в системе компьютерной математике Maple.
Результаты исследования и обсуждение. На предварительном уровне исследований выполнялись корреляционный и регрессионный анализы данных
наблюдений. Отслеживались точки фазовых переходов, при переходе через которые количество и величина корреляционных связей резко изменяется (возрастает).
a) Исходные простые оценки u5, u8, щ9 урожайности представлены
регрессионными функциями от температуры Тк и осадков Я в каждом наблюдаемом ^ м интервале, которые имеют общий вид
щ = ак-Т^ Я?,
где ак,Ьк,Ск — коэффициенты регрессии, к = 5 ... 9.
b) Вклад каждого ^го интервала в формирование результатного показателя урожайности оценён весовым коэффициентом
Рк + V2,
где Ц и Ук — коэффициенты линейной корреляция значений, соответственно, температур и осадков, наблюдаемых в к-м интервале со значениями урожайности, к = 5 ... 9.
Далее, относительный вклад каждого ^го интервала в формирование результатного показателя урожайности оценён весовым коэффициентом
К=-
Рк
3=5
На концептуальном уровне исследований предложена многоступенчатая схема прогнозирования урожайности яровой пшеницы по наблюдаемым значениям температуры и осадков в 5...9 интервалах текущего года и поправочных весовых коэффициентов, вычисляемых с учётом данных прошлых лет.
Общие формулы алгоритма оценки и уточнения прогноза урожайности по
данным 5..9 интервалов в зависимости от весовых коэффициентов и простых оценок урожайности
5) Исходная оценка урожайности по данным 5-го интервала
и = щ (Т5, Я )
6) Уточнённая оценка урожайности с учётом дополнительных данных 6-го интервала
и = иб (Т6> Я6),
и = ■ щ (Т5,Я5 У-^6- ■ щ (Тб, Яб).
Р5 +Рб Р5 + Рб
7) Уточнённая оценка урожайности с учётом дополнительных данных 7-го интервала
и = Щ (Т, Я ) ,
и =-р--щ (Т, Я)+-р--щ (т, я)+—р--щ (Т, Я)
Р5 +Рб +ру р5 +рб +ру р5 +рб +ру
8) Уточнённая оценка урожайности с учётом дополнительных данных 8-го интервала
и = щ
(Я8, Т),
76
и =-—--щ (Т, В) +-—--щ (Т, В) +
—5 + —6 + —7 + —8 —5 + —6 +—7 +—8
+-—--«7 (^7 ) +-—--Щ8 ) -
—5 +—6 +—7 +—8 —5 +—6 +—7 +—8
9) Уточнённая оценка урожайности с учётом дополнительных данных 9-го интервала
Щ = Щ (Т9, Вд ) ,
щ =-—--«5 (« )+-—--Щб (Тб,Вб )+
—5 +—6 +—7 +—8 +—9 —5 +—6 +—7 +—8 +—9
+-—--щ (Т )+-—--щ (Т , В)+
—5 +—6 +—7 +—8 +—9 —5 +—6 +—7 +—8 +—9
+-—--Щ Т Щ ) .
—5 +—6 +—7 +—8 +—9
9) Итоговая сложная оценка урожайности по данным 5.9 интервалов
Щ=щ (г„ В5, Т6, В6, Т7, в, Т8, В,, Т9, в ) = Л5 • щ (75, в )+^6 • щ (Т6, В)+
• щ7 (Т7, В7 ) + ^ • щ8 (Т8, В ) + Л • Щ9 (^ В ) ,
где \ — относительный вес каждого к-го интервала в исследуемом показателе урожайности яровой пшеницы.
На основном уровне исследований получены модельные оценки с последующими уточнениями прогноза урожайности по температуре и осадкам.
а) Получены простые оценки урожайности с использованием вычисленных коэффициентов нелинейных регрессий, а именно по данным 5 -го интервала
Щ (Т, В )=«5 • Т^ В5,
а5 = 20173,5735, ъ5 =-0,5544, с =-0,9701.
по данным 6-го интервала
щ Т В) = «6 • ТЬ • В6, -4-10
34 •И
по данным 7-го интервала
а = 0,4734•ю-10, ъ6 = 0,3931, с = 6,7146.
щ (Т, В )=а • ТЪ7 • Вс7,
+/^0 7
по данным 8-го интервала
а = 0,2647 • 10-7, ъ = 4,4294, с7 = -1,8983.
щ Т В )=«8 • ТЪ • В8,
а = 908,4445, ъ = 0,2534, с =-1,2562.
по данным 9-го интервала
щ (Т9, Я) = а9 ■ ТЬ ■ Я9, а = 0,5161 ■ю-16, ь = 1,2672, с = 9,8593.
Ь) Получены и выбраны значения весов и относительных весов с учётом коэффициентов корреляции, а именно по данным 5-го интервала
ц = -0,8225, у = 0,2062, Р5 = 0,8480, 0,1625.
по данным 6-го интервала
ц = -0,4797, у = 0,9594, р6 = 1,0727, 0,2055.
по данным 7-го интервала
ц =-0,9789, у =-0,9503, р7 = 1,3643, 0,2614.
по данным 8-го интервала
ц = 0,7798, у =-0,9719, р = 1,2461, ^ = 0,2388.
по данным 9-го интервала
ц = 0,6780, у = -0,1097, р= 0,6868, 0,1316.
Полученные коэффициенты корреляции позволяют выполнить ранжирование интервалов, покрывающих период вегетации по факторам температуры и осадков. В качестве оценки тесноты связи возьмём абсолютную величину коэффициента корреляции.
Ранжирование по сумме температур: на первом месте по тесноте связи температуры с величиной урожайности находится 7-й интервал периода вегетации — июль месяц —
ц = -0,9789 ; на втором месте 5-й интервал — май месяц — Ц = -0,8225; на третьем месте
находится 8-й интервал вегетации —август месяц — Ц = 0,7798.
Ранжирование по сумме осадков: на первом месте по тесноте связи осадков с величиной урожайности находится 8-й интервал периода вегетации — август месяц —
у =-0,9719; на втором месте 6-й интервал — июнь — у6 = 0,9594; на третьем месте
находится 7-й интервал — июль месяц — У7 = -0,9503.
Далее, получены конкретные формулы сложной оценки и уточнения прогноза урожайности в зависимости от исходных значений простых оценок урожайности, а именно,
по данным 5-го интервала
й = щ (Т5, Я )
по данным 6-го интервала
щ = 0,4415 ■ щ (Т, Я) + 0,5584 ■ щ (Т, Я). по данным 7-го интервала
щ = 0,2581 ■ щ (Т5, Я) + 0,3265 ■ щ (Т6, Я) + 0,4153 ■ щ (Т7, Я). по данным 8-го интервала
щ = 0,1871 ■ щ (Т, Я) + 0,2367 ■ щ (Т6, Я) + 0,3011 ■ щ (Т7, Я) + 0,2750 ■ щ (Т8, Я). по данным 9-го интервала
щ = 0,1625 ■ щ (Т, Я) + 0,2055 ■ щ (Т6, Я) + 0,2614 ■ щ (Т7, Я) +
+0,2388 • щ (Т, В) + 0,1316 • щ (Т, В)
и она же — итоговая сложная оценка урожайности по данным 5.9 интервалам.
Получены расчётные формулы, которые позволяют дать уточнённый прогноз урожайности по температуре и осадкам, а именно, по данным 5 -го интервала
щ (Т, В) = 20173,5735• Т"°'5544 • В~°'9т.
по данным 6-го интервала
щ (Т, В, Т, В) = 8906,7162• Т"0'5544 • В"0'9701 + 0,2644•ю-10 • Т6°'3931 • В6'7146.
по данным 7-го интервала
щ (Т, В, т, В, т, В)=5207,6061 • Т-0,5544 • В"0'9701+0,1546 •Ю-10 • Т6°'3931 • В6'7146 +
+0,1099 •Ю-7 • Т4'4294 • В"1'8983.
по данным 8-го интервала щ(Т, В, Т, В, Т, В, Т, В) = 3775,4728• Т-0'5544 • В"0'9™1 + 0,1120•Ю-10 • Т6°'3931 • В6'7146 +
+0,7972 •10"8 • т4'4294 • в;1'8983 + 249,82595 • т°'2534 • в"1'2562.
по данным 9-го интервала щ (Т, В ,Т, В ,Т, В, Т, В, Т, В) = 3278,5055 •Т50'5544 • В"0'9701 + 0,9733 •Ю-11 • Т60,ш1 • В6'714<5 +
+0,6923 •ю-8 • Т4 4294 • в"1'8983 + 216,9443 • т80'2534 • в"1'2562 + 0,6794 •ю-17 • Т1 2672 • в9' 8503.
и он же — итоговый прогноз урожайности по данным 5.9 интервалов.
Таким образом, построена модель прогнозирования урожайности яровой пшеницы в зависимости от 10-и переменных, отнесённых к 5-и интервалам дискретизации периода вегетации её растений
и (Т, В, Т, В, Т, В, Т, В, Т, В) = 3278,5055 • Г/'5544 • В~°'9701 + 0,9733 • 10-11 • Т60'3931 • В6'™6 + +0,6923•ю-8 • Т44294 • в;1'8983 + 216,9443• Т°2Ш • в"1'2562 + 0,6794•ю-17 • Т1 2672 • в9' 8503.
На тех данных, на которых построена модель прогнозирования (2013-2015 гг.), отклонение рассчитанных значений урожайности от фактических опытных значений, как и сдедовало ожидать, практически равно (меньше чем 0,005). Например, по данным 2015 года, вычисленная и фактическая урожайности практически неразличимы, поскольку их расхождение по абсолютной величине практически равно нулю (табл. 4) щ(282,10, 51,50, 673,30, 36,60, 793,70, 125,10, 535,20, 76,20, 150,60, 31,90) = 19,2999,
щ = 19,30,
^ = 12,2999 -12,30 = -0,0001, \е\ = 0,0001.
Таблица 4 - Прогнозируемые (вычисленные) значения (модельные оценки) урожайности яровой пшеницы сорта Новосибирская 31_
Год Сумма температур*, 0С Сумма осадков, мм Урожайность, ц/га
2013 2005,50 271,7 37,1999
2014 1693,10 276,3 26,8999
2015 2434,90 321,3 19,2999
*) Активные температуры выше 10 0С
При выборе средних значений температуры и осадков за три года по 5...9 интервалам
т5 =136,83, я =65,86, т6 =545,10, я =39,00, т7 =638,93 Я = 71,53, т = 559,33 щ = 60,26, Т9 = 164,33 Щ =33,10
вычислено модельное среднее значение урожайности 25,2024 (ц/га). А фактическая средняя урожайность за три года составила 27,80 (ц/га). Тогда отклонение модельной средней от фактической средней (ц/га)
£ = 25,2024 - 27,80 = -2,5976, \е\ = 2,5976.
Очевидная смещённость оценки обусловлена видом выбранной нелинейной регрессии
щ = щ (Тк, Щ ) = ак-Тъкк ■ Щс ^ Мщ (Тк, Як )Ф ик {ЫТк, МЯк)
и объясняется её существенной нелинейностью (здесь М — оператор осреднения (мат. ожидания оцениваемой величины)).
Таким образом, предложенный адаптивный алгоритм генерирует состоятельные, но смещённые оценки урожайности. Заметим, что смещение можно было существенно уменьшить, подобрав методом вычислительного эксперимента оптимальное (или субоптимальное) количество интервалов дискретизации (больше пяти интервалов) периода вегетации растений модельного сорта.
Практическая составляющая исследований связана с прогнозированием и визуализацией процесса формирования урожая в производственных условиях. По данным независимого дополнительного эксперимента, проведённого в 2016-2018 годах в производственных условиях Учебного хозяйства «Канонерское» Ачинского филиала Красноярского ГАУ рассчитан вклад каждого интервала дискретизации периода вегетации растений в итоговый урожай яровой пшеницы (рис. 2-6).
Рисунок 2- Вклад температуры и осадков 5-го интервала Т5=Т, Я5 = Я в формирование урожая при средних значениях температуры и осадков в других интервалах с относительным весовым коэффициентом 0,1625.
к
Рисунок 3 - Вклад температуры и осадков 6-го интервала Т6=Т, Щ = Я в формирование урожая при средних значениях температуры и осадков в других интервалах с относительным весовым коэффициентом 1 = 0,2055.
Рисунок 4 - Вклад температуры и осадков 7-го интервала т7=т, я7=я в формирование урожая при средних значениях температуры и осадков в других интервалах с относительным весовым коэффициентом 1 = 0,2614.
Рисунок 5 - Вклад температуры и осадков 8-го интервала ТТ^ — Т, Щ = Я в формирование урожая при средних значениях температуры и осадков в других интервалах с относительным весовым коэффициентом 1= 0,2388
Рисунок 6 - Вклад температуры и осадков 9-го интервала Т9 — Т, Яд — Я в
формирование урожая при средних значениях температуры и осадков в других интервалах
с относительным весовым коэффициентом Х — 0,1316
В соответствии с теоретическими построениями вклад конкретного интервала в величину урожайности был представлен лишь влиянием температуры и осадков этого интервала, а другие факторы данного интервала игнорировались.
Однако, исследования показали, что модельные оценки урожайности отклоняются по абсолютной величине от соответствующих фактических значений, полученных в полевых опытах, не более чем на 1,85 ц/га, то есть возможная ошибка прогнозирования в каждом из пяти интервалов была в среднем 0,37 ц/га
Выводы
1. Разработанные методика и адаптивный алгоритм прогнозирования продукционного процесса позволили на примере сорта Новосибирская 31 получить модельные оценки и сгенерировать адаптивный прогноз урожайности яровой пшеницы для природно-климатических условий ОП «Краснополянское» Агрохолдинга «Сибиряк».
В серии независимых дополнительных опытов, проведённых, а Учебном хозяйстве «Канонерское» Ачинского филиала Красноярского ГАУ установлено, что модельные оценки урожайности отклоняются по абсолютной величине от соответствующих фактических значений, полученных в полевых опытах, не более чем на 1,85 ц/га.
2. На примере сорта Новосибирская 31 выявлены закономерности продукционного процесса яровой пшеницы в лесостепной зоне, определяющие её урожайность 37,20 ц/га, 26,90, 19,30 ц/га, соответственно, при сумме температур 2005,50 0С, 1693,10, 2434,90 0С (выше 10 0С) и сумме осадков 271,7 мм, 276,3, 321,3 мм в год/(период вегетации).
Закономерности продукционного процесса объективизированы во вкладе температуры и осадков каждого интервала наблюдений в полученный урожай: на первом месте по относительному весу вклада в урожай находится 7-й интервал периода вегетации
— май месяц — Х — 0,2614; на втором месте 8-й интервал — август месяц — Х — 0,2388
; на третьем месте находится 6-й интервал периода вегетации — июнь месяц — х — 0,2055
. На территории лесостепной зоны, согласно сгенерированному адаптивному прогнозу, меньший вклад в урожайность яровой пшеницы сорта Новосибирская 31 дают: 5-й
интервал периода вегетации — май месяц — 0,1625; 9-й интервал — сентябрь месяц
— х — 0,1316, что соответствует сложившейся практике сельскохозяйственного производства.
Список литературы:
1. Доспехов Б.А. Методика полевого опыта (с основами статистической обработки результатов исследований) / Б.А. Доспехов. - 5-е изд, доп. и перераб. - М.: Агропромиздат, 1985. - 351 с.
2. Ермаков А.И. Методы биохимического исследования растений / А.И. Ермаков. - Л.: Агропромиздат, 1987. - 430 с.
3. Качинский Н.А. Физика почв / Н.А. Качинский. - М.: Высшая школа, 1970. -
360 с.
4. Кобзарь А.И. Прикладная математическая статистика для инженеров и научных работников / А.И. Кобзарь. - М.: Физматлит, 2012. - 816 с.
5. Лосев А.П., Журина Л.Л. Агрометеорология / А.П. Лосев, Л.Л. Журина. - М.: Колос, 2001. - 297 с.
6. Полевой А.Н. Прикладное моделирование и прогнозирование продуктивности посевов / А.Н. Полевой. - Л.: Гидрометеоиздат, 1988. - 208 с.
7. Сорокин О.Д. Прикладная статистика на компьютере / О.Д. Сорокин. -Новосибирск, 2004. - 162 с.
8. Соснин О.М. Основы автоматизации технологических процессов и производств: учеб. пособ. / О.М. Соснин. - М.: Издательский центр «Академия», 2007. -240 с.
9. Агрометеобюллетени ФГБУ «Среднесебирское УГМС» за 2013-2015 гг., официальный сайт: http://meteo.krasnoyarsk.ru
