CC BY
31
УДК 631:632.112:001.891.57:502.36(470.56)
долгосрочное прогнозирование урожайности полевых культур на основе фундаментальной цикличности солнечно-планетных связей
В.Е. ТИХОНОВ, доктор географических наук, главный научный сотрудник
А.А. НЕВЕРОВ, кандидат сельскохозяйственных наук, ведущий научный сотрудник(е-mail: nevalex2008@ yandex.ru)
Оренбургский научно-исследовательский институт сельского хозяйства, просп. Гагарина, 27/1, Оренбург, 460051, Российская Федерация
Резюме. Предложен новый метод долгосрочного прогнозирования урожайности на примере яровой пшеницы. Установлена тесная связь многолетней динамики урожайности яровой пшеницы с изменениями во времени расстояния от барицентра Солнечной системы до Земли, что позволяет использовать значения предикторов за пределами имеющегося ряда урожайности. Впервые в прогнозировании временных рядов урожайности использованы лаговые переменные, эффект от воздействия которых на показатели, характеризующие процесс, проявляется не сразу, а с запаздыванием. Прогноз (заблаговременность - 1 год) урожайности яровой пшеницы в Саракташском районе Оренбургской области на 2016 г., разработанный с учетом того, что большую роль во временных задержках погоды и климата может играть тепло, запасённое в Мировом океане, полностью оправдался: прогноз - 11,5 ц/га, фактически - 11,4 ц/га. Разработаны методологические основы долгосрочного прогнозирования засухи (заблаговременность 5-6 месяцев), времени ее наступления, интенсивности и продолжительности в степном Предуралье. На этой основе получено фактически точное описание ожидавшейся в 2015 г. засухи в Бузулукском районе Оренбургской области: она начала формироваться с осени 2014 г., получила свое продолжение на протяжении апреля, мая и июня 2015 г. Применяли методы пошаговой множественной регрессии и регрессии в нейронных сетях, а также метод остаточных отклонений в совокупности с методом наложения эпох. Впервые на основе разработанной модели осуществлён долгосрочный прогноз на предшествующий год как величины предиктанта, так и величин всех предикторов, вошедших в модель. Ключевые слова: прогноз, урожайность, барицентр Солнечной системы, лаговые переменные.
Для цитирования: Тихонов В.Е., Неверов А.А. Долгосрочное прогнозирование урожайности полевых культур на основе фундаментальной цикличности солнечно-планетных связей// Достижения науки и техники АПК. 2017. Т. 31. №. С. 62-67.
За последние 7 лет (2009-2016 гг.) в Оренбургской области 6 лет наблюдали засуху различной интенсивности. Ежегодный ущерб для агропромышленного комплекса составил несколько миллиардов рублей. Поэтому актуальность проблемы долгосрочного прогнозирования засух с целью минимализации их последствий не подлежит сомнению [1].
Сегодня для решения проблемы долгосрочного прогнозирования урожайности сельскохозяйственных культур применяют различные методы. Так, в работе [2] показана практическая возможность ГИС-технологий в оценке и прогнозировании урожайности основных типов сельхозкультур в зависимости от динамики накопления фитомассы в течение вегетационного периода.
В некоторых работах приведена оценка прогнозного уровня урожайности сельскохозяйственных культур на основе нейросетевых моделей динамики. На их базе проанализированы варианты архитектуры и особенности информационной технологии построения, обучения и верификации моделей [3].
В последние годы в литературе можно встретить статьи, посвящённые сравнительному анализу результатов прогноза урожайности на основе рядов статистических данных и интегральных индексов вегетации, построенных по данным дистанционного зондирования Земли (ДЗЗ) [4].
Мы используем для разработки долгосрочных прогнозов урожайности сельскохозяйственных культур и погодных факторов оригинальные подходы, по своей результативности превышающие мировой уровень [5, 6, 7].
Цель исследований - поиск новых предвычислен-ных предикторов (расстояний от Земли до барицентра Солнечной системы в различные периоды времени, когда взаимодействие небесных тел системы служит фактором, определяющим Солнечную активность, а значит зависящую от неё погоду в локальных точках планеты Земля) на основе фундаментальной цикличности солнечно-планетных связей, значения которых можно использовать за пределами имеющегося ряда предиктанта для моделирования ожидаемой урожайности зерновых культур и погодных факторов, определяющих её уровень, для Оренбургской области.
Условия, материалы и методы. Для решения поставленных задач использовали данные длительных рядов урожайности яровой пшеницы в Саракташском и Бузулукском районах Оренбургской области, расположенных в степном Предуралье. В качестве предикторов моделей служили значения изменяющихся во времени расстояний от барицентра Солнечной системы до Земли.
Центром масс системы (барицентр) называется точка, радиус-вектор которой гс задаётся уравнением [8]: гс= Лт1г1)/£т = Цт^/М, (1)
где тгмасса небесного тела (в относительных единицах по массе планеты Земля) и г - радиус-вектор ий частицы системы (расстояние от Земли до небесного тела, в астрономических единицах); М - масса небесных тел Солнечной системы, в относительных единицах по массе планеты Земля.
Это уравнение использовали для расчёта подекадного расстояния между Землёй и барицентром Солнечной системы (1, 11 и 21 числа каждого месяца).
Фактически, на сегодняшний день сложился раздел научных знаний, называемый «солнечно-земные связи», который предполагает изучение совокупности всех возможных взаимодействий гелио- и геофизических явлений [9, 10]. Под гравитационным воздействием со стороны планет Солнце вынуждено совершать достаточно сложное переменное движение вокруг центра масс Солнечной системы (барицентра). В результате этого орбиты планет не могут оставаться строго гелиоцентрическими, поскольку центр тяжести Солнца может не совпадать с фокусами эллиптических траекторий планет [11]. Воздействие планет на Солнце приводит к модуляции солнечной активности.
По мнению О.В. Пономарёвой [12, 13], планетам принадлежит роль первоисточника вариаций, как солнечной активности, так и циклических процессов на Земле. В большом количестве опубликованных работ
уделяется внимание циклическим процессам активности Солнца, в частности статистике распределения крупных солнечных вспышек и мировых магнитных бурь, а также их связи с вариациями температуры приземного воздуха и интенсивности осадков [14].
Поскольку в различных природных явлениях, в том числе колебаниях погоды и климата, было установлено множество циклов, очень важно уяснить какая реальность их обусловливает. На сегодняшний день -это наименее исследованная проблема. Основной недостаток большинства методов прогнозирования временных рядов урожайности - отсутствие предикторов модели за пределами заканчивающегося ряда значений предиктанта (то есть ряда, прогноз которого интересует исследователя). Проще говоря, предикторы на предстоящий год остаются неизвестными.
В поиске решения этой проблемы мы обратили внимание на работы, посвящённые исследованию многолетних изменений в системе Солнце - Земля [15], в частности движению Солнца и планет вокруг барицентра Солнечной системы [16].
Так, в работе [16] на основании проведённых расчётов и анализа полученных результатов была уточнена формулировка 1-го закона Кеплера: «Все планеты движутся по слабовозмущённым эллипсам вокруг Солнца, участвуя вместе с ним в движении вокруг барицентра Солнечной системы.
Из этого следует 2 важных вывода: движение каждой планеты передаётся Солнцу, а от него - всем другим планетам. Можно сказать, что Солнце выступает в качестве ретранслятора гравитации для всей солнечной системы;
активизация однотипных физических процессов должна происходить одновременно во всей солнечной системе» (курсив процитированных авторов).
Эти выводы побудили нас обратиться к базисным первопричинам цикличности всех процессов в Солнечной системе, минуя такие проявления их следствий, как динамика активности Солнца, солнечные пятна, вспышки на Солнце, возмущённость магнитного поля Земли и др.
Не меньшее значение в прогнозах временных рядов урожайности имеет поиск лаговых переменных, эффект от воздействия которых на показатели, характеризующие процесс, проявляется не сразу, а с запаздыванием. Считается, что большую роль во временных задержках погоды и климата может играть тепло, запасённое в Мировом океане [17, 18]. В нашей работе для определения количества лаговых переменных, использован подход последовательного включения в модель предикторов предыдущих сельскохозяйственных годов. Критерием остановки процесса служили: уровень адекватности модели квадрат более 90 %), значимость коэффициентов регрессии и минимально возможное количество
Таблица 1. Модель спрогнозированного значения урожайности яровой пшеницы в Саракташском районе на 2015 г. на основе множественной регрессии с учётом лаговых переменных и изменения расстояния от барицентра Солнечной системы до Земли (ряд урожайности 1966-2014 гг.)
Значение преди- Произведение
Дата учёта расстояния (месяц, Коэффици- кторов 2014-2015 (В-Веса) на значение
декада), вошедшего в модель мно- ент регрессии р-уровень сельскохозяй- предикторов 2014-
жественной регрессии ^-Веса) ственного года, а.е. 2015 сельскохозяйственного года
Свободный член 64820,2 0,0000 - -
Текущий сельскохозяйственный год: сентябрь 2014 - август 2015 гг.
Январь, декада 2 -38198,1 0,0000 0,991820 -37885,7
Февраль, декада 2 88229,7 0,0000 0,995021 87790,4
Май декада 1 19870,9 0,0038 1,015986 20188,5
Июнь декада1 -48689,1 0,0000 1,022978 -49807,8
Октябрь, декада 3 -28677,2 0,0000 1,005136 -28824,5
Декабрь, декада 1 87286,8 0,0000 0,995125 86861,3
Декабрь, декада 2 -36925,0 0,0000 0,993590 -36688,3
Декабрь, декада 3 -33482,2 0,0005 0,992559 -33233,1
Лаговые переменные, сельскохозяйственный год:
сентябрь 2013 - август 2014 гг.
Январь, декада 3 12444,6 0,0442 0,992132 12346,7
Февраль, декада 1 -87103,3 0,0000 0,993462 -86533,8
Февраль, декада 2 -27750,4 0,0014 0,995111 -27614,7
Февраль, декада 3 36687,8 0,0000 0,997179 36584,3
Апрель, декада 1 -39665,9 0,0000 1,007763 -39973,8
Июнь, декада 1 -47234,9 0,0000 1,023252 -48333,2
Июнь, декада 2 42261,0 0,0000 1,024649 43302,7
Ноябрь, декада 1 18449,8 0,0228 1,001290 18473,6
Лаговые переменные, сельскохозяйственный год:
сентябрь 2012 - август 2013 гг.
Февраль, декада 1 -73912,0 0,0000 0,993640 -73442,0
Февраль, декада 2 86948,2 0,0000 0,995444 86552,1
Март, декада 3 19899,3 0,0229 1,004963 19998,1
Июнь, декада 2 26837,7 0,0034 1,024804 27503,3
Июль, декада 3 22467,3 0,0026 1,025646 23043,5
Август, декада 3 -25349,6 0,0023 1,021120 -25885,0
Лаговые переменные, сельскохозяйственный год:
сентябрь 2011 - август 2012 гг.
Январь, декада 3 -19812,3 0,0209 0,992556 -19664,8
Февраль, декада 2 26190,8 0,0005 0,995590 26075,3
Июнь, декада 2 -44547,0 0,0000 1,024644 -45644,8
Предсказано на 2015 г. 8,4ц/га
-0,95% -допустимый предел 5,4|/га
+0,95% -допустимый предел 11,4ц/га
Для полной регрессии R2 = 0,958.Р = 0,000. Стандартная ошибка оценки = 1,4 ц/га
переменных в модели. Основная трудность состояла, как и во всяком моделировании временных рядов, в поиске единственной модели из их подмножества, адекватно отражающей воздействие физических полей на динамику временного ряда урожайности в заданной географической точке Земли.
Для анализа временных рядов использовали методы пошаговой и стандартной множественной регрессии, регрессии в нейронных сетях (СТАТИСТИКА 6.1), а также метод остаточных отклонений в совокупности с методом наложения эпох.
Для разработки методологических основ долгосрочного прогнозирования засухи (заблаговремен-ность 5-6 месяцев), времени ее наступления, интенсивности и продолжительности в степном Предуралье необходимо решить следующие задачи:
разработать регрессионные модели оценки агроклиматических ресурсов в зональном аспекте, которые в общем виде можно представить аналитическим выражением
(2)
где У- оцениваемый урожай; ао, а1, ..., ап- коэффициенты; Х1, ..., Хп- влияющие на урожай факторы погоды, в качестве которых выступают характеристики агрометеорологических условий, в том числе ком-
плексные (коэффициент атмосферного увлажнения и др.), осредненные за календарные периоды;
разработать математические модели долгосрочного прогноза величин У и X.
Критерием корректности выбранного пути поиска может служить совпадение прогнозных величин урожайности, рассчитанных как непосредственно по ряду продуктивности, так и с использованием ожидаемых значений независимых переменных по уравнению регрессии. Необходимость двойного прогноза диктуется невозможностью определения непосредственно по ряду урожайности ожидаемых метеоусловий. Это обусловлено в основном нелинейностью связей между урожайностью и погодными компонентами.
После разработки таких моделей появляется необходимость долгосрочного прогнозирования только тех предикторов, которые включены в регрессионные уравнения, оценивающие агроклиматические ресурсы для той или иной культуры. Характеристика и описание такого явления, как засуха, приобретают вполне конкретную формализацию. Кроме того, на основе знаний вклада погодного фактора в формирование уровня урожайности возможен более целенаправленный поиск технологических решений для преодоления влияния засухи.
результаты и обсуждение. При разработке модели урожайности яровой пшеницы Саракташ-
Таблица 2. Модель спрогнозированного значения урожайности яровой пшеницы в Саракташском районе на 2016 г. на основе множественной регрессии с учётом лаговых переменных и изменения расстояния от барицентра Солнечной системы до Земли (ряд урожайности 1966-2015 гг.)
Дата учёта расстояния (месяц, декада), вошедшего в модель множественной регрессии Коэффициент регрессии ^-Веса) р-уро-вень Значение предикторов 2015-2016 сельскохозяйственного года, а.е. Произведение (В-Веса) на значение предикторов 20152016 сельскохозяйственного года
Свободный член 64841,3 0,0000 - -
Текущий сельскохозяйственный год: сентябрь 2015 - август 2016 гг.
Январь, декада 2 -38194,6 0,0000 0,992294 -37900,3
Февраль, декада 2 88219,3 0,0000 0,995272 87802,2
Май декада 1 19883,4 0,0027 1,015967 20200,8
Июнь декада1 -48719,4 0,0000 1,022811 -49830,7
Октябрь, декада 3 -28667,7 0,0000 1,005604 -28828,3
Декабрь, декада 1 87294,3 0,0000 0,995697 86918,7
Декабрь, декада 2 -36925,3 0,0000 0,994160 -36709,7
Декабрь, декада 3 -33498,2 0,0004 0,993014 -33264,2
Лаговые переменные, сельскохозяйственный год:
сентябрь 2014 - август 2015 гг.
Январь, декада 3 12459,6 0,0349 0,992432 12365,3
Февраль, декада 1 -87111,3 0,0000 0,993460 -86541,6
Февраль, декада 2 -27745,5 0,0011 0,995021 -27607,4
Февраль, декада 3 36695,3 0,0000 0,997006 36585,4
Апрель, декада 1 -39662,3 0,0000 1,007376 -39954,9
Июнь, декада 1 -47238,4 0,0000 1,022978 -48323,8
Июнь, декада 2 42286,9 0,0000 1,024507 43323,2
Ноябрь, декада 1 18449,8 0,0200 1,002013 18486,9
Лаговые переменные, сельскохозяйственный год:
сентябрь 2013 - август 2014 гг.
Февраль, декада 1 -73919,8 0,0000 0,993462 -73436,6
Февраль, декада 2 86930,7 0,0000 0,995111 86505,6
Март, декада 3 19880,1 0,0178 1,004442 19968,4
Июнь, декада 2 26836,1 0,0028 1,024649 27497,6
Июль, декада 3 22447,6 0,0015 1,025828 23027,3
Август, декада 3 -25362,4 0,0016 1,021588 -25909,9
Лаговые переменные, сельскохозяйственный год:
сентябрь 2012 - август 2013 гг.
Январь, декада 3 -19801,9 0,0176 0,992335 -19650,1
Февраль, декада 2 26202,0 0,0003 0,995444 26082,6
Июнь, декада 2 -44531,9 0,0000 1,024804 -45636,4
Предсказано на 2016 год 11,5 ц/га
-0,95%- допустимый предел 9,3 ц/га
+0,95%- допустимый предел 13,7 ц/га
Для полной регрессии: R2 = 0,958.Р = 0,000. Стандартная ошибка оценки = 1,36 ц/га
Таблица 3. результаты моделирования в нейронных сетях в рамках многомерной регрессии ожидаемой урожайности яровой пшеницы на 2015 и 2016 гг. и итоговая статистика для выборок моделей прогноза урожайности яровой пшеницы на 2014 г.
№ модели Урожайность, ц/га Отношение стандартных отклонений
проекция на 2014 г. (факт = 6,1) прогноз на выборка
2015 г. 2016 г. обучающая контрольная тестовая
1123 7,3 11,3 14,3 0,069 0,187 0,215
1124 6,6 11,5 14,5 0,090 0,174 0,152
1127 6,8 12,3 15,0 0,067 0,177 0,262
2055 5,2 9,2 10,8 0,088 0,162 0,172
2056 5,6 9,0 11,3 0,092 0,109 0,166
2077 5,7 9,5 10,3 0,063 0,228 0,152
2095 6,2 10,0 10,0 0,047 0,169 0,127
2871 6,6 8,6 11,3 0,088 0,157 0,197
2884 6,7 8,8 11,4 0,079 0,116 0,153
2933 6,5 8,3 11,5 0,081 0,096 0,156
Среднее 6,3 9,5 12,0 0,076 0,158 0,175
ского района на 2015 и 2016 гг. в рамках множественной регрессии прогнозных оценок в качестве предикторов использовали подекадные показатели расстояния (в астрономических единицах, а.е.) между Землёй и барицентром Солнечной системы (движение Земли вокруг барицентра Солнечной системы). Хотя урожайность яровой пшеницы в 2015 г. известна, в разработке модели прогноза на этот год ее исключали. То есть наблюдения по ряду урожайности включали период 1966-2014 гг., значения предикторов рассчитывали на много лет вперёд. Используя опцию «предсказать зависимую переменную» программы «СТАТИСТИКА 6.1», в полученную модель заводили значения предикторов
2015 г. На выходе она выдала прогноз урожайности с учётом допустимых пределов (табл. 1).
Продлив ряд урожайности значением, спрогнозированным на 2015 г., на тех же предикторах, но уже для
2016 г., рассчитывали новую модель множественной регрессии. На выходе получили прогноз урожайности яровой пшеницы на 2016 г. (табл. 2).
В качестве независимых предикторов использовали расстояния от Земли до барицентра Солнечной системы, вычисленные подекадно с помощью астрономического калькулятора. Выбор тех или иных независимых предикторов в уравнение множественной регрессии осуществляли на основании алгоритмов подбора предикторов методом пошаговой регрессии с использованием возможностей программного продукта <^ТАТ^ТЮА 6.1».
На следующем этапе разработку прогноза урожайности яровой пшеницы для Саракташского района продублировали в нейронных сетях (использование принципа множественности моделей). Моделирование в нейронных сетях, по сути, представляет собой аппроксимацию огромного количества моделей (тысячи и десятки тысяч) и выбор оптимального варианта. Ряд наблюдений делится на выборки: обучающая, контрольная и тестовая. Из большого количества моделей прогно-
за урожайности зерна выбирали лучшие, в которых спрогнозированная урожайность во всех выборках (обучающая, контрольная, тестовая) была самой близкой к фактическому ряду наблюдений. Из них создавали «ансамбль» (табл. 3).
Наиболее важный показатель оценки работы сети (модели) - отношение стандартного отклонения ошибки прогноза к стандартному отклонению обучающих данных. Такое регрессионное отношение (точнее, величину единица минус это отношение) называют долей объяснённой дисперсии модели. В представленных моделях она превышала 80 %.
В нейронных сетях 2014 г. прогноз осуществляли при уже известной величине урожайности, эти данные исполняли роль внешнего теста. Поскольку предикторы рассчитаны до 2020 г., полученную модель без коррекции проецировали на 2016 г.
В целом при использовании разных математических алгоритмов были получены близкие результаты прогнозных оценок урожайности на 2015 и 2016 гг. Это повышает вероятность соответствия величин ожидаемых и фактических показателей. Фактическая урожайность яровой пшеницы в Сараташском районе в 2015 г. составила 8,4 ц/га, в 2016 г. - 11,4 ц/га.
Важнейшая процедура для построения модели с прогнозируемыми реакциями любой реальной системы - обнаружение существенных переменных изучаемой системы [19]. В нашей модели, разработанной в
Таблица 4. Зависимость урожайности яровой пшеницы от факторов погоды в Бузулукском районе за период 1956- 2014 гг. (пошаговая регрессия)
Источник варьирования* (фактор погоды) Коэффициент регрессии Уровень значимости Доля влияния фактора, %
Свободный член 1,556 0,001 -
Тmax июля, декада 2 -0,0399 0,000 22,90
Т августа, декада 3 -01101 0,000 9,00
Осадки августа, декада 3 -0,0074 0,002 6,86
Осадки сентября + октября 2014 г. 0,0326 0,000 7,37
(Осадки сентября + октября 2014 г.)2 -0,00022 0,000 5,39
Осадки апреля + мая + июня 0,0044 0,000 5,66
Осадки мая, декада 1 0,0213 0,006 1,66
(Осадки мая, декада 1)2 -0,0009 0,000 6,41
Осадки июня + июля + августа 0,0166 0,000 4,91
(Осадки июня + июля + августа)2 -0,00005 0,000 5,57
Осадки января, декада 2 -0,0163 0,000 4,15
Осадки июля, декада 3 + августа, декада 1 -0,0045 0,002 4,60
ДВВ августа, декада 3 0,0521 0,000 3,01
Осадки ноября 2014 года, декада 3 -0,0078 0,004 2,14
Для полной регрессии: R2= 0,896. Р-уровень = 0,000. Станд. ошибка оценки = 1,7 ц/га
*единицы измерения факторов погоды: осадки - мм; Ттах - температура воздуха максимальная, оС; Т - температура воздуха средняя, оС; ДВВ - средний дефицит влажности
воздуха, гПа.
Таблица 5. результаты моделирования прогнозных значений урожайности яровой пшеницы и погодных факторов на 2015 г., входящих в регрессионную модель таблицы 4 (метод остаточных отклонений в совокупности с методом наложения эпох)
Переменная 2013 г. 2014 г. 2015 г.
факт \тест факт тест прогноз
Ттах июля, декада 2 32,0 31,8 35,0 35,0 35,3
Т августа, декада 3 18,5 18,6 18,9 18,4 20,8
Осадки 3-й декады августа 5,0 4,9 16,0 11,0 16,8
Сумма осадков апреля, мая и июня 37,0 42,4 73,0 73,7 69,9
Осадки 1-й декады мая 2,0 1,6 14,0 9,6 18,9
(Осадки 1-й декады мая)2 - - - - 355,3
Сумма осадков июня, июля и августа 110,0 112,0 106,0 90,7 136,0
(Сумма осадков июня, июля и августа)2 - - - - 18485,1
Сумма осадков 3-й декады июля и
1-й декады августа 50,0 49,2 18,0 19,2 19,2
ДВВ 3-й декады августа 10,0 10,0 9,0 8,3 8,2
Осадки 2-й декады января 22,0 21,4 18,0 19,1 12,1
Переменные, значение которых известны к началу прогнозирования
Сумма осадков сентября и октября 44,0
предшествующего года - - - -
(Сумма осадков сентября и октября
предшествующего года)2 - - - - 1936,0
Осадки 3-й декады ноября 2014 г. - - - - 1,0
Прогноз, рассчитанный по ряду урожайности У = 6,2 ± 2,0 ц/га
Прогноз урожайности по уравнению регрессии У = 6,3 ± 1,7 ц/га
соответствии с уравнением 2 (табл. 4), независимые переменные не только имеют высокий уровень значимости, но и несут в себе реальный агрономический
40 80 120 160 200
Сумма осадков апреля, мая, июня, мм
24
а
1- 20
с
-г
16
ть
с о 12
н
й
а * 8
о
р >< 4
0
.. г
26 28 30 32 34 36 38 40 42 Температура воздуха максимальная 2-й декады июля, ОС
рисунок. Ожидаемые экстремальные условия погоды в Бузулукском районе, отражающие время наступления засухи, её интенсивность и продолжительность для яровой пшеницы в предстоящем 2015 г. (стрелками показаны спрогнозированные критические для формирования урожайности значения погодных факторов).
смысл. Для выбранного в качестве примера решения задачи описания ожидаемой засухи в Бузулукском районе Оренбургской области (степная зона) была использована многолетняя информация по урожайности яровой пшеницы, а также материалы агрометеорологических бюллетеней Оренбургского областного центра по гидрометеорологии и мониторингу окружающей среды (метеостанция Бузулук).
Наибольшая доля влияния на вариацию величины урожайности в Бузулукском районе принадлежит максимальной температуре воздуха 2-й декады июля. Кроме того, в 12,76 % случаев (7,37+5,39) дисперсия уровня урожайности обусловлена колебаниями осадков, выпавших в осенний период, то есть в сентябре и октябре предшествующего года.
Факторы погоды, вошедшие в модель (см. табл. 4), указывают на то, что фактически влияние засухи на будущий урожай может закладываться с осени предыдущего года, поскольку в этот период (указанные месяцы) не только варьирует запас влаги в почве, но и активность почвенной биоты, а также образование ледяного пласта в почве зимой, что определяет условия впитывания влаги почвой в период весеннего снеготаяния.
Для понимания влияния погодных факторов в 2015 г. мы спрогнозировали все переменные, вошедшие в модель множественной регрессии (табл. 5). При этом использовали тестовую выборку, в которую вошли 2013 и 2014 гг. В эти годы значения переменных уже известны, но при разработке модели их исключали и использовали в качестве внешнего теста (то есть проекции). Далее полученную модель без коррекции экстраполировали на 2015 г.
Графический анализ связей урожайности с переменными погоды в 2014-2015 сельскохозяйственном году дает возможность проинтерпретировать время наступления засухи, ее интенсивность и продолжительность (см. рисунок). При этом хорошо видно, что засуха начала формироваться с осени предшествующего года и получила свое продолжение в апреле - июле [20].
Стрелки на графике показывают не только время влияния засухи, но и ее интенсивность, поскольку фактические значения погодных факторов слишком далеки от оптимальных. Фактическая урожайность в 2015 г. составила 8,0 ц/га.
выводы. Разработан новый метод моделирования долгосрочного прогноза урожайности на примере яровой пшеницы. Установлена тесная связь многолетней динамики урожайности яровой пшеницы с изменениями во времени расстояния от барицентра Солнечной системы до Земли, что позволяет использовать значения предикторов за пределами имеющегося ряда урожайности. Показана необходимость учитывать влияние лаговых переменных при разработке моделей прогноза урожайности.
На основе разработанной модели осуществлён долгосрочный прогноз на предстоящий год как величины преди-ктанта (У), так и величины всех предикторов (Х), вошедших
в модель. Полученные результаты позволили с заблаго-временностью 5 месяцев описать явление засухи в 2015 г.: время наступления, интенсивность, продолжительность.
Литература.
1. Тихонов В.Е., Кондрашова О.А., Неверов А.А. Применение методов нелинейного описания солнечно-земных связей к прогнозированию урожайности в степном Предуралье // Доклады Российской академии сельскохозяйственных наук. 2014. № 2. С. 56-59.
2. Новохатин В.В., Чубарева И. С. ГИС-технологии в оценке и прогнозировании урожайности сельскохозяйственных культур // Вестник Тюменского государственного университета. 2013. № 4. С. 168-176.
3. Рогачев А.Ф., Шубнов М.Г. Оценка прогнозного уровня урожайности сельскохозяйственных культур на основе нейросе-тевых моделей динамики // Известия Нижневолжского агроуниверситетского комплекса. 2012. № 4 (28). С. 1-6.
4. Анализ результатов прогнозирования урожайности яровой пшеницы на основе временных рядов статистических данных и интегральных индексов вегетации/Л.Ф. Спивак, И.С. Витковская, М.Ж. Батырбаева, А.М. Кауазов//Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. С. 173-182.
5. Tikhonov V.E., Kondrashova O.A., Neverov A.A. Using Nonlinear Description Methods for Description of the Sun and Earth Links in the Prediction of Yield in the Steppe Ural Region // Russian Agricultural Sciences. 2014. Vol. 40. No. 3. Pp. 229-232.
6. Tikhonov V.E., Neverov A.A. Long-term Crop Yield Forecasting in the Urals Steppe Zone Using Modern Methods for the Estimation of Solar-Terrestrial Relations //Arid Ecosystems. 2014. Vol. 4. No. 4. Pp. 294-298.
7. Tikhonov V.E., Neverov A.A. Modeling of the Expected Yield in the Steppe District of the Cis-Ural Region Taking into Account the Lag Variables and Changes of the Distance from the Mass Center of the Solar System to the Earth // Russian Agricultural Sciences. 2016. Vol. 42. No. 2. Pp. 163-166.
8. Жаров В.Е. Сферическая астрономия [Электронный ресурс]. URL: http://www.astronet.ru/db/msg/1190817/node26.html (дата обращения: 10.05.2017).
9. Петрукович А.А. Солнечно-земные связи и космическая погода//Плазменная гелиогеофизика: в 2 томах/под ред. Л.М. Зелёного, И.С. Веселовского. М.: Физматлит, 2008. Т. 2. С. 175-251.
10. Ермолаев Ю.И., Ермолаев М.Ю. Солнечные и межпланетные источники геомагнитных бурь: аспекты космической погоды // Геофизические процессы и биосфера. 2009. Т. 8. № 1. С. 5-35.
11. Константиновская Л. В. Солнечная активность [Электронный ресурс]. URL: http://www.astronom2000.info/астрономия/ солнечная активность (дата обращения: 20.04.2017).
12. Пономарёва О.В. О механизме возмущения периодического движения полюса Земли планетами Солнечной системы [Электронный ресурс]. URL: http://www.kscnet.ru/ivs/publication/volc_day/2007/art20.pdf. (дата обращения: 10.05.2017).
13. Пономарёва О.В. Роль планет и планетных групп в активности Солнца. ДВО РАН Камчатский научный центр//Геофизический мониторинг и проблемы сейсмической безопасности Дальнего Востока России, Петропавловск-Камчатский, 11-17 ноября 2007г.: труды региональной научно-технической конференции: в 2 томах. Обнинск: Федеральный исследовательский центр «Единая геофизическая служба Российской академии наук», 2008. Т. 2. С. 212-2016.
14. Авакян С.В. Роль активности Солнца в глобальном потеплении //Вестник Российской академии наук. 2013. Т. 83. № 5. С. 425-436.
15. Кокоуров В.Д. Многолетние изменения в системе Солнце - Земля [Электронный ресурс]. URL: http://www.kosmofizika. ru/irkutsk/kok/changes.htm (дата обращения: 03.05.2017).
16. Хлыстов А.И., Долгачёв В.П., Доможилова Л.М. Барицентрическое движение Солнца и его следствия для Солнечной системы // Современные глобальные изменения природной среды: монография. Т. 3. Факторы глобальных изменений. М.: Научный мир, 2012. С. 62-77.
17. Федулов К.В., Астафьева Н.М. Структура климатических изменений (по палеоданным и данным инструментальной эпохи). М.: РАН, Институт космических исследований, 2008. 60 с.
18. Абдусаматов Х.И. Измерение временных вариаций формы и диаметра Солнца, а также тонкой структуры активных и спокойных областей фотосферы на Служебном модуле Российского сегмента МКС (Проект «Астрометрия» по измерению временных вариаций формы и диаметра Солнца, а также тонкой структуры активных и спокойных областей фотосферы) [Электронный ресурс]. URL: http://www.gao.spb.ru/russian/cosm/astr. (дата обращения: 10.05.2017).
19. Кочерина Н.В., Драгавцев В.А. Введение в теорию эколого-генетической организации полигенных признаков растений и теорию селекционных индексов. Санкт-Петербург: СЦДБ, 2008. 88 с.
20. Тихонов В.Е., Неверов А.А. Прогноз предикторов многомерной модели урожайности яровой пшеницы для оценки неблагоприятных условий вегетации: времени их наступления, интенсивности и продолжительности [Электронный ресурс]//Бюллетень Оренбургского научного центра УрО РАН. 2015. № 3. С. 1-13. URL: http://elmag.uran.rw.9673/magazine/Numbers/2015-3/ Articles/VET-AAN-2015-3.pdf (дата обращения: 03.05.2017).
LONG-TERM FORECAST OF CROP YIELD ON THE BASIS OF FuNDAMENTAL CYCLING
OF SOLAR-PLANET RELATIONS
V.E. Tikhonov, А.А. Neverov
Orenburg Research Institute of Agriculture, prosp. Gagarina, 27/1, Orenburg, 460051, Russian Federation
Abstract. A new method of long-term yield forecast is proposed on the example of spring wheat. A close relationship was established between the long-term dynamics of spring wheat yield and variations in the distance from the barycenter of the Solar System to the Earth in time, which makes it possible to use the predictor values beyond the available crop yield. For the first time in forecasting time-series of yield, lag variables were used, their effect on indicators, characterizing the process, is not immediately apparent, but with a delay. We forecast the productivity of spring wheat, taking into account the great role of heat, stored in the World Ocean, in time delays of weather and climate. The forecast (advance time is one year) of spring wheat yield in Saraktash district of Orenburg region for 2016 was fully justified: the forecast was 1.15 t/ha, in fact, it was 1.14 t/ha. Methodological bases for long-term forecasting of drought (advance time is 5-6 months), time of its occurrence, intensity and duration in the steppe of Cis-Urals were developed. On this basis, a virtually accurate description of the expected in Buzuluk district of Orenburg region drought in 2015 was obtained: the drought began to form in the autumn of 2014 and continued throughout April, May and June 2015. The methods of stepwise multiple regression and regression in neural networks were applied, as well as the method of residual deviations in combination with the method of superposition of epochs were used. For the first time, based on the developed model, a long-term forecast for the previous year was carried out both for the value of the predicant and for the values of all the predictors included in the model.
Keywords: forecast, yield, barycenter of the Solar system, lag variables.
Author Details: V.E. Tikhonov, D. Sc. (Geogr.), chief research fellow; А.А. Neverov, Cand. Sc. (Agr.), leading research fellow (e-mail: nevalex2008@yandex.ru).
For citation: Tikhonov V.E., Neverov А.А. Long-Term Forecast of Crop Yield on the Basis of Fundamental Cycling of Solar-Planet Relations. Dostizheniya naukii tekhnikiAPK. 2017. Vol. 31. No. 4. Pp. 62-67 (in Russ.).
