CC BY
20
своего широкого применения в практике алтайского земледелия.
Особенности цветения гречихи влияют на лётную деятельность пчёл. Для хорошего опыления растений необходимо 3 - 5 пчелосемей на 1 га, расположенных на расстоянии не более 0,5 - 1 км от посевов, потому что чем ближе пасека к посевам, тем выше прибавка урожая, размеры которой достигают 0,4 - 0,5 т/га.
Опылительную работу медоносных пчёл усиливают дикие насекомые-опылители и энтомофаги, обитающие вблизи полезащитных лесополос и древесно-кустарниковых массивов, колков, целинных или залежных участков, что необходимо учитывать при территориальной оптимизации севооборотов, в структуру которых включена гречиха. Пчелосемьи, в отличие от диких опылителей, мобильны, и с их помощью можно управлять процессом опыления, размещая пасеки по контуру цветущего массива гречихи.
Дополнительное 3 - 4-кратное опыление гречихи созданным нами устройством на основе воздушного и механического воздействия на цветки в КФХ «Шанс» способствовало росту урожайности зерна более чем на 0,2 т/га. Поэтому искусственное доопыление гречихи заслуживает систематического применения.
Значительные резервы роста производства гречихи и улучшения качества зерна заложены в совершенствовании уборочных работ, когда уменьшается вероятность появления в намолотах нестандартного зерна, улучшаются потребительские качества производимой продукции. Недоучёт неблагоприятных погодных условий при назначении сроков уборки повышает вероятность увеличения дефектности значительных партий зерна из-за прорастания в валках, что снижает качество крупы, увеличивает денежные затраты на переработку [10].
При неблагоприятных метеорологических условиях для сокращения потерь при уборке гречихи нами на землях КФХ «Шанс» использовано СВЧ-излучение. В результате данного мероприятия листостебельная масса и зерно значительно бы-
стрее подсыхали и имелась возможность прямого комбайнирования, потери зерна сократились на
0.3. 0,4 т/га. Поэтому выбор сроков и способов уборки гречихи с использованием разнообразных приёмов десикации заслуживает особого внимания.
Выводы. Анализ пространственного размещения посевов гречихи в регионе говорит о важности комплексного подхода к её возделыванию с учётом территориальных географических особенностей. Выяснение причин низкой урожайности гречихи позволяет судить о недостаточном научном обеспечении технологии выращивания на всех этапах: от посева до уборки, что предопределяет необходимость расширения дальнейшей исследовательской работы.
Литература
1. Важов В.М., Важов С.В., Важова Т.И. Резервы производства гречихи в Алтайском крае // Международный научно-исследовательский журнал. 2016. № 2. Ч. 3. С. 91 — 94.
2. Важов С. В., Бахтин Р.Ф., Важов В.М. Агроэкологические предпосылки формирования устойчивой урожайности Fagopyrum esculentum Moench. в природных районах Алтайского края // Современные проблемы науки и образования. 2016. № 3. [Электронный ресурс]. URL: http:// science-education.ru/ru/article/view?id=24522 (дата обращения: 06.05.2018).
3. Важов С.В., Бахтин Р.Ф., Козил В.Н. Агроэкологический аспект динамики урожайности Fagopyrum esculentum Moench. в предгорьях Салаира // Международный научно-исследовательский журнал. 2016. № 5. Ч. 5. С. 55 — 58.
4. Важов В.М., Козил В.Н., Важов С.В. Агроэкологические вопросы выращивания Fagopyrum esculentum Moench. на Алтае // Успехи современного естествознания. 2016. № 1. С. 56 — 60. [Электронный ресурс]. URL: http://natural-sciences. ru/ru/article/view?id=35741 (дата обращения: 07.05.2018).
5. Фесенко А.Н., Фесенко И.Н. Результаты селекции, динамика производства и рынок зерна гречихи (анализ многолетних данных) // Земледелие. 2017. № 3. С. 24 - 27.
6. Одинцев А.В., Важов С.В., Козил В.Н. Структура пашни и посевы гречихи в Кулунде // Международный журнал прикладных и фундаментальных исследований. 2016. № 4 (ч. 2). С. 414 - 417.
7. Фесенко А.Н., Гуринович И.А., Фесенко Н.В. Перспективы селекции гомостильных популяций гречихи // Аграрная наука. 2008. № 3. С. 10 - 12.
8. Глазова З.И., Михайлова И.М. Урожайность и технологические свойства зерна гречихи в зависимости от сорта и удобрений // Зернобобовые и крупяные культуры. 2018. № 1 (25). С. 87 - 91.
9. Фесенко А.Н., Бирюкова О.В. Динамика цветения растений мутантной формы determinate floret cluster // Зернобобовые и крупяные культуры. 2013. № 3. С. 28 — 32.
10. Марьин В.А., Верещагин А.Л., Бычин Н.В. Технологические свойства влажного и сырого зерна гречихи // Техника и технология пищевых производств. 2015. Т. 38. № 3. С. 35 — 40.
Долгосрочное прогнозирование урожайности полевых культур в Оренбургском Приуралье на основе ретроспективной экстраполяции временного ряда
А.А. Неверов, к.с.-х.н., ФБГНУ ФНЦ БСТ РАН
В биологических исследованиях большое значение для решения задачи долгосрочного прогнозирования предстоящих событий придаётся длине временного ряда и достоверности его показателей.
На процессы формирования урожайности сельскохозяйственных культур оказывает влияние совокупность различных биотических и абиотических факторов.
Точность прогнозирования осреднённой урожайности, например по административному району, существенно зависит от таких факторов, как равно-
мерность распределения посевов по территории, отсутствие резких аномалий продуктивности, вызванных революционным воздействием человека. В идеальном случае временной ряд должен зависеть только от естественных природных факторов, детерминирующих дисперсию результативного признака. Однако сформировать подобный ряд урожайности, зеркально отражающий воздействие только периодических колебаний биосистемы без участия человека, не получается. Поэтому временной ряд урожайности сельскохозяйственных культур, в нашем понимании, представляет собой аддитивный тип модели, определяемый формулой:
У = Т + С + е , (1),
где У - урожайность; Т - трендовая; С - циклическая;
е - нерегулярная или случайная компоненты временного ряда.
Многолетние изменения климата, а также уровня агротехники (севообороты, удобрения и т.д.) воздействуют на продуктивность посевов, постепенно изменяя агрофон, и находят своё отражение в трендовой составляющей урожайности. Трендовая компонента получается в результате сглаживания временного ряда методом взвешенной скользящей средней.
Инерция тренда позволяет достаточно точно прогнозировать предстоящее значение данной компоненты в будущем.
Основная задача прогнозирования предстоящего значения временного ряда сводится к прогнозированию циклической компоненты при минимальном значении ошибки (случайной компоненты) [1].
Опыт прогнозирования [2 - 9] показывает, что длина временного ряда должна быть максимально большой, на практике же из архивных документов по Оренбургской области известно, что первая отчётность по урожайности полевых культур датируется примерно с 1886 г. Однако существенный вклад в формирование урожайности полевых культур нашей страны внесли нестабильность экономики в периоды социальных потрясений: Первая мировая война (1914 - 1918 гг.), Гражданская (1917- 1922 гг.) и Вторая мировая (1939 - 1945 гг.) войны, массовая гибель крестьян в периоды голодомора (1921 - 1922 гг., 1932 - 1933 гг.). Статистические данные по урожайности сельскохозяйственных культур в эти годы и последующие периоды восстановления народного хозяйства носят характер аномалий и искажают реальную картину изменчивости продуктивности растений под влиянием природных факторов.
Примерно с начала 2000-х гг. и по настоящее время происходят революционные изменения в сельском хозяйстве, выражающиеся в изменении структуры посевных площадей, севооборотов, резком сокращении применения удобрений, что увеличивает случайную компоненту и ухудшает точность прогноза.
В последние годы появилось достаточно много сообщений о многолетних (от сотен до тысяч и даже миллионов лет) реконструкциях различных параметров (региональной температуры, осадков, активности Солнца, вариаций атмосферной циркуляции) по концентрации 14С в кольцах деревьев, содержанию континентальных и океанических аэрозолей в кернах льда и т.д. [10 - 12].
Цель исследования - установить возможность прогнозирования урожайности сельскохозяйственных культур по достоверным, но коротким временным рядам, не превышающим 30 лет, с помощью ретроспективной экстраполяции этого ряда на погодные условия.
Материал и методы исследования. Исследование проведено на примере кукурузы, как одной из ведущих полевых культур в Оренбуржье. Для статистического анализа временного ряда урожайности зерна кукурузы (1987 - 2017 гг.) по результатам полевых исследований Оренбургского НИИСХ применялись методы пошаговой регрессии. Ретроспективная экстраполяция временного ряда до 1951 г. проводилась по отобранным предикторам (метеорологическим факторам) в нейро-сетевом анализе в задачах регрессии (программа «Statistica 6.1»).
Прогнозирование урожайности на предстоящий 2018 г. осуществлялось с использованием методов остаточных отклонений в совокупности с методом наложения эпох в авторской программе «Prognostics».
Результаты исследования. На первом этапе анализа получена компьютерная модель множественной регрессии на погодные условия Оренбургского района Оренбургской области, достоверно описывающая 98% дисперсии урожая кукурузы (табл. 1).
Пошаговый метод множественной регрессии выполнял в наших исследованиях роль фильтра для отбора наиболее значащих факторов погоды, определяющих урожайность кукурузы в условиях выбранного региона.
Для ретроспективной экстраполяции временного ряда использовался метод нейросетевого анализа в задачах регрессии на предварительно отобранные предикторы, детерминирующие дисперсию урожая кукурузы.
Модели формировались путём итерактивного обучения многослойного персептрона с параллельным тестированием в контрольной и тестовой выборках (табл. 2, 3).
В результате обучения многослойного персеп-трона получены две модели - № 1137 и № 1145, удовлетворяющие нас по статистическим критериям оценки всех трёх выборок: обучающей, контрольной и тестовой. В данном случае для нас важно свести к минимуму нерегулярную компоненту или отношение стандартного отклонения ошибки к стандартному отклонению данных, оно не должно
быть больше 0,15. В нашем случае по разным выборкам и моделям показатель варьирует от 0,04 до 0,14, что характеризует высокий уровень качества моделей.
Из моделей получен ансамбль, усредняющий показатели урожайности кукурузы, представленный в таблице 3 под названием «Уф, факт».
Таблица 3 представляет собой фрагмент вывода результатов прогнозирования урожайности в авторской программе «Prognostics» с высокой оценкой моделирования: относительная ошибка по всему ряду наблюдений - 1,3%, коэффициент множественной детерминации - 0,99. Для тестирования модели использован период с 2005 по 2016 г. (рис.).
1. Зависимость урожайности зерна кукурузы от погодных условий (1987 -2017 гг.) на опытном поле Оренбургского НИИСХ
Фактор погоды: месяц, декада* Стандартизованный бэта-коэффициент Коэффициент регрессии Т-критерий Стью-дента для оценки коэффициента Р-значение
Начальная ордината 3,324632 6,2 0,000
ДВВ, июль -0,98 -0,251196 -17,7 0,000
X осадков, март - апрель 0,50 0,022562 10,7 0,000
Т, ноябрь пр. г, 1-я -0,54 -0,188515 -9,8 0,000
Ттах, май, 2 0,26 0,077847 5,5 0,000
Осадки, ноябрь пр. г. 0,29 0,017682 5,8 0,000
X осадков, июль, 2-я - август, 1-я -0,46 -0,015721 -4,9 0,000
ДВВ, сентябрь пр. г., 3-я 0,17 0,069826 4,0 0,000
Т, апрель, 3-я -0,13 -0,038375 -3,2 0,005
Ттт, ноябрь пр.г., 1-я -0,21 -0,041185 -3,4 0,003
Осадки, август, 1-я 0,21 0,013347 2,8 0,012
Коэффициенты множественной: регрессии R = 0,99, детерминации R2 = 0,98 F(10,17) = 69,0, стандарная ошибка оценки - 0,2 т с 1 га; Р < ,00000
Примечание: * - единицы измерения факторов погоды: осадки, мм; Т - средняя температура воздуха,°С; Ттах и Ттт - максимальная и минимальная температура воздуха, °С; ДВВ - средний дефицит влажности воздуха, гПа; X - сумма
2. Описательная статистика оценки нейросетевых моделей урожайности кукурузы
Статистический показатель Обучающая выборка модели № 1137 Обучающая выборка модели № 1145 Контрольная выборка модели № 1137 Контрольная выборка модели № 1146 Тестовая выборка модели № 1137 Тестовая выборка модели № 1146
Среднее данных 2,88 2,82 2,16 2,69 3,63 3,59
Ст. откл. данных 1,07 1,09 0,33 0,63 1,32 1,24
Среднее ошибки -0,005 -0,003 0,018 -0,0008 -0,033 -0,565
Ст. откл. ошибки 0,15 0,15 0,04 0,03 0,08 0,21
Среднее абсолютной ошибки 0,11 0,11 0,05 0,03 0,08 0,56
Отношение ст. откл ошибки к ст. откл. данных 0,14 0,14 0,13 0,04 0,06 0,17
Корреляция 0,98 0,99 0,99 0,99 0,99 0,99
3. Прогноз на 2018 г. урожайности зерна кукурузы на основе ретроспективной экстраполяции временного ряда
Фаза-24 Фаза-24 Относительная ошибка тестирования, %
период, год Уф, факт, т с 1 га Ур, модель, т/га период, годы Уф, факт, т/га Ур, модель, т/га
1951 1,70 1,73 1985 3,70 3,75
1952 4,90 4,92 1986 4,50 4,45
1953 1,80 1,80 1987 3,30 3,29
1954 3,80 3,90 1988 1,70 1,72
1955 2,30 2,27 1989 3,30 3,26
1956 2,40 2,43 1990 5,10 5,03
1957 2,60 2,61 1991 2,70 2,64
1958 4,10 4,05 1992 5,20 5,08
1959 2,10 2,13 1993 3,50 3,44
1960 5,20 5,27 1994 4,90 4,77
1961 4,80 4,91 1995 2,00 2,00
1962 3,40 3,48 1996 2,40 2,38
1963 5,20 5,29 1997 4,30 4,32
1964 5,10 5,24 1998 1,80 1,78
1965 3,00 3,00 1999 2,30 2,21
1966 2,80 2,83 2000 3,20 3,14
1967 1,50 1,49 2001 1,60 1,53
1968 4,00 4,04 2002 2,60 2,55
1969 5,00 5,20 2003 3,10 3,12
1970 2,60 2,65 2004 4,50 4,02
1971 5,30 5,54 2005 3,90 3,91 0,15
1972 3,80 3,88 2006 3,00 3,00 0,13
1973 2,20 2,19 2007 3,80 3,79 0,20
1974 3,70 3,70 2008 3,90 3,94 0,41
1975 2,30 2,30 2009 1,80 2,10 3,70
1976 4,00 4,00 2010 1,30 1,66 7,75
1977 2,60 2,60 2011 1,60 1,75 7,94
1978 4,60 4,60 2012 2,40 2,54 7,69
1979 2,40 2,40 2013 2,20 2,29 7,28
1980 3,10 3,10 2014 2,50 2,52 6,62
1981 1,90 1,90 2015 1,50 1,75 7,54
1982 5,00 4,90 2016 2,40 2,41 6,95
1983 4,40 4,38 2017 1,80 1,96 7,11
1984 5,20 5,07 2018 2,18
Относительная ошибка модели: 1,3%
Абсолютная ошибка модели: 0,09 т/га
Коэф-т множественной детерминации: 0,99
Критерий достоверности Стьюдента: 111,2314
После обучения показатели 2017 г. использовали в качестве внешнего теста с последующей экстраполяцией на 2018 г.
В основе долгосрочного прогнозирования методом остаточных отклонений в совокупности с методом наложения эпох, подробно описанных в наших ранних работах [2 - 9], использовался принцип суперпозиции циклов, обусловленных изменением взаимного расположения космических тел Солнечной системы.
Выводы. Ретроспективная экстраполяция временного ряда урожайности полевых культур,
достоверно отражающего колебания естественных факторов окружающей среды, способствует возможности прогнозировать не только урожайность, но и повысить точность прогноза.
Литература
1. Полевой А.Н. Прикладное моделирование и прогнозирование продуктивности посевов. Л.: Гидрометеоиздат, 1988. 319 с.
2. Тихонов В.Е., Неверов А.А, Кондрашова О.А. К проблеме долгосрочного прогнозирования урожайности // Аграрная наука. 2012. № 9. С. 12 - 15.
3. Тихонов В.Е. Долгосрочное прогнозирование урожайности / В.Е. Тихонов, А.А. Неверов, О.А. Кондрашова [и др.] // Аграрная наука. 2013. № 7. С. 12 - 15.
4. 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.
5. Тихонов В.Е., Неверов А.А., Кондрашова О.А. Методология долгосрочного прогнозирования урожайности. Оренбург: ООО «Агентство «Пресса», 2014. 157 с.
6. Тихонов В.Е., Неверов А.А. Долгосрочное прогнозирование урожайности в степной зоне Урала на основе современных методов оценки солнечно-земных связей // Аридные экосистемы. 2014. Т. 20. № 4 (61). С. 86 - 92.
7. Тихонов В.Е., Неверов А.А. Движение Земли вокруг барицентра Солнечной системы как информационная основа долгосрочного прогнозирования урожайности // Аграрный вестник Урала. 2015. № 12 (142). С. 24 - 29.
8. Тихонов В.Е., Неверов А.А. Моделирование ожидаемой урожайности в степном Предуралье с учётом лаговых переменных и изменения расстояния от центра масс Солнечной
системы до Земли // Доклады Российской академии сельскохозяйственных наук. 2016. № 1. С. 34 — 37.
9. Тихонов В.Е., Неверов А.А., Кондрашова О.А. Методология долгосрочного прогнозирования урожайности. Оренбург: ООО «Агентство «Пресса», 2014. 157 с.
10. Борисенков Е.П. Климат и деятельность человека. М.: Наука, 1982. 132 с.
11. Огурцов М.Г. Квазивековая цикличность в климате Северного полушария Земли и её возможная связь с колебаниями активности Солнца / М.Г. Огурцов, Х. Юнгнер, М. Линдхольм, С. Хелама, В.А. Дергачёв // Солнечно-земная физика. 2007. Вып. 10. С. 10 - 15.
12. Распопов О.М. Интерпретация физических причин глобального и регионального климатических откликов на долговременные вариации солнечной активности / О.М. Распопов,
B.А. Дергачёв, О.В. Козырева, Т. Комтрон, Е.В. Лопатин, Б. Лукман // Солнечно-земная физика. 2008. Вып. 12. Т. 2.
C. 276 - 278.
Влияние густоты растений и доз минеральных удобрений на качество зерна кукурузы
С.А. Семина, д.с.-х.н, профессор, ИВ. Гаврюшина,
к.б.н, ФГБОУ ВО Пензенский ГАУ; СМ. Надежкин, д.б.н, профессор, ФГУП ФНЦ овощеводства
Одна из важных задач, стоящих перед сельским хозяйством, - постоянное наращивание производства зерна и кормов для животноводства. Большое внимание при этом должно уделяться кукурузе, как одной из перспективных и наиболее урожайных культур [1]. Важно не только увеличивать урожайность зерна, но и улучшать его качество для получения фуражного зерна с высокими кормовыми достоинствами. Действенным средством повышения урожайности являются минеральные удобрения [2 - 4]. Оптимальные дозы удобрений под кукурузу определяются не только прибавками урожайности, но и влиянием на качество зерна.Направленность и интенсивность биохимических процессов в созревающем зерне зависят от обеспеченности растений элементами питания. Многие исследователи [5 - 10] отмечают, что при улучшении условий минерального питания наряду с ростом урожайности происходит увеличение содержания в зерне кукурузы полезных компонентов (протеина, крахмала, жира) и снижение клетчатки. При внесении научно обоснованных доз удобрений улучшается минеральное питание растений, что способствует мобилизации физиологических ресурсов растений и повышению качества выращиваемого зерна [11]. Качество зерна кукурузы в значительной степени зависит и от загущенности стеблестоя. Чем больше в корме основных питательных веществ, тем выше его ценность. Высококачественное зерно кукурузы прежде всего должно иметь повышенное содержание белка, лизина и других незаменимых аминокислот. Недостаток в рационах этих веществ приводит к снижению продуктивности животных. Поэтому определение в зерне кукурузы концентрации и соотношения основных питательных веществ имеет
важное значение в современном кормопроизводстве [7, 10]. В связи с этим комплексные исследования по изучению влияния густоты растений в посевах в зависимости от уровня минерального питания на качество зерна кукурузы в условиях лесостепи Среднего Поволжья являются весьма актуальными.
Материал и методы исследования. Исследование проводилось в 2015 - 2017 гг. на чернозёме выщелоченном тяжелосуглинистом. Почва опытного участка имеет повышенное содержание фосфора и калия, реакция почвенного раствора слабокислая.
Опыт был заложен в четырёхкратной по-вторности методом расщеплённых делянок в соответствии с методическими рекомендациями [12] по схеме: фактор А - доза удо-брения: К0?0К0, ^20?90, ^20?90 + N30 (в корневую подкормку в фазу 6 - 7 листьев кукурузы), КшР90Кб0; фактор В - густота стояния растений: 60 тыс. шт/га, 70, 80, 90 и 100 тыс. шт/га.
Объектом исследования был раннеспелый (ФАО 190) двойной межлинейный гибрид кукурузы РОСС 199 МВ. Агротехника возделывания - общепринятая для чернозёмных почв. Предшественник - озимая пшеница по чистому пару.
Погодные условия в годы исследования были различными по гидротермическим условиям, наиболее благоприятными для роста и развития кукурузы они были в 2016 г.
Результаты исследования. Проведённым исследованием установлено, что белковая обеспеченность зерна различалась как в зависимости от приёма возделывания, так и от погодных условий в период вегетации. В 2015 г. наиболее обеспеченное белком зерно получено на вариантах с проведением азотной подкормки - 11,37 - 11,86% сырого протеина в сухой массе. Влияние доз КшР90 и КшР90Кб0 на накопление протеина в зерне было примерно равным, содержание его варьировало от 10,72 до 11,34%. Наименее обеспеченное белковыми веществами
