CC BY
37
Анализируя данные таблиц 1 и 2, видим, что май в Оренбургском Зауралье засушливее мая в Канаде в 10,6—4,2 раза, по сравнению с Северным Казахстаном, Омском и Безенчуком — в 1,4
— 1,36 раза, с Саратовом — в 1,26 раза.
Вероятность мая в Оренбургском Зауралье с показателем атмосферной засушливости до 50 мм (в Канаде — 11—28 мм) равна 13,8% лет (9 лет из 65 лет), до 100 мм (Шортанды — 85 мм, Омск и Безенчук — по 86 мм, Саратов — 93 мм) — 43% лет, а в 57% лет здесь засушливость мая может достигать 100—250 мм (рис. 1).
Показатель атмосферной засушливости (ПАЗ-1) июня в Оренбургском Зауралье превышает ПАЗ-1 июня в Канаде в 28,4—8,4 раза, в Шортандах и Омске в 1,8 раза, в Саратове — в 1,48 раза и в Безенчуке — в 1,36 раза.
Вероятность лет с ПАЗ-1 за июнь до 50 мм здесь составляет 3,1%, до 100 мм — 23,1%, при средних показателях по Канаде — 5—17 мм; Шортанды, Омску — 90 мм, Саратову — 96 мм, Безенчуку — 104 мм, тогда как в остальные 76,9% лет июнь в Оренбургском Зауралье имеет ПАЗ-1 в пределах 100—135 мм.
Засушливость июля в Оренбургском Зауралье также выше, чем в остальных местах наблюдений. ПАЗ-1 здесь достигает в среднем 148 мм, что
50
0)
* 50
| 50
5 50 о
§ 50
о.
май июнь июль август сентябрь месяцы
Условные обозначения
0-50------ 50-100----- 100-150
150-200------ 200-250----- 250-300' ' 1 '
Рис. 1 - Вероятность Паз-1 в Оренбургском Зауралье (п. Адамовка, 1940-2004 гг.), % лет
выше, чем в Канаде, в 4,9—3,8 раза, по сравнению с Северным Казахстаном — в 5,7 раза, с Омском — в 4,1 раза, с Саратовом и Безенчуком
— в 1,1 раза. При этом вероятность ПАЗ-1 по Адамовке (и Айдырле) до 50 мм равна всего лишь 7,7% лет (5 лет из 65 лет), а до 150 мм — 58,5% лет. В остальные 42,5% лет ПАЗ-1 превышает показатели Саратова и Безенчука и находится в пределах 150—300 мм.
Август в Оренбургском Зауралье также был более засушливым, чем в остальных пунктах наблюдений: по сравнению с Канадой — в 2,5—4,8 раза, Северным Казахстаном и Омском — в 3,4 раза, с Безенчуком — в 1,3 раза и Саратовом — в 1,1 раза.
Встречаемость лет с ПАЗ-1 до 50 мм здесь составляет 6,2% (средние по Канаде — 28—54 мм, Северному Казахстану и Омску — 39 и 39 мм), а до 100 мм — 29,3% лет. В течение 70,7% лет ПАЗ-1 за август в Оренбургском Зауралье находится в пределах 100—250 мм (Саратов — 125 мм, Безенчук — 105 мм).
Лишь в сентябре показатели атмосферной засушливости Оренбургского Зауралья начинают снижаться (99 мм) и обнаруживается меньший разрыв с остальными пунктами наблюдений: с сентябрем в Канаде — до 2,1—2,4 раза, в Шортандах, Омске и Безенчуке — до 2,2—2,1 раза и в Саратове — до 1,6 раза.
Таким образом, при оценке возможностей территории землепользования следует учитывать не только бонитет почв, достигнутый уровень продуктивности пашни, общую, весьма укрупненную характеристику климата, но и более детальную оценку степени засушливости с учетом вероятности проявления лет разного типа засушливости на базе длительных периодов наблюдений ближайших агрометеостанций. Это позволит внести существенные коррективы в кадастровую оценку земель сельскохозяйственного назначения.
Литература
1. Синицын, С.С. Показатель и результаты сравнения агроклиматических условий регионов — аналогов производства высококачественной яровой пшеницы // Вестник Российской Академии сельскохозяйственных наук. 2002. № 2.
Использование прогнозной информации в оценке земель Оренбургской области
В.Е. Тихонов, д.геогр.н., Оренбургский НИИСХ
Решение задач погодной ориентации земледелия в определенной мере связывается с разработкой методов долгосрочного прогнозирования урожайности и погодно-климатических условий. Успешная разработка математических моделей
долгосрочного прогнозирования урожайности и погодно-климатических условий позволит достигнуть вышеобозначенных целей: повысить коэффициент использования климатических ресурсов влаги на единицу производимой продукции с единицы площади и в итоге подойти к научно обоснованным прогнозам производства зерна в
регионе, что, в свою очередь, может быть дополнительным критерием оценки стоимости земли.
Для этого необходимо решить следующие задачи:
1. Разработать регрессионные модели оценки агроклиматических ресурсов в зональном аспекте. Общий вид этих моделей может быть представлен аналитическим выражением:
п
У = а0 + 1 а X.
0 Г=і' '
где У — оцениваемый урожай; ао, а, ..., ап — коэффициенты;
Х1,..., Хп — влияющие на урожай факторы погоды, в качестве которых выступают характеристики агрометеорологических условий, осредненные за календарные периоды.
2. Разработать математические модели долгосрочного прогноза как величины У, так и величины X.
Необходимость двойного прогноза урожайности диктуется невозможностью определить непосредственно по ряду продуктивности ожидаемые погодные условия. Это обусловлено в основном нелинейностью связей между урожайностью и погодными компонентами.
Рассмотрим некоторые практические результаты реализации обозначенных подходов в аридных условиях степной зоны Урала [1, 2, 3].
Продуктивность агроценозов по годам можно рассматривать как случайный процесс с двумя составляющими: детерминированной, обусловленной трендом, и собственно случайной — результатом воздействия агрометеорологических условий. Динамика отклонений урожая от тренда рассматривается обобщенно как некоторое
наложение (суперпозиция) гармонических колебаний.
После расчета тенденции временного агрометеорологического ряда к нему возможно применение методов обобщенного гармонического анализа.
Если исходной причиной циклически-посту-пательной эволюции природных явлений служат космические процессы, то временные ряды, отражающие природные явления, должны содержать в себе элементы ритмической закономерности, присущие объекту в окружающем нас пространстве. Поскольку каждый такой объект обладает определенным запасом энергии и количеством движения, которые всегда аддитивны, в гравитационном поле системы, состоящей из любого числа тел, применим принцип суперпозиции (наложения) колебаний [4]. Для волновых процессов любой физической природы принцип суперпозиции заключается в том, что форма результирующей в любой момент времени есть итог геометрического сложения мгновенных смещений — интерференция. Характер интерференций гребней и впадин после прохождения ими неодинаковых путей обеспечивает разность фаз складываемых колебаний. При этом периодические колебания преобразуются в интегральную случайную флуктуацию. Все вышесказанное может служить в качестве исходных теоретических предпосылок для построения некоторой достаточно приемлемой модели рассматриваемого процесса, охватывающего сущность основных причинно-следственных связей и закономерностей.
Как видно из данных таблицы 1, в модель, построенную для ОПХ «Урожайное» Оренбургского района, входит девять независимых пере-
1. Регрессионная модель зависимости урожайности яровой пшеницы от факторов погоды в степной Заволжской провинции. Урожайность представлена в виде отклонений (в %) от тренда (ОПХ «Урожайное», 1951—1998 гг.)
Независимая переменная (предикторы) Коэффициент регрессии Стандартная ошибка Уровень значимости Доля влияния фактора, %
У-пересечение 207,7 52,6 0,00 -
Осадки декабря + января + февраля 0,315 0,090 0,00 6,48
Коэффициент атмосферного увлажнения мая 298,3 86,3 0,00 14,44
Коэффициент атмосферного увлажнения июня + июля 1468,8 338,2 0,00 7,30
Коэффициент атмосферного увлажнения июня + июля2 -1246,7 266,8 0,00 12,24
Коэффициент атмосферного увлажнения июля + августа -188,9 43,4 0,00 2,72
Температура воздуха июля -7,9 2,1 0,00 3,09
Осадки августа2 0,008 0,002 0,00 4,69
Коэффициент атмосферного увлажнения мая+июня+июля -1496,0 473,6 0,00 25,79
Коэффициент атмосферного увлажнения мая+июня+июля2 1308,2 410,1 0,00 4,91
Для полной регрессии: Я2 = 0,816; ст. ошибка оценки =18,6; ур. значимости = 0,00
менных факторов погоды, долгосрочный прогноз которых и предстоит разработать. Подстановка прогнозных значений этих факторов погоды в регрессионную модель должна давать прогноз отклонения урожайности от тренда. Далее необходим прогноз трендовых значений урожайности. Для решения этой задачи применялся метод гармонических весов [5]. Зная отклонения от тренда, получим прогноз урожайности.
Поскольку циклические составляющие являются неотъемлемой частью временных рядов, в математической теории случайных процессов большое место занимают исследования, опирающиеся на разложение случайного процесса на квазипериодические составляющие. Формализация колебаний в виде спектра гармоник очень удобна для математической интерпретации сложных колебательных процессов, но в то же время требует при разработке экстраполяционных оценок учитывать природу тенденций временных рядов. Математический аппарат, позволяющий применять статистический метод остаточных отклонений к разложению эмпирических рядов наблюдений в спектр колебаний, а также дающий один из возможных подходов к решению проблемы долгосрочного прогноза погоды и урожайности, приведен в работах А.Ф. Игуменцева, Д.М. Хомякова и А.Ф. Игуменцева и др. [4, 6].
Работоспособность полученных нами моделей долгосрочного прогнозирования (на год вперед) показана в таблицах 2 и 3.
Оценка адекватности модели динамики урожайности зерновых культур по Оренбургской области показала, что абсолютная ошибка модели колеблется в зависимости от культуры, года и географического места расположения хозяйства в пределах от 0,01 до 0,19 т с 1 га. При изложении результатов поиска приводится средняя величина этой ошибки, принятая за ±0,1 т с 1 га. Ошибка прогноза рассчитана к границам интервала модели.
На уровень оправдываемости прогнозов кардинальное влияние оказывает степень адекватности используемого при гармоническом анализе комплекса природных циклов (спектр гармоник).
Для решения поставленной задачи написан специальный программный продукт, который реализует как алгоритм расчета тенденций временных рядов, так и алгоритм метода остаточных отклонений. Матрица природных циклов, входящая в качестве модуля в указанный программный продукт, является оригинальным его компонентом. Новизной и оригинальностью данных теоретических работ можно считать выявленные структуры спектров гармоник, суперпозиция которых обусловливает ритмику агрометеорологичес-
2. Фактическая реализация долгосрочного прогноза урожайности зерновых культур в ОПХ «Урожайное» Оренбургского района Оренбургской области (ошибка модели ±0,1 т с 1 га)
Годы Урожайность, т с 1 га Годы Урожайность, т с 1 га
прогноз фактическая ошибка прогноза прогноз фактическая ошибка прогноза
1991 1,32 1,56 0,14 1998 0,88 0,70 0,08
1992 2,40 2,20 0,10 1999 2,01 2,26 0,15
1993 0,38 1,38 0,90 2000 1,81 1,80 0,00
1994 1,48 1,46 0,00 2001 1,65 1,60 0,00
1995 0,84 0,86 0,00 2002 1,48 1,45 0,00
1996 0,97 0,90 0,00 2003 0,83 0,80 0,00
1997 2,48 2,36 0,02 2004 1,53 1,42 0,01
3. Реализация ожидаемых в 2004 г. компонентов погоды, входящих в качестве предикторов в регрессионную модель урожайности яровой пшеницы (ОПХ «Урожайное», архивный ряд наблюдений с 1936 по 1992 гг.)
Погода Абсолютная ошибка модели Ошибка прогноза к интервалу модели
компонент ожидаемый фактический
Осадки декабря + января + февраля, мм 94 79 4,6 10
Коэффициент атмосферного увлажнения мая 0,104 0,074 0,058 0
Коэффициент атмосферного увлажнения июня + июля 0,342 0,378 0,048 0
Коэффициент атмосферного увлажнения июля + августа 0,346 0,300 0,028 0,018
Температура воздуха июля, °С 20,9 21,0 0,23 0
Осадки августа, мм 15 14 5,8 0
Коэффициент атмосферного увлажнения мая + июня + июля 0,353 0,277 0,059 0,017
кихрядов регионов, отражающих зональное районирование территории Оренбургской области.
Проиллюстрируем значение полученных результатов поиска.
Рассчитаем прогноз отклонения урожайности яровой пшеницы от тренда (в %) на 2004 г. для ОПХ «Урожайное», используя коэффициенты уравнения регрессии, представленные в табл. 1, и прогнозные значения погодных факторов в качестве предикторов этого уравнения, представленные в табл. 3. Получим величину = 8,578. Стандартная ошибка оценки, т.е. ошибка отклонения урожайности от тренда, составляет 18,6% (табл. 1), поэтому прогнозная величина отклонения урожайности от тренда будет находиться в интервале значений от -10,0 до +27,2%. Прогноз тенденции (тренда) урожайности на 2004 г. ожидался на уровне 1,348 т зерна с 1 га. Следовательно, сама урожайность с учетом интервала отклонения от тренда должна составить 1,21—1,71 т с
1 га при среднем значении 1,46 т зерна с 1 га.
Прогноз непосредственно по ряду продуктивности был равен 1,53 т зерна с 1 га при стандартной ошибке модели ±0,12 т с 1 га, что показано в таблице 2. Фактически собрано зерна в этом году 1,42 т с 1 га.
Таким образом, оба пути вычислений дают близкие результаты. Одновременно объясняется уровень ожидаемой урожайности соответствующей увлажненностью вегетационного периода изучаемой культуры. Несколько большая ошибка модели прогноза при использовании погодных факторов обусловлена малой точностью наблюдений за осадками.
Разрабатываемые методы и подходы, основанные на использовании прогностической информации, дают возможность принимать управленческие решения, отвечающие стратегии народнохозяйственных планов повышения эффективности сельскохозяйственного производства — например, по оптимизации соотношения площадей под зерновыми культурами.
Заблаговременное прогнозирование таких лет дает возможность расширять площади под ози-
мыми зерновыми культурами по занятым парам или непаровым предшественникам в те годы, когда запасы влаги в почве позволяют получить нормальные всходы и развитие до начала перезимовки. По данным П.Г. Кабанова [1975], для этого в зоне Юго-Востока необходимы осадки августа и сентября в количестве не менее 80 мм. Увеличение в подобные годы площади посева озимых зерновых с 500 тыс. га (средняя многолетняя величина по Оренбургской области) до 700—800 тыс. га позволит дополнительно получать 200—300 тыс. т зерна и экономить ресурс времени на весенних посевных работах.
Значительной прибавки валовых сборов зерна можно достигнуть за счет перераспределения площадей между яровыми зерновыми, увеличивая площади под наиболее эффективные в ожидаемом году культуры. По нашим расчетам, это может дать в отдельные годы дополнительно до 150 тыс. т зерна.
Следовательно, таким способом реализуется один из путей более экономного расходования климатических ресурсов влаги, что является, в свою очередь, основанием для повышения кадастровой оценки земель.
Литература
1. Тихонов, В.Е. Подходы к определению климатической нормы и прогнозированию погодных компонентов /
B.Е. Тихонов // География и природные ресурсы. 2000. № 2. С. 99-104.
2. Тихонов, В.Е. Подход к прогнозированию условий вегетации зерновых культур / В.Е. Тихонов // Вестник Российской академии сельскохозяйственных наук. 2002. № 4.
C. 14-19.
3. Тихонов, В.Е. Засуха в степной зоне Урала. Изд. второе, дополненное / В.Е. Тихонов. Оренбург: ООО Агентство «Пресса», 2005. 347 с.
4. Игуменцев, АФ. Погодные условия и эффективность удобрений: математическое моделирование продуктивности агроценозов / АФ. Игуменцев, Д.М. Хомяков. М.: Иэд-во МГУ, 1988. 37 с.
5. Кабанов, П.Г. Погода и поле / П.Г. Бабанов. Саратов: Приволжское книжное издательство, 1975. 238 с.
6. Полевой, АН. Прикладное моделирование и прогнозирование продуктивности посевов / АН. Полевой. Л.: Гидро-метеоиздат, 1988. 319 с.
7. Игуменцев, АФ. Цикличность погоды и прогнозирование урожайности сельскохозяйственных культур / А.Ф. Игуменцев, Н.Г. Шикота, Э.К. Лазуренко, Г.Ф. Григоренко. Луганск, 1990. 48 с.
Технология возделывания и качество зерна яровой пшеницы на западе Казахстана
ТА. Булеков, К.С.-Х.Н., B.C. Кучеров, д.с.-х.н., Западно-Казахстанский аграрно-технический университет им. Жангир хана
В настоящее время в Западно-Казахстанской области имеется ряд высокоурожайных сортов яровой пшеницы, обладающих хорошими муко-
мольными и хлебопекарными качествами зерна. К ним относятся такие сорта Саратовской селекции, как Саратовская 42 и Альбидум 28. В дополнение к ним с 2003 г. в области районирован выведенный на Уральской сельхозопытной станции совместно с Безенчукским НИИ сорт сильной яровой пшеницы Волгоуральская. Данные
