CC BY
58
ГЕОГРАФИЯ
УДК 551.583.001.57:661.97
Г. В. Менжулин, С'. П. Савватеев, А. А. Павловский
ВЛИЯНИЕ СОВРЕМЕННЫХ ИЗМЕНЕНИЙ КЛИМАТА НА ПОВТОРЯЕМОСТЬ АНОМАЛИЙ УРОЖАЙНОСТИ ОЗИМОЙ И ЯРОВОЙ ПШЕНИЦЫ В СЕВЕРО-ЗАПАДНОМ РЕГИОНЕ РОССИИ И ЕВРОПЫ
Умеренные широты Северного полушария являются регионом Земного шара, где согласно мнениям специалистов, влияние современных изменений климата должно быть наиболее существенно. В этой связи представляется крайне необходимым оценить возможные последствия глобального потепления для такой значимой сферы человеческой деятельности, как сельское хозяйство в целом, и растениеводство, в частности [1].
По теме возможного влияния изменений климата на продуктивность сельскохозяйственных растений регулярно проводятся обширные, как отечественные, так и международные исследования, по результатам которых публикуется большое количество статей и монографий.
Однако следует отметить, что практически все эти исследования посвящены вопросам изменения средней продуктивности сельскохозяйственных культур при изменении гидротермического режима и увеличения концентрации углекислого газа в атмосфере. Как правило, в таких исследованиях используются имитационные математические модели продукционного процесса. В качестве примера такого исследования, основанного на использовании динамических моделей продукционного процесса системы DSSAT, можно привести международный проект «Изменение климата и сельское хозяйство: анализ возможных последствий», спонсированный Национальным Научным Фондом и Агрономическим Обществом США [2, 3, 4].
Вопрос об изменении повторяемости опасных для сельского хозяйства аномальных гидротермических явлений, засух, при глобальном потеплении поднимается гораздо реже. Существует серьезное беспокойство, что современная ситуация с повторяемостью и продолжительностью засушливых явлений может обостриться в связи с происходящими изменениями климата [2, 3, 5-8].
В данном исследовании для прогнозирования повторяемости аномалий урожайности озимой и яровой пшеницы в Северо-западном регионе России и Европы используется разработанная авторами методика агроклиматического прогнозирования повторяемости экстремальных гидротермических явлений, основанная на ансамблевом подходе при выборе трендов урожайности и метеорологических факторов [5, 6].
В России в качестве районов исследования были выбраны Ленинградская, Новгородская, Псковская и Калининградская области. Европейскими регионами исследования стали страны Скандинавии: Швеция, Норвегия, Дания, страны Балтии: Латвия,
© Г. В. Менжулин, С. П. Савватеев, А. А. Павловский, 2010
Литва, Эстония, регионы Великобритании: Англия, Шотландия, Северная Ирландия, Уэльс, а также Финляндия и Ирландия.
Важнейшей исходной информацией для целей исследования являются продолжительные и непрерывные ряды данных по урожайности сельскохозяйственных культур и по метеорологическим показателям для отдельных, как можно более мелких, территориальных единиц исследуемых регионов.
Обратимся к анализу качества исходных данных по урожайности пшеницы, представленных в свободном доступе в сети Интернет. В целом по отдельным странам урожайности сельскохозяйственных культур, начиная с 1960 г., представлены в статистических архивах Международной организации по продовольствию и сельскому хозяйству (http://faostat.fao.org). Для европейских стран информация по продуктивности сельскохозяйственных культур сосредоточена в архивах статистической службы Европейского союза «EUROSTAT» (http://www.eurostat.ec). Данные по урожайности для отдельных территориальных единиц внутри стран представлены в статистических архивах стран.
В Северо-западном регионе России данные по урожайности озимой и яровой пшеницы даны в целом по областям. Данные по урожайности в районах внутри областей отсутствуют. Продолжительность рядов составляет более 50 лет с 1945 г. по настоящее время.
В Швеции ряды данных по урожайности охватывают период с 1965 г. по настоящее время. Достаточной продолжительностью для целей построения регрессионных моделей урожайности обладают 16 графств для озимой и 14 графств для яровой пшеницы.
В Дании ряды данных по урожайности озимой и яровой пшеницы представлены для 12 графств. Датские ряды более короткие, чем шведские, их продолжительность — 1990-2008 годы.
В странах Балтии: Литве, Латвии и Эстонии урожайность по озимой и яровой пшенице дана, начиная с 1945 г. по настоящее время. Продолжительные данные по урожайности пшеницы в отдельных регионах балтийских стран отсутствуют. Для отдельных регионов Латвии имеется информация по урожайности зерновых культур в целом, однако в настоящем исследовании эти данные не представляют ценности.
Для Норвегии, Финляндии и Ирландии данные по урожайности удалось получить только из архивов ФАО. В исследовании анализ произведен в целом по странам и по пшенице без разделения на типы.
В Великобритании данные по урожайности также представлены по пшенице в целом, без их разделения на озимую и яровую пшеницу. По стране информация по урожайности пшеницы доступна, начиная с 1960 г. Отдельно для Англии имеются данные по восьми ее регионам, однако продолжительность этих рядов невелика — всего семь лет, что не позволяет использовать их в регрессионном моделировании. Данные по Шотландии также непродолжительны. В Уэльсе продолжительность ряда урожайности составляет 14 лет, в Северной Ирландии — 22 года.
После анализа информации по урожайности пшеницы обратимся к описанию исходных метеорологических данных, которые будут использованы при построении рядов предикторов регрессионных моделей.
В данной работе, как и в большинстве классических агроклиматических исследований, при построении регрессионных моделей в качестве метеорологических предикторов использовались значения средней температуры приземного слоя воздуха и атмосферных осадков в месяцы вегетационного сезона. Следует отметить, что использование данных по максимальной и минимальной температуре воздуха при построении
регрессионных моделей аномалий урожайности дает лучшие результаты. Однако, продолжительные ряды по ним не всегда доступны [5, 6].
В качестве основного источника метеорологической информации использовались архивы Центра климатической информации США (National Climate Data Center, World data Center «А»). В некоторых случаях использовался архив данных по 223 станциям бывшего СССР, подготовленный во Всероссийском научно-исследовательском институте гидрометеорологической информации, Мировом центре данных «В», позже переданный в NCDC. В исследовании использовались метеорологические данные с ближайших к местам выращивания пшеницы станций. Основное требование к данным по погодным факторам — продолжительность и отсутствие в них значительных пропусков.
При построении устойчивых регрессионных моделей необходимо получение однородных рядов показателей, как по урожайности, так и метеорологических факторов. Это очень важный вопрос для исследования влияния погодно-климатических факторов на урожайность. При его решении исследователь сталкивается с задачей вынимания длиннопериодной компоненты изменчивости из рядов предиктантов и предикторов.
Следует отметить, что в течение последних 60 с лишним лет, основными факторами, влияющими на урожайность сельскохозяйственных культур, были агротехнологические факторы: производство удобрений, развитие ирригации, выведение новых сортов растений, разработка средств и мер по борьбе с вредителями и т. д. Успехи агротехнологиче-ского прогресса привели к тому, что в большинстве, как развитых, так и развивающихся стран урожайность основных сельскохозяйственных культур увеличилась в несколько раз.
Однако, несмотря на общий рост урожайности, ее межгодовая изменчивость, вызванная вариабельностью погодных условий, по-прежнему, остается весьма значительной. Влияние технологического уровня развития сельскохозяйственного производства на урожайность существенно затрудняет исследование эффектов ее погодно-климатической изменчивости. Задача по исследованию изменчивости урожайности или аномалий урожайности становится комплексной, включающей не только агроклиматическую, но и экономическую и технологическую компоненты.
Выявление технологических трендов часто затруднено отсутствием конкретной информации о них. Степень влияния того или иного технологического фактора часто остается неясной. Получение информации о динамике отдельных технологических факторов за продолжительный период для небольших территориальных единиц практически не представляется возможным. Поэтому исследователи, как правило, исходят из использования априорного вида временного тренда урожайности, следуя идее выделения простых трендов, прежде всего, линейного [9-11].
Однако априорное задавание вида тренда способно крайне отрицательно повлиять на качество регрессионных моделей. Особенно сильно это может проявиться при обработке больших объемов данных по урожайности для мелких территориальных единиц, когда возможность индивидуальной работы с каждым отдельным рядом отсутствует.
На основании сказанного, можно придти к важному выводу, что априорно невозможно сказать, какой из выбираемых для анализа трендов урожайности является единственно «правильным», поэтому в данном исследовании применяется метод построения регрессионных моделей, основанный на использовании широкого набора трендов при обработке рядов урожайности.
Продолжительные ряды метеорологических элементов, используемые при построении устойчивых регрессионных моделей аномалий урожайности, также содержат длиннопериодную компоненту изменчивости. Подчеркнем, что объектом нашего исследо-
вания является влияние погодно-климатических аномалий на аномалии урожайности.
Применительно к рядам метеорологических факторов, как и в отношении рядов урожайности, использование априорных трендов также нежелательно. Динамика метеорологических факторов в месяцы вегетационного сезона на различных станциях может сильно различаться даже в пределах одного климатического региона. При работе в разных климатических регионах это тем более справедливо.
Основная идея предлагаемого метода построения эмпирико-статистических моделей влияния аномалий погодных факторов на аномалии урожайности заключается в отказе от выбора одного единственного априорного «наилучшего» тренда, а в использовании ансамбля трендов и в построении с его помощью значений показателей урожайности и метеорологических элементов.
Для выделения длиннопериодной компоненты из рядов урожайности использован «ансамбль» трендов Ук, состоящий из восьми полиномов (от линейной функции до полинома 8-й степени) и восьми экспоненциальных функций, показателями которых были полиномы до восьмой степени.
В качестве показателя урожайности в данном исследовании использовалась относительная урожайность г/к, расчет которой производился по формуле:
Пк (г) = [у(г) - Ук{г)]/Ук{г), (к = 1, 2, 3, 16),
где у (г) —урожайность культуры в год г, Ук (г) —значение урожайности в этом же году по тренду к (одному из выбранных 16 трендов), г/к (г) —относительная урожайность культуры в год г, рассчитанная с использованием тренда к [2, 9, 10].
Для выделения трендов из рядов метеорологических показателей использовались «ансамбли» трендов Тк, Рк, каждый состоящий из пяти полиномов (от линейной функции до полинома 5-й степени). С помощью данных трендов рассчитывались показатели метеорологических факторов — относительные значения температуры (тк) и осадков (пк):
Тк (г) = №(г) - Тк(г)]/Тк(г), (к = 1,..., 5)
Пк (г) = [р(г) - Рк (г)]/Рк (г), (к = 1,..., 5)
где Ь(г), р(г) —значения средней температуры воздуха и атмосферных осадков в месяц вегетационного сезона в год г. Тк(г), Рк (г) —трендовые значения метеорологических факторов в этот же месяц в год г.
В итоге, после обработки исходной информации, для каждого ряда урожайности был получен набор из 16 значений относительной урожайности. Для метеорологических показателей были получены наборы из пяти значений для каждого месяца вегетационного сезона. Для озимой пшеницы получен набор из 16 значений предиктанта и 60 значений предикторов, а для яровой пшеницы — набор из 16 значений предиктанта и 40 значений предикторов.
Построение статистических моделей урожайности осуществлялось путем нахождения наилучшей регрессионной модели среди всех возможных многофакторных регрессий, которые могут быть получены с помощью указанных наборов значений показателей урожайности и метеорологических факторов. Данной способ в практике статистического моделирования называется методом анализа всех возможных многофакторных регрессий.
При нахождении наилучшей модели, в качестве основного критерия качества уравнений регрессии использовался коэффициент детерминации, скорректированный на количество степеней свободы — Ё2СКор , при этом выбираемые предикторы должны быть
статистически значимыми (по ^критерию Стьюдента). В качестве критерия оценки отсутствия в рядах остатков автокорреляционных связей использовался критерий Дарбина—Уотсона (с1).
Для реализации представленной схемы нахождения наилучшей регрессионной модели была составлена специальная компьютерная программа, алгоритм которой позволял проводить расчеты до шестифакторных регрессий включительно. Такое ограничение сверху связано с тем, что для вычисления алгоритма прямого перебора, несмотря на его относительную простоту, требуется продолжительный период времени, который быстро растет при увеличении количества предикторов, включаемых в расчеты.
Обратимся к описанию способа реализации применяемого статистического метода в случае построения модели для озимой пшеницы. На первом этапе расчетов для каждого региона после выбора значения предиктора, наиболее высоко коррелирующего с конкретным значением предиктанта, строятся все возможные двухфакторные регрессионные схемы, как с привлечением его в расчеты, так и без привлечения. Количество таких итераций составит ^7 млн. Второй этап построений — это построение для заданного значения предиктанта всех возможных трехфакторных регрессий, количество которых более 32 млн. Следующим этапом является перебор всех возможных четырехфакторных регрессий — их количество составляет ^109 млн регрессий. Количество итераций при построении пятифакторной регрессионной модели составляет ^252 млн. регрессий. Получение наилучшей шестифакторной статистической модели требует перебора ^461 млн регрессий. Если ограничить расчеты на этапе построения шестифакторных моделей всего для каждого региона необходимо перебрать ^856 млн регрессий.
В России по озимой пшенице лучшая модель была получена для Псковской области (Д2 = 0, 73), по яровой пшенице — для Новгородской области (Д2 = 0, 67). Средние значения Д2 в Северо-западном регионе России составили: для озимой пшеницы — 0,57, для яровой пшеницы — 0,50.
Наиболее высокие значения коэффициента детерминации отмечаются для моделей в графствах Дании и Швеции. Средние значения Д2 для моделей по озимой пшенице составляют 0,90 для Дании и 0,71 для Швеции, по яровой пшенице — 0,86 и 0,55, соответственно. Более высокие значения статистических характеристик в моделях для Швеции и Дании по сравнению с Россией объясняются прежде всего существенными различиями в размерах между скандинавскими графствами и российскими областями.
В странах Прибалтики были получены следующие результаты. Значения коэффициентов детерминации регрессионных моделей для озимой пшеницы составили: в Латвии — 0,52, в Литве — 0,64, в Эстонии — 0,42, для яровой пшеницы: в Латвии — 0,64, в Литве — 0,46, в Эстонии — 0,58.
Для регионов, где исходная информация по урожайности представлена в целом по пшенице, получены следующие результаты. Значения Д2 для таких относительно крупных стран, как Финляндия, Ирландия и Норвегия составили 0,63, 0,60 и 0,54, соответственно. В административных частях Великобритании, Северной Ирландии и Уэльса значения Д2 составили 0,90 и 0,85.
Регрессионные модели, построенные для более мелких территорий, при условии наличия качественных рядов по урожайности и метеорологическим факторам, характеризуются более высокими значениями статистических параметров, чем модели для крупных административных единиц.
На рисунке представлена историческая и модельная динамика аномалий урожайности в некоторых исследуемых регионах. В качестве примеров приведены модельные воспроизведения аномалий озимой пшеницы в Псковской области (Д2 = 0, 71), озимой
0.80
0.60
0.40
0.20
0.00
-0.20
-0.40 1940
0.30
0.20
0.10
0.00
-0.10
-0.20
-0.30 1960
2000
2010
0.40
0.30
0.20
0.10
0.00
-0.10
-0.20
-0.30 1985
2005
2010
0.15
0.10
0.05
0.00
-0.05
-0.10
-0.15 1992
2002 2004 2006
1995 2000
1994 1996 1998 2000
Примеры модельных воспроизведений исторической динамики аномалий урожайности (сплошные линии — историческая, прерывистые линии — модельная динамика аномалий урожайности), а. — озимая пшеница, Псковская область, б — озимая пшеница, графство Kalmar, Швеция, в — яровая пшеница, графство Funen, Дания, г — пшеница, Уэльс.
Сл
пшеницы в шведском графстве Kalmar (Д2 = 0, 78), яровой пшеницы в датском графстве Funen (Д2 = 0, 97) и пшеницы в Уэльсе (Д2 = 0, 90). Следует подчеркнуть, что практически все построенные модели детально воспроизводят историческую динамику аномалий урожайности.
Важнейшим и одним из наиболее остро стоящих вопросов современной климатологии является вопрос о возможном влиянии глобального потепления на повторяемость засушливых явлений.
В настоящее время наиболее универсальным методом оценки ожидаемых количественных изменений климата является использование результатов расчета по моделям общей циркуляции атмосферы и океана (МОЦАО). В данной работе в качестве источника будущей метеорологической информации был выбран климатический сценарий ECHAM5 MPI-OM, рекомендованный в 4-ом отчете МГЭИК.
При построении прогностических оценок повторяемости засушливых явлений нас, прежде всего, интересуют погодные вариации температурного режима и режима атмосферных осадков на фоне меняющегося климата.
В связи с этим, как и в случае исторической метеорологической информации, снова встает задача о выделении длиннопериодной компоненты изменчивости из прогностических рядов метеорологических факторов.
Качественный анализ прогностических данных выявил существенные различия в типах тенденций изменений метеорологических элементов в различных территориальных единицах. Поэтому при подготовке рядов прогностических предикторов, как и в случае с исторической информацией, было принято решение не ограничиваться использованием какого-то одного априорного тренда, а делать выбор, основываясь на анализе результатов, полученных по набору трендов.
В качестве набора возможных трендовых линий использовались полиномиальные тренды от нулевой (среднее многолетнее значение) до пятой степени. Напомним, что для предикторов регрессионных моделей, относительных значений метеоэлементов от трендов, были введены следующие обозначения: тk —для температурных характеристик и nk —для атмосферных осадков (к — номер тренда).
В качестве инструмента для выбора «наилучшего» тренда изменений метеопараметров в будущем был использован метод интегральных периодограмм. Выбор наилучшей аппроксимирующей линии осуществлялся с использованием критерия Колмогорова и введенного нами эмпирического показателя y, вычисляемого по формуле:
Y = min^ abs\ai - awn,i\,
где ai — доля общей дисперсии, суммарно приходящаяся на колебания с большими частотами i, awn<i —она же для «белого шума». В проведенных расчетах задавались следующие критерии отбора «наилучшего» тренда для вычисления прогностических значений метеорологических показателей, как нормированных разностей отклонений от тренда: 1) интегральная периодограмма метеорологического показателя не должна выходить за пределы 99%-го доверительного интервала; 2) величина y при изменении степени полиномиального тренда должна быть минимальной.
Прогностические ряды метеорологических предикторов, полученные после вынимания трендов, были использованы для построения будущих рядов аномалий урожайности пшеницы.
В табл. 1-2 представлена прогностическая динамика повторяемости аномалий урожайности озимой и яровой пшеницы в период 2011-2050 годов в областях и графствах
Страны Десятилетия
2011-2020 2021-2030 2031-2040 2041-2050
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0
Россия/области
Вологодская
Ленинградская
Новгородская
Псковская
Дания/графства
Arhus
Bornholm
Copenhagen
Funen
North Jutland
Ribe
Ringkobing
South Jutland
Storstrom
Vejle
Viborg
West Zealand
Прибалтика/страны
Латвия
Литва
Эстония
Таблица 1 (продолжение)
Страны Десятилетия
2011-2020 2021-2030 2031-2040 2041-2050
i 2 3 U 45 6 7 9 o 1 2 3 4 5 <> 8 9 <> i 2 3 4 5 <- 7 ■ 2 ■1 5 <■ И
Ш веция/графства
Alvsborg
Blekinge
Gotland 1
Kristianstad
Malmohus □ L
Skaraborg
Kalmar
Orebro _ I L
Ostergotland
Sodermanland I
Stockholm _ I
Uppsala
Vamland I
Vastmanland
Страны Десятилетия
2011-2020 2021-2030 2031-2040 2041-2050
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0
Россия/области
Вологодская
Калининградская
Ленинградская
Новгородская
Псковская
Дания/графства
Arhus
Bornholm
Copenhagen
Funen
North Jutland
Ribe
Ringkobing
South Jutland
Storstrom
Vejle
Viborg
West Zealand
Прибалтика/страны
Латвия
Литва
Эстония
Таблица 2 (продолжение)
Страны Десятилетия
2011-2020 2021-2030 2031-2040 2041-2050
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0
Швеция/графства
Alvsborg
Blekinge
Gotland
Kristianstad
Malmohus
Skaraborg
Kalmar
Orebro
Ostergotland
Sodermanland
Stockholm
Uppsala
Таблица 3. Прогностическая динамика аномалий урожайности пшеницы, рассчитанная по климатическому сценарию ЕСНАМ5 МР1-ОМ (белые ячейки — положительные аномалии, закрашенные ячейки — отрицательные аномалии)
Страны Десятилетия
2011-2020 2021-2030 2031-2040 2041-2050
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0
Ирландия
Норвегия
Северная Ирландия
Уэльс
Финляндия
исследуемых регионов. Ячейки, закрашенные серым цветом, показывают отрицательные аномалии урожайности, белым цветом отмечены положительные аномалии урожайности.
В течение рассматриваемого периода в исследуемом регионе более благоприятные гидротермические условия сложатся для произрастания яровой пшеницы. Разница в повторяемости отрицательных аномалий урожайности озимой и яровой пшеницы составляет 12%. Особенно большая разница в повторяемости отрицательных аномалий для двух типов пшеницы придется на период 2011-2020 годов.
В областях Северо-западного региона России также отмечается превышение повторяемости засушливых явлений для озимой пшеницы над яровой пшеницей. Однако на 2041-2050 годы приходится период более благоприятных гидротермических условий для произрастания озимой пшеницы.
В первую половину исследуемого периода повторяемость засушливых явлений будет выше, чем во вторую. При этом в период 2031-2050 годов при общем снижении повторяемости засух улучшаются условия для произрастания озимой пшеницы. Повторяемости засух для озимой и яровой пшеницы практически равны.
Динамика аномалий урожайности пшеницы для стран исследуемого региона представлена в табл. 3. Следует отметить, что также как для озимой и яровой пшеницы, первое десятилетие прогностического периода для пшеницы в целом характеризуется более высокой повторяемостью засушливых явлений. В дальнейшем количество отрицательных аномалий урожайности снижается. Наиболее благоприятными периодами для выращивания пшеницы станут: для Норвегии и Финляндии — 2021-2030 годы, для Ирландии, Северной Ирландии и Уэльса — 2031-2040 годы.
В целом по исследуемому региону количество отрицательных аномалий урожайности, полученных с использованием сценария изменения климата ECHAM5 MPI-OM, будет больше в первую половину прогностического периода, особенно для озимой пшеницы. В дальнейшем, после 2030 г., количество засушливых явлений снизится, и для озимой и яровой пшеницы станет примерно одинаковым. По всей видимости, полученные изменения повторяемости экстремальных гидротермических явлений обусловлены, как выбором климатического сценария, так и возможными изменениями в общей циркуляции атмосферы и океана при глобальном потеплении. Данный вопрос требует дальнейшего исследования с привлечением различных сценариев изменения климата.
Литература
1. IPCC (Intergovernmental Panel on Climate Change). Climate Change 2007 — Impacts, Adaptation, and Vulnerability // Cambridge University Press, Cambridge, UK, 2008.
2. Menzhulin G. V., Koval L. A., Badenko A. L. Potential effects of global warming and carbon dioxide on wheat production in Commonwealth of Independent States. Climate change and agriculture: analysis of potential international impacts//ASA special publication (ed. Peterson G.A.). American Society Agronomy Inc., Madison Wisconsin, USA, 1995. N59.
3. Менжулин Г. В., Савватеев С. П. Мировая продовольственная проблема и современное глобальное потепление / В сб. Изменения климата и их последствия. СПб., 2002.
4. Сиротенко О. Д., Хваленский Ю. А. Матеметическое моделирование и некоторые проблемы развития агрометеорологии // Динамическое моделирование в агрометеорологии. Л., 1982.
5. Павловский А. А. Изменения климата и повторяемость экстремальных гидротермических явлений // Вестн. С.-Петерб. ун-та, 2006. Сер. 7. Вып. 3.
6. Павловский А. А. Статистическое моделирование динамики урожайности пшеницы
и оценки ее изменений при глобальном потеплении // География и смежные науки. LXI Герценовские чтения (Материалы межвузовской конференции. Факультет географии РГ-ПУ им. А. И. Герцена 24-25 апреля 2008 г.), СПб., 2008.
7. Budyko M. I., Menzhulin G. V. Climate change impacts on agriculture and global food production: options for adaptive strategies//In: Adapting to Climate Change: An International Perspective [Smith J. B., Bhatti N. et al. (eds.)]. Springer-Verlag, New York, NY, USA, 1996.
8. Parry M.L., Rosenzweig C. et al. Climate change and world food security: A new assess-ment//Global Environmental Change, 2002. Vol. 9.
9. Нейбауэр В. П. Прогнозирование урожайности методом экстраполяции // Труды Омского СХИ, 1975. Т. 142. 4.
10. Обухов В. М. Урожайность и метеорологические факторы //М., 1949.
11. Пасов В. М. Климатическая изменчивость урожаев озимой пшеницы // Метеорология и гидрология, 1973, №2.
Статья поступила в редакцию 5 октября 2009 г.
