CC BY
18
УДК 633.2:57.045(470.21)
DOI: 10.24411/2587-6740-2018-13043
ВЛИЯНИЕ ВАРИАЦИЙ СОЛНЕЧНОЙ АКТИВНОСТИ НА БИОПРОДУКТИВНОСТЬ МНОГОЛЕТНИХ ТРАВ В УСЛОВИЯХ КОЛЬСКОГО СЕВЕРА
В.И. Костюк
ФГБНУ «Полярно-альпийский ботанический сад-институт имени Н.А. Аврорина», Кольский научный центр Российской академии наук, г. Апатиты, Мурманская область, Россия
В ходе почвенно-экологического мониторинга, который длился с 1994 по 2016 гг., изучено влияние солнечной активности на биопродуктивность многолетних трав, выращиваемых в центральной части Мурманской области. Установлено, что интегральный выход сырого протеина с единицы площади агроценоза трав в значительной мере зависит от конфигурации гелиогеофизических условий на протяжении календарного года. Предложен оригинальный подход для анализа причин ежегодных колебаний общего сбора протеина в посевах многолетних кормовых трав, который не требует использования детальной метеорологической информации. Он базируется на учете ежемесячных вариаций только одного космофизи-ческого регулятора -активности Солнца.
Ключевые слова: солнечная активность, многолетние травы, сбор сырого протеина, Кольский Север.
Введение
Мурманская область отличается экстремальными метеорологическими условиями для выращивания культигенов, что обусловлено широтной спецификой ее географического положения. Поэтому поиск связей продукционного потенциала сельскохозяйственных растений с погодными характеристиками в данном регионе является актуальной процедурой и целесообразность ее реализации не вызывает сомнений [1].
Вместе с тем урожайность культурных растений на Кольском Севере, входящем в зону глобальных электромагнитных возмущений, существенно зависит также от вариаций солнечной активности [2]. Данное обстоятельство вызывает возрастающий интерес к системным методам оценки влияния абиогенных факторов на урожайность культигенов, позволяющим наряду с погодными условиями учитывать также воздействие глобального космофизического регулятора — активности Солнца [3]. Однако вопрос о влиянии этого гелиогеофизического фактора на продукционный потенциал сельскохозяйственных растений изучен лишь фрагментарно и остается по существу открытым.
Цель данной статьи — представить сравнительно простой и удобный способ оценки интегрального влияния солнечной активности на сбор сырого протеина в посевах многолетних трав, являющихся важнейшим компонентом кормовой базы для молочного животноводства в Мурманской области.
Методика исследования
Стационарный полевой эксперимент проводили в течение 23 лет (с 1994 по 2016 гг.) на реперном участке сельскохозяйственных угодий совхоза «Мурманск» (пос. Пушной).
Агрохимические показатели опытного участка, который располагался на торфяно-болотной (верховой, остаточно-низинной) почве, изменялись в ходе почвенно-экологиче-ского мониторинга в следующем диапазоне: рНю — 4,6-6,1; гидролитическая кислотность (по Каппену) — 0,7-34,8 мг-экв/100 г почвы;
42 -
INTERNATIONAL AGRICULTURAL JOURNAL № 3 (363
сумма аммонийного (с реактивом Несслера) и нитратного (по Грандваль-Ляжу) азота — 9,2-12,1 мг/100 г; содержание подвижного фосфора и обменного калия (по Бурриелю-Гернандо) — 33-35 и 30-32 мг/100 г почвы соответственно [4, 5].
Органические удобрения (т/га) вносили под травы в форме навоза крупного рогатого скота (0-49), а минеральные (кг д.в./га) — в виде аммиачной селитры (0-147), двойного суперфосфата (0-52) и хлористого калия (0-48). В скобках указан диапазон вариаций доз органических и минеральных удобрений в годы проведения производственного эксперимента.
Объектом исследования служили посевы многолетних трав — различные сорта овсяницы луговой с примесью (около 30%) мятлика лугового. Учет величины урожая зеленой массы трав с опытных делянок проводили ежегодно в конце июля.
Анализ химического состава растений выполняли в осенне-зимний период (с ноября по февраль). Содержание сырого протеина в фи-томассе трав определяли по ГОСТ 13496.4-84 и рассчитывали в процентах на сухое вещество [6]. В качестве интегральной характеристики эффективности продукционного процесса в посевах многолетних трав использовали актуальный для кормопроизводства показатель — общий выход сырого протеина [7] с единицы площади агроценоза (ВП, кг/га). Он представляет собой агрегированную переменную, объединяющую урожайность и содержание протеина в мультипликативном виде.
База данных по солнечной активности, выражаемой в виде среднемесячных значений потока радиоизлучения Солнца с длиной волны 10,7 см (индекс F10.7, 10-22 Вт/(м2Тц)), имеется в свободном доступе на сайте ftp://ftp.geolab. nrcan.gc.ca/data/solar flux/monthly averages. В ходе дальнейшего изложения материала для обозначения индекса F10.7 по конкретным месяцам будет применяться аббревиатура F(i).
Статистическую обработку опытных данных проводили с использованием различных модулей программы STATISTICA 10 [8].
2018
Результаты и их обсуждение
В качестве преамбулы необходимо сказать, что российскими почвоведами недавно была сформулирована и всесторонне обоснована оригинальная научная концепция, суть которой в сжатом виде можно выразить следующей декларативной формулой: почва — это историческая летопись иерархических био-сферно-геосферно-антропосферных взаимодействий, записанная на минеральных и биогенных носителях памяти на макро- и микроуровнях. Доказано, что развитие агрофито-ценозов неразрывно связано как с динамикой природной памяти почвенных покровов, профилей и горизонтов, так и с антропогенными изменениями памяти почв [9].
В этой связи следует заметить, что для иллюстрации предлагаемого нами подхода краткой информации об активности Солнца в период летней вегетации многолетних трав (июнь-июль) недостаточно. Необходимо принимать во внимание круглогодичный характер трансформации многомерной экологической ниши трав, сопряженный, в частности, с изменениями их виталитета, состояния почвенной биоты и эдафотопа в целом. Основные этапы этих изменений для нашего производственного опыта можно представить в виде следующей схематической цепочки событий: скашивание трав (конец июля), образование отавы (август-сентябрь), перезимовка растений (октябрь-апрель), выход из-под снега и весеннее отрастание побегов (май), летняя вегетация растений (июнь-июль).
Поэтому при поиске связей между сбором протеина и солнечной активностью нами были использованы не только ежемесячные значения индекса F10.7 для каждого текущего года (январь-июль), но и для всех оставшихся месяцев предыдущего года (август-декабрь), следующих после прошлогодней уборки урожая.
Необходимость использования 12-месячного гелиоцикла объясняется также тем, что посевы многолетних трав находятся круглогодично под влиянием фоновых низкочастотных электромагнитных полей, контролируемых
www.mshj.ru
НАУЧНОЕ ОБЕСПЕЧЕНИЕ И УПРАВЛЕНИЕ АГРОПРОМЫШЛЕННЫМ КОМПЛЕКСОМ
активностью Солнца. Эти поля обладают высокой проникающей способностью и действуют на биологические объекты повсюду с малым затуханием [10].
Ниже представлены взаимодополняющие статистические подходы, доказывающие реальность существования каузальных связей в системе «солнечная активность — сбор протеина в посевах многолетних трав». Исходная таблица с первичными материалами не приводится из-за ее слишком большого размера.
Результаты выполненного нами корреляционного анализа связей между ежегодными сборами сырого протеина с единицы площади агроценоза трав и среднемесячными значениями солнечной активности приведены в таблице.
Поясним, что корреляции рассчитывались между временными рядами среднемесячных значений индекса F10.7 и набором данных о сборах сырого протеина на реперном участке совхоза «Мурманск» за 23 года мониторинговых наблюдений. При такой длине временных рядов все коэффициенты парной корреляции между результативным признаком и 12 гелио-факторами F(i) оказались статистически достоверными (Р < 0,05).
Это свидетельствует, возможно, о том, что многолетние травы улавливают и аккумулируют в своих «протеиновых пулах» сигнальную информацию об изменениях активности Солнца на протяжении всего года, а не только в период летней вегетации растений. Посевы трав обладают, вероятно, своеобразной «ме-тастабильной памятью» на данный тип космо-физических воздействий, в формировании и регуляции которой значительную роль могут играть, например, индукция и репрессия биосинтеза конститутивных белков, адаптивных шаперонов (белков теплового шока), а также специфическая трансформация различных бе-локсодержащих клеточных структур [11].
Результаты корреляционного анализа позволяют сделать предварительный вывод о том, что наиболее заметное влияние на сбор
Таблица
Парные линейные связи между общим сбором протеина и солнечной активностью (1994-2016 гг.)
Гелио-факторы Коэффициенты парной корреляции Пирсона P-уровень
f8 0,60 0,002
f9 0,47 0,022
10 0,42 0,048
11 0,48 0,019
12 0,49 0,017
F1 0,42 0,048
f2 0,46 0,027
F3 0,49 0,018
f4 0,48 0,019
f5 0,47 0,024
F6 0,56 0,005
7 0,45 0,030
Примечания: 1. Обозначения нижних индексов при факторах Г(/): 8-12 (август-декабрь предыдущего года), 1-7 (январь-июль текущего года); 2. Р- уровень — статистическая значимость коэффициентов парной корреляции.
протеина в посевах трав оказывала активность Солнца в июне и августе текущего года. Самые высокие значения коэффициентов парной корреляции Пирсона выделены нами в таблице жирным шрифтом. Любопытно, что в перечень выделенных факторов-детерминантов не вошел завершающий месяц активной вегетации многолетних трав — июль.
Необходимо заметить, что у приведенных в таблице оценок парных корреляций существуют формальные границы применимости. Это обусловлено тем, что рассматриваемые связи отличаются сложной топологической конфигурацией, которую невозможно исчерпывающим образом описать только с помощью корреляционного анализа. Хорошо известно, что коэффициент корреляции дает представление лишь о линейной компоненте связи двух вариационных рядов, которая в экологии и биологии проявляется достаточно редко [12, 13].
На втором этапе статистического анализа данные по общему сбору сырого протеина в посевах многолетних трав были разбиты на две контрастные группы, с тем чтобы лучше понять, как солнечная активность влияет на вариации данного отклика по годам. В состав первой группы (N=11) вошли годы с относительно низким средним выходом протеина с единицы площади агроценоза трав — 104,0 ± 46,6 кг/га, а в состав второй группы (N=12) вошли годы с высоким сбором протеина — 252,6 ± 67,1 кг/га. После знака ± приведена величина стандартного отклонения для расчетных средних. Разница между группами по сбору протеина оказалась высокодостоверной по критерию Фишера — Ррасч (1;21) = 37,3 > F095 = 4,32 (Р < 0,001). Минимально необходимая разность между групповыми средними по тест-критерию Дункана (при условии Р < 0,05) составляет 50,4 кг/га, а фактический разрыв между средними оказался почти в 3 раза больше — 148,6 кг/га сырого протеина.
Пошаговый дискриминантный анализ межгрупповых различий (с исключением малоинформативных канонических переменных) показал, что доминирующий вклад в разделение массива данных по сбору протеина на две контрастные группы вносила активность Солнца в августе, сентябре и декабре предыдущего года, а также в январе, марте и апреле текущего года: Функция 1 (ВП) = - 2,34 F8 + 2,52 F9 - 6,18 F12 + + 5,12 F1 + 3,40 F3 - 2,72 F4.
^ = 0,69); А = 0,52; Р = 0,067),
кан. у
где ^ан — каноническая корреляция дискри-минантной функции 1; Ау—лямбда Уилкса; Р — статистическая значимость данной функции.
Объединенная классификационная точность дискриминации (различения) групповых средних при использовании данной функции составила 91,3% (для группы 1 — 90,9%, для группы 2 — 91,7%).
Корреляционная связь перечисленных переменных с дискриминантной функцией 1 (матрица факторной структуры) выглядит следующим образом: F8 = -0,43, F9 = -0,32, F12 = -0,30, F1 = -0,18, F3 = -0,19, F4 = -0,19. Из приведенных цифр хорошо видна важность гелиоусловий для состояния агроценоза многолетних трав в период после скашивания надземной фитомассы, образования отавы и ухода растений в зиму.
МЕЖДУНАРОДНЫЙ
Сравнение величин стандартизованных коэффициентов дискриминантной функции 1 показывает, что кроме осеннего периода (август, сентябрь) значительный вклад в изменения результативного признака по годам вносила активность Солнца в зимние (декабрь, январь) и весенние (март, апрель) месяцы. Это можно рассматривать, вероятно, как формализованное выражение пролонгированной корреляции памяти почвенного покрова с биопродуктивностью многолетних трав.
Пожалуй, более точные выводы о специфике рассматриваемых связей можно сделать на основе множественного регрессионного анализа. Зависимость выхода протеина с единицы площади агроценоза многолетних трав от средних значений солнечной активности по месяцам (Fi) описывается следующей полиномиальной моделью в стандартизованных переменных:
ВП (кг/га) = 0,82 F82 + 10,30 F12 - 10,58 F122 -- 10,96 F1 + 10,95 F12 - 2,86 F6 + 2,96 F62. (R2=79,3%; F^. (7;15) = 8,12 > F095 = 2,70; Р < 0,001), где R2 — коэффициент множественной детерминации уравнения связи; F — статистика Фишера для оценки адекватности уравнения; P — уровень статистической значимости уравнения.
Поиск оптимальной (наиболее компактной) архитектуры приведенной модели производился с помощью пошаговой процедуры Best subsets [14]. Статистические оценки «качества» этого аппроксиматора оказались достаточно высокими.
Заметим, что при увеличении общего числа предикторов в структуре данного уравнения коэффициент множественной детерминации для него можно было довести до 90% и более. Однако искусственное завышение точности аппроксимации за счет избыточного числа ре-грессоров не входило в нашу задачу. Множественная корреляция (R) между экспериментальными и расчетными данными составила 0,87 (P < 0,001), что вполне приемлемо с экспертной точки зрения (рис.).
Рассмотрим структурную спецификацию данной модели. В состав уравнения регрессии вошли четыре фактора-регулятора: два фактора предыдущего года — F8 (август) и F (декабрь), а также два фактора текущего года — F1 (январь) и F6 (июнь). Их можно расположить в такой ранжированный ряд: F1 > F12 > F6. Он представляет собой последовательность снижающихся по величине стандартизованных значений линейных эффектов влияния гелиофакторов на сбор протеина. Активность Солнца в августе не попала в данный перечень, поскольку судить о силе ее воздействия на отклик по нелинейной компоненте F82 (коррелирующей с остальными членами уравнения) не совсем корректно.
Интересно, что в этом ряду отсутствует солнечная активность в июле, что согласуется с предварительным заключением, сделанным на основе корреляционного анализа первичных данных (табл.). Как это не кажется на первый взгляд парадоксальным, но наиболее сильным регулятором общего сбора протеина в посевах многолетних трав в среднем за 23 года почвенно-экологических наблюдений оказалась активность Солнца в зимние месяцы (декабрь, январь). Этот вывод совпадает с результатами дискриминантного анализа.
- 43
ЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ № 3 (363) / 2018
450 400 350 300 250 200 150 100 50
♦
A ___
♦ ♦
Л
♦ 4 ♦
Л ♦ ►
50 100 150 200 250 300 350 400 450 Экспериментальные значения выхода протеина
Рис. Корреляция экспериментальных и расчетных значений сбора протеина с единицы площади агроценоза многолетних трав, кг/га
Заключение
Предложенный нами методологический подход для анализа разногодичных вариаций сбора протеина в посевах многолетних трав является сравнительно простым, универсальным и не требует привлечения детальной метеорологической информации. Он опирается на процедуру учета ежемесячных колебаний только одного глобального космофизического регулятора — активности Солнца, в значительной мере определяющего зональные особенности погодно-климатического ландшафта. Для выявления нелинейных составляющих в структуре анализируемых временных рядов (гелиофакторов и откликов) их протяженность должна быть не менее 4-5 лет.
Важно также отметить, что на спецификацию статистических моделей, получаемых на основе предлагаемого подхода, не накладываются жесткие ограничения. С практической точки зрения такие «мягкие» модели с гибкой архитектурой являются достаточно удобными аппроксиматорами с широким спектром применения. Их можно использовать, например, для решения интерполяционных задач, проведения вычислительных экспериментов и краткосрочного прогнозирования биопродуктивности многолетних трав.
Литература
1. Костюк В.И. Экология культурных растений на Кольском Севере. Апатиты: Изд-во Кольского НЦ РАН, 2012. 169 с.
2. Костюк В.И., Травина С.Н., Вихман М.И. Влияние солнечной активности, инсоляции, температуры воздуха и атмосферных осадков на продуктивность культурных растений в условиях Кольского Севера. Апатиты: Изд-во Кольского НЦ РАН, 2013. 79 с.
3. Puravs E. The relationship between sunspot activity and agricultural production. Helium (Physical Science), 26 April, 2013. URL: http://www.helium.com/ items/2444516.
4. Агрохимические методы исследования почв. М.: Наука, 1975. 656 с.
5. Практикум по агрохимии. М.: Изд-во МГУ, 2001. 689 с.
6. Методические указания по оценке качества и питательности кормов. М.: Центр научно-технической информации, пропаганды и рекламы, 1993. 87 с.
7. Кутузова А.А., Новоселов Ю.К., Гарист А.В. и др. Увеличение производства растительного белка. М.: Агропромиздат, 1985. 191 с.
8. Халафян А.А. STATISTICA 6. Статистический анализ данных. М.: ООО «Бином-Пресс», 2008. 512 с.
9. Память почв: Почва как память биосферно-гео-сферно-антропосферных взаимодействий / Отв. ред. В.О. Таргульян, С.В. Горячкин. М.: Изд-во ЛКИ, 2008. 692 с.
10. Владимирский Б.М. Солнечно-биосферные связи. Полвека спустя после А.Л. Чижевского // История и современность. 2009. № 2. С. 119-131.
11. Мартынюк В.С., Темурьянц Н.А., Владимирский Б.М. У природы нет плохой погоды: космическая погода в нашей жизни. Киев, 2008. 179 с.
12. Сиротенко О.Д. Основы сельскохозяйственной метеорологии. Т. II. Методы расчетов и прогнозов в агрометеорологии. Кн. 1. Математические модели в агрометеорологии. Обнинск: «ВНИИГМИ-МЦД», 2012. 136 с.
13. Harpal S.M., Graeme J.T. Agrometeorology Principles and Applications of Climate Studies in Agriculture. New York, London, Oxford: Food Products Press, 2004. 364 р.
14. STATISTICA: Обзор методов и руководство пользователя. М.: StatSoft, 2001. 220 с.
Об авторе:
Костюк Валентин Иванович, доктор биологических наук, ведущий научный сотрудник лаборатории физиологии растений, vikos47@ mail.ru
VARIATIONS OF THE SOLAR ACTIVITY AND BIOLOGICAL PRODUCTIVITY OF PERENNIAL GRASSES IN THE CONDITIONS OF THE KOLA NORTH
V.I. Kostyuk
Polar-Alpine botanical institute-garden of the Kola scientific center, Russian academy of sciences, Apatity, Murmansk region, Russia
The solar activities changes influence on the biological productivity of the perennial grasses grown in the central part of Murmansk region was studied during the soil-ecological monitoring from 1994 to 2016. It was proved that integrated yield of protein from the area unit of grass argocenosis largely depends on configuration of helio-geophysical conditions during a calendar year. A new method of root cause analysis of variations in annual yield of protein in perennial grasses planting was suggested. This method doesn't require the using of detailed meteorological information. It is based on recording of monthly variations of only one cosmophysical controller, which is the solar activity.
Keywords: the solar activity, perennial grasses, yield of protein, the Kola North.
References
1. Kostyuk V.I. Ecology of cultivated plants in the Kola North. Apatity: Publishing house of the Kola Science Center of the Russian academy of sciences, 2012. 169 p.
2. Kostyuk V.I., Travina S.N., Vikhman M.I. Influence of solar activity, insolation, air temperature and atmospheric precipitation on the productivity of cultivated plants in the Kola North. Apatity: Publishing house of the Kola Science Center of the Russian academy of sciences, 2013. 79 p.
3. Puravs E. The relationship between sunspot activity and agricultural production. Helium (Physical Science), April 26, 2013. URL: http://www.helium. com/items/2444516.
4. Agrochemical methods of soil investigation. Moscow: Nauka, 1975. 656 p.
5. Workshop on agrochemistry. Moscow: MGU, 2001. 689 p.
6. Guidelines for assessing the quality and nutritional value of feed. Moscow: Center for scientific and technical information, propaganda and advertising, 1993. 87 p.
7. KutuzovaA.A.,NovoselovYu.K., GaristA.V. Increased production of vegetable protein. Moscow: Agropromiz-dat, 1985. 191 p.
8. Khalafyan A.A. STATISTICA 6. Statistical analysis of data. Moscow: Binom-Press, 2008. 512 p.
9. Soil memory: Soil as a memory of biosphere-geo-sphere-anthropospheric interactions / Ed. V.O. Targulyan, S.V. Goryachkin. Moscow: Publishing house of LCI, 2008. 692 p.
10. Vladimirskij B.M. Solar-biospheric relations. Half a century later, after A.L. Chizhevskogo. Istoriya i sovremen-nost = History and modernity. 2009. No. 2. Pp. 119-131.
11. Martynyuk V.S., Temuryants N.A., Vladimirskij B.M. Nature has no bad weather: space weather in our life. Kiev, 2008. 179 p.
12. Sirotenko O.D. Fundamentals of agricultural meteorology. Vol. II. Methods of calculations and forecasts in agrometeorology. Book 1. Mathematical models in agro-meteorology. Obninsk: "VNIIGMI-WDC", 2012. 136 p.
13. Harpal S.M., Graeme J.T. Agrometeorology Principles and Applications of Climate Studies in Agriculture. New York, London, Oxford: Food Products Press, 2004. 364 p.
14. STATISTICA: Overview of methods and user manual. Moscow: StatSoft, 2001. 220 p.
About the author:
Valentine I. Kostyuk, doctor of biological sciences, leading researcher of the laboratory of plant physiology, vikos47@mail.ru
vikos47@ mail.ru
INTERNATIONAL AGRICULTURAL JOURNAL № 3 (363) / 2018
www.mshj.ru
