Оптимизация применения агрохимических средств с использованием информационных технологий и математического моделирования, страница 14
Описание файла
Документ из архива "Оптимизация применения агрохимических средств с использованием информационных технологий и математического моделирования", который расположен в категории "". Всё это находится в предмете "биология" из Аспирантура и докторантура, которые можно найти в файловом архиве МГУ им. Ломоносова. Не смотря на прямую связь этого архива с МГУ им. Ломоносова, его также можно найти и в других разделах. , а ещё этот архив представляет собой кандидатскую диссертацию, поэтому ещё представлен в разделе всех диссертаций на соискание учёной степени кандидата биологических наук.
Онлайн просмотр документа "Оптимизация применения агрохимических средств с использованием информационных технологий и математического моделирования"
Текст 14 страницы из документа "Оптимизация применения агрохимических средств с использованием информационных технологий и математического моделирования"
Таблица 5.13. Расчёт эффективности доз удобрений, рекомендуемых
ЦОС ВИУА (Интенсивные..., 1987) и ЦИНАО (Нормативы..., 1990)
для Центрального района Нечернозёмной зоны России,
с помощью моделей продуктивности культур в АИС “Геосеть-2000”
|
| Отношение прибавки урожая к дозе удобрений, |
| Отношение прибавки урожая к дозе удобрений, |
| 1. Озимая пшеница | |||
| N120P90K90 | 6,3 | N140P115K105 | 5,3 |
| 2. Яровой ячмень | |||
| N90P60K60 | 7,8 | N100P70K70 | 7,2 |
| 3. Картофель | |||
| N120P80K120 | 30 | N90P120K120 | 30 |
Пример 4. Важная практическая задача, решаемая с использованием моделей продуктивности культур, - оценка приемлемых значений кислотности, достаточных уровней содержания в почве гумуса, подвижных фосфатов и обменного калия; расчёт необходимого количество вносимых элементов минерального питания для достижения запланированного уровня продуктивности сельскохозяйственных культур. Предложенная и реализованная в АИС “Геосеть-2000” методика основана на анализе функции отклика средней продуктивности звена севооборота (или урожая отдельных культур) на изменение доз удобрений и выбранного показателя почвенного плодородия при регламентированных значениях других характеристик агрохимических свойств.
На первом шаге алгоритма для выбранного уровня почвенного плодородия и группы лет по метеорологическим условиям вегетационного периода рассчитываются величины продуктивности культур севооборота при изменении интересующего показателя агрохимических свойств почвы и доз удобрений в заданном соотношении азота, фосфора и калия.
На втором шаге производится пересчёт продуктивности культур севооборота на сопоставимые величины - зерновые или кормовые единицы.
На третьем шаге по графической диаграмме отклика продуктивности культур звена севооборота на изменение интересующего показателя агрохимических свойств и доз удобрений определяются приемлемые или достаточные значения данных величин для требуемого урожая.
Работа алгоритма проиллюстрирована на рисунке 5.5, где показано изменение продуктивности звена севооборота с озимой пшеницей, картофелем, яровым ячменем и вико-овсяной смесью, ц зерн. ед. / га, от дозы удобрений и содержания подвижных фосфатов в почве в годы с оптимальным увлажнением и обеспеченностью теплом при содержании гумуса - 2,0%; реакции солевой вытяжки (рН сол.) - 5,0; содержание обменного калия - 120 мг К2О / кг почвы. Коэффициенты пересчёта урожаев культур в зерновые единицы приняты следующими: озимая пшеница и яровой ячмень - 1,0; картофель - 0,25; вико-овсяная смесь - 0,4.
Рисунок 5.5. Зависимость средней продуктивности звена севооборота с озимой пшеницей, картофелем, яровым ячменем и
вико-овсяной смесью, ц зерн. ед. / га, от дозы удобрений и
содержания подвижных фосфатов в почве
Цифрами на рисунке обозначены
диапазоны величины урожая, ц зерн. ед / га:
| 1: 20,1 - 22,5 | 2: 22,6 - 25,0 | 3: 25,1 - 27,5 | 4: 27,6 - 30,0 | ||||||
| 5: 30,1 - 32,5 | 6: 32,6 - 35,0 | 7: 35,1 - 37,5 | 8: 37,6 - 40,0 | 9: 40,1 - 42,5 | |||||
| 10: 42,6 - 45,0 | 11: 45,1 - 47,5 | 12: 47,6 - 50,0 | |||||||
Результаты имитационных экспериментов свидетельствуют о возможности достижения уровня продуктивности культур севооборота на уровне 40 - 45 ц зерн. ед. / га в годы с оптимальным увлажнением и обеспеченностью теплом при следующих значениях показателей агрохимических свойств дерново-подзолистых почв: содержание гумуса - 1,8 - 2,2%; реакция солевой вытяжки (рН сол.) - 4,8 - 5,2 ед., содержание подвижных фосфатов (в вытяжке Кирсанова) - 100 - 150 мг P2O5 / кг почвы, содержание обменного калия - 120 - 170 мг К2O / кг почвы.
Из проведённых расчётов следует, что повышение продуктивности звена севооборота на 2-5 ц зерн. ед. / га при среднем содержании подвижных фосфатов в почве возможно при увеличении доз азотных, фосфорных и калийных удобрений на 20-30 кг д.в. каждого элемента или увеличении содержания подвижных фосфатов в почве на 50 - 75 мг P2O5 / кг, что эквивалентно внесению сверх баланса 150 - 1500 кг фосфора в пересчёте на P2O5 (при затратах фосфора на повышение содержания подвижных фосфатов в почве на 10 мг P2O5 / кг от 30 до 200 кг P2O5 сверх баланса на почвах различного гранулометрического состава, при различной степени кислотности). Поэтому оптимизацию применения удобрений в современной экономической ситуации следует рассматривать в качестве приоритетного направления повышения продуктивности сельскохозяйственных культур.
Приведённые примеры не исчерпывают возможные области применения созданной автоматизированной информационной системы. С её помощью возможна оценка и сертификация технологий возделывания культур, сравнительная характеристика окупаемости удобрений в годы с различными метеорологическими условиями, эколого-экономическая экспертиза планируемых мероприятий по окультуриванию почв и проведению химических мелиораций, решение других задач.
ГЛАВА 6. АЛГОРИТМ ПОЭТАПНОЙ ОБРАБОТКИ ИНФОРМАЦИИ
ПОЛЕВЫХ ОПЫТОВ В АИС “ГЕОСЕТЬ-2000” И СОВЕРШЕНСТВОВАНИЕ
МЕТОДИКИ ПОЛЕВОГО ОПЫТНОГО ДЕЛА
Общая схема разработанного алгоритма поэтапного отбора данных полевых экспериментов приведена на рисунке 6.1. При его разработке использованы следующие методические принципы:
1. Системный подход к использованию результатов агрохимических полевых опытов и построению на их основе агроэкологических моделей. Представление экспериментальных данных в единой информационно-вычислительной системе, что обеспечивает оперативную работу с ними.
2. Последовательное сокращение объёма статистических выборок путём выбора данных, содержащих максимальное количество интерпретируемых сведений на каждом шаге алгоритма;
3. Проверка качества и правильности выбора данных путём оценки точности построенных моделей или на основе знаний предметной области (агрохимии, агроэкологии, почвоведения).
Рассмотрим, как вышеперечисленные принципы реализованы в предложенном алгоритме.
На шаге 1 производится формирование исходного массива данных полевых опытов с удобрениями и другими агрохимическими средствами. При этом используются как открытые источники информации - научные публикации, отчёты, так и фондовые архивные материалы. Осуществляется предварительный выбор полевых опытов, проведённых в заданном регионе, природной зоне или экономическом районе.
На шаге 2 осуществляется группировка полевых опытов по почвенным и агроклиматическим условиям проведения по состоянию на год закладки. Для этого используются значения показателей агрохимической характеристики почв и средние агроклиматические величины, содержащиеся в описании экспериментов. Принципиально важно, что выполнение данной операции не требует привлечения и обработки всего объёма данных, имеющихся за период его проведения. Достаточно лишь описания “начальных” условий проведения опыта на год закладки, что значительно ускоряет формирование банка данных и снижает затраты труда.
Рисунок 6.1 Блок-схема алгоритма обработки информации полевых опытов и
построения моделей продуктивности агроэкосистем в АИС “Геосеть-2000”
| Начало | ||
| ↓ | ||
| 1. Формирование исходного массива данных полевых опытов с | ||
| ↓ | ||
| 2. Группировка полевых опытов по почвенным и агроклиматическим | ||
| ↓ | ||
| 3. Содержательный анализ результатов группировки на шаге 2 | ||
| ↓ | ||
| 4. Выбор в каждой группе экспериментов с | ||
| ↓ | ||
| 5. Группировка лет наблюдений в полевых опытах по | ||
| ↓ | ||
| 6. Оценка алгоритма и результатов группировки по независимым данным | ||
| ↓ | ||
| 7. Формирование информационных массивов с учётом выделенных | ||
| ↓ | ||
| 8. Отбор объясняющих переменных и | ||
| ↓ | ||
| 9. Построение моделей продуктивности сельскохозяйственных | ||
| ↓ | ||
| 10. Верификация моделей продуктивности | ||
| ↓ | ||
| 11. Использование моделей (оптимизация применения агрохимических средств, сертификация агротехнологий, выбор оптимальных путей | ||
| ↓ | ||
| Конец | ||
На шаге 3 определяется число полевых опытов, попадающих в имеющиеся градации показателей почвенного плодородия, согласно начальным условиям их проведения. Оцениваются средние значения соответствующих показателей по выделенным группам. Достоверность их различий устанавливается с помощью t-критерия Стьюдента. Под этим мы понимаем содержательный анализ группировки, осуществлённой на шаге 2.
На шаге 4 в выделенных группах экспериментов осуществляется выбор полевых опытов с наибольшей информационной ёмкостью. Для этого используются сведения о совокупном числе наблюдений (наличии фонов и вариантов), которые можно получить из описания опыта (его схемы и факторного плана). Иная информация на этом шаге не требуется.
На шаге 5 проводится группировка лет по состоянию погодных условий вегетационного периода. Поскольку информационный банк содержит результаты экспериментов с различными культурами, используются метеорологические показатели за период апрель - октябрь. Важным методическим результатом проведённой работы является вывод об обязательном привлечении непосредственных показателей обеспеченности теплом и влагой при оценке погодных условий года. Характеристика гидротермических условий в группе (степень отклонения условий от средних значений) уточняется с помощью величины ГТК.
В методике опытного дела в последнее время большое внимание уделяется схемам с последовательным наложением лимитирующих факторов (Полуэктов, 2000 и др.), что обеспечивает возможность непосредственного информационного обеспечения динамических моделей функционирования агроэкосистем.
В имеющихся рядах данных длительных стационарных полевых опытов такие схемы практически реализованы в “неявном” виде, а именно на фоне лет с различными метеорологическими и агроэкологическими условиями, включая “оптимальные” и “неоптимальные” уровни минерального питания. Вышеназванная возможность открывается при анализе большого объёма экспериментальных данных Геосети за годы, различающиеся по характеристике метеорологических условий вегетационного периода. Таким образом, задача сводится к нахождению достаточного числа экспериментальных данных, полученных в годы с различными типами погодных условий за вегетационный период, включая экстремальные. Это является важным направлением совершенствования опытного дела.
