Методы программирования урожайности и прогнозирования водопотребления сельскохозяйственных культур

Программирование урожаев предполагает расчет урожайности по заранее составленной программе с учетом физико-географи ческих, почвенно-агрометеорологических условий и биологических особенностей растений.

Программирование урожаев - сложный процесс, включающий в себя ряд этапов построения и использования математических м о делей для решения задач оптимизации и программирования уро жайности: максимальной - по приходу солнечной энергии, опти мально возможной - по биоклиматическим показателям продук тивности земли и возможной - по влагообеспеченности посевов и использованию ими влаги в течение вегетационного периода.

Первые попытки использования свойств инерционных природ ных процессов, применения способов типизации погоды, «годааналога», динамической модели «погода-урожай» с целью оптими зации минерального питания растений в зависимости от погодных условий вегетационного периода были сделаны А.Р. Константино вым, Х.А. Тоомингом, О.Д. Сироте нко в 7 0 -9 0 -х годах XX столетия.

В течение двух последних десятилетий наблюдается значитель ный прогресс в развитии моделей расчета для установления связи в системе «климат-почва-урожай». Представляет интерес разрабо танная во ВНИИ сельскохозяйственной метеорологии (О.Д. Сиро те нко и др.) имитационная система климат-урожай и некото рые результаты ее использования.

Основные компоненты системы: комплекс имитационных м оде лей, информационный фонд, пакет программ для построения годо вых климатических сценариев, системное обеспечение.

Основой имитационной системы «климат-урожай» служит раз работанная О.Д. Сиротенко прикладная динамическая модель энергомассообмена и продуктивности агроэкосистем. Модель пред ставляет собой замкнутую систему дифференциальных уравнений, интегрируемых численно с суточным шагом по времени в течение вегетационного периода соответствующей культуры. Модель де лится на три взаимосвязанных блока, в каждом из которых решает ся соответствующая подсистема уравнений для расчета: динамики фитомассы агробиоценоза отдельных органов расте ний в результате моделирования процессов фотосинтеза, дыхания, роста, развития и старения; динамики влагозапасов почвы в результате моделирования про цессов инфильтрации, испарения, транспирации и корневого по глощения воды; динамики минерального азота почвы путем моделирования про цессов нитрификации, денитрификации, корневого поглощения и вымывания.

Информационный фонд системы составляют ежегодно попол няемые месячные данные по температуре и осадкам за последние 100 лет, усредненные по административным областям и прирав ненным к ним территориальным единицам. Дополнительно для на стройки и проверки моделей используется массив суточных гидро метеорологических данных за пять лет. Информационный фонд содержит характеристики агрофизических и агрохимических свойств почв, а также среднеобластную урожайную статистику для зерновых культур за послевоенный период.

Методика стохастического моделирования метеорологических данных

Сценарии будущих состояний климата содержат, как правило, информацию об изменениях месячных значений температуры и осадков. Кроме того, основной столетний массив метеорологических данных тоже содержит лишь месячные значения температуры и осадков.

Создана стохастическая модель, позволяющая с помощью метода Монте-Карло генерировать ансамбль годовых реализаций суточных комплексов метеорологических элементов, соответствующих заданным месячным значениям. Для восстановления исходных осредненных значений солнечной радиации и влажности воздуха использованы статистические связи этих величин с температурой и осадками. Разработана также методика восстановления для каждого года начальных значений (на дату возобновления вегетации) влагозапасов почвы и содержания в ней доступных форм азота.

Разработанная система «климат-урожай» впервые позволила соединить массивы гидрометеорологических, агрономических данных и характеристик почв, охватывающих всю страну, с мощной интерпретирующей системой в виде комплекса моделей энергомассообмена и продуктивности важнейших сельскохозяйственных культур. Важнейшая выявленная закономерность — наличие двух периодов роста климатически обусловленной урожайности — в начале XX века (с максимумом в 1910-1920 гг.) и в настоящее время. Последний минимум в вековом ходе урожайности пришелся на годы, близкие к 1960 г., после чего началось устойчивое и четко выраженное улучшение условий произрастания зерновых культур.

Оценка биоклиматического потенциала и агрохимическое моделирование

Оценив современный почвенно-климатический потенциал страны, можно ответить и на вопрос о его возможной трансформации под воздействием глобального потепления. Результаты расчетов ожидаемых изменений продуктивности для двух палеоклиматических аналогов глобального потепления — климатических оптимумов голоцена (ОГ) и микулинского межледниковья (ОММ) — позволяют сделать вывод, что эволюция климата по двум этим сценариям в целом благоприятна для сельского хозяйства. В качестве показателя продуктивности взята не урожайность конкретной сельскохозяйственной культуры, а суммарная продуктивность сухой надземной биомассы травяной агроэкосистемы за период года с температурой выше 5°С, названная биоклиматическим потенциалом (БКП) по Д.И. Шашко.

Предлагается рассмотреть интересное решение проблемы выработки оптимального режима для роста продуктивности пашни в Центре агрохимической службы «Нижегородский». Выбран комплексный математический метод моделирования взаимосвязи урожайности сельскохозяйственных культур с агрохимическими параметрами плодородия почв и климатическими условиями. Модельная система связывает выходной параметр (функцию отклика) — урожайность озимой и яровой пшеницы, озимой ржи и ячменя — с четырьмя основными почвенными факторами (содержание гумуса, подвижного фосфора, обменного калия, pH) и двумя климатическими факторами (ГТК Г.Т. Селянинова и сумма положительных (более 10°С) температур).

В комплексном статистико-стохастическом моделировании использовали мультипликативную регрессионную модель зависимости функции отклика от факторов регрессии. Коэффициенты регрессии нелинейного мультипликативного уравнения прогноза определяют по сложному алгоритму, включающему в себя:

• формирование матрицы входных данных;
• формирование столбца выходного параметра;
• транспонирование;
• обращение матрицы;
• перемножение транспонированной, а затем и обращенной матрицы на столбец выходных данных (урожайность) и т.д.

Методика математического моделирования урожайности

По предварительному регрессионному мультипликативному уравнению оценивали грубые погрешности в базе данных, по которым относительная ошибка прогноза превышала 20%. Экспериментальные значения урожайности на таких участках («выбросы») заменяли теоретическими значениями прогноза. По исправленной базе данных урожайности (столбец выходного параметра) и неизменной матрице шести входных факторов формировали основное регрессионное нелинейное мультипликативное уравнение прогноза.

Полученное уравнение может быть использовано для оценки «неоднородности» всей технологии, определения «функций влияния» каждого входного фактора на урожайность и задания «коридоров» входных факторов под программируемый урожай.

В соответствии с реальными параметрами средних значений и средних квадратичных отклонений входных факторов формировался двумерный массив 6x300, где 6 — индекс факторов, 300 — индекс числа реализаций компьютерно-технологических «опытов» по методу Монте-Карло на базе основного уравнения.

Если одновременно менялись все шесть факторов, то коэффициент вариации функции отклика характеризовал «неоднородность» всей технологии. Если же пять факторов закреплялись на среднем уровне, а вместо шестого фактора в уравнение вводили элементы массива, то коэффициент вариации функции отклика характеризовал влияние каждого входного фактора на урожайность.

По данным 14 реперных участков, рассчитанная «неоднородность» технологии равнялась 35%.

Программирование урожайности зерновых осуществлялось следующим способом: по заданному значению урожайности и полученной при компьютерных реализациях методом Монте-Карло его погрешности определяются средние значения и средние квадратические отклонения входных факторов, которые обеспечивают запрограммированный уровень урожайности.

Практическое применение статистического моделирования

Таким образом, статистико-стохастическое моделирование позволяет получать точные (математически строгие) нелинейные мультипликативные регрессионные уравнения и открывает путь к решению многих практических задач на базе данных реперных участков и полевых опытов:

• оценивать достоверность исходной информации, качество (уровень плодородия) почв;
• определять степень влияния каждого фактора на урожайность сельскохозяйственных культур, интервалы входных факторов под программированную продуктивность каждого поля;
• прогнозировать и программировать на компьютере возможные для данных условий уровни урожайности сельскохозяйственных культур;
• изучать физиологические особенности влияния почвенных факторов на продуктивность агрокультур;
• разрабатывать методологию экономической оптимизации внесения органических и минеральных удобрений.

Введение в сельскохозяйственное производство адаптивно-ландшафтной системы земледелия предполагает использование программирования урожаев как оценочного показателя почвенно-климатических ресурсов территории. Это важнейший путь рационального применения на практике основных законов земледелия и повышения КПД использования солнечной энергии.

Для приближенной оценки максимальной или потенциальной урожайности (ПУ) может использоваться формула А.А. Нечипоровича, связывающая потенциальную урожайность с солнечной радиацией:

109 R K биоп - 102,4.103,102, где Убиол — биологический урожай абсолютно сухой растительной массы, ц/га;

109 R - количество приходящей ФАР за период вегетации культуры в данной зоне, млрд ккал/га;

К - запланированный коэффициент использования ФАР, %;

102 - 100%; 4 10 s - количество энергии, выделяемое при сжига нии 1 кг сухого вещества биомассы, ккал/кг;

102 - коэффициент перевода кг в ц.

Например, посевами яровой пшеницы запрограммировано усво ить 2% ФАР. За период вегетации на посевы пшеницы приходится около 2 млрд ккал/га. Подставив эти величины в формулу, опреде ляем, что в этих условиях может быть получено 100 ц/га сухого вещества яровой пшеницы:

2 *10 9 *2% 1АА, у Ю0 ц/га.

Г\С\(77„ Л 1 П 2

При этом для обеспечения посевам высокого КПД ФАР необхо димо соблюдать агротехнические требования по выращиванию сельскохозяйственных культур.

Солнечное тепло, влага и почвенные условия составляют еди ный комплекс, математическое выражение которого объединено в формуле А.М. Рябчикова, что позволяет с высокой точностью определить продуктивность оптимально возможной фитомассы:

где КР - биогидротермический потенциал продуктивности, бал лы;

W - продуктивная влага (среднегодовое количество осадков Р минус сток S), мм;

Tv - период вегетации, декады;

36 - число декад в году;

R - радиационный баланс за этот период, ккал/см2.

Эта формула включает в себя приход интегральной радиации, непосредственно влияющей на испарение воды с поверхности поч вы и растений. Для расчетов в формулу обычно вводят только про дуктивную влагу, которую растения используют на образование сухой биомассы.

Биоклиматический потенциал продуктивности {БКП) земли оп ределяют по формуле Д.И. Шашко.

Биоклиматический потенциал {БКП) - основной показатель урожайности - рассчитывается по формуле

БКП = К р • р 1000 где Кр = l,151g(20Md) - 0,21 + 0,63Md - Md2;

Здесь Lt - сумма температур воздуха >10°С или >5°С в зависи мости от лимитных температур конкретной культуры; Р - сумма осадков за рассматриваемый период, мм; d - дефицит влажности воздуха, мб; а - Относительная влажность воздуха">относительная влажность воздуха, %; 1а - упру гость насыщенного пара, мб.

Размеры потенциальной биологической продуктивности можно перевести в величины урожая тех или иных культур по условию т = ^-БКПЛ 0,

К, где Кп - коэффициент продуктивности культур (урожай на 100° сумм температур) по эмпирическим данным.

По последнему условию может быть вычислена и продуктив ность конкретной культуры, если величины БКП будут определены по суммам температур за ее вегетационный период.

Следует отметить, что влияние климата на продуктивность рас тений преломляется через почву. Поэтому к установленным баллам его продуктивного значения, или относительным величинам БКП, требуется поправка на качество почвы. Такой исправленный балл будет характеризовать уже бонитет почвы на фоне определенных климатических условий.

Биоклиматический потенциал территории обусловливает зо нальный тип специализации сельского хозяйства, системы земле делия и другие особенности сельскохозяйственного производства.

Теоретически возможные урожайности растений в зависимости от содержания влаги в почве и количества выпадающих атмосферных осадков за вегетационный период можно вычислять по формуле И.В. Цыганова. Модель удобна для расчетов, число параметров достаточно информативно. Расчет урожайности (по Цыганову):

_(ЯЯ-ЯЗ) + (0,5-Р-10) г, m i га ” где ВУт/га - вероятностная теоретическая урожайность; НВ - весенний запас воды при наименьшей влагоемкости в мет ровом слое почвы, т/га;

ВЗ - запас воды при влажности завядания в метровом слое поч вы, т/га;

Р - среднемноголетние осадки, мм;

0,5 - коэффициент полезности летних осадков;

10 - переводной коэффициент, мм в т/га;

Т К - транспирационный коэффициент, т/га;

К - коэффициент отношения основной продукции к побочной.

Например, для условий Черноземья при весеннем запасе воды в метровом слое почвы, равном 3000 т/га, влажности завядания в этом же слое - 1200 т/га, средних многолетних осадках за время вегетации ячменя, равных 250 мм, транспирационном коэффициен те ячменя, равном 534, и отношении зерна к соломе как 1:2, уро жайность ячменя составит: д у = (3000-1200) + (250-а5-10).1 т/г,

Следует отметить, что частая причина разрыва между теорети чески возможными и практическими урожаями заключается в низ ком уровне плодородия почв, качестве посевного материала и на рушении агротехнических требований возделывания сельскохозяй ственных культур.

Одним из возможных вариантов прогноза урожайности может служить модель В.Г. Сычева, которая реализуется по следую щим принципам.

Продуктивность сельскохозяйственных растений зависит от биологических особенностей, плодородия почв, агротехники и ме теорологических условий. Чтобы принять решение об изменении структуры посевных площадей и перераспределении ресурсов хо зяйства, необходимо знать, какой урожай дает та или иная культура в конкретных, меняющихся, погодных условиях определенного года. Имея такой прогноз, можно решать вопросы о структуре по севов (выборе сорта, норме высева семян, дозах удобрений и т.п.) и с учетом особенностей года активно влиять на величину урожая. Решение перечисленных задач зависит от заблаговременности по ступающих сведений, хотя бы за месяц до начала сева. Однако со ставлять прогноз урожайности в соответствии с метеопрогнозом нецелесообразно. Разумнее, используя метеоданные, непосредст венно установить их связь с урожайностью и другими характеристиками. Автором предложена имитационная модель прогноза кор ректировки площадей (на основе прогноза урожая) культур для оп ределенного года по следующей схеме. Создается банк данных, содержащий статистические материалы, опытные данные Геогра фической сети и Гидрометеослужбы. Переменные величины: большое число показателей температуры воздуха, количества осад ков, запасов влаги в почве; содержание элементов питания: нит ратного азота, подвижных форм калия и фосфора, вынос элементов питания, коэффициенты использования азота, фосфора, калия из удобрений и при естественном плодородии; химический состав растений; уровень агротехники, севооборот, сорт.

Функцией служит урожай, например, озимой пшеницы или кар тофеля. Были получены матрицы коэффициентов корреляции меж ду названными выше показателями и урожаями, отобраны факто ры, наиболее тесно связанные с урожаем, Все они были разделены на две группы в зависимости от коэффициентов корреляции: первая - г < 0,45; вторая - г > 0,45.

Для каждой группы в каждом году определяется интегральный показатель:

где щ - фактор, входящий в данную группу;

Si - среднее квадратичное отклонение z'-го фактора; п - число факторов в группе.

Интегральные показатели группировали, создавая годы-аналоги. Чтобы данные разных лет были сравнимы между собой, факторы были представлены в долях к предыдущему или последующему году (относительные величины). Полученные результаты показали интересные закономерности. Например, в год, предшествующий «зерновому году», коэффициенты использования элементов пита ния были выше, чем в остальные годы, изменился также химиче ский состав растений. Принято считать, что коэффициенты исполь зования зерновыми культурами NPK минеральных удобрений в среднем для азота равны 60%, фосфора - 20, калия - 70%, а в по следействии соответственно 10, 15 и 10%. Однако колебания коэф фициентов использования элементов питания для азота составляют 30-85%, фосфора - 20-35, калия - 30-75%. Из почвы зерновые культуры могут усвоить 20% азота, 5 - фосфора и 20% калия, хотя крайние значения этих коэффициентов также сильно изменяются в зависимости от сельскохозяйственных культур, сорта, агротехники, почвенных и погодных условий и, как показали результаты анали за, они могут служить характеристикой прогноза. Описанная схема позволяет допустить возможность прогноза урожайности культуры по годам. Вопрос в том, какие переменные факторы лучше вы брать, какой математический аппарат применить - еще предстоит решать. На данном этапе предложенную схему расчетного прогно за по годам-аналогам следует рассматривать как эксперимент и развивать его в этом направлении.

Методика установления зависимости урожайности от уров ня водообеспеченности сельскохозяйственных культур. Анализ экспериментальных данных (в том числе и многочисленных зару бежных данных) зависимости урожайности сельскохозяйственных культур от уровня водообеспеченности свидетельствует о том, что влияние относительного снижения водообеспеченности растений на относительное снижение их урожайности не носит зонального характера, т.е. не имеет территориальной изменчивости.

Наиболее полная по количеству и качеству статистика имеется по связям между урожайностью и суммарным водопотреблением сельскохозяйственных культур.

Зависимость снижения урожайности сельскохозяйственных культур от уровня их водообеспечения для случая равномерного в течение вегетации накопления дефицита воды в обобщенном виде формализуется параболической кривой.

В относительных единицах измерения аналитическая зависи мость имеет следующий вид: щ =А+в ■а£vi +С- а£*. где AYi - относительное снижение урожайности в долях от рас четной (максимальной, плановой, проектной);

А ^ vi - относительное снижение водообеспечения (фактического водопотребления) культуры в долях от

Элементы уравнения (18) определяются следующим образом:

M vi = 1 где оптимальное водопотребление (эвапотранспирация) при оптимальном уровне водообеспечения растений, мм или м3/га; у

Evi - водопотребление при фактическом водообеспечении рас тений, мм или м3/га;

Ур - урожайность при оптимальном водообеспечении растений и реализуемом уровне агротехники, ц/га или т/га;

У* - фактическая урожайность культуры при дефицитном водо обеспечении растений, ц/га или т/га.

Следует отметить, что оптимальное водопотребление Evonmнаблю дается при поддержании запасов влаги в почве в пределах от НВ (наименьшей влагоемекости) до некоторой критической влажности, соответствующей ВРК (влажности разрыва капиллярных связей).

Для орошаемых почв критическая влажность почвы /Зкр ориен тировочно равна:

Аср = 0 5 (/? Н В + /? з) ’ где /?нв - влажность почвы, соответствующая наименьшей влагоемкости, % от массы;

/?3- влажность завядания, % от массы.

В настоящей работе j3Kp (порог допустимого иссушения почвы) определяется по формуле

Д, = 0,3614+1,476-3 9.524-Ш7- W2m, где WHB- наименьшая влагоемкость почвы, мм.

При снижении влажности почвы ниже критической водообеспечение растений ухудшается, в соответствии с чем снижается их урожайность.

Принятое в расчетах оптимальное водопотребление Evonm соот ветствует условиям поддержания запаса влаги в корнеобитаемом слое почвы в пределах от НВ (наименьшей влагоемекости) до не которой критической влажности, соответствующей ВРК (влажно сти разрыва капиллярных связей).

Относительное снижение урожайности (ОСУР) А У определяет ся по уравнениям связи. Различия между установленными зависи мостями, которые приводятся в работах отечественных и зарубеж ных авторов, объясняются прежде всего количеством и качеством использованных экспериментальных и статистических данных,

Для составления уравнений связи урожайности с оросительной нормой также приняты эмпирические уравнения параболы. При этом суммарный дефицит оптимального водопотребления прини мается равным оптимальной оросительной норме.

Используя приведенные в табл. 28 уравнения связи можно установить относительные и абсолютные значения снижения урожайности от недостатка водообеспечения остальных сельскохозяйственных культур, возделываемых в регионе. Пример расчета 1. Относительное снижение урожайности в зависимости от природной водообеспеченности люцерны на сено

Ороси ный ент Уро марное влаго- ческое тельная недос сниже жай Зона Год водопо- обеспе- сниже норма, таток ния ность, требле- чен- ние, мм при уро ц/га ние, мм ность, ц/га родной жайно мм влаги сти Лесо- Средне Р=25% 490 140 350 0,25 0,15 13,5 76,5 степ- влажный ная Средний Р=50% 510 180 330 0,32 0,22 19,4 70,6

Средне Р=75% 560 250 310 0,45 0,36 32,6 57,4 сухой

Сухой Р=95% 610 350 260 0,55 0,51 45,8 44,2

Если оптимальное водопотребление культуры за вегета ционный период, AEV - дефицит водопотребления (оросительная норма), то природная водообеспеченность

При этом относительный недостаток природной водообеспеченности определяется как А1 = 1 - Ev /Егопт.

Лесостепная зона (Ку = 0,6).

Среднесухой год (75% обеспеченности).

Урожайность Ур = 90 ц/га.

Согласно таблице 560 мм; AEV= 250 мм 560 - 250 = 310 мм.

Е. Д1П а £.= 1 -----У- = 1 - ^ У = 1 -0,5 5 5 = 0,4 4 5.

AYi = -0,002 +0,33-0,445+1,07(0,445)2=-0,002+0,147+0,212=0,36.

Таким образом, при снижении водообеспеченности люцерны на 44,5% от уровня оптимальной урожайность сена снизится на 36 % от Ур и составит

Уг = УР (1 -А У 1) = 90-0,64 = 57,4 ц/га.

Урожайность люцерны (ср. 90 ц/га) при недостатке Ц/га природной влагообеспеченности

Рис. 27. Графики зависимости урожайности от природной влагообеспеченности

Пример расчета 2. Относительное снижение урожайности люцерны при снижении оросительной нормы по сравнению с оптимальной в разные по влажности годы (Уральский федеральный округ, лесостепная зона)

Зона Год водопотребление, ная норма, мм мм Лесостепная Средневлажный Р=25% 360 90 Ку = 0,51-0,65 Средний Р=50% 530 160

Среднесухой Р=75% 580 240

Сухой Р=95% 640 350

Среднее значение урожайности 90 ц/га.

AEvi - снижение оросительной нормы;

Ayi - относительное снижение урожайности;

относительное снижение водообеспечения;

Уг = -0,002+0,33 07 2 - уравнение связи.

Последовательность расчета представлена в табл. 29. В графе 1 приведена градация относительного снижения оптимальной ороси тельной нормы через ОД, т.е. через каждые 10%, в графе 2 - оста точное водообеспечение соответственно в годы 25, 50, 75 и 95%-ной обеспеченности, в графе 3 - относительное снижение водообеспечения A/vz. По уравнению связи для люцерны определя ется относительное снижение урожайности у х(графа 4) в зависимо сти от снижения оросительной нормы (водообеспечения). Взяв среднее значение урожайности люцерны при оптимальном водообеспечении 90 ц/га, вычислено фактическое снижение урожайно сти (графа 5), в графе 6 приведена ожидаемая урожайность, ц/га.

По результатам расчета построены графики, приведенные на рис. 28.

ы Таблица 29 ON

Отно Относительное снижение Относительное снижение Фактическое снижение сниженной оросительной Урожайность, ц/га сите ль- водообеспечения урожайности урожайности, ц/га норме, мм ное сниже ние ороси тельной 1 2 7

Рч Рч Рч Рч

Т 1 2 £

1 f 1 2 нормы

1 2 3 4 5 6

ОД 351 514 556 605 0,03 0,03 0,04 0,05 0,01 0,01 0,02 0,02 1,0 1,2 1,6 2,1 89,0 88,8 88,4 87,9

0,2 342 498 532 570 0,05 0,06 0,08 0,11 0,02 0,03 0,04 0,05 1,9 2,3 3,3 4,6 88,1 87,7 86,7 85,4

0,3 333 482 508 535 0,08 0,09 0,12 0,16 0,03 0,04 0,06 0,08 2,9 3,7 5,4 7,6 87,1 86,3 84,6 82,4

0,4 324 466 484 500 0,10 0,12 0,17 0,22 0,05 0,06 0,09 0,13 4,1 5,2 7,7 11,3 85,9 84,8 82,3 78,7

0,5 315 450 460 465 0,13 0,15 0,21 0,27 0,06 0,08 0,12 0,17 5,4 6,9 10,4 15,5 84,6 83,1 79,6 74,5

306 434 436 430 0,15 0,18 0,25 0,33 0,08 0,10 0,15 0,23 6,8 8,7 13,5 20,3 83,2 81,3 76,5 69,7 о

0,7 297 418 412 395 0,18 0,21 0,29 0,38 0,09 0,12 0,19 0,29 8,3 10,8 16,9 25,7 81,7 79,2 73,1 64,3

288 402 388 360 0,20 0,24 0,33 0,44 0,11 0,14 0,23 0,35 10,0 13,0 20,6 31,6 80,0 77,0 69,4 58,4 о

0,9 279 386 364 325 0,23 0,27 0,37 0,49 0,13 0,17 0,27 0,42 11,7 15,4 24,6 38,1 78,3 74,6 65,4 51,9

1 270 370 340 290 0,25 0,30 0,41 0,55 0,15 0,20 0,32 0,50 13,6 17,9 29,0 45,2 76,4 72,1 61,0 44,8

Потери урожайности {90 ФЩ при снижении оросительной кормы

Рис. 28. Зависимость урожайности от снижения оросительной нормы

Данные табл. 30 рекомендуется как основная методическая предпосылка для решения проблемы в конкретном природном ре гионе. Приведенные зависимости являются усредненными, поэто му в конкретных природных условиях могут корректироваться с учетом местных почвенно-климатических особенностей.

Уравнение связи культура ность Р, % Зерновые колосовые 50 З Г / = 0,005 + 0,04 НАМ + 0,0 7 9 5 -A X i2

75 AYi = -0,0 0 6 + 0,153 M i + 0,095 A X i2

95 AYi = 0,002 + 0,160 AXi + 0,205 A X i 2 Капуста поздняя 50 AYi =-0,001 + 0,1 8 3 -AXi + 0,106 A X i2

75 AYi = 0,010 + 0,2 6 0 -AXi + 0,170 A X i2

95 AYi = -0,004 + 0,490 AXi + 0,205 A X i2

Л есост епная зона Люцерна на сено 50 AYi = -0,001 + 0,1 2 8 -AXi + 0,117 A X i2

75 AYi = -0,003 + 0,225 -AXi + 0,159 A X i2

95 AYi = 0,0 0 7 + 0,2 0 3 -AXi + 0,356 A X i 2 Зерновые колосовые 50 AYi = 0,004 + 0,2 3 4 -AXi + 0,072 A X i 2

75 AYi = -0,003 + 0,3 2 4 -AXi + 0,186 A X i2

95 AYi = 0,006 + 0,326 -AXi + 0,235 A X i 2 Капуста поздняя 50 AYi = -0,004 + 0,3 1 1 -AXi + 0,155 A X i 2

75 AYi = - 0,001 + 0,4 2 5 -AXi + 0,265 A X i2

95 AYi = 0,002 + 0,561 -AXi + 0,303 A X i2

Зона ум еренны х степей Люцерна на сено 50 AYi = -0,006 + 0,159 AXi + 0,330 A X i2

75 AYi = -0,005 + 0,2 7 4 -AXi + 0,352 A X i2

95 AYi = 0,0 1 4 + 0,2 6 7 -AXi + 0,595 A X i 2 Зерновые колосовые 50 AYi = 0,013 + 0,2 7 4 -AXi + 0,2 7 7 A X i 2

75 AYi = 0,011 + 0,365 AXi + 0,420 A X i2

95 AYi = 0,002 + 0,510 AXi + 0,4 7 7 A X i 2 Капуста поздняя 50 AYi = -0,021 + 0,630 AXi + 0,193 A X i2

75 AYi = - 0,016 + 0,7 7 9 -M i + 0,293 A X i2

95 AYi = - 0,031 + 0,914 M i + 0,277 A X i2

Зона сухих степей Люцерна на сено 50 AYi = 0,021 + 0,177 M i + 0,542 A X i 2

75 AYi = -0,0 1 6 + 0,277 M i + 0,598 A X i 2

95 AYi = 0,011 + 0,335 M i + 0,761 A X i 2 Зерновые колосовые 50 AYi = 0,005 + 0,409 M i + 0,367 A X i 2

75 AYi = 0,009 + 0,502 M i + 0,485 A X i 2

95 AYi = -0,009 + 0,693 M i + 0,542 A X i 2

Продолжение табл. 30 Сельскохозяйственная Обеспечен

Уравнение связи культура ность Р, % Капуста поздняя 50 AYi =-0,017+0,701 ■AXi + 0,269 A X i2

75 AYi =- 0,035 + 0,895 -AXi + 0,216AX i2

95 AYi =- 0,031 + 0,954-AXi + 0,333 A X i2

Примечание. По материалам работы. Базовое уравнение: AYi = а сА Хг, где AYi - относительное снижение урожайности (в долях от расчетной относительное снижение оросительной нормы (в долях от оптимальной); а, Ь, с - параметры уравнения.