Методи програмування врожайності та прогнозування водоспоживання сільськогосподарських культур

Програмування врожаїв передбачає розрахунок урожайності за заздалегідь складеною програмою з урахуванням фізико-географічних, ґрунтово-агрометеорологічних умов та біологічних особливостей рослин.

Програмування врожаїв - складний процес, що включає в себе низку етапів побудови та використання математичних моделей для вирішення завдань оптимізації та програмування врожайності: максимальної - за приходом сонячної енергії, оптимально можливої - за біокліматичними показниками продуктивності землі та можливої - за вологозабезпеченістю посівів і використанням ними вологи протягом вегетаційного періоду.

Перші спроби використання властивостей інерційних природних процесів, застосування способів типізації погоди, «року-аналога», динамічної моделі «погода-урожай» з метою оптимізації мінерального живлення рослин залежно від погодних умов вегетаційного періоду були зроблені А.Р. Константиновим, Х.А. Тоомінгом, О.Д. Сиротенком у 70-90-х роках XX століття.

Протягом двох останніх десятиліть спостерігається значний прогрес у розвитку моделей розрахунку для встановлення зв'язку в системі «клімат-ґрунт-урожай». Представляє інтерес розроблена у ВНДІ сільськогосподарської метеорології (О.Д. Сиротенко та ін.) імітаційна система клімат-урожай і деякі результати її використання.

Основні компоненти системи: комплекс імітаційних моделей, інформаційний фонд, пакет програм для побудови річних кліматичних сценаріїв, системне забезпечення.

Основою імітаційної системи «клімат-урожай» слугує розроблена О.Д. Сиротенком прикладна динамічна модель енергомасообміну та продуктивності агроекосистем. Модель являє собою замкнену систему диференціальних рівнянь, що інтегруються чисельно з добовим кроком у часі протягом вегетаційного періоду відповідної культури. Модель ділиться на три взаємопов'язані блоки, в кожному з яких вирішується відповідна підсистема рівнянь для розрахунку: динаміки фітомаси агробіоценозу окремих органів рослин у результаті моделювання процесів фотосинтезу, дихання, росту, розвитку та старіння; динаміки вологозапасів ґрунту в результаті моделювання процесів інфільтрації, випаровування, транспірації та кореневого поглинання води; динаміки мінерального азоту ґрунту шляхом моделювання процесів нітрифікації, денітрифікації, кореневого поглинання та вимивання.

Інформаційний фонд системи становлять щорічно поповнювані місячні дані щодо температури та опадів за останні 100 років, усереднені за адміністративними областями та прирівняними до них територіальними одиницями. Додатково для налаштування та перевірки моделей використовується масив добових гідрометеорологічних даних за п'ять років. Інформаційний фонд містить характеристики агрофізичних та агрохімічних властивостей ґрунтів, а також середньообласну статистику врожайності для зернових культур за повоєнний період.

Методика стохастичного моделювання метеорологічних даних

Сценарії майбутніх станів клімату містять, як правило, інформацію про зміни місячних значень температури та опадів. Крім того, основний сторічний масив метеорологічних даних теж містить лише місячні значення температури та опадів.

Створено стохастичну модель, що дозволяє за допомогою методу Монте-Карло генерувати ансамбль річних реалізацій добових комплексів метеорологічних елементів, які відповідають заданим місячним значенням. Для відновлення вихідних усереднених значень сонячної радіації та вологості повітря використані статистичні зв'язки цих величин з температурою та опадами. Розроблено також методику відновлення для кожного року початкових значень (на дату відновлення вегетації) вологозапасів ґрунту та вмісту в ньому доступних форм азоту.

Розроблена система «клімат-урожай» вперше дозволила поєднати масиви гідрометеорологічних, агрономічних даних та характеристик ґрунтів, що охоплюють усю країну, з потужною інтерпретуючою системою у вигляді комплексу моделей енергомасообміну та продуктивності найважливіших сільськогосподарських культур. Найважливіша виявлена закономірність — наявність двох періодів росту кліматично зумовленої врожайності — на початку XX століття (з максимумом у 1910-1920 рр.) і в наш час. Останній мінімум у віковому ході врожайності припав на роки, близькі до 1960 р., після чого почалося стійке і чітко виражене поліпшення умов виростання зернових культур.

Оцінка біокліматичного потенціалу та агрохімічне моделювання

Оцінивши сучасний ґрунтово-кліматичний потенціал країни, можна відповісти і на питання про його можливу трансформацію під впливом глобального потепління. Результати розрахунків очікуваних змін продуктивності для двох палеокліматичних аналогів глобального потепління — кліматичних оптимумів голоцену (ОГ) та мікулинського міжльодовиковика (ОММ) — дозволяють зробити висновок, що еволюція клімату за двома цими сценаріями в цілому сприятлива для сільського господарства. Як показник продуктивності взято не врожайність конкретної сільськогосподарської культури, а сумарну продуктивність сухої надземної біомаси трав'яної агроекосистеми за період року з температурою вище 5°С, названу біокліматичним потенціалом (БКП) за Д.І. Шашком.

Пропонується розглянути цікаве вирішення проблеми вироблення оптимального режиму для зростання продуктивності ріллі в Центрі агрохімічної служби «Нижегородський». Вибрано комплексний математичний метод моделювання взаємозв'язку урожайності сільськогосподарських культур з агрохімічними параметрами родючості ґрунтів та кліматичними умовами. Модельна система пов'язує вихідний параметр (функцію відгуку) — урожайність озимої та ярої пшениці, озимого жита та ячменю — з чотирма основними ґрунтовими факторами (вміст гумусу, рухомого фосфору, обмінного калію, pH) та двома кліматичними факторами (ГТК Г.Т. Селянінова та сума додатних (понад 10°С) температур).

У комплексному статистико-стохастичному моделюванні використовували мультиплікативну регресійну модель залежності функції відгуку від факторів регресії. Коефіцієнти регресії нелінійного мультиплікативного рівняння прогнозу визначають за складним алгоритмом, що включає в себе:

• формування матриці вхідних даних;
• формування стовпця вихідного параметра;
• транспонування;
• обернення матриці;
• перемноження транспонованої, а потім і оберненої матриці на стовпець вихідних даних (урожайність) тощо.

Методика математичного моделювання урожайності

За попереднім регресійним мультиплікативним рівнянням оцінювали грубі похибки в базі даних, за якими відносна помилка прогнозу перевищувала 20%. Експериментальні значення урожайності на таких ділянках («викиди») замінювали теоретичними значеннями прогнозу. За виправленою базою даних урожайності (стовпець вихідного параметра) та незмінною матрицею шести вхідних факторів формували основне регресійне нелінійне мультиплікативне рівняння прогнозу.

Отримане рівняння може бути використане для оцінки «неоднорідності» всієї технології, визначення «функцій впливу» кожного вхідного фактора на урожайність і завдання «коридорів» вхідних факторів під програмований урожай.

Відповідно до реальних параметрів середніх значень та середніх квадратичних відхилень вхідних факторів формувався двовимірний масив 6x300, де 6 — індекс факторів, 300 — індекс числа реалізацій комп'ютерно-технологічних «досвідів» за методом Монте-Карло на базі основного рівняння.

Якщо одночасно змінювалися всі шість факторів, то коефіцієнт варіації функції відгуку характеризував «неоднорідність» всієї технології. Якщо ж п'ять факторів закріплювалися на середньому рівні, а замість шостого фактора в рівняння вводили елементи масиву, то коефіцієнт варіації функції відгуку характеризував вплив кожного вхідного фактора на урожайність.

За даними 14 реперних ділянок, розрахована «неоднорідність» технології дорівнювала 35%.

Програмування урожайності зернових здійснювалося в такий спосіб: за заданим значенням урожайності та отриманої при комп'ютерних реалізаціях методом Монте-Карло його похибки визначаються середні значення та середні квадратичні відхилення вхідних факторів, які забезпечують запрограмований рівень урожайності.

Практичне застосування статистичного моделювання

Таким чином, статистико-стохастичне моделювання дозволяє отримувати точні (математично суворі) нелінійні мультиплікативні регресійні рівняння і відкриває шлях до вирішення багатьох практичних завдань на базі даних реперних ділянок та польових дослідів:

• оцінювати достовірність вихідної інформації, якість (рівень родючості) ґрунтів;
• визначати ступінь впливу кожного фактора на урожайність сільськогосподарських культур, інтервали вхідних факторів під програмовану продуктивність кожного поля;
• прогнозувати та програмувати на комп'ютері можливі для даних умов рівні урожайності сільськогосподарських культур;
• вивчати фізіологічні особливості впливу ґрунтових факторів на продуктивність агрокультур;
• розробляти методологію економічної оптимізації внесення органічних та мінеральних добрив.

Впровадження в сільськогосподарське виробництво адаптивно-ландшафтної системи землеробства передбачає використання програмування урожаїв як оціночного показника ґрунтово-кліматичних ресурсів території. Це найважливіший шлях раціонального застосування на практиці основних законів землеробства та підвищення ККД використання сонячної енергії.

Для наближеної оцінки максимальної або потенційної урожайності (ПУ) може використовуватися формула А.А. Нечипоровича, що пов'язує потенційну урожайність із сонячною радіацією:

109 R K біоп - 102,4.103,102, де Убіол — біологічний урожай абсолютно сухої рослинної маси, ц/га;

109 R - кількість прихідної ФАР за період вегетації культури в даній зоні, млрд ккал/га;

К - запланований коефіцієнт використання ФАР, %;

102 - 100%; 4 10 s - кількість енергії, що виділяється при спалюванні 1 кг сухої речовини біомаси, ккал/кг;

102 - коефіцієнт переведення кг в ц.

Наприклад, посівами ярої пшениці запрограмовано засвоїти 2% ФАР. За період вегетації на посіви пшениці припадає близько 2 млрд ккал/га. Підставивши ці величини у формулу, визначаємо, що в цих умовах може бути отримано 100 ц/га сухої речовини ярої пшениці:

2 *10 9 *2% 1АА, у Ю0 ц/га.

Г\С\(77„ Л 1 П 2

При цьому для забезпечення посівам високого ККД ФАР необхідно дотримуватися агротехнічних вимог щодо вирощування сільськогосподарських культур.

Сонячне тепло, волога та ґрунтові умови становлять єдиний комплекс, математичний вираз якого об’єднано у формулі А.М. Рябчикова, що дозволяє з високою точністю визначити продуктивність оптимально можливої фітомаси:

де КР - біогідротермічний потенціал продуктивності, бали;

W - продуктивна волога (середньорічна кількість опадів Р мінус стік S), мм;

Tv - період вегетації, декади;

36 - число декад у році;

R - радіаційний баланс за цей період, ккал/см2.

Ця формула включає надходження інтегральної радіації, що безпосередньо впливає на випаровування води з поверхні ґрунту та рослин. Для розрахунків у формулу зазвичай вводять тільки продуктивну вологу, яку рослини використовують на утворення сухої біомаси.

Біокліматичний потенціал продуктивності (БКП) землі визначають за формулою Д.І. Шашка.

Біокліматичний потенціал (БКП) - основний показник урожайності - розраховується за формулою

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

Тут Lt - сума температур повітря >10°С або >5°С залежно від лімітних температур конкретної культури; Р - сума опадів за розглянутий період, мм; d - дефіцит вологості повітря, мб; а - Відносна вологість повітря">відносна вологість повітря, %; 1а - пружність насиченої пари, мб.

Розміри потенційної біологічної продуктивності можна перевести у величини врожаю тих чи інших культур за умовою т = ^-БКПЛ 0,

К, де Кп - коефіцієнт продуктивності культур (урожай на 100° сум температур) за емпіричними даними.

За останньою умовою може бути обчислена і продуктивність конкретної культури, якщо величини БКП будуть визначені за сумами температур за її вегетаційний період.

Слід зазначити, що вплив клімату на продуктивність рослин переломлюється через ґрунт. Тому до встановлених балів його продуктивного значення, або відносних величин БКП, потрібна поправка на якість ґрунту. Такий виправлений бал характеризуватиме вже бонітет ґрунту на фоні певних кліматичних умов.

Біокліматичний потенціал території зумовлює зональний тип спеціалізації сільського господарства, системи землеробства та інші особливості сільськогосподарського виробництва.

Теоретично можливу врожайність рослин залежно від вмісту вологи в ґрунті та кількості атмосферних опадів, що випадають за вегетаційний період, можна обчислювати за формулою І.В. Циганова. Модель зручна для розрахунків, число параметрів досить інформативне. Розрахунок урожайності (за Цигановим):

_(ЯЯ-ЯЗ) + (0,5-Р-10) г, m i га ” де ВУт/га - імовірнісна теоретична урожайність; НВ - весняний запас води при найменшій вологоємності в метровому шарі ґрунту, т/га;

ВЗ - запас води при вологості в'янення в метровому шарі ґрунту, т/га;

Р - середньорічні опади, мм;

0,5 - коефіцієнт корисності літніх опадів;

10 - перевідний коефіцієнт, мм у т/га;

Т К - транспіраційний коефіцієнт, т/га;

К - коефіцієнт відношення основної продукції до побічної.

Наприклад, для умов Чорнозем'я при весняному запасі води в метровому шарі ґрунту, що дорівнює 3000 т/га, вологості в'янення в цьому ж шарі - 1200 т/га, середніх багаторічних опадах за час вегетації ячменю, що дорівнюють 250 мм, транспіраційному коефіцієнті ячменю, що дорівнює 534, та відношенні зерна до соломи як 1:2, урожайність ячменю становитиме: д у = (3000-1200) + (250-а5-10).1 т/г,

Слід зазначити, що частою причиною розриву між теоретично можливими та практичними врожаями є низький рівень родючості ґрунтів, якості посівного матеріалу та порушення агротехнічних вимог вирощування сільськогосподарських культур.

Одним із можливих варіантів прогнозу врожайності може слугувати модель В.Г. Сичова, яка реалізується за такими принципами.

Продуктивність сільськогосподарських рослин залежить від біологічних особливостей, родючості ґрунтів, агротехніки та метеорологічних умов. Щоб прийняти рішення про зміну структури посівних площ і перерозподіл ресурсів господарства, необхідно знати, який врожай дає та чи інша культура в конкретних, мінливих, погодних умовах певного року. Маючи такий прогноз, можна вирішувати питання про структуру посівів (вибір сорту, норму висіву насіння, дози добрив тощо) і з урахуванням особливостей року активно впливати на величину врожаю. Вирішення перерахованих завдань залежить від завчасності відомостей, що надходять, хоча б за місяць до початку сівби. Однак складати прогноз урожайності відповідно до метеопрогнозу недоцільно. Розумніше, використовуючи метеодані, безпосередньо встановити їх зв'язок з урожайністю та іншими характеристиками. Автором запропоновано імітаційну модель прогнозу коригування площ (на основі прогнозу врожаю) культур для певного року за такою схемою. Створюється банк даних, що містить статистичні матеріали, дослідні дані Географічної мережі та Гідрометеослужби. Змінні величини: велике число показників температури повітря, кількості опадів, запасів вологи в ґрунті; вміст поживних речовин: нітратного азоту, рухомих форм калію та фосфору, винос поживних речовин, коефіцієнти використання азоту, фосфору, калію з добрив і за природної родючості; хімічний склад рослин; рівень агротехніки, сівозміна, сорт.

Функцією слугує урожай, наприклад, озимої пшениці або картоплі. Були отримані матриці коефіцієнтів кореляції між названими вище показниками та урожаями, відібрані фактори, найбільш тісно пов'язані з урожаєм. Усі вони були розділені на дві групи залежно від коефіцієнтів кореляції: перша — r < 0,45; друга — r > 0,45.

Для кожної групи в кожному році визначається інтегральний показник:

де щ — фактор, що входить до даної групи;

Si — середнє квадратичне відхилення z-го фактора; n — число факторів у групі.

Інтегральні показники групували, створюючи роки-аналоги. Щоб дані різних років були порівнянними між собою, фактори були представлені в частках до попереднього або наступного року (відносні величини). Отримані результати показали цікаві закономірності. Наприклад, у рік, що передує «зерновому року», коефіцієнти використання поживних речовин були вищими, ніж в інші роки, змінився також хімічний склад рослин. Прийнято вважати, що коефіцієнти використання зерновими культурами NPK мінеральних добрив в середньому для азоту дорівнюють 60%, фосфору — 20, калію — 70%, а в послідовності відповідно 10, 15 і 10%. Однак коливання коефіцієнтів використання поживних речовин для азоту становлять 30-85%, фосфору — 20-35, калію — 30-75%. Із ґрунту зернові культури можуть засвоїти 20% азоту, 5 — фосфору і 20% калію, хоча крайні значення цих коефіцієнтів також сильно змінюються залежно від сільськогосподарських культур, сорту, агротехніки, ґрунтових і погодних умов і, як показали результати аналізу, вони можуть слугувати характеристикою прогнозу. Описана схема дозволяє припустити можливість прогнозу урожайності культури за роками. Питання в тому, які змінні фактори краще обрати, який математичний апарат застосувати — ще належить вирішувати. На даному етапі запропоновану схему розрахункового прогнозу за роками-аналогами слід розглядати як експеримент і розвивати його в цьому напрямку.

Методика встановлення залежності урожайності від рівня водозабезпеченості сільськогосподарських культур. Аналіз експериментальних даних (у тому числі й численних закордонних даних) залежності урожайності сільськогосподарських культур від рівня водозабезпеченості свідчить про те, що вплив відносного зниження водозабезпеченості рослин на відносне зниження їх урожайності не має зонального характеру, тобто не має територіальної мінливості.

Найповніша за кількістю і якістю статистика є щодо зв'язків між урожайністю та сумарним водоспоживанням сільськогосподарських культур.

Залежність зниження урожайності сільськогосподарських культур від рівня їх водозабезпечення для випадку рівномірного протягом вегетації накопичення дефіциту води в узагальненому вигляді формалізується параболічною кривою.

У відносних одиницях вимірювання аналітична залежність має такий вигляд: щ =А+в ■а£vi +С- а£*. де AYi — відносне зниження урожайності в частках від розрахункової (максимальної, планової, проєктної);

А ^ vi — відносне зниження водозабезпечення (фактичного водоспоживання) культури в частках від

Елементи рівняння (18) визначаються таким чином:

M vi = 1 де оптимальне водоспоживання (евапотранспірація) при оптимальному рівні водозабезпечення рослин, мм або м3/га; у

Evi — водоспоживання при фактичному водозабезпеченні рослин, мм або м3/га;

Ур — урожайність при оптимальному водозабезпеченні рослин і реалізованому рівні агротехніки, ц/га або т/га;

У* — фактична урожайність культури при дефіцитному водозабезпеченні рослин, ц/га або т/га.

Слід зазначити, що оптимальне водоспоживання Evonm спостерігається при підтримці запасів вологи в ґрунті в межах від НВ (найменшої вологоємності) до певної критичної вологості, що відповідає ВРК (вологості розриву капілярних зв'язків).

Для зрошуваних ґрунтів критична вологість ґрунту /Зкр орієнтовно дорівнює:

Аср = 0 5 (/? Н В + /? з) ’ де /?нв — вологість ґрунту, що відповідає найменшій вологоємності, % від маси;

/?3- вологість завядання, % від маси.

У цій роботі j3Kp (поріг допустимого висушування ґрунту) визначається за формулою

Д, = 0,3614+1,476-3 9.524-Ш7- W2m, де WHB- найменша вологоємність ґрунту, мм.

При зниженні вологості ґрунту нижче критичної водозабезпечення рослин погіршується, відповідно до чого знижується їх урожайність.

Прийняте в розрахунках оптимальне водоспоживання Evonm відповідає умовам підтримки запасу вологи в кореневмісному шарі ґрунту в межах від НВ (найменшої вологоємності) до певної критичної вологості, що відповідає ВРК (вологості розриву капілярних зв'язків).

Відносне зниження урожайності (ОСУР) А У визначається за рівняннями зв'язку. Відмінності між встановленими залежностями, які наводяться в роботах вітчизняних і закордонних авторів, пояснюються передусім кількістю і якістю використаних експериментальних і статистичних даних,

Для складання рівнянь зв'язку урожайності з поливною нормою також прийняті емпіричні рівняння параболи. При цьому сумарний дефіцит оптимального водоспоживання приймається рівним оптимальній поливній нормі.

Використовуючи наведені в табл. 28 рівняння зв'язку, можна встановити відносні й абсолютні значення зниження урожайності від нестачі водозабезпечення інших сільськогосподарських культур, що вирощуються в регіоні. Приклад розрахунку 1. Відносне зниження урожайності залежно від природної водозабезпеченості люцерни на сіно

Поливна норма, мм Урожай, ц/га Зона Рік Сумарне водоспоживання, мм Природна вологозабезпеченість, мм Нестача вологи при природній вологості Відносне зниження урожайності

Лісостеп Середньовологий Р=25% 490 140 350 0,25 0,15 13,5 76,5 Середній Р=50% 510 180 330 0,32 0,22 19,4 70,6

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

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

Якщо оптимальне водоспоживання культури за вегетаційний період, AEV - дефіцит водоспоживання (поливна норма), то природна водозабезпеченість

При цьому відносна нестача природної водозабезпеченості визначається як А1 = 1 - Ev /Егопт.

Лісостепова зона (Ку = 0,6).

Середньосухий рік (75% забезпеченості).

Урожайність Ур = 90 ц/га.

Згідно з таблицею 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 чином, при зниженні водозабезпеченості люцерни на 44,5% від рівня оптимальної, урожайність сіна знизиться на 36 % від Ур і становитиме

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

Урожайність люцерни (сер. 90 ц/га) при нестачі Ц/га природної вологозабезпеченості

Рис. 27. Графіки залежності урожайності від природної вологозабезпеченості

Приклад розрахунку 2. Відносне зниження урожайності люцерни при зниженні поливної норми порівняно з оптимальною в різні за вологістю роки (Уральський федеральний округ, лісостепова зона)

Зона Рік Водоспоживання, мм Поливна норма, мм

Лісостепова Середньовологий Р=25% 360 90 Ку = 0,51-0,65 Середній Р=50% 530 160

Середньосухий Р=75% 580 240

Сухий Р=95% 640 350

Середнє значення урожайності 90 ц/га.

AEvi - зниження поливної норми;

Ayi - відносне зниження урожайності;

відносне зниження водозабезпечення;

Уг = -0,002+0,33 07 2 - рівняння зв'язку.

Послідовність розрахунку представлена в табл. 29. У графі 1 наведено градацію відносного зниження оптимальної поливної норми через 0,1, тобто через кожні 10%, у графі 2 - залишкове водозабезпечення відповідно в роки 25, 50, 75 та 95%-ної забезпеченості, у графі 3 - відносне зниження водозабезпечення A/vz. За рівнянням зв'язку для люцерни визначається відносне зниження урожайності у х(графа 4) залежно від зниження поливної норми (водозабезпечення). Взявши середнє значення урожайності люцерни при оптимальному водозабезпеченні 90 ц/га, обчислено фактичне зниження урожайності (графа 5), у графі 6 наведено очікувану урожайність, ц/га.

За результатами розрахунку побудовано графіки, наведені на рис. 28.

Таблиця 29

Відносне зниження поливної норми, мм Відносне зниження водозабезпечення Відносне зниження урожайності Фактичне зниження урожайності, ц/га Урожайність, ц/га

1 2 3 4 5 6

0,1 351 514 556 605 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

0,6 306 434 436 430 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

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

0,8 288 402 388 360 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

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

1,0 270 370 340 290 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

Втрати урожайності 90 ц/га при зниженні поливної норми

Рис. 28. Залежність урожайності від зниження поливної норми

Дані табл. 30 рекомендуються як основна методична передумова для вирішення проблеми в конкретному природному регіоні. Наведені залежності є усередненими, тому в конкретних природних умовах можуть коригуватися з урахуванням місцевих ґрунтово-кліматичних особливостей.

Рівняння зв'язку культура ність Р, % Зернові колосові 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 пізня 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

Лісостепова зона Люцерна на сіно 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 Зернові колосові 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 пізня 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 помірних степів Люцерна на сіно 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 Зернові колосові 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 пізня 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 степів Люцерна на сіно 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 Зернові колосові 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

Продовження табл. 30 Сільськогосподарська Забезпеченість

Рівняння зв'язку культура ність Р, % Капуста пізня 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

Примітка. За матеріалами роботи. Базове рівняння: AYi = а сА Хг, де AYi - відносне зниження урожайності (у частках від розрахункової, відносне зниження зрошувальної норми (у частках від оптимальної); а, Ь, с - параметри рівняння.