На сучасному етапі у світовій агрометеорологічній практиці одним із найбільш відомих засобів моніторингу умов росту і розвитку сільськогосподарських культур та прогнозування їх врожайності є система CGMS (Crop Growth Monitoring System). В УкрГМІ спільно з УкрГМЦ здійснено методичну і технологічну адаптацію цієї системи для оцінки умов вирощування озимої пшениці в Україні, яка полягала у вирішенні наступних завдань:

1. створення баз метеорологічних і агрометеорологічних даних (проінтерпольованих у сітку грідів 50Х50 км), бази даних по властивостях грунтів (була використана карта ґрунтів у масштабі 1:2 500 000), бази даних по урожайності сільськогосподарських культур (надані відділом агрометеорології УкрГМЦ) за відповідною структурою CGMS у форматі MSAccess;
2. ідентифікація таксономічних одиниць моделювання, що використовуються в оригінальній версії CGMS для території Європейського континенту (NUTS, SMU, EMU) та у межах території України;
3. технологічна адаптація програмних засобів для проведення розрахунків з використанням створеної бази даних;
4. проведення чисельних експериментів і оцінка достовірності змодельованих параметрів продуктивності озимої пшениці впродовж вегетації у різних грунтово-кліматичних умовах території;
5. оцінка точності прогнозів урожайності озимої пшениці у розрізі адміністративних областей та районів України.

ЗМІСТ І СТРУКТУРА СИСТЕМИ CGMS (CROP GROWTH MONITORING SYSTEM)


Зміст роботи системи CGMS становить збір і опрацювання даних наземних метеорологічних і агрометеорологічних спостережень, моделювання параметрів продуктивності посівів сільськогосподарських культур, прогнозування урожаю сільськогосподарських культур з різною завчасністю.
Основні завдання, які можуть бути вирішені за допомогою CGMS, полягають у здійсненні агрометеорологічного моніторингу за трьома напрямками (рис.1):
1.моніторинг умов погоди у період вегетації сільськогосподарських культур;
2.моніторинг стану посівів сільськогосподарських культур та моделювання продуктивності рослин за певних метеорологічних умов;
3.статистичний аналіз отриманих даних і прогнозування урожайності сільськогосподарських культур.


Рис. 1. Загальна структура системи CGMS

Вхідна інформація. Для функціонування системи на кожному з аналітичних рівнів необхідним є створення комплексної бази вхідних даних. Основна інформація, яка використовується в CGMS – це щоденні метеорологічні дані (характеристики радіаційного, термічного режиму і режиму зволоження території), агрометеорологічні дані (щорічні дати початку, закінчення і тривалості вегетаційних циклів культур), дані про біологічні властивості культур та особливості їх вирощування (сортовий склад, показники світло-, тепло- та вологопотреби, типологічні ознаки за потребою у факторах життя, критичні значення метеорологічних величин у різні фази розвитку тощо), дані про властивості грунтів (генетико-морфологічні ознаки, основні фізико-хімічні і агрогідрологічні характеристики).

Більшість метеорологічних та агрометеорологічних величин, які заносяться у базу даних, визначаються шляхом безпосередніх вимірювань на гідрометеорологічних станціях. Розрахунковим способом отримують значення сумарної сонячної радіації (за методами Ангстрема-Прескота (1940 р.), Супіта (1994 р.), Харгрівса (1985)), а також значення фізичного випаровування, транспірації, евапотрансипірації (за методами Х.Пенмана, 1956 р.). Характеристики грунтів отримують на основі картографічних та довідкових джерел. Дані по урожайності заносяться у базу даних із джерел офіційної статистики. Комплексна база даних системи CGMS створюється у форматах MSAccess або Оracle. У ній нараховується близько 85 таблиць, частина з яких вміщує вихідну інформацію зазначеного вище змісту по конкретній території. Решта таблиць вміщує проміжні та заключні результати розрахунків і заповнюється автоматично, у зв’язку з цим, при створенні бази даних її структура повинна бути чітко дотримана.

Функціонування системи CGMS. Крім комплексної бази даних, для роботи даної системи необхідні виконавчі файли CGMS.exe (вихідні програми для розрахунку і моделювання основних метеорологічних і агрометеорологічних параметрів), а також виконавчий модуль для прогнозу урожайності – CGMSBAT.exe, які відкомпельовано у Microsoft Visual C++ 6.0. Передбачається, що дана система може працювати як автономно (за прописування у СGMS.ini команд для виконання послідовності певних операцій), так і за допомогою інтерфейсу користувача, у якому оператор може самостійно, маніпулюючи різними параметрами, здійснювати необхідні розрахунки. Технологічна адаптація системи для території України виконана за другим підходом.

Моніторинг погодних умов у період вегетації сільськогосподарських культур


Загальні положення. Першим рівнем реалізації системи CGMS є моніторинг умов погоди у період вегетації сільськогосподарських культур, який складається із декількох етапів (рис.2). Основними з них є наступні:
- збір і контроль якості щоденних даних наземних метеорологічних спостережень та створення метеорологічної бази даних (по 185 гідрометеорологічних станціях України);
- просторова інтерполяція метеорологічних даних, що пройшли технічний контроль, у вузли регулярної сітки розміром 50X50 км і створення бази метеорологічних даних по вузлах сітки (для умовно однорідних грідів);
- визначення індикаторів стану погоди з добовим інтервалом (характеристики термічного режиму, максимальна, мінімальна, середня температура повітря; характеристики радіаційного режиму, тривалість сонячного сяйва, сумарна сонячна радіація; характеристики водного режиму, кількість опадів, парціальний тиск водяної пари, висота снігового покриву, фізичне випаровування, транспірація, евапотранспірація, об’ємний вміст вологи у ґрунті; додаткові характеристики швидкість вітру та ін.);
- узагальнення інформації про метеорологічні умови під час вегетації рослин (за декаду, міжфазний період, місяць); побудова карт розподілу основних метеорологічних величин; підготовка аналітичних оглядів умов погоди за різні проміжки часу у період вегетації з визначенням ступеню аномальності умов.


Рис. 2. Схема моніторингу пог одних умов у системі CGMS

Інтерполяція даних. Щоденні метеорологічні дані інтерполюються у вузли регулярної кліматичної сітки, розміром 50X50 км. На рис.3 представлена ця сітка для території України у проекції Lambert-Azimuthal. Інтерполяційний метод складається з двох етапів. На першому етапі проводиться відбір станцій, які знаходяться в однорідних фізико-географічних та кліматичних умовах і розташовуються поблизу центру кліматичної сітки.


Рис. 3. Регулярна кліматична сітка (50X50км)


Кількісним критерієм, за яким здійснюється відбір станцій, є так званий індекс відмінності станцій (S), що визначається за формулою



Чим менше значення індексу відмінності S, тим більша „подібність” станцій між собою. Як правило, для процедури інтерполяції метеорологічних величин у вузол регулярної кліматичної сітки використовуються дані чотирьох станцій, що вибираються на основі показника S, розрахованого для шести-семи станцій, найменш віддалених від вузла сітки.
На другому етапі на основі даних спостережень станцій, що були визначені як подібні між собою, знаходять середні значення метеорологічних величин у кожному із вузлів кліматичної сітки. Дані по кількості опадів, на відміну від решти метеорологічних величин, не осереднюються для вузла сітки, а використовуються безпосередньо по найбільш репрезентативній станції у межах певного гріду. Наповненість метеорологічної бази даних по всіх грідах повинна бути не менше 80 %, тому, якщо за конкретну дату дані відсутні, вони замінюються середніми багаторічними значеннями показника.

Агрометеорологічний моніторинг формування урожайності сільськогосподарських культур


Загальні положення. Моніторинг формування урожайності сільськогосподарських культур передбачає три етапи робіт:
- моделювання продукційного процесу рослин з метою отримання індикаторів потенційної продуктивності посівів;
- просторова агрегація індикаторів продуктивності сільськогосподарських культур у межах адміністративних територіальних одиниць;
- комплексна кількісна і якісна оцінка стану посівів сільськогосподарських культур.
Взаємозвязки між складовими системи агрометеорологічного моніторингу відображенно на рис.4.


Рис. 4. Функціональні та інформаційні блоки системи моніторингу формування урожайності сільськогосподарських культур


Моделювання продукційного процесу рослин. Основою системи моніторингу формування урожайності сільськогосподарських культур є динамічна точкова модель WOFOST (Keulen and Wolf, 1986; van Diepen et al., 1988; 1989; Hijmans et al., 1994). У моделі WOFOST формування урожаю сільськогосподарських культур описується на основі екофізіологічних процесів в агроекосистемі. Основними з них є: фенологічний розвиток, асиміляція СО2 і утворення сухої речовини, розподіл асимілятів по різних органах, транспірація, дихання. Процес фотосинтезу моделюється на трьох рівнях у рослинному покриві тричі на добу. Інтегральна величина накопиченої сухої органічної речовини визначається за світлий період доби для всієї товщі рослинного покриву. Після вирахування величини втрат на дихання (пов’язаного з підтриманням структур органів рослини, а також із пересуванням речовин і утворенням нових структурних одиниць – білків, ліпідів, клітинних стінок тощо), сумарна величина сухої біомаси “розподіляється” по різних органах рослини – листках, стеблах, коренях, зернівках з урахуванням швидкості розвитку цих органів за добу, яка є функцією температури повітря (рис.5).


Рис. 5. Схема моделювання продукційного процесу рослин


Потенційна продуктивність рослин визначається для двох ситуацій – сприятливі умови зволоження та умови недостатнього вологозабезпечення. Для оцінки потенційно сприятливих умов враховується температура повітря, тривалість дня, сонячна радіація і характеристики рослинного покриву (динаміка площі листкової поверхні, характеристики інтенсивності асиміляції СО2 та розподілу сухої органічної речовини по органах рослини). Вологість ґрунту вважається незмінною і рівною оптимальній. Для варіанту недостатнього вологозабезпечення додатково враховується баланс ґрунтової вологи за умов глибокого залягання ґрунтових вод, які не впливають на вологообмін у кореневмісному шарі. Рівні внесення добрив в обох варіантах приймаються за оптимальні для конкретної культури. Накопичення сухої органічної речовини у надземних органах та коренях рослин моделюється для обох варіантів протягом всього вегетаційного циклу від сівби до достигання з часовим інтервалом 1 день. Негативний вплив на продукційний процес рослин шкідників, хвороб, бур’янів, екстремальних погодних явищ (окрім високих температур) безпосередньо у процесі моделювання не враховується. З 2016 року було адаптовано модуль впливу високих температур повітря на формування продуктивних органів. В якості вхідних параметрів моделі використовуються характеристики погодних умов (щоденні метеорологічні дані), характеристики біологічних властивостей культур (показники тепло- і вологопотреби), характеристики властивостей ґрунтів (глибина кореневмісного шару, пористість, агрогідрологічні константи), показники, що відображають особливості технології вирощування рослин (терміни сівби і настання основних фаз розвитку культури та ін.). Основними параметрами продуктивності посівів сільськогосподарських культур, які моделюються за умов достатнього та недостатнього зволоження з декадним інтервалом, є наступні:

- потенційна загальна суха біомаса сільськогосподарських культур;
- потенційна суха біомаса продуктивних органів;
- індекс листкової поверхні;
- загальне водоспоживання посіву;
- загальна вологопотреба посіву.

Просторова схематизація розрахунків і агрегація показників продуктивності посіву. Базова модель WOFOST – це точкова модель продукційного процесу. Для того, щоб за нею отримувати достовірні показники продуктивності культур у межах території великого масштабу (країни, області тощо), необхідно дану територію диференціювати на таксони, умовно однорідні за характеристиками метеорологічних умов, властивостей грунтів, належності до певної адміністративної одиниці. За такого підходу, змодельовані індикатори продуктивності певної сільськогосподарської культури є репрезентативними для однорідної територіальної одиниці і відрізняються від характеристик продуктивності цієї культури у відмінних метеорологічних і грунтових умовах. Крім того, оскільки параметри продуктивності використовуються у статистичній підсистемі прогнозування урожайності, то вони повинні бути узагальнені і на рівні адміністративних одиниць. У розрахунковій схемі CGMS використовуються такі таксономічні одиниці:

GRID – таксономічна одиниця з однорідними кліматичними (погодними) умовами, геометричним центром якої є вузол регулярної кліматичної сітки;
SMU (Soil Mapping Unit) – таксономічна одиниця із однорідним грунтовим покривом або ОҐО (однорідна ґрунтова одиниця);
NUTS – (Nomenclature des Unites Territoriales Statistiques) – адміністративні територіальні одиниці або ОАП (одиниця адміністративного поділу):
ОАП-0 – рівень держави;
ОАП-1 – макрорівень (адміністративна область);
ОАП-2 – субрегіональний рівень (адміністративний район)
EMU (Elementary Mapping Unit) – елементарна картографічна одиниця (ЕКО), яка є результуючою поєднання всіх розглянутих таксонів і в межах якої моделюються параметри продуктивності посівів сільськогосподарь ких культур (рис. 6).


Рис. 6. Схема виділення елементарних картографічних одиниць (ЕКО)


Для виділення елементарних картографічних одиниць України було взято карту грідів 50х50 км, карту ґрунтів у масштабі 1: 2 500 000 та карту адміністративного поділу України на рівні районів. В результатів накладання цих трьох карт (рис.7) було виділено 6913 ЕКО, для кожної з яких і застосовується точкова модель продукційного процесу WOFOST.

your caption here Рис. 7. Схема виділення елементарних картографічних одиниць (ЕКО) для України


Щодекадно параметри продуктивності сільськогосподарських культур, розраховані для кожної ЕКО, агрегуються на рівні кліматичних грідів і адміністративних територіальних одиниць (районів, областей, країни). За оцінкою просторового розподілу характеристик продуктивності культур у межах досліджуваної території можуть бути виявлені регіональні особливості формування урожайності цих культур та розроблені певні рекомендації щодо регулювання виробничого процесу. Метод об’єднання (агрегації) окремих EMU у гріди (GRID) базується на врахуванні вагового показника кожної EMU у межах даного гріда. Ваговий показник EMU визначається за відношенням площі грунтів, придатних для вирощування тієї чи іншої культури у межах даної EMU, до загальної площі придатних грунтів для цієї культури у межах всього гріда (по всіх ЕКО). Об’єднання змодельованих параметрів продуктивності культури на адміністративних територіальних рівнях здійснюється за цими ж принципами. Зокрема, для території адміністративного району агрегований показник продуктивності визначається за формулою



За формулою (2) також можуть бути визначені агреговані показники продуктивності посівів сільськогосподарських культур і на інших територіальних рівнях – адміністративної області чи країни у цілому.


Принципи і методи прогнозування урожайності сільськогосподарських культур


Загальна схема і методи прогнозу. Система CGMS дозволяє отримувати достатньо точні прогнози урожайності основних сільськогосподарських культур різної завчасності на загальноєвропейському, національному і регіональному рівнях. Схема прогнозу реалізовується з використанням різних видів вхідної інформації: статистичної (розрахункова та фактична урожайність), метеорологічної (показники термічний умов, умов освітлення та зволоження території), розрахованих за WOFOST параметрів продуктивності посівів (загальна потенційна суха біомаса, потенційна біомаса продуктивних органів, індекс листкової поверхні), вегетаційних індексів, визначених за даними дистанційного зондування Землі, а також різної довідкової інформації. У схемі прогнозу використовуються різні методи і програмні засоби (рис.8).
На першому етапі прогноз урожайності певної сільськогосподарської культури розробляється за допомогою підсистеми статистичного аналізу CGMS, у якій використовуються статистичні дані про урожайність даної культури у межах досліджуваної території і визначені розрахунковим шляхом різні агрометеорологічні предиктори.


Рис. 8. Алгоритм прогнозу урожайності в системі CGMS


Основою даної статистичної підсистеми є регресійна модель, запропонована Воссеном (1990, 1992). У ній враховується середня урожайність, лінійний часовий тренд і лінійна регресійна функція, що описує випадкові коливання урожайності. Дана прогностична модель може бути представлена у наступному вигляді



Лінійний часовий тренд відображає вплив багаторічної динаміки економічних і технологічних чинників, таких як використання добрив, застосування нових сортів, покращення методів обробітку ґрунту і догляду за посівами та ін. Випадкові коливання урожайності відображають вплив міжрічної мінливості метеорологічних умов. Вони визначаються як функція ростових процесів і накопичення сухої біомаси рослин у конкретних агрометеорологічних умовах року.
Якщо для певної території чи культури прогноз урожайності на основі розглянутої лінійної регресійної моделі виявиться недостатньо точним, то у схемі прогнозування передбачена можливість здійснення перерахунку часового тренду або зміни параметрів рівняння регресії. Крім того, якщо дана схема не дає точний прогноз, експерти можуть застосовувати інші прогностичні моделі, розроблені для даної території. Більшість сучасних прогностичних моделей урожайності базуються на використанні параметрів продуктивності посіву (індексу листкової поверхні, CNDVI тощо), тому вони можуть бути використані у прогностичній схемі CGMS, що передбачає врахування цих параметрів.
Наступним етапом розробки прогнозу урожайності є застосування сценарного аналізу. Цей підхід базується на знаходженні року-аналогу за агрометеорологічними умовами до року, для якого складається прогноз. У сценарному аналізі використовуються елементи кластерного, факторного аналізів і методу головних компонент. Сценарний аналіз дозволяє визначити, яким чином може змінитись прогностична величина урожайності під впливом метеорологічних умов після моменту складання прогнозу і до збирання врожаю.
У випадку, якщо жоден із розглянутих методів прогнозу не забезпечує достатньої точності, застосовується метод згладженого середнього. У цьому підході використовуються дані про урожайність культури за останні 5 років і її середнє значення розраховується за трьома „середніми” роками.
Експерти, які працюють із CGMS, можуть вибирати різні підходи до прогнозування урожайності, залежно від доступної інформації, і надавати прогностичні показники по певній культурі та регіону, враховуючи всі отримані у процесі аналізу результати. Наприклад, розраховані низькі значення урожайності за сценарним аналізом можуть вважатись достовірними, якщо у вегетаційний період відзначались несприятливі умови і явища, але вони не були виявлені за результатами моделювання за WOFOST (сильні зливи під час збору врожаю, хвороби рослин тощо). Тобто, вся інформація, отримана за різними засобами CGMS, повинна бути перевірена і взаємно співставлена.

Система CGMS дозволяє спеціалістам оперувати додатковою аналітичною інформацією і ефективно вирішувати широкий спектр виробничих і проектних завдань.

Результати роботи системи CGMS