Зависимость урожайности от количества выпавших осадков есть пример стохастической связи

Добавил пользователь Alex
Обновлено: 19.09.2024

(вероятностная, статистическая) - зависимость между случайными величинами, к-рая выражается в изменении условных распределений любой из величин при изменении значений других величин. Виды С. з. многообразны: если случайные величины не являются взаимно независимыми, то им в той или иной степени свойственна С. з. Одним из наиболее общих типов С. з. является корреляционная зависимость (см. Корреляция, Регрессия). Из конкретных видов С. з. наиболее изучена марковская зависимость (см. Маркова цепь, Марковский процесс, Марковское свойство).
См., кроме того, Случайный процесс, Стационарный случайный процесс.

Математическая энциклопедия. — М.: Советская энциклопедия . И. М. Виноградов . 1977—1985 .

Смотреть что такое "СТОХАСТИЧЕСКАЯ ЗАВИСИМОСТЬ" в других словарях:

Стохастическая зависимость — [stochastic dependence] зависимость между случайными величинами, проявляющаяся в том, что изменение закона распределения одной из них происходит под влиянием изменения другой … Экономико-математический словарь

стохастическая зависимость — stochastinė priklausomybė statusas T sritis fizika atitikmenys: angl. stochastic dependence vok. stochastische Abhängigkeit, f rus. стохастическая зависимость, f pranc. dépendance stochastique, f … Fizikos terminų žodynas

Зависимость Стохастическая — зависимость между случайными величинами, при которой изменение закона распределения одной из них происходит под влиянием изменения другой. Словарь бизнес терминов. Академик.ру. 2001 … Словарь бизнес-терминов

ЗАВИСИМОСТЬ, СТОХАСТИЧЕСКАЯ — зависимость между случайными величинами, проявляющаяся в том, что изменение закона распределения одной из них происходит под влиянием изменения другой … Большой экономический словарь

С — Сальдо (balance) Cальдо внешней торговли [balance of trade] Сальдо государственного бюджета [balance of state bud­get] Сальдо торгового баланса см. Сальдо внешней … Экономико-математический словарь

dépendance stochastique — stochastinė priklausomybė statusas T sritis fizika atitikmenys: angl. stochastic dependence vok. stochastische Abhängigkeit, f rus. стохастическая зависимость, f pranc. dépendance stochastique, f … Fizikos terminų žodynas

stochastic dependence — stochastinė priklausomybė statusas T sritis fizika atitikmenys: angl. stochastic dependence vok. stochastische Abhängigkeit, f rus. стохастическая зависимость, f pranc. dépendance stochastique, f … Fizikos terminų žodynas

stochastinė priklausomybė — statusas T sritis fizika atitikmenys: angl. stochastic dependence vok. stochastische Abhängigkeit, f rus. стохастическая зависимость, f pranc. dépendance stochastique, f … Fizikos terminų žodynas

stochastische Abhängigkeit — stochastinė priklausomybė statusas T sritis fizika atitikmenys: angl. stochastic dependence vok. stochastische Abhängigkeit, f rus. стохастическая зависимость, f pranc. dépendance stochastique, f … Fizikos terminų žodynas

Имеется набор опытных данных, включающий в себя численные значения как условий существования объекта (процесса), так и изучаемого параметра (обозначим величины этого параметра или реальные данные , где i = 1, 2, 3, … , n – номера опытов). Для этих численных значений условий по разработанной модели определим также значения изучаемого параметра или модельные данные (). Составим таблицу:

По этой таблице построим график (рис. 6), нанеся не него также линию y=x. Чем ближе расположено облако точек графика к линии y=x, тем более достоверна и точна модель (регрессионная зависимость).

Обратите внимание, что этот способ позволяет оценить приближенность вашей модели к реальным (экспериментальным) данным в тех случаях, когда зависимость имеет сложный вид (например, колебания уровня грунтовых вод во времени, различные случаи множественной регрессии и т. д.). Для рассмотренных в задании 1 простых регрессионных зависимостей обычно вполне достаточно построенного нами графика.

Рисунок 6 . Диаграмма оценки достоверности модели

Еще один критерий достоверности – это R 2 , уровень достоверности аппроксимации, как он называется в Microsoft Excel. Более точное название, пронятое в России – коэффициент детерминации. Так называется квадрат коэффициента корреляции , который указывает на тесноту и направление связи между фактическими и модельными величинами. Он является безразмерной величиной и обозначается R. Рассчитывается по формуле:

Изменяется коэффициент корреляции от -1 до +1. Чем ближе он к +1 или к -1, тем теснее прямая или обратная линейная корреляционная связь. Считается, что при R 0,7 – сильная.


Квадрат коэффициента корреляции называется коэффициентом детерминации. Он показывает долю (%) тех изменений, которые в данном явлении зависят от изучаемого фактора.

С другой стороны, для оценки расхождения реальных и модельных значений было решено использовать коэффициент, предложенный Г. Тейлом и рекомендованный А.В. Лотовым и Н.Н. Моисеевым для экономико-математических моделей (1984). Коэффициент Тейла ( U ) вычисляется по формуле:

где Y pi и Y Mi – реальные и модельные значения соответственно; N – количество опробований.

Коэффициент Тейла изменяется от нуля до единицы. Он равен нулю в случае полного совпадения реальных и модельных значений и равен единице при очень большом их расхождении.

Другим современным критерием оценки достоверности модели является критерий Нэша – Сатклиффа , который вычисляется по формуле:

где Y pi и Y Mi – реальные и модельные значения соответственно; Y СР – среднее реальное значение.

Критерий Нэша – Сатклиффа изменяется от 0 до 100 %. Чем он больше, тем выше достоверность разработанной модели.

1.2.3. Детерминантное моделирование


Что такое математическое детерминантное моделирование?


Математическим детерминантным моделированием называется решение уравнений, описывающих объективные физические, химические или другие законы поведения изучаемого объекта (процесса) в пространстве и/или времени .

В принципе, математическое моделирование может проводиться и вручную, без использования вычислительной техники, но в настоящее время под ним подразумевается решение вышеуказанных уравнений именно на компьютерах с помощью специальных программ – моделей. Эти программы в основном базируются на специальном разделе математики – численных методах, разработанных специально для поиска решений таких уравнений, которые не решаются аналитически. Например, найти численное значение определенного интеграла, подынтегральная функция которого не поддается аналитическому интегрированию, найти значения переменной, для которой известна не ее функциональная зависимость от ряда параметров , а первая или вторая производная такой функции, возможно включающая в себя и саму искомую переменную, то есть дифференциальное уравнение.

Компьютерное математическое моделирование может использоваться и в тех случаях, когда решаемые уравнения достаточно просты, но требуют такого большого числа исходных данных, которое невозможно без ошибок и избыточных трудозатрат обработать вручную. Например, при моделировании водопотребления по методу Пенмана используются ежесуточные данные о поступлении солнечной радиации, максимальной и минимальной суточной температуре, скорости ветра, влажности воздуха и так далее.


Как связаны стохастическое и детерминантное моделирования?


При моделировании сложных объектов и явлений одни составляющие моделируются стохастически, другие детерминантно. Кроме этого, для оценки точности и достоверности моделей обоих типов могут применяться одни и те же методы теории вероятности и математической статистики.

Однако существует и более глубокая, фундаментальная связь между этими типами моделирования. Она связана с наличием погрешностей и ошибок измерения всех известных человеку величин, и накоплением этих ошибок при использовании большого числа параметров модели.

Представим себе, что мы разрабатываем так называемую продукционную модель – зависимость урожайности какой-либо сельскохозяйственной культуры от условий ее произрастания.

Во-первых, урожай зависит от обеспеченности посевов влагой: У = F ( W ) . Такая модель имеет низкую точность хотя бы потому, что не учитывает потребность растений в тепле. Добавив в модель параметр температуры, мы получим более достоверную модель У = F ( W , t ) . Затем учтем в модели такие важные параметры, кок содержание питательных элементов и гумуса, структурность почвы, фитосанитарные условия (воздействие болезней, сорняков и вредителей), содержание микроэлементов и так далее.

Мы получим целый ряд моделей с все увеличивающимся числом параметров: У = F ( W , t , p 3 , p 4 , … p n ) , точность которых, как нам кажется, должна постоянно возрастать, стремясь к какому-то уровню максимальной (100 %) точности. Конечно, не по линейному закону, ведь каждый следующий параметр имеет меньшее значение для урожая и, значит, вносит меньший вклад в повышение точности.

В реальности этого не происходит. Начиная с некоторого добавленного параметра, точность модели начинает снижаться. Это связано с накоплением ошибок (рис. 7 ).

Рисунок 7. Зависимость точности модели от числа параметров

Таким образом, при первоначальном анализе объекта и определении структуры модели необходимо найти оптимальное число учитываемых параметров, отбросив те, которые не влияют в нужной мере на моделируемый фактор, а снижают точность за счет накопления ошибок.

1.2.4. Моделирование продуктивности растений

Для прогнозирования урожайности сельскохозяйственных культур применяются различные, в основном стохастические модели продукционных процессов , то есть процессов накопления урожая в зависимости от различных климатических, почвенных и других факторов. Одной из известных моделей продуктивности растений является модель В.В. Шабанова. Она имеет вид:

где U 0 – потенциальная урожайность данной культуры при оптимальных условиях и агротехнике; К вл , К Т , К П , К зас , К загр – коэффициенты, учитывающие неоптимальное увлажнение почвы, обеспеченность теплом, питательными веществами, снижение урожайности из-за засоления и загрязнения почвы.

Набор коэффициентов может быть увеличен или уменьшен для повышения точности модели (см. предыдущий раздел).

Определить коэффициент влияния влажности на продуктивность можно по следующим формулам В.В. Шабанова:

где i – номер декады вегетационного периода; n – число декад вегетационного периода; α i – вклад каждой декады в урожайность, сумма всех α i должна быть равна единица; ω – относительная влажность расчетного (корнеобитаемого) слоя почвы в каждую декаду; θ – объемная влажность почвы; θ ВЗ – влажность устойчивого завядания; p – пористость почвы; γ – коэффициент чувствительности растения к неоптимальной влажности почвы в данную декаду.

Зависимость коэффициента β от влажности имеет нелинейную, несимметричную куполообразную форму.

Коэффициент, учитывающий влияние температуры на продуктивность определяется по аналогичной зависимости.

1.2.5. Основные особенности природных сред


Что такое сплошная среда?


Сплошная среда – механическая система, обладающая бесконечным числом внутренних степеней свободы, ее движение в пространстве описывается не координатами и скоростями отдельных частиц, а скалярным полем плотности и векторным полем скоростей.

Математические модели большой части природных процессов основываются на концепции сплошной среды.

Сплошная среда – механическая система, обладающая бесконечным числом внутренних степеней свободы, ее движение в пространстве описывается не координатами и скоростями отдельных частиц, а скалярным полем плотности и векторным полем скоростей. В зависимости от задач, к этим полям могут добавляться поля других физических величин (концентрации, температуры, поляризованности и др.). Свойство сплошной среды не изменяться с течением времени называется несжимаемостью.

Пористая среда описывается в основном как сплошная среда, свойства которой не выражаются через свойства составляющих элементов, а описываются на основе показателей, осредненных в некотором объеме (в идеальном случае – в бесконечно малом объеме). Изменяющиеся в пространстве и времени значения этих показателей образуют поле (влажности, температуры, концентрации отдельных ионов или суммы солей).

Природные и искусственные среды могут быть однофазными (твердые, жидкие, газообразные) и многофазными (атмосфера, почва, газо- и нефтесодержащие породы, суспензии и эмульсии).

Пористые среды часто встречаются в компонентах природы. В них отчетливо выражены свойства проводимости, барьерности и емкости. Физически они представляют собой скопление твердых частиц различного размера, между которыми существует свободное пространство, заполненное жидкостью, газом, суспензией или эмульсией. Природные пористые среды иногда называют псевдокапиллярными. Пористое пространство в них не является системой капилляров. Это хаотично расположенные свободные объемы между частицами твердой фазы. Общее у этого пространства с капиллярами – только малые геометрические размеры, из-за которых большое значение приобретает поверхностное натяжение и другие явления, проявляющиеся на границах раздела фаз.

Капиллярная среда часто уподобляется пористой, однако отличается более регулярной структурой пористого пространства: оно состоит как бы из системы мельчайших трубопроводов различного диаметра. Капиллярная среда представлена в основном растениями и живыми организмами. В стенках капилляров идут активные биохимические и химические процессы. Основное свойство капилляров – изменчивость во времени и пространстве.

В качестве пористых сред могут рассматриваться горные породы, строительные материалы, фильтрующие смеси.

Почва также представляют собой пористую среду, обладающую отличительными особенностями:

- деформируемость твердой фазы (сжимаемость);

- наличие трещин, размеры которых меняются при изменении влажности;

- наличие преимущественных путей фильтрации и застойных зон;

- способность к набуханию и усадке;

- возможность агрегации и дезагрегации частиц твердой фазы;

- большая площадь удельной поверхности;

- зависимость структуры порового пространства от количества жидкой фазы.

Процессы, протекающие в почвах, описываются с помощью теории фильтрации как движение жидкости в сплошной (пористой) среде.


Каковы основные свойства компонентов природы?


А.И. Голованов и И.В. Корнеев выделяют три основных свойства компонентов природы: проводимость, барьерные и емкостные свойства. Они очень важны для рассмотрения многих природных процессов и хорошо описываются математическими моделями в рамках концепции сплошной среды.

Проводимость – способность природного тела пропускать через себя потоки вещества и энергии. Потоки подразделяются на вещественные и энергетические.

Проводимость зависит от свойств самого природного тела, свойств потока вещества или энергии и от действующих сил, вызывающих этот поток, что можно выразить с помощью формулы, связывающей два основных понятия, характеризующих сплошную среду – поле P и поток Q. Поток вещества или энергии – это количество вещества или энергии, проходящее через поперечное сечение в единицу времени. Он равен произведению скорости V на площадь поперечного сечения S:

Общий вид связи между скоростью и полем

Поскольку значение поля от точки к точке практически всегда меняется непрерывно, а не скачком, приведенное выше соотношение записывают с помощью производной:

В большинстве процессов, с которыми мы встречаемся в компонентах природы, эта зависимость линейная, то есть показатель степени n равен единице:

2. Барьерные свойства . Природные компоненты обладают свойствами задерживать некоторые вещества, что можно назвать барьерностью.

В самом общем смысле барьер можно понимать как локальное нарушение проводимости, приводящее к ускорению или замедлению потоков веществ и круговоротов в целом.

Барьеры различаются по происхождению на природные и техногенные.

По принципам действия барьеры делятся на механические (твердое тело работает как фильтр); физические, обусловленные физическими процессами (при испарении вода переходит границу раздела фаз, а растворенное вещество выпадает в осадок); физико-химические, когда происходят процессы на границе раздела фаз (например, в почве это процессы адсорбции катионов в почвенно-поглощающем комплексе); химические (растворение и кристаллизация, синтез и разложение соединений); биологические (процессы, происходящие в растениях и живых организмах).

3. Емкостные свойства - это способность природных компонентов вмещать и удерживать определенное количество вещества или энергии при равновесии всех действующих сил.

Так, почва характеризуется свойством влагоемкости – способностью удерживать некоторое количество влаги, не стекающей в нижележащие слои. Емкостные свойства изменчивы и зависят от свойств природного тела (для влагоемкости почвы — от относительного объема порового пространства и размеров пор).

Контрольные вопросы и задания

Что такое математическая модель?

Что такое стохастическое моделирование?

Как проверить достоверность результатов моделирования?

Что такое математическое детерминантное моделирование?

Как связаны стохастическое и детерминантное моделирования?

Что такое проводимость?

Как проявляют себя барьерные свойства компонентов природы?

Как проявляют себя емкостные свойства компонентов природы?

Вы будете изучать

Водный режим почвы

Водно-физические свойства почвы

Овладеть методикой моделирования водного режима почвы

Сформировать представления о почвенных гидрофизических функциях

Похожие документы:

Проблемы определения содержания римского права: исторический и цивилистический подход

. как равных и свободных..201 Разграничение цивильного и общенародного . и однообразности материала, особо выделилось учебно-практическое пособие Д.В. Дождева, который в нем . начала ХХв. (историко-правовой аспект). Саратов, 2001г. С6. 2 Саллогубова Е.В. .

Печат. Вопросы совершенствования борьбы с преступностью в Эстонской сср. Тарту, 1985

. виды, квалификация / Научно-практическое пособие. Печат. Саратов, СГАП, 1999. - . Саратов): В 2 ч. / Под ред. Б.Т. Разгильдиева. – Саратов, 2005. – Ч. 1. – С. 63-67. 0,4 п.л. - 201 . в сфере экономики / Учебно-методическое пособие Саратов , 1999. 21,75 .

Б 796 Болтнев, Валентин Егорович. Экология : учеб для студ вузов, обуч по напр.: "Автоматизация технол процессов и пр-ва", "Прикл информатика" / Болтнев

\u041e\u0442\u0432\u0435\u0442:\u0422\u0430\u043a\u0430\u044f \u0441\u0432\u044f\u0437\u044c \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u0435\u0442: \u0432 \u043e\u0431\u043b\u0430\u0441\u0442\u044f\u0445 \u0432\u044b\u0441\u043e\u043a\u043e\u0433\u043e \u0434\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u043e\u0441\u0430\u0434\u043a\u043e\u0432 \u043c\u0435\u043d\u044c\u0448\u0435, \u0447\u0435\u043c \u0432 \u043e\u0431\u043b\u0430\u0441\u0442\u044f\u0445 \u043d\u0438\u0437\u043a\u043e\u0433\u043e \u0434\u0430\u0432\u043b\u0435\u043d\u0438\u044f (\u043d\u043e \u044d\u0442\u043e \u0432 \u0446\u0435\u043b\u043e\u043c, \u0430 \u0447\u0430\u0441\u0442\u043d\u043e\u0441\u0442\u0438 \u043d\u0438\u0436\u0435 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435) . \u00a0

\u0412 \u043e\u0441\u043d\u043e\u0432\u043d\u043e\u043c \u044d\u0442\u043e \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442 \u0431\u043b\u0430\u0433\u043e\u0434\u0430\u0440\u044f \u0442\u043e\u043c\u0443, \u0447\u0442\u043e \u0432 \u0432\u043e\u0437\u0434\u0443\u0448\u043d\u044b\u0445 \u043c\u0430\u0441\u0441\u0430\u0445 \u0441 \u043d\u0438\u0437\u043a\u0438\u043c \u0434\u0430\u0432\u043b\u0435\u043d\u0438\u0435\u043c \u043f\u0440\u0435\u043e\u0431\u043b\u0430\u0434\u0430\u044e\u0442 \u043a\u043e\u043d\u0432\u0435\u043a\u0442\u0438\u0432\u043d\u044b\u0435 \u0434\u0432\u0438\u0436\u0435\u043d\u0438\u044f \u0432\u043e\u0437\u0434\u0443\u0445\u0430, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0431\u043b\u0430\u0433\u043e\u043f\u0440\u0438\u044f\u0442\u0441\u0432\u0443\u044e\u0442 \u0432\u043e\u0437\u043d\u0438\u043a\u043d\u043e\u0432\u0435\u043d\u0438\u044e \u043e\u0431\u043b\u0430\u043a\u043e\u0432 \u0438 \u043e\u0441\u0430\u0434\u043a\u043e\u0432, \u0430 \u0442\u0430\u043c, \u0433\u0434\u0435 \u0434\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u043a\u043e\u043d\u0432\u0435\u043a\u0446\u0438\u044f \u0441\u043b\u0430\u0431\u0430\u044f. \u041a\u0440\u043e\u043c\u0435 \u0442\u043e\u0433\u043e, \u0432 \u0446\u0438\u043a\u043b\u043e\u043d\u0430\u0445 \u0432\u043e\u0437\u0434\u0443\u0448\u043d\u044b\u0435 \u043f\u043e\u0442\u043e\u043a\u0438 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u044b \u043a \u0446\u0435\u043d\u0442\u0440\u0443 (\u0447\u0442\u043e \u043f\u0440\u0438\u0432\u043e\u0434\u0438\u0442 \u043e\u043f\u044f\u0442\u044c-\u0442\u0430\u043a\u0438 \u043a \u043a\u043e\u043d\u0432\u0435\u043a\u0446\u0438\u0438 \u0438 \u043e\u0431\u043b\u0430\u043a\u043e\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044e) , \u0430 \u0432 \u0430\u043d\u0442\u0438\u0446\u0438\u043a\u043b\u043e\u043d\u0430\u0445 - \u043e\u0442 \u0446\u0435\u043d\u0442\u0440\u0430 (\u0447\u0442\u043e \u043f\u0440\u0438\u0432\u043e\u0434\u0438\u0442 \u043a \u0440\u0430\u0437\u043c\u044b\u0442\u0438\u044e \u043e\u0431\u043b\u0430\u0447\u043d\u043e\u0441\u0442\u0438) . \u0412 \u043c\u0435\u0442\u0435\u043e\u0440\u043e\u043b\u043e\u0433\u0438\u0438 \u044d\u0442\u043e \u043d\u0430\u0437\u044b\u0432\u0430\u0435\u0442\u0441\u044f \u0441\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u044c \u0438 \u0440\u0430\u0441\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u044c \u0432\u043e\u0437\u0434\u0443\u0448\u043d\u044b\u0445 \u0442\u0435\u0447\u0435\u043d\u0438\u0439 \u0432 \u0431\u0430\u0440\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f\u0445. \u00a0

\u0411\u043e\u043b\u044c\u0448\u0438\u043d\u0441\u0442\u0432\u043e \u043c\u0435\u0441\u0442, \u0433\u0434\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043e\u0441\u0430\u0434\u043a\u043e\u0432 \u0432\u044b\u0441\u043e\u043a\u043e\u0435 - \u044d\u0442\u043e \u043e\u0431\u043b\u0430\u0441\u0442\u0438 \u043d\u0438\u0437\u043a\u043e\u0433\u043e \u0434\u0430\u0432\u043b\u0435\u043d\u0438\u044f (\u0432\u043d\u0443\u0442\u0440\u0438\u0442\u0440\u043e\u043f\u0438\u0447\u0435\u0441\u043a\u0430\u044f \u0437\u043e\u043d\u0430 \u043a\u043e\u043d\u0432\u0435\u0440\u0433\u0435\u043d\u0446\u0438\u0438 \u0438\u043b\u0438 \u0438\u043d\u0430\u0447\u0435 \u043e\u0431\u043b\u0430\u0441\u0442\u044c \u044d\u043a\u0432\u0430\u0442\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u043a\u043b\u0438\u043c\u0430\u0442\u0430, \u0437\u0430\u043f\u0430\u0434\u043d\u0430\u044f \u041a\u043e\u043b\u0443\u043c\u0431\u0438\u044f - \u0432 \u044d\u0442\u043e\u043c \u0441\u043b\u0443\u0447\u0430\u0435 \u0431\u043e\u043b\u044c\u0448\u0443\u044e \u0440\u043e\u043b\u044c \u0438\u0433\u0440\u0430\u0435\u0442 \u043e\u0440\u043e\u0433\u0440\u0430\u0444\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0444\u0430\u043a\u0442\u043e\u0440, \u044e\u0436\u043d\u043e\u0435 \u0427\u0438\u043b\u0438, \u0414\u0430\u043b\u044c\u043d\u0438\u0439 \u0412\u043e\u0441\u0442\u043e\u043a \u0420\u043e\u0441\u0441\u0438\u0438 \u0438 \u043f\u0440\u043e\u0447\u0435\u0435) . \u041d\u043e \u0435\u0441\u0442\u044c \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043c\u0435\u0441\u0442, \u0433\u0434\u0435 \u0434\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u043d\u0435 \u0441\u0432\u044f\u0437\u0430\u043d\u043e \u0441 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e\u043c \u043e\u0441\u0430\u0434\u043a\u043e\u0432, \u0430 \u0441 \u043e\u0440\u043e\u0433\u0440\u0430\u0444\u0438\u0435\u0439 \u043b\u0438\u0431\u043e \u043d\u0430\u0445\u043e\u0436\u0434\u0435\u043d\u0438\u0435\u043c \u0432 \u043c\u043e\u0440\u0441\u043a\u043e\u043c \u043a\u043b\u0438\u043c\u0430\u0442\u0435 (\u0427\u0435\u0440\u0440\u0430\u043f\u0443\u043d\u0434\u0436\u0438 \u0438 \u0413\u0430\u0432\u0430\u0439\u0441\u043a\u0438\u0435 \u043e\u0441\u0442\u0440\u043e\u0432\u0430) . \u00a0

\u0427\u0442\u043e \u043a\u0430\u0441\u0430\u0435\u0442\u0441\u044f \u043e\u0431\u043b\u0430\u0441\u0442\u0435\u0439 \u0432\u044b\u0441\u043e\u043a\u043e\u0433\u043e \u0434\u0430\u0432\u043b\u0435\u043d\u0438\u044f, \u0442\u043e \u0437\u0434\u0435\u0441\u044c \u0441\u0432\u044f\u0437\u044c \u0442\u043e\u0436\u0435 \u043d\u0435 100%. \u0422\u0430\u043a \u0432\u043e\u0441\u0442\u043e\u0447\u043d\u044b\u0435 \u043f\u043e\u0431\u0435\u0440\u0435\u0436\u044c\u044f \u043a\u043e\u043d\u0442\u0438\u043d\u0435\u043d\u0442\u043e\u0432 \u0434\u0430\u0436\u0435 \u0432 \u0442\u0440\u043e\u043f\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u043a\u043b\u0438\u043c\u0430\u0442\u0435 (\u043f\u043e\u044f\u0441 \u0432\u044b\u0441\u043e\u043a\u043e\u0433\u043e \u0434\u0430\u0432\u043b\u0435\u043d\u0438\u044f) \u0438\u043c\u0435\u044e\u0442 \u043e\u0447\u0435\u043d\u044c \u0431\u043e\u043b\u044c\u0448\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043e\u0441\u0430\u0434\u043a\u043e\u0432 \u0431\u043b\u0430\u0433\u043e\u0434\u0430\u0440\u044f \u043c\u0443\u0441\u0441\u043e\u043d\u043d\u044b\u043c \u0434\u043e\u0436\u0434\u044f\u043c.

Установлена зависимость урожайности пшеницы от температуры и уровня осадков - фото

Научные сотрудники Университета штата Канзас ( University of Kansas) выявили зависимость урожайности пшеницы от температуры и уровня осадков в осенне-весенний период.

Результаты исследования специалистов Университета штата Канзас позволяют оценить влияние среднемесячных температур и уровня осадков на урожайность пшеницы, выращиваемой в районах неорошаемого и орошаемого земледелия. Теперь мы знаем, что заморозки на почве приводят к сокращению урожайности в среднем на 8 и более бушелей с акра, пояснил Холман. Вооруженные этими данными селекционеры должны работать над тем, чтобы минимизировать потери урожайности из-за заморозков. По его мнению, ученые еще не до конца понимают механизм влияния температуры окружающей среды и уровня осадков на урожайность пшеницы. Вместе с тем, результаты исследования указывают на то, что теплая погода в октябре-ноябре, ранней весной (апрель) и в июне приводит к снижению урожайности, а тепло поздней весной, наоборот, стимулирует рост урожайности.
Один из важных моментов, на который обращают внимание авторы исследования, — это различие средних показателей урожайности пшеницы, выращиваемой в районах орошаемого и неорошаемого земледелия. Результаты многолетних наблюдений, проведенных за последние 55 лет, свидетельствуют, что урожайность в районах орошаемого земледелия превышает средние показатели районов неорошаемого земледелия на 18 бушелей/акр.
По словам Джона Холмана, за период наблюдений средний прирост урожайности пшеницы в районах орошаемого земледелия на западе штата Канзас составил порядка 0,5 бушелей/акр в год, а в районах неорошаемого земледелия на юго-западе и на северо-западе штата — 0,3 и 0,8 бушелей/акр в год соответственно. Полученные результаты свидетельствуют о том, что зона неорошаемого земледелия на северо-западе штата Канзас более пригодна для выращивания озимой пшеницы, чем юго-запад этого штата. Исследователи не отметили существенных различий показателей урожайности пшеницы, выращенной в зоне орошаемого земледелия на северо-западе и юго-западе штата Канзас. В будущем усилия агрономов и селекционеров должны быть направлены на то, чтобы улучшить способность укоренения и повысить морозоустойчивость озимой пшеницы, выращиваемой в зоне неорошаемого земледелия на юго-западе штата. Необходимо также повысить устойчивость озимой пшеницы, выращиваемой в районах орошаемого и неорошаемого земледелия, к осеннему теплу и высоким температурам в июне, указал Джон Холман.

Мэри Лу Питер (Mary Lou Peter), сотрудник программы сельскохозяйственных научных исследований и повышения квалификации при Университете штата Канзас

Читайте также: