70. Агроэкологические модели продукционного процесса (иерархия лимитирующих факторов, балансовые подходы, основные информационно-аналитические модули, нормативная база, верификация рамочных моделей).

Агроэкологические модели отражают влияние почвенных и погодных условий на продукционный процесс сельскохозяйственных растений, иначе говоря, на рост растений, их развитие и формирование конечного урожая.

Агроэкосистемы играют существенную роль в круговороте воды, энергии и минеральных веществ на земле. В отличие от естественных экосистем этот круговорот происходит при непременном участии человека. С другой стороны, природные экологические процессы, происходящие в почвах и посевах, определяют судьбу агроэкосистемы не в меньшей степени, чем технологические воздействия. Целью построение теоретических моделей может быть определение предельно допустимых антропогенных нагрузок, не нарушающих устойчивости агроэкосистемы как в ближайшем, так и в отдаленном будущем. Прикладные модели разрабатываются для решения практических задач, главной из которых является разработка эффективных и экологически безопасных стратегий управления продукционным процессом сельскохозяйственных растений. Объектом моделирования в агроэкологии является система почва - растительный покров - атмосфера. Поэтому развитые модели включают в себя описание совокупности физических, физико-химических и биологических процессов в этой системе, развивающихся на протяжении одного или нескольких сезонов вегетации.

Основным процессом, с которого начинается превращение минеральных элементов в органические соединения и синтез всего органического вещества на Земле, является процесс фотосинтеза зеленых растений. Поэтому вся совокупность превращений в агроэкосистеме минеральных компонент в органическую массу может быть названа продукционным процессом. Метод моделирования продукционного процесса посевов сельскохозяйственных культур уже имеет солидную историю. В течение последних лет в разных изданиях опубликовано несколько десятков динамических моделей, некоторые из которых завоевали мировое признание. Среди наиболее известных моделей можно отметить используемую во многих европейских странах модель WOFOST, семейство моделей CERES, а также разработанную в АФИ прикладную модель продуктивности посевов, получившую название AGROTOOL. Являясь полуэмпирическими, они имеют сходную структуру и отличаются, в основном, деталями описания отдельных блоков. Сравнению эмпирического и теоретического подходов к математическом моделированию агроэкосистем посвящена работа [4].В ней авторы пришли к выводу, что чисто теоретических моделей в настоящее время не существует, а все модели должны быть отнесены к классу полуэмпирических. Ниже рассмотрена структура и описаны функции семейства моделей, входящих в имитационную систему AGROTOOL, а также высказаны некоторые соображения по поводу структуры и значения теоретических моделей.

Имитационная система AGROTOOL

Модели семейства AGROTOOL описывают сезонную динамику продукционного процесса сельскохозяйственных культур от момента сева до полного созревания. Они имеют блочную структуру и включают в себя описание следующих процессов, имеющих место в системе почва - растительный покров - приземный слой воздуха:

0. радиационный режим посева, включающий моделирование поглощенной посевом интегральной коротковолновой радиации, тепловой радиации и ФАР;

1. турбулентный режим посева;

2. фотосинтез и фотодыхание;

3. развитие растений (расчет физиологического времени, определяющего сроки наступления фенофаз);

4. распределение накопленных продуктов фотосинтеза по органам растения, рост растений и формирования конечного урожая;

5. транспирация растений и испарение влаги с поверхности почвы;

6. баланс влаги в слое почвы 0-100 см;

7. прогнозирование темпов развития растений;

8. прогнозирование урожая (для зерновых - начиная с фазы колошения);

9. выбор норм и сроков орошения в поливном земледелии.

Моделирование процессов фотосинтеза фотодыхания выполнено на основе метода, реализующего упрощенную схему цикла Кальвина [3]. Для расчета реальных значений транспирации и физического испарения использован алгоритм, учитывающий механизм устьичной регуляции [5,6] и условие неразрывности потока воды в растении. Для описания распределения ассимилятов между надземными органами и корневой системой применены т.н. адаптивные ростовые функции, основанные на учете взаимодействие углерода и азота в растении [7]. Модели имеют суточный временной шаг, за исключением блока фотосинтеза, в котором реализован часовой шаг. Иначе говоря, накопленные в процессе фотосинтеза ассимиляты рассчитываются с шагом, равным одному часу, а после этого суммируются за время светового дня. Суммарные ассимиляты являются входной величиной ростового блока. В качестве входных погодных данных модели в целом используется следующий набор суточных метеоданных (реальных или смоделированных): минимальная и максимальная температура воздуха, минимальная относительная влажность воздуха, осадки, скорость ветра и длительность солнечного сияния. Семейство моделей включает в себя описание продукционного процесса таких культур как озимые и яровые зерновые, картофель и многолетние травы.

Имитационная система AGROTOOL позволяет решать следующие прикладные задачи:

0. производить оценку текущего состояния посева и его компонент, например, доступной для растений влаги или водного стресса, накопленной растениями сухой массы и листового индекса и др.;

1. прогнозировать будущий ход вегетации, включая темпы развития растений и величину ожидаемого урожая;

2. принимать оперативные решения по управлению продукционным процессом, в частности, по режимам орошения и азотным подкормкам.

В состав системы включена оболочка, осуществляющая работу с моделью в интерактивном режиме. Оболочка предоставляет пользователю возможность выбора места выполнения компьютерного эксперимента, типа модели, культуры, режима работы (расчет или прогноз) и управления (режимы орошения и дозы удобрений). Для решения задач прогнозного типа в систему включен генератор суточных значений метеорологических параметров [8]. Сценарии погоды реализуются на основе стохастического алгоритма, параметры которого настраиваются по данным представительной выборки погодных реализация региона моделирования (за 20-30 лет).

Параметрическая идентификация моделей

Разработка модели - сложный и многоэтапный процесс. Составление программного кода, трансляция и отладка программ далеко не завершают работу по созданию модели. Реализованная в виде компьютерной программы модель всегда содержит набор неопределенных коэффициентов - параметров модели. Без задания конкретных числовых значений этих параметров модель не является законченным продуктом, а производить те или иные вычисления с ее помощью невозможно. Ясно, что если разработчик модели не оставлял бы свободы выбора параметров, то подобная модель не была бы работоспособной. Иначе говоря, она отображала бы какую-либо одну уникальную ситуацию и не могла бы быть пригодной для расчета определенного класса процессов. Конструкции, в которых все коэффициенты закреплены, относятся к регрессионным зависимостям, а не к динамическим моделям. Напротив, в динамическую модель обязательно входит то или иное количество параметров с тем, чтобы, придав им конкретные числовые значения, получить возможность выбирать ту или иную совокупность описаний из множества возможных. Оценка числовых значений параметров модели образует второй этап ее создания.

Всю совокупность параметров модели можно разделить на две следующие группы:

0. содержательные параметры, т.е. те, которые имеют физический или биологический смысл;

1. настроечные параметры, которые не обязательно должны обладать конкретным физическим или биологическим смыслом.

Последняя группа по своему смыслу близка к коэффициентам регрессии с тем отличием, что в моделях они характеризуют не статические зависимости, а отражают скорости протекания тех или иных динамических процессов. Очевидно, что чем больше параметров первой группы входит в модель, тем она более универсальна.

С другой стороны, классификация параметров может быть выполнена по их вхождению в определенный блок модели. Поскольку мы имеем дело с системой "почва-растение-атмосфера" то ряд параметров должен относиться к почвенному блоку, ряд - к описанию процессов в растениях, а остальные входят в блоки, описывающие процессы переноса энергии и вещества в приземном воздухе. Это разделение параметров на группы имеет принципиальное значение, т.к. оно позволяет использовать одну и ту же модель в различных ситуациях. Так, для того, чтобы осуществлять расчет по модели, настроенной на один тип почвы, для почвы иного типа или гранулометрического состава, необходимо в ней изменить только параметры, характеризующие почву. Точно так же, при изменении культуры и сорта меняются только некоторые из биологических коэффициентов и т д. Поскольку все параметры хранятся обычно либо в базе данных, либо во внешних файлах модели, выполнение этой операции затруднений не вызывает.

Процесс определения совокупности параметров модели на основе экспериментальной информации (параметрическая идентификация) разбивается на два основных этапа:

0. калибровка модели;

1. верификация модели, т.е. проверка результатов калибровки на независимом материале.

В процессе калибровки модели всем неизвестным параметрам должны быть присвоены конкретные числовые значения. После этого модель может быть запущена на счет и в принципе должна давать на выходе тот или иной результат, который подлежит дополнительной проверке. Калибровка модели, в свою очередь, включает в себя следующие подэтапы:

0. определение значений параметров на основе литературных данных;

1. уточнение значений всех или некоторых параметров с использованием данных лабораторных экспериментов;

2. настройка остальных параметров модели с использованием данных полевого опыта.

В лабораторных условиях, как правило, определяются значения параметров, имеющих физический или биологический смысл, таких как гидрофизические характеристики почвы, коэффициенты, характеризующие интенсивность фотосинтеза, затраты на дыхание и некоторые другие. Их определение производится для конкретных почв и конкретных культур. Определенные однажды они в дальнейшем могут многократно использоваться в различных моделях, в которых производятся расчеты именно для данного типа почвы и для данной культуры. Принципиально иная роль отведена для коэффициентов регрессионных зависимостей, характеризующих продукционный процесс в целом. К ним относятся, в частности, параметры, управляющие темпами развития растений и параметры функции водного стресса. Именно эти зависимости "привязывают" модель к конкретным почвенным и погодным условиям, и они не переносимы в другое место, даже если при этом тип почвы, культура и сорт совпадают. Именно для определения этих величин модели и используются результаты полевого опыта.

Теоретические модели

Такая детальная модель обеспечивает возможность исследования новых явлений, таких как полуденная депрессия транспирации и фотосинтеза, образование росы на листьях в утренние часы и др., что принципиально невозможно сделать с помощью прикладной модели. Однако построение теоретических моделей требует больших затрат на составление машинного кода и наличия дорогостоящего лабораторного оборудования для их экспериментальной проверки. Следует отметить, что технология идентификации теоретических моделей не отработана и в настоящее время такие исследования, по крайней мере, в нашей стране не проводятся.

Заключение

Как известно, до последнего времени существовало разделение моделей продукционного процесса на два класса - базовые (теоретические) и малопараметрические (эмпирические или прикладные). Подобная классификация, видимо, справедлива и сегодня, но смысл, который вкладывается в эти понятия, меняется. Огромный прогресс в вычислительных средствах отодвинул грань между прикладными и теоретическими моделями далеко в сторону последних. По существу, все имеющиеся модели можно отнести к классу полуэмпирических. Это означает, что чисто теоретических моделей не существует. В то же время в различных научных коллективах накапливаются новые знания в области физиологии растений, почвоведения и агрометеорологии, которые позволяют усовершенствовать описания отдельных процессов, сделать их более "физичными". Ясно, что замена чисто эмпирического описания содержательным, основанным на механизмах протекающих процессов, делает модель более адекватной природе и, что главное, существенно расширяет класс решаемых прикладных проблем. Именно продвижение в этом направлении и продемонстрировано в настоящей работе. Что же остается на долю теоретических моделей? По-видимому, это углубленные описания отдельных процессов, которые должны реализовываться в тесной связи с биологическим экспериментом. Таким образом, ближайшее будущее моделирования должно быть связано, в первую очередь, с углублением теоретических исследований. В прикладной же области прогресс может быть достигнут на пути формирования универсального и простого для пользователя интерфейса, связи моделей с базами данных и их включения в Географические информационные системы (ГИС).

201