1

Modelowanie procesów w środowisku- modelowanie wzrostu i rozwoju roślin

Uniwersytet Rolniczy w KrakowieZakład Szczegółowej Uprawy Roślin

prof.dr hab. inż. Bogdan Kulig

Modelowanie

Modelowanie jest procesem dochodzenia do twierdzeń według schematu rozumowania hipotetyczno-dedukcyjnego.

W tym sensie model może byćtraktowany jako rozwinięta hipoteza lub specyficzny rodzaj teorii.

Modelowanie - istota

Istota modelowania polega na uzyskaniu możliwie zgodnych wyników modelowania z rzeczywistością doświadczalną.

Z istotą modelowania związane są definicje: modelu matematycznego, modelu deterministycznego, modelu stochastycznego, symulacji.

Modelowanie - model

Model - rozumiany jest jako reprezentacja badanego zjawiska, czyli substytut rzeczywistości, celowo uproszczony, potraktowany wycinkowo z pominięciem szczegółów i cech nieistotnych

Modelowanie - model matematyczny

Model matematyczny - jest opisem rzeczywistości w języku matematyki i logiki formalnej.

Opis ten składa się z symboli, relacji matematycznych oraz ściśle określonych zasad operowania nimi

MODELOWANIESYMULACJA

Symulacja polega na odtwarzaniu w warunkach sztucznych za pomocąmodelu pewnego zjawiska lub procesu występującego w rzeczywistości. W modelach matematycznych rozumiana jest jako generowanie danych wyjściowych z modelu.Symulacje można przeprowadzać jedynie przy wykorzystaniu komputerów, które wykonują obliczenia i działania logiczne według pewnego algorytmu wynikającego z modelu matematycznego, który nazywany jest wtedy modelem symulacyjnym.

2

MODELOWANIEETAPY

Etapy modelowania obejmują: dokonanie wyboru problemu

badawczego, sformułowanie celów modelowania, wybór kategorii modelu i

określenie jego struktury, identyfikację, algorytmizację obliczeń oraz ich

weryfikację.

MODELOWANIEETAPY

Wymienione etapy są ze sobąpowiązane, nie mogą być traktowane niezależnie a w razie niezgodności wyniku z danymi doświadczalnymi wymagają modyfikowania założeń lub parametrów we właściwym kierunku, aż do uzyskania rozwiązania możliwego do przyjęcia dla określonego celu

MODELOWANIECELE

Celem modelowania jest: w pierwszym rzędzie – opis

rzeczywistości, a później jej wyjaśnienie,

przewidywanie zachowań w różnych warunkach otoczenia lub w przyszłości,

ocena skutków zmiany parametrów wejściowych .

MODELE SYMULACYJNE MOŻNA PODZIELIĆ NA DWIE GRUPY:

Symulacyjne modele deterministycznedostarczające konkretnych (punktowych) wyników o przebiegu pewnego procesu w zadanych warunkach siedliskowo-uprawnych.

Symulacyjne modele stochastyczne (modele deterministyczne wyposażone w podmodele stochastyczne) dostarczające wyników z podaniem zmienności losowej (określenie prawdopodobieństwa).

Modele stochastyczneStochastyczne modele

prognostyczne są najczęściej stosowane w biologii, rolnictwie oraz ekonometrii. Zakładają, że zależności pomiędzy zmiennymi losowymi stwierdzane w przeszłości będą takie same w przyszłości. Uzyskane przy ich pomocy wyniki obowiązują tylko dla obszaru, dla którego model był opracowany jeśli nie nastąpiła istotna zmiana uwzględniona przez model. W przypadku zaistnienia zmian zależności funkcyjnych model należy opracować ponownie.

Ogólny schemat modelu opisowego (A) i model statystyczny (B) opisujący przyrost

suchej masy nadziemnej łanu bobiku (IDSEM – dni po wschodach)

A

3

Stosowanie modeli stochastycznych

Modele stochastyczne polegają i opierają się na domysłach i stosowane są w tych dziedzinach nauki, w których trudno jest określić co jest przyczyną a co skutkiem, np. w biologii, rolnictwie oraz ekonometrii.

Z modeli stochastycznych tylko nieliczne znalazły zastosowanie w rolnictwie. Wśród krajów Unii Europejskiej do niedawna jedynie w Zachodnich Niemczech stosowany był oficjalnie do celów statystyki rolniczej model Hanusa.

Badania nakierowane na opracowanie przyczynowo-opisowego modelu agrometeorologicznego przyniosły dotąd połowiczny sukces. Modele te znalazły zastosowanie w ocenie stanu wegetacji i prognoz plonów za pomocą relacji pogoda-plon

Modele deterministyczne

Modele deterministyczne to takie, w których wielkości wejściowej przypisano jednoznacznie wielkośćwyjściową za pomocą określonej zależności funkcyjnej. Zapisana jest w nich zasada, że jedno zjawisko w sposób konieczny wywołuje inne. Na gruncie filozofii ta zasada zwana jest związkiem przyczynowo skutkowym, a kierunek uznający jej obiektywne lub subiektywne występowanie nosi nazwę determinizmu.

Schemat modelu wyjaśniającego (A), przykład wyników uzyskanych w wyniku symulacji za pomocą modelu WOFOST (B) dla produkcji

potencjalnej bobiku w 2001 r.

A

B

KLASYFIKACJA MODELI SYMULACYJNYCH

Ze względu na wszechstronność zastosowań modeli symulacyjnych, można je podzielić na:

- modele procesów fizycznych, chemicznychi biologicznych,

- modele opisujące całościowo wzrost i rozwój roślin jednego gatunku,

- modele opisujące całościowo wzrost i rozwój roślin wielu gatunków,

- systemy modeli pozwalających analizować sytuację na różnych poziomach organizacji systemu produkcji oraz w różnej skali czasu i przestrzeni.

W zależności od etapu tworzenia modelu, można je podzielić na: wstępne, ogólne i sumaryczne:

Model wstępny (ang. preliminary model) jest prosty w sformułowaniu, co wynika z nieznajomości głównych mechanizmów procesu. Jego znaczenie w prognozowaniu jest niewielkie, natomiast może być przydatny w dalszych etapach modelowania, wskazując jakie dane należy uzyskać na drodze eksperymentalnej.

Model ogólny (ang. comprehensive model) stanowi etap przejściowy procesie modelowania matematycznego. Jest to model bardzo obszerny, ujmuje bowiem wszystkie już poznane zależności i procesy. Ma dużąwartość naukową, choć technicznie posługiwanie się nim nastręcza wiele trudności. Praktyczne wykorzystanie jest znacznie większe niżw przypadku modelu wstępnego.

Model sumaryczny (ang. summary model) jest to najbardziej pożądana, końcowa forma symulacji komputerowej, ma dużą wartość instruktażową i możliwości praktycznego zastosowania, natomiast małą wartość naukową[Pietkiewicz i Pala 2002].

Struktura modelu

Jest pewną wewnętrzną relacją między elementami modelu oraz pomiędzy modelem i rzeczywistością. Ma ona zapewnić zgodność modelowanych zależności z tymi, które istnieją w rzeczywistości a jednocześnie zapewnićdostateczną łatwość posługiwania sięmodelem.

4

Zgodność wyników modelowania

Zgodność wyników modelowania z rzeczywistością jest oceniana pod różnym kątem.

Wyróżniamy trzy rodzaje zgodności: heurystyczna pragmatyczna strukturalna

Zgodność heurystyczna

odnosi się do wartości naukowej, która jest oceniana poprzez określenie przydatności modelu do interpretacji zjawisk, weryfikacji hipotez oraz formułowania zadań badawczych.

Zgodność pragmatyczna

Dotyczy porównania wyników modelowania z wielkościami rzeczywistymi (doświadczalnymi).

Decydująca jest tzw. zgodnośćpredykatywna - określa się jąwprowadzając do modelu inne parametry lub dane z innego okresu czasu, bądź warunków.

Zgodność strukturalna

Zgodność strukturalna - oprócz zgodności wyników z modelu z rzeczywistościązapewnia ona imitowanie istniejących w rzeczywistości mechanizmów, procesów lub organizacji.

Do uzyskania takiej zgodności dąży się w modelowaniu zjawisk przyrodniczych.

Identyfikacja

Identyfikacja dotyczy doświadczalnego ustalenia wartości liczbowych, które wprowadzone do modelu pozwoląwykonać potrzebne obliczenia.

Wyróżniamy dwie podstawowe kategorie wartości liczbowych:

parametry dane

Parametry

Parametry to współczynniki na stałe włączone w algorytm lub program komputerowy. Określają one pewne stany modelowanego procesu, zjawiska lub systemu oraz dynamikęich przemian. Parametrami są np.: tempo asymilacji, współczynnik oddychania, LAI itp.

W zależności od stopnia skomplikowania modelu jest ich od kilku do kilkudziesięciu.

ESTYMATORY...

5

DANE

Dane są wartościami liczbowymi, które charakteryzują warunki zewnętrzne określając stany modelowanego procesu (parametry). Danymi są np.: promieniowanie, opady, temperatura, termin siewu, wilgotność gleby itp..

Estymatory

Niekiedy bezpośredni pomiar parametrów lub danych jest niemożliwy lub trudny. W takim przypadku szacuje się je na podstawie innych pomierzonych danych lub parametrów. Oszacowane statystycznie wartości nazywamy estymatorami, a proces nosi nazwęestymacji .

Kalibracja modelu

Identyfikacja parametrów połączona z ich estymacją określana jest pojęciem kalibracji modelu, czyli takiej identyfikacji, która zapewnia zgodnośćpredykatywną modelu w innych warunkach, niż te dla których model został opracowany.

Weryfikacja modelu

Weryfikacja (walidacja) modelu bywa ograniczana do zgodności predykatywnej, jeśli się dąży do oceny jego przydatności użytkowej. Polega na porównania wyników doświadczalnych z uzyskanymi w wyniku symulacji.

Weryfikacja modelu

Akceptowany błąd dla konkretnego pola wynosi z reguły 10 %.

W przypadku błędów większych można próbować je zmniejszyć poprzez tzw. analizę czułości modelu, dokonując metodami statystycznymi optymalizacji wartości parametrów.

Weryfikacja modeluW dynamicznych modelach deterministy-

cznych miarami dopasowania sąwspółczynniki determinacji oraz współ-czynniki równania regresji. Dopasowanie jest najlepsze gdy wyraz wolny równania jest nieistotnie różny od zera,a współczynniki determinacji i regresji sąbliskie jedności.

OST, APSIM i inne.

6

Statystyczna ocena kalibracji i weryfikacja modeli Program IRENE (Integrated Resources for

Evaluating Numerical Estimates) stanowi przydatne narzędzie do oceny efektów modelowania

Program dokonuje oceny zgodności wartości estymowanych i empirycznych w oparciu o trzy klasy indeksów:

– różnice kwadratowe ( tj. odległości euklidesowe np. RMSE, RMSV, EF, d);

– różnice proste ( tj. odległości arytmetyczne np. MBE, MaxE);

– różnice absolutne ( tj. odległości typu Manhattan np. ME, MAE)

IRENE

Program umożliwia także obliczenie statystyk podstawowych oraz miar związanych z analizą korelacji i regresji (współczynniki korelacji i regresji) [Fila i in. 2003].

Szczegółowe algorytmy poszczególnych miar statystycznych oferowanych przez program użytkownik znajdzie w zakładce „pomoc”.

Przykłady miar statystycznych

– błąd średniokwadratowy:

n

yyRMSE

n

iii

1

2)ˆ(

– względny błąd średniokwadratowy:

%100)ˆ(1

1

2

n

i i

ii

yyy

nRRMSE

gdzie: iy – wartości empiryczne, iy– wartości symulowane,

y – średnia wartość obserwowana.

Przykłady miar statystycznych

– średni błąd absolutny:

n

iii yy

nMAE

1ˆ1

– względny średni błąd absolutny:

%100ˆ1

1

n

i i

ii

yyy

nRMAE

gdzie: iy – wartości empiryczne, iy– wartości symulowane,

y – średnia wartość obserwowana.

Przykłady miar statystycznych– indeks zgodności (Willmotta):

n

iii

n

iii

yyyy

yyd

1

2

1

2

)ˆ(

)ˆ(

gdzie: iy – wartości empiryczne, iy– wartości symulowane,

y – średnia wartość obserwowana.

Okienka programu IRENE

7

Charakterystyka modeli wzrostu i rozwoju roślin

WOFOST, EPIC, APSIM, DSSAT, DAISY, CropSyst

Szkoła de Vit’aWageningen

Prace nad stworzeniem modeli wzrostu i rozwoju roślin naukowcy z Uniwersytetu Rolniczego w Wageningen rozpoczęli w latach 60-tych ubiegłego stulecia.

W ciągu ponad 40 lat powstała cała „rodzina „ modeli deterministycznych dostosowana do symulacji wzrostu i rozwoju roślin rolniczych w różnych warunkach agroekologicznych

Symulacyjne modele wzrostu roślin rozwijane w „Szkole de Wit’a” w Wageningen

Fotosynteza łanu

MICROWEATHER

ELCROS

BACROS PHOTON

ARID CROP

ARID CROP(SAHEL)

PAPRAN SUCROS

SUCROS 87

SUCROS1SUCROS2

SWHEATWOFOST

WOFOST6.0

WOFOST7.1

MACROS(SAWAH)

ORYZA

INTERCOM SBFLEVOWWFLEVO

LINTUL

SUCROS 87

1965

1970

1975

1980

1985

1990

1995

WOFOST (WOrld FOod STudies)

WOFOST powstawał ramach interdyscyplinarnych studiów nad światowym bezpieczeństwem żywnościowym i potencjalną światową produkcjążywności przez Center for World Food Studies(CWFS ) we współpracy z Wageningen AgriculturalUniversity , Department Theoretical ProductionEcology (WAU-TPE ) i DLO-Center for Agrobiological Research and Soil Fertility (AB-DLO), Wageningen.

Po zakończeniu działania CWFS w 1988 , DLO Winand Staring Centre ( SC-DLO ) kontynuowałrozwój modelu w współpracy z AB-DLO i WAU-TPE

WOFOST

WOFOST (WOrld FOod STudies ) powstałna bazie SUCROS. Kolejne wersje modelu były przystosowane do różnych roślin.

WOFOST symuluje produkcję roślinnąna 3 poziomach:- potencjalną,- limitowaną niedoborem wody,- limitowaną przez dostępność składników pokarmowych.

8

Plon ograniczany niedoborem wody

ewapotranspiracja potencjalna (ETp) i rzeczywista (ETa)

asymilacja potencjalna (Ap) i asymilacja rzeczywista (Ar)

oraz plon potencjalny (Qp) i rzeczywisty (Qr).

p

a

p

r

p

r

ETET

AA

QQ

Zastosowanie wcześniejszych wersji WOFOST

Przez ostatnie piętnaście lat , kolejne wersje WOFOST były używane w wielu badaniach . WOFOST byłstosowany jako narzędzie dla analizy :

- ryzyka plonowania i rocznej zmienności plonu ; - zmienności plonowania w obrębie typów gleb lub w

różnych warunkach agrohydrologicznych ; - różnic międzyodmianowych;- względnego znaczenie czynników określających wzrost ; - strategii siewu; - skutków zmian klimatu ; - wyznaczania okresów krytycznych.

WOFOST

Model był też używany dla celów predykcji (prognozowania)

- regionalnego oszacowania produkcji potencjalnej w formie maksymalnych poziomów plonu;

- obliczenia maksymalnych korzyści ze stosowania nawodnień albo nawozów;

- wykrywania warunków niesprzyjających przez symulację, monitorowanie okresu wegetacji ;

WOFOST

Ostatnia wersja WOFOST 7.1 (1998) zawiera dodatkowo moduł FSEOPT, umożliwiający kalibrację modelu (parametrów roślinnych) w oparciu o wyniki uzyskane w ścisłych doświadczeniach polowych tj. LAI, całkowita sucha masa nadziemna oraz masa organów użytkowych w ujęciu dynamicznym.

WOFOST

APSIM (Agricultural Production Systems Simulator) APSIM jest oprogramowanim komputerowym, które

pozwala modelować produkcję roślin uprawnych i pastwisk, rozkład resztek pożniwnych, wodę glebowąi erozję. Może być skonfigurowany by symulować różne systemy produkcji.

Program jest tak skonstruowany, że poszczególne podmodele (np. wzrostu roślin, wody glebowej , azotu glebowego czy erozji) komunikują się jedyne poprzez określone wiadomości przesyłane przez „moduł sterujacy”z wykorzystaniem standardowych interfejsów informatycznych, taki sposób projektowania umożliwia łatwe usunięcie lub wymiana modułów bez zakłócenia systemu operacyjnego.

9

Moduły APSIM Oryginalne modele Literatura* Barley / Jęczmień Canola / Rzepak jary Robertson i in.(1999) Chickpea / Ciecierzyca Robertson i in.(2001c) Pasture / Pastwiska Cowpea / Wspięga APSIM – cowpea Adiku i in.(1993) Sorghum / Sorgo QSORG

AUSIMSorghum Hammer i Muchow (1991, 1994), Carberry i Abrecht (1991)

Soybean / Soja Robertson i Carberry (1998) Hemp / Konopie Fababean / Bobik

Lisson i in.(2000a)

Sunflower / Słonecznik QSUN Chapman i in.(1993) Forest / Lasy Huth i in.(2001) Maize / Kukurudza Lupin / Łubin

AUSIM – maize

Carberry i Abrecht (1991)

Wheat / Pszenica

N-wheat I-Wheat

Keating i in.(2001), Meinke i in.(1998)\

Lucerne / Lucerna Robertson i in.(2001b), Probert i in.(1998a)

Millet / Proso van Oosterom i in.(2001) Weed / Chwasty

Wybrane moduły roślinne dostępne w modelu

APSIM [Keating i in. 2003]

APSIM-MENU GŁÓWNE

Przykładowe zastosowania modelu APSIM w latach 1996-2001

Zastosowanie Liczba publikacji Przykłady*

Uprawa roślin 22

Inman-Bamber i Muchow (2001), Keating i in.(1997), Muchow i Keating (1997), Robertson i in.(2000b, 2001d)

Bilans wodny gleby 12

Asseng i in.(2001), Dunin i in.(1999), Ringrose-Voase i in.(1999), Snow i in. (1999a), Verburg i in.(2001a)

Zmiany klimatyczne 22

Cheeroo-Nayamuth i in.(2000), Hammer I in.(1996), Keating i Meinke (1997), Meinke I Hammer (1995), Reyenga i in.(1999)

Systemy uprawy 14

Carberry i in.(1996b), Lisson i in.(2000b), Probert i in.(1998b)

Siewy współrzędne i oddziaływanie roślin 4 Carberry i in.(1996a), Keating i in.(1999b)

Wykorzystanie gruntów 6 Meinke I Hammer (1995b), Rosenthal i in.(1998) Procesy glebowe (erozja, zakwaszenie, wymywanie, obieg materii organicznej)

20 Connolly i in.(1999), Nelson i in.(1998b), Snow i in.(1999b), Thorburn i in.2000; Verburg i in.(1996b, 2001b)

Aklimatyzacja roślin/hodowla 7 Hammer i in.(1996b), Robertson i in.(1997)

Publikacje i cytaty (http://www.apsim.info/Wiki/Publications.ashx) Przykłady wykorzystania:Phenology of canola cultivars in the northern region and implications for frost riskMJ Robertson, JF Holland, S Cawley, R Bambach, B Cocks, AR Watkinson

Wykorzystano model symulacyjny APSIM-Canola do symulacji daty kwitnienia z wykorzystaniem długoterminowych danych klimatycznych w celu określenia ryzyka wystąpienia mrozu dla dwóch północnych lokalizacji.

Symulacje wykazały, że jest możliwe jest zminimalizowanie ryzyka wymarzania do około 10%, przez odpowiedni dobór odmiany dla danego terminu siewu.

Wpływ opóźnionego siewu na obniżenie ryzyka wymarzania byłszczególnie silny w okresie od połowy kwietnia do połowy maja.

10

RobertsonRobertson

Symulowane i obserwowane terminy kwitnienia trzech odmian rzepaku:

wczesnej (PacN145), średnio wczesnej (Mystic) i późnokwitnącej (Oscar)

RMSE = 6.9, 3.7 i 4.1 dni,

RRMSE 9.6, 4.5 i 4.4%

Robertson i in. 2001

Phenology of canola cultivars in the northern region and implications for frost riskMJ Robertson, JF Holland, S Cawley, R Bambach, B Cocks, AR Watkinson

Opóźnienie terminu siewu w okresie od połowy kwietnia do połowy maja obniży ryzyko wystąpienia przymrozku ( -1 ° C) o ok. 12% na tydzień opóźnienia siewu w miejscowości Moree oraz 15% na tydzień opóźnienia w miejscowości Roma.

CALIBRATION OF THE CENTURY, APSIM AND NDICEA MODELS OF DECOMPOSITION AND N MINERALIZATION OF PLANT RESIDUES IN THEHUMID TROPICS - Alexandre Ferreira do Nascimento, Eduardo de Sá Mendonça, Luiz Fernando Carvalho Leite & Júlio Cesar Lima Neves (2011)

Nascimento i in. 2011

Nascimento i in. 2011

Równania regresji linowej dla symulowanych i obserwowanych wartości rozłożonej materii organicznej i uwolnionego N mineralnego.

Nascimento i in. 2011

11

Keating i in. (2003)

Model EPIC

Model EPIC (Erosion Productivity Impact Calculator,Enviromental Policy Integrated Climate) zostałopracowany w 1984 roku w USA do oceny związków pomiędzy erozją i produktywnością gleby.

Jest on modelem opisującym całościowo wzrost i rozwój roślin wielu gatunków, dającym się przystosować do szerokiego zakresu gleb, klimatów i roślin uprawnych.

Był on stosowany i sprawdzany w bardzo różnych warunkach siedliskowych: w USA, Francji, Włoszech, Hiszpanii, Niemczech i Wielkiej Brytanii.

Stosowano go najczęściej do symulacji wzrostu i rozwoju roślin oraz warunków środowiska rolniczego w płodozmianach. Model dobrze symulował plon końcowy, a gorzej krzywą wzrostu i inne procesy ekofizjologiczne.

Danymi wejściowymi do modelu EPIC są:

zmienne meteorologiczne: suma opadów, minimalna i maksymalna temperatura powietrza, napromienienie (całkowite promieniowania słoneczne), prędkośćwiatru, wilgotność względna powietrza;

dane o właściwościach gleby: krzywa retencji pF, zagęszczenie i porowatość, pH, skład granulometryczny, głębokość profilu glebowego (podzielonego maksymalnie na 10 warstw), albedo;

Danymi wejściowymi do modelu EPIC są:

informacje o zabiegach agrotechnicznych (uprawie roślin i gleby): opis ok. 80 różnych zabiegów agrotechnicznych, takich jak np. uprawa (głębokość), koszenie (wysokość), nawożenie (zawartość składników w nawozach mineralnych N, P2O5, K2O), zabiegi ochrony roślin. W opisie wyszczególniono m.in. koszt zabiegu na jednostkępowierzchni oraz określono wpływ zabiegu na właściwości hydrologiczne gleby i obieg składników pokarmowych.

Model zawiera charakterystyki dla poszczególnych roślin: terminy siewu i zbioru, obsadę roślin, rodzaj nawożenia (mineralne i naturalne) i nawadniania itp., umożliwia teżuwzględnienie sposobu wykorzystania roślin (na ziarno czy zielonkę), wypasu i wypalania ściernisk.

Porównanie wybranych modeli wzrostu i rozwoju roślin z uwzględnieniem czynników determinujacych plon [de Barros i in. 2004]

Nazwa modelu

Pogo

da

Wod

a gl

ebow

a

Dos

tępn

ość

skła

dnik

ów

poka

rmow

ych

Skła

dnik

i to

ksyc

zne

Upr

awy

wsp

ółrz

ędne

SUCROS (van Keulen i in., 1982)* + + - - - CENTURY (Parton i in., 1988) + + N, P, S - - WOFOST (van Diepen i in., 1989) + + N, P, K - - CANDY (Franko i in., 1995) + + N - - Daisy (Svendsen i in., 1995) + + N - - N-SIM (Schaaf i in., 1995) + + N + EPIC (Williams, 1995) + + N, P Al,

zasolenie -

CROPGRO (Boote i in., 1997) + + N - - EPICSEAR (de Barros i in., 2004) + + N, P, K Al, Na +

12

Dane wyjściowe z modelu EPIC obejmują:

erozję wodną i wietrzną gleby. W module erozyjnym wykorzystano sześć metod umożliwiających symulacjęerozji wodnej: USLE, MUSLE, MUSI, MUSS, MUST oraz równanie Onsteada-Fostera – AOF;

spływ powierzchniowy, przesiąkanie, przepływ podpowierzchniowy, ewapotranspirację, topnienie śniegu (obliczane przez moduł hydrologiczny);

moduł roślinny pozwala na symulację wzrostu i rozwoju większości roślin uprawnych, pastwisk i drzew owocowych obliczać m.in: plon potencjalny i ograniczany niedoborem wody, azotu i fosforu. Model może symulować wzrost i plonowanie roślin w siewie czystym w zadanym zmianowaniu, a wersja EPICSEAR również wskazane wcześniej wielkości w uprawach współrzędnych;

Dane wyjściowe z modelu EPIC obejmują:

pestycydy – w modelu uwzględnia się transport pestycydów rozpuszczonych w wodzie i w materiale sedymentacyjnym, jak również ich degradację w glebie i w roślinie;

składniki pokarmowe: azot – utratę azotanów w spływie powierzchniowym, wymywanie azotanów, transport azotanów przez ewaporację, transport organiczny poprzez osad, denitryfikację, mineralizację, unieruchamianie, pobranie przez rośliny, wiązanie azotu; fosfor – utratę rozpuszczalnego P w spływie powierzchniowym, mineralizację, krążenie P-mineralnego, pobranie przez rośliny. W modelu uwzględnia się stosowanie nawozów mineralnych i naturalnych;

ekonomikę: nadwyżkę bezpośrednią określonej działalności rolniczej (obliczaną przez prosty moduł ekonomiczny na podstawie wprowadzonych do modelu danych) [Williams i in. 1989].

Przykładowe okienka programu WinEpic

13

14

Dane metorologiczneModel DSSATDecision Support System for Agrotechnology Tranfer

Jest to system modeli o tej samej konstrukcji (rodzina modeli CERES) oprogramowanych na minikomputery osobiste w postaci pakietu programów DSSAT wykonanych przez IBSNAT (International Sites Network for Agrotechnology Transfer) w Uniwersytecie Stanu Hawaii (USA).

Program ten, podobnie jak EPIC, należy do kategorii modeli całościowo opisujących wzrost i rozwój wielu gatunków roślin. DSSAT zostałzaopatrzony w programy pozwalające interpretować wyniki w czasie i przestrzeni dla poziomu pola.

Jest on przydamy głównie w ocenie nowych systemów uprawowych oraz do podejmowania decyzji zarówno w skali makro-, jak i mikroregionalnej. Informacje otrzymane z tego modelu mogą byćużyte do planowania doświadczeń polowych z najbardziej obiecującymi wariantami uprawowymi.

DSSAT

Dotychczas pakiet DSSAT umożliwia symulację dla podstawowych roślin tropikalnych i subtropikalnych, ale także dla pięciu roślin uprawianych w naszej strefie klimatycznej, tj. pszenicy, jęczmienia, kukurydzy, fasoli oraz ziemniaka. Był on stosowany z powodzeniem w krajach tropikalnych, zwłaszcza dla ryżu, sorga, kukurydzy i pszenicy.

DSSAT

Ostatnio pakiet DSSAT został zaopatrzony w programy symulujące dochody roczne średnio na tle próby lat i miejscowości, zakres zmienności dochodów w latach przy danym obiekcie i ich rozkład prawdopodobieństw w populacji lat.

15

Ogólna struktura modelu DSSAT ver. 4.0

Dane wymagane dla poprawnego działania i oceny modelu DSSAT-CSM:

A. Działanie modelu Miejscowość: szerokość i długość

geograficzna, wysokość n.p.m., średnia roczna temperatura powietrza; średnia roczna amplituda temperatury powietrza; nachylenie, główne przeszkody w dopływie promieniowania słonecznego (np. pobliska góra); melioracje (typ, rozstawa i głębokość), kamienie na powierzchni (pokrycie i rozmiar).

Pogoda: dziennie wartości promieniowania słonecznego, maksymalnej i minimalnej temperatury powietrza, sumy opadów.

Gleba: klasyfikacja taksonomiczna gleb z wykorzystaniem miejscowego systemu lub systemy taksonomicznego USDA-NRCS; podstawowa charakterystyka profilu glebowego z podziałem na warstwy: krzywa pF, gęstość objętościowa, zawartość węgla organicznego, pH, współczynnik wzrostu korzeni, współczynnik osuszania.

Warunki początkowe: przedplon, system korzeniowy, liczby brodawek i efektywność symbiozy. Zawartość wody, azotu amonowego i azotanowego w poszczególnych warstwach profilu glebowego.

Agrotechnika: nazwa i typ odmiany; sposób i termin siewu (sadzenia), termin zbioru, głębokość, rozstawa, kierunek siewu i obsada roślin; nawadnianie roślin – sposób, termin i dawka; nawożenie (nieorganiczne) i stosowanie szczepionek; resztki pożniwne (nawozy naturalne) –stosowanie (rodzaj masy organicznej, głębokość inkorporacji, koncentracja składników mineralnych; uprawa roli.

DSSAT - daneB. Oceny modelu: termin wschodów, termin kwitnienia lub zapylenia, termin zawiązywania wegetatywnych organów

spichrzowych (jeśli występują), termin dojrzałości fizjologicznej, LAI i sucha masa łanu w charakterystycznych trzech

stadiach rozwojowych, wysokość łanu w czasie dojrzałości, plon użyteczny w odpowiednich jednostkach w

przeliczeniu na suchą masę, sucha masa nadziemna w okresie zbioru i indeks żniwny, sucha masa pojedynczej jednostki plonu (np. masa

pojedynczego ziarniaka, masa bulwy),

liczba ziarniaków w kłosie lub nasion w strąku, łuszczynie itp.,

zawartość wody w glebie w rożnych terminach i w poszczególnych warstwach profilu glebowego,

zawartość N- i C-organicznego w glebie w czasie (dla eksperymentów długoterminowych),

poziom uszkodzeń spowodowany występowaniem agrofagów (chorób, chwastów, szkodników), terminy pojawu, straty przy maksymalnym wystąpieniu agrofagów.

liczba liści na pędzie głównym, zawartość N w plonie użytecznym, zawartość N w pozostałych częściach roślin.

DSSAT

Problem badawczy Przykłady publikacji* Agrotechnika Hunká (1994), Pfeil i in. (1992a,b), Ruiz-Nogueria i in. (2001), Sau i

in. (1999), Zalud i in. (2000) Nawożenie roślin Gabrielle and Kengni (1996), Gabrielle i in. (1998), Zalud i in. (2001) Nawadnianie Ben Nouna i in. (2000), Castrignano i in. (1998), Gerdes i in. (1994) Ocena odmian Brisson i in. (1989), Colson i in. (1995) Rolnictwo precyzyjne Booltink and Verhagen (1997), Booltink i in. (2001) Zanieczyszczenie środowiska

Kovačs and Németh (1995)

Zmiany klimatu Alexandrov and Hoogenboom (2001), Iglesias i in. (2000), Semenov i in. (1996), Wolf i in. (1996)

Prognozowanie plonu Landau i in. (1998), Saarikko (2000) Produkcja zrównoważona

Hoffmann and Ritchie (1993)

16

CropSyst

Croping Systems Simulation(Washington State University)

Model CropSyst

Model ten został opracowany w Uniwersytecie Stanu Washington (USA) na początku lat 90-tych, jako narzędzie analityczne do badania wpływu systemów uprawowych na plonowanie roślin i środowisko. Należy więc do kategorii modeli pozwalających analizować sytuację na różnych poziomach organizacji systemu produkcji oraz w różnej skali czasu i przestrzeni.

Symuluje on bilans wodny gleby, bilans azotu gleba-roślina, wzrost łanu i systemu korzeniowego, plon suchej masy, plon rolniczy, produkcję i rozkład resztek pożniwnych oraz erozję.

Opcje uprawowe uwzględniają: dobór odmian roślin różnych gatunków, zmianowanie, nawodnienie, nawożenie azotem, zabiegi agrotechniczne (ponad 80 możliwości).

Zakres wartości RUE dla wybranych roślin w modelu CropSyst [Stöckle i in. 2003]

Rodzaj Współczynnik konwersji energii

na biomasę nadziemną (g MJ-1)

Rośliny C3 Jęczmień, owies 2,3 - 2,7 Groch 2,0 - 2,5 Żyto 2,3 - 2,7 Soja 2,0 - 2,5 Pszenica 2,0 - 3,0 Trawy 2,5

Rośliny C4 Kukurydza, sorgo 3,5 - 4,0

Zakresy wartości współczynnika empirycznego KBT [Stöckle i in. 2003]

6,0 – 8,5Kukurydza

Rośliny C4

Trawy

Pszenica

Słonecznik

Soja

Groch

Owies

Soczewica

Fasola

3,5 – 6,0

Jęczmień

Rośliny C3

Współczynnik konwersji wielkości transpiracji na produkcję biomasy ((kg/m²)kPa)/mGatunki

Produkcja limitowana niedoborem wody i azotu w modelu CropSyst

p

apT T

TBB

min

1NNNNBB

crit

acritTN

17

Plon a stresY=BPMHI

gdzie:Y – plon [kg m-2] ,BPM – biomasa w okresie dojrzałości fizjologicznej [kg m-2] ,HI – indeks żniwny.Wartość indeksu żniwnego dla warunków bezstresowych ulega redukcji wskutek działania stresu wodnego i

azotowego, wrażliwości roślin na stres w okresie od kwitnienia do napełniania ziarna. Do jego korekty zaproponowano następujące równania:

HI = HIu. (1-WSf

Sf) (1-WSgfSgf)

HI – skorygowana wartość indeksu żniwnego,HIu – wartość HI dla warunków bezstresowych,WSf – średni indeks stresu wodnego w okresie kwitnienia,WSgf – średni indeks stresu wodnego w okresie napełniania ziarna,Sf i Sgf – parametry korygujące wartość indeksu żniwnego w okresie kwitnienia oraz

napełniania ziarna.

CropSyst

Model ten został sprawdzony dla kukurydzy i pszenicy, jęczmienia, soi i słonecznika w warunkach nawadnianych i nienawadnianych terenów suchych. Kalibracja i sprawdzanie tego modelu odbywała się w południowej Francjii w stanie Washington.

Statystyczne porównanie wartości symulowanych i empirycznych plonu biomasy nadziemnej i plonu użytkowego (rolniczego) czterech gatunków roślin uprawnych [cyt. za Stockle i in. 2003]

Roślina, lokalizacja Plon N

Średnie wartości

empiryczne (kg/ha)

Średnie wartości

symulowane (kg/ha)

RMSE (kg/ha)

RRMSE (%) d

Ziarno 28 9831 9026 724 8,1 0,950 Kukurydza, Davis, Ft Collins USA

Biomasa 28 16460 16808 1246 7,6 0,954

Ziarna 9 8026 7847 1707 21,3 0,963 Kukurydza, Auzeville (Francja) Biomasa 9 19038 18358 2921 15,3 0,966

Ziarno 18 4100 4261 443 10,8 0,979 Pszenica, Logan (USA) Biomasa 18 8033 8460 1121 14,0 0,961

Ziarno 8 7601 8055 896 11,8 0,967 Sorgo, Auzeville (Francja) Biomasa 8 16684 17358 1139 6,8 0,985 Soja, Auzeville (Francja) Nasiona 9 2828 2804 381 13,5 0,970

N – liczba obser wacji, RMSE – błąd średniokwadratowy, RRMSE – wzgledny błąd średniokwadratowy, d – indeks zgodności Willmota

Model DaisyModel Daisy został opracowany w drugiej połowie lat 80-tych

XX w. na Królewskim Uniwersytecie Weterynarii i Rolnictwa w Kopenhadze. W następnych latach byłrozbudowywany i ulepszany zgodnie z aktualnym stanem wiedzy. Obecna wersja została skonstruowana w języku C++.

Model Daisy składa się z trzech głównych elementów: cześciklimatycznej, wegetacji (opisującej wzrost i rozwój roślin) oraz cześci charakteryzujących przemiany zachodzące w glebie. Model opisuje między innymi procesy obiegu wody, węgla i azotu w agroekosystemie.

Dodatkowo do obliczeń może być włączany modułokreślający wymywanie pestycydów.

Model Daisy może mieć różnorodne zastosowania, np. do określania:

1. plonowania roślin w zależności od dostępności wody i azotu z uwzględnieniem różnych technologii (sposobów) uprawy roli i roślin,

2. optymalizacji nawadniania, 3. wymywania azotu z obszarów

rolniczych, 4. wymywania pestycydów.

Ogólny schemat modelu Daisy[Hansen 2002 ]

18

Model wymaga wprowadzenia następujących danych meteorologicznych w ujęciu dobowym:

opadów [ mm ] przeciętnej temperatura powietrza [oC] promieniowania całkowitego [W m-2] ewapotranspiracji wskaźnikowej [ mm d-1 ].

Dane odnośnie ewapotranspiracji mogą byćwprowadzone przez użytkownika albo obliczany przez model na podstawie formułzaproponowanych przez Makkinka lub Penmana-Monteitha.

AgrochemikaliaModel może uwzględniać następujące procesy związane z transportem i

przekształcaniem substancji chemicznych (np. pestycydów): wykorzystanie/zatrzymanie przez łan roślin, zmywanie z roślin przez wodę opadową, degradacja w łanie roślin, sorpcja w glebie, degradacja w glebie, opisywana jako proces determinowany przez

temperaturę glebyi zawartość wilgoci w glebie oraz przez biologiczną aktywność

gleby jak funkcję produkcji CO2. bierne pobieranie wraz z wytranspirowaną wodą . Dla każdego związku chemicznego wprowadzanego do modelu

symulacyjnego musi być wprowadzone opis charakteryzujący wybrany proces oraz parametry wykorzystywane w obliczeniach.

Zabiegi agrotechniczneTechnologia uprawy w odniesieniu do pola i

rośliny obejmuje szereg czasowy poszczególnych zabiegów. Głównymi zabiegami uwzględnianymi w modelu są:

sposób uprawy roli, nawożenie, siew, zbiór, nawadnianie, opryskiwanie.

UprawkiUprawki charakteryzowane są przez głębokość oddziaływania narzędzia na

glebę oraz fakultatywnie przez ilość materii organicznej pozostającej na powierzchni gleby i inkorporowanej do gleby w wyniku zastosowanego zabiegu. Dodatkowo musi być wyszczególniany sposób mieszania gleby tj. całkowite mieszanie się górnej warstwy gleby lub wymiana pomiędzy dwoma warstwami. Biblioteka modelu zawiera pięć standardowych sposobów uprawy roli, ale użytkownik może wprowadzić do modelu parametry dla innych zabiegów. Ujęte w modelu zabiegi uprawowe to:

orka - jest opisywana jako wymiana większej niż 9 cm warstwy roli z warstwąznajdującą się poniżej (9-18 cm). Po zabiegu, zawartość wody, azotu i materii organicznej będzie obliczana jako średnia w każdej z dwu warstw i dolna warstwa będzie umieszczana na górze;

brona rotacyjna - zabieg obejmuje całkowite mieszanie górnej 15 cm warstwy roli;

brona telerzowa - całkowite wymieszanie górnej 10 cm warstwy roli i inkorporacja do gleby 80 % materii organicznej;

kultywator podorywkowy - całkowite mieszanie górnej 10 cm warstwy roli i inkor-poracja do gleby 60 % materii organicznej;

przygotowywanie roli do siewu - całkowite mieszanie górnej 10 cm warstwy roli.

NawożenieNawożenie może być stosowane w postaci nawozów

organicznych albo mineralnych. Nawozy organiczne (naturalne) są charakteryzowane

przez zawartość suchej masy, zawartość azotu i węgla w suchej masie, cześć azotu w postaci amonowej, ilość azotu (w %) ulatniającego się do atmosfery w trakcie stosowania w postaci amoniaku oraz wielkość dawki (ton świeżej masy na ha).

Nawozy mineralne (azotowe) są charakteryzowane przez: określenie części azotu w postaci amonowej, ilości azotu ulatniającego się do atmosfery w trakcie stosowania w postaci amoniaku, wielkośćzastosowanej dawki (kg N ha-1)

Gatunki roślin Obecnie „biblioteka modelu” zawiera parametry dla

12 gatunków roślin uprawnych (pszenica ozima, pszenica jara, jęczmień ozimy, jęczmień jary, żyto, rzepak ozimy, rzepak jary, kukurydza, groch, ziemniak, burak cukrowy, trawy). Zostały one określone w oparciu o dane roślin uprawianych w północnej Europie. Z tego względu powinno się je ostrożnie używać w innych warunkach agroklimatycznych.

Parametry roślinne mogą w tym przypadku wymagać ponownej kalibracji.

19

Obieg azotu

NH4+ NO3

-

Nitrifikacja

Nawożenie+ Atm. Depo

Org-N

Nw roślinie

Pobranie

Zbiór

ImmobilizacjaPobranie

Denitryfikacja wymywanieWymywanieUlatnianie

Mineralizacjanetto

Resztki poż.+Depozyt glebowy

Nawożenie(Materia org.)

Nawożenie+ Atm. Depo.

Daisy Crop Model

Oddychaniewzrostowe

konwersja

konwersjakonwersja

zamieranie

konwersja

ŁodygiOrgany użytkowe

KorzenieLiście

Resztkikorzeniowe

Resztki liści

zamieranieh

Rozdział asymilatów(DS)

dostępność

PulaasymilatówCO2

CO2

Fotosynteza

CO2

CO2

CO2

Światło Temperatura

Czynnikistresowe

Strukturałanu

Zamieranie

Wiele parametrów w funkcji fazy rozwojowej (DS)

Faza rozwojowa/Developmentstage (DS)

Fazy DS Faza wschodów (siew/sadzenie-wschody )

DS od –1 do 0

Fazy wegetatywne DS od 0 do 1

Fazy generatywne DS od 1 do 2

Weather Data – Daily ValuesDane pogodowe-wartości dzienne

Minimalne dane pogodowe (równanie Makkinka) Promieniowanie

słoneczne Temperatura Opady

Dane dodatkowe Ewapotranspiracja

wskaźnikowa

Pełne dane pogodowe (FAO-Penman-Montheith) Promieniowanie

słoneczne Temperatura powietrza Wilgotność Prędkośc wiatru Opady

Dane wyjściowe z modelu

Standardowy plik jest dostarczany z modelem i zawiera następujące opcje:

"Weather " : dzienne dane dotyczące Ep , Rn , Ta; " Root Zone Water Balance " : dzienny bilans wody glebowej (do

głębokości 1 m ); " Surface Water Balance ": dzienny powierzchniowy bilans wodny; " Soil Water Potential " : dzienne wartości potencjału glebowego

w każdym punkcie węzłowym; " Groundwater ": dzienne zmiany lustra wody gruntowej; " Soil Temperatur ": dzienna temperatura gleby w każdym punkcie

węzłowym " Bioclimate ": godzinowy bilans cieplny i bilans wodny na

powierzchni roli; " Crop Production": dzienny przyrost stadium rozwojowego,

gromadzenie suchej masy i azotu;

"

Vegetation " : dzienne dane o stanie wegetacji; " Harvest" : termin zbioru dla każdej rośliny i każdego roku; " N Balance": dzienny bilans N glebowego (dla 1 m głębokości); " Soil Nitrate Concentration" : dzienne wartości koncentracji NO3-

w każdym punkcie węzłowym; " Total Soil Content" ; dzienna zawartość materii organicznej, C i N

w profilu glebowym w poszczególnych warstwach : "0 - 10 cm " ; "10-20 cm " ; " 20 -30 cm "; " 30 -40 cm "; " 40 - 50 cm "; " 50 - 60 cm "; " 60 - 70 cm "; " 70 - 80 cm "; " 80 - 90 cm "; " 90 - 100 cm " .

" Surface Chemicals" : dzienny bilans substancji chemicznych na powierzchni gleby i łanu;

" Soil Chemicals " : dzienny bilans substancji chemicznych w profilu glebowym ( do 1 m głębokości).

20

Przykład: dynamika zmian zawartości azotanów w 27,5 cm warstwie gleby w latach 1994-1998 (Daisy v. 4.57)

Dotychczasowe modele symulacyjne w stosunkowo małym stopniu są w stanie symulować cechy jakości plonu rolniczego (zawartość suchej masy i azotu w plonie rolniczym), natomiast na ogół dobrze symulują stan środowiska glebowego w okresie wegetacji i pozostałości azotu po zakończeniu wegetacji roślin.

Większość modeli nie uwzględnia porażenia roślin przez choroby i szkodniki, czyli rozpatruje wzrost i rozwój roślin bez ograniczeńspowodowanych działaniem tych czynników. Jest to słaba strona tych narzędzi.

Dotychczas opracowane roślinne modele symulacyjne sąprzeważnie modelami typu deterministycznego, jakkolwiek większość modeli matematycznych wykorzystywanych dotąd przez nauki rolnicze należy zaliczyć do modeli stochastycznych.

PODSUMOWANIE

Model Daisy opracowany dla warunków duńskich bardzo dobrze symuluje przemiany węgla i azotu w glebie oraz przemiany pestycydów (intercepcja, rozkład, wymywania), i może znaleźć zastosowanie do symulacji stanu środowiska glebowego (np. wymywanie azotanów).

W porównaniu z modelami AFRCWHEAT2, EPIC i CropSystmodel Daisy gorzej symuluje przebieg krzywych opisujących maksymalną (Nmax), minimalną (Nmin) i krytyczną (Ncrit) zawartość azotu w biomasie nadziemnej w okresie wegetacji roślin (pszenicy i jęczmienia).

PODSUMOWANIE