Агроперетворені рунти солонцевих комплексів сухого степу України (стр. 24 из 37)

В умовах Сухого Степу України фактором, нестачу якого майже постійно відчувають культурні рослини, є волога. Отже, зрошення (тобто ліквідація дефіциту вологи ) стає в цих умовах одним з потужних меліоративних засобів, що при оптимальному застосуванні здатен істотно підвищити урожайність вирощуваних сільськогосподарських культур.

У зрошуваних умовах прибавка врожаїв сільськогосподарських культур протягом усього періоду післядії була значно вищою порівняно з незрошуваними умовами [165]. Проведеними нами дослідженнями встановлено, що приріст врожаю зерна озимого ячменю на 40 рік післядії на плантажованих темно-каштанових солонцюватих ґрунтах в умовах зрошення становить, 40-50 % (рис. 5.2).

Рис. 5.2. Вплив меліоративної плантажної оранки на урожайність зернових культур на темно-каштанових слабосолонцюватих ґрунтах в умовах зрошення прісною водою.

При зрошенні мінералізованими водами ефективність плантажної оранки виявилася дещо нижчою (рис.5.3) [95]. У перші три роки прирости врожаїв озимої пшениці були відсутні, очевидно, через збіднення орного шару на органічну речовину, пов’язані з нею рухомі форми поживних елементів та прояв в таких умовах токсичного впливу натрію зрошувальних вод на розвиток рослин. Вирівнювання цих показників у наступні роки а також покращені агрофізичні властивості ґрунтів плантажованого варіанту обумовили прибавку на рівні 3,3-5,9 %. На 30-й рік післядії на плантажованій ділянці урожайність озимої пшениці була вищою, ніж на контролі.

Рис. 5.3. Вплив меліоративної плантажної оранки на урожайність зернових культур на темно-каштанових слабосолонцюватих ґрунтах (зрошення та післядія зрошення слабомінералізованими водами)

Отже, покращання основних властивостей солонцевих ґрунтів під впливом меліоративної плантажної оранки сприяло збільшенню врожайності сільськогосподарських культур. Аналіз урожайних даних показує, що в умовах незрошуваного землеробства прибавка врожаїв зернових культур на солонцях каштанових плантажованих 50 рік післядії складає 20-25 %, у зрошуваних умовах 40-50%. В умовах зрошення слабомінералізованими водами меліоративна плантажна оранка не виявляла позитивної дії на продуктивність сільськогосподарських культур, незначні прибавки спостерігаються в умовах припинення зрошення.

5.2 Математичне моделювання урожайності сільськогосподарських культур на солонцевих ґрунтах

Відомо, що модель оцінки ґрунтової родючості вважається адекватною лише тоді коли теоретичні дослідження, які побудовано на підставі логічних уявлень і припущень, підтверджуються аналізом експериментальних даних і математичним описом процесів і результатів. Застосування математичних методів і інтерпретацій у ґрунтових дослідженнях посилює елемент їх об’єктивності і дозволяє підвищити вирішення задач ґрунтознавства, особливо, якщо йдеться про різноманітність кількісних оцінок ґрунтових характеристик [15,22,24,48,62,82].

Величина врожаю будь-яких сільськогосподарських культур залежить від властивостей ґрунту, кліматичних умов попереднього і поточного року, рельєфу місцевості і цілого комплексу агротехнічних чинників (культури-попередники, обробіток ґрунту, добрива, якість насіння, сорт рослин і т.і.) [48,62,117].

Кількісну оцінку впливу різних чинників на урожай можна визначити двома способами: перший з використанням принципу єдиної різниці, другий з використанням математичних методів, перш за все методів математичної статистики. Перший шлях практично неможливий у зв’язку з великою різноманітністю природних чинників. Вплив кожного з них вимагає великого числа спостережень. Другий шлях виявляється можливим при використанні методів багатофакторних кореляцій і регресій [65,66,83,118,269].

Моделювання досліджуваної системи (врожай-природні умови) здійснювалося у декілька етапів, що являють собою чергування кількісного і якісного аналізу вихідної інформації.

Початковий етап моделювання передбачав визначення розміру вибіркової сукупності. Загальновідомо, що адекватність математичної моделі істотно пов’язана з кількістю досліджуваних показників вибірки, а саме – при збільшенні об’єму вибірки зростає об’єктивність одержаних даних. Об’єктом моделювання слугували природні умови (ґрунтові і кліматичні) формування врожаю сільськогосподарських культур на плантажованих ґрунтах.

Прагнучи отримати максимально достовірні результати для створення моделі продуктивності плантажованих ґрунтів ми використали наступні агрокліматичні та ґрунтові показники. З агрокліматичних показників вивчалися температура повітря, кількість атмосферних опадів та запаси продуктивної вологи в кореневмісному шарі ґрунтів за усі роки проведення досліджень. З ґрунтових показників вивчалися вміст загальних та токсичних солей, карбонатів кальцію, загального гумусу, валові та рухомі форми поживних елементів, активність іонів кальцію та натрію, гранулометричний та мікроагрегатний склад, щільність складення, структурно-агрегатний склад. До моделі залучалися ґрунтові показники шарів ґрунту 0-30 см, 30-40 см, 40-60 см. Таким чином загальна вибірка становила 122 показника для кожного з досліджуваних варіантів (плантаж та контроль).

З метою виявлення ролі ґрунтових характеристик та агрокліматичних критеріїв у формуванні врожаю, було застосовано декілька методів статистико-математичного аналізу, а саме: кореляційний, окремо парних кореляцій, факторний та багатофакторний кореляційно-регресійний із створенням моделей залежності урожайності основних сільськогосподарських культур і досліджуваних властивостей.

Розрахунки коефіцієнтів кореляції між врожаєм культур, ґрунтовими і кліматичними показниками було проведено за всіма показниками (Додаток Б).

Детальна статистична обробка даних дозволяє не тільки простежити залежності між врожаєм, ґрунтовими показниками та погодними умовами, а й кількісно визначити долю впливу кожного окремого показника (або їх сукупності) у формуванні величини врожаю. Це, в свою чергу створює можливість для розробки більш загальних математичних моделей та визначення динаміки змін впливу окремих показників за різних природно-антропогенних умов [15,22,24,48,62,117,118,129,221,238,240].

Основним недоліком існуючих методичних підходів є відсутність оцінки чистого дольового внеску кожного критерію у загальну роботу чинників ґрунтової родючості. Вирішити це питання, а також встановити величину очікуваного врожаю при фіксованих значеннях показників та простежити характер змін продуктивності ґрунтів за умов варіацій декількох чинників, можливо при застосуванні складних методів математичного аналізу і статистичного моделювання [24].

Статистичне моделювання складається з математичної формалізації закономірностей у вигляді абстрактних математичних аналогів, що інформаційно відображають поведінку реальної системи. Створена при цьому математична модель є системою математичних співвідношень і знакових логічних виразів, які імітують поведінку реальної системи у змінному середовищі. Оскільки строго математично відобразити усе різноманіття умов, чинників і взаємозв’язків природного оригіналу майже неможливо, закономірності поведінки системи виражають за допомогою найістотніших рис реальних об’єктів, процесів і явищ [221,240].

Розробку регресійних моделей великої розмірності (122 показники) пов’язано з такою методологічною складністю, як небезпека колінеарності та мультиколінеарності факторів (кореляція між парами або декількома факторами одночасно). Система «ґрунт-урожай», як частина біогеоценозу під антропогенним впливом, на практиці нараховує декілька десятків показників і кілька сотень об’єктів. Останні тісно пов’язані між собою множинними кореляційними залежностями, що не дозволяє виокремити вплив окремого показника на результативну ознаку. Це сприяє появі помилкових кореляцій і приховуванню інших зв’язків[78].

Математично обґрунтоване уникнення подібної плутанини досягається обробкою даних методом факторного аналізу, який спроможній вирішувати задачі великої розмірності. У цьому випадку використання регресійного аналізу при мультиколінеарних зв’язках між початковими змінними вважається коректним і досить ефективним. Перехід до системи агрегованих показників (факторів) дозволяє стиснути початкову інформацію (скорочення векторного простору) до певних розмірів, при яких зберігаються істотні риси початкового простору. При цьому, із даних витягаються найбільш істотні зв’язки, а другорядні і випадкові відкидаються [78]. Сама класифікація здійснюється вже не за вихідними ознаками, а за їх лінійною комбінацією, тобто інтегрованими показниками – факторами, кількість яких є значно меншою [78]. Метод дозволяє виявити «грубі помилки» у вибірці і досить точно визначити оцінки досліджених параметрів.

Після проведення факторного аналізу за всіма досліджуваними показниками було виділено 5 факторних груп сукупний відсоток векторних навантажень урожаю яких складає 70 %. Таким чином було виявлено достовірно наявні залежності. Інші 30 % факторного навантаження урожаю знаходяться в більш глибинних зв’язках, які, як правило, виражені у криволінійній формі, а тому не здатні проявляти свій вплив без додаткової трансформації даних.

Виявлені 5 факторних груп, у таблиці факторного аналізу було розміщено за зменшенням рівня навантаження на визначальний показник. Величини векторів факторного навантаження виражено у вигляді коефіцієнтів детермінації.