Вы находитесь на странице: 1из 18

Укр. гідрометеорол. ж.

, 2018, №21

АГРОМЕТЕОРОЛОГІЯ

УДК 551.509

ОСОБЕННОСТИ ТЕХНОЛОГИЧЕСКОЙ АДАПТАЦИИ СИСТЕМЫ CGMS ДЛЯ


МОНИТОРИНГА СЕЛЬСКОХОЗЯЙСТВЕННЫХ ПОСЕВОВ В УКРАИНЕ
А. А. Кривобок1, канд. геогр. наук
Кривошеин А.О.1, канд. геогр. наук
Т. И. Адаменко2, канд. геогр. наук

Украинский гидрометеорологический институт,
03028, г. Киев, проспект Науки, 37, kryvoshein@uhmi.org.ua

Украинский гидрометцентр,
01601 г. Киев, ул. Золотоворотская 6-В

В статье рассматриваются особенности технологической адаптации системы CGMS


(системы мониторинга условий роста и развития сельскохозяйственных культур), а именно:
создание метеорологической базы данных за период 2000-2017 гг., используя стандартные
метеорологические наблюдения сети УкрГМЦ; создание базы данных почвенных
характеристик, путем нахождения соответствия между таксономией почвенной карты
Украины и классификацией почв WRB; создание баз данных фенологических
характеристик и статистической урожайности на областном и районном уровнях. Кроме
того, в статье рассматривается пространственная схематизация расчетов и агрегация
показателей продуктивности сельскохозяйственных посевов, полученных в результате
работы биофизической модели WOFOST. Изложена схема прогноза урожайности
сельскохозяйственных культур в разрезе административных единиц, а также проведена
оценка точности прогноза урожайности озимой пшеницы в административных районах
Киевской области.
Ключевые слова: система мониторинга, сельскохозяйственные культуры,
характеристики продуктивности, биофизическое моделирование, прогноз урожайности,
WOFOST, CGMS.

1. ВВЕДЕНИЕ маркетинговой политики на внешних рынках. В


настоящее время одной из наиболее
Украина занимает одно из ведущих мест в
совершенных подобных систем является система
мире в области производства
CGMS (Crop Growth Monitoring System -
сельскохозяйственной продукции и экспорта
Система мониторинга роста
продовольствия. По оценкам экспертов,
сельскохозяйственных посевов), разработанная в
потенциально, Украина может производить
Объединенном исследовательском центре EC
такое количество продовольствия, которым
(Испра, Италия). По оценкам, полученным [1]
может обеспечить около 200 млн. человек, что в
ошибка прогнозов урожайности по основным
5 раз превышает сегодняшнее население страны.
сельскохозяйственным культурам на
Очевидно, что производство такого количества
европейском континенте с помощью данной
сельскохозяйственной продукции – это
системы за период 19751997 гг. была в
значительный экспортный потенциал страны,
который требует не только достаточно высокого пределах 35 %. В основном, эта система давала
технологического уровня производства, но и значительные ошибки прогноза урожайности на
современную государственную систему ранних стадиях вегетации и меньшие на
мониторинга состояния и прогноза урожайности поздних. Данная система положена в основу
основных сельскохозяйственных культур для постоянно действующих проектов MARS-FOOD
принятия необходимых управленческих (Мониторинг урожайности для
решений. Такая система позволит максимально продовольственной безопасности), MARS-STAT
быстро и эффективно оценивать изменения (Сельскохозяйственная статистика), MARS-PAC
метеорологических условий, их влияние на (Поддержка общей сельскохозяйственной
развитие растительности, возможную политики), поддерживаемых Европейской
урожайность, принятие мер для обеспечения Комиссией.
продовольственной безопасности, поддержки Система CGMS состоит из
производителей сельскохозяйственной агрометеорологической модели WOFOST [2; 3],
продукции и проведения определенной базы данных, которая включает
метеорологические, агрометеорологические,
Кривобок А. А., Кривошеин А. О., Адаменко Т. И.

статистические, почвенные независимых модулей, представленные на рис. 1.


геопространственные данные и статистическую
модель прогноза урожайности. В общем все ее
составляющие объединены в несколько

Рис. 1 - Общая схема системы CGMS.

В этой схеме указаны входные данные, а также - технологическая адаптация программных


выходная информация для каждого модуля, средств для проведения расчетов системы.
которая может быть использована как Проведение соответствующих этапов
самостоятельный продукт для дальнейшего адаптации позволит повысить точность
анализа. Учитывая, что данная система определяемых характеристик развития
использует структурированную базу данных, что сельскохозяйственных посевов на протяжении
упрощает, в значительной степени, ее вегетационного периода для, практически,
наполнение, она была адаптирована во многих любого района земного шара.
странах мира для проведения мониторинга за В Украине данная система (СGMS-Украина)
состоянием сельскохозяйственных посевов [4-6]. была адаптирована в последние несколько лет и
В основном адаптация сводится к следующим статья посвящена именно этой проблеме.
шагам:
- создание базы метеорологических и 2. ФОРМИРОВАНИЕ БАЗЫ ДАННЫХ МЕТЕО-
фенологических данных, доступных для этой РОЛОГИЧЕСКИХ ХАРАКТЕРИСТИК
территории. База данных должна включать не
Входными для этого модуля являются
менее 15 лет ежедневных наблюдений;
ежедневные срочные стандартные
- создание базы данных по характеристикам
метеорологические данные в форматах WMO [7]
почвы (как правило, используется наиболее
с метеорологических станций Гидрометцентра
точная почвенная карта для данной территории);
Украины (рис. 2а). Эти данные включают
- калибровка агрометеорологической модели
измерения температуры, осадков, скорости
WOFOST;
ветра, высоты снежного покрова, бала
- создание базы данных по урожайности
облачности и температуры точки росы. В
сельскохозяйственных культур в масштабах
дальнейшем они трансформируются в суточные
административных единиц, доступных в
данные со следующим набором параметров:
местных статистических организациях;
минимальная и максимальная температура,
-адаптация схемы прогноза урожайности
суммарное количество осадков, высота снежного
сельскохозяйственных культур в разрезе
покрова, средние значения скорости ветра, балла
административных единиц.

Ukr. gìdrometeorol. ž., 2018, No21

2
Особенности технологической адаптации системы CGMS для мониторинга сельскохозяйственных посевов в Украине

облачности и парциального давления водяного Украинского гидрометцентра (а) и узлов регулярной сетки
пара (Pa), которое рассчитывается по следующей (б)
формуле [8; 9]
По среднесуточным данным рассчитываются
H значения солнечной радиации и испаряемость
Pa  Ps  , (1)
100 над водной, растительной и земной (свободной
от растительности) поверхностями [10].
где Ps –давление насыщенного водяного пара, Суточные данные интерполируются в узлы
гПа: регулярной сетки в азимутальной проекции
Ламберта размером 50×50 км (рис. 2,б). Выбор
 T   T  размера узла
Ps  0.61121 exp  18.678     ,
 234.5   257.14  T  регулярной сетки основывался на том, что
для T> 0 °C; метеорологические данные в его пределах
изменяются незначительно [11-12]. Схема
 T   T  интерполяции состоит из двух шагов, первый -
Ps  0.61115  exp   23.036     ,
 333.7   279.82  T   определение для станций, находящихся в
радиусе 250 км от центра узла регулярной сетки,
для T <0 °C;
так называемой, меры «подобности» [13-14]. В
 17.625  TD  основу расчета положена мера, которая
exp  
 243.04  TD  учитывает расстояние от центра узла до
H  100  ,
 17.625  T  метеорологической станции, высоту над уровнем
exp   моря, на которой расположена
 243.04  T 
метеорологическая станция, расстояние до
TD – значение температуры точки росы, °C; ближайшей морской поверхности станции и
T – значение температуры, °C; центра узла, а также расположение станции и
H – значение относительной влажности центра узла относительно, так называемого
воздуха, %. «климатического барьера», например, горного
массива. Мера «подобности» выражается в
километрах, чем выше значение, тем менее
подобны метеорологические условия на
определённой станции и центра узла регулярной
сетки. Окончательно, мера «подобности»
рассчитывается следующим образом

SS  dist  Dalt  Walt  Dd Cstcorr  ClbIn , (2)

где SS - мера подобности центра узла сетки


относительно метеорологической станции, км;
dist - расстояние между центром узла сетки и
а) метеорологической станцией, км; Dalt -
абсолютная разница в высоте относительно
уровня моря, м; Walt – весовой фактор для
Dalt км/м. Значение Walt принимается 0.5 км/м и
основано на предположении, что разница в
высоте составляет 100 м на 50 километрах
расстояния по горизонтали; DdCstcorr –
абсолютная разница в расстоянии до ближайшей
морской поверхности между центральной
точкой узла регулярной сетки и
метеорологической станцией, км; ClbIn - значение
«климатического барьера», км.
Для интерполяции метеорологических
данных в узлы регулярной сетки использовались
б)
измерения от одной до четырех станций. Для
Рис. 2 - Расположение метеорологических станций определения наиболее подходящего набора

Укр. гідрометеорол. ж., 2018, №21


3
Кривобок А. А., Кривошеин А. О., Адаменко Т. И.

станций для интерполяции метеорологических подсолнечника – на 70 и сои – на 23 станциях и


данных рассчитывается суммарная мера постах. В число этих наблюдений входит даты
«подобности» в соответствии с (1). Она основана сева, всходов и созревания
на средних значениях мер «подобности» сельскохозяйственной культуры. Так как в
метеостанций. Окончательное выражение будет СGMS-Украина вся информация, как уже было
выглядеть следующим образом отмечено ранее, представлена в узлах
регулярной сетки, то все фенологические данные
SetScore  distavg  Daltavg Walt  DdCstcorravg  FnS  Scoremin ,(3)
для каждой культуры были проинтерполированы
где SetScore – оценка пригодности набора в эти узлы. В качестве метода интерполяции был
метеорологических станций по отношению к использован метод осреднения данных
соответствующему центру ячейки сетки, км; близлежащих, в радиусе 250 км от центра узла
distavg – среднее расстояние между центром регулярной сетки, станций и постов. Таким
узла сетки и метеорологической станцией, км; образом были получены интерполированные
Daltavg – средняя абсолютная разница в высоте фенологические данные для узлов регулярной
относительно уровня моря, м; DdCstcorravg – сетки за период с 2000 по 2015 годы. В
cредняя абсолютная разница в дальнейшем используется подход, описанный в
скорректированном расстоянии до [15], в соответствии с которым определяется
побережья, км; FnS – критерий, учитывающий климатически оптимальная дата сева
число станций при интерполяции; сельскохозяйственных культур.
Scoremin – минимальное значение меры 4. ФОРМИРОВАНИЕ БАЗЫ ДАННЫХ ПО
ХАРАКТЕРИСТИКАМ ПОЧВЫ
«подобности» для станций при интерполяции,
км. Данные почвенных характеристик являются
На втором шаге, после того, как был одним из самых сложных источников
определен оптимальный набор информации для CGMS-Украина. Как правило,
метеорологических станций, для получения они получаются из различных баз данных
метеорологических параметров для каждого узла почвенных характеристик и обрабатываются в
сетки, что выражается минимальной соответствии с алгоритмами, описанными в [16].
установленной оценкой, данные просто От масштаба почвенной карты, которая берется
усредняются. Значение температуры и давления за основу при формировании базы входных
водяного пара корректируются на разницу в данных напрямую зависит количество
высоте между выбранной метеорологической элементарных расчетных единиц и необходимое
станцией и центром ячейки климатической время обработки. Информация о
сетки. Для получения интерполированных характеристиках почвы используется в CGMS-
данных по осадкам использовалась упрощенная Украина двояко. Во-первых, она используется
схема [14], когда узлу регулярной сетки при моделировании, когда определяются
соответствуют осадки, выпавшие на станции, влажность почвы и глубина залегания корневого
имеющей самое низкое значение меры слоя, а во-вторых – при определении
«подобности». пригодности типа почв для выращивания той
Таким образом, были получены ежедневные или иной сельскохозяйственной культуры.
интерполированные метеорологические данные Степень пригодности выражается в процентах от
в узлах сетки по всей территории Украины в 0 до 100. Для территории Украины почти все
период с 2000 до 2017 года. типы почв пригодны для выращивания
сельскохозяйственных культур, за исключением
3. ФОРМИРОВАНИЕ БАЗЫ ДАННЫХ ФЕНО- горных массивов и солончаков, находящихся на
ЛОГИЧЕСКИХ НАБЛЮДЕНИЙ юге Херсонской области. В системе CGMS-
Для формирования базы фенологических Украина учитываются почвенные
данных были использованы стандартные характеристики, связанные с ее
фенологические наблюдения сети Украинского водоудерживающей способностью. Такими
гидрометеорологического центра. Такие характеристиками являются влажность
наблюдения проводятся на завядания, полевая влагоемкость и максимальная
агрометеорологических станциях и постах по влагоемкость, которые необходимы для расчетов
всей территории Украины. Всего наблюдения за влагообеспеченности сельскохозяйственных
посевами озимой пшеницы проводятся на 117, культур. Каждый тип почвы также
кукурузы – на 54, ярового ячменя – на 77, характеризуется глубиной корневого слоя

Ukr. gìdrometeorol. ž., 2018, No21

4
Особенности технологической адаптации системы CGMS для мониторинга сельскохозяйственных посевов в Украине

(rooting depth), которая оценивается с найдено соответствие между таксономией


использованием, так называемых, почвенной карты Украины и классификацией
педотрансферных функций (Pedotranfer почв WRB [19; 20]. Из почвенной карты было
functions) [17], когда по названию почвы в извлечено 40 типов почв (табл. 1), которые
классификации WRB [18] (World Reference Base использовались для оценки глубины залегания
– международный стандарт классификации корневого слоя на основе упоминавшихся ранее
почв) и механическому составу оценивается педотрансферных функций.
глубина корневого слоя. Следующим шагом было определение
В качестве основной информации для объемного содержания влаги в почве при
заполнения базы данных системы максимальной влагоемкости (SAT),
использовалась оцифрованная почвенная карта минимальной (WP) и
Украины 1: 2500000. На первом шаге было
Taблица 1 - Соответствие между таксономией почвенной карты Украины и классификацией почв WRB

Классификация типов почв Таксономия почвенной карты Украины


по WRB
Podzoluvisols (PD)
Stagnc (PDj) Дерново-слабоподзолистые оглеенные (DSLO 3)
Eutric (Pde) Дерново-слабоподзолистые песчаные и глинисто-песчаные (DSPG 1)
Gleyic (PDg) Дерново - среднеподзолистые оглеенные (DSRO 4)
Gleyic (PDg) Дерново-среднеподзолистые супесчаные (DSS 2)
Gleyic (PDg) Дерново - средне и сильноподзолистые поверхностно - оглеенные (DSRPO 5)
Eutric (Pde) Светло- серые и серые оподзоленные (YASS 6)
Gleyic (PDg) Дерновые оподзоленные суглинистые (DOS 36)
Solonetz (SN)
Haplic (SNh) Солонцы (SS 33)
Chernozems (CH)
Calcic (CHk) Черноземы южные остаточно - солонцеватые (CHPZS 22)
Calcic (CHk) Черноземы преимущественно солонцеватые на тяжелых глинах CHSG (18)
Calcic (CHk) Черноземы и дерновые почвы щебневые на элювии безкарбонатных пород
(сланцы) (CHDR 19)
Calcic (CHk) Черноземы обычные малогумусные , а ) мицеллярно - карбонатные (CHZMM 15)
Luvic (CHI) Черноземы типичные остаточно - солонцеватые (CHPZS 21)
Haplic (CHh) Черноземы обычные малогумусные маломощные , а ) мицеллярно - карбонатные
(CHZMK 16)
Haplic (CHh) Черноземы типичные малогумусные (CHTM 11)
Haplic (CHh) Черноземы типичные среднегумусные (CHTS, 12)
Haplic (CHh) Черноземы обычные среднегумусные (CHZS 14)
Calcic (CHk) Черноземы обычные мало - и среднегумусные мощные : а) мицеллярно -
карбонатные (CHZM 13)
Haplic (CHh) Черноземы реградированные (CHR 10)
Haplic (CHh) Черноземы южные малогумусные и слабо гумусованые : а) мицеллярно -
карбонатные (CHPM 17)
Calcic (CHk) Черноземы и дерновые карбонатные почвы на элювии карбонатных пород (мел)
(CHDRK 20)
Phaeozems (PH)
Haplic (PHh) Лугово - черноземные и дерново - осолоделые (LCHDO 34)
Luvic (PHI) Лугово - черноземные глубоко солонцеватые (LCHGS 25)
Luvic (PHI) Лугово - черноземные поверхностно - солонцеватые (LCHPS 24)
Luvic (PHI) Черноземы оподзоленные (CHO, 8)
Gleysols (GL)
Mollic (GLm) Луговые солонцеватые (LS 30)
Umbric (GLu) Луговые (L 29)
Dystric (GLd) Дерновые оглеенные песчаные со слабогумусовыми песками (DOP 35)
Mollic (GLm) Лугово - болотные и болотные (LB 31)
Kastanozems
Luvic (KSI) Темно - каштановые остаточно - солонцеватые (TEMSZ 26)
Luvic (KSI) Темно - каштановые солонцеватые (TEMSS 27)

Укр. гідрометеорол. ж., 2018, №21


5
Кривобок А. А., Кривошеин А. О., Адаменко Т. И.

Luvic (KSI) Каштановые солонцеватые (KZS 28)


Cambisols (CM)
Distric (CMd) Бурые горно - лесные щебневые и дерново - буроземные (BGDB, 38)
Distric (SKe) Дерново - буроземные и горно - луговые (DBGL, 39)
Chromic (CMx) Коричневые горные щебневые (KG 40)
Eutric (CMe) Буроземно - подзолистые и поверхностно - оглеенные (BPPO 37)
Greyzems (GR)
Haplic (GRh) Темно - серые оподзоленные (TEMS 7)
Haplic (GRh) Темно - серые реградированные (TEMSR 9)
Histosols (HS)
Histisols (HS) Торфяно - болотные (TB 32)

полевой влагоемкости (FC) каждого типа почв с продуктивных органов (кг/га), индекса листовой
использованием информации, полученной из поверхности, стадии развития и относительной
различных справочных материалов, влажности почвы. Для более корректного
опубликованных в Украине [21-23]. Эти описания этого процесса в определенных
характеристики влажности почвы представлены географических районах необходимо проведение
в виде вертикальных профилей калибровки этой модели, т.е. адаптации ее для
гравиметрических масс (θm) каждые 10 см от использования в указанных регионах. Адаптация
поверхности до глубины 2,5 м. Для предполагает нахождение определенных
преобразования θm в объемное содержание влаги коэффициентов, используемых для
(θv) используется следующее уравнение моделирования развития растений. Все
коэффициенты в модели WOFOST делятся на
Pt две группы: одни, связанные с физическими
v  m  , (4)
Pw процессами, происходящими в растениях,
другие – с влиянием локальных факторов на
где Pt - объемная плотность почвы, Pw - развитие сельскохозяйственных культур. Для
плотность воды (Pw = 1). первой группы коэффициентов необходимо
Эти значения доступны для каждого типа проведение, достаточно, сложных натурных
почв в [23]. Таким образом SAT, WP и FC экспериментов, которые не рассматриваются в
конкретных типов почв оцениваются как данной статье. Для второй группы
средние значения вертикального профиля: коэффициентов, которые определяют
фенологическое развитие и включают TSUMEM
 SAT 
 i
SAT
, (5) (сумма температур от даты посева до всходов),
n TSUM1(сумма температур от всходов до цветения)
и TSUM2(сумма температур от цветения до

WP 
 i
WP
, (6)
созревания), были рассчитаны эти значения по
фенологическим данным, полученным с
n
агрометеорологических постов и станций сети

 FC   FC ,
i Гидрометцентра Украины за период 2000 – 2015
(7) годы по пяти основным сельскохозяйственным
n культурам (озимая пшеница, кукуруза, яровой
ячмень, соя и подсолнечник). В качестве
где , , - объемное содержание примера в таблице 2 приведено количество
влаги на определенной глубине почвы i, n - наблюдений для расчета указанных
количество уровней. коэффициентов для посевов озимой пшеницы.
Для оценки TSUMEM мы оцениваем
5. КАЛИБРОВКА АГРОМЕТЕОРОЛОГИЧЕС- эффективную дневную температуру (Teff),
КОЙ МОДЕЛИ WOFOST которая необходима для развития посевов с даты
Как уже указывалось ранее неотъемлемой сева (BBCH00) до всходов (BBCH09).
частью системы CGMS-Украина является Эффективная суточная температура
биофизическая модель WOFOST [24-28], рассчитывается как
которая используется для моделирования
Teff  T  Tbase
развития сельскохозяйственных посевов, т.е. , (8)
расчета общей биомассы (кг/га), биомассы

Ukr. gìdrometeorol. ž., 2018, No21

6
Особенности технологической адаптации системы CGMS для мониторинга сельскохозяйственных посевов в Украине

где Tbase  = 0 ℃ для посевов озимой пшеницы,


где d – день года, который соответствует
Tbase  = 10 ℃ для посевов кукурузы, Tbase  = 0 ℃ конкретной стадии фенологического развития,
для посевов ярового ячменя, Tbase  = 7 ℃ для
посевов сои, Tbase  = 3 ℃ для посевов 0, T  Tbase
подсолнечника. 
Teff  T  Tbase , Tbase  T  Teffmx , (10)
Значения коэффициентов TSUM1 и TSUM2 
рассчитываются как сумма Teff от стадии всходов Teffmx , T  Teffmx
растений (BBCH09) до цветения (BBCH65) и от
BBCH65 до стадии созревания (BBCH89),
соответственно.
d
Tsum   Teff , (9)
i 1
Таблица 2 - Фенологические данные, которые используются для расчета значений TSUMEM, TSUM1, TSUM2 для посевов озимой
пшеницы за период 2000-2015 г.

Область Число Фаза фенологического Число


станций, развития (BBCH коды [29]) наблюдений
постов
Черкасская 6 00 09 65 89 168
Черновицкая 2 00 09 65 89 29
Черниговская 3 00 09 65 89 43
Днепропетровская 6 00 09 65 89 193
Донецкая 8 00 09 65 89 235
Житомирская 2 00 09 65 89 43
Ивано-Франковская 2 00 09 65 89 39
Киевская 5 00 09 65 89 131
Крым 11 00 09 65 89 206
Волынская 4 00 09 65 89 93
Львовская 5 00 09 65 89 102
Луганская 7 00 09 65 89 156
Николаевская 8 00 09 65 89 184
Одесская 9 00 09 65 89 254
Полтавская 6 00 09 65 89 100
Ровенская 2 00 09 65 89 40
Сумская 4 00 09 65 89 90
Тернопольская 4 00 09 65 89 101
Винницкая 5 00 09 65 89 118
Харьковская 7 00 09 65 89 183
Херсонская 7 00 09 65 89 156
Хмельницкая 5 00 09 65 89 128
Закарпатская 2 00 09 65 89 30
Запорожская 6 00 09 65 89 124

где Teffmx  максимальная эффективная начинается с 1 января и не учитывает условия


температура для развития посевов (для озимой роста осенью. Рассчитанные значения T SUM1,
пшеницы, кукурузы, ячменя; Teffmx = 30 ℃, TSUM2 для каждого узла географической сетки,
подсолнечника Teffmx = 32 ℃ и сои Teffmx = 22 ℃). для посевов озимой пшеницы по территории
Для озимой пшеницы TSUMEM и TSUM1 Украины, в качестве примера, представлены на
рассчитываются с фактической даты сева, рис. 3-4.
учитывая осенние условия развития. Такой
подход отличается от того, как рассчитывается
TSUM1, например, в CGMS-Europe в
Объединенном центре JRC, где моделирование

Укр. гідрометеорол. ж., 2018, №21


7
Кривобок А. А., Кривошеин А. О., Адаменко Т. И.

6. СОЗДАНИЕ БАЗЫ ДАННЫХ ПО 7. ПРОСТРАНСТВЕННАЯ СХЕМАТИЗАЦИЯ


УРОЖАЙНОСТИ СЕЛЬСКОХОЗЯЙСТВЕННЫХ РАСЧЕТОВ И АГРЕГАЦИИ ПОКАЗАТЕЛЕЙ
КУЛЬТУР, ДОСТУПНЫХ В МЕСТНЫХ ПРОДУКТИВНОСТИ СЕЛЬСКОХОЗЯЙСТВЕН-
СТАТИСТИЧЕСКИХ ОРГАНИЗАЦИЯХ НЫХ ПОСЕВОВ

Для оценки урожайности Одной из основных особенностей системы


сельскохозяйственных культур в Украине была CGMS-Украина является возможность
создана база данных по урожайности и получения достоверных характеристик
площадям посевов (областные и районные продуктивности сельскохозяйственных культур
данные) уже упоминавшихся пяти в масштабах страны, области, района путем
сельскохозяйственных культур за период 2000 – учета метеорологических и почвенных
2017 годы. Эти данные были получены из неоднородностей в масштабах выделенных
областных и районных управлений статистики административных единиц. Для этого
Государственной службы статистики Украины. территория Украины делится на, так
Эта база данных состоит из 46350 записей, называемые, таксоны, которые являются
каждая из которых включает информацию об условно однородными по метеорологическим и
урожайности сельскохозяйственной культуры, почвенным характеристикам и принадлежащими
площадях посевов и источник получения
данных.

Рис. 3 - Рассчитанные значения TSUM1 в узлах регулярной сетки

Ukr. gìdrometeorol. ž., 2018, No21

8
Особенности технологической адаптации системы CGMS для мониторинга сельскохозяйственных посевов в Украине

Рис. 4 - Рассчитанные значения TSUM2 в узлах регулярной сетки

к определенной административной единице. Это


сделано в связи с тем, что для расчета
характеристик продуктивности используется
одномерная модель WOFOST. При таком
подходе, смоделированные индикаторы
продуктивности определенной
сельскохозяйственной культуры являются
репрезентативными для однородной
территориальной единицы и отличаются от
характеристик продуктивности этой культуры в
других метеорологических и почвенных
условиях. Кроме того, поскольку параметры
продуктивности используются в статистической
подсистеме прогнозирования урожайности, то
они должны быть обобщены и на уровне
административных единиц. В расчетной схеме
CGMS-Украина используются такие
таксономические единицы: узел регулярной
сетки (GRID) – таксономическая единица с
однородными климатиче скими (погодными)
условиями, геометрическим центром которого
является узел регулярной климатической сетки;
SMU – таксономическая единица с однородным
почвенным покровом; NUTS –
административная территориальная единица:
NUTS-0 – государственное административное
деление; NUTS-1 – областное административное
деление; NUTS-2 – районное административное
деление; EMU – элементарная картографическая
единица, которая является результатом
объединения всех рассмотренных таксонов в
рамках которых моделируются ха-

Укр. гідрометеорол. ж., 2018, №21


9
Кривобок А. А., Кривошеин А. О., Адаменко Т. И.

рактеристики продуктивности масштабе 1: 2500000 и карта административного


сельскохозяйственных культур (рис. 5). деления Украины на уровне районов.
Для выделения элементарных В результате наложения этих трех карт
картографический единиц на территории (рис. 6) было выделено 6913 EMU,
Украины были использованы карта узлов
регулярной сетки (50х50 км), карта почв в

GRID 1
EMU 4 EMU 3

SMU 1
GIS-
OVER-
LAY EMU 2
SMU 2

EMU 1
NUTS A

EMU1 = GRID 1, SMU 2, NUTS B


NUTS B
EMU2 = GRID 1, SMU 1, NUTS B
EMU3 = GRID 1, SMU 1, NUTS A
EMU4 = GRID 1, SMU 2, NUTS A

Рис. 5 - Схема выделения элементарных картографических единиц (EMU) [10].

Рис. 6 - Схема выделения элементарных картографических единиц (EMU) для Украины

для каждого из которых и применяется точечная административных территориальных единиц


модель WOFOST. Затем параметры (районов, областей, страны). Метод объединения
продуктивности сельскохозяйственных культур, (агрегации) отдельных EMU в узлы регулярной
рассчитанные для каждой EMU, агрегируются сетки основан на учете весового показателя
как на уровень узлов регулярной сетки, так и каждой EMU в рамках данного узла. Весовой

Ukr. gìdrometeorol. ž., 2018, No21

10
Особенности технологической адаптации системы CGMS для мониторинга сельскохозяйственных посевов в Украине

показатель EMU определяется отношением сельскохозяйственных культур в зависимости от


площади почв, пригодных для выращивания той погодных условий в общую урожайность, т/га;
или иной культуры в рамках данной EMU, к f(T) – технологический тренд как функция
общей площади пригодных почв для этой времени, т/га; e – остаточный член, не
культуры в рамках всего узла (по всем EMU). связанный с трендом, т/га; b0 – значение
Объединение смоделированных параметров урожайности без учета метеорологических
продуктивности сельскохозяйственных культур факторов и тренда, т/га.
на административных территориальных уровнях Следуя работе [33], уравнение (12) может
осуществляется по тем же принципам. быть переписано как
Для территории административного района
агрегированный показатель продуктивности YT  b0  b1T  b2 ST , (13)
определяется по формуле
n
где YT и ST – оцениваемая урожайность и
 CE ,i  AE ,i  YE ,i предикторы, полученные в результате
YN 2  i 1
n , (11) биофизического моделирования, т/га; T, b0, b1 и
 CE ,i  AE ,i b2 – постоянные регрессии; b0 – константа
i 1 представляющая собой среднюю официальную
где YN2 – показатель продуктивности статистическую урожайность, т/га; b1 –
сельскохозяйственной культуры в границах ежегодный технологический тренд урожайности,
административного района; YE – т/га; b2 – константа, описывающая вклад
смоделированные показатели продуктивности в метеорологических условий и изменяющаяся от
пределах EMU; AE – площадь EMU; CE – часть 0 до 1.
площади EMU, пригодной для выращивания Адаптация схемы прогноза, которая
данной культуры; n – количество EMU в используется в CGMS-Украина, проводилась для
границах административного района (NUTS-2). всех областей и включала ранее упоминавшиеся
По формуле (11) также могут быть получены пять сельскохозяйственных культур, которые
агрегированные показатели продуктивности составляют основной аграрный экспортный
сельскохозяйственных посевов и на других потенциал страны. Процесс адаптации состоял
территориальных уровнях – областном или из следующих шагов:
страны в целом. 1. выбор оптимальных предикторов для
прогноза урожайности с использованием
8. АДАПТАЦИЯ СХЕМЫ ПРОГНОЗА УРО- регрессионной модели;
ЖАЙНОСТИ СЕЛЬСКОХОЗЯЙСТВЕННЫХ 2. сравнительный анализ точности
КУЛЬТУР В РАЗРЕЗЕ АДМИНИСТРАТИВНЫХ прогноза урожайности по регрессионной
ЕДИНИЦ (РАЙОНОВ И ОБЛАСТЕЙ) модели с фактическими данными.
Как уже указывалось, в системе CGMS-
Украина используется статистическая модель 8.1 Выбор оптимальных предикторов для
прогноза урожайности. Для этого используется прогнозирования урожайности озимой
подход, предложенный в [30; 31], в котором в пшеницы по регрессионным моделям
качестве предикторов служат результаты К параметрам биопродуктивности посевов
биофизического моделирования роста сельскохозяйственных культур относятся общая
сельскохозяйственных культур. Эти результаты сухая биомасса, биомасса продуктивных органов
не что иное, как интегральная характеристика растений, индекс площади поверхности листьев,
развития сельскохозяйственных культур в которые могут быть определены для двух типов
зависимости от метеорологических условий и расчетов – для достаточного и недостаточного
почвенных характеристик, т.е. их влияние на увлажнения.
урожайность этих культур. В таком случае Для определения наиболее информативного
окончательная урожайность может быть предиктора используется метод наименьших
записана как [32] квадратов, по которому определяется
минимальная разница между спрогнозированной
YT  b0  f (T )  f ( simulation )  e , (12)
и фактической урожайностью.
где f(simulation) является функцией, Проведенные исследования показали, что
описывающей вклад результатов наименьшая квадратическая ошибка
биофизического моделирования роста наблюдалась при использовании в качестве

Укр. гідрометеорол. ж., 2018, №21


11
Кривобок А. А., Кривошеин А. О., Адаменко Т. И.

предикторов индекса площади поверхности Наименьшая урожайность спрогнозирована в


листьев при недостаточном увлажнении (WLAI) Иванковском (1,17 т/га) и Вышгородском
и сухой биомассы продуктивных органов в (1,95 т/га) районах. В то время, фактическая
условиях недостаточного увлажнения (WLYS). урожайность была, соответственно 1.38 и
Первый предиктор (WLAI) является более 1.73 т/га.
информативным в начальной фазе развития – до Наибольшая урожайность спрогнозирована в
формирования продуктивных органов, а другой Обуховском, Кагарлицком и Рокитнянском
предиктор (WLYS) – в более поздние сроки, районах и составляла, соответственно, 4.52 т/га,
после начала формирования продуктивных 5.02 т/га и 4.58 т/га, фактическая урожайность в
органов. этих районах составила, соответственно,
4.09 т/га, 4.27 т/га и 4.09 т/га.
8.2 Сравнительный анализ точности Таким образом, регрессионный метод
прогноза урожайности по регрессионной прогноза урожайности озимой пшеницы, где в
модели с фактическими данными качестве предикторов использованы параметры
продуктивности посевов, позволил получить
С использованием выше указанного удовлетворительные значения средней районной
предиктора было оценена точность прогноза урожайности с месячной заблаговременностью.
озимой пшеницы по каждому району Киевской
области за 2007 г. (в качестве примера). Для 9. ТЕХНОЛОГИЧЕСКАЯ АДАПТАЦИЯ ПРО-
оценки были использованы следующие ГРАММНЫХ СРЕДСТВ ДЛЯ ПРОВЕДЕНИЯ
статистические характеристики: РАСЧЕТОВ СИСТЕМЫ CGMS-УКРАИНА
а) относительная ошибка прогноза
Технологическая адаптация системы
Y f  YT заключалась в модификации и компиляции
APE   100 , (14) исходных кодов программы, написанных на
YT
языке программирования С++, компилятором
Microsoft Visual C++ 6.0 в среде Windows 7,
где Yf – фактическая урожайность, т/га;
включая блок статистической обработки данных
б) дисперсия ошибки
для прогнозирования урожайности
(Y f  YT ) 2 использующий такие функции как линейная
RMSE  , (15) регрессия и сценарный анализ [34], который
N состоял из пакета программ MathPack
Professional Edition
где N – количество точек; (http://www.lohninger.com/mathpack.html) и представлен
в виде специальной DLL библиотеки. Таким
в) среднее отклонение между фактическими и образом, были сформированы исполняющие
прогностическими значениями урожайности файлы CGMS.exe и CGMSBAT.exe, которые
(Y f  YT ) вместе с базой данных могут работать как в
RES  . (16) интерактивном режиме, когда оператор может
N самостоятельно манипулировать параметрами
Относительная ошибка прогноза для проведения расчетов, так и автоматическом,
урожайности озимой пшеницы, составленного во путем прописывания последовательности
второй декаде июня 2007 г. по команд в СGMS.ini файле. В настоящее время в
административным районам Киевской области, УкрГМИ действуют две версии этой системы,
варьирует в достаточно больших пределах, одна из которых использует районные
однако, в основном не превышает 20 % (табл. 3). статические данные по урожайности, а другая –
Средняя относительная ошибка равна 12 %. областные. Различие в этих двух версиях также
состоит в использовании различных
В абсолютных значениях средняя элементарных расчетных единицах, которые
квадратическая ошибка прогноза составила зависят от принимаемого уровня
0,33 т/га, что находится в допустимых границах административного деления.
точности прогнозирования, определенных для
системы СGMS-Europe.
Таблица 3 - Оценка точности прогноза урожайности озимой пшеницы в административных районах Киевской области
2007 г.

Ukr. gìdrometeorol. ž., 2018, No21

12
Особенности технологической адаптации системы CGMS для мониторинга сельскохозяйственных посевов в Украине

Относительная
Административный Фактическая Расчетная
погрешность
район урожайность, т/га урожайность, т/га
прогноза, %

Укр. гідрометеорол. ж., 2018, №21


13
Кривобок А. А., Кривошеин А. О., Адаменко Т. И.

Барышевский 3.28 3.14 4


Белоцерковский 3.37 3.4 1
Богуславский 2.66 3.01 13
Бориспольский 3.21 3.13 2
Бородянский 2.47 2.33 6
Броварской 2.96 2.49 16
Васильковский 3.38 4.2 24
Володарский 3.75 4.01 7
Вышгородский 1.38 1.95 41
Згуровский 3.69 3.24 12
Иванковский 1.73 1.17 32
Кагарлицкий 4.27 5.02 18
Киево-Святошинский 3.51 4.01 14
Макаровский 1.95 2.28 17
Мироновский 3.24 4.03 24
Обуховский 4.09 4.52 11
Переяслав-Хмельницкий 2.89 2.9 0
Рокитнянский 4.09 4.58 12
Сквирский 2.99 3.23 8
Ставищенский 3.2 3.04 5
таращанский 2.98 3.25 9
Тутаевский 2.99 3.1 4
Фастовский 3.2 3.12 3
Яготинский 3.87 3.65 6

Результаты работы системы CGMS-Украина исследований и наблюдений на


доступны на web страничке агрометеорологических станциях и постах по
http:/entln.uhmi.org.ua/case/CGMS всей Украине.
В качестве почвенной информации
10. ВЫВОДЫ использовалась оцифрованная карта почв в
масштабе 1:2500000 с предварительно
Таким образом, по результатам проведенных
проведенной согласованностью между
исследований осуществлено методическую и
таксономией Украины и классификацией почв
технологическую адаптацию системы CGMS
WRB. Из почвенной карты извлечено 40 типов
(Crop Growth Monitoring System - системы
почв, характеристики которых были вовлечены в
мониторинга условий роста и развития
процесс моделирования, а именно глубина
сельскохозяйственных культур и
залегания корневого слоя и параметры
прогнозирования урожайности) для
влажности (наименьшая полевая влагоемкость,
использования в Украине.
точка увядания и пр.).
Для работы системы создана комплексная
Статистическая информация получена из
база входящих данных в формате MSAccess,
областных и районных управлений
которая включает метеорологическую,
Государственной службы статистики Украины и
фитофенологическую, почвенную и
состоит из 46350 записей, в которых указаны
статистическую информацию.
урожайность и площади посевов озимой
Метеорологическая информация состоит из
пшеницы, кукурузы, ячменя, подсолнечника и
интерполированных в сетку гридов 50×50 км
сои.
ежедневных срочных стандартных метеоданных
Выполнена пространственная схематизация
в форматах WMO, полученных из сети станций
для расчетов и дальнейшей агрегации
Гидрометцентра Украины.
показателей продуктивности
Фитофенологическая информация включает
сельскохозяйственных посевов, в результате
множество биологических коэффициентов
которой выделено 6913 элементарных
растений, а также дату сева, всходов и
картографических единиц, для каждой из
созревания сельскохозяйственных культур,
которых и применяется точечная модель
которые были получены в результате полевых
WOFOST.

Ukr. gìdrometeorol. ž., 2018, No21

14
Особенности технологической адаптации системы CGMS для мониторинга сельскохозяйственных посевов в Украине

Адаптирована схема прогноза урожайности, Luxembourg, 1998, pp. 3-17.


которая базируется на модели регрессии и для 13. Goot E. van der. Spatial interpolation of daily
meteorological data for the Crop Growth Monitoring
которой определены оптимальные предикторы System (CGMS). In: M. Bindi, B. Gozzini (Eds).
(индекс площади поверхности листьев WLAI в Proceedings of seminar on data spatial distribution in
начальной фазе развития растений и биомасса meteorology and climatology, 28 September - 3 October
продуктивных органов WLYS для более поздних 1997, Volterra, Italy. EUR 18472 EN, Office for Official
Publications of the EU, Luxembourg, 1998a, pp. 141-153.
сроков вегетации). 14. Goot E. van der. Technical description of interpolation and
Проведена технологическая адаптация processing of meteorological data in CGMS. Joint
программных средств для проведения расчетов, Research Centre of the European Commission, Ispra, Italy,
которая заключалась в модификации и 1997, pp. 23.
компиляции исходных кодов программы, 15. Savin I., Leo O., Boogaard H., Diepen С., van der Ham H.
Сlimatically Optimal Planting Dates, JRC Scientific and
написанных на языке программирования C++. Technical Report, 2007, p. 57
16. New soil information for CGMS (Crop Growth Monitoring
СПИСОК ЛИТЕРАТУРЫ System) (SINFO). Final report. Alterra – Wageningen
University and Research Centre and INRA. 162 p.
1. Genovese G.P. Introduction to the MARS Crop Yield 17. King D., Burrill A., Daroussin J., Le Bas C., Tavernier R.,
Forecasting System (MCYFS). Meeting on 4 and 5 Van Ranst E.. The EU soil geographic database. In:
October 2001, Luxembourg. Space Applications Institute, D. King, R.J.A. Jones, A.J. Thomasson (Eds). European
Joint Research Centre of the European Commission, Ispra, land information systems for agro-environmental
Italy. 2001, pp. 15. monitoring. EUR 16232 EN, Office for Official
2. Keulen H. van, Diepen C.A. van. Crop growth models and Publications of the EU, Luxembourg, 1995, pp. 43-60.
agro-ecological characterization. In: Scaife A. (Ed.): 18. Food and Agriculture Organization of the United Nations
Proceedings of the first congress of the European Society http://www.fao.org/soils-portal (accessed at 26.07.2017)
of Agronomy, 5-7 December 1990, Paris. CEC, ESA, 19. Stolbovoy V., Montenerella V., Medvedev V. New soil
INRA. Session 2:1-16. Paris. 1990. information for MARS Crop Yield Forecasting System,
3. Keulen H. van, Wolf J. (Eds). Modelling of agricultural JRC, 2006. Integration of data soil information in Russia,
production: weather, soils and crops. Simulation Belorussia, Ukraine and Moldova in soil data base of
Monographs, Pudoc, Wageningen, The Netherlands. 1986, Europe. Pedology, 2001, no. 7, pp. 772-790
pp. 479. 20. Медведев В. Опыт использования международной
4. Huang Qing, Chen Zhongxin, Wenbin Wu, Wit Allard, почвенной классификации в Украине // Бюллетень
Teng Fei, Li Dandan. China crop growth monitoring аграрных наук. . 1999. № 1. C. 11-18
system-methodology and operational activities overview, 21. Атлас почв Украины. Kиев: Урожай, 1978. 160 c. Atlas
2011, pp. 2961-2964. 10.1109/IGARSS.2011.6049837 pochv Ukrainy [Atlas of Soils of Ukraine]. Kiev:
5. El Aydam Mohamed, Balaghi Riad. Crop Monitoring in ”Urozhai”, 1978. 160 p. (In Russian).
Morocco, 2010-2011. Mars Bulletin, 2011, vol. 19. Crop 22. Справочник по агрохимическим и агроэкологическим
monitoring in Morocco, 2011, issue 1 свойствам почв в Украине. Киев: Урожай, 1994. 333 с.
6. Buffet D., Dehem D., Wouters K., Tychon B., Oger R., 23. Йовенко Н. Г. Водно-физические свойства и водный
Veroustater F. Adaptation of the European Crop Growth режим почв в УССР. Ленинград: Гидрометиздат, 1960.
Monitoring System to the Belgian Conditions. 350 с.
https://www.researchgate.net/deref/cgms.cragx.fgov.be 24. Diepen C.A. van. Delivery CGMS version 5.1. DLO
(accessed at 05.07.2017) Winand Staring Centre, Wageningen, The Netherlands.
7. Код для оперативной передачи данных приземных 1997, p. 28.
гидрометеорологических наблюдений. Википедия. 25. Diepen C.A. van, Rappoldt C., Wolf J., Keulen H. van.
http://ru.wikipedia.org/wiki/KH-01 (дата звернення Crop growth simulation model WOFOST. Documentation
07.07.2017) version 4.1. for World Food Studies. Wageningen, The
8. Buck A.L. New equations for computing vapor pressure and Netherlands. 1988.
enhancement factor. J. Appl. Meteorol., 1981, no. 20, 26. Diepen C.A. van, Wolf J., Keulen H. van. WOFOST: a
pp. 1527–1532 simulation model of crop production. Soil Use and
9. Alduchov O.A., Eskridge R.E. Improved Magnus' form Management. 1989. рр. 16-24.
approximation of saturation vapor pressure. J. Appl. 27. Keulen H. van, Diepen C.A. van. Crop growth models and
Meteor., 1996, no. 35, pp. 601–609 agro-ecological characterization. In: Scaife A. (Ed.):
10. CGMS Version 9.2, User Manual and Technical Proceedings of the first congress of the European Society
Documentation draft. Institute for the Protection and of Agronomy, 5-7 December 1990, Paris. CEC, ESA,
Security of the Citizen (IPSC/JRC) & Alterra - INRA. Session 2:1-16. Paris. 1990.
Wageningen University and Research Centre, 2003, p. 119 28. Boogaard H.L., Diepen C.A. van, Rötter R.P.,
11. Beek E.G. Spatial interpolation of daily meteorological Cabrera J.M.C.A., Laar H.H. van. WOFOST 7.1; user's
data. Theoretical evaluation of available techniques. guide for the WOFOST 7.1 crop growth simulation model
Report 53.1, DLO Winand Staring Centre, Wageningen, and WOFOST Control Center 1.5. Technical Document 52.
The Netherlands, 1991a, pp. 43. DLO Winand Staring Centre, Wageningen, The
12. Diepen C.A. van. Application of simple interpolation Netherlands, 1998, p. 144.
methods in agrometeorology. In: B. Gozzini, M. Hims 29. Growth stages of mono-and dicotyledonous plants. BBCH
(Eds). Proceedings of workshop on dealing on Monograph. Edited by Uwe Meier/ 2. Edition. Federal
spatialisation, 24-25 September 1996, Toulouse. EUR Biological Research Centre for Agriculture and Forestry,
18473 EN, Office for Official Publications of the EU, 2001, p. 158

Укр. гідрометеорол. ж., 2018, №21


15
Кривобок А. А., Кривошеин А. О., Адаменко Т. И.

30. Vossen P. Comparative statistical validation of two ten-day 10. CGMS Version 9.2, User Manual and Technical
water use models and three reduction hypotheses for yield Documentation draft. Institute for the Protection and
assessments in Botswana. Agricultural and Forest Security of the Citizen (IPSC/JRC) & Alterra -
Meteorology, 1990b, no. 51, pp. 177-195 Wageningen University and Research Centre, 2003, p. 119
31. Vossen P. Early crop production assessment of the 11. Beek E.G. Spatial interpolation of daily meteorological
European Union, the systems implemented by the MARS- data. Theoretical evaluation of available techniques.
STAT project. In: J.F. Dallemand, P. Vossen (Eds). Report 53.1, DLO Winand Staring Centre, Wageningen,
Workshop for Central and Eastern Europe on The Netherlands, 1991a, pp. 43.
agrometeorological models: theory and applications in the 12. Diepen C.A. van. Application of simple interpolation
MARS project, 21-25 November 1994, Ispra, Italy. EUR methods in agrometeorology. In: B. Gozzini, M. Hims
16008 EN, Office for Off. Publ. of the EU, Luxembourg. (Eds). Proceedings of workshop on dealing on
1995, pр. 21-51. spatialisation, 24-25 September 1996, Toulouse. EUR
32. Vossen P. Forecasting national crop yields of E.C. 18473 EN, Office for Official Publications of the EU,
countries: the approach developed by the agriculture Luxembourg, 1998, pp. 3-17.
project. In: F. Toselli, J. Meyer-Roux (Eds). Proceedings 13. Goot E. van der. Spatial interpolation of daily
of conference on the application of remote sensing to meteorological data for the Crop Growth Monitoring
agricultural statistics, 26-27 November 1991, Belgirate, System (CGMS). In: M. Bindi, B. Gozzini (Eds).
Italy. EUR 14262 EN, Office for Official Publications of Proceedings of seminar on data spatial distribution in
the EU, Luxembourg, 1992. pp. 159-176. meteorology and climatology, 28 September - 3 October
33. Vossen P., Rijks D. Early crop yield assessment of the EU 1997, Volterra, Italy. EUR 18472 EN, Office for Official
countries: the system implemented by the Joint Research Publications of the EU, Luxembourg, 1998a, pp. 141-153.
Centre. EUR 16318 EN, Office for Official Publications of 14. Goot E. van der. Technical description of interpolation and
the EU, Luxembourg, 1995. 180 p. processing of meteorological data in CGMS. Joint
34. Boogaard H., Eerens H., Supit I., Diepen C.A. van, Research Centre of the European Commission, Ispra, Italy,
Piccard I., Kempeneers P. METAMP. Methodology 1997, pp. 23.
Assessment of MARS Predictions Description of the MARS 15. Savin I., Leo O., Boogaard H., Diepen С., van der Ham H.
Crop Yield Forecasting System, December 2002, p. 179. Сlimatically Optimal Planting Dates, JRC Scientific and
Technical Report, 2007, p. 57
REFERENCES 16. New soil information for CGMS (Crop Growth Monitoring
System) (SINFO). Final report. Alterra – Wageningen
1. Genovese G.P. Introduction to the MARS Crop Yield University and Research Centre and INRA. 162 p.
Forecasting System (MCYFS). Meeting on 4 and 5 17. King D., Burrill A., Daroussin J., Le Bas C., Tavernier R.,
October 2001, Luxembourg. Space Applications Institute, Van Ranst E.. The EU soil geographic database. In:
Joint Research Centre of the European Commission, Ispra, D. King, R.J.A. Jones, A.J. Thomasson (Eds). European
Italy. 2001, pp. 15. land information systems for agro-environmental
2. Keulen H. van, Diepen C.A. van. Crop growth models and monitoring. EUR 16232 EN, Office for Official
agro-ecological characterization. In: Scaife A. (Ed.): Publications of the EU, Luxembourg, 1995, pp. 43-60.
Proceedings of the first congress of the European Society 18. Food and Agriculture Organization of the United Nations
of Agronomy, 5-7 December 1990, Paris. CEC, ESA, http://www.fao.org/soils-portal (accessed at 26.07.2017)
INRA. Session 2:1-16. Paris. 1990. 19. Stolbovoy V., Montenerella V., Medvedev V. New soil
3. Keulen H. van, Wolf J. (Eds). Modelling of agricultural information for MARS Crop Yield Forecasting System,
production: weather, soils and crops. Simulation JRC, 2006. Integration of data soil information in Russia,
Monographs, Pudoc, Wageningen, The Netherlands. 1986, Belorussia, Ukraine and Moldova in soil data base of
pp. 479. Europe. Pedology, 2001, no. 7, pp. 772-790
4. Huang Qing, Chen Zhongxin, Wenbin Wu, Wit Allard, 20. Medvedev V. Experience of using the international soil
Teng Fei, Li Dandan. China crop growth monitoring classification in Ukraine. Byulleten' agrarnykh nauk
system-methodology and operational activities overview, [Bulletin of Agrarian Sciences], 1999, no. 1, pp. 11-18. (In
2011, pp. 2961-2964. 10.1109/IGARSS.2011.6049837 Russian)
5. El Aydam Mohamed, Balaghi Riad. Crop Monitoring in 21. Atlas pochv Ukrainy [Atlas of Soils of Ukraine]. Kiev:
Morocco, 2010-2011. Mars Bulletin, 2011, vol. 19. Crop ”Urozhai”, 1978. 160 p. (In Russian).
monitoring in Morocco, 2011, issue 1 22. Spravochnik po agrokhimicheskim i agroekologicheskim
6. Buffet D., Dehem D., Wouters K., Tychon B., Oger R., svoystvam pochv v Ukraine [Manual on agrochemical and
Veroustater F. Adaptation of the European Crop Growth agroecological properties of soils in Ukraine]. Kiev, 1994.
Monitoring System to the Belgian Conditions. 333 p. (In Russian)
https://www.researchgate.net/deref/cgms.cragx.fgov.be 23. Yovenko N.G. Vodno-fizicheskiye svoystva i vodnyy rezhim
(accessed at 05.07.2017) pochv v USSR [Water-physical properties and water regime
7. Code for the operational data transmission of surface of soils in the Ukrainian SSR]. Leningrad: Gidrometizdat,
hydrometeorological observations. Wikepedia. 1960. 350 p. (In Russian).
http://ru.wikipedia.org/wiki/KH-01 (accessed at 24. Diepen C.A. van. Delivery CGMS version 5.1. DLO
07.07.2017) (In Russian) Winand Staring Centre, Wageningen, The Netherlands.
8. Buck A.L. New equations for computing vapor pressure 1997, p. 28.
and enhancement factor. J. Appl. Meteorol., 1981, no. 20, 25. Diepen C.A. van, Rappoldt C., Wolf J., Keulen H. van.
pp. 1527–1532 Crop growth simulation model WOFOST. Documentation
9. Alduchov O.A., Eskridge R.E. Improved Magnus' form version 4.1. for World Food Studies. Wageningen, The
approximation of saturation vapor pressure. J. Appl. Netherlands. 1988.
Meteor., 1996, no. 35, pp. 601–609

Ukr. gìdrometeorol. ž., 2018, No21

16
Особенности технологической адаптации системы CGMS для мониторинга сельскохозяйственных посевов в Украине

26. Diepen C.A. van, Wolf J., Keulen H. van. WOFOST: a 30. Vossen P. Comparative statistical validation of two ten-day
simulation model of crop production. Soil Use and water use models and three reduction hypotheses for yield
Management. 1989. рр. 16-24. assessments in Botswana. Agricultural and Forest
27. Keulen H. van, Diepen C.A. van. Crop growth models and Meteorology, 1990b, no. 51, pp. 177-195
agro-ecological characterization. In: Scaife A. (Ed.): 31. Vossen P. Early crop production assessment of the
Proceedings of the first congress of the European Society European Union, the systems implemented by the MARS-
of Agronomy, 5-7 December 1990, Paris. CEC, ESA, STAT project. In: J.F. Dallemand, P. Vossen (Eds).
INRA. Session 2:1-16. Paris. 1990. Workshop for Central and Eastern Europe on
28. Boogaard H.L., Diepen C.A. van, Rötter R.P., agrometeorological models: theory and applications in the
Cabrera J.M.C.A., Laar H.H. van. WOFOST 7.1; user's MARS project, 21-25 November 1994, Ispra, Italy. EUR
guide for the WOFOST 7.1 crop growth simulation model 16008 EN, Office for Off. Publ. of the EU, Luxembourg.
and WOFOST Control Center 1.5. Technical Document 52. 1995, pр. 21-51.
DLO Winand Staring Centre, Wageningen, The 32. Vossen P. Forecasting national crop yields of E.C.
Netherlands, 1998, p. 144. countries: the approach developed by the agriculture
29. Growth stages of mono-and dicotyledonous plants. BBCH project. In: F. Toselli, J. Meyer-Roux (Eds). Proceedings
Monograph. Edited by Uwe Meier/ 2. Edition. Federal of conference on the application of remote sensing to
Biological Research Centre for Agriculture and Forestry, agricultural statistics, 26-27 November 1991, Belgirate,
2001, p. 158 Italy. EUR 14262 EN, Office for Official Publications of
the EU, Luxembourg, 1992. pp. 159-176.
33. Vossen P., Rijks D. Early crop yield assessment of the EU
countries: the system implemented by the Joint Research
Centre. EUR 16318 EN, Office for Official Publications of
the EU, Luxembourg, 1995. 180 p.
34. Boogaard H., Eerens H., Supit I., Diepen C.A. van,
Piccard I., Kempeneers P. METAMP. Methodology
Assessment of MARS Predictions Description of the MARS
Crop Yield Forecasting System, December 2002, p. 179.

ОСОБЛИВОСТІ ТЕХНОЛОГІЧНОЇ АДАПТАЦІЇ СИСТЕМИ CGMS


ДЛЯ МОНІТОРИНГУ СІЛЬСЬКОГОСПОДАРСЬКИХ ПОСІВІВ В УКРАЇНІ
Кривобок О. А. 1, канд. геогр. наук,
Кривошеїн О. О. 1, канд. геогр. наук
Адаменко Т. І. 2, канд. геогр. наук.
1
Український гідрометеорологічний інститут,
03028, м. Київ, проспект Науки, 37. kryvoshein@uhmi.org.ua
2
Український гідрометцентр,
01601, м. Київ, вул. Золотоворітська 6-В

Система моніторингу росту рослин (CGMS) - одна з найсучасніших систем моніторингу


умов росту та розвитку сільськогосподарських культур та прогнозування їхньої
врожайності в агрометеорологічній практиці. CGMS дозволяє оцінити умови росту,
розвитку та накопичення продуктивної біомаси для значного переліку
сільськогосподарських культур – озимої пшениці, ячменю, кукурудзи, рису, соняшнику,
картоплі, сої та ін. Для кожної культури система повинна бути адаптована в межах певної
території з урахуванням метеорологічної, фенологічної, ґрунтової та біологічної інформації.
У статті розглядаються особливості технологічної адаптації системи CGMS (системи
моніторингу умов росту і розвитку сільськогосподарських культур), а саме: створення
метеорологічної бази даних за період 2000-2017 рр., використовуючи стандартні
метеорологічні спостереження мережі УкрГМЦ; створення бази даних ґрунтових
характеристик, шляхом знаходження відповідності між таксономією ґрунтової карти
України і класифікацією ґрунтів WRB; створення бази даних фенологічних характеристик,
таких як TSUMEM (сума температур від дати посіву до сходів), TSUM1 (сума температур від
сходів до цвітіння) і TSUM2 (сума температур від цвітіння до стиглості), що були розраховані
за даними, отриманими з агрометеорологічних постів і станцій мережі Гідрометцентру
України за період 2000 - 2015 роки по п'яти основних сільськогосподарських культур
(озима пшениця, кукурудза, ярий ячмінь, соя і соняшник); створення бази даних
статистичної врожайності на обласному та районному рівнях. Крім того, в статті
розглядається просторова схематизація розрахунків і агрегація показників продуктивності
сільськогосподарських посівів, отриманих в результаті роботи біофізичної моделі

Укр. гідрометеорол. ж., 2018, №21


17
Кривобок А. А., Кривошеин А. О., Адаменко Т. И.

WOFOST. Викладена схема прогнозу врожайності сільськогосподарських культур в розрізі


адміністративних одиниць, а також проведена оцінка точності прогнозу врожайності озимої
пшениці в адміністративних районах Київської області. Створена web-сторінка результатів
оперативної роботы системы CGMS-Украина http:/entln.uhmi.org.ua/case/CGMS
Ключові слова: система моніторингу, сільськогосподарські культури, показники
продуктивності, біофізичне моделювання, прогноз врожайності, WOFOST, CGMS.

DETAILS OF TECHNOLOGICAL ADAPTATION OF THE CGMS SYSTEM FOR


AGRICULTURAL CROPS MONITORING IN UKRAINE
Kryvobok O.A. 1, Cand. Geogr. Sci.
Kryvoshein O.O. 1, Cand. Geogr. Sci., SRF
Adamenko T.I.2, Cand. Geogr. Sci.
1
Ukrainian Hydrometeorological Institute
03028, Kyiv, Nauki av., 37, kryvoshein@uhmi.org.ua
2
Ukrainian Hydrometeorological Center
01601, Kyiv, 6 Zolotovoritska str.

The Crop Growth Monitoring System (CGMS) is one of the most advanced system of
monitoring the conditions for the growth and development of crops and predicting their yields in
agrometeorological practice. CGMS allows to assess the conditions of growth, development and
accumulation of productive biomass in a significant list of agricultural crops - wheat, barley,
maize, rice, sunflower, potatoes, soybean, etc. For each object, the system must be adapted for use
within specific territories in terms of information, methodology and technology. The paper
discusses the details of technological adaptation of the CGMS system (crop growth monitoring
system), that includes: the creation of a meteorological database for the period 2000-2017 using
standard meteorological observations of the Ukrainian Hydrometeorological Center (UkrHMC)
network; creation of a soil characteristics database, by finding a correspondence between the
taxonomy of the soil map of Ukraine (scale:1:2500000) and the classification of soils WRB;
creation a database of phenological characteristics such as TSUMEM (sum of temperatures from the
sowing date to emergence), TSUM1 (sum of temperatures from emergence to anthesis) and TSUM2
(sum of temperatures from anthesis to maturity) calculated by data obtained from
agrometeorological stations network of the UkrHMC for the period 2000 - 2015 for five main
crops (winter wheat, maize, spring barley, soybean and sunflower); creation statistical crop yields
database at the regional and district levels. In addition, the paper considers spatial schematization
of calculations and aggregation of agricultural crops productivity indicators obtained as a result of
the WOFOST biophysical model. The scheme for crops yield forecasting on administrative units is
outlined, and the forecast accuracy estimation of the winter wheat yield crops for administrative
districts of Kiev region is produced. The link to the website of the output results for operational
run of the CGMS-Ukraine system is http: /entln.uhmi.org.ua/case/CGMS.
Keywords: monitoring system, agricultural crops, productivity, biophysical modeling, yield
forecast, WOFOST, CGMS.

Дата першого подання: 20. 02. 2018


Дата надходження остаточної версії: 18. 05. 2018
Дата публікації статті:

Ukr. gìdrometeorol. ž., 2018, No21

18