Россия
Россия
Цель работы: cоздание моделей урожайности зерновых культур в зависимости от содержания в почве органических веществ. Задачи исследований: разработка информационно-логических моделей урожайности яровой пшеницы на серых лесных и дерново-подзолистых почвах, а также построение модели урожайности зерновых культур на черноземах Красноярской лесостепи в зависимости от содержания в почве органических веществ. Исследования проводились на серых лесных и дерново-подзолистых почвах подтаежной зоны, прилегающей к северной части Ачинско-Боготольской лесостепи, а также на черноземах обыкновенных и черноземах выщелоченных Красноярской лесостепи. Использовались методы полевого и микрополевого опыта, аналитический, математического моделирования и информационно-логического анализа, метод моделирования связи основных компонентов органического вещества почв и урожайности. Для оценки уровня плодородия серых лесных почв наиболее приемлема модель: У = Г × (М × (рН × Р) с прогнозирующим эффектом 72 %. Для объединенной оценки уровня плодородия серых лесных и дерново-подзолистых почв наиболее эффективны модели вида: У = Г × (М × (рН × ФГ)) и У = Г × (рН × (М × Р)). Прогнозирующий эффект по моделям составляет 77–78 %, что может использоваться для повышения плодородия почв, а также применимо при их бонитировке. Во всех моделях со значительной долей распознаваемости ведущее место занимает гумус. Высокий ранг имеет мощность гумусового горизонта. Математические модели урожайности зерновых культур в зависимости от содержания в почве органических веществ позволили рассчитать минимальные, средние и максимальные значения углерода гумуса, подвижных гумусовых веществ и соответствующие им уровни урожайности зерновых культур. Оказалось, что минимальное содержание гумуса соответствует 2,10–3,03 %, среднее – 3,02–4,02, высокое – 4,02–5,10 %. Нижнее значение оптимального содержания общего углерода можно принять как 2,33 % или 4,00 % гумуса, что соответствует верхнему значению среднего содержания и нижнему значению высокого содержания гумуса.
модель урожайности, почва, гумус, органические вещества, плодородие.
Введение. По сути, все биосферные явления так или иначе связаны с органическим веществом почвы, которое определяет не только экологические, но и экономические пороги интенсификации земледелия. От обеспеченности почв органическим веществом зависит система применения органических и минеральных удобрений, которые относятся к основополагающим факторам интенсификации агропроизводства. Этот ключевой биосферный элемент, обуславливающий экологическую стабильность и защиту всей агроэкосистемы от различных техногенных и в первую очередь пестицидных нагрузок, способствует устойчивости земледелия при неблагоприятных погодных условиях. В конечном итоге, оказывая влияние на продуктивность сельскохозяйственных культур, органическое вещество почв определяет благосостояние человека. Проблеме органического вещества почв Приенисейской Сибири в целом, а также специальным направлениям исследований посвящено немало работ [1, 2], вместе с тем надо признать, что эта научная отрасль представляет собой открытую систему для получения новых знаний, актуальность которых не угасает, а, напротив, только обостряется в связи с внедрением новых средств и технологий в земледелии. Интенсификация агропроизводства предусматривает в первую очередь применение эффективных управленческих решений, научной основой которых служат различные производственные и функциональные модели. К группе основополагающих можно с уверенностью отнести модели урожайности сельскохозяйственных культур, которые зависят в том числе и от обеспеченности почв органическим веществом.
Цель исследований. Создание моделей урожайности зерновых культур в зависимости от содержания в почве органических веществ.
Условия, материалы и методы. Исследования проводились в подтаежной зоне, которая входит в южнотаежно-лесной, плоскоравнинный, дерново-подзолистый и болотно-подзолистый район Западно-Сибирской провинции, на серых лесных и дерново-подзолистых почвах (Зареченский стационар), а также в условиях южной части Красноярской лесостепи на выщелоченных и обыкновенных черноземах (Мининский стационар). Агрохимическая характеристика почв приведена в таблице 1.
По количеству осадков за вегетационный период годы исследований сгруппированы в следующие ряды: увлажненные – количество осадков 267–424 мм; нормальные – количество осадков 246–258 мм; засушливые – количество осадков 150–210 мм. В подтаежной зоне (Зареченский стационар) преобладает доля увлажненных и нормальных лет, в открытой лесостепи (Мининский стационар) – больше лет с нормальными и засушливыми условиями. Среднегодовая температура воздуха составляет от -1,1 до 0,3 °С, сумма активных температур – 1550–1661 °С. Период вегетации – 95–120 дней. Глубина промерзания почвы 0,6–1,2 м. Высота снежного покрова 0,5–0,8 м.
Таблица 1
Агрохимические свойства почв опытных стационаров (0–20 см)
|
Гумус, % |
рНсол. |
V, % |
Нг |
S |
Р2О5 |
К2О |
|
мг-экв/100 г почвы |
мг/100 г почвы |
|||||
|
Чернозем выщелоченный (Мининский стационар) |
||||||
|
6,1–7,3 |
6,8–7,1 |
95 |
1,2 |
48,0 |
14,3 |
17,1 |
|
Чернозем обыкновенный (Мининский стационар) |
||||||
|
4,4–6,0 |
7,1–7,6 |
99 |
0,7 |
54,0 |
4,8 |
22,0 |
|
Серая лесная почва (Зареченский стационар) |
||||||
|
3,7–4,1 |
4,6–4,8 |
71 |
6,5 |
16,0 |
7,4 |
8,1 |
|
Дерново-подзолистая почва (Зареченский стационар) |
||||||
|
2,1–2,4 |
4,4–4,6 |
69 |
4,1 |
9,0 |
2,3 |
6,2 |
Агрохимические свойства почв определяли по общепринятым методикам [3]. Содержание гумуса определяли по методу И.В. Тюрина, а для извлечения подвижной части гумуса (С0,1н.NаОН) использовали 0,1 н. гидрооксид натрия, при соотношении почвы и растворителя 1:20. Статистическую обработку данных проводили с использованием пакета прикладных программ Snedekor [4].
Исходный материал для моделирования урожайности пшеницы на дерново-подзолистых и серых лесных почвах был получен на производственных посевах, а также на опытном поле Зареченского стационара. Методом площадок [5] проводили сопряженные учеты урожая и отбор почвенных проб для определения агрохимических свойств почв в пахотном и подпахотном горизонтах. На поле учитывался урожай пшеницы в 20–30-кратной повторности на площадках по 1 м2.
Результаты и их обсуждение. Для определения факторов, необходимых при математическом моделировании урожайности пшеницы в зависимости от свойств серых лесных и дерново-подзолистых почв, по выделенным информационным выборкам рассчитаны корреляционные связи (табл. 2).
Таблица 2
Корреляция урожайности пшеницы с содержанем гумуса
и другими агрохимическими свойствами почв
|
Признак |
Коэффициент корреляции (n=165) |
||||||||
|
У* |
Г |
М |
Р2О5 |
К2О |
рН |
S |
Hr |
V |
|
|
У |
1,00 |
0,43* |
0,53* |
0,40* |
0,21 |
0,35* |
0,72* |
0,29 |
0,30 |
|
Г |
0,43* |
1,00 |
0,54* |
0,10 |
-0,01 |
-0,03 |
0,50* |
0,49* |
-0,08 |
|
М |
0,53* |
0,54* |
1,00 |
0,33 |
0,20 |
0,01 |
0,50* |
0,50* |
0,06 |
|
Р2О5 |
0,40* |
0,10 |
0,33 |
1,00 |
0,70* |
-0,01 |
0,53* |
0,42 |
0,19 |
|
К2О |
0,21 |
-0,01 |
0,20 |
0,70* |
1,00 |
-0,11 |
0,36 |
0,36 |
0,10 |
|
рН |
0,35* |
-0,03 |
0,01 |
-0,01 |
-0,11 |
1,00 |
0,47* |
-0,57* |
0,85* |
|
S |
0,72* |
0,50* |
0,51* |
0,53* |
0,36 |
0,47* |
1,00 |
0,23 |
0,66* |
|
Hr |
0,29 |
0,49* |
0,50* |
0,42* |
0,36 |
-0,57* |
0,23 |
1,00 |
-0,51* |
|
V |
0,30 |
-0,07 |
0,06 |
0,19 |
0,10 |
0,85* |
0,66* |
-0,51* |
1,00 |
Примечание: У – урожайность зерна, т/га; Г – содержание гумуса, %; М – мощность гумусового горизонта, см; Р2О5, К2О – содержание подвижного фосфора и обменного калия, мг/100 г почвы; рН, Hr – обменная и гидролитическая кислотность почвы; S – сумма обменных оснований, мг-экв./100 г; V – степень насыщенности почв основаниями, %; * – значимая величина корреляции.
Расчет парных коэффициентов корреляции между свойствами почв, а также между свойствами почв и урожайностью показал наличие коррелирующих факторов по всем выборкам и однотипность этих связей. По степени убывания влияния на величину урожая свойства почв располагаются в такой последовательности: сумма поглощенных оснований, мощность гумусового горизонта, содержание гумуса, содержание фосфора, рН. Высокая корреляционная связь суммы обменных оснований с содержанием в почве органического вещества [6], объясняет первостепенную роль именно гумуса в формировании урожайности пшеницы на кислых почвах подтаежной зоны.
Математическая статистика указывает на значительную скоррелированность свойств почв и явных отличий от нормального распределения многих факторов (по показателям ассиметрии и эксцесса). Это является ограничением в использовании корреляционно-регрессионного анализа, для построения моделей эффективного плодородия целесообразно использовать информационно-логический анализ, суть которого заключается в расчете количества информации, передаваемой каждым фактором (свойства почв) явлению (величине урожая), определении логических функций связи факторов и явления и построении на этой основе логических моделей урожайности [7, 8]. Полученные результаты показывают направление и форму связей свойств почв и урожая. Практически они везде криволинейны (кроме формы связи урожая с суммой поглощенных оснований). Это свидетельствует о том, что коэффициенты корреляции не точно отражают степень связи признаков (они характеризуют прямолинейную связь), а множественная регрессия здесь также малоэффективна из-за неопределенной (геометрически) формы связей. В этом отношении более совершенен информационно-логический анализ – с его помощью описывается любая форма связи.
Например, используя большую (n = 150–180) выборку данных, установлено, что для оценки уровня плодородия серых лесных почв наиболее приемлема модель: У = Г × (М × (рН × Р) с прогнозирующим эффектом более 70 %. Так как в структуре почвенного покрова подтаежной зоны дерново-подзолистые и серые лесные почвы составляют сопутствующие комплексы, мы сделали расчеты, в которые вошли оба типа. Оказалось, что при объединенной оценке уровня плодородия серых лесных и дерново-подзолистых почв наиболее эффективны модели вида: У = Г × (М × (рН × ФГ)) и У = Г × (рН × (М × Р)) (Г – содержание гумуса, М – мощность гумусового горизонта, Р – содержание Р2О5, ФГ – содержание физической глины). По обеим выборкам у них наибольший прогнозирующий эффект – 77–78 %. Такая точность допустима для бонитировки почв, а также может применяться при составлении мероприятий по повышению их продуктивности.
Итак, во всех моделях с высокой долей распознаваемости первое место занимает гумус. Высокий ранг имеет мощность гумусового горизонта, но в отличие от содержания гумуса это нерегулируемый или ограниченно регулируемый фактор, так же, как и содержание физической глины. Присутствие в моделях рН и Р указывает на возможность повышения урожайности пшеницы на кислых почвах за счет регулирования кислотности и повышения содержания Р2О5 в дерново-подзолистых и серых лесных почвах.
Моделирование урожайности сельскохозяйственных культур на черноземах имеет свои особенности, которые обусловлены значительной пестротой и комплексностью почвенного покрова. Площадь элементарных почвенных ареалов составляет от нескольких квадратных метров до десятков и реже сотен. В почвенном покрове широко распространены пятнистости черноземов, которые обуславливают значительное варьирование содержания гумуса, что убедительно доказал Н.Г. Рудой в исследованиях на выщелоченных черноземах Солянского стационара (Канская лесостепь). В партии из ста отобранных индивидуальных образцов экстремумы представлены значениями 4,9 и 9,4 %, охватывая почвенные группы градации – очень низкого и высокого содержания [9].
Информация, полученная в исследованиях на черноземах Красноярской лесостепи, позволила построить модели урожайности зерновых культур в зависимости от содержания в почве органических веществ. В объединенную выборку вошли опыты с пшеницей, ячменем и овсом, где продуктивность была сопоставимой. Среднее содержание углерода гумуса в выборке составляло 2,01 % или 3,46 % гумуса. Содержание подвижных гумусовых веществ колебалось от 90 до 393 мг С/100 г почвы. Средняя урожайность зерна составляла 2,43 т/га.
При построении модели урожайности зерновых культур на черноземе обыкновенном использовали методы линейного и нелинейного регрессионного анализа (табл. 3).
Таблица 3
Модели урожайности зерновых культур
в зависимости от содержания в почве органических веществ
|
Тип связи |
n |
Fфакт. |
r |
Модель урожайности |
Sr |
|
Линейная |
60 |
8,3 |
0,36 |
у1 =0,465 ∙ x1 + 1,496 |
21,9 |
|
Криволинейная |
60 |
12,3 |
0,42 |
Ln(y1)=0,44 ∙ Ln(x1)+0,56 |
21,7 |
|
Линейная |
60 |
6,6 |
0,32 |
у2=0,002∙x2 + 1,931 |
21,8 |
|
Криволинейная |
60 |
13,1 |
0,44 |
Ln(y2)=0,266 ∙ Ln(x2)-0.55 |
21,6 |
Примечание: n – число наблюдений; Fфакт. – критерий Фишера; r – коэффициент корреляции; у1, у2 – урожайность зерна, т/га; х1 – содержание в почве углерода гумуса (С гумуса, %); х2 – содержание в почве подвижных гумусовых веществ (С 0,1н.NаОН, мг/100 г); Sr – ошибка математической модели, %.
Оказалось, что на почвах Красноярской лесостепи модели урожайности зерновых культур статистически доказываются по критерию Фишера. Полученные модели урожайности позволили рассчитать минимальные, средние и максимальные значения углерода гумуса, подвижных гумусовых веществ и соответствующие им уровни урожайности зерновых культур. Выяснилось, что минимальное содержание гумуса соответствует 2,10–3,03 %, среднее – 3,02–4,02, высокое – 4,02–5,10 %. Полученная информация позволила заключить, что нижнее значение оптимального содержания общего углерода можно принять как 2,33 % или 4,00 % гумуса. Это значение в предложенной градации соответствует верхнему значению среднего содержания и нижнему значению высокого содержания гумуса. На базе этих значений разработана градация содержания гумуса применительно к зерновым культурам: менее 2,0 – очень низкое; 2,0–3,0 – низкое; 3,0–4,0 – среднее; 4,0–5,0 – высокое; более 5,0 – очень высокое. По содержанию подвижных гумусовых веществ (мг С/100 г почвы): менее 100 – очень низкое; 100–200 – низкое; 200–300 – среднее; 300–400 – высокое; более 400 – очень высокое [10].
Выводы. Для оценки уровня плодородия серых лесных почв наиболее приемлема модель У = Г × (М × (рН × Р) с прогнозирумым эффектом 72 %. Для объединенной оценки уровня плодородия серых лесных и дерново-подзолистых почв наиболее эффективны модели вида: У = Г × (М × (рН × ФГ)) и У = Г × (рН × (М × Р)). По обеим выборкам у них наибольший прогнозирующий эффект – 77–78 %. Такая точность приемлема для бонитировки почв, а также может применяться при составлении мероприятий по повышению их продуктивности.
Математические модели урожайности позволили рассчитать минимальные, средние и максимальные значения углерода гумуса, подвижных гумусовых веществ и соответствующие им уровни урожайности зерновых культур на черноземах Красноярской лесостепи. Минимальное содержание гумуса соответствует 2,10–3,03 %, среднее – 3,02–4,02, высокое – 4,02–5,10 %. Нижнее значение оптимального содержания общего углерода можно принять как 2,33 % или 4,00 % гумуса.
1. Кураченко Н.Л., Колесник А.А. Структура и запасы гумусовых веществ агрочернозема в условиях основной обработки // Вестник КрасГАУ. 2017. № 9. С. 149–157.
2. Власенко О.А. Динамика углерода подвижного гумуса в агрочерноземе при возделывании яровой пшеницы с помощью ресурсосберегающих технологий // Вестник КрасГАУ. 2015. № 9. С. 60–67.
3. Агрохимические методы исследования почв. М.: Наука, 1975. 656 с.
4. Сорокин О.Д. Прикладная статистика на компьютере. Новосибирск, 2004. 162 с.
5. Липкина Г.С. Изучение параметров почв в полевых и приближенных к полевым условиям // Теоретические основы и методы определения оптимальных параметров свойств почв / Почв. ин-т им. Докучаева. М., 1980. С. 29–42.
6. Орлов Д.С. Химия почв. М.: Изд-во МГУ, 1985. 376 с.
7. Пузаченко Ю.Г., Мошкин А.В. Информационно-логический анализ в медико-географи¬ческих исследованиях // Итоги науки. Сер. Мед.-геогр. 1969. Вып. 3. С. 23–31.
8. Бурлакова Л.М. Применение информационно-логического анализа в бонитировке почв // Тез. докл. V Делегатского съезда Всесоюз. об-ва почвоведов. Минск, 1977. Вып. 5. С. 235–237.
9. Рудой Н.Г., Трубников Ю.Н. Продуктивность зернопаропропашного севооборота на черноземах в Приенисейской Сибири // Вестник КрасГАУ. 2016. № 2. С. 134–138.
10. Шпедт А.А. Оценка и оптимизация органического вещества почв сельскохозяйственных угодий Красноярского края / Краснояр. гос. аграр. ун-т. Красноярск, 2013. 230 с.
