Программный уровень общего управления агроценозом с учетом влияния сорной растительности на состояние посева культуры

Бесплатный доступ

В современном растениеводстве сложилась традиционная парадигма раздельного управления состоянием посевов и сорных растений в составе одного агроценоза. Однако внесение минеральных удобрений одновременно стимулирует рост и развитие культур и сорной растительности, а обработки гербицидами подавляют рост как культурных, так и сорных растений. В результате это приводит к существенным потерям урожая и перерасходу удобрений и гербицидов. Цель настоящего исследования - разработка теоретической базы для решения задачи управления состоянием агроценозов, в составе которых присутствуют посевы основной культуры и сорные растения. Решение такой задачи направлено на устранения ограниченности существующей парадигмы раздельного управления состоянием посевов культур и сорной растительности. Ранее нами была разработана теория управления агротехнологиями, в которых объектом управления служит сельскохозяйственная культура без учета влияния сорной растительности в составе агроценоза. В соответствии с этой теорией управление состоянием посевов культур осуществляется на трех уровнях - стратегическом, программном и в реальном времени. В представленной работе впервые ставится и решается задача управления агроценозом на программном уровне, реализуемом на одном периоде вегетации. Суть этого вида управления заключается в формировании программ, представляющих собой последовательности технологических операций по внесению минеральных удобрений, поливов и обработок гербицидами, обеспечивающих получение заданной урожайности культуры при минимальных расходах затрачиваемых ресурсов. Для решения этой задачи в ранее разработанной теории видоизменены математические модели состояния посевов возделываемой культуры, в которых отражено влияние гербицидов. Кроме того, в состав задачи управления была введена модель параметров состояния доминирующих видов сорных растений, в которых, кроме доз обработок гербицидами, отражено влияние доз обработок минеральными удобрениями. Существенной доработке подверглась и математическая модель состояния почвенной среды, в которой учитывается влияние параметров состояния возделываемой культуры и сорных растений. Задача решается на примере посева яровой пшеницы в составе агроценоза. Наличие у яровой пшеницы нескольких фенологических фаз развития приводит к необходимости трансформирования структуры и параметров используемых математических моделей по всем фенофазам. Это привело к необходимости решать задачу формирования оптимальных программ управления агроценозом отдельно по каждому межфазовому периоду и объединять полученные частные программы в единую программу. В качестве метода решения задачи используется принцип максимума Понтрягина в сочетании со схемой динамического программирования (от конца вегетационного периода к его началу). При этом структурная сложность объекта управления, которым является сельскохозяйственное поле с агроценозом, приводит к необходимости решать задачу программного управления в три этапа. На первом этапе формируется программа изменения параметров почвенной среды, обеспечивающая достижение требуемой урожайности культуры. На этом этапе влияние обработок гербицидами на состояние посева культуры не учитывается. На втором этапе находится последовательность технологических операций, обеспечивающая наилучшее приближение параметров почвы к оптимальной программе, полученной на первом этапе. Наконец, на третьем этапе находят оптимальную последовательность обработок гербицидами, выполняемых одновременно с другими технологическим операциями. Для учета влияния этих обработок программы, полученные на первых двух этапах, уточняются до получения сходимости решения всей задачи.

Еще

Программное управление, агроценоз, минеральные удобрения, гербициды, математические модели, алгоритмы управления

Короткий адрес: https://sciup.org/142236339

IDR: 142236339   |   DOI: 10.15389/agrobiology.2022.3.500rus

Список литературы Программный уровень общего управления агроценозом с учетом влияния сорной растительности на состояние посева культуры

  • Михайленко И.М. Теоретические основы и техническая реализация управления агротехноло-гиями. СПб, 2017.
  • Михайленко И.М., Тимошин В.Н. Программное управление параметрами состояния почвы под посевами яровой пшеницы. Агрохимия, 2020, 8: 86-93 (doi: 10.31857/S0002188120080062).
  • Немченко В.В., Рыбина Л.Д., Гилев С.Д., Кунгурцева Н.М., Степных Н.В., Копылов А.Н., Копылова С.В. Современные средства защиты растений и технологии их применения. Куртамыш, 2006.
  • Емельянов Ю.Я., Копылов Е.В., Кириллова Е.В. Эффективность гербицидов в сочетании с удобрениями на яровой пшенице. Нивы Зауралья, 2914, 6(106): 18-23.
  • Корсаков К.В., Стрижков Н.И, Пронько В.В. Совместное применение удобрений, гербицидов и регуляторов роста при возделывании овса и проса в Поволжье. Вестник Алтайского государственного аграрного университета, 2013, 4(120): 24-32.
  • Казаков И.Е. Методы оптимизации стохастических систем. М., 1987.
  • Jouven M., Carrere P., Baumont R. Model predicting dynamics of biomass, structure and digestibility of herbage in managed permanent pastures. 1. Model description. Grass & Forage Science, 2006, 61(2): 112-124 (doi: 10.1111/j.1365-2494.2006.00517.x).
  • Oliver M. An overview of precision agriculture. In: Precision agriculture for sustainability and environmental protection /M. Oliver, T. Bishop, B. Marchant (eds.). Routledge, 2013: Chapter 1 1-17 (doi: 10.4324/9780203128329).
  • Sanderson M.A., Rotz C.A., Fultz S.W., Rauburn E.B., Estimating forage mass with a commercial capacitance meter, rising plate meter, and pasture ruler. Agronomy Journal, 2001, 93: 1281-1286 (doi: 10.2134/agronj2001).
  • Roudier P., Tisseyre, B., Poilvé, H., Roger J.-M. A technical opportunity index adapted to zone-specific management. Precision Agriculture, 2011, 12: 130-145 (doi: 10.1007/s11119-010-9160-у).
  • Kim K., Chavas J.P. Technological change and risk management: an application to the economics of corn production. Agricultural Economics, 2003, 29(2): 125-142 (doi: 10.1016/S0169-5150(03)00081-1).
  • Derby N.E., Casey F.X.M., Franzen D.E. Comparison of nitrogen management zone delineation methods for corn grain yield. Agronomy Journal, 2007, 99(2): 405-414 (doi: 10.2134/agronj2006.0027).
  • Heatherly L.G., Elmore T.W. Managing inputs for peak production. In: Soybeans: improvement, production and uses /J.E. Specht, H.R. Boerma (eds.). ASA-CSSA-SSSA, Madison, 2004: 451536 (doi: 10.2134/agronmonogr16.3ed.c10).
  • Paoli J.N., Tisseyre B., Strauss O., McBratney A. A technical opportunity index based on the fuzzy footprint of a machine for site-specific management: an application to viticulture. Precision Agriculture, 2010, 11: 379-396 (doi: 10.1007/s11119-010-9176-3).
  • Sun W., Whelan B., McBratney A., Minasny B. An integrated framework for software to provide yield data cleaning and estimation of an opportunity index for site-specific crop management. Precision Agriculture, 2013, 14: 376-391 (doi: 10.1007/s11119-012-9300-7).
  • Tisseyre B., McBratney A.B. A technical opportunity index based on mathematical morphology for site-specific management: an application to viticulture. Precision Agriculture, 2008, 9: 101113 (doi: 10.1007/s11119-008-9053-5).
  • Bohanec M., Cortet J., Griffiths B., Znidarsic M., Debeljak M., Caul S., Thompson J., Krogh P.H. A qualitative multi-attribute model for assessing the impact of cropping systems on soil quality. Pedobiologia, 2007, 51(3): 239-250 (doi: 10.1016/j.pedobi.2007.03.006).
  • Steven M. Satellite remote sensing for agricultural management: opportunities and logistic constraints. ISPRS Journal of Photogrammetry and Remote Sensing, 1993, 48(4): 29-34 (doi: 10.1016/0924-2716(93)90029-M).
  • Bohanec M., Cortet J., Griffiths B., Znidarsic M., Debeljak M., Caul S., Thompson J., Krogh P.H. A qualitative multi-attribute model for assessing the impact of cropping systems on soil quality. Pedobiologia, 2007, 51(3): 239-250 (doi: 10.1016/j.pedobi.2007.03.006).
  • Bagavathiannan M.V., Beckie H.J., Chantre G.R., Gonzalez-Andujar J.L., Leon R.G., Neve P., Poggio S.L., Schutte B.J., Somerville G.J., Werle R., Van Acker R. Simulation models on the ecology and mana gement of arable weeds: structure, quantitative insights, and applications. Agronomy, 2020, 10: 1611 (doi: 10.3390/agronomy10101611).
  • Sattin M., Zanin G., Berti A. Case history for weed competition/population ecology: velvetleaf (Abutilon theophrasti) in corn (Zea mays). Weed Technology, 1992, 6(1): 213-219 (doi: 10.1017/S0890037X00034588).
  • Spitters C.J.T., Krop M., de Groot W. Competition between maize and Echinochloa crus-galli analysed by a hyperbolic regression model. Annals of Applied Biology, 1989, 115: 541-551 (doi: 10.1111/j. 1744-7348.1989.tb06576.x).
  • Cousens R. An empirical model relating crop yield to weed and crop density and a statistical comparison with other models. The Journal of Agricultural Science, 1985, 105(3): 513-521 (doi: 10.1017/S0021859600059396).
  • Colbach N., Collard A., Guyot S.H.M., Meziere D., Munier-Jolain N. Assessing innovative sowing patterns for integrated weed management with a 3D crop:weed competition model. European Journal of Agronomy, 2014, 53: 74-89 (doi: 10.1016/j.eja.2013.09.019).
  • Christensen S. Crop weed competition and herbicide performance in cereal species and varieties. Weed Research, 1994, 34(1): 29-36 (doi: 10.1111/j.1365-3180.1994.tb01970.x).
  • Krop M.J., Spitters J.T. A simple model of crop loss by weed competition from early observations on relative leaf area of the weeds. Weed Research, 1991, 31(2): 97-105 (doi: 10.1111/j.1365-3180.1991.tb01748.x).
  • Afifi M., Swanton C. Early physiological mechanisms of weed competition. Weed Science, 2012, 60(4): 542-551 (doi: 10.1614/WS-D-12-00013.1).
  • Ziska L.H. Could recent increases in atmospheric CO2 have acted as a selection factor in Avena fatua populations? A case study of cultivated and wild oat competition. Weed Research, 2017, 57(6): 399-405 (doi: 10.1111/wre.12271).
  • Wiles L.J., King R.P., Sweizer E.E., Lybecker D.W., Swinton S.M. GWM: General weed management model. Agricultural Systems, 1996, 50(4): 355-376 (doi: 10.1016/0308-521X(95)00016-X).
  • Parsons D.J., Benjamin L.R., Clarke J., Ginsburg D., Mayes A., Milne A.E., Wilkinson J. Weed-manager—a model-based decision support system for weed management in arable crops. Computers and Electronics in Agriculture, 2009, 65(2): 155-167 (doi: 10.1016/j.compag.2008.08.007).
  • Oriade C., Forcella F. Maximizing efficacy and economics of mechanical weed control in row crops through forecasts of weed emergence. Journal of Crop Production, 1999, 2(1): 189-205 (doi: 10.1300/9785537).
  • Scursoni J.A., Forcella F., Gunsolus J. Weed escapes and delayed weed emergence in glyphosate-resistant soybean. Crop Protection, 2007, 26(3): 212-218 (doi: 10.1016/j.cropro.2006.04.028).
  • Schutte B.J., Hager A.C., Davis A.S. Respray requests on custom-applied, glyphosate-resistant soybeans in Illinois: How many and why. Weed Technology, 2010, 24(4): 590-598 (doi: 10.1614/WT-D-10-00026.1).
  • Nowell L.H., Moran P.W., Schmidt T.S., Norman J.E., Nakagaki N., Shoda M.E., Mahler B.J., Van Metre P.C., Stone W.W., Sandstrom M.W., Hladik M.L. Complex mixtures of dissolved pesticides show potential aquatic toxicity in a synoptic study of Midwestern U.S. streams. Science of the Total Environment, 2018, 613-614: 1469-1488 (doi: 10.1016/j.scitotenv.2017.06.156).
  • Pandey S., Medd R.W. A stochastic dynamic programming framework for weed control decision making: an application to Avena fatua L. Agricultural Economics, 1991, 6(22): 115-128 (doi: 10.1016/0169-5150(91)90020-L).
  • Lodovichi M.V., Blanco A.M., Chantre G.R., Bandoni J.A., Sabbatini M.R., Vigna M., Lopez R., Gigôn R. Operational planning of herbicide-based weed management. Agricultural Systems, 2013, 121: 117-129 (doi: 10.1016/j.agsy.2013.07.006).
  • Berti A., Bravin F., Zanin G. Application of decision-support software for postemergence weed control. Weed Science, 2003, 51(4): 618-627 (doi: 10.1614/0043-1745(2003)051[0618:A0DSFP]2.0.C0;2).
  • Wilkerson G.C., Wiles L.J., Bennett A.C. Weed management decision models: Pitfalls, perceptions, and possibilities of the economic threshold approach. Weed Science, 2002, 50(4): 411-424 (doi: 10.1614/0043-1745(2002)050[0411:WMDMPP]2.0.C0;2).
  • Lindsay K., Popp M., Norsworthy J., Bagavathiannan M., Powles S., Lacoste M. PAM: decision support for long-term Palmer amaranth (Amaranthus palmeri) control. Weed Technology, 2017, 31(6): 915-927 (doi: 10.1017/wet.2017.69).
  • Lacoste M., Powles S. Beyond modeling: considering user-centered and post-development aspects to ensure the success of a decision support system. Computers and Electronics in Agriculture, 2016, 121: 260-268 (doi: 10.1016/j.compag.2016.01.003).
  • Kristensen K., Rasmussen I.A. The use of Bayesian network in the design of a decision support system for growing malting barley without use of pesticides. Computers and Electronics in Agriculture, 2002, 32: 197-217 (doi: 10.1016/S0168-1699(02)00007-8).
  • Neuhoff D., Schulz D., Kopke U. Potential of decision support systems for organic crop production: WECOF-DSS, a tool for weed control in winter wheat. In: Proceedings of the International Scientific Conference on Organic Agriculture, Adelaide, Australia, 21-23 September 2005. Adelaide, 2005: 1-4.
  • Zambrano-Navea C., Bastida F., Gonzalez-Andujar J.L. A cohort-based stochastic model of the population dynamic and long-term management of Conyza bonariensis in fruiting tree crops. Crop Protection, 2016, 80: 15-20 (doi: 10.1016/j.cropro.2015.10.023).
  • Bennett A.C., Price A.J., Sturgill M.C., Buol G.S., Wilkerson G.C. HADSS, Pocket HERB, and Web HADSS: decision aids for field crops. Weed Technology, 2003, 17(2): 412-420 (doi: 10.1614/0890-037X(2003)017[0412:HPHAWD]2.0.CO;2).
  • Lyon L.L., Keeling J.W., Dotry P.A. Evaluation and adaptation of the HADSS® computer program in Texas Southern High Plains cotton. Weed Technology, 2004, 18(2): 315-324 (doi: 10.1614/WT-03-069R).
  • Ford A.J., Dotray P.A., Keeling J.W., Wilkerson J.B., Wilcut J.W. Gilbert L.V. Site-specific weed management in cotton using WebHADSS. Weed Technology, 2011, 25(1): 107-112 (doi: 10.1614/WT-D-10-00060.1).
  • Gonzalez-Andujar J.L., Fernandez-Quintanilla C., Bastida F., Calvo R., Izquierdo J., Lezaun J.A. Assessment of a decision support system for chemical control of annual ryegrass (Lolium rigidum) in winter cereals. Weed Research, 2011, 51(3): 304-309 (doi: 10.1111/j.1365-3180.2011.00842.x).
  • Gonzalez-Andujar J.L., Fernandez-Quintanilla C., Bastida F., Calvo R., Gonzalez-Diaz L., Izquierdo J., Lezaun J.A., Perea F., Sanchez del Arco M.J., Urbano J.M. Field evaluation of a decision support system for herbicidal control of Avena sterilis ssp. ludoviciana in winter wheat. Weed Research, 2010, 50(1): 83-88 (doi: 10.1111/j.1365-3180.2009.00744.x).
  • Bessette D., Wilson R., Beaudrie C., Schroeder C. An online decision support tool to evaluate ecological weed management strategies. Weed Science, 2019, 67(4): 463-473 (doi: 10.1017/wsc.2019.21).
  • Benjamin L.R., Milne A.E., Parsons D.J., Cussans J., Lutman P.J.W. Using stochastic dynamic programming to support weed management decisions over a rotation. Weed Research, 2009, 49(2): 207-216 (doi: 10.1111/j.1365-3180.2008.00678.x).
  • Lacoste M., Powles S. RIM: Anatomy of a weed management decision support system for adaptation and wider application. Weed Science, 2015, 63(3): 676-689 (doi: 10.1614/WS-D-14-00163.1).
  • J0rgensen L.N., Noe E., Langvad A.M., Jensen J.E., 0rum J.E., Rydahl P. Decision support systems: barriers and farmers' need for support. EPPO Bulletin, 2007, 37(2): 374-377 (doi: 10.1111/j.1365-2338.2007.01145.x).
  • Kanatas P., Travlos I.S., Gazoulis I., Tataridas A., Tsekoura A., Antonopoulos N. Benefits and limitations of decision support systems (DSS) with a special emphasis on weeds. Agronomy, 2020, 10(4): 548 (doi: 10.3390/agronomy10040548).
Еще
Статья научная