ÖSSZEFOGLALÁS

A mezőgazdasági termelés habár a foglalkoztatottság terén egyre szűkülő arányban képviselteti magát a szekunder, tercier és kvaterner szektorokhoz képest, az emberiség múltját, jelenét és jövőjét mindig is meghatározóan befolyásolni fogja, hiszen az élelmezés és élelmiszeripar alapanyagainak biztosítása a legfontosabb gazdasági és társadalmi követelmények között tartható számon. A termelési színvonal emelésének alapvető eszközeként tarthatjuk számon a környezeti és természeti elemek fokozottabb mértékben és hatékonysággal történő kihasználását. A hatékonyság növelése a természettudományi ismeretek bővülésével és a technika/technológia fejlődésével jár együtt. A természettudományos megismerés fő célja a folyamatok feltárása, a jelenségek ok-okozati összefüggéseinek megismerése, magyarázata. A növénytermesztés hatékonysága is az alaptudományok fejlődéséhez és alkalmazásához köthető. Az időjárási és éghajlati feltételek rendkívüli változékonysága is azt az alapvető célkitűzést erősíti meg, hogy környezetünk minél mélyebb megismerésével és a hozzá történő igazodással, tovább fokozhatjuk a mezőgazdasági termelés eredményességét. Ebben jelentett nagy előrelépést egyáltalán a hőmérséklet szerepének felismerése, az egzakt mérését lehetővé tevő technológiai fejlődés, illetve az ebből következő következtetések és eredmények megfogalmazása a felhalmozódó és elérhetővé váló adathalmaz révén. A hőmérsékletnek sokféle hatása lehet az élettani folyamatokra, mind a kémiai reakciók, jelenségek (diffúzió, viszkozitás, transzlokáció) szintjén, mind a növényi szervek, vagy a növény, vagy akár a teljes növénytermesztés szintjén a fotoszintézisre, respirációra vagy a fejlődés ütemére. A hőmérséklet növényi működésre kifejtett hatása általában enzimatikus folyamatokban jelenik meg. Az enzimek átalakulása a hőmérséklettől függő létfontosságú lépés ezekben a reakciókban. Túl alacsony hőmérsékleten az enzim fehérje nem elég rugalmas, ezért nem alkalmas és nem képes az átalakulásra, túl magas hőmérsékleten pedig kicsapódik és a megváltozott szerkezet miatt nem képes a reakció katalizálására. A hőmérséklet a vegetációs időszak alatt jelentősen befolyásolja a szár-gyökér arányt is. Lineáris kapcsolat figyelhető meg kumulált hőösszeg-értékek és az utolsó főgyökeret tartalmazó fitomer vagy felbukkanó gyökér között. A hőmérséklet a levélképződés tekintetében is kiemelkedő szereppel bír, a levélfejlődés és hőmérséklet között a kukorica esetében lineáris kapcsolat van, megközelítőleg 15 és 30°C között Jelentős a hatása a fotoperiodizmusnak is, amely a növények válaszreakciója az éjszakák és nappalok hosszúságának változásaira. A kutatók abban egyetértenek, hogy a legtöbb kukoricafajta levélszám-gyarapodással válaszol a hosszabbodó nappali időszakokra, habár reakciójuk eltérő. Általában a későn érő fajták inkább érzékenyek a fotoperiodizmus hatásaira, az is megállapítható ugyanakkor, hogy kukorica érzékeny a fotoperiodizmusra és a hosszabbodó nappalokra, elhúzódó fenofázisokkal válaszol.

SZÁMÍTÁSI MÓDSZEREK ÖSSZEHASONLÍTÁSA, ELEMZÉSE A hőösszeg-számítási módszerek kialakulása már az 1700-as évek elejére visszavezethető. Habár akkor még csak egyszerű átlaghőmérsékleti számításokkal próbálták a fizikusok, biológusok, növénytermesztők meghatározni és jellegzetességeket felfedezni a pontosabb hőmérsékleti összefüggések terén, annak felismerése, hogy a hőmérsékletnek lényeges szerep tulajdonítható a vegetáció életműködésében, már eleve nagy jelentőséggel bírt. A későbbiek folyamán a képletek, számítási módszerek egyre kifinomultabbá váltak, egyre szélesedett azon környezeti paraméterek köre, amelyek a pontos mérési eredményeknek és az összefüggések feltárásának köszönhetően beépíthetővé váltak a képletkombinációkba. Ismertté és elkülöníthetővé vált a növényi fejlődés által aktívan hasznosítható hőmérsékleti tartomány, és az életfolyamatok szempontjából passzívnak mondható hőmérsékleti tartomány. A számítási módszerek manapság három nagy csoportba különíthetők el:

• hőmérsékleti adatokat felhasználó képletek • hőmérsékleti és fotoperiodikus adatokat felhasználó képletek • hőmérsékleti, fotoperiodikus és napsugárzási adatokat felhasználó képletek

A dolgozatomban a hőmérsékleti, fotoperiodikus és sugárzási adatokat is felhasználó képleteket nem elemeztem, tekintettel bizonytalan adatbázisra (jelentős adathiányok), illetve a nehézkesebb összehasonlíthatóságra. A dolgozatban kitértem az adatsűrűség problematikájára, tekintettel a jelentkező adathiányok által okozott nehézségekre. Egy hónap kiválasztásával egy többlépcsős összehasonlítás során kiválasztottam mely adatsűrűség a legmegfelelőbb és legkönnyebben kezelhető a hőösszeg-számítási módszerek kiértékelésének. Az első lépcsőben a rendelkezésre álló hőmérsékleti adatokból számtani átlagszámítást végeztem három a fent említett hónap adataiból, tekintettel arra, hogy a hőösszeg-számítási eljárásokban az átlaghőmérsékletek kiemelkedő jelentőséggel bírnak. 3 szinten, 1 talajhőmérsékleti és 2 léghőmérsékleti adatsor alapján történt az értékelés. Összességében azt állapítottam meg, hogy a 15 perces teljes átlag, az óránkénti 15 perces napi átlag és a normál napi átlag értékei a legmegbízhatóbbak. Második lépcsőben a fenti eredményeket még klaszterelemzéssel is megvizsgáltam. Az SPSS két csoportot különített el. Az eredményeket az átlagok alapján elvégzett számításaimmal összevetettem, és azt találtam, hogy a második csoportban találhatók azok a módszerek, melyek a legközelebb esnek a teljes minta átlagához. Ezek közül is az órás adatsűrűség tűnt ki a többi közül. Mindezek alapján az órás adatsűrűség mellett döntöttem. A klaszterelemzést különböző klaszterelemszámok mellett is elvégeztem, és ezek alapján az óránkénti 15 perces napi átlag adatsűrűség mellett döntöttem. Ez adatsűrűség hozta a legkiegyensúlyozottabb eredményeket minden mérési szinten. Ennek az adatsűrűségnek több előnye is van. Ideális középutat biztosít mind a megfelelő adatbontás, mind a kezelhetőség és az esetleges hibák kiküszöbölésére, hiszen a minden órában a negyedórás értékekből külön kiszámolt órás átlagokból emeli ki a minimum és maximum hőmérsékletet. Ezután a 27 módszer közül kiválasztottam kilencet, amellyel a teljes tenyészidőszakokra elvégeztem a számításokat. Elsőkörben az összes napi hőösszeg-számítási módszer és a speciális órás számítási módszerek összehasonlítását végeztem el az 1997-es év június és október hónapjaiban 0,5m-es szinten. Ezen két hónap kiválasztását a szélsőértékek indokolták, hiszen a tenyészidőszakban ez az a két hónap ahol a leghidegebb, illetve a legmelegebb napok előfordulnak. Június hónapnál a rákövetkező július ugyan melegebb, viszont a rendelkezésemre álló adatok tekintetében jóval megbízhatatlanabb, mivel 1997. júliusában nagyobb volt az adathiány, mint júniusban. Mivel a 2 hónap között olyan jelentős hőmérsékleti különbség nincs, ezért a júniust választottam. Majd varianciaanalízissel és klaszterelemzéssel is elvégeztem az összehasonlításokat. A júniusra és októberre kapott klaszterekből kiválasztottam az egyezőeket. Így a következő képletek kerültek kiválasztásra:  Konvencionális, bázishőmérséklettel korrigált átlaghőmérséklet  Ontárió hőösszeg-számítási módszer  Stewart-féle hőösszeg-számítási módszer  Ritchie-féle hőösszeg-számítási módszer  Napi hőstresszen alapuló átlaghőmérsékleti számítási módszer  Newman-féle hőösszeg-számítási módszer  Nappali átlaghőmérsékleti órás hőösszeg  Éjszakai átlaghőmérsékleti órás hőösszeg  Nappali-éjszakai átlaghőmérsékleti órás hőösszeg

Ezután került sor a 9 kiválasztott képlet súlyozására a Solver programcsomag segítségével. A solveres optimalizálás során az alapkoncepció az volt, hogy a tenyészidőszakokban kiszámolt hőösszeg-értékek mennyire ingadoznak az egyes módszerek szerint. Az optimalizálás során az ingadozási érték minimalizálása volt a fő cél. Első lépésként vettem az összes, teljes tenyészidőszakban a 9 kiválasztott képlettel megkapott hőösszeg-értéket a 0,5m-es szintre. Külön csoportosítottam őket számítási módszerek szerint. Majd vettem ezen értékek szórását és átlagát. Ezután a relatív szórásukat úgy kaptam meg, hogy a korábban kiszámolt szórást elosztottam az átlaggal. Ezt megcsináltam mind a 9 módszer esetében, így kaptam 9 relatív szórási értéket. Ezután kiszámoltam a kapott 9 relatív szórás átlagát, és ezt állítottam be a Solver esetében célcellaként. Korlátozó tényezőként az 0<X<1 intervallumot állítottam be, valamint alapsúlyozásnak minden képlethez 1-et rendeltem. Ezután a solveres minimalizálás során kapott értékek összegével elosztottam mindegyiket külön-külön, így az összegük 1-et kell hogy adjon, amely megadja, hogy a 9 képletet hogyan kell súlyoznom együttes használatuk esetén. Ezután a június és október hónapok klaszteranalízisével kiválasztott 9 algoritmus mindegyikével kiszámoltam mindhárom év tenyészidőszakában mindhárom szintre a hőösszegeket.

AZ ÚJ KÉPLETKOMBINÁCIÓ KIALAKÍTÁSA A súlyozott képletkombinációt a teljes tenyészidőszakra kiszámolt súlyfaktorok alapján hoztam létre:

[1] * 0,12 + [3] * 0,06 + [4] * 0,13 + [5] * 0,12 + [9] * 0,07 + [16] * 0,12 + [25] * 0,06+ +[26] * 0,09 + [27] * 0,22

A kiszámolt értékekből megállapításra került, hogy az a feltevésem, miszerint az új képletkombináció pontosabb, mint bármelyik egyéb algoritmus a 9 korábban kiválasztott és elemzett képlet közül, helyénvaló. 3 tenyészidőszak 3 szintjén, összesen 81 alkalommal mért és kiszámolt hőösszeg-értékek közül 11 alkalommal kaptunk az új képletkombinációnál pontosabb értéket. Ezek után elvégeztem egy foknap-értékelést is, amely során szintén pontosabb eredményeket kaptam rá. Majd az 1997-es év részletes fenofázis megfigyelései alapján is elvégeztem egy hőösszeg-értékelést, illetve egy levélindex elemzést is. Mintegy 37 alkalommal történt meg a vizsgált kukoricahibridek pontos levélszám-elemzése 1997-ben. Így a vizsgált 1997-es évben a kukoricahibridek átlagos levélszám-változásait elemeztem ebben a 0,5m-en mért hőmérsékleti értékek alapján. A már korábban klaszterelemzéssel kiválasztott 9 hőösszeg-számítási képlet által az adott mintavételezési napokig kiszámoltam a hőösszeg-értékeket, és a vizsgált hibridek által az addig a napig produkált átlagos levélszámmal elosztva megkaptam az egy levél teljes kifejlődéséhez szükséges hasznos hőmérsékleti értéket. Majd az átlagaikat elosztva a számolt hőösszeg-értékkel kiszámoltam, hogy a mintavételezés során mért levélszám, számítási módszerenként mennyire felel meg a valóságnak. Ha megvizsgáljuk a Solver programmal optimalizált képletkombináció eredményeit, a valós levélszám és a számított levélszámok közötti eltérés alapján egyértelművé válik, hogy a súlyozott képletkombináció pontosabb jóslást tesz lehetővé, mint bármelyik egyéb képlet. Az is kitűnik az ábrából, hogy a tenyészidőszak előrehaladtával a képlet pontossága fokozatosan csökken, az eltérések nőnek. Az összes kukoricahibriden átlagosan 3 naponta történt mintavételezés során megfigyelt átlagos levélszám és az optimalizált képletkombináció által kiszámolt levélszámok közötti korreláció magasnak tekinthető, ugyanakkor folyamatosan csökken a fiziológiai érés előrehaladtával.

A TALAJHŐMÉRSÉKLET SZEREPE A EGYEDFEJLŐDÉSBEN Már a vetéskor lényeges, hogy milyen hőmérsékletű a talaj, különösen tavaszi vetéskor a küszöbhőmérsékletek környékén ingadozó értékek esetén vezethet nagyfokú eltéréshez a hőösszeg-számítások során. A talajhőmérséklet a vetéstől számított első két hétben elenyésző jelentőséggel bír a kukorica későbbi érésének szempontjából, ha a talaj minimum 15°C-os, ellenkező esetben viszont az alacsonyabb hőmérsékleti értékek jelentősen megnövelhetik a fekete réteg kialakulásához szükséges időt. A fentiekből kifolyólag, illetve ha már rendelkezésemre áll egy ilyen vizsgálathoz szükséges adathalmaz, úgy döntöttem végzek egy ilyen irányú elemzést is. A részletes fejlődési fokozatokat bemutató fenofázis mérések (1997) és a szakirodalom alapján két esetet vizsgáltam meg egyszer a 6, majd a 12 leveles állapotok eléréséig számoltam talajhőmérsékleti adatokkal, majd összevetettem a kapott értékeket az egységes mérési eredményekkel. Mivel itt nem a számítási módszerek összehasonlítása volt a feladat, hanem az eltérő szintek eltérő hőmérsékleteivel való számolás, ezért csak az átlaghőmérsékleteket használtam fel az összehasonlítások során. Variáltam az értékeket és azt a megállapítást fogalmaztam meg, hogy 8 leveles állapotáig számolhatunk a talajhőmérsékleti értékekkel, 8 és 12 leveles állapota között a 0,5m-es értékekkel és elég ha a 12 leveles állapotától vesszük figyelembe a 2,0m-es hőmérsékleti adatokat a torzítások elkerülése végett. Összefoglalásként tehát elmondható, hogy a pontosabb hőösszeg-értékek kiszámítása végett ha rendelkezésünkre áll, érdemes differenciáltabb hőmérsékleti adatokkal dolgoznunk, tekintettel a nem elhanyagolható különbségre.

KLÍMADEFORMÁCIÓK Globális klímaváltozatos kérdéseket próbáltam meg egybeolvasztani a korábbi fejezetekben kiválasztott és értékelt hőösszeg-számítási módszerekkel, hazai vonatkozásokkal tarkítva. Először is elemeztem az üvegház-és hűtőházhatású gázok légköri feldúsulásának okait és következményeit. Ezután került sor a klímamodellek típusainak elemzésére és külön a GCM modellek jelentőségére. Majd a feedback-effektusok elemzése került napirendre, hiszen a modellalkotás egyik legfontosabb összetevői a visszacsatolások. Ez egy olyan mechanizmus, amely alapján a rendszer egy outputja inputként visszairányul a rendszerbe. A dolgozatban a nagy-britanniai meteorológiai központ (UKMO) által használt nagyfelbontású ún. egyensúlyi (equilibrium) klímamodell (UKHI), a kisfelbontású egyensúlyi klímamodell (UKLO) és a nagyfelbontású átmeneti (tranziens) klímamodell (UKTR) által Debrecenre és környékére megadott 30 éves hőmérsékleti adatsorokat dolgoztam fel. Az UKMO modellek jellemzőiket tekintve elsősorban a felbontásban, illetve az óceán modellezésében térnek el. Az óceánok különösen nagy jelentőséggel bírnak a modell felépítésében, hiszen a Föld felszínének 71%-át foglalják el, ezért jelentős kritérium, hogy egy-egy modellben a szimulált szerkezetük minél inkább közelítsen a valósághoz. Az UKTR modellek felbontása tehát már eléri a 300-1000km-t és a 20 egymás fölött párhuzamosan futó rétegszámot az atmoszférában és a földfelszín alatt és az óceánban is. A Debrecenre és környékére leskálázott jövőbeni napi minimum és maximum értékeinek felhasználásával számoltam ki a hőösszegeket. A hőösszeg-értékek kiszámolásakor a korábbi fejezetekben klaszterelemzéssel kiválasztott és csoportosított módszerei közül a napi felbontású adatokkal is alkalmazható módszereket használtam fel. A hőösszeg-értékek kiszámolásakor minden egyes hőmérsékleti változót a múltbéli konkrét évek (1997, 1998, 1999) hőösszeg-értékeinek elemzésekor megadott szinteken hagytam. Minden esetben jóval magasabb értékeket kaptam mindegyik hőösszeg-számítási módszer esetében annak ellenére, hogy az elemzett időszakok 154 napos időtartama tulajdonképpen az év teljes időtartamához képest rendkívül rövid, azonkívül az évnek csak a melegebb időszakára vonatkozik, és a globális hőmérsékletnövekedés várhatóan inkább a hidegebb hónapok enyhülésének lesz majd betudható, mint ahogy azt már jelenleg is tapasztalhatjuk. Összességében elmondható, hogy a Debrecen és környékére leskálázott globálhőmérsékleti adatok emelkedése egyértelműnek mondható mindhárom modell esetében, melyeket felvett 2 fokú polinomiális trendvonalak is jól mutatnak. Majd külön kitértem a hőmérsékletnövekedés kukoricatermesztési vonatkozásaira és megállapítottam, hogy nem egyértelmű, hogy a konkrét szárazanyag-tartalom és felhalmozódás alakulása milyen irányban tolódik el a kukoricatermesztés tekintetében, hiszen már ha csak a hőmérsékleti értékek változásának következményeit vesszük is alapul, akkor is olyan sok változóval és alakítótényezővel kell számolnunk, mind pozitív, mind negatív irányba ami rendkívül megnehezíti a becslést. Arról nem is beszélve, hogy a csapadék-és talajviszonyok változásának figyelembevétele esetén a rendszer tovább bonyolódik. Ezután CO2-szint emelkedésének kukoricatermesztési hatásairól írtam, amit azért emeltem ki külön, mert egyrészt a globális klímaváltozás folyamatában az egyik legnagyobb befolyásoló tényezővel bíró üvegházhatású gázról van szó. Másrészt pedig a Föld flórájára eltérő hatással van a légkör CO2-szint emelkedése, tekintettel arra, hogy a nappali (aktív) életműködésük során abszorbeálják a levegő szén-dioxid tartalmát, így általánosságban véve elmondható, hogy a CO2-szint emelkedése pozitív hatást fejt ki a növényi fejlődésre. Habár itt sem egyértelmű, hogy miképpen befolyásolja a jövőben a kukoricatermesztési feltételeket a szén-dioxid szint emelkedése, hiszen a kondenzációs magvak ugrásszerű emelkedése jelentős páraképződéssel és csökkent fotoszintetizációval járhat. Végül megemlítettem ugyanezen trendek hazai következményeit, és az összehasonlító elemzések figyelembevételével a következő konklúziókat vontam le:

• A kedvezőtlen évek növekvő dominanciája az utóbbi 20-30 évben szignifikánsan kimutatható és szcenáriók szerint várhatóan fokozódni fog, ami 5-10%-os terméscsökkenéssel jár majd együtt. • A kukoricatermelés szempontjából kedvezőtlen lesz a nyári hőösszegek extrém emelkedése, ami még az 1951-1990-es periódus maximális hőösszegeinél is jóval magasabb lesz. Különösen annak tükrében súlyosbítja ez a kukoricatermelés helyzetét, hogy várhatóan nem párosul csapadéknövekménnyel.

Így Magyarország szempontjából a globális klímaváltozás egyik leginkább szembetűnő hozadéka a mezőgazdasági termelés változékonysága lesz.

SUMMARY

Agricultural production, though it represents a narrow and constantly decreasing ratio in employment compared to secondary, tercier and quartic sectors, has and will play a decisive role in the past, present and future of mankind since ensuring food and food industrial raw materials is one of the most important economic and social requirements. Increasing efficiency in the utilisation of environmental and natural elements are basic tools of improving production standards.
Increasing efficiency is accompanied by the expansion of knowledge related to natural sciences and the improvement of technique/technology. The main objective of natural science cognition is revealing processes, cognition and explanation of cause and effect. The efficiency of plant production can also be connected to the development and application of basic sciences. The exceptional changeability of weather and climatic conditions also emphasises the basic objective that with deeper cognition of our environment and with adaptation the efficiency of agricultural production can be further increased. Recognising the role of temperature was a major progress as technological development allowed precise measurement and conclusions based on it through the cumulated and accessible data sets.
Temperature can have various effects on physiological processes, both at the level of chemical reactions, phenomenon (diffusion, viscosity, translocation) as well as at the level of plant organs, plant and the entire plant production on photosynthesis, respiration, or rate of development. The effect of temperature on plant function usually occurs in ensymatic processes. The transformation of ensymes is an essential step in these reactions that depends on temperature. At low temperatures the ensym protein is not elastic enough, thus not capable of transformation, at high temperatures it condensates and due to the changed structure it is unable to catalysate the reaction. Temperature during the vegetative significantly influences the stem-root ratio as well. A linear relationship can be detected between the cumulated heat sum values and the phytomer containing the last taproot or the emerging root. Temperature has an outstanding role in leaf formation as well, there is a linear relationship between leaf development and temperature in the case of maize, at approximately between 15 and 30°C. Photoperiodism also has a significant effect, which is the response of plants to the changes of night and day lengths. Researchers agree that most maize types respond with increased leaf numbers to lengthening daytime periods, though their reactions differ. Usually the types that ripen late are the most sensitive to effects of photoperiodism and it can also be detected that maize is sensitive to photoperiodism and responds with delayed phenophases to lengthening daytime periods.

COMPARISON AND ANALYSIS OF CALCULATION METHODS The development of heat sum calculation methods can be traced back to the beginning of 1700. Though physicists, biologists and plant producers then tried to determine and reveal characteristics with simple average temperature calculations in the field of more accurate temperature relationships, the cognition that temperature can have a substantial role in the life function of the vegetation had significant impact. Later on the formulas and calculation methods became more refined, the range of those environmental parameters has widened that could be integrated into the formula combinations. The temperature range that could be actively utilised in plant development became known and separable along with the passive temperature range.
Nowadays, calculation methods can be grouped into three large sets:

• formulas using temperature data • formulas using temperature and photoperiodic data • formulas using temperature, photoperiodic and solar radiation

In my dissertation I did not analyse formulas using temperature, photoperiodic and solar radiation data as well, with regards to the inconsistent database (significant data deficiencies) or the difficult comparison. In my dissertation I also included the problems of data density, considering the difficulties caused by data deficiency. By choosing a month, I have selected the most appropriate and easiest to handle data density for evaluating heat sum calculation methods during a multiple step comparison. Ein the first step, I have calculated mathematical average from the data provided using the data of the above mentioned month, considering that average temperatures have outstanding significance in heat sum calculation methods. Evaluation was carried out at 3 levels, based on 1 soil temperature and 2 air temperature data sets. Altogether, I concluded that the values of the total 15 minute average, the 15 minute daily average and the normal daily average are the most reliable. In the second step I have examined the above mentioned results with cluster analysis as well. The SPSS has distinguished two groups. I compared the results with the calculations based on averages and found that the methods closer to the average of the average of the whole sample can be found in the second group. The hourly data density was the most outstanding from all the others. Based on these, I chose the hourly data density. I carried out the cluster analysis with different cluster element numbers and based on these I chose 15 minute daily average data density. This data density brought the most balanced results at all measurement levels. This data density has many advantages. It provides an ideal mean for suitable data separation and handling as well as for preventing possible errors, since it sets out minimum and maximum temperatures from each hour out of a separately calculated hourly average. Then I selected the nine methods out of the 27 that I used to carry out calculations for the entire growing season. Firstly, I carried out the comparisons of the total daily heat sums calculation method and the special hourly calculation method for June and October months of 1997 at 0.5 m level. The selection of these two months was justified by the extreme values since these are the two months where the coldest and warmest days occur. Though July is hotter than June, the provided data are more unreliable since data deficiency for July of 1997 was greater than in June. Since there are no significant differences between the 2 months, I chose June. Then, I carried out comparisons with both variance and cluster analysis. I selected identical ones from the clusters of June and October. Therefore, the following formulas were selected:  Conventional average temperature, adjusted with basis temperature  Ontario heat sum calculation method  Stewart-type heat sum calculation method  Ritchie-type heat sum calculation method  Average temperature calculation method based on daily heat stress  Newman-type heat sum calculation method  Daytime average temperature hourly heat sum  Nighttime average temperature hourly heat sum  Daytime-nighttime average hourly heat sum

The was followed by the weighting of the 9 selected formulas by using the Solver programme package. During the solver optimisation, tha basic concept was to find out to what extent do heat sum values, calculated in the growing seasons, fluctuate according to the specific methods. The main objective during optimalisation was to minimise fluctuation values. As the first step, I took all the heat sum values received with the 9 selected formulas in the growing season for 0.5 m level. I grouped them separately according to calculation methods. Then I took the deviation and average of these values. Then I got their relative deviation by dividing the previously calculated deviation with the average. I carried this out with all 9 methods, then I received the 9 relative deviation values. Then I calculated the average of the 9 relative deviations and I set this as an objective cell in the case of Solver. As a limiting factor I set 0<X<1 interval and as a basic weighting I assigned 1 for each formula. Then, I divided each separately with the sums of values obtained during solver minimalisation, so their sums would be 1 which then provides the solution for weighing the 9 formulas when using them collectively.
Then I calculated with each of the 9 algorithms, selected with the cluster analysis of June and October, the heat sums for all three levels of the growing period in all three years.

DEVELOPING THE NEW FORMULA COMBINATION I developed the weighting formula combination based on the weighting factors calculated for the entire growing season:

[1] * 0,12 + [3] * 0,06 + [4] * 0,13 + [5] * 0,12 + [9] * 0,07 + [16] * 0,12 + [25] * 0,06+ +[26] * 0,09 + [27] * 0,22

Based on the calculated values I concluded, that my assumption according to which the new formula combination is more accurate than any other algorithm from the 9 previously selected and analysed formulas proved to be right. We have received more precise values 11 times out of 81 measured and calculated heat sum values at 3 levels of 3 growing periods. Then I carried out a degree day analysis as well, which also provided more accurate results as well. Then based on the phenophase observations of 1997, I carried out a heat sum analysis and a leaf index evaluation as well. The precise leaf number evaluation of examined maize hybrids was carried out 37 times in 1997. Thus I analysed the average leaf number changes of maize hybrids in the examined year of 1997, based on temperature values measured at 0.5 m. By using the 9 heat sum calculation methods, selected previously with cluster analysis, I calculated the heat sums up to the sample taking days and by dividing it with the average leaf number produced up to that day I received the temperature values required for the total development of a leaf. Then dividing their averages with the calculated heat sum values I calculated the accuracy of leaf number measurements according to calculation methods.
If we examine the results of formula combinations, optimised with the Solver programme, based on the differences between actual and calculated leaf number, it becomes clear that the weighted formula combination allows for a more precise prognosis than any other formula. It is also clear from the figure that the accuracy of the formula gradually decreases as the growing season progresses and deviations increase.
During the average 3 daily sample takings on all maize hybrids, the correlation between the observed average leaf numbers and the optimised formula combination can be regarded as high, at the same time it gradually decreases with the progress of physiological ripening.

THE ROLE OF SOIL TEMPERATURE IN ONTOGENY Soil temperature is significant already during sowing, especially during spring sowing and it can lead to significant differences in the case of values fluctuating around threshold temperatures during heat sum calculations. Soil temperature has insignificant impact in the first two weeks from sowing as far as the later ripening of maize is concerned, if the soil is minimum 15°C, in the opposite case however, lower temperature values can significantly increase the time required for black layer formation.
As a result of the above mentioned, or if data set is provided for such an examination, I decided to carry out an analysis in this direction as well.
The phenophase measurements introducing the detailed development degrees (1997) and based on professional publications, I examined two cases, as I calculated with soil temperature data up to the 6 and 12 leaf status then compared the obtained values with the standardized measurement results. Since the task here was not the comparison of calculation methods, but rather the calculation with temperatures of different levels, I only used average temperatures during the comparisons. I varied the values and concluded that we can use the soil temperature values can be applied up to the 8 leaf stage, between the 8 and 12 leaf stage the 0.5 m values should be used and the application of 2.0 m temperature data is only required from the 12 leaf stage in order to avoid distortions. In conclusion it can be said that in order to obtain more accurate heat sum values, it is better to use more differentiated temperature data if provided, considering the differences that are not negligible.

CLIMATE DEFORMATIONS I tried to integrate global climate change questions with the previously selected and analysed heat sum calculation methods, varying it with domestic relations. Firstly, I analysed the causes and consequences of greenhouse gas concentration. Then I analysed the different types of climate models and separately the significance of GCM models. Then I analysed feedback effects, since one of the most important elements of model creation are feedbacks. This is such a mechanism, which provides the basis for redirecting the output of a system as an input to a system.
In my dissertation I processed the temperature datasets of 30 years for Debrecen and its surroundings by using the high resolution, so-called equilibrium climate model (UKHI) of the United Kingdom Meteorological Center (UKMO) and the small resolution equilibrium climate model (UKLO) and the high resolution, transient climate model (UKTR). Regarding the features of the UKMO models, they differ mainly in resolution and ocean modeling. Oceans have a significant impact in the structure of the model, since they cover 71% of the Earth’s surface, thus it is an important criteria that their simulated structure should be close to reality within a specific model. The resolution of UKTR models reaches 300-1000 km and 20 parellel layers in the atmosphere and below the Earth’s surface as well as below the ocean.
Using the the scaled, future daily minimum and maximum values for Debrecen and its surroundings I calculated the heat sums. During heat sum calculations, I used the methods applicable with daily data that I selected and grouped in previous chapters with cluster analysis. During the heat sum calculations, I left each temperature variable at the levels provided during heat sum calculations of specific past years (1997, 1998, 1999).
I received much higher values in all cases for all heat sum calculation methods, contrary to the fact that the 154 day period of evaluated periods is significantly short compared to the total length of a year and it only applies to the warmer period of the year and the global temperature increase will expectedly be due to moderate cold months as we can already experience. Altogether it can be said that the increase of global temperature data, scaled for Debrecen and its surroundings is clear in the case of all three models, which are well indicated by the 2 degree polynominal trend lines as well. Then I separately analysed the relations of temperature increase on maize production and found that the formation of concrete dry matter content and accumulation is not unambiguous as regards to maize production, since if we only consider the consequences of temperature value changes we already have consider so many variables and influencing factors, both in positive and negative directions, that makes estimating significantly difficult. Not to mention that in the case of considering precipitation and soil condition changes, the system becomes more complicated. Then I wrote about the effects of CO2 level increase on maize production, which was emphasised because it is one of the most important impact factor among greenhouse gases in the process of global climate change. On the other hand, the flora of the Earth has different impact on the change of CO2 level in the atmosphere, considering that during their daytime (active) life functions they absorb the carbon-dioxide content of the atmosphere, so in general it can be said that the increase of CO2 level has positive effect on plant development. Though, it is not clear how increasing carbon-dioxide level influences maize production conditions in the future, since the rapid increase of condensation cores can be accompanied by significant vapour fomation and reduced photosynthesis. Finally, I included the domestic consequences of the same trends and considering the comparative analysis, I made the following conclusions:

• The increasing dominance of unfavourable years in the past 20 to 30 years can be significantly detected and according to scenarios, these will intensify, which will be accompanied by a 5-10% yield loss. • The extreme increase of summer heat sums will be unfavourable from the aspect of maize production, which will be even higher than the maximum heat sums of the 1951-1990 period. This especially aggravate the conditions of maize production, as there will be no expected increase in precipitation.

The most obvious consequence of global climate change for Hungary will be the changeability of agricultural production.