Különböző hőösszegszámítási módszerek vizsgálata a kukoricatermesztésben

Abstract

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