СПОСОБ ОПРЕДЕЛЕНИЯ ВРЕМЕНИ УБОРКИ УРОЖАЯ Российский патент 2010 года по МПК A01G1/00 

Настоящее изобретение относится к способу, устройству и системе для определения точного срока уборки урожая.

Одним из наиболее важных факторов качества хлебных зерновых культур, таких как пшеница или рожь, является «число падения», показывающее степень проросшести зерна. Прорастание зерна до жатвы известно как скрытое прорастание колоса, в котором за нарушением состояния покоя следует увеличение амилолитической активности до таких высоких показателей, что происходит разложение запасенного крахмала, ценного в промышленных процессах, на простые сахара. Зачастую это происходит задолго до того, как проростки становятся видимыми в колосе. Например, крахмал пшеничной муки, поврежденный скрытым прорастанием, не способен связывать влагу, выделяющуюся из клейковины во время хлебопечения, что в результате приводит к производству влажного продукта с нарушенной структурой и плохим цветом.

Изменение «числа падения» в процессе созревания зерна может быть разделено на три фазы. Первая фаза начинается через 1-3 недели после того, как закладывается колос. В зерне начинает накапливаться крахмал, что сопровождается увеличением «числа падения». По мере развития зерна достигается вторая фаза, называемая фазой покоя. В этой фазе зерно находится в состоянии покоя и не прорастает. В этих двух фазах «число падения» увеличивается, причем на степень увеличения в основном влияет сорт хлебного злака и температура. По мере продолжения развития зерна достигается третья фаза, в которой покой прекращается. На этой третьей фазе возможно прорастание зерна, если условия окружающей среды этому благоприятствуют. Процессу прорастания содействуют подходящая относительная влажность воздуха и изменения температуры. Эта третья фаза, следующая за прекращением покоя зерна, является критической в отношении хлебопекарных свойств культуры, которая должна быть убрана с поля. Таким образом, урожай должен быть убран до того, как прорастание зайдет слишком далеко.

При благоприятных условиях роста в зрелых зернах количество фермента альфа-амилазы низко, но это количество быстро увеличивается, когда начинается прорастание. Известно, что активность альфа-амилазы всегда увеличивается в условиях дождя и низкой температуры во время налива зерна. С другой стороны, высокие температуры укорачивают покой зерна, что может приводить к быстрому уменьшению уже высокого «числа падения» в случае дождя. Также разложение крахмала может уменьшать количество урожая. Показано, что урожайность пшеницы, сильно пораженной прорастанием колосьев, может быть на 10% меньше, чем без прорастания.

В производстве пшеницы и ржи в некоторые годы потери качества из-за низкого «числа падения», вызванного скрытым прорастанием, особенно значительны в Финляндии, Швеции, Норвегии, Дании и Великобритании, а также в Эстонии, Латвии, Литве, России и Германии. И в Северной Америке есть районы выращивания пшеницы, где может быть трудно собрать урожай высокого качества по «числу падения». Таким образом, на рынке хлебопекарного зерна «число падения» является значимым качественным показателем, влияющим на цены.

Для обнаружения скрытого прорастания пшеницы и ржи активность альфа-амилазы измеряется до использования партии зерна с помощью так называемого Метода Хагберга для определения «числа падения»» (так называемое Число падения» Хагберга, стандарт ISO 3093:1982). Существует жесткая обратная корреляция между «числом падения» и амилолитической активностью, т.е. чем ниже «число падения», тем выше содержание альфа-амилазы и соответственно вероятность скрытого прорастания.

В промышленных процессах предпринимаются усилия технически улучшить низкие «числа падения», например, путем понижения величины рН, понижения поглощения воды тестом, сокращения времени замеса теста, использования повышенных температур хлебопечения или путем добавления натуральных ингибиторов альфа-амилазы в муку во время приготовления теста.

Что касается зерна хлебопекарного качества, прилагались большие усилия по исследованиям и разработкам в области агротехники и селекции для того, чтобы добиться высоких «чисел падения» зерновых в процессе роста в полях и удержать «числа падения» высокими независимо от погодных условий. Динамика «числа падения», однако, жестко связана с генетическими свойствами зернового сорта, а следовательно, на стабильность этого качественного параметра во время выращивания за счет агротехнических решений может быть оказано лишь небольшое влияние кроме выбора сорта.

Уже в 1960-х гг. был разработан так называемый способ испытания в камере влажности для традиционного селекционного семеноводства. Согласно этому способу отдельные колосья случайным методом собираются с культуры сорта, подвергаемого селекции, после созревания до желтой спелости. Их помещают в камеры со стопроцентной относительной влажностью, вслед за чем определяют «число падения» в колосьях после 5, 7 и 10 дней в камере влажности. Так называемый материал ухудшенных условий часто оставляют для полевых испытаний. Помимо определения «числа падения» в этой испытательной области могут проводиться наблюдения за различными видами вреда для сорта во время его перезрелости, например за осыпанием зерна. Такие способы четко выявляют стабильность «числа падения» сортов при очень жестких условиях для прорастания колосьев, при применении прямых селекционных критериев для популяции (Kivi E., «Spring wheat. Siemenjulkaisu». 1970, 35-41, The Hankkija Plant Breeding Institute). Для скрещивания отбираются доноры с известной высокой стабильностью «числа падения». На «число падения» косвенно влияют показатели прочности соломины выращиваемого сорта, поскольку колосья сортов, устойчивых к полеганию, даже в условиях высокой влажности высыхают быстрее, чем у сортов, не устойчивых к полеганию.

В настоящее время оценку динамики «числа падения» получают с помощью службы МТТ Agrifood Research Finland, а также Pro Agria Finland, которые производят посев различных сортов пшеницы и ржи на испытательных участках. Изменения «числа падения» этих сортов отслеживаются с частотой 2-3 раза в неделю, начиная со времени 1-2 недели до ожидаемого срока уборки урожая. Полученные этой службой результаты, описывающие тенденции развития «числа падения» указанных сортов за прошедший период вегетации, могут быть доставлены фермерам посредством телефона, газетных объявлений или через Интернет. Однако нужная информация о динамике «числа падения», например, в следующие пять дней недоступна. Данной службой не принимаются во внимание различия в «числе падения», вызванные различием погодных факторов между полями зерновых и участком измерения или различием времени посева, т.е. различными стадиями развития сортов. Соответственно данные этой службы более или менее приблизительны. Кроме того, есть лишь небольшое число местных станций, проводящих мониторинг «числа падения». В Финляндии имеется около трех станций на каждые 130000 га зерновых хлебов. Иными словами, современные службы «числа падения» не способны предоставить информацию в реальном времени о «числе падения» на полях фермера для оптимизации сроков уборки урожая.

Разница температур и особенно количества осадков, что имеет значительное влияние на динамику «числа падения», столь велика на расстояниях всего десятков километров, что можно получить лишь приблизительное значение «числа падения» путем мониторинга динамики «числа падения» на основе сравнительных измерений нескольких измерительных станций, независимо от того, будет ли «число падения» увеличиваться или уменьшаться в ближайшем будущем. Более того, результаты такого способа не имеют прогностической ценности, поскольку не принимаются во внимание прогнозы погоды. Таким образом, существующие способы сами по себе не могут дать фермеру решений для учета разницы «числа падения» в разных полевых секторах.

Поскольку температура и количество осадков оказывают сильное влияние на «число падения», погодные параметры могут быть использованы как вводные данные в математических моделях, прогнозирующих динамику «числа падения» на протяжении вегетации. Базовые исследования по математическому моделированию «числа падения», например для пшеницы и ржи, проведены. Общее описание моделей для пшеницы и ржи предложено Карвоненом (Karvonen) и Варисом (Vans) в работе «Математические модели в выращивании урожая», 1992, Публикация № 32 178-202, Департамент Растениеводства, Университет Хельсинки, Финляндия. Применимость моделей с использованием нейтрального сорта и погодных данных далее была испытана и описана Тейттиненом, Карвоненом и Пелтоненом в работе «Динамическая модель роста яровой пшеницы в условиях ограничения влажности и количества азота для прогноза урожайности и качества» (М. Teittinen, Т. Karvonen, J. Peltonen, Dinamic Model for Water and Nitrogen Limited Growth in Spring Wheat to predict Yield and Quality, 1994, J. Agronomy & Crop Science, 172, 90-104, Department of Plant Production, Helsinki University).

Математические модели применимы для прогноза «числа падения», например пшеницы и ржи в том случае, если прогноз корректируется несколько раз на протяжении вегетации путем практических измерений «числа падения» на полях (сравнительные измерения). Фактически надежность математических моделей недостаточно высока для получения твердых прогнозов для определенной фермы без сравнительных измерений в окружающей местности. Однако у фермеров нет возможности для таких сравнительных измерений не только потому, что отсутствуют дорогие аналитические приборы, соответствующие измерительному стандарту. Деятельность индивидуальных фермеров на отдельных фермах или полевых секторах не может определяться вышеуказанным способом, предоставляющим сравнительные измерения на немногих опытных станциях Финляндии, поскольку число таких станций слишком мало.

Также изучение прогнозирования «числа падения» с использованием погодных данных проводилось в Англии (Atkinson M.D. et al., 2003 Forecasting wheat quality and the breadmaking premium from the North Atlantic Oscillation, HGCA Project Report 308, UK). Это исследование не было нацелено на мониторинг «числа падения» индивидуальных полевых секторов в реальном времени, но на региональное его прогнозирование весной, в пределах графств, за несколько месяцев до начала вегетационного периода.

Имеющие квалификацию в сельском хозяйстве знают, что вариации «числа падения» на отдельных полях могут быть очень значительными благодаря различному времени сева и местным вариациям температуры и количества осадков. В любой день в августе, во время приближения сроков жатвы, «числа падения» двух отдельных полей могут быть резко отличными в том случае, если на одном поле сев проводился на 1 или 2 недели раньше, чем на другом. В полевых секторах раннего посева «число падения» может в случае дождя быстро уменьшиться, что делает важным быструю уборку урожая для того, чтобы «число падения» осталось высоким. В полевых секторах более позднего посева с уборкой урожая можно подождать дольше, поскольку зерно все еще находится в состоянии покоя, а следовательно, «число падения» не будет уменьшено дождем. Соответственно для фермера ценным является знание о динамике «числа падения» при преобладающих и прогнозируемых погодных условиях для уборки урожая в оптимальный срок.

Сейчас найден способ, устройство, система и вычислительная программа для прогнозирования «числа падения» для определения срока уборки урожая в более строгой привязке к месту и реальному времени, путем добавления данных по выращиваемым растениям, месту выращивания и погодных данных конкретного места и времени в качестве вводных данных в вычислительную программу, и далее путем калибрования параметров «числа падения», используемых для сравнительных измерений.

Отличительные черты изобретения представлены в независимых пунктах формулы изобретения.

Согласно способу и устройству настоящего изобретения оптимальный срок уборки урожая в соответствии с «числом падения», а следовательно, порядок уборки урожая, выращенного в разных полевых секторах, определяется путем расчета прогноза «числа падения» для конкретного места в реальном времени отдельно для каждого посева культур, с помощью вычислительной программы, в которой в качестве вводных данных используются данные о посеянной культуре, месте посева культуры и погодные данные места посева культуры. Согласно изобретению сравнительные данные, измеренные на эталонных фермах, также используются в качестве вводных данных для калибрования вычислительных параметров. Решение об уборке урожая может быть принято путем сравнения прогнозов, полученных для различных посевов культур, между собой и/или с целевым значением.

В примерах реализации изобретения данные о выращиваемой культуре, месте посева культуры и местной погоде, необходимые как вводные данные, могут быть получены у самого фермера либо из общедоступных или коммерческих источников.

В одном применении изобретения данные о выращиваемой культуре, используемые в качестве вводных, получают, например, от того, кто выращивает данную культуру, причем эти данные в типичном случае включают информацию о сорте хлебного злака, например пшеницы, ржи или ржано-пшеничных гибридов. Сорта яровой пшеницы предпочтительно включают сорта Anniina, Kruunu, Mahti, Manu, Piccolo, Tjalve и Triso или другой похожий сорт. Предпочтительно сорта озимой пшеницы включают Aura, Rehti и Urho, или другой похожий сорт. Предпочтительно, сорта ржи включают Akusti, Elvi, Kartano, Picasso, Riihi и Voima или другой похожий сорт. Предпочтительно сорта ржано-пшеничных гибридов включают Modus, Tricolor и Focus или другой похожий сорт.

В способе согласно одной реализации настоящего изобретения вычислительная программа, используемая для получения прогноза «числа падения», для выполнения расчетов должна включать данные о вегетативных свойствах выбранной культуры. Более того, в случае яровых культур, например, дата сева хлебного зернового сорта или в случае озимых зерновых дата начала вегетационного периода включаются в данные о выращиваемой культуре.

Данные о месте посева культуры в типичном случае включают данные о местоположении конкретной фермы или поля, соответствующим образом объединенные с данными о местной погоде.

Данные о местной погоде включают данные о погоде, например о температуре и осадках, измеренных в определенной местности в определенное время. Для удобства выбирается ближайшая к месту выращивания культуры метеостанция и используются данные проводимых ею измерений. Наиболее предпочтительно, чтобы сам фермер имел метеостанцию, в таком случае данные о погоде будут максимально приближены к месту. В Финляндии местные погодные данные также предоставляются другими общедоступными или коммерческими источниками, такими как Финский метеорологический институт (Finnish Meteorological Institute) или Foreca. Данные о погоде, используемые как вводные, основаны на реально полученных данных о погоде, а также на ее прогнозах. Реальные данные о погоде в типичном случае собираются на протяжении всей вегетации культуры, в то время как прогностические данные в зависимости от желаемой точности покрывают несколько дней или недель после момента наблюдения.

Если необходимо, сравнительные данные, измеренные на эталонных фермах, предпочтительно на ближайшей эталонной ферме, т.е. экспериментально установленные значения «числа падения», используются в вычислительной программе для калибрования вычислительных параметров «числа падения». Эти сравнительные данные также могут быть получены от сервисного провайдера вычислительной программы, т.е. сервисный провайдер может поддерживать значительные объемы сравнительных данных (такие как банк сравнительных данных), из которых фермер может выбирать необходимые сравнительные данные для калибрования прогноза «числа падения». Такая ситуация может иметь место, если сравнительные данные не предоставляются автоматически вычислительной программой.

В одном из расчетов согласно настоящему изобретению результаты сравнительных измерений используются для повышения точности прогноза «числа падения» и для калибрования вычислительных параметров. Эти аналитические результаты, полученные с ближайших эталонных ферм, используются в качестве вводных данных вычислительной программы для прогнозирования «числа падения». Предпочтительно измерение сравнительных результатов и прогнозирование с их помощью «числа падения» начинается с началом фазы наливания хлебной зерновой культуры. В одной из реализаций калибрование производится с помощью минимизации суммы квадратов разницы между «числами падения», рассчитанными согласно модели и соответственно измеренными в поле. В вычислительной программе сумма квадратов минимизируется путем внесения поправки в вычислительные параметры модели «числа падения». Этим способом калибрования является, например, метод наименьшей суммы квадратов, широко известный в статистике.

В настоящее время эти сравнительные измерения на посевах культур эталонных ферм производятся в Финляндии лишь немногими исследовательскими станциями. В типичном случае сами фермеры не имеют возможности производить эти измерения, это также и неудобно и не только из-за дорогих аналитических приборов, соответствующих измерительному стандарту.

В качестве вычислительной программы для прогнозирования «числа падения» может использоваться пригодная для прогнозирования «числа падения» модель, предложенная, например, Карвоненом Т. и Пелтоненом Й. А.: «Динамическая модель для прогнозирования «числа падения» пшеницы в климатических условиях Скандинавии» (Kanvonen Т. and Peltonen J.A., Dynamic model for predicting the falling number of wheat grains in Scandinavian climatic condition, Acta Agric. Scand. 1991, 41, 65-73,) в сочетании с моделью, описывающей ритм развития растений, Клеемола И. «Влияние температуры на фазовое развитие яровой пшеницы в северных условиях» (Kleemola J., Effect of the temperature on phasic development of spring wheat in northern conditions, Acta Agric. Scand. 1991, 41, 275-283). Сочетание вычислительных моделей может быть, например, следующим. Модель «числа падения» имитирует динамику «числа падения» хлебной зерновой культуры с начала развития зерна. Развитие зерна начинается в определенной фазе развития растения, определяемой моделью, описывающей ритм развития растения. Специальная вычислительная модель должна быть использована для установления этой фазы развития, поскольку она достигается в различные годы и у различных сортов зерновых в разное время (например, не всегда 1 июля). Таким образом, модель ритма развития используется для установления начала вычислений по модели «числа падения».

В одной реализации изобретения вычислительная программа для прогнозирования «числа падения» доступна фермеру, например, через Интернет.Вычислительная программа может быть размещена в сети данных, так чтобы позволить доступ к клиентской версии системы через персональный терминал фермера, соединенный посредством Интернета с сервером вычислительной программы. Альтернативно вычислительная программа может поддерживаться браузером, т.е. сетевой браузер позволяет соединение с Интернет-сервером вычислительной программы.

В некоторых применениях изобретения фермер может быть соединен в режиме он-лайн с сервером вычислительной программы с использованием мобильных средств связи. Сервисный провайдер может организовать сервисное взаимодействие для отправления информации, если это необходимо фермеру для принятия решения, на его устройство мобильной связи (например, SMS на мобильный телефон). Такое взаимодействие может быть предпочтительным, если, например, прогноз погоды быстро меняется, таким образом, фермер получает возможность начать уборку урожая в нужный момент.

В одном способе согласно настоящему изобретению фермер открывает вычислительную программу для прогнозирования «числа падения», вводит вводные данные и предпочтительно выбирает ближайшую эталонную ферму. На базе полученной информации фермер как результат получает прогноз динамики «числа падения» и соответственно он может начать или не начинать уборку урожая в полевом секторе, покрываемом прогнозом.

Согласно одной предпочтительной реализации если фермер хочет сделать обзор «числа падения» для одного из своих полей, он запускает счетную программу, имеющуюся, например, в Интернете. Вначале фермером вводится в программу ближайшая эталонная измерительная станция, время посева эталонного поля и сорт культуры, выращиваемой на поле, по которому предстоит мониторинг.Измерения «числа падения», выполненные на эталонном поле, можно найти в базе данных программы. Провайдер программы «числа падения» вводит данные о погоде, о сорте и «числа падения» эталонных измерительных станций в базу данных программы. В программе вычисляемая динамика «числа падения» оптимизируется с помощью сравнительных измерений, на основе данных о погоде, путем внесения поправки в параметры модели, прогнозирующей «число падения». Для оптимизации используется метод наименьшей суммы квадратов. Развитие культуры вычисляется согласно работе Й.Клеемолы «Влияние температуры на фазовое развитие яровой пшеницы в северных условиях», Acta Agric. Scand. 1991, 41, 275-283, в то время, как динамика «числа падения» вычисляется согласно: Карвонен Т., Пелтонен Й.А. «Динамическая модель для прогнозирования «числа падения» пшеницы в климатических условиях Скандинавии», Acta Agric. Scand. 1991, 41, 65-73. После оптимизации вычислительного результата фермер вводит в программу время посева поля, по которому предстоит мониторинг, и выбирает метеостанцию, ближайшую к его ферме. Затем динамика «числа падения» соответствующего поля рассчитывается программой с помощью вычислительных параметров, полученных в результате оптимизации, и данных с ближайшей метеостанции. Данные метеостанции также включают прогноз температуры и осадков на следующую неделю, что позволяет фермеру планировать необходимые действия на несколько дней вперед. Предпочтительно наиболее оптимальные данные доступны фермеру в случае, если его ферма имеет собственную метеостанцию, данные которой могут быть введены в базу данных погоды программы «числа падения». Согласно оценке динамики «числа падения» фермер может выполнять уборку урожая промышленно полезной культуры соответствующего сорта на различных полях.

В типичном случае целевое значение «числа падения», показывающее качество урожая, задается фермером. Когда это целевое значение достигнуто, следует убирать урожай. В данный момент времени стоимость урожая для фермера наивысшая, и далее, если, например, «число падения» превышает 200 единиц, пшеница пригодна для промышленного использования. Целевое значение предпочтительно может варьироваться в зависимости от посеянных зерновых хлебов и/или места/времени. Например, определенное целевое значение используется для ржаного хлеба или традиционного финского пасхального блюда, изготовленного из осоложенной ржи. Таким образом, различные целевые значения могут предпочтительно выбираться согласно желаемым качествам окончательного продукта, изготовленного из данной культуры. Более того, целевое значение может конкретно соответствовать выращиваемой культуре или качеству выращиваемой культуры и может быть основано на мнении фермера относительно желательных качеств урожая.

Однако если целевое значение «числа падения» достигается одновременно в нескольких полевых секторах, фермер должен выбрать разумный порядок уборки урожая с этих полей. В этом случае с применением способа согласно изобретению порядок уборки урожая с полей может быть определен в соответствии с прогнозом «чисел падения».

В одном из применений настоящего изобретения мониторинг «числа падения» может быть начат за несколько недель до уборки урожая и, если полученное прогнозируемое значение по-прежнему ниже целевого значения, сбор урожая может быть отложен, а прогнозирование повторено до тех пор, пока не будет достигнуто целевое значение. Когда это произойдет, можно начинать уборку урожая или возможно продолжать ожидание и следить за динамикой «числа падения» с помощью прогнозирования «числа падения» до тех пор, пока его максимальное значение не будет достигнуто и не начнет снижаться.

Блок-схема, показывающая шаги программы вычислений согласно реализации настоящего изобретения, представлена на Фиг.1. Фермер или пользователь вычислительной программы вводит выбранный сорт (10) и дату сева (11) и выбирает метеостанцию (12) как вводные данные. Вычислительная программа принимает эти вводные данные. Затем вычислительная программа находит эталонную станцию (13), ближайшую к выбранной метеостанции. Таким образом может быть измерено «число падения». На этапе 14 параметры модели «числа падения» калибруются с использованием «чисел падения», измеренных на эталонной станции, и погодных данных с метеостанции, ближайшей к эталонной станции. Предпочтительно вычислительная программа может автоматически найти данные, необходимые на этапе 14. На этапе 15 вычислительная программа проверяет, является ли ближайшая метеостанция, выбранная пользователем, той же самой, что использовалась для калибрования. Если это не так, то «число падения» пересчитывается, т.е. локализуется при помощи данных выбранной станции с использованием параметров, калиброванных на предыдущем этапе 14. В том случае, если станция, выбранная пользователем, и станция, использованная для калибрования, одна и та же, нет необходимости повторять вычисления. На этапе 16 вычислительная программа получила окончательный результат, показываемый пользователю, например, фермеру. Основываясь на этом результате, пользователь может предпочтительно сделать выводы об уборке урожая в соответствии с прогнозом модели «числа падения». На Фиг.1 действия пользователя вычислительной программы показаны блоками с непрерывной линией, а действия, выполненные вычислительной программой, - пунктирными блоками.

Блок-схема, показывающая шаги программы вычислений согласно другой реализации настоящего изобретения, представлена на Фиг.2. Схема начинается этапом 20, на котором пользователь открывает вычислительную программу, например, открывая ее Интернет-сайт. В данной реализации также фермер или пользователь вычислительной программы вводит выбранный сорт (10') и дату сева (11') и выбирает метеостанцию (12') как вводные данные. Вычислительная программа принимает эти вводные данные. Затем вычислительная программа находит эталонную станцию (13'), ближайшую к выбранной метеостанции. После этого вычислительная программа рассчитывает предварительное значение «числа падения» для выбранного сорта культуры на этапе 21. Это полученное значение сравнивается с эталонными значениями (22), измеренными, например, на эталонной станции. На этапе 23 вычислительная программа устанавливает, являются ли эти значения близкими друг к другу. Если сравнение на этапе 23 показывает, что значения недостаточно близки, вычислительная программа меняет параметры на этапе 24. Этап 24 предпочтительно заключается в минимизации суммы квадратов рассчитанных и измеренных «чисел падения». С 24 вычислительная программа возвращается на 21, где заново устанавливается предварительное «число падения». Если сравнение на этапе 23 показывает, что значения недостаточно близки, вычислительная программа проверяет на этапе 25, является ли выбранная метеостанция той же, что эталонная станция. Если это не так, «число падения» устанавливается вычислительной программой с помощью параметров, калиброванных, как указано выше, и данных, полученных с выбранной метеостанции, на этапе 26. В противном случае процесс продолжается этапом 16', на котором рассчитанный результат показывается пользователю. Основываясь на нем, пользователь может предпочтительно сделать выводы об уборке урожая в соответствии с прогнозом модели «числа падения». На Фиг.2 также действия пользователя вычислительной программы показаны блоками с непрерывной линией, а действия, выполненные вычислительной программой, - пунктирными блоками.

В рабочих примерах Фиг.1 и 2 используются модели, предложенные Клеемолой Й. в работе «Влияние температуры на фазовое развитие яровой пшеницы в северных условиях», Acta Agric. Scand. 1991, 41, 275-283, для вычисления ритма развития растения, в то время, как динамика «числа падения» вычисляется согласно: Карвонен Т., Пелтонен Й.А. «Динамическая модель для прогнозирования «числа падения» пшеницы в климатических условиях Скандинавии», Acta Agric. Scand. 1991, 41, 65-73. Эти модели предпочтительно объединяются вычислительной программой. Далее результаты, полученные из моделей, предпочтительно калибруются вычислительной программой с помощью метода наименьшей суммы квадратов, с учетом сравнения с заданной величиной.

Ниже, без ограничения изобретения приводятся примеры его применений. В этих примерах применения изобретения описываются с использованием неопубликованных результатов экспериментов, осуществленных на конфиденциальной основе.

Пример 1

Фермер 1, живущий в Вихти, был занят делами за пределами фермы и хотел выяснить, подошел ли уже срок уборки с учетом «числа падения» яровой пшеницы сорта Tjalve, засеянной в последнюю очередь на большом полевом секторе, или уборка урожая могла быть еще отложена, чтобы быть проведенной позднее без спешки.

4 сентября 2003 г. фермер с помощью Интернета вошел в контакт с программой модели «числа падения», рассчитывающей прогнозы «чисел падения». Ритм развития растения и динамика «числа падения» рассчитываются данной компьютерной программой в соответствии с: Клеемола Й. «Влияние температуры на фазовое развитие яровой пшеницы в северных условиях», Университет Хельсинки, 1991, и Карвонен Т., Пелтонен Й.А. «Динамическая модель для прогнозирования «числа падения» пшеницы в климатических условиях Скандинавии», Университет Хельсинки, 1991. Он использовал яровую пшеницу сорта Tjalve, выращиваемую на его ферме, и дату ее посева 5 мая 2003 г. как вводные данные для программы вычисления «числа падения». Далее он ввел в программу место жительства, Вихти, как вводные данные для определения ближайшей метеостанции.

Собранные местные (Вихти) погодные данные до даты вычисления и местный (Вихти) прогноз погоды на следующие 10 дней были использованы программой вычисления «числа падения» в качестве погодных данных (собранные реальные данные: Финский Метеорологический Институт, прогноз до 14 сентября: Шведский Метеорологический и Гидрологический Институт (SMHI), Швеция).

В Вихти «числа падения» также измеряются экспериментально на эталонных полях рядом с метеостанцией на испытательном участке организации МТТ Agrifood Research Finland, и эти данные вводятся в программу модели «числа падения» провайдером обновлений (Kemira).

Прогноз, представленный на Фиг.3, вначале был рассчитан программой на основе измеренных данных «числа падения». Иными словами, Фиг.3 показывает рассчитанный результат «числа падения» с использованием параметров, взятых по умолчанию. Рисунок показывает, что рассчитанный результат явно ниже, чем значения, измеренные на эталонных полях, и таким образом у фермера сложилось бы ложное впечатление о качестве культуры, выращенной на поле, на основании этого рассчитанного результата как такового. С опорой на критерии соответствия, т.е. на среднеквадратическую ошибку прогноза, введенную в программу, было установлено (среднеквадратическая ошибка прогноза менее 50), что прогноз, рассчитанный с использованием базовых параметров, слишком отклонялся от измеренных в Вихти «чисел падения», что предполагало необходимость калибрования вычислительных параметров. Этот первый рассчитанный результат не был показан фермеру 1, но обработка данных продолжалась в коррекционном вычислительном цикле.

В программе «числа падения» вычислительные параметры были автоматически калиброваны с использованием метода наименьшей суммы квадратов для того, чтобы сблизить рассчитанные и измеренные «числа падения». Фиг.4а показывает результат расчета «числа падения» после калибрования параметров, взятых по умолчанию. Теперь измеренные и рассчитанные значения совпадают и модель, следовательно, дает надежный обзор реального качества выращенной культуры. Фигура таким образом показывает результаты, полученные после калибрования с использованием исправленных вычислительных параметров. С опорой на критерии соответствия калибрование теперь успешно и таким образом результат был представлен фермеру 1 в виде Фиг.4б. Фиг.4б - это фигура, представленная фермеру в ситуации Примера 1. Фермер видит из этой фигуры, что уровень «числа падения» хороший и не уменьшится в период прогноза нежелательным образом. Таким образом нет необходимости спешно начинать уборку.

Фермер был способен сделать вывод из Фиг.4б, что уровень «числа падения» является хорошим и не упадет в течение нескольких следующих дней на основе прогноза, и соответственно качество урожая значительно не понизится. Поэтому он решил использовать следующие дни для более неотложных работ и отложить уборку.

Пример 2

В продолжение Примера 1, 13 сентября 2003 г. новый прогноз «числа падения» был сделан фермером после срочных работ. Новый прогноз был рассчитан программой на основе вводных данных и дальнейших погодных данных, причем теперь реальные погодные данные были доступны до 15 сентября, а прогнозы - до 25 сентября. Фиг.5 представляет картину, изображающую ситуацию Примера 2, представленную фермеру. Фермер видит, что «число падения» на момент расчета находится на корректном уровне, но начинает падать в конце прогнозируемого периода. Это падение дает понять фермеру, что уборка урожая является безотлагательной. Фермер 1 таким образом увидел из фигуры, что «число падения» может быть быстро понижено в конце прогнозируемого периода приближающимся дождем, и он решил начать уборку урожая немедленно, чтобы убрать с поля урожай пшеницы, имеющей качество, пригодное для хлебопекарных применений, т.е. имеющей «число падения» свыше 200 секунд. Поскольку «число падения» уменьшается, дождь мог бы вызвать его быстрое падение ниже уровня, определяющего хлебопекарное качество зерна (200 секунд).

Пример 3

Фермер 2 имел поля в Карккиле, на расстоянии 20 км от метеорологической и измеряющей «числа падения» станции в Вихти. Он выбрал метеостанцию, расположенную в его местности, поблизости от его фермы. Погодные данные для Карккилы в данном случае были почти такими же, как для Вихти, только осадки на период с 6 по 8 сентября были явно выше, чем в Вихти. На базе прогноза «числа падения», сделанного 8 сентября фермером 2, он решает начать уборку немедленно, так как «число падения» на его полях, как казалось, уже явно уменьшалось (Фиг.6 - картина, показанная фермеру в ситуации Примера 3. В то время как делается прогноз, «число падения» уменьшается, и это показывает, что уборка более чем неотложна по причине дождя). Любой новый дождь сделал бы ситуацию еще хуже.

Если бы фермер 2 только подчинялся измеренным результатам согласно практикуемым в настоящее время способам, он мог бы отложить уборку и таким образом потерять возможность высококачественного урожая с соответствующим «числом падения».

Урожай, убранный на основе прогноза, исправленного с учетом местных погодных данных, имел высокое качество. Программа прогноза была использована как в Примере 1, за исключением того, что после калибрования новый прогноз был рассчитан для фермера 2 (Фиг.4) на основе погодных данных с метеостанции в Карккиле.

Пример 4

Фермер 3 хотел посеять яровую пшеницу сортов Anniina и Kruunu на своей ферме в Вихти, причем полная площадь сева составляла 100 га. Он выбрал два сорта, различающихся по времени созревания, с тем чтобы уменьшить риск вариации «числа падения» из-за погодных условий в период уборки. С другой стороны, поля фермера состоят из 15 секторов различного размера и, таким образом, сев культур занимает не меньше 5 дней по причинам логистики (перемещение техники и ее заправка).

Он начал сев 5 мая 2003 г. с пшеницы сорта Kruunu, вегетационный период которой на 2 дня длиннее, и закончил сев 8 мая 2003 г. Площадь посева пшеницы Kruunu составила в целом около 60 га. Оставшиеся 40 га были засеяны пшеницей сорта Anniina 8 и 10 мая 2003 г. Более конкретно данные о севе и площади секторов представлены в Таблице 1.

Таблица 1 Сектор Площадь Дата сева в 2003 г. Сорт пшеницы Прогноз «числа падения» на 4 сентября Прогноз «числа падения» на 9 сентября Прогноз «числа падения» на 10 сентября 1 5,5 8.5 Anniina >250 около 200 - 2 10,2 5.5 Kruunu около 200 - - 3 14,0 9.5 Anniina >300 >250 >250 4 2,1 8.5 Anniina >250 >250 около 200 5 1,5 8.5 Anniina >250 >250 около 200 6 4,2 7.5 Kruunu >220 <200 - 7 6,7 5.5-6.5 Kruunu около 200     8 4,3 7.5 Kruunu >220 около 200 - 9 11,7 10.5 Anniina >300 >300 >250 10 3,1 8.5 Anniina >300 >250 около 200 11 1,7 8.5 Anniina >300 >250 около 200 12 13,2 6.5 -7.5 Kruunu >220 около 200   13 7,2 6.5 Kruunu >220 >220 около 200 14 1.6 8.5 Anniina >300 >300 >250 15 13,0 8.5 Kruunu >220 около 200 -

Для расчета «числа падения» фермер использовал вычислительную программу в Интернете. Он сделал первый прогноз 4 сентября, когда приближалось время уборки. Для расчета прогнозов он использовал дату сева и данные о сорте на полевом секторе как вводные данные вычислительной программы прогноза «числа падения». Использовались погодные данные, собранные ближайшей метеостанцией в его городе проживания Вихти. Погодные данные представлены в Таблице 2.

Таблица 2 Дата Средняя темп., °С Максимальная темп., °С Осадки, мм Примечание 28.8 11,8 15,5 0,9 реальная 29.8 10,25 15,4 0 реальная 30.8 10,55 11 0 реальная 31.8 6,35 11 0 реальная 1.9 5,2 10,1 0 реальная 2.9 6,2 14,5 0,1 реальная 3.9 13,45 17,2 3,3 реальная 4.9 11,7 18,9 0 прогноз 5.9 12,6 20,9 0 прогноз 6.9 13,5 20,9 0 прогноз 7.9 13,25 22,1 0 прогноз 8.9 14,45 20,8 0 прогноз 9.9 10,6 17,7 1,3 прогноз 10.9 11 13,8 1,1 прогноз 11.9 12 14,7 1,5 прогноз 12.9 13,95 18,9 0 прогноз 13.9 11,85 18,2 2 прогноз 14.9 13,8 16,3 0,4 прогноз

В качестве погодных данных использовались погодные данные, реально полученные за период между датой сева и датой расчета, а также местный прогноз на следующие 10 дней, начиная от даты расчета прогноза и по 14 сентября. Ферма была оснащена станцией измерения осадков, и данные с нее вводились в программу «числа падения» в силу их отличия от данных официальной метеостанции. С помощью вычислительной прогностической программы определялись прогнозы «числа падения» для каждого сектора, как в Примере 1, на базе вводных данных согласно вычислительной модели (Клеемола Й. «Влияние температуры на фазовое развитие яровой пшеницы в северных условиях», Acta Agric. Scand. 1991, 41, 275-283 и Карвонен Т., Пелтонен Й.А. «Динамическая модель для прогнозирования «числа падения» пшеницы в климатических условиях Скандинавии», Acta Agric. Scand. 1991, 41, 65-73), принимая во внимание любую необходимость калибрования вычислительных параметров. «Число падения» 220 секунд установлено фермером как целевое, так как такое «число падения» соответствует максимальной цене за килограмм выращенной пшеницы.

Опираясь на рассчитанный прогноз, фермер решает начать уборку урожая в секторах 2 и 7, поскольку согласно прогнозу их «число падения» в следующие 10 дней упадет ниже установленного предельного значения.

Количество осадков на ферме 5 сентября составило 7 мм. После уборки урожая секторов 2 и 7 новый прогноз был рассчитан 6 сентября для остающихся 13 секторов. Согласно прогнозу в секторе 6 имелся риск понижения «числа падения» пшеницы Kruunu ниже 200 единиц, а также для пшеницы Anniina «число падения» уменьшалось в секторе 1. Поскольку объем урожая в секторе 1 был больше, фермер решил убрать его первым, после чего убрать урожай сектора 6. Затем был убран урожай в секторах 15, 12 и 8. На всякий случай урожай, убранный с сектора 6, имеющий сомнительное «число падения», был помещен в отдельный элеватор для того, чтобы не ухудшить пшеницу, имеющую нужное качество.

10 сентября очень рано утром над фермой начался дождь и количество осадков составило 13 мм. Фермером был определен прогноз «числа падения» для остающихся секторов. 10 сентября после полудня, когда культуры вновь были сухими, в первую очередь был убран последний сектор пшеницы Kruunu (сектор 13), вслед за тем - пшеница Anniina. В следующие дни погода была солнечной и сухой и пшеница убиралась в порядке возрастания «чисел падения», т.е. начиная с низких «чисел падения» (около 200) в секторах 4, 5, 10, 11, вслед за тем более высокие «числа падения» (>250) в секторах 3, 9, 14, так чтобы в каждом полевом секторе было достигнуто экономически оптимальное «число падения». Уборка урожая была завершена 13 сентября.

Группа изобретений относится к сельскому хозяйству. В способе местный прогноз «числа падения» в реальном времени отдельно определяют для каждого посева культуры при помощи вычислительной программы. В качестве вводных данных для определения «числа падения» используют: данные о вегетативных свойствах посева культуры, данные о месте посева культуры, местные погодные данные для места посева культуры и сравнительные данные. Прогнозы «числа падения» для разных посевов культур сравнивают для определения решения об уборке урожая. Устройство включает вычислительную программу для сравнения «числа падения», рассчитанного для посева культуры, с эталонным «числом падения» для определения местного прогноза «числа падения» в реальном времени. Система для определения срока уборки урожая включает средства для определения местного прогноза «числа падения» в реальном времени. Группа изобретений позволяет определить срок уборки урожая в более строгой привязке к месту и реальному времени и оптимизировать «число падения» посева культуры или максимизировать ее урожай. 3 н. и 20 з.п. ф-лы, 6 ил., 2 табл.

1. Способ определения срока уборки урожая, отличающийся тем, что местный прогноз «числа падения» в реальном времени отдельно определяют для каждого посева культуры при помощи вычислительной программы, в которой:
а) данные о вегетативных свойствах посева культуры,
б) данные о месте посева культуры,
в) местные погодные данные для места посева культуры и
г) сравнительные данные
используют в качестве вводных данных для определения прогноза «числа падения», причем прогнозы «числа падения» для разных посевов культур могут сравниваться между собой и/или с заранее заданным целевым значением для определения решения об уборке урожая.

2. Способ по п.1, отличающийся тем, что указанный прогноз «числа падения» определяют более чем один раз в разное время путем использования местных данных для этого разного времени в качестве вводных данных.

3. Способ по п.1, отличающийся тем, что данные о посеве культуры, по меньшей мере, включают данные о сорте и дате начала вегетации культуры.

4. Способ по п.3, отличающийся тем, что указанные данные о сорте являются сортом хлебных злаков, предпочтительно пшеницы, ржи или ржано-пшеничного гибрида.

5. Способ по п.3, отличающийся тем, что данные о начале вегетации являются датой сева для яровых хлебных злаков и датой начала вегетационного периода для озимых хлебных злаков.

6. Способ по п.1, отличающийся тем, что данные о месте посева культуры являются местоположением фермы или полевого сектора.

7. Способ по п.1, отличающийся тем, что местные погодные данные содержат полученные погодные данные и/или прогноз погоды.

8. Способ по п.7, отличающийся тем, что указанные местные погодные данные включают местное количество осадков и температуру для конкретного места в рамках конкретного периода времени или в конкретное время соответственно.

9. Способ по п.1, отличающийся тем, что целевое значение является «числом падения», оцененным заранее или желательным для фермера для этой культуры.

10. Способ по п.9, отличающийся тем, что целевое значение характерно для сорта, определенного фермером.

11. Способ по п.1, отличающийся тем, что указанный прогноз «числа падения» представляют в графической, буквенно-цифровой или словесной форме для конкретного периода времени, что дает возможность в рамках этого конкретного периода времени принять решение об уборке урожая.

12. Способ по п.1, отличающийся тем, что сравнительные данные являются данными по «числу падения», измеренному на эталонных фермах или измерительных станциях.

13. Способ по п.1, отличающийся тем, что сравнительные данные являются данными по «числу падения», измеренному на ближайшей эталонной ферме.

14. Способ по п.1, отличающийся тем, что вычислительную программу, используемую для прогнозирования, настраивают так, чтобы находить подходящую эталонную станцию по отношению к местоположению посева культуры.

15. Способ по п.1 или 14, отличающийся тем, что вычислительную программу, используемую для прогнозирования, настраивают так, чтобы сравнивать вводные данные с данными эталонных станций.

16. Способ по п.1 или 14, отличающийся тем, что вычислительную программу, используемую для прогнозирования, настраивают так, чтобы калибровать рассчитанный результат путем минимизации суммы квадратов рассчитанных и измеренных «чисел падения».

17. Способ по п.15, отличающийся тем, что вычислительную программу, используемую для прогнозирования, настраивают так, чтобы калибровать рассчитанный результат путем минимизации суммы квадратов рассчитанных и измеренных «чисел падения».

18. Способ по п.1, отличающийся тем, что расчет прогноза выполняют через Интернет, причем вычислительное программное обеспечение находится на Интернет-сервере, а его клиентская версия - на терминале, соединенном с указанным сервером.

19. Способ по п.1, отличающийся тем, что вычислительную программу настраивают так, чтобы посылать информацию для решения по уборке урожая на мобильное средство связи пользователя вычислительной программы.

20. Устройство для определения срока уборки урожая для посевов культур, отличающееся тем, что указанное устройство включает вычислительную программу для определения местного прогноза «числа падения» в реальном времени для посева культуры, причем вычислительная программа настроена так, чтобы сравнивать «число падения», рассчитанное для посева культуры, с эталонным «числом падения» для определения местного прогноза «числа падения» в реальном времени.

21. Устройство по п.20, отличающееся тем, что:
а) данные о вегетативных свойствах посева культуры,
б) данные о месте посева культуры,
в) местные погодные данные для места посева культуры и
г) эталонные данные для определения прогноза «числа падения» используются в качестве вводных данных для вычислительной программы.

22. Устройство по п.20, отличающееся тем, что вычислительная программа настроена так, чтобы калибровать прогноз «числа падения» путем минимизации суммы квадратов рассчитанных и измеренных «чисел падения».

23. Система для определения срока уборки урожая для посевов культур, отличающаяся тем, что указанная система включает средства для определения местного прогноза «числа падения» в реальном времени для посева культуры путем использования:
а) данных о посеве культуры,
б) данных о месте посева культуры,
в) местных погодных данных для места посева культуры и
г) эталонных данных для определения прогноза «числа падения»
в) качества вводных данных.