Спосіб визначення терміну збирання врожаю

1. Спосіб визначення терміну збирання врожаю, що включає використання розрахунку "числа падіння" для визначення рішення про збирання врожаю, який відрізняється тим, що додатково для кожного посіву культури збирають а) дані про вегетативні властивості посіву культури, б) дані про місце посіву культури, в) місцеві погодні дані для місця посіву культури, і г) дані про "число падіння", вимірюване на еталонних фермах або вимірювальних станціях, здійснюють розрахунок місцевого прогнозу "числа падіння" у реальному часі окремо для кожного посіву культури за допомогою обчислювальної програми з використанням зібраних даних а), б), в) і г) як ввідних даних, надають зазначений місцевий прогноз "числа падіння" для визначення рішення про збирання врожаю після калібрування обчислювальних параме 2 (19) 1 3 94572 4 представляють у графічній, буквено-цифровій або словесній формі для конкретного періоду часу, що дає можливість у рамках цього конкретного періоду часу прийняти рішення про збирання врожаю. 13. Спосіб за п. 1, який відрізняється тим, що дані про "число падіння", вимірюване на еталонних фермах або вимірювальних станціях, є даними "числа падіння", вимірюваного на найближчій еталонній фермі. 14. Спосіб за п. 1, який відрізняється тим, що обчислювальна програма, використовувана для прогнозування, виконана з можливістю знаходження придатної еталонної станції по відношенню до місця розташування посіву культури. 15. Спосіб за п. 1 або 14, який відрізняється тим, що обчислювальна програма, використовувана для прогнозування, виконана з можливістю порівнювання ввідних даних з даними еталонних станцій. 16. Спосіб за будь-яким з пп. 1, 14 або 15, який відрізняється тим, що обчислювальна програма, використовувана для прогнозування, виконана з можливістю калібрування розрахованого результату шляхом мінімізації суми квадратів розрахованих та вимірюваних "чисел падіння". 17. Спосіб за п. 1, який відрізняється тим, що розрахунок місцевого прогнозу виконують через Інтернет, причому використовують обчислювальне програмне забезпечення, розміщене на Інтернетсервері, і його клієнтську версію, розміщену на терміналі і з'єднану із зазначеним сервером. 18. Спосіб за п. 1, який відрізняється тим, що обчислювальна програма виконана з можливістю посилання інформації для рішення щодо збирання врожаю на мобільний засіб зв'язку користувача обчислювальної програми. 19. Пристрій для визначення терміну збирання врожаю для посівів культур, що включає засоби для отримання еталонних даних для розрахунку "числа падіння" та засоби для передачі даних щодо "числа падіння", який відрізняється тим, що додатково містить засоби для розрахунку місцевого прогнозу "числа падіння" у реальному часі для посіву культури за допомогою обчислювальної програми, виконаної з можливістю введення отриманих: а) даних про вегетативні властивості посіву культури, б) даних про місце посіву культури, в) місцевих погодних даних для місця посіву культури, і г) даних про "число падіння", вимірюване на еталонних фермах або вимірювальних станціях, як ввідних даних, причому обчислювальна програма виконана з можливістю порівняння і калібрування "числа падіння", розрахованого для посіву культури, з "числом падіння", виміряним на еталонних фермах або вимірювальних станціях для визначення місцевого прогнозу "числа падіння" у реальному часі. 20. Система для визначення терміну збирання врожаю для посівів культур, що включає засоби для отримання еталонних даних для розрахунку "числа падіння" та засоби для передачі даних щодо "числа падіння", яка відрізняється тим, що додатково містить засоби для отримання: а) даних про вегетативні властивості посіву культури, б) даних про місце посіву культури, в) місцевих погодних даних для місця посіву культури, і г) даних про "число падіння", вимірюване на еталонних фермах або вимірювальних станціях, та засоби для розрахунку місцевого прогнозу "числа падіння" у реальному часі для посіву культури за допомогою обчислювальної програми, виконаної з можливістю введення отриманих: а) даних про вегетативні властивості посіву культури, б) даних про місце посіву культури, в) місцевих погодних даних для місця посіву культури, і г) даних про "число падіння", вимірюване на еталонних фермах або вимірювальних станціях, як ввідних даних, причому обчислювальна програма виконана з можливістю порівняння і калібрування "числа падіння", розрахованого для посіву культури, з "числом падіння", виміряним на еталонних фермах або вимірювальних станціях для визначення місцевого прогнозу "числа падіння" у реальному часі. 21. Система за п. 20, яка відрізняється тим, що обчислювальна програма виконана з можливістю калібрування при розрахунку місцевого прогнозу "числа падіння" шляхом мінімізації суми квадратів розрахованих та вимірюваних "чисел падіння". 22. Система за п. 20, яка відрізняється тим, що обчислювальна програма виконана з можливістю порівняння місцевих прогнозів "числа падіння" для різних посівів культур між собою та/або із заздалегідь заданим цільовим значенням. Даний винахід стосується способу, пристрою та системи для визначення точного терміну збирання врожаю. Одним з найбільш важливих факторів якості хлібних зернових культур, таких як пшениця або жито, є «число падіння», яке показує ступінь проростання зерна. Проростання зерна до жнив відомо як приховане проростання колосся, у якому за порушенням стану спокою йде збільшення амілолітичної активності до таких високих показників, 5 що відбувається розкладання запасеного крохмалю, цінного в промислових процесах, на прості цукри. Найчастіше це відбувається задовго до того, як проростки стають видимими в колосі. Наприклад, крохмаль пшеничного борошна, ушкоджений прихованим проростанням, не здатний зв'язувати вологу, яка виділяється з клейковини під час хлібопечення, що в результаті приводить до виробництва вологого продукту з порушеною структурою та поганим кольором. Зміна «числа падіння» у процесі дозрівання зерна може бути розділена на три фази. Перша фаза починається через 1-3 тижні після того, як закладається колосся. У зерні починає накопичуватися крохмаль, що супроводжується збільшенням «числа падіння». По мірі розвитку зерна досягається друга фаза, названа фазою спокою. У цій фазі зерно перебуває в стані спокою і не проростає. В цих двох фазах «число падіння» збільшується, причому на ступінь збільшення, в основному, впливає сорт хлібного злаку та температура. По мірі продовження розвитку зерна досягається третя фаза, у якій спокій припиняється. На цій третій фазі можливе проростання зерна, якщо умови навколишнього середовища цьому сприяють. Процесу проростання сприяють придатна відносна вологість повітря та зміни температури. Ця третя фаза, що йде за припиненням спокою зерна, є критичною по відношенню до хлібопекарських властивостей культури, що має бути зібрана з поля. Таким чином, урожай повинен бути зібраний до того, як проростання зайде занадто далеко. При сприятливих умовах росту в зрілих зернах кількість ферменту альфа-амілази є низькою, але ця кількість швидко збільшується, коли починається проростання. Відомо, що активність альфаамілази завжди збільшується в умовах дощу та низької температури під час наливання зерна. З іншого боку, високі температури скорочують спокій зерна, що може приводити до швидкого зменшення вже високого «числа падіння» у випадку дощу. Також розкладання крохмалю може зменшувати кількість урожаю. Показано, що врожайність пшениці, сильно ураженої проростанням колосся, може бути на 10% менше, ніж без проростання. У виробництві пшениці та жита в деякі роки втрати якості через низьке «число падіння», викликане прихованим проростанням, є особливо значними у Фінляндії, Швеції, Норвегії, Данії та Великобританії, а також в Естонії, Латвії, Литві, Росії та Німеччині. І в Північній Америці є райони вирощування пшениці, де може бути важко зібрати врожай високої якості по «числу падіння». Таким чином, на ринку хлібопекарського зерна «число падіння» є значущим якісним показником, що впливає на ціни. Для виявлення прихованого проростання пшениці та жита активність альфа-амілази вимірюється до використання партії зерна за допомогою так званого «Методу Хагберга для визначення «числа падіння»» (так зване «Число падіння Хагберга», стандарт ISO 3093:1982). Існує жорстка зворотна кореляція між «числом падіння» та амілолітичною активністю, тобто, чим нижче «число 94572 6 падіння», тим вище зміст альфа-амілази і, відповідно, імовірність прихованого проростання. У промислових процесах уживають зусиль для технічного поліпшення низьких «чисел падіння», наприклад, шляхом зниження величини pH, зниження поглинання води тістом, скорочення часу замісу тіста, використання підвищених температур хлібопечення або шляхом додавання натуральних інгібіторів альфа-амілази в борошно під час готування тіста. Що стосується зерна хлібопекарської якості, докладалися великі зусилля до досліджень і розробок в області агротехніки та селекції для того, щоб домогтися високих «чисел падіння» зернових в процесі росту на полях та удержати «числа падіння» високими незалежно від погодних умов. Динаміка «числа падіння», однак, жорстко зв'язана з генетичними властивостями зернового сорту, а отже, на стабільність цього якісного параметра під час вирощування за рахунок агротехнічних рішень може бути зроблений лише невеликий вплив - крім вибору сорту. Уже в 1960-х pp. був розроблений так званий спосіб випробування в камері вологості для традиційного селекційного насінництва. Відповідно до цього способу, окремі колосся випадковим методом збираються з культури сорту, що піддається селекції, після дозрівання до жовтої спілості. Їх поміщають у камери зі стовідсотковою відносною вологістю, слідом за чим визначають «число падіння» у колоссях після 5, 7 та 10 днів у камері вологості. Так званий «матеріал погіршених умов» часто залишають для польових випробувань. Крім визначення «числа падіння», у цій дослідній області можуть проводитися спостереження за різними видами шкоди для сорту під час його перезрілості - наприклад, за опаданням зерна. Такі способи чітко виявляють стабільність «числа падіння» сортів при дуже жорстких умовах для проростання колосся, при застосуванні прямих селекційних критеріїв для популяції (Kivi Ε., «Spring wheat. Siemenjulkaisu». 1970, 35-41, The Hankkija Plant Breeding Institute). Для схрещування відбираються донори з відомою високою стабільністю «числа падіння». На «число падіння» побічно впливають показники міцності соломини вирощуваного сорту, оскільки колосся сортів, стійких до полягання, навіть в умовах високої вологості висихають швидше, ніж у сортів, не стійких до полягання. Зараз оцінку динаміки «числа падіння» одержують за допомогою служби МТТ Agrifood Research Finland, а також Pro Agria Finland, які роблять посів різних сортів пшениці та жита на випробних ділянках. Зміни «числа падіння» цих сортів відслідковуються із частотою 2-3 рази на тиждень, починаючи із часу 1-2 тижня до очікуваного терміну збирання врожаю. Одержані цією службою результати, що описують тенденції розвитку «числа падіння» зазначених сортів за минулий період вегетації, можуть бути доставлені фермерам за допомогою телефону, газетних оголошень або через Інтернет. Однак, потрібна інформація про динаміку «числа падіння», наприклад, у наступні п'ять днів, є недоступною. Даною службою не приймаються до уваги розбіжності в 7 «числі падіння», викликані розбіжностями погодних факторів між полями зернових і випробною ділянкою або розбіжностями часу посіву, тобто, різними стадіями розвитку сортів. Відповідно, дані цієї служби є більш-менш приблизними. Крім того, існує лише невелике число місцевих станцій, що проводять моніторинг «числа падіння». У Фінляндії є близько трьох станцій на кожні 130000 га зернових хлібів. Іншими словами, сучасні служби «числа падіння» не здатні надавати інформацію в реальному часі про «число падіння» на полях фермера для оптимізації термінів збирання врожаю. Різниця температур і, особливо, кількості опадів, що має значний вплив на динаміку «числа падіння», є настільки великою на відстані усього лише десятків кілометрів, що можна одержати лише приблизне значення «числа падіння» шляхом моніторингу динаміки «числа падіння» на основі порівняльних вимірів декількох вимірювальних станцій, незалежно від того, чи буде «число падіння» збільшуватися або зменшуватися в найближчому майбутньому. Більше того, результати такого способу не мають прогностичної цінності, оскільки не беруться до уваги прогнози погоди. Таким чином, існуючі способи самі по собі не можуть дати фермеру рішень для враховування різниці «числа падіння» у різних польових секторах. Оскільки температура та кількість опадів впливають на «число падіння», погодні параметри можуть бути використані як ввідні дані в математичних моделях, що прогнозують динаміку «числа падіння» протягом вегетації. Базові дослідження з математичного моделювання «числа падіння», наприклад, для пшениці та жита, проведені. Загальний опис моделей для пшениці та жита запропонований Карвоненом (Karvonen) і Варисом (Varis) у роботі «Математичні моделі у вирощуванні врожаю», 1992, Публікація № 32 178-202, Департамент Рослинництва, Університет Хельсінкі, Фінляндія. Застосовність моделей з використанням нейтрального сорту та погодних даних далі була випробувана та описана Тейттиненом, Карвоненом і Пелтоненом у роботі «Динамічна модель росту ярової пшениці в умовах обмеження вологості та кількості азоту для прогнозу врожайності та якості» (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, 90104, Department of Plant Production, Helsinki University). Математичні моделі є застосовними для прогнозу «числа падіння», наприклад, пшениці та жита, в тому випадку, якщо прогноз корегується кілька разів протягом вегетації шляхом практичних вимірів «числа падіння» на полях (порівняльні виміри). Фактично, надійність математичних моделей є не досить високою для одержання твердих прогнозів для певної ферми без порівняльних вимірів у навколишній місцевості. Однак у фермерів немає можливості для таких порівняльних вимірів не лише через відсутність дорогих аналітичних приладів, що відповідають вимірювальному стандарту. Діяльність індивідуальних фермерів на окремих фермах або польових секторах не може визнача 94572 8 тися вищевказаним способом, що надає порівняльні виміри на небагатьох дослідних станціях Фінляндії, оскільки число таких станцій занадто мало. Також вивчення прогнозування «числа падіння» з використанням погодних даних проводилося в Англії (Atkinson M.D. et al., 2003 Forecasting wheat quality and the breadmaking premium from the North Atlantic Oscillation, HGCA Project Report 308, UK). Це дослідження не було націлено на моніторинг «числа падіння» індивідуальних польових секторів у реальному часі, але на регіональне його прогнозування навесні, у межах графств, за кілька місяців до початку вегетаційного періоду. Кваліфіковані фахівці з сільського господарства знають, що варіації «числа падіння» на окремих полях можуть бути дуже значними завдяки різному часу сівби і місцевих варіацій температури та кількості опадів. У будь-який день в серпні, під час наближення термінів жнива, «числа падіння» двох окремих полів можуть бути різко відмінними в тому випадку, якщо на одному полі сівба проводилася на 1 або 2 тижні раніше, ніж на іншому. У польових секторах раннього посіву «число падіння» може у випадку дощу швидко зменшитися, що робить важливим швидке збирання врожаю для того, щоб «число падіння» залишилося високим. У польових секторах більш пізнього посіву зі збиранням урожаю можна почекати довше, оскільки зерно усе ще перебуває в стані спокою, а отже, «число падіння» не буде зменшене дощем. Відповідно, для фермера цінним є знання про динаміку «числа падіння» при переважних і прогнозованих погодних умовах для збирання врожаю в оптимальний термін. Зараз знайдений спосіб, пристрій, система та обчислювальна програма для прогнозування «числа падіння» для визначення терміну збирання врожаю в більш строгій прив'язці до місця та реального часу шляхом введення даних про вирощувані рослини, місце вирощування та погодних даних конкретного місця та часу як ввідних даних в обчислювальну програму, і далі шляхом калібрування параметрів «числа падіння», використовуваних для порівняльних вимірів. Відмітні ознаки винаходу представлені в незалежних пунктах формули винаходу. Відповідно до способу та пристрою за даним винаходом, оптимальний термін збирання врожаю відповідно до «числа падіння», а отже, порядок збирання врожаю, вирощеного в різних польових секторах, визначається шляхом розрахунку прогнозу «числа падіння» для конкретного місця в реальному часі окремо для кожного посіву культур, за допомогою обчислювальної програми, у якій як ввідні дані використовуються дані про посіяну культуру, місце посіву культури та погодні дані місць посіву культури. Відповідно до винаходу, порівняльні дані, виміряні на еталонних фермах, також використовуються як ввідні дані для калібрування обчислювальних параметрів. Рішення про збирання врожаю може бути прийняте шляхом порівняння прогнозів, одержаних для різних посівів культур, між собою та/або із цільовим значенням. У прикладах реалізації винаходу дані про вирощувану культуру, місце посіву культури та місцеву погоду, необхідні як ввідні дані, можуть бути 9 одержані у самого фермера або із загальнодоступних чи комерційних джерел. В одному застосуванні винаходу дані про вирощувану культуру, використовувані як ввідні, одержують, наприклад, від того, хто вирощує дану культуру, причому ці дані в типовому випадку включають інформацію про сорт хлібного злаку, наприклад, пшениці, жита або житньо-пшеничних гібридів. Сорти ярової пшениці, краще, включають сорти Anniina, Kruunu, Mahti, Manu, Piccolo, Tjalve та Triso, або інший схожий сорт. Краще, сорти озимої пшениці включають Aura, Rehti та Urho, або інший схожий сорт. Краще, сорти жита включають Akusti, Elvi, Kartano, Picasso, Riihi та Voima, або інший схожий сорт. Краще, сорти житньопшеничних гібридів включають Modus, Tricolor та Focus, або інший схожий сорт. У способі відповідно до однієї реалізації даного винаходу, обчислювальна програма, використовувана для одержання прогнозу «числа падіння», для виконання розрахунків повинна включати дані про вегетативні властивості вибраної культури. Більш того, у випадку ярових культур, наприклад, дата сівби хлібного зернового сорту або, у випадку озимих зернових, дата початку вегетаційного періоду, включаються до даних про вирощувану культуру. Дані про місце посіву культури в типовому випадку включають дані про місце розташування конкретної ферми або поля, відповідним чином об'єднані з даними про місцеву погоду. Дані про місцеву погоду включають дані про погоду, наприклад, про температуру та опади, вимірювані у певній місцевості в певний час. Для зручності вибирається найближча до місця вирощування культури метеостанція, і використовуються дані проведених нею вимірів. Найкраще, щоб сам фермер мав метеостанцію, у такому випадку дані про погоду будуть максимально наближеними до місця. У Фінляндії місцеві погодні дані також надаються іншими загальнодоступними або комерційними джерелами, такими як Фінський метеорологічний інститут (Finnish Meteorological Institute) або Foreca. Дані про погоду, використовувані як ввідні, основані на реально одержаних даних про погоду, а також на її прогнозах. Реальні дані про погоду в типовому випадку збираються протягом всієї вегетації культури, у той час як прогностичні дані, залежно від бажаної точності, покривають кілька днів або тижнів після моменту спостереження. Якщо необхідно, порівняльні дані, вимірювані на еталонних фермах, краще, на найближчій еталонній фермі, тобто, експериментально встановлені значення «числа падіння», використовуються в обчислювальній програмі для калібрування обчислювальних параметрів «числа падіння». Ці порівняльні дані також можуть бути одержані від сервісного провайдера обчислювальної програми, тобто, сервісний провайдер може підтримувати значні обсяги порівняльних даних (такі як банк порівняльних даних), з яких фермер може вибирати необхідні порівняльні дані для калібрування прогнозу «числа падіння». Така ситуація може 94572 10 мати місце, якщо порівняльні дані не надаються автоматично обчислювальною програмою. В одному з розрахунків згідно з даним винаходом, результати порівняльних вимірів використовуються для підвищення точності прогнозу «числа падіння» і для калібрування обчислювальних параметрів. Ці аналітичні результати, одержані з найближчих еталонних ферм, використовуються як ввідні дані обчислювальної програми для прогнозування «числа падіння». Краще, вимірювання порівняльних результатів і прогнозування з їхньою допомогою «числа падіння» починається з початком фази наливання хлібної зернової культури. В одній з реалізацій калібрування здійснюється шляхом мінімізації суми квадратів різниці між «числами падіння», розрахованими відповідно до моделі, і, відповідно, вимірюваними в полі. В обчислювальній програмі сума квадратів мінімізується шляхом внесення поправки в обчислювальні параметри моделі «числа падіння». Цим способом калібрування є, наприклад, метод найменшої суми квадратів, широко відомий у статистиці. Зараз ці порівняльні виміри на посівах культур еталонних ферм здійснюються у Фінляндії лише деякими дослідницькими станціями. У типовому випадку, самі фермери не мають можливості робити ці виміри, це також і незручно, і не лише через дорогі аналітичні прилади, що відповідають вимірювальному стандарту. Як обчислювальна програма для прогнозування «числа падіння» може використовуватися придатна для прогнозування «числа падіння» модель, запропонована, наприклад, Карвоненом, Т. і Пелтоненом, Й.А.: «Динамічна модель для прогнозування «числа падіння» пшениці в кліматичних умовах Скандинавії» (Karvonen, 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) у сполученні з моделлю, що описує ритм розвитку рослин, Клеемола Й. «Вплив температури на фазовий розвиток ярової пшениці в північних умовах» (Kleemola, J., Effect of the temperature on phasic development of spring wheat in northern conditions, Acta Agric. Scand. 1991, 41, 275-283). Сполучення обчислювальних моделей може бути, наприклад, таким. Модель «числа падіння» імітує динаміку «числа падіння» хлібної зернової культури з початку розвитку зерна. Розвиток зерна починається на певній фазі розвитку рослини, визначеній у моделі, що описує ритм розвитку рослини. Спеціальна обчислювальна модель має бути використана для встановлення цієї фази розвитку, оскільки вона досягається в різні роки та у різних сортів зернових в різний час (наприклад, не завжди 1 липня). Таким чином, модель ритму розвитку використовується для встановлення початку обчислень за моделлю «числа падіння». В одній реалізації винаходу обчислювальна програма для прогнозування «числа падіння» доступна фермеру, наприклад, через Інтернет. Обчислювальна програма може бути розміщена в мережі даних, так щоб дозволити доступ до клієнтської версії системи через персональний термінал фермера, з'єднаний за допомогою Інтер 11 нета із сервером обчислювальної програми. Альтернативно, обчислювальна програма може підтримуватися браузером, тобто, мережний браузер дозволяє з'єднання з Інтернет-сервером обчислювальної програми. У деяких застосуваннях винаходу фермер може бути з'єднаний у режимі онлайн із сервером обчислювальної програми з використанням мобільних засобів зв'язку. Сервісний провайдер може організувати сервісну взаємодію для відправлення інформації, якщо це необхідно фермеру для ухвалення рішення, на його пристрій мобільного зв'язку (напр., SMS на мобільний телефон). Така взаємодія може бути кращою, якщо, наприклад, прогноз погоди швидко міняється, таким чином, фермер одержує можливість почати збирання врожаю в потрібний момент. В одному способі згідно із даним винаходу, фермер відкриває обчислювальну програму для прогнозування «числа падіння», вводить ввідні дані та, краще, вибирає найближчу еталонну ферму. На базі одержаної інформації, фермер як результат одержує прогноз динаміки «числа падіння» і, відповідно, він може почати або не починати збирання врожаю в польовому секторі, що покривається прогнозом. Відповідно до однієї кращої реалізації, якщо фермер хоче зробити огляд «числа падіння» для одного зі своїх полів, він запускає обчислювальну програму, наявну, наприклад, в Інтернеті. Спочатку фермером вводиться в програму найближча еталонна вимірювальна станція, час посіву еталонного поля та сорт культури, вирощуваної на полі, по якому має відбутися моніторинг. Виміри «числа падіння», виконані на еталонному полі, можна знайти в базі даних програми. Провайдер програми «числа падіння» вводить дані про погоду, про сорт та «числа падіння» еталонних вимірювальних станцій в базу даних програми. У програмі обчислювана динамика «числа падіння» оптимізується за допомогою порівняльних вимірів, на основі даних про погоду, шляхом внесення поправки в параметри моделі, що прогнозує «число падіння». Для оптимізації використовується метод найменшої суми квадратів. Розвиток культури обчислюється відповідно до роботи Й. Клеемоли «Вплив температури на фазовий розвиток ярової пшениці в північних умовах», Acta Agric. Scand. 1991, 41, 275-283, у той час як динаміка «числа падіння» обчислюється згідно з: Карвонен Т., Пелтонен Й.А., «Динамічна модель для прогнозування «числа падіння» пшениці в кліматичних умовах Скандинавії», Acta Agric. Scand. 1991, 41, 65-73. Після оптимізації обчислювального результату фермер вводить в програму час посіву поля, по якому має відбутися моніторинг, і вибирає метеостанцію, найближчу до його ферми. Потім динаміка «числа падіння» відповідного поля розраховується програмою за допомогою обчислювальних параметрів, одержаних в результаті оптимізації, і даних з найближчої метеостанції. Дані метеостанції також включають прогноз температури та опадів на наступний тиждень, що дозволяє фермеру планувати необхідні дії на кілька днів уперед. Краще, найбільш оптимальні дані доступні ферме 94572 12 ру у випадку, якщо його ферма має власну метеостанцію, дані якої можуть бути уведені в базу даних погоди програми «числа падіння». Відповідно до оцінки динаміки «числа падіння», фермер може здійснювати збирання врожаю промислово корисної культури відповідного сорту на різних полях. У типовому випадку цільове значення «числа падіння», що показує якість урожаю, задається фермером. Коли це цільове значення досягнуте, слід збирати врожай. В даний момент часу вартість урожаю для фермера найвища, і далі, якщо, наприклад, «число падіння» перевищує 200 одиниць, пшениця придатна для промислового використання. Цільове значення, краще, може варіюватися залежно від посіяних зернових хлібів та/або місця/часу. Наприклад, певне цільове значення використовується для житнього хліба або традиційного фінського великоднього блюда, виготовленого з осолодженого жита. Таким чином, різні цільові значення можуть, краще, вибиратися відповідно до бажаних якостей кінцевого продукту, виготовленого з даної культури. Більш того, цільове значення може конкретно відповідати вирощуваній культурі або якості вирощуваної культури і може бути основане на думці фермера щодо бажаних якостей урожаю. Однак, якщо цільове значення «числа падіння» досягається одночасно в декількох польових секторах, фермер повинен вибрати розумний порядок збирання врожаю із цих полів. У цьому випадку, із застосуванням способу відповідно до винаходу, порядок збирання врожаю з полів може бути визначений відповідно до прогнозу «чисел падіння». В одному із застосувань за даним винаходом, моніторинг «числа падіння» може бути початий за кілька тижнів до збирання врожаю, і, якщо одержане прогнозоване значення, як і раніше, нижче цільового значення, збирання урожаю може бути відкладене, а прогнозування повторене, доти, поки не буде досягнуте цільове значення. Коли це відбудеться, можна починати збирання врожаю, або можливо продовжувати очікування та стежити за динамікою «числа падіння» за допомогою прогнозування «числа падіння», доти, поки його максимальне значення не буде досягнуте та не почне знижатися. Блок-схема, що показує кроки програми обчислень відповідно до реалізації за даним винаходом, представлена на Фіг. 1. Фермер або користувач обчислювальної програми вводить вибраний сорт (10) і дату сівби (11) та вибирає метеостанцію (12) як ввідні дані. Обчислювальна програма приймає ці ввідні дані. Потім обчислювальна програма знаходить еталонну станцію (13), найближчу до вибраної метеостанції. У такий спосіб може бути виміряне «число падіння». На етапі 14 параметри моделі «числа падіння» калібруються з використанням «чисел падіння», вимірюваних на еталонній станції, і погодних даних з метеостанції, найближчої до еталонної станції. Краще, обчислювальна програма може автоматично знайти дані, необхідні на етапі 14. На етапі 15 обчислювальна програма перевіряє, чи є найближча метеостанція, вибрана користувачем, тією ж самою, що викорис 13 товувалася для калібрування. Якщо це не так, то «число падіння» перераховується, тобто, локалізується за допомогою даних вибраної станції з використанням параметрів, каліброваних на попередньому етапі 14. У тому випадку, якщо станція, вибрана користувачем, є станцією, використаною для калібрування, немає необхідності повторювати обчислення. На етапі 16 обчислювальна програма одержала остаточний результат, показуваний користувачеві, напр., фермеру. Ґрунтуючись на цьому результаті, користувач може, краще, зробити висновки про збирання врожаю відповідно до прогнозу моделі «числа падіння». На Фіг. 1 дії користувача обчислювальної програми показані блоками з безперервною лінією, а дії, виконувані обчислювальною програмою - пунктирними блоками. Блок-схема, що показує кроки програми обчислень відповідно до іншої реалізації даного винаходу, представлена на Фіг. 2. Схема починається етапом 20, на якому користувач відкриває обчислювальну програму, наприклад, відкриваючи її Інтернет-сайт. У даній реалізації також фермер або користувач обчислювальної програми вводить вибраний сорт (10') і дату сівби (11') та вибирає метеостанцію (12') як ввідні дані. Обчислювальна програма приймає ці ввідні дані. Потім обчислювальна програма знаходить еталонну станцію (13'), найближчу до вибраної метеостанції. Після цього обчислювальна програма розраховує попереднє значення «числа падіння» для вибраного сорту культури на етапі 21. Це одержане значення порівнюється з еталонними значеннями (22), вимірюваними, наприклад, на еталонній станції. На етапі 23 обчислювальна програма встановлює, чи є ці значення близькими одне до одного. Якщо порівняння на етапі 23 показує, що значення є недостатньо близькими, обчислювальна програма змінює параметри на етапі 24. Етап 24, краще, полягає в мінімізації суми квадратів розрахованих та вимірюваних «чисел падіння». З 24 обчислювальна програма повертається на 21, де заново встановлюється попереднє «число падіння». Якщо порівняння на етапі 23 показує, що значення є недостатньо близькими, обчислювальна програма перевіряє на етапі 25, чи є вибрана метеостанція тією ж, що й еталонна станція. Якщо це не так, «число падіння» встановлюється обчислювальною програмою за допомогою параметрів, каліброваних, як зазначено вище, і даних, одержаних з вибраної метеостанції, на етапі 26. У противному випадку, процес продовжується етапом 16', на якому розрахований результат показується користувачу. Ґрунтуючись на ньому, користувач може, краще, зробити висновки про збирання врожаю відповідно до прогнозу моделі «числа падіння». На Фіг. 2 також дії користувача обчислювальної програми показані блоками з безперервною лінією, а дії, виконувані обчислювальною програмою - пунктирними блоками. У робочих прикладах Фіг. 1 та 2 використовуються моделі, запропоновані Клеемола Й. у роботі «Вплив температури на фазовий розвиток ярової пшениці в північних умовах», Acta Agric. Scand. 1991, 41, 275-283 для обчислення ритму розвитку 94572 14 рослини, у той час, як динаміка «числа падіння» обчислюється згідно: Карвонен Т., Пелтонен Й.А., «Динамічна модель для прогнозування «числа падіння» пшениці в кліматичних умовах Скандинавії», Acta Agric. Scand. 1991, 41, 65-73. Ці моделі, краще, поєднуються обчислювальною програмою. Далі, результати, одержані з моделей, краще, калібруються обчислювальною програмою за допомогою методу найменшої суми квадратів, з урахуванням порівняння із заданою величиною. Нижче, без обмеження винаходу, приводяться приклади його застосування. У цих прикладах застосування винаходу описуються з використанням неопублікованих результатів експериментів, здійснених на конфіденційній основі. Приклад 1 Фермер 1, що живе у Віхті, був зайнятий справами за межами ферми та хотів з'ясувати, чи підійшов уже термін збирання, з урахуванням «числа падіння», ярової пшениці сорту Tjalve, засіяної в останню чергу на великому польовому секторі, або збирання врожаю могло бути ще відкладене, щоб бути проведеним пізніше без поспіху. 4 вересня 2003 p. фермер за допомогою Інтернету ввійшов у контакт із програмою моделі «числа падіння», що розраховує прогнози «чисел падіння». Ритм розвитку рослини та динаміка «числа падіння» розраховуються даною комп'ютерною програмою відповідно до: Клеемола Й., «Вплив температури на фазовий розвиток ярової пшениці в північних умовах», Університет Хельсінкі, 1991, і Карвонен Т., Пелтонен Й.А., «Динамічна модель для прогнозування «числа падіння» пшениці в кліматичних умовах Скандинавії», Університет Хельсінкі, 1991. Він використав ярову пшеницю сорту Tjalve, вирощувану на його фермі, і дату її посіву, 5 травня 2003 p., як ввідні дані для програми обчислення «числа падіння». Далі, він увів у програму місце проживання, Віхті, як ввідні дані для визначення найближчої метеостанції. Зібрані місцеві (Віхті) погодні дані до дати обчислення та місцевий (Віхті) прогноз погоди на наступних 10 днів були використані програмою обчислення «числа падіння» як погодні дані (зібрані реальні дані: Фінський Метеорологічний Інститут, прогноз до 14 вересня: Шведський Метеорологічний і Гідрологічний Інститут (SMHI), Швеція). У Віхті «числа падіння» також виміряються експериментально на еталонних полях поруч із метеостанцією на випробній дільниці організації МТТ Agrifood Research Finland, і ці дані вводяться в програму моделі «числа падіння» провайдером оновлень (Kemira). Прогноз, представлений на Фіг. 3, спочатку був розрахований програмою на основі виміряних даних «числа падіння». Іншими словами, Фіг. 3 показує розрахований результат «числа падіння» з використанням параметрів, узятих за умовчанням. Креслення показує, що розрахований результат явно нижче, ніж значення, виміряні на еталонних полях, і в такий спосіб у фермера склалося б помилкове враження про якість культури, вирощеної на полі, на основі цього розрахованого результату як такого. На основі критеріїв відповідності, тобто, середньоквадратичної помилки прогнозу, введеної 15 в програму, було встановлено (середньоквадратична помилка прогнозу менше 50), що прогноз, розрахований з використанням базових параметрів, занадто відхиляється від виміряних у Віхті «чисел падіння», що передбачало необхідність калібрування обчислювальних параметрів. Цей перший розрахований результат не був показаний фермеру 1, але обробка даних тривала в корекційному обчислювальному циклі. У програмі «числа падіння» обчислювальні параметри були автоматично калібровані з використанням методу найменшої суми квадратів для того, щоб зблизити розраховані та вимірювані «числа падіння». Фіг. 4а показує результат розрахунку «числа падіння» після калібрування параметрів, взятих за умовчанням. Тепер вимірювані та розраховані значення збігаються, і модель, отже, дає надійний огляд реальної якості вирощеної культури. Фігура, таким чином, показує результати, одержані після калібрування з використанням виправлених обчислювальних параметрів. З опорою на критерії відповідності, калібрування тепер є успішним, і таким чином результат був представлений фермеру 1 у вигляді Фіг. 4б. Фіг. 4б - це фігура, представлена фермеру в ситуації Прикладу 1. Фермер бачить із цієї фігури, що рівень «числа падіння» є гарним і не зменшиться небажано в період прогнозу. Таким чином, немає необхідності спішно починати збирання. Фермер був здатний зробити висновок з Фіг. 4б, що рівень «числа падіння» є гарним і не впаде протягом декількох наступних днів на основі прогнозу, і, відповідно, якість урожаю значно не понизиться. Тому він вирішив використати наступні дні для більш невідкладних робіт і відкласти збирання. Приклад 2 У продовження Прикладу 1, 13 вересня 2003 р. новий прогноз «числа падіння» був зроблений фермером після термінових робіт. Новий прогноз був розрахований програмою на основі ввідних даних і подальших погодних даних, причому тепер реальні погодні дані були доступні до 15 вересня, а прогнози до 25 вересня. Фіг. 5 представляє картину, що зображує ситуацію Прикладу 2, представлену фермеру. Фермер бачить, що «число падіння» на момент розрахунку находиться на коректному рівні, але починає падати наприкінці прогнозованого періоду. Це падіння дає зрозуміти фермеру, що збирання врожаю є невідкладним. Фермер 1, таким чином, побачив з фігури, що «число падіння» може бути швидко знижене наприкінці прогнозованого періоду дощем, що наближається, і він вирішив почати збирання врожаю негайно, 94572 16 щоб зібрати з поля врожай пшениці, яка має якість, придатну для хлібопекарського застосування, тобто, має «число падіння» понад 200 секунд. Оскільки «число падіння» зменшується, дощ міг би викликати його швидке падіння нижче рівня, що визначає хлібопекарську якість зерна (200 секунд). Приклад 3 Фермер 2 мав поля в Карккілі, на відстані 20 км від метеорологічної станції у Віхті, яка вимірює також «числа падіння». Він вибрав метеостанцію, розташовану в його місцевості, поблизу від його ферми. Погодні дані для Карккіли в цьому випадку були майже такими ж, як для Віхті, тільки опади на період з 6 по 8 вересня були явно вище, ніж у Віхті. На базі прогнозу «числа падіння», зробленого 8 вересня фермером 2, він вирішує почати збирання негайно, тому що «число падіння» на його полях, як здавалося, вже явно зменшувалося (Фіг. 6. Картина, показана фермеру в ситуації Прикладу 3. У той час, як робиться прогноз, «число падіння» зменшується, і це показує, що збирання є більш ніж невідкладним через дощ). Будь-який новий дощ зробив би ситуацію ще гірше. Якби фермер 2 тільки підкорявся виміряним результатам згідно з практикованими зараз способами, він міг би відкласти збирання і, таким чином, втратити можливість високоякісного врожаю з відповідним «числом падіння». Урожай, зібраний на основі прогнозу, виправленого з урахуванням місцевих погодних даних, мав високу якість. Програма прогнозу була використана як у Прикладі 1, за винятком того, що після калібрування новий прогноз був розрахований для фермера 2 (Фіг. 4) на основі погодних даних з метеостанції в Карккілі. Приклад 4 Фермер 3 хотів посіяти ярову пшеницю сортів Аnniina та Kruunu на своїй фермі у Віхті, причому повна площа сівби становила 100 га. Він вибрав два сорти, які розрізняються за часом дозрівання, для того щоб зменшити ризик варіації «числа падіння» через погодні умови в період збирання. З іншого боку, поля фермера складаються з 15 секторів різного розміру, і, таким чином, сівба культур займає не менше 5 днів з причин логістики (переміщення техніки та її заправлення). Він почав сівбу 5 травня 2003 р. із пшениці сорту Kruunu, вегетаційний період якої на 2 дні довше, і закінчив сівбу 8 травня 2003 р. Площа посіву пшениці Kruunu склала в цілому близько 60 га. Решта 40 га були засіяні пшеницею сорту Аnniina 8 та 10 травня 2003 р. Більш конкретно дані про сівбу та площу секторів представлені в Таблиці 1. 17 94572 18 Таблиця 1 Сектор Площа Дата сівби в 2003 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 5,5 10,2 14,0 2,1 1,5 4,2 6,7 4,3 11,7 3,1 1,7 13,2 7,2 1,6 13,0 8.5 5.5 9.5 8.5 8.5 7.5 5.5-6.5 7.5 10.5 8.5 8.5 6.5-7.5 6.5 8.5 8.5 Сорт пшениці Anniina Kruunu Anniina Anniina Anniina Kruunu Kruunu Kruunu Anniina Anniina Anniina Kruunu Kruunu Anniina Kruunu Прогноз «числа падіння» на 4 вересня >250 близько 200 >300 >250 >250 >220 близько 200 >220 >300 >300 >300 >220 >220 >300 >220 Для розрахунку «числа падіння» фермер використав обчислювальну програму в Інтернеті. Він зробив перший прогноз 4 вересня, коли наближався час збирання. Для розрахунку прогнозів, він використав дату сівби та дані про сорт на польо Прогноз «числа падіння» на 9 вересня близько 200 >250 >250 >250 300 >250 >250 близько 200 >220 >300 близько 200 Прогноз «числа падіння» на 10 вересня >250 близько 200 близько 200 >250 близько 200 близько 200 близько 200 >250 вому секторі як ввідні дані обчислювальної програми прогнозу «числа падіння». Використовувалися погодні дані, зібрані найближчою цією в його місті проживання, Віхті. Погодні дані представлені в Таблиці 2. Таблиця 2 Дата ... 28.8 29.8 30.8 31.8 1.9 2.9 3.9 4.9 5.9 6.9 7.9 8.9 9.9 10.9 11.9 12.9 13.9 14.9 Середня темп., °С Максимальна темп., °С Опади, мм 11,8 10,25 10,55 6,35 5,2 6,2 13,45 11,7 12,6 13,5 13,25 14,45 10,6 11 12 13,95 11,85 13,8 15,5 15,4 11 11 10,1 14,5 17,2 18,9 20,9 20,9 22,1 20,8 17,7 13,8 14,7 18,9 18,2 16,3 0,9 0 0 0 0 0,1 3,3 0 0 0 0 0 1,3 1,1 1,5 0 2 0,4 Як погодні дані використовувалися погодні дані, реально одержані за період між датою сівби та датою розрахунку, а також місцевий прогноз на наступні 10 днів, починаючи від дати розрахунку прогнозу і до 14 вересня. Ферма була оснащена станцією вимірювання опадів, і дані з неї вводилися в програму «числа падіння» в силу їхньої відмінності від даних офіційної метеостанції. За допомогою обчислювальної прогностичної програми визначалися прогнози «числа падіння» для кожного сектора, як у Прикладі 1, на основі ввідних даних відповідно до обчислювальної моделі (Клее Примітка реальна реальна реальна реальна реальна реальна реальна прогноз прогноз прогноз прогноз прогноз прогноз прогноз прогноз прогноз прогноз прогноз мола, Й., «Вплив температури на фазовий розвиток ярової пшениці в північних умовах», Acta Agric. Scand. 1991, 41, 275-283, і Карвонен Т., Пелтонен Й.А., «Динамічна модель для прогнозування «числа падіння» пшениці в кліматичних умовах Скандинавії», Acta Agric. Scand. 1991, 41, 65-73), приймаючи до уваги будь-яку необхідність калібрування обчислювальних параметрів. «Число падіння» 220 секунд встановлено фермером як цільове, тому що таке «число падіння» відповідає максимальній ціні за кілограм вирощеної пшениці. 19 Опираючись на обчислений прогноз, фермер вирішує почати збирання врожаю в секторах 2 та 7, оскільки, згідно із прогнозом, їх «число падіння» у наступні 10 днів впаде нижче встановленого граничного значення. Кількість опадів на фермі 5 вересня склала 7 мм. Після збирання врожаю секторів 2 та 7 новий прогноз був розрахований 6 вересня для решти 13 секторів. Згідно із прогнозом, у секторі 6 був ризик зниження «числа падіння» пшениці Kruunu нижче 200 одиниць, а також для пшениці Anniina «число падіння» зменшувалося в секторі 1. Оскільки об'єм урожаю в секторі 1 був більше, фермер вирішив зібрати його першим, після чого зібрати врожай сектора 6. Потім був зібраний урожай у секторах 15, 12 та 8. Про всякий випадок урожай, зібраний із сектора 6, що має сумнівне «число падіння», був 94572 20 поміщений в окремий елеватор для того, щоб не погіршити пшеницю, яка має потрібну якість. 10 вересня дуже рано вранці над фермою почався дощ, і кількість опадів склала 13 мм. Фермером був визначений прогноз «числа падіння» для решти секторів. 10 вересня після полудня, коли культури знову були сухими, у першу чергу був зібраний останній сектор пшениці Kruunu (сектор 13), а потім - пшениця Anniina. В наступні дні погода була сонячною та сухою, і пшениця збиралася в порядку зростання «чисел падіння», тобто, починаючи з низьких «чисел падіння» (близько 200) у секторах 4, 5, 10, 11, слідом за чим більш високі «числа падіння» (>250) у секторах 3, 9, 14, так щоб у кожному польовому секторі було досягнуто економічно оптимальне «число падіння». Збирання врожаю було завершено 13 вересня. 21 94572 22 23 94572 24 25 Комп’ютерна верстка Л.Литвиненко 94572 Підписне 26 Тираж 24 прим. Міністерство освіти і науки України Державний департамент інтелектуальної власності, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601