Cofnij Strona główna IPM IDSS

Konstrukcja modelu ochrony roślin

 
Motto:
"Aby zrozumieć zjawisko należy zbudować jego model.", William Thomson (Lord Kelvin)
Generalnie nauka zajmuje się rozwiązywaniem trzech kluczowych zagadnień: poznaniem rzeczywistości, wyborem najlepszego rozwiązania spośród rozwiązań znanych oraz znajdowaniem lepszego sposobu działania niż sposoby dostępne dotychczas [Cempel 2002]. W procesach myślowych określanych jako myślenie analityczne umysł posługuje się modelami mentalnymi będącymi uproszczeniem rzeczywistości [Heuer 1999, Maruszewski 2001], co nie pozostało bez konsekwencji dla metody naukowej. Fragmenty rzeczywistości (systemy naturalne) są na ogół zbyt skomplikowane dla kompleksowego poznania, dlatego badacze od dawna tworzyli cząstkowe (uproszczone) ich obrazy (inaczej "modele" - słowo "model" pochodzi z łacińskiego słowa modus lub modulus, oznaczającego miarę, obraz, sposób). Grunt dla nadania modelowaniu wartości poznawczej w badanich naukowych stworzyły prace Kartezjusza, Faradaya, Newtona, Maxwella i innych badaczy [Kurowski 2002]. W ciągu ostatnich dwóch wieków, modelowanie stało się podstawą badania systemów w matematyce, fizyce, chemii, biologii, ekonomii itd.
Model stanowi pewien "sztuczny" system odzwierciedlający fragment rzeczywistości zgodnie z potrzebami i wiedzą badacza. Modelowanie matematyczne polega na pewnym przyporządkowaniu własności, procesów i związków danego (modelowanego) systemu naturalnego pewnym symbolom, funkcjom i relacjom systemu "sztucznego" (modelu). Modelowanie wykorzystuje język sformalizowany do ilościowego opisu badanego systemu naturalnego.
W modelowaniu matematycznym równoważność modelu i systemu modelowanego ogranicza się do zapewnienia wierności matematycznego opisu wybranych własności, procesów i związków systemu naturalnego. Równoważność modeli matematycznych z systemami modelowanymi nie polega więc na fizycznym podobieństwie do oryginału, lecz na wierności ilościowego odwzorowania określonego aspektu systemu naturalnego, zgodnie z wyznaczonym celem modelowania.
W wielu dziedzinach nauki pierwszoplanowym zagadnieniem jest konstrukcja modelu odzwierciedlającego przedmiot badań. Odzwierciedlenie takie ma następujące cechy:
Również w systemach prognozowania zabiegów ochronnych roślin jądrem jest model matematyczny opisujący dynamikę populacji agrofaga lub rozwój epidemii [Gutsche 2001]. Każdy model jest określoną transformacją rzeczywistości. Niedoskonałość transformacji stanowi źródło błędów, które mogą być znaczne szczególnie przy modelowaniu procesów w rolnictwie ze względu na pokaźną liczbę czynników i ich wzajemne relacje. Stąd wynika duże znaczenie procesu weryfikacji modeli w celu ich korekcji i wyznaczenia zakresu stosowania [Kuna-Broniowski 1999a]. Właściwie zweryfikowany model stanowi ważne źródło informacji o potrzebie i właściwej dacie zabiegu ochronnego.
Pierwszym krokiem modelowania danego zjawiska jest określenie granic modelowanego fragmentu rzeczywistości, innymi słowy, wyznaczenie tego, co zostanie uwzględnione w modelu. W przypadku modeli stosowanych w ochronie roślin uwzględnia się roślinę i agrofaga. Nie można jednak pominąć wpływu środowiska, ponieważ warunki środowiska mają decydujące znaczenie w rozwoju zarówno rośliny jak i agrofaga. Najprostszy model - model rozwoju agrofaga jest więc odwzorowaniem systemu roślina-agrofag-środowisko. Efektem działania takiego modelu może być np. intensywność porażenia rośliny lub spadek plonu. Bardziej złożone modele uwzględniają ponadto interwencję człowieka, czyli zalecenia dotyczące ochrony roślin (środki ochrony, koszty, technologia zabiegów ochrony). Takie modele nazwiemy modelami ochrony roślin (np. model ochrony pszenicy ozimej).
Dla celów ochrony roślin spośród wielu rodzajów modeli jedne z bardziej przydatnych to matematyczne modele funkcjonalne. Przedstawiają one liczbową zależność skutktu (np. intensywności porażenia) od jego przyczyn (zmiennych systemu roślina-agrofag-środowisko). Pomiędzy skutkiem a przyczynami (reprezentowanymi przez zmienne) występują sprzężenia o różnej wadze. Wagi tych sprzężeń wyraża się wartościami parametrów modelu [Cempel 2002]. Ponieważ procesy w systemie roślina-agrofag-środowisko zachodzą w czasie, tak też są odwzorowane w modelu rozwoju agrofaga. Taki model może być zastosowany jako model prognostyczny, tzn. umożliwiający obliczenie wartości skutku dla wartości zmiennej czasowej wybiegających w przyszłość.

Etapy opracowania modelu
Rys.1. Etapy opracowania modelu (wzór zaczerpnięto z pracy Gutschego 2001).

Na rys.1 przedstawiono etapy opracowania modelu ochrony roślin.
  • Analiza problemu - określenie wymagań, które ma spełniać model rozwoju agrofaga.
  • Budowa modelu - analiza jakościowa modelowanego systemu (elementy, procesy, zmienna czasowa), analiza ilościowa (funkcje matematyczne, estymacja parametrów, konstrukcja algorytmów i opracowanie programu komputerowego).
  • Testowanie modelu - weryfikacja modelu (analiza wag sprzężeń, estymacja parametrów globalnych i regionalnych, estymacja i ocena błędu wewnętrznego), walidacja modelu (sprawdzenie wyników działania modelu na danych nie użytych do jego konstrukcji, estymacja i ocena błędu zewnętrznego).
  • Wdrożenie modelu - implementacja w postaci aplikacji internetowej lub programu dla komputerów PC, zabezpieczenie dopływu aktualnych danych, wykorzystanie w warunkach produkcyjnych.
Gutsche opisuje metodę konstruowania i walidacji modeli rozwoju agrofagów, która powstała równolegle z opracowaniem modelu SIMPHYT II [Gutsche 2001; California PestCast 2005] dla zarazy ziemniaka. Opracowanie modelu można podzielić na cztery etapy, przy czym pierwszy etap dotyczy analizy problemu, natomiast pozostałe trzy wchodzą w zakres konstrukcji modelu. Etapy te nie są zamknięte, często konieczny jest powrót i skorygowanie wcześniejszych kroków.
Metoda podana przez Gutschego skupia się na modelowaniu dynamiki populacji agrofaga lub rozwoju epidemii podczas jednego sezonu wegetacyjnego. W celu ułatwienia analizy rozwój populacji lub epidemii dzieli się na etapy odpowiadające fazom rozwoju agrofaga. W przypadku szkodników są to np. stadium jaja, młodej larwy, dorosłej larwy itd.). Rozwój chorób natomiast wygodnie jest opisywać przez zaawansowanie symptomów, mierzone np. stopniem porażenia liści. Rozwój symptomów zależy od procesów takich jak rozprzestrzenianie się agrofaga, rozmnażanie, rozwój, wzrost, odżywianie itd. Jednostką czasu najbardziej przydatną w modelach rozwoju szkodników okazała się doba, natomiast w modelach rozwoju chorób godzina. Do konstrukcji modeli wykorzystuje się dane z różnych źródeł (literatura, doświadczenia laboratoryjne i polowe, monitoring). Dane z doświadczeń laboratoryjnych i polowych służą głównie do określenia parametrów procesów uwzględnionych w modelu, natomiast dane z monitoringu polowego do testowania modelu i określenia wartości parametrów globalnych i regionalnych.
Parametry regionalne umożliwiają łatwe dostosowanie modelu do stosowania w specyficznych warunkach danego regionu. Stanowią one wynik działania określonego zespołu czynników trudnych do odzwierciedlenia w modelu. Przykładowo przy modelowaniu rozwoju epidemii parametr regionalny może wyrażać początkowe potencjalne wystąpienie infekcji w określonym regionie w zależności od gęstości łanu, zabiegów uprawowych i warunków klimatycznych.
Z reguły wszystkie dane przeznaczone do konstrukcji modelu powinny być podzielone od początku na dwie grupy [Gutsche 2001]. Dane z jednej grupy będą wykorzystane do ustalenia zależności między zmiennymi i do estymacji parametrów modelu, co pozwoli zbudować model w postaci programu komputerowego i wstępnie go zweryfikować. Weryfikacja jest to sprawdzenie poprawności modelu, innymi słowy, ustalenie, czy model spełnia założenia konstruktora [Oriade i Dillon 1997]. Weryfikację najwygodniej jest przeprowadzić na etapie programowania modelu (testowania programu). Model weryfikuje się na danych wejściowych użytych do jego budowy określając, czy wynik działania modelu charakteryzuje się dostatecznie małym błędem (niewielki, tzw. immanentny błąd będzie występował zawsze). Druga grupa danych posłuży do walidacji gotowego, zweryfikowanego modelu. Walidacja jest to sprawdzenie, czy model wystarczająco dokładnie odwzorowuje modelowany system, dzięki czemu można go będzie zastosować w praktyce. W praktyce na początku modelowania jest zwykle zbyt mało danych do podziału na dwie grupy, dlatego w takim przypadku Gutsche zaleca równolegle z pracami nad konstrukcją modelu poszerzanie posiadanego zbioru danych. Pozwoli to skrócić prace nad testowaniem modelu.
Literatura
  1. Aris V.M. 1999. Use of Weather-based Modeling for Disease Management of Early Leaf Spot of Peanut and Glume Blotch of Wheat. M.S. Thesis. Electronic document PDF.
  2. Nietschke B.S., Magarey R.D., Borchert D.M., Calvin D.D., Jones E. 2007. A developmental database to support insect phenology models. Crop Protection 26(2007):1444-1448.
  3. California PestCast. 2004. Disease Model Database. Statewide IPM Program, Agriculture and Natural Resources, University of California. Electronic document HTML.
  4. California PestCast. 2005. Models: Late Blight of Potato. Statewide IPM Program, Agriculture and Natural Resources, University of California. Electronic document HTML.
  5. Cempel C. 2002. Nowoczesne Zagadnienia Metodologii i Filozofii Badań. E-skrypt.
  6. Contreras-Medina L.M., Torres-Pacheco I., Guevara-González R.G., Romero-Troncoso R.J., Terol-Villalobos I.R., Osornio-Rios R.A. 2009. Mathematical modeling tendencies in plant pathology. African Journal of Biotechnology 8(25):7391-7400. Electronic document PDF.
  7. Damos P.T., Savopoulou-Soultani M. 2010. Development and statistical evaluation of models in forecasting moth phenology of major lepidopterous peach pest complex for Integrated Pest Management programs. Crop Protection 10(29):1190-1199.
  8. Eversmeyer M.G., Kramer C.L. 1996. Modeling Winter and Early Spring Survival of Puccinia recondita in Wheat Nurseries During 1980 to 1993. Plant Disease, May, 1996, 5(80).
  9. GillespieI T.J., SentelhasII P.C. 2008. Agrometeorology and plant disease management - a happy marriage. Scientia Agricola 65:71-75. Electronic document PDF.
  10. Gutsche V. 2001. From Mathematical Models to Decision Support Systems - the Development of the German Plant Protection Forecasting System Paso. In: Jérôme Steffe (ed.): EFITA 2001. Third European Conference of the European Federation for Information Technology in Agriculture, Food and Environment, Montpellier (France), 18-20 June 2001. Conference proceedings, vol.1:7-12. Agro Montpellier, Ecole Nationale Supérieure Agronomique de Montpellier. Dokument elektroniczny, http://www.efita.net.
  11. Heuer, R.J., Jr. 1999. Psychology of Intelligence Analysis. Center for the Study of Intelligence. CIA. E-book, PDF, HTML.
  12. Kuna-Broniowski M. 1999a. Prognozowanie epidemii rdzy zbożowej metodą symulacji komputerowej. Inżynieria Rolnicza 1(7):143-151.
  13. Kuna-Broniowski M. 1999b. Wczesne wykrywanie chorób roślin za pomocą mikrofal. Inżynieria Rolnicza 1(7):133-142.
  14. Kurowski W. 2002. Modelowanie i symulacja systemów technicznych. Instytut Badawczo - Rozwojowy Informatyki, WSA, Łomża. E-skrypt.
  15. Lentz W. 1998. Model applications in horticulture: a review. Scientia Horticulturae 74 (1998):151-174.
  16. Maruszewski T. 2001. Psychologia poznania. Gdańskie Wydawnictwo Psychologiczne GWP, Gdańsk. ISBN978-83-87957-51-3.
  17. Oriade C.A., Dillon C.R. 1997. Developments in biophysical and bioeconomic simulation of agricultural systems: a review. Agricultural Economics. Vol.17:45-58.
  18. Racca P. und Tschöpe B. 2011. SIMONTO-Lupin: an ontogenetic simulation model for lupin species (Lupinus angustifolius, L. luteus and L. albus). Journal für Kulturpflanzen (63):333-339. Online.
  19. Rossi V., Giosue S. Caffi T. 2010. Modelling Plant diseases for decision making in crop protection. In: Oerke E.C., Gerhards R., Menz G., Sikora R.A. (eds.) Precision Crop Protection - the Challenge and Use of Heterogeneity. Springer Science, Dordrecht, NL. pp. 441. Electronic document PDF.
  20. Susi A., Perini A., Olivetti E. 2002. Plant disease models. Critical issues in development and use. In: Rizzoli A.E., Jakeman A.J. (eds.) Conf. Proc. iEMSs 2002 - Integrated Assessment and Decision Support. 24-27 June 2002, Lugano, Switzerland. Electronic document PDF.
  21. Teng P.S., Bowen K.L. 1985. Disease Modeling and Simulation. In: The Cereal Rusts. Vol. II: Diseases, Distribution, Epidemiology, and Control. Academic Press, Inc. Electronic document PDF.
  22. Wójtowicz A., Wójtowicz M. 2009. Matematyczne modelowanie zagrożenia roślin przez Puccinia recondita ROB. ex DESM. f sp. tritici. Postępy Nauk Rolniczych 5-6/2009:69-75. Dokument elektroniczny PDF.
Pierwsza wersja 03.01.2007
Ostatnia modyfikacja 28.03.2013
Sugerowany sposób cytowania tej strony:
Zaliwski A.S. 2013. Konstrukcja modelu ochrony roślin. System doradztwa w zakresie zrównoważonej produkcji roślinnej. IUNG-PIB Puławy.